II.4Отладка, тестирование и качество ПО

P0u4a/ModernBERT-bash-classifier — дообученная модель на базе answerdotai/ModernBERT-base для классификации команд Bash как безопасных или небезопасных. Её предполагаемый сценарий — автоматическая проверка команд в средах coding-агентов, чтобы пользователю требовалось вручную одобрять только команды, помеченные как небезопасные. Модель относится к семейству ModernBERT, использует архитектуру классификации последовательностей и содержит 149 млн параметров. Она принимает текст команды и выдаёт метку класса. Базовая модель поддерживает контекст до 8192 токенов; модель обучена на 3738 командах из трасс Claude Code и Codex. По README, на оценочной выборке F1 составляет 0,9615, а accuracy — 0,9893. К небезопасным отнесены команды, которые загружают или отправляют данные по сети, постоянно изменяют или удаляют файлы вне текущего проекта, меняют облачные ресурсы либо создают постоянные ресурсоёмкие процессы. Качество классификации может снижаться для неизвестных CLI и команд с блоками кода, например Python, внутри heredoc. Лицензия — Apache-2.0.

NousCoder-14B-Q4_K_M-layers — квантованный GGUF-чекпойнт модели для генерации кода, опубликованный пользователем exdysa. Он основан на NousCoder-14B, дообученной на базе Qwen/Qwen3-14B; в метаданных указаны llama.cpp и диалоговый режим. Модель предназначена для генерации программного кода и ответов в диалоге на запросы, связанные с программированием. Тег языка en и наборы данных для генерации кода указывают на англоязычную ориентацию. Квантование Q4_K_M рассчитано на более компактное хранение и запуск; распределённое разбиение слоёв обозначено в названии и тегах репозитория. Репозиторий распространяется по лицензии Apache-2.0. Карточка README не содержит подробностей об оценках качества или точных ограничениях; как квантованная модель, результат может отличаться от исходной версии по точности.

NVIDIA-Nemotron-Nano-12B-v2-Base — базовая языковая модель компании NVIDIA для продолжения заданного текста и создания собственных LLM на её основе. Это гибридная архитектура Nemotron-Hybrid: 62 слоя, преимущественно Mamba-2 и MLP, с шестью слоями внимания; размер модели — 12,31 млрд параметров. В карточке также отмечено, что модель улучшена с использованием Qwen. Модель принимает и генерирует текст, поддерживает контекст до 128 тысяч токенов и рассчитана на английский и 16 других языков: испанский, французский, немецкий, японский, итальянский, португальский, китайский, арабский, датский, корейский, нидерландский, польский, русский, шведский и тайский. NVIDIA позиционирует её для разработчиков и исследователей, создающих языковые модели; веса доступны в формате safetensors, интеграция указана для Transformers, а среди движков инференса — HF, vLLM и TRT-LLM. Модель обучалась примерно на 20 трлн токенов; данные включают веб-тексты, диалоги, статьи, математику и код. NVIDIA заявляет о готовности к коммерческому использованию, однако в метаданных указана лицензия «other», поэтому конкретные условия следует сверить с лицензией репозитория. Для развёртывания производитель ориентирует модель на GPU NVIDIA, включая H100-80GB и A100; для целевого применения рекомендуются дополнительные тестирование и валидация.

Phi-4-mini-reasoning-GGUF — GGUF-квантизированная версия модели Phi-4-mini-reasoning, разработанной Microsoft. Квантизацию выполнил bartowski на основе llama.cpp, релиз b5228. Модель предназначена для генерации текста и ориентирована на многошаговое, логически сложное решение математических задач, а также на сценарии, связанные с математикой, рассуждениями и кодом. Модель поддерживает контекст длиной до 128 тысяч токенов и работает с текстовыми входными данными; в карточке указан английский язык. Точные архитектурные параметры и размер модели в README не приведены. Большое контекстное окно и специализация на последовательных рассуждениях являются её ключевыми особенностями, однако результаты могут быть неточными, поэтому математические решения и сгенерированный код требуют проверки. Модель распространяется по лицензии MIT. LM Studio не является разработчиком или владельцем модели и не гарантирует её точность, безопасность или соответствие конкретным требованиям.

