II.4Отладка, тестирование и качество ПО

Phi-4-mini-instruct-INT8-INT4 — квантизированная версия модели Microsoft Phi-4-mini-instruct, подготовленная командой PyTorch с использованием torchao. Это авторегрессионная текстовая модель для генерации текста, диалогов, а также задач, связанных с программированием и математикой. В карточке указана поддержка multilingual-сценариев, однако конкретный перечень языков не приведён. Модель использует 8-битные эмбеддинги и динамические 8-битные активации вместе с 4-битными весами линейных слