II.4Отладка, тестирование и качество ПО

Youssofal/Qwen3.6-27B-MTPLX-Optimized-Speed — модель для генерации текста, созданная на основе Qwen/Qwen3.6-27B и адаптированная Youssofal для runtime MTPLX. Она предназначена для локального запуска и ускоренной генерации, прежде всего на компьютерах Apple Silicon, включая сценарии программирования, интерактивной работы с текстом и развертывания сервиса через MTPLX. Модель использует архитектуру qwen3-next-mtp и встроенные Multi-Token-Prediction heads для speculative decoding без внешней draft-модели. Основная часть представляет собой flat 4-bit affine-конверсию, а MTP-компонент — предварительно квантованный INT4 sidecar. Максимальная глубина MTP равна 3; верифицированный runtime рассчитан на Apple M5 Max с 128 ГБ unified memory. Для указанного профиля заявлена скорость до 63,056 токена в секунду на тестовом кодовом запросе, однако фактическая производительность зависит от оборудования, настроек и нагрузки. В README не указаны поддерживаемые языки, размер контекста и мультимодальные возможности. Сильная сторона модели — ускоренная декодировка за счёт встроенного speculative decoding и точной проверки предложенных токенов; заявленное ускорение достигает 2,24 раза по сравнению с обычной генерацией в соответствующих условиях. Ограничения включают зависимость от MTPLX и Apple Silicon, статус runtime как preview, поддержку только backend qwen3-next-mtp в MTPLX v0.1.0-preview и необходимость учитывать результаты бенчмарка как зависящие от конкретного теста. Базовая модель и конверсия MTPLX распространяются по лицензии Apache-2.0.

teknium разработал Replit-v2-CodeInstruct-3B — инструкционную донастройку базовой модели replit/replit-code-v1-3b семейства MPT с плотной архитектурой для генерации кода. Модель обучена следовать инструкциям в формате Alpaca и выдавать ответы на задачи по программированию. Для дообучения использовались около 25 тысяч пар инструкций и ответов из CodeAlpaca и GPTeacher Code-Instruct; обучение проходило на двух A100 80 ГБ. По сравнению с первой версией, обучавшейся на последовательностях длиной 512 токенов, здесь использовались последовательности длиной 2000 токенов. Модель распространяется в формате PyTorch по лицензии CC BY-SA 4.0. Модель подходит для генерации кода по текстовому заданию и ответов на инструкции по программированию. Автор сообщает о проблемах с параметром device="auto" и необходимости загружать модель с trust_remote_code=True; качество и корректность кода следует проверять.

unSQLv1-7b-sqlite-lora — модель генерации SQL-запросов для SQLite, созданная unsqldotai. Это LoRA-дообучение CodeLlama-7B; архитектура — плотная авторегрессионная Llama с 6,6 млрд параметров. Модель предназначена для преобразования запросов на естественном языке в SQL с учётом схемы базы данных SQLite. Контекст — до 16 384 токенов. Модель рассчитана на работу с синтаксисом SQLite; README указывает, что варианты для других диалектов SQL планировались отдельно. Веса доступны в формате safetensors, лицензия — Apache-2.0.

Veritas-8B-Fact-Checker-Non-Thinking-1.0 — модель Resect Research Labs для проверки фактической согласованности и фактчекинга. Она дообучена на базе Qwen/Qwen3-8B и предназначена для выдачи бинарной классификации в заданном шаблоне проверки утверждений и ответов. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и поддерживает контекст до 40 960 токенов. Карточка сообщает об оценке 75,47% на агрегированном бенчмарке LLM-AggreFact и приросте 2,3% относительно Qwen3-8B в режиме non-thinking; результаты могут зависеть от аппаратуры и версии vLLM. Модель рассчитана строго на предписанный режим оценки с бинарным выводом. Отклонение от заданного шаблона может привести к неожиданным результатам. Лицензия — Apache-2.0.

m3hrdadfi/wav2vec2-large-xlsr-persian — модель распознавания персидской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice на персидском языке (фарси). Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; её можно запускать без отдельной языковой модели. Модель подходит для транскрибации персидской речи и оценки систем распознавания на тестовой части Common Voice. В карточке указан результат WER 32,20%; качество может отличаться на других наборах данных и условиях записи. Лицензия — Apache-2.0.

Модель juancopi81/whisper-medium-es-train-valid — версия Whisper Medium, дообученная разработчиком juancopi81 на наборе Common Voice 11.0 для автоматического распознавания речи. Она принимает аудио и генерирует текст; карточка сообщает WER 5,9456 на тестовой выборке и WER 7,02 на google/fleurs. Модель содержит 455,8 млн параметров и представлена в форматах PyTorch и Safetensors. Модель подходит для транскрибирования испанской речи и оценки систем распознавания на речевых наборах данных. Лицензия — Apache-2.0. Карточка не описывает ограничения применимости и подробные условия оценки качества, поэтому приведённые метрики относятся только к указанным тестовым наборам.

Air Nano — разговорная модель первого поколения от независимой компании Air Intelligence, основанной разработчиком Эджиро Прайсом из Нигерии. Модель построена на плотной архитектуре Qwen2 с причинным языковым моделированием; содержит 3,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для общего общения, помощи с программированием, генерации идей и простых рассуждений. В карточке заявлены диалоговый режим и интерфейс вызова инструментов. Основной язык по метаданным — английский. Разработчик описывает стиль ответов как спокойный, наблюдательный и практичный, с готовностью признавать неопределённость и участвовать в ролевых сценариях. Это ранняя модель первого поколения: она может ошибаться, особенно в сложных рассуждениях и технических задачах, поэтому важные ответы следует проверять. По README модель предназначена для пользователей от 13 лет; запрещено использовать её для незаконного контента, травли и имитации реальных людей. Лицензия репозитория — Apache-2.0.

Jebadiah/Aria-ruby-v3 — созданная с помощью mergekit слитая языковая модель на архитектуре Mistral с 7,1 млрд параметров. В линейном слиянии использованы Jebadiah/Aria-diamond-v2 и Jebadiah/Tess-coder-ruby-p7; веса сохранены в формате safetensors, исходная конфигурация слияния задаёт float16. Модель предназначена для генерации текста и кода. Контекстное окно составляет 32 768 токенов. В карточке базовой модели упоминается диалоговая генерация и код на Ruby, однако отдельные языки и специализированные возможности этой версии не подтверждены. Лицензия в предоставленных данных не указана. Качество и ограничения модели в README не описаны; результаты генерации следует проверять.

Chat2DB-SQL-7B — языковая модель проекта Chat2DB для преобразования запросов на естественном языке в SQL. Она основана на CodeLlama и дообучена для генерации SQL; архитектура — плотная Llama, размер — около 6,6 млрд параметров. Модель работает с контекстом до 16 384 токенов и поддерживает несколько диалектов, включая MySQL, PostgreSQL и SQLite. Модель подходит для подготовки SQL по текстовому описанию запроса, в том числе с использованием функций и типовых конструкций SQL. В README приведены результаты оценки на Spider для обобщённого SQL, однако гарантии точности для производственного применения нет. Лучше всего модель настроена на MySQL, PostgreSQL и обобщённый SQL; в других диалектах возможны ошибки, особенно в специфичных функциях дат и строк. Лицензия — Apache-2.0.

claude-yolo-vibes-v4-dpo — дообученная David Nichols версия инструкционной Qwen2.5-Coder-7B-Instruct с настройкой стиля ответов и предпочтений методом DPO. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров; репозиторий содержит веса BF16 в формате Safetensors, а заявленная длина контекста — 32 768 токенов. Модель предназначена для диалоговой генерации и работы с кодом. В режиме Vibes она отвечает с острым юмором и может использовать грубоватый стиль, сохраняя способность писать код; в режиме Code выдаёт код без лишних пояснений. По README, обучение включало SFT на сессиях агента и DPO на парах предпочтений. Автор заявляет результат HumanEval Pass@1 88,4%, совпадающий с базовой моделью; это заявление карточки, а не независимая оценка. Модель принимает текст и генерирует текст. Указан английский язык. Лицензия — Apache-2.0. Для локального запуска на Apple Silicon автор предлагает отдельную 4-битную MLX-версию, а также упоминает сборку Ollama в формате GGUF; они не являются файлами этого BF16-репозитория.