perplexity-ai/pplx-pii-masking-GGUF — GGUF-упаковка модели Perplexity AI для обнаружения и маскирования персональных данных в разговорном тексте. В основе — двунаправленный энкодер Qwen3 примерно на 600 млн параметров с backbone perplexity-ai/pplx-embed-v1-0.6b. Модель включает классификатор токенов с 37 BIOES-метками для девяти категорий данных, включая имена, номера счетов, адреса, электронную почту, телефоны и секреты, а также отдельную голову для оценки чувствительности диалога. Модель предназначена для поиска чувствительных фрагментов и их маскирования при обработке разговорных данных. Для запуска используется llama.cpp: backbone поставляется в формате GGUF F16, а классификационные головы — в FP32 Safetensors; клиент применяет их к состояниям токенов и декодирует найденные фрагменты. Лицензия — MIT. Вход должен содержать от 1 до 4096 токенов; более длинные документы нужно разбивать на части. Из-за двунаправленного внимания весь вход обрабатывается одним микропакетом, для поддерживаемого окна требуется размер пакета 4096. Точность конвертации и backend могут влиять на результаты; возможны ложные срабатывания и пропуски персональных данных, поэтому качество и пороги чувствительности следует проверять на целевых данных.

netcat420/Qwen2.5-Coder-Scholar-7B-Abliterated-MFANN — дообученная разговорная модель семейства Qwen2.5-Coder, созданная автором репозитория netcat420 на основе instruct-варианта. По README, модель обучали на датасете MFANN в течение 18 000 шагов и 52 эпох; архитектура — плотная причинная языковая модель Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате и ориентирована на задачи, связанные с кодом и материалами MFANN. В метаданных также отмечен интерфейс вызова инструментов. Карточка не уточняет качество на отдельных задачах или конкретные сценарии применения MFANN. Модель принимает текст и генерирует текст. В метаданных указан английский язык. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. README характеризует модель как abliterated, но не описывает методику и последствия этого изменения; качество и поведение следует оценивать на целевых задачах.

Refact-1.6B-fim — плотная авторегрессионная языковая модель Refact AI для генерации и дополнения кода. Она предназначена прежде всего для заполнения пропусков в коде по контексту до и после места вставки (Fill-in-the-Middle), например в IDE; также поддерживает диалоговый формат для вопросов о программировании. Модель содержит 1,6 млрд параметров, построена на архитектуре GPTRefact с multi-query attention, ALiBi и LayerNorm и принимает контекст длиной до 4096 токенов. Модель дообучена на синтетических примерах и отфильтрованных наборах инструкций для кода; в карточке отмечены датасеты The Stack Dedup и CommitPackFT. По заявлению авторов, настройка улучшила генерацию коротких, однострочных и многострочных дополнений, в том числе пустых. Основной язык обучающих текстовых данных — английский, хотя в комментариях к коду встречаются другие языки; качество на неанглийском языке ниже. Лицензия — BigScience OpenRAIL-M.

Taimwe/securecoder-30b-pro-merged — объединённая 16-битная версия SecureCoder LoRA с базовой моделью unsloth/Qwen3-Coder-30B-A3B-Instruct. Это модель генерации текста на архитектуре Qwen3 MoE; метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов, а README описывает ограничение исходной версии в 2 тыс. токенов. Модель предназначена для генерации и анализа кода, а также вызова инструментов в сценариях разработки и работы с кодовой базой. Модель распространяется в формате safetensors и подходит для загрузки в vLLM, TGI, Transformers и SGLang. README сообщает высокие результаты на тестах вызова инструментов, но низкий результат на проверке здравого смысла кода (6,7%); также указано, что модель не проходила обучение безопасности. Репозиторий содержит версию v1, оставленную для воспроизводимости и старых ссылок; актуальной названа v2. Лицензия — Apache-2.0.

buelfhood/SOCO-Java-CodeBERTa-ST-1 — модель Sentence Transformers, дообученная автором на базе huggingface/CodeBERTa-small-v1 для получения эмбеддингов исходного кода. Она преобразует текст в плотные векторы размерностью 768 и предназначена для сравнения семантической близости, семантического поиска и группировки похожих фрагментов кода. В README указаны также поиск парафразов и классификация текста как возможные сценарии применения. Модель использует архитектуру RoBERTa с mean pooling и косинусную меру сходства. Максимальная длина последовательности — 512 токенов; метаданные указывают контекст в 514 токенов. Модель обучалась на наборе из 33 411 пар предложений с BatchAllTripletLoss. Базовая CodeBERTa-small-v1 предназначена для кода на шести языках программирования; естественные языки и специальные прикладные области этой модели в источниках не указаны. Формат весов — Safetensors. Лицензия в предоставленных данных не указана.

buelfhood выпустил sentence-transformers-модель SOCO-Java-GraphCodeBERT-ST, дообученную на базе microsoft/graphcodebert-base. Она преобразует текстовые фрагменты в плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Архитектура состоит из трансформера RoBERTa и слоя среднего пулинга токенов. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. База GraphCodeBERT ориентирована на понимание кода, а карточка указывает на обучение на 33 411 примерах. Метаданные называют библиотеку Sentence Transformers и формат весов Safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

duyntnet/Starling-LM-7B-alpha-imatrix-GGUF — это набор квантованных версий текстовой генеративной модели Starling-LM-7B-alpha, разработанной Berkeley Nest и опубликованной пользователем duyntnet. Модель предназначена для генерации текста, диалоговых сценариев и помощи в программировании на английском языке, включая односторонние и многоходовые беседы. Модель имеет размер около 7 млрд параметров и распространяется в формате GGUF с использованием imatrix-квантования. Она относится к текстовым, а не мультимодальным моделям; поддержка других языков и размер контекстного окна в карточке не указаны. Для диалогов требуется использовать шаблон, совместимый с OpenChat 3.5, а для программирования предусмотрен отдельный формат запроса Code User и Code Assistant. К сильным сторонам относятся поддержка диалогового и кодового режимов, а также доступность квантованных вариантов для запуска в средах, поддерживающих GGUF. При отклонении от рекомендованного шаблона качество может снижаться; в редких случаях ответы бывают избыточно подробными, что можно частично уменьшить настройкой temperature=0. Лицензия указана как other, без дополнительных условий в представленном README.

Tyr-4B-v0.1 — языковая модель, созданная автором trollek путём обучения LoRA-адаптеров и их объединения методом DELLA. Модель основана на trollek/LittleInstructionMaker-4B-v0.2; её плотная архитектура Llama содержит 3,8 млрд параметров, а контекст составляет 8192 токена. В репозитории представлены веса safetensors. Модель предназначена для диалоговой генерации текста, в том числе для задач, связанных с кодом и данными WhiteRabbitNeo. Она обучена с шаблоном ChatML и может использоваться с системным сообщением или без него. В карточке заявлено, что модель может выдавать контент без цензурных ограничений; отдельные показатели качества не приведены. Модель распространяется по лицензии Apache-2.0. Это ранняя версия v0.1; возможности и качество для конкретных задач следует проверять на собственных примерах.

AutoDev Coder DeepSeek 6.7B Finetunes — разговорная модель генерации текста на архитектуре Llama с 6,6 млрд параметров и контекстом до 16 384 токенов. README указывает на дообучение для AutoDev, но не содержит подробностей о сценариях и обучении. Модель предназначена для генерации текста в чате; её название указывает на применение в разработке кода и IDE-плагине. В метаданных перечислены английский и китайский языки, формат весов Safetensors и библиотека Transformers. Лицензия указана как other, поэтому условия её использования следует уточнить у автора модели.

Carnice-9b-GGUF — набор GGUF-сборок модели Carnice-9b, разработанной kai-os на основе Qwen/Qwen3.5-9B и специально дообученной для работы с Hermes-Agent. Модель предназначена прежде всего для локальных агентных сценариев, в которых требуется многошаговое взаимодействие с инструментами, включая терминал, файловую систему и браузер, а также корректное формирование действий в формате, ожидаемом Hermes-Agent. Обучение было ориентировано не на обычный диалоговый стиль, а на tool-use и поведение автономного агента в многоходовых задачах. В обучающие данные входили Hermes-совместимые траектории, примеры восстановления общего reasoning после специализированного дообучения и дополнительный этап настройки под формат действий и использование инструментов в Hermes-Agent. Модель имеет размер 9B и поддерживает текстовую генерацию; сведения о языках, максимальном контексте и мультимодальных возможностях в README не указаны. Репозиторий содержит три варианта квантизации: Q4_K_M размером около 5,3 ГБ для наиболее быстрого локального тестирования, Q6_K размером около 6,9 ГБ как компромисс между качеством и размером и Q8_0 размером около 8,9 ГБ для максимального качества среди GGUF-вариантов. Сборки предназначены для запуска через llama.cpp и являются самостоятельными объединёнными моделями, а не PEFT-адаптерами. Ограничения включают зависимость качества и скорости от выбранной квантизации и оборудования, а также специализированную ориентацию на Hermes-Agent, из-за которой поведение в универсальных чат-сценариях может не быть основной целью модели. Модель распространяется по лицензии Apache-2.0.

