II.4Отладка, тестирование и качество ПО

CodeShell-7B — базовая языковая модель для программирования, разработанная Лабораторией знаний и вычислений Пекинского университета совместно с командой ИИ Сычуаньского Тяньфу Банка. Модель содержит 7 млрд параметров и обучена с нуля на 500 млрд токенов. В основе — архитектура GPT-2 с Grouped-Query Attention и позиционным кодированием RoPE; окно контекста составляет около 8 тыс. токенов. Репозиторий содержит веса в формате Safetensors. Модель предназначена для генерации и продолжения кода, в том числе с заполнением пропусков в середине фрагмента (Fill-in-the-Middle). Она ориентирована на помощь при разработке ПО: карточка также описывает сценарии поиска дефектов, их исправления и генерации тестов. Авторы сообщают о результатах на HumanEval и MBPP и указывают поддержку многоязычного кода; сопутствующие плагины для VS Code и IntelliJ доступны отдельно. Карточка не содержит сведений о лицензии, поэтому условия использования по ней определить нельзя. Авторы предупреждают о необходимости соблюдать требования безопасности и законодательства и не применять модель в интернет-сервисах без надлежащей проверки и регистрации. Как и другие генеративные модели кода, она может выдавать неверный или небезопасный код; результаты следует проверять.

CodeShell-7B-Chat-int4 — квантизированная до Int4 чат-версия многоязычной модели для работы с программным кодом. Модель разработана лабораторией вычисления знаний Пекинского университета совместно с AI-командой Sichuan Tianfu Bank. Она предназначена для генерации кода, разработки программ, создания тестов, обнаружения и исправления дефектов, а также использования в качестве локального помощника разработчика через плагины для VS Code и JetBrains. Модель содержит 7 миллиардов параметров и обучалась на 500 миллиардах токенов. В основе архитектуры используется GPT-2 с Grouped-Query Attention и относительным позиционным кодированием RoPE. Конфигурация включает 42 слоя, размерность скрытого представления 4096, 32 головы внимания, 8 групп запросов и словарь из 70144 токенов. Заявленная длина контекста составляет 8194 токена, а параметр последовательности указан как 8192. Поддерживаются китайский и английский языки; модель ориентирована на несколько языков программирования. Сильными сторонами заявлены высокие результаты для моделей данного размера на бенчмарках HumanEval и MBPP, а также возможность лёгкого локального развёртывания с использованием C++. В опубликованных результатах модель превосходит CodeLlama-7B и StarCoder-7B в большинстве приведённых языковых тестов, но уступает им в отдельных тестах для Swift, D, Julia, Lua и Rust. Ограничения включают возможные ошибки и риски некорректного или небезопасного использования сгенерированного кода; README также содержит предупреждение о необходимости соблюдать требования безопасности, законности и соответствия нормативным требованиям. Лицензия в предоставленных данных не указана.

Devstral Small 1.1 — языковая модель для агентных задач разработки ПО, созданная в сотрудничестве Mistral AI и All Hands AI. Она дообучена на Mistral-Small-3.1-24B-Instruct-2503 и имеет плотную архитектуру Mistral с 23,4 млрд параметров. Модель принимает текст и выдаёт текст; зрительный энкодер базовой мультимодальной модели удалён до дообучения. Длина контекста составляет до 131 072 токенов, поддерживается интерфейс вызова функций. Модель предназначена для программных агентов, которые исследуют репозитории, редактируют несколько файлов, анализируют тестовое покрытие и выполняют другие задачи программной инженерии. В README рекомендована работа в связке с OpenHands; также описана совместимость с Cline и локальный запуск через vLLM, mistral-inference, Transformers, LM Studio, llama.cpp и Ollama. Карточка сообщает о результате 53,6% на SWE-Bench Verified. Лицензия Apache 2.0 разрешает коммерческое и некоммерческое использование и модификацию.

Карточка модели tiaguin/qwen на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-7B, поэтому описание составлено по ней. Qwen2.5-Coder-7B — плотная причинная языковая модель семейства Qwen2, разработанная командой Qwen. Это базовая предварительно обученная модель на 7,1 млрд параметров, дообученная на основе Qwen/Qwen2.5-7B с упором на программный код. Она предназначена для генерации кода, рассуждений о коде и исправления ошибок, а также может служить основой для кодовых агентов и дальнейшей адаптации под прикладные задачи. Модель принимает текст и генерирует текст. Архитектура использует RoPE, SwiGLU, RMSNorm и смещение в проекциях внимания QKV; заявленная длина контекста в метаданных — 32 768 токенов. Карточка описывает возможности обработки контекста до 131 072 токенов с YaRN, но для этого нужна дополнительная настройка; постоянный коэффициент масштабирования YaRN может снижать качество на коротких входах. Разработчик не рекомендует использовать базовую модель для диалогов без постобучения. Репозиторий распространяется под лицензией Apache-2.0.

AtesiT разработал русскоязычный детектор галлюцинаций на основе Qwen2.5-1.5B-Instruct: плотной причинно-языковой модели Qwen2 с 1,5 млрд параметров. Модель принимает вопрос, контекст-источник и ответ языковой модели, а затем выдаёт бинарную метку: 0, если ответ соответствует контексту, и 1, если он ему противоречит или не подтверждён им. Она предназначена для проверки ответов в RAG-системах, тестирования агентов и мониторинга качества генерации. Модель дообучена методом QLoRA с LoRA-адаптерами; в репозитории указаны веса safetensors и библиотека Unsloth. Метаданные указывают базовый контекст Qwen2.5 в 32 768 токенов, однако для этой версии README сообщает практический предел входа в 512 токенов. Данные основаны на автоматически собранном русскоязычном корпусе SberQuAD. По README, на тестовой выборке версии v5 точность составляет 0,9835, а F1 — 0,9833; эти показатели относятся к описанному набору данных и не гарантируют такое же качество на других корпусах. Лицензия — Apache-2.0.

Qwen2.5-Coder-32B — плотная авторегрессионная языковая модель семейства Qwen2, разработанная командой Qwen и дообученная на основе Qwen/Qwen2.5-32B для задач программирования. Это базовая модель на стадии предварительного обучения, рассчитанная на генерацию и анализ кода, его исправление, а также применение в кодовых агентах; разработчики отдельно отмечают сохранение математических и общих языковых способностей. Веса содержат около 32 млрд параметров, архитектура использует RoPE, SwiGLU, RMSNorm и grouped-query attention. Модель принимает текст и генерирует текст. В карточке указана поддержка английского языка; обучающие данные включают исходный код и текстово-кодовые данные. Метаданные задают контекст 32 768 токенов. README описывает расширение обработки длинных последовательностей до 131 072 токенов с помощью YaRN; для этого требуется соответствующая настройка, а статическое масштабирование YaRN в vLLM может ухудшать работу на коротких текстах. Модель предназначена для разработчиков, которым нужны продолжение кода, рассуждение о коде и поиск исправлений. README не рекомендует использовать базовую версию для диалогов без последующего обучения или настройки. Лицензия — Apache-2.0.

unsloth/Qwen2.5-Coder-32B-Instruct — инструктивная 32-миллиардная языковая модель для программирования из семейства Qwen2.5-Coder, опубликованная Unsloth как дообученная версия Qwen/Qwen2.5-Coder-32B-Instruct. Это плотная авторегрессионная модель архитектуры Qwen2, рассчитанная на генерацию текста и диалоговое взаимодействие; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации, анализа и исправления кода, рассуждений о программном коде и создания кодовых агентов. Она также сохраняет возможности в математике и общих задачах. В метаданных указан английский язык; README описывает серию как ориентированную на код, но не приводит перечень поддерживаемых языков программирования. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache 2.0. README содержит противоречащие идентификатору модели сведения о модели 0,5B и её архитектурных характеристиках, поэтому эти детали здесь не приписываются версии 32B; оценка сходства с GPT-4o приведена в README как заявление авторов без описания результатов оценки.