Salesforce CodeGen-Mono 350M — авторегрессионная языковая модель для генерации программного кода. Это версия семейства CodeGen, содержащая 350 млн параметров и использующая плотную архитектуру CodeGenForCausalLM; модель работает в формате PyTorch и принимает контекст длиной до 2048 токенов. Модель дообучена на Python: она инициализирована весами CodeGen-Multi 350M и затем предварительно обучена на наборе BigPython, содержащем 71,7 млрд токенов Python. Основной сценарий — генерация исполняемого кода по подсказкам на английском языке, оформленным как комментарии, а также продолжение частично написанного кода. Модель оценивалась на HumanEval и MTPB. Модель выпущена Salesforce по лицензии BSD 3-Clause. Авторы позиционируют её как исследовательскую разработку и рекомендуют отдельно оценивать точность, безопасность и справедливость перед применением. Она специализирована на Python и не оценивалась для всех возможных прикладных сценариев.

CodeSage Large V2 — открытая модель для представления и поиска по исходному коду, разработанная авторами семейства CodeSage. Это encoder-модель на 1,7 млрд параметров с контекстом до 2048 токенов; она формирует векторные представления кода и предназначена для задач понимания кода, включая семантический поиск кода по коду и по текстовому описанию. V2 дообучена контрастивным обучением на парах описаний и тел функций и классов из The Stack V2; данные прошли фильтрацию согласованности. Поддерживаются девять языков программирования: C, C#, Go, Java, JavaScript, TypeScript, PHP, Python и Ruby. Архитектура допускает гибкий размер эмбеддингов благодаря Matryoshka Representation Learning. Модель подходит для поиска похожих фрагментов кода и подбора кода по запросу на естественном языке. Метаданные каталога также указывают задачи fill-mask и text-classification, но карточка описывает прежде всего извлечение эмбеддингов и семантический поиск. Веса доступны в формате PyTorch, библиотека — Transformers. Лицензия — Apache-2.0.

distil-labs дообучила LiquidAI/LFM2.5-350M на датасете distil-labs/distil-SHELLper для многошагового вызова инструментов, связанных с файловой системой и shell. Модель преобразует запросы на естественном языке в структурированные вызовы функций с Bash-командами и поддерживает многошаговый диалог. Это компактная плотная языковая модель семейства LFM2 с 444,6 млн параметров и контекстом до 128 000 токенов; репозиторий содержит веса Safetensors. Модель предназначена для автоматизации shell-задач: например, для построения команд по запросу пользователя и последовательного взаимодействия с инструментом выполнения команд. В README приведены результаты на задаче Berkeley Function Calling Leaderboard Gorilla для файловой системы, однако это показатели авторов карточки и они не гарантируют такую же точность в других сценариях. Для использования необходима среда выполнения, совместимая с форматом вызовов инструментов модели. Лицензия обозначена как other, поэтому перед использованием следует проверить условия в карточке модели.

Dualmind-Qwen-1.7B-Thinking — компактная диалоговая языковая модель, разработанная Convergent Intelligence LLC и дообученная методом SFT на базе DualMinded-Qwen3-1.7B. Модель Qwen3ForCausalLM содержит 1,7 млрд параметров и предназначена для генерации текста с развернутыми рассуждениями, самокоррекцией и последующим синтезом ответа. В обучении использованы отфильтрованные цепочки рассуждений Claude Opus 4.6 и набор LongWriter-6k; заявленная длина контекста составляет 40 960 токенов. Модель рассчитана на диалоговые сценарии, где полезны многошаговое обдумывание, пересмотр промежуточных выводов и подробные ответы. Карточка предлагает генерировать ответы длиной до 1024–2048 токенов и отмечает склонность модели к многофазным рассуждениям. Она не заявлена как специализированная модель для отдельной предметной области; поддержка в метаданных указана для английского языка. Лицензия — Apache-2.0.

Functionary Medium v3.2 — языковая модель команды MeetKai для диалогов с вызовом функций и инструментов. Она основана на Meta-Llama-3.1-70B-Instruct и использует плотную архитектуру LlamaForCausalLM; в репозитории указаны 69,5 млрд параметров и контекст до 131 072 токенов. Модель принимает описания функций в формате JSON Schema, решает, когда вызывать их, и поддерживает последовательные и параллельные вызовы. Она может анализировать результаты инструментов и формировать на их основе ответы, а также отвечать без вызова функций, когда инструменты не нужны. В README также заявлена поддержка code interpreter. Для удобного разбора вызовов функций авторы предоставляют собственный код; запуск рекомендуется через OpenAI-совместимый сервер vLLM. Модель подходит для создания чат-ассистентов, которые обращаются к API, инструментам и интерпретатору кода. Репозиторий содержит веса в формате safetensors, лицензия — MIT. Карточка не сообщает конкретных сведений о языковом покрытии или результатах сравнительных оценок.

JET-7B — языковая модель с 7,1 млрд параметров, разработанная на базе DeepSeek-Distill-Qwen-7B с применением обучения с подкреплением. Она предназначена для решения задач рассуждения и генерирует пошаговые объяснения, стремясь сократить лишние вычисления и количество токенов. Модель построена на плотной архитектуре Qwen2 и доступна в формате safetensors. Она поддерживает диалоговый режим, использует шаблон чата, рассчитанный на выдачу финального ответа в формате \boxed{}, и имеет контекст длиной до 131 072 токенов. Для применения указана лицензия Apache-2.0.

KielEmbed-Code — модель плотных эмбеддингов для представления кода и текста, опубликованная под идентификатором kiel2/KielEmbed-Code. Это Sentence Transformer, дообученный на базе microsoft/codebert-base с архитектурой RoBERTa. Модель кодирует предложения и фрагменты кода в векторы размерности 768; сходство между ними оценивается косинусной мерой. Максимальная длина входной последовательности — 512 токенов по README и 514 токенов по метаданным. Модель предназначена для семантического поиска по коду и тексту, сравнения смысловой близости и кластеризации. В README указаны 10 000 обучающих примеров и дообучение в течение одной эпохи с CosineSimilarityLoss. Эти сведения описывают обучение, но не подтверждают качество на независимых тестах. Условия лицензирования в предоставленных данных не указаны.

AyoubChLin/lfm2.5-2.6b-fable5-coding-agent — плотная причинная языковая модель на 2,6 млрд параметров, созданная полным supervised fine-tuning модели LiquidAI/LFM2.5-2.6B на наборе saidutta69/fable-5-premium. Чекпойнт в формате BF16 предназначен для многоходового общения с ассистентом, генерации и объяснения кода, а также формирования вызовов инструментов в агентной системе. Заявленное контекстное окно базовой модели — 131 072 токена. Модель обучалась на первых 5 000 строк обучающей части набора и полных валидационной и тестовой частях; обучение учитывало только токены ответов ассистента. Более половины выбранных обучающих примеров были усечены до 32 000 токенов. Приведённые потери на отложенных данных не сравнивались с базовой моделью и сами по себе не доказывают качество кодирования или агентных действий. Модель экспериментальная, не заявлена как готовая для production. Сгенерированные фрагменты кода и вызовы инструментов могут быть неполными, ошибочными или небезопасными; вызовы нужно проверять и авторизовывать, а код выполнять в изолированной среде. Перед использованием и распространением необходимо соблюдать лицензии базовой модели и обучающего набора; карточка не предоставляет дополнительных прав.

Карточка модели Korabbit/Llama-2-7b-chat-hf-afr-200step-v2 на Hugging Face совпадает с карточкой Korabbit/Llama-2-7b-chat-hf-afr-100step-v2, поэтому описание составлено по ней. Korabbit/Llama-2-7b-chat-hf-afr-100step-v2 — экспериментальная чат-модель Korabbit, основанная на Llama-2-7b-chat и обученная автором с использованием подхода «AFR training». В карточке приведён пример ответа на инструкцию реализовать бинарный поиск на Python; метаданные указывают архитектуру LlamaForCausalLM, около 6,6 млрд параметров и контекст до 4096 токенов. Модель предназначена для диалоговых ответов на инструкции и общих текстовых запросов, включая вопросы о программировании. В метаданных указан английский язык и набор данных vicgalle/alpaca-gpt4. Указана лицензия llama2. README описывает подход к обучению лишь кратко, поэтому его детали и качество модели по примеру оценить нельзя.