Это текстовый Sentence Transformer, дообученный на базе sentence-transformers/all-MiniLM-L6-v2 для поиска соответствий между запросами и фрагментами кода. Модель преобразует предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. Архитектура включает BERT-энкодер, mean pooling и нормализацию векторов. Модель предназначена для семантического поиска по коду и извлечения релевантных фрагментов по текстовому запросу. Обучение проведено на 393 427 парах «запрос — код» с MultipleNegativesRankingLoss. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов; README задаёт максимальную длину последовательности 256 токенов, поэтому при использовании следует учитывать это ограничение. Язык корпуса и лицензия в предоставленных данных не указаны.

Это японская дообученная версия DeepSeek-R1-Distill-Qwen-32B, созданная Рёсуке Исигами. Модель предназначена для генерации текста и диалоговых ответов на японском языке; базовая модель также ориентирована на рассуждения, математику и программирование. Модель использует плотную архитектуру Qwen2 и содержит 32 млрд параметров. Максимальная длина контекста — 131 072 токена. Доступны веса в формате safetensors, лицензия — MIT. Карточка подтверждает японскую настройку, но не приводит подробностей о данных дообучения или отдельных результатах оценки.

glm46-code-feedback-maxeps-131k — дообученная модель на базе Qwen/Qwen3-8B, созданная с использованием набора данных open-athena/glm46-code-feedback-maxeps-131k. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM и 7,6 млрд параметров, предназначенная для генерации текста в диалоговом режиме. Контекст модели составляет до 40 960 токенов. Модель может применяться для диалога и генерации кода; по названию набора данных можно предположить настройку на обратную связь по коду, но README не описывает конкретные возможности или результаты обучения. Доступна в формате Safetensors для библиотеки Transformers. Лицензия — Apache-2.0.

IBM Research разработала Granite Guardian HAP 38M — компактный классификатор токсичности текста на основе RoBERTa с четырьмя слоями и 39,6 млн параметров. Модель анализирует английский текст и классифицирует его на токсичный или нетоксичный, выявляя в том числе ненавистнические высказывания, оскорбления и ненормативную лексику. Модель предназначена для низколатентной фильтрации текста в качестве защитного барьера для LLM, а также для массовой разметки документов. Она работает на CPU и GPU; длина контекста составляет 514 токенов. Выпущена под лицензией Apache 2.0. Короткая архитектура обеспечивает высокую скорость обработки, но при необходимости более высокого F1 разработчик рекомендует 12-слойную версию. Классификация может давать ложноположительные и ложноотрицательные результаты, особенно на текстах, отличающихся от обучающих данных; также возможны ошибки при интерпретации нюансов и проявления смещений, известных для детекторов токсичности и языка ненависти.

Hercules-2.0-Mistral-7B-GGUF — это набор файлов модели в формате GGUF для Locutusque/Hercules-2.0-Mistral-7B. Исходную модель разработал Locutusque, а квантизированную версию подготовил MaziyarPanahi. Модель относится к семейству Mistral и предназначена для генерации текста. В репозитории представлены варианты квантизации от 2 до 8 бит, включая форматы Q2_K, Q3_K, Q4_K, Q5_K и Q6_K с различным балансом между размером файлов, требованиями к памяти и сохранением качества. README указывает на специализацию исходной модели в задачах, связанных с химией, математикой, программированием и физикой. Размер исходной модели — 7B параметров; сведения о модальностях, поддерживаемых языках и размере контекста не приведены. Формат GGUF подходит для локального запуска через llama.cpp и совместимые приложения, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и другие инструменты. Основные преимущества версии — выбор степени квантизации и возможность локального использования на широком спектре конфигураций. Ограничения связаны с потерями качества при сильной квантизации и отсутствием в README подробных результатов тестирования, характеристик производительности и рекомендаций по выбору конкретного варианта. Лицензия — Apache 2.0.