Qwen2.5-Coder-7B — плотная причинная языковая модель семейства Qwen2, разработанная командой Qwen. Это базовая предварительно обученная модель на 7,1 млрд параметров, дообученная на основе Qwen/Qwen2.5-7B с упором на программный код. Она предназначена для генерации кода, рассуждений о коде и исправления ошибок, а также может служить основой для кодовых агентов и дальнейшей адаптации под прикладные задачи. Модель принимает текст и генерирует текст. Архитектура использует RoPE, SwiGLU, RMSNorm и смещение в проекциях внимания QKV; заявленная длина контекста в метаданных — 32 768 токенов. Карточка описывает возможности обработки контекста до 131 072 токенов с YaRN, но для этого нужна дополнительная настройка; постоянный коэффициент масштабирования YaRN может снижать качество на коротких входах. Разработчик не рекомендует использовать базовую модель для диалогов без постобучения. Репозиторий распространяется под лицензией Apache-2.0.

unsloth/Qwen2.5-Coder-7B-Instruct — инструкционная языковая модель для программирования, основанная на Qwen2.5-Coder-7B-Instruct от Qwen и представленная Unsloth. Это плотная причинная трансформерная модель семейства Qwen2 с 7,1 млрд параметров, доступная в формате safetensors и рассчитанная на генерацию текста в диалоговом режиме. Модель предназначена для генерации, анализа и исправления кода, рассуждений о программировании и создания кодовых агентов. Она также сохраняет общие языковые и математические способности базовой модели. Метаданные указывают контекст 32 768 токенов; в README упоминается более длинный контекст базовой модели, но для этой конфигурации расширение за 32 768 токенов требует настройки YaRN и может ухудшить работу на коротких запросах. Поддерживаемый язык карточки — английский. Репозиторий лицензирован по Apache-2.0. Модель принимает текстовые запросы и выдаёт текст, включая код; фактическое качество зависит от языка программирования и постановки задачи.

theo77186/Qwen2.5-Coder-7B-Instruct-20241106 — повторная публикация весов Qwen2.5-Coder-7B-Instruct от автора репозитория theo77186; исходная серия разработана командой Qwen. Это причинная языковая модель семейства Qwen2, дообученная для диалоговой генерации и работы с кодом. Она предназначена для генерации, анализа и исправления программного кода, а также для создания кодовых агентов и решения математических и общих текстовых задач. Модель содержит около 7,1 млрд параметров по метаданным и использует архитектуру Qwen2ForCausalLM с RoPE, SwiGLU, RMSNorm и групповым запросным вниманием. Метаданные указывают контекст 32 768 токенов; в README заявлена поддержка до 131 072 токенов с настройкой YaRN для длинных запросов. Карточка и метаданные указывают английский язык. Лицензия — Apache-2.0. Для длинного контекста может потребоваться включить YaRN; в README отмечено, что постоянный коэффициент масштабирования способен ухудшать работу на коротких текстах. Для загрузки рекомендуется актуальная версия Transformers; README предупреждает о несовместимости с версиями ниже 4.37.0.

pL-Community опубликовало инструкционную версию Qwen2.5-Coder-7B в формате FP8 Dynamic. Это плотная причинная языковая модель семейства Qwen2, рассчитанная на генерацию кода и диалоговые сценарии; в метаданных указано 7,1 млрд параметров и контекст 32 768 токенов. Карточка базовой модели описывает архитектуру с RoPE, SwiGLU, RMSNorm и групповым запросным вниманием. Модель подходит для написания и дополнения кода, анализа программ, поиска и исправления ошибок, а также для создания кодовых агентов. README базовой карточки сообщает о тренировке на коде, текстово-кодовых связях и синтетических данных и отмечает сохранение математических и общих языковых способностей. Хотя README базовой модели описывает поддержку контекста до 131 072 токенов с настройкой YaRN, метаданные этого репозитория указывают нативный контекст 32 768 токенов. Метаданные связывают модель с Qwen/Qwen2.5-Coder-7B как с базой и указывают Apache-2.0. Репозиторий содержит веса safetensors; отдельное описание метода динамической FP8-квантизации в предоставленных материалах отсутствует.

lmstudio-community/Qwen2.5-Coder-7B-Instruct-GGUF — это квантованная в формате GGUF версия модели Qwen2.5-Coder-7B-Instruct, разработанной командой Qwen. Квантование выполнено bartowski на основе llama.cpp release b3772; LM Studio распространяет модель в рамках Community Model Program, но не является её разработчиком. Модель предназначена для генерации и анализа программного кода, решения задач программирования, рассуждений, исправления ошибок и создания coding agents. Это текстовая модель с архитектурой и точными параметрами, не раскрытыми в README; размер исходной модели составляет 7B параметров. Указан английский язык. Поддерживается контекст до 128K токенов с настройками YaRN RoPE, что подходит для работы с крупными файлами и длинными описаниями проектов. Обучение основано на данных объёмом 5,5 триллиона токенов. Сильными сторонами модели являются специализация на коде, возможности генерации, рассуждений и поиска ошибок, а также длинный контекст. К ограничениям относятся зависимость качества и скорости от выбранного уровня GGUF-квантования и оборудования, отсутствие в README подробностей о конкретном варианте квантования, поддерживаемых языках программирования и результатах оценивания. Как и другие языковые модели, она может выдавать неточный, небезопасный или неподходящий код и требует проверки человеком. Лицензия модели указана как Apache 2.0. Условия использования квантованной версии следует сопоставлять с лицензией оригинальной Qwen2.5-Coder-7B-Instruct и условиями распространения конкретного файла GGUF.

Это дообученная языковая модель DavidAU на базе Qwen3-30B-A3B-Thinking-2507 с адаптером Brainstorm 20X. Она предназначена для диалогов, рассуждений, генерации текста и особенно для написания, анализа и отладки кода на популярных и менее распространённых языках программирования. Модель использует архитектуру MoE; в README указаны 42 млрд параметров, 67 слоёв и контекст до 256 тыс. токенов. Метаданные каталога указывают 3,5 млрд параметров, поэтому оценки общего размера в источниках расходятся. Модель принимает текст и выдаёт текст. Карточка описывает её как универсальную, с поддержкой длинного контекста и режима рассуждений; языковые теги метаданных — английский, французский, китайский и немецкий. Репозиторий содержит веса в SafeTensors и допускает использование через Transformers; лицензия — Apache-2.0. README также описывает исходные веса как источник для преобразования в другие форматы, но это не меняет указанный формат файлов репозитория.

Qwopus-3.6-35B-A3B-Coder — созданная Jackrong экспериментальная модель для агентного программирования, основанная на Qwopus3.6-35B-A3B-v1 и Qwen3.6-35B-A3B. Это разреженная MoE-модель с 35 млрд параметров и примерно 3 млрд активных параметров на токен; она настроена на генерацию кода и рабочие циклы с вызовами инструментов при отключённом развёрнутом рассуждении. Модель предназначена для агентных систем, которые читают файлы, вносят изменения, запускают тесты и исправляют ошибки, а также для локального и самостоятельного развёртывания. Заявленные сценарии включают многофайловые изменения репозиториев, отладку, циклы исправления тестов, навигацию по крупным кодовым базам, DevOps-скрипты и помощь при проверке кода. Карточка сообщает о настройке под распространённые агентные оболочки и о fine-tuning с использованием Unsloth; метаданные указывают интерфейс вызова инструментов. Поддерживаются английский, китайский, испанский, русский и японский. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Автор позиционирует выпуск как экспериментальный и отмечает, что модель не прошла полную оценку безопасности и широкое тестирование на общих задачах. Качество вызовов инструментов зависит от формата запросов и агентной оболочки; для сложных задач развёрнутое рассуждение может быть полезнее.

Salience-27B-R4 — предварительная плотная мультимодальная модель Vection Labs на 27,2 млрд параметров, построенная на Qwen3.6. Она принимает текст, изображения и видео и генерирует текст. Модель предназначена для сложных задач разработки ПО: написания и отладки кода, редактирования репозиториев, работы через терминальные инструменты и количественных рассуждений. В архитектуре используется гибридное линейное и полное внимание, а также MTP-голова для ускорения декодирования. Нативное окно контекста составляет 262 144 токена; с YaRN его можно расширить до 1 048 576 токенов. Модель поддерживает диалог, код, вызовы инструментов и анализ изображений; в README также заявлен анализ видео. Она рассчитана на инженерные сценарии, включая понимание скриншотов, диаграмм и документов. Модель выпущена как preview, поэтому возможны шероховатости. Ответы могут содержать вымышленные API или факты, а сгенерированный код следует проверять перед запуском. Не предназначена для принятия ответственных решений без проверки человеком. Лицензия — Apache-2.0.

aiAI Coder V2 — плотная причинная языковая модель на 3,4 млрд параметров, разработанная aiAI и дообученная методом LoRA SFT на базе Qwen/Qwen3.5-4B-Thinking. После обучения LoRA-адаптер объединён с базовой моделью, поэтому репозиторий содержит готовые веса для Transformers. Модель предназначена для генерации и дополнения кода, отладки, создания SQL-запросов и проектирования программных систем; в карточке описаны примеры на Python, JavaScript и SQL, а также многошаговые диалоги с блоками рассуждений.

Athenea-4B-Coding — дообученная Aquiles-ai текстовая модель семейства Qwen3, предназначенная для рассуждений о коде, отладки, решения задач и понимания программ. Она использует плотную архитектуру Qwen3ForCausalLM, содержит 3,7 млрд параметров и рассчитана на контекст до 262 144 токенов. Модель обучена на наборе Aquiles-ai/Athenea-Coding-100k с задачами программирования, цепочками рассуждений и пояснениями; заявлена поддержка нескольких языков программирования и диалогового режима. Модель подходит для пошагового разбора алгоритмов, дополнения кода, поиска ошибок и объяснения программ. Она основана на версии Qwen3 с уменьшенной склонностью к отказам, поэтому может генерировать неограниченный по тематике контент; пользователь отвечает за применение результатов. В карточке модель обозначена как исследовательская и экспериментальная. Лицензия — Apache-2.0.

BerkeliumGPT2-Coder-3b — компактная языковая модель для программирования от Berkelium AI, построенная на архитектуре Qwen2. Она содержит 3,1 млрд параметров, рассчитана на генерацию кода и диалоговый режим; заявленная длина контекста — 32 768 токенов. Модель распространяется в формате safetensors и ориентирована на локальный запуск на потребительском и разработческом оборудовании. Модель предназначена для генерации и дополнения кода, отладки, рефакторинга, объяснения исходников, создания тестов и документации, а также анализа контекста репозитория. В README описан фокус обучения на задачах разработки и работе с реальными программными проектами. Указанная лицензия — Apache-2.0. Это компактная модель, поэтому её ответы могут содержать ошибки, пропускать граничные случаи, выдумывать API или неверно понимать требования. Сгенерированный код следует проверять и тестировать; для чувствительного к безопасности ПО нужны дополнительные проверки. Интерфейс вызова инструментов и автономные агентные возможности обозначены как планы, а не как готовые функции.

CodeShell-7B-Chat — чат-модель для программирования, разработанная Knowledge Computing Lab Пекинского университета совместно с AI-командой Sichuan Tianfu Bank. Это плотная авторегрессионная модель семейства CodeShell на 7 млрд параметров, построенная на архитектуре GPT-2 с Grouped-Query Attention и позиционным кодированием RoPE. По данным карточки, базовую модель CodeShell обучали на 500 млрд токенов; контекст составляет около 8 тысяч токенов. Репозиторий содержит веса в формате PyTorch. Модель предназначена для генерации и обсуждения кода, а также для сценариев помощника разработчика, включая работу в IDE. В карточке сообщается о результатах на HumanEval и MBPP, но эти оценки не гарантируют такого же качества на других языках программирования и задачах. Данные указывают на поддержку китайского и английского языков; отдельные ограничения качества и условия лицензии в предоставленной карточке не описаны.

daVinci-Dev-72B — модель GAIR для агентной разработки программного обеспечения. Она дообучена на базе Qwen2.5-72B и проходит mid-training на траекториях работы с запросами на слияние GitHub, затем supervised fine-tuning на успешных траекториях агента из исполняемых репозиториев. Модель рассчитана на использование в SWE-Agent и совместима со стандартными средствами инференса на базе Transformers. Модель предназначена для решения задач разработки кода в цикле с инструментами, тестами и обратной связью среды: например, поиска нужного контекста в репозитории, внесения изменений и проверки исправлений. В README для SWE-Bench Verified заявлен Pass@1 58,5% при использовании SWE-Agent, контексте 128 тыс. токенов и бюджете 100 шагов; нативный контекст модели по метаданным — 32 768 токенов. Веса представлены в формате safetensors, размер модели — 71,5 млрд параметров. Указана лицензия other; README не уточняет её условия.

Карточка модели ludx/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2 на Hugging Face совпадает с карточкой yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2, поэтому описание составлено по ней. Gemma4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2 — дообученная модель yuxinlu1 на базе Google Gemma 4 12B Instruct для генерации кода и выполнения многошаговых технических задач с использованием инструментов. Это плотная архитектура Gemma 4 Unified, опубликованная в формате safetensors с весами bf16; README ориентирует эту версию прежде всего на разработчиков, которые хотят запускать модель в Transformers, создавать квантизованные варианты или продолжать дообучение. Модель предназначена для написания и отладки кода, работы с командами и инструментами, а также циклов «диагностика — исправление — проверка». В README приведён результат около 55% на локальном тесте tau2-bench telecom из 20 задач против примерно 15% у базовой модели при одинаковой конфигурации. Это сравнение ограничено описанным автором тестовым стендом и не сопоставимо напрямую с опубликованными результатами бенчмарка. Автор также сообщает о небольшом снижении результата на MMLU-Pro относительно базы. Модель поддерживает диалог и использует встроенный протокол вызова инструментов Gemma 4; README также описывает режим рассуждения перед ответом. Лицензия — Apache-2.0. Карточка не приводит сведений о размере контекстного окна или языках обучения, поэтому они здесь не уточняются.

GLM-5.3 — текстовая диалоговая модель Z.ai, представленная в репозитории Unsloth. По карточке модели, она использует ту же базовую модель, что и GLM-5.2, а улучшения получены на этапе постобучения. В каталожных метаданных производная отмечена как слияние с zai-org/GLM-5.3 и zai-org/GLM-5.3-BF16; архитектура относится к семейству GLM MoE DSA, размер — 30,4 млрд параметров. Модель предназначена для генерации текста в диалогах, сложного программирования и длительных агентских задач. Карточка сообщает о высоких результатах на тестах кодирования, работы с терминалом, уязвимостей и эксплуатации, но эти результаты не гарантируют аналогичного качества в каждом сценарии. Поддерживаются английский и китайский языки, а контекст составляет до 1 048 576 токенов. Параметр reasoning_effort управляет глубиной рассуждений и принимает значения low, high и max; по умолчанию используется max. Для локального развёртывания перечислены SGLang, vLLM, Transformers, KTransformers, Unsloth и другие среды. Формат файлов — safetensors. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

GRM-2.6-Opus — объединённая модель OrionLLM на архитектуре Qwen3.5 с 27 млрд параметров. Она предназначена для сложных задач общего назначения: структурированных рассуждений, программирования, STEM-задач, диалога и многошаговой работы с агентами и инструментами. Модель использует текст и изображения на входе и формирует текстовые ответы; метаданные также указывают на интерфейс вызова инструментов. По заявлению разработчика, объединение с Qwen3.6-27B-Claude-Opus-Reasoning-Distilled усиливает структурированное рассуждение, работу с кодом и терминальными агентами по сравнению с GRM-2.6-Plus. Модель распространяется в формате safetensors под лицензией Apache 2.0. Длина контекста в предоставленных данных не указана.