Lux-V2 — языковая модель PoSTMEDIA AI Lab, созданная полным дообучением google/gemma-4-26B-A4B-it. Это диалоговая модель с архитектурой Gemma 4 и MoE: 26 млрд параметров всего, около 4 млрд активных при генерации. Модель предназначена прежде всего для работы на корейском языке и сохраняет возможности базовой модели в рассуждениях, следовании инструкциям и многоязычных задачах. Lux-V2 подходит для корейских диалоговых помощников, ответов на вопросы по корейскому праву, культурному наследию и туризму, а также для помощи с математикой и программированием на корейском и английском языках. В README приведены результаты внутренних тестов: улучшение относительно Lux-V1 на 16 из 18 бенчмарков; это результаты разработчика, а не независимая оценка. Модель распространяется под лицензией Apache-2.0. Ответы могут содержать ошибки или устаревшие сведения. Корейские знания отражают срез обучающих данных и могут не учитывать недавние изменения, например поправки к законам; для важных решений ответы следует проверять.

OpenCodeReasoning-Nemotron-1.1-14B — разработанная NVIDIA языковая модель для рассуждений и генерации кода, дообученная на базе Qwen/Qwen2.5-14B-Instruct. Это плотный декодерный трансформер семейства Qwen2 с 14 млрд параметров, рассчитанный на текстовый ввод и текстовый вывод. Контекстное окно — до 65 536 токенов. Модель предназначена для решения задач программирования, включая конкурентное программирование: она генерирует код и пошаговые рассуждения по условию задачи. При обучении использован набор OpenCodeReasoning из 1,165 млн примеров, содержащих задачи по программированию и ответы, созданные DeepSeek-R1-0528. В README приведён результат оценки на LiveCodeBench v5, однако сравнительные показатели не позволяют сами по себе судить о качестве на других задачах. Модель доступна для коммерческого и некоммерческого использования. Для инференса указаны vLLM и NeMo 2.3.0; NVIDIA оптимизирует модели для GPU-систем NVIDIA, а в карточке рекомендованы GPU поколений Ampere и Hopper и Linux. Она ориентирована на разработчиков и исследователей, создающих приложения на основе LLM.

Opencsg-CodeLlama-7b-v0.2 — созданная OpenCSG полнопараметрическая донастройка CodeLlama-7b-hf, генеративной языковой модели семейства Llama для работы с кодом. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текстовые запросы с контекстом до 16 384 токенов. Модель предназначена для генерации и дополнения кода. В README приведён результат 50,0% Pass@1 на Python HumanEval при жадном декодировании и исходных формулировках заданий; авторы отмечают, что обучающая выборка включает несколько языков программирования. Это единственный приведённый бенчмарк, поэтому он не описывает качество на других задачах и при иных настройках генерации. Веса опубликованы в формате safetensors. Лицензия в метаданных указана как llama2; перед использованием следует учитывать условия лицензии Llama 2.

PII-Tracer-MLX — версия детектора персональных данных PII-Tracer в формате MLX, подготовленная Perplexity AI для работы с MLX. Это модель для обнаружения и маскирования персональных данных в разговорных текстах. В основе — двунаправленный энкодер Qwen3 примерно на 600 млн параметров с backbone perplexity-ai/pplx-embed-v1-0.6b и двумя выходными головами: классификатор токенов с BIOES-разметкой девяти категорий PII и классификатор чувствительности диалога. Для декодирования меток токенов используется ограниченный алгоритм Витерби. Линейные проекции backbone квантизованы до 8 бит с размером группы 64; эмбеддинги и нормализационные веса хранятся в bf16, а обе головы — в fp32. Конфигурация задаёт предел в 4096 токенов. Репозиторий содержит веса и конфигурацию, но не реализацию модели или скрипт загрузки: для инференса нужна совместимая реализация двунаправленного энкодера Qwen3 и голов в MLX. Лицензия — MIT.

privacy-filter-nemotron-GGUF — это GGUF-версия модели OpenMed/privacy-filter-nemotron, разработанная на основе openai/privacy-filter и дообученная на наборе данных NVIDIA Nemotron-PII. Пакет подготовлен LocalAI-io для локального обнаружения и классификации персональных данных, а не для генерации текста или ведения диалогов. Модель выполняет token classification: размечает токены BIOES-тегами и выделяет согласованные сущности с помощью ограниченного Viterbi-декодирования. Она поддерживает 55 детализированных категорий PII, всего 221 класс, включая имена, государственные идентификаторы, финансовые, медицинские, автомобильные и цифровые данные. Основной язык — английский. Используется специальная архитектура openai-privacy-filter; доступны варианты F16 размером 2,82 ГБ и смешанный Q8_0 размером 1,64 ГБ, в котором MoE-эксперты квантизованы, а attention, embeddings и classifier head сохранены в F16. Модель подходит для локального PII-детектора и сервисов редактирования или маскирования конфиденциальных данных, в том числе через privacy-filter.cpp и LocalAI. F16 является эталонным вариантом, тогда как Q8_0 требует меньше памяти и обычно немного быстрее, но может изменить отдельные предсказания. Для работы необходим runtime с поддержкой custom architecture openai-privacy-filter: рекомендуются privacy-filter.cpp или backend privacy-filter в LocalAI. Стандартные llama.cpp, llama-cpp-python, Ollama и LM Studio без специальных патчей этот файл не загрузят. Лицензия — Apache-2.0.

Tuwhy/Qwen3-1.7B-OPSA — языковая модель на архитектуре Qwen3, дообученная методом On-Policy Self-Adaptation (OPSA) на вопросах из набора DAPO-17k. По описанию OPSA улучшает политику без учительской и reward-модели, эталонного прохода базовой модели и вознаграждения за задачу. Модель предназначена для генерации текста и диалогов, особенно для решения математических задач и рассуждений; README также приводит результаты на задачах программирования и научных вопросах. Модель содержит 1,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текст. Для сопоставимости с опубликованными оценками рекомендуется отключать thinking mode; указанный для этой модели контекст — до 40 960 токенов. В оценках OPSA-вариант превзошёл базовую модель на AIME24, AIME25 и HMMT25 при указанной авторами схеме генерации 32 ответов на запрос. Модель разработана Tuwhy на базе Qwen/Qwen3-1.7B-Base и распространяется под лицензией Apache-2.0. Это небольшой чекпойнт с экспериментальным методом обучения; результаты из README относятся к конкретным настройкам выборки и не гарантируют аналогичного качества в других условиях. Англоязычный README заявляет многоязычную поддержку семейства Qwen3, но не перечисляет языки отдельно для этого чекпойнта.

Manojb/Qwen3-4B-toolcalling-gguf-codex — дообученная модель семейства Qwen3, созданная на базе Qwen/Qwen3-4B-Instruct-2507. Она предназначена для диалогов и генерации текста с вызовом инструментов: выбора подходящего инструмента, формирования аргументов и выполнения многошаговых сценариев. README сообщает о дообучении LoRA на 60 тысячах примеров вызова функций Salesforce/xlam-function-calling-60k. Модель содержит около 3,7 млрд параметров, распространяется в формате GGUF и рассчитана на локальный запуск, в том числе через Ollama. Заявленная длина контекста — до 262 144 токенов; карточка указывает поддержку английского языка. По описанию, локальный запуск подходит для помощников по программированию, прототипирования и сценариев, где важно не отправлять данные в облако. Лицензия — MIT. README приводит результаты собственных тестов точности выбора инструментов и извлечения параметров, но не описывает методику оценки, поэтому эти числа следует считать заявлениями автора. Практическое качество вызова инструментов может зависеть от формата запросов и используемой обвязки; GGUF также предполагает ограничения производительности и памяти конкретного устройства.

StephYang выпустил текстовый чекпойнт Qwen3.5-4B, дообученный методом on-policy distillation (OPD) на наборе tmax15k Harbor SWE. Это плотная авторегрессионная модель семейства Qwen3.5 с 3,4 млрд параметров и контекстом до 262 144 токенов; репозиторий содержит объединённый экспорт весов в safetensors, сохранённых в bfloat16. Модель предназначена для генерации текста в диалоговом формате и задач, связанных с разработкой программного обеспечения. Чекпойнт получен после одной эпохи и 35 шагов обучения. Для загрузки README указывает Transformers версии 5.6.0 или новее. Лицензия — Apache 2.0. Это текстовая версия Qwen3.5; возможности понимания изображений базовой мультимодальной модели к этому чекпойнту не следует автоматически приписывать. Карточка не приводит результатов оценки качества, поэтому пригодность для конкретных SWE-сценариев требует проверки.

KCh3dRi4n подготовил с помощью метода K-REAP сжатую версию инструктивной модели Qwen3-Coder-30B-A3B-Instruct для генерации текста и диалога. Это MoE-модель семейства Qwen3 с причинной языковой архитектурой; в README указано около 16 млрд параметров, из которых активно около 3,3 млрд, а метаданные каталога сообщают 2,6 млрд параметров. Модель предназначена для программирования, рассуждений и общения на корейском и английском языках; заявленная длина контекста — 262 144 токена. Доступны веса в формате safetensors для MLX и Transformers, предусмотрен интерфейс вызова инструментов. При сжатии число маршрутизируемых экспертов сокращено со 128 до 64 на слой без дообучения. Защита корейских экспертных путей уменьшает потерю качества на корейском относительно стандартного REAP, однако авторы называют этот вариант моделью на пределе сжатия: результаты по корейским и английским тестам, математике и программированию заметно хуже исходной модели. README рекомендует для сохранения корейских возможностей степень сжатия 12,5–25%, поэтому этот чекпойнт подходит прежде всего для изучения компромисса между размером и качеством. Лицензия — Apache-2.0.

ShellWhisperer-1.5B — языковая модель, разработанная командой FableForge и дообученная на базе Qwen/Qwen2.5-1.5B-Instruct. Она предназначена для преобразования запросов на естественном языке в точные команды Bash, а также для сценариев, связанных с DevOps, системным администрированием и работой в терминале. Модель имеет размер 1,5 млрд параметров, поддерживает текстовую генерацию и английский язык. Для локального запуска доступны файлы в формате GGUF с различными уровнями квантования, включая F16, Q8_0, Q6_K, Q5_K_M, Q4_K_M и более компактные варианты. Заявлена совместимость с llama.cpp, Ollama и LM Studio; для диалогового взаимодействия используется формат ChatML. Контекстное окно в README не указано. К сильным сторонам относятся компактность, быстрота и специализация на генерации Bash-команд, благодаря чему модель может работать на устройствах с ограниченными ресурсами. Ограничения включают небольшой размер и узкую специализацию, а также отсутствие опубликованных количественных оценок качества и подробных сведений о данных обучения. Модель распространяется по лицензии Apache-2.0.

WizardCoder-33B-V1.1 — языковая модель для генерации кода, опубликованная под именем WizardCoder и представленная в этом репозитории как зеркало. Модель содержит 33,1 млрд параметров, использует плотную архитектуру Llama и загружается через Transformers; доступные веса сохранены в формате safetensors. Контекст — до 16 384 токенов. Модель дообучена на базе deepseek-ai/deepseek-coder-33b-base с использованием подхода Evol-Instruct. Она предназначена для генерации программ по инструкциям и решения задач программирования; в карточке приведены результаты на HumanEval, HumanEval-Plus, MBPP и MBPP-Plus. README задаёт формат запроса с секциями Instruction и Response и предупреждает, что для воспроизведения результатов важно использовать рекомендованный системный промпт. Лицензия указана в метаданных как WTFPL. Результаты бенчмарков не гарантируют корректность кода в реальных задачах; сгенерированные программы требуют проверки. README отдельно не гарантирует точность количественно сжатых версий.