HOS-OSS-1.54B — компактная авторегрессионная языковая модель, опубликованная hydffgg и дообученная на базе Qwen/Qwen2.5-Coder-1.5B-Instruct. Она использует декодерную архитектуру в стиле LLaMA и предназначена для генерации текста и кода, следования инструкциям и диалогового общения. В метаданных указаны 596 млн параметров, контекст 1024 токена и библиотека Transformers; README заявляет размер около 1,54 млрд параметров и ориентир на быстрый запуск с ограниченными ресурсами, включая локальное использование. Модель поддерживает английский язык и формат чат-ответов. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Карточка заявляет пригодность для небольших GPU и сред Colab или Kaggle, но результатов оценки качества не приводит.

K2-Horizon-7B-Uno-Uncensored-GGUF — это локальная GGUF-версия модели на базе IFM/K2-Horizon-7B, опубликованная пользователем geantendormi. В модель предварительно объединён адаптер Uno, после чего выполнена процедура удаления отказов и квантование с использованием iMatrix и IQ4_XS. Она предназначена для текстовой генерации, локального запуска через llama.cpp и работы на потребительских видеокартах, включая RTX 3060 с 12 ГБ видеопамяти. Модель имеет размер 7B параметров, поддерживает китайский и английский языки, использует формат GGUF и квантование IQ4_XS с плотностью около 4,25 bpw. Размер основного файла составляет примерно 4,76 ГБ. В README заявлена поддержка контекста до 16 384 токенов, а также высокая скорость инференса на RTX 3060: около 57–59 токенов в секунду при генерации и до 626,5 токена в секунду при предварительной обработке запроса. Для запуска требуется версия llama.cpp с поддержкой архитектуры K2-Horizon. Сильными сторонами являются компактный размер, возможность полностью разместить модель в памяти потребительской видеокарты, двуязычная калибровка и ориентация на генерацию кода и технических текстов. Ограничения включают агрессивное IQ4_XS-квантование, потенциальное снижение качества по сравнению с BF16-версией и зависимость от совместимости llama.cpp с нестандартной архитектурой и токенизацией. README описывает модель как uncensored, поэтому встроенные ограничения на потенциально опасные запросы были намеренно ослаблены; заявленные показатели производительности и качества представлены авторами README и не подтверждены независимой оценкой. Лицензия — Apache 2.0.

Kimi-K3-REAP80-MLX-mxfp4-q8 — это сильно прореженная и преобразованная в формат MLX версия модели Kimi-K3 от Moonshot AI, опубликованная пользователем или организацией pipenetwork. Модель предназначена для локального запуска на компьютерах Apple Silicon с большим объёмом unified memory, прежде всего для генерации текста и автодополнения кода через mlx-lm. Исходная Kimi-K3 — нативно мультимодальная MoE-модель с архитектурой Kimi Delta Attention, Attention Residuals и контекстом до 1 млн токенов; её полный размер составляет около 2,78 трлн параметров, из которых активно используется около 104 млрд. В этой сборке после pruning REAP сохранено 179 из 896 экспертов в каждом из 92 MoE-слоёв, всего около 601 млрд параметров и примерно 350 ГБ. Экспертные веса используют битово-идентичный MXFP4, а неэкспертные тензоры хранятся в более высокой точности. Для запуска требуется MLX и специальный загрузчик kimi_k3.py. Главное преимущество сборки — возможность загрузить модель на Apple Silicon с 512 ГБ памяти; на M3 Ultra заявлена скорость генерации около 5,54 токена в секунду. Кодовые продолжения сохраняют структурную корректность лучше, чем общие языковые ответы. Ограничение — агрессивное прореживание с заметным снижением качества по сравнению с полной Kimi-K3: возможны уход в списки или фрагменты исходных файлов, повторы и деградация китайского вывода; для CJK рекомендуется менее сильно прореженная REAP-73. Указана лицензия other с названием kimi-k3.

LFM2.5-8B-A1B-Coder — дообученная и слитая с базовыми весами модель для генерации кода, созданная на основе LiquidAI/LFM2.5-8B-A1B. Автор карточки сообщает, что для настройки использовался LoRA-адаптер josephmayo/LFM2.5-8B-A1B-Coder-LoRA; обучение охватило 123 примера с реальными и мультиязычными задачами программирования. Архитектура — гибридная MoE для причинной генерации текста, размер по метаданным — 1,6 млрд параметров, формат весов — safetensors, библиотека — Transformers, контекст — до 128 000 токенов. Модель предназначена для помощи в программировании: генерации и продолжения кода, а также решения практических задач кодирования на нескольких языках. В README приведено снижение среднего heldout NLL после слияния весов с 3,39 до 1,87; публичные результаты бенчмарков автор не заявляет. Карточка не уточняет конкретные языки программирования или естественные языки. Лицензия в предоставленных данных не приведена.

Patronus-Lynx-8B-Instruct — языковая модель Patronus AI для выявления галлюцинаций в системах генерации с дополнением по поиску (RAG). Она принимает документ, вопрос и ответ и оценивает, подтверждается ли ответ содержимым документа. Модель основана на Llama 3 8B Instruct и дообучена на данных CovidQA, PubmedQA, DROP и RAGTruth, включая разметку, созданную людьми и синтетически. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов по метаданным. Она рассчитана прежде всего на английский язык и использует генерацию текста для выдачи оценки. Patronus AI сообщает об оценивании на HaluBench и перечисленных в карточке наборах данных. Лицензия CC-BY-NC-4.0 разрешает использование на условиях Creative Commons Attribution-NonCommercial 4.0, включая ограничения на коммерческое применение.

Luth-2-0.8B — компактная текстовая модель генерации на 750 млн параметров, разработанная kurakurai на основе Qwen3.5-0.8B. Она дообучена на французских данных в два этапа: SFT на смеси объёмом 3 млрд токенов и многодоменная дистилляция с учителем на основе собственных ответов модели. Архитектура унаследована от мультимодальной Qwen3.5, однако Luth-2-0.8B не обучалась на изображениях и предназначена для работы только с текстом. Модель ориентирована на французские запросы: решение математических задач, программирование, общие знания, следование инструкциям и вызов инструментов. Небольшой размер подходит для локального запуска и устройств с ограниченными ресурсами; доступны Transformers, vLLM и SGLang. По данным авторов, модель показывает высокие результаты на выбранных французских бенчмарках для своего размерного класса. Модель не предназначена для анализа изображений. Репозиторий содержит веса в safetensors; лицензия — Apache-2.0.

MOSS-Transcribe-preview-2B — англоязычная модель распознавания речи в текст, разработанная OpenMOSS Team. Она принимает аудио и предназначена для транскрибации английской речи, в том числе для исследовательских и оценочных сценариев. Модель построена на языковой основе Qwen3-1.7B-base и аудиокодировщике Qwen3-Omni-MoE; gated-MLP-адаптер передаёт аудиопризнаки в пространство эмбеддингов языковой модели. По README, модель содержит около 2,4 млрд параметров, тогда как метаданные Hugging Face указывают 10,1 млрд. Контекст составляет 32 768 токенов. Модель обучалась на открытых англоязычных корпусах распознавания речи и дообучалась с reinforcement learning на обучающих разбиениях Open ASR Leaderboard. В README приведены результаты оценки на нескольких наборах данных; TED-LIUM в этой оценке не использовался. Ограничения включают возможное снижение качества на других языках, при сильных акцентах, шуме, перекрывающейся речи, записи на расстоянии и узкоспециальной терминологии; результаты для важных решений следует проверять вручную. Распространяется по лицензии Apache-2.0.