Grug 27B v2 — диалоговая модель для программирования и работы с инструментами, разработанная ProCreations на базе Qwen/Qwen3.8-27B. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration; основные веса дообучены на примерах кода, математики, исправления ошибок и вызовов инструментов. Репозиторий содержит веса safetensors и встроенную обученную MTP-голову для ускорения генерации при поддержке со стороны среды выполнения. Модель предназначена для генерации и исправления кода, решения агентных задач с инструментами и диалогового взаимодействия. В README приведены результаты на небольших поднаборах HumanEval, MBPP, BFCL и SWE-bench Verified; авторы отдельно подчёркивают, что это не полные лидерборды и они не гарантируют преимущество на всех задачах. Доступны уровни reasoning_effort low, medium и xhigh, по умолчанию medium. Для запуска с MTP автор проверял vLLM 0.29.0; ускоряющая голова уже включена в чекпойнт, но её поддержку необходимо включить в рантайме. В README указана оценка на ограниченном наборе 12 задач SWE-bench Verified: при стандартных для каждого уровня лимитах модель решила 9, 10 и 11 задач на low, medium и xhigh соответственно. На поднаборе MATH результат Grug v2 ниже базовой Qwen. Автор также сообщает о незавершённых циклах рассуждения, возможном снижении точности при более длительном рассуждении и зависимости качества вызовов инструментов от правильной настройки парсеров и шаблона. Заявленная длина контекста в README не приводится; 65 536 токенов упомянуты как условие отдельного сравнительного запуска, а в примере настройки vLLM задан предел 24 576 токенов. Лицензия — Apache-2.0.

JSBAI-Coder-4B, также переименованная авторами в Aztec-Coder-4B, — модель для агентного программирования, разработанная James Silberrad Brown Center for Artificial Intelligence при Университете штата Сан-Диего. Это плотная авторегрессионная модель семейства Qwen3.5 с 3,4 млрд параметров, дообученная на основе Qwen/Qwen3.5-4B с помощью демонстраций и обучения с подкреплением на задачах исправления ошибок. Модель предназначена для работы с программными репозиториями: она исследует код, редактирует файлы, вызывает инструменты и запускает тесты для проверки исправлений. Карточка сообщает о контекстном окне до 262 144 токенов и использовании шаблона чата Qwen3.5 с форматом вызова инструментов qwen3_coder. Авторы сообщают о решении 82,9% из 121 отложенной задачи на исправление ошибок; эти результаты относятся к описанной ими тестовой среде. Модель рассчитана на запуск на потребительском оборудовании и сценарии разработки в контейнере. В репозитории представлены веса Safetensors; лицензия — Apache-2.0. Авторы отмечают, что знания и сложные рассуждения ограничены размером модели, а поведение вне контейнерной среды не проверялось. Специального обучения безопасности не проводилось.

Карточка модели NostraEmpire/mirror-qwen2.5-coder-7b-instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-7B-Instruct, поэтому описание составлено по ней. Qwen2.5-Coder-7B-Instruct — инструкционная версия каузальной языковой модели для работы с программным кодом, разработанная командой Qwen. Это дообученная версия Qwen/Qwen2.5-Coder-7B с архитектурой Qwen2 и 7,1 млрд параметров по метаданным. Модель принимает текстовые запросы и генерирует текст, включая код; поддерживает диалоговый режим и интерфейс вызова инструментов. Модель предназначена для генерации, анализа и исправления кода, рассуждений о коде и создания кодовых агентов. README описывает архитектуру на базе Transformers с RoPE, SwiGLU и RMSNorm, а также контекст до 131 072 токенов при настройке YaRN для длинных входов. В конфигурации по умолчанию используется контекст 32 768 токенов. Для длинных контекстов масштабирование YaRN может снижать качество на коротких запросах. Репозиторий содержит веса в формате safetensors и предназначен для использования с библиотекой Transformers; README рекомендует актуальную версию библиотеки. Лицензия — Apache-2.0. Карточка подтверждает прежде всего английский язык; отдельный список поддерживаемых языков программирования и оценка качества именно этой instruct-версии здесь не приведены.

Nex-N2.5-Max — языковая модель семейства Nex-N2.5, разработанная компанией Nex-AGI. Она предназначена для агентных задач с длинной последовательностью действий в реальных средах: программирования, научных исследований, интеллектуальной работы, сложных сценариев продуктивности, автономного выполнения и тестирования программ, а также работы с компьютером и браузером. Модель относится к pipeline text-generation и поддерживает текстовые сценарии. Nex-N2.5-Max построена на текстовой архитектуре Mixture-of-Experts (MoE) с 1,6 триллиона параметров и стала для разработчика первой моделью, полностью дообученной в масштабе свыше триллиона параметров. По сравнению с мультимодальными моделями Nex-N2.5-mini и Nex-N2.5-Pro, версия Max описана как text-only, поэтому визуальная модальность для неё в README не заявлена. Среди сильных сторон указаны длительное автономное выполнение задач, самокоррекция и высокие результаты в тестах кодирования и агентных сценариев; при этом конкретные пределы контекста, поддерживаемые языки и требования к вычислительным ресурсам не приведены. Веса модели выпускаются с открытым исходным кодом по лицензии Apache-2.0.

OpenBuddy/openbuddy-qwen2.5coder-32b-v24.1q-200k — чат-модель OpenBuddy, дообученная на Qwen2.5-Coder-32B-Instruct. Это плотная авторегрессионная модель семейства Qwen2 с 32 млрд параметров, рассчитанная на генерацию текста и диалог; базовая модель предназначена для генерации, анализа и исправления кода, а также создания кодовых агентов. Заявлена длина контекста 200 000 токенов. Модель оптимизирована для повышения качества инференса после квантизации и рекомендована автором для квантизации от 3 до 8 бит. В тегах карточки указана поддержка китайского, английского, французского, немецкого, японского, корейского, итальянского и финского языков. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache 2.0. Модель может выдавать ошибочные, вредные или оскорбительные ответы. Авторы предостерегают от её применения в критических и высокорисковых сценариях, включая медицину, управление потенциально опасными системами и важные финансовые или юридические решения.

patched-coder-34b — модель для работы с кодом, разработанная codelion на основе CodeLlama-34b-Python и дообученная следовать инструкциям по внесению исправлений. Она предназначена для исправления ошибок, устранения уязвимостей, миграции API и других задач сопровождения кода. Модель принимает инструкции в формате Alpaca; в качестве основы использует архитектуру Code Llama с 33,5 млрд параметров и контекстом до 16 384 токенов. Для дообучения использовались относящиеся к исправлению ошибок коммиты Python из открытого набора bigcode/commitpackft. В README приведены результаты оценки на HumanEval, HumanEval Fix Python и Static Analysis Eval; они указывают на улучшение относительно CodeLlama-34b-Python в задачах исправления кода и уязвимостей, но не гарантируют качество в реальных проектах. Модель прошла ограниченное тестирование, поэтому перед практическим применением её ответы и исправления следует проверять. Лицензия — Llama 2.

unsloth/Qwen2.5-Coder-14B-Instruct — это инструкционная языковая модель для генерации и анализа кода, представленная в формате Unsloth и основанная на Qwen/Qwen2.5-Coder-14B-Instruct. Она использует плотную архитектуру Qwen2 с причинным декодером и содержит 14 млрд параметров; для запуска через Transformers доступны веса Safetensors. Модель рассчитана на контекст до 32 768 токенов. Модель предназначена для диалоговых сценариев разработки: написания и дополнения кода, анализа программ, исправления ошибок и работы в агентных сценариях. Карточка Qwen2.5-Coder описывает усиление генерации, рассуждений и исправления кода при сохранении общих математических и языковых навыков. Поддерживается английский язык; метаданные также отмечают интерфейс для вызова инструментов. Это дообученная модель, а не исходная базовая версия. Лицензия — Apache-2.0. README содержит общее описание семейства, но часть его утверждений о размере и типе модели относится к версии 0,5B и не описывает этот репозиторий; здесь использованы параметры 14B и контекста из метаданных. Конкретные оценки качества для этой версии в предоставленных материалах не приведены.