Mungert/nomic-embed-code-GGUF — набор GGUF-квантованных версий модели для создания векторных представлений исходного кода. Модель разработана пользователем Mungert на базе Qwen/Qwen2.5-Coder-7B-Instruct; преобразование выполнено с помощью llama.cpp. В метаданных она обозначена как sentence-transformers с задачей sentence-similarity и feature-extraction. Модель предназначена для семантического сравнения и поиска фрагментов исходного кода, извлечения признаков, построения систем поиска по репозиториям и других сценариев, где требуется сопоставлять программный код по смыслу. В обучающих данных представлены Python, JavaScript, Java, Go, PHP и Ruby. Архитектура и размер базовой модели указаны как Qwen2.5-Coder-7B-Instruct и 7B параметров соответственно; поддерживаемые языки, размер контекста и дополнительные модальности в README не уточняются. Ключевая особенность сборки — специальная схема квантования с повышением точности отдельных слоёв относительно стандартного imatrix-подхода, особенно для низкобитных вариантов. Доступны форматы различной точности и размера, включая BF16, F16, гибридные варианты и квантования Q4, Q6, Q8 и IQ3. Это позволяет выбирать баланс между качеством, скоростью и требованиями к памяти на GPU или CPU, однако низкобитные варианты могут уступать более точным по качеству, а размер файлов увеличивается при сохранении отдельных слоёв в повышенной точности. Лицензия — Apache-2.0.

opencsg/opencsg-starcoder2-15b-v0.1 — модель генерации кода, созданная исследовательской командой OpenCSG полным дообучением StarCoder2-15B. Архитектура — плотная авторегрессионная StarCoder2; в метаданных указано 21,7 млрд параметров и контекст до 16 384 токенов. Базовая модель обучалась на более чем 80 языках программирования из The Stack. Модель предназначена для генерации и автодополнения кода по контексту, в том числе для заполнения пропусков внутри кода. В README приведён результат HumanEval для Python: pass@1 42,68% при жадном декодировании и оценке по исходным промптам без дополнительных инструкций. Этот показатель не гарантирует аналогичного качества на других задачах и языках программирования. Модель распространяется под лицензией BigCode OpenRAIL-M.

TeichAI/Qwen3-4B-Thinking-2507-Gemini-3-Flash-VIBE — дообученная плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, созданная на базе unsloth/Qwen3-4B-Thinking-2507. Модель обучена на 200 примерах агентного программирования, сгенерированных Gemini 3 Flash Preview, и предназначена для генерации текста в диалоге и решения задач, связанных с программированием и агентными сценариями. Модель принимает текст и выдаёт текст, поддерживает контекст до 262 144 токенов и имеет интерфейс для вызова инструментов. Для обучения использовались Unsloth и библиотека Hugging Face TRL; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Набор из 200 обучающих примеров ограничен по объёму, поэтому качество на широком спектре задач не следует считать подтверждённым.

Qwen3.5-9B-GGUF (OraQuant) — это текстовая GGUF-квантизация базовой модели Qwen3.5-9B, разработанной Alibaba Cloud, с применением собственной калиброванной технологии OraQuant (OQ) от Ora Computing. Архитектура и размер исходной модели сохранены: около 9 млрд параметров, однако снижена точность весов. Модель предназначена для локального и офлайн-вывода, внутреннего тестирования, сравнительного бенчмаркинга, изучения поведения модели, prompt engineering и создания непроизводственных прототипов. Она совместима со штатным llama.cpp при наличии поддержки Qwen3.5. Доступны варианты OQ-Q4_K_M размером около 5,7 ГБ с более высоким качеством, OQ-Q3_K_M размером около 4,7 ГБ с меньшим и более быстрым профилем, а также OQ-IQ2_XXS размером около 3,2 ГБ — самый компактный вариант со смешанной i-/k-квантизацией. Модель работает только с текстом: хотя исходная Qwen3.5-9B является мультимодальной, визуальные и видеоэнкодеры в этих файлах отсутствуют. Это reasoning-модель, поэтому на сложных запросах, особенно при использовании самого компактного варианта, возможны продолжительные фазы рассуждений и заметное снижение качества. К ограничениям относятся возможные отличия от поведения полной модели, особенно на специализированных, редких и сложных запросах, а также необходимость проверять результаты на предвзятость и непреднамеренные ошибки. Модель предоставляется «как есть» исключительно для оценки и тестирования. Согласно указанным условиям, разрешены только внутреннее тестирование, бенчмаркинг и непроизводственные прототипы для названного лицензиата; запрещены коммерческое и производственное применение, публичное API, перепродажа, распространение, передача третьим лицам, дообучение и обратная инженерия. Для файлов действует Custom Model License Agreement; исходная модель Qwen3.5-9B распространяется Alibaba Cloud по Apache License 2.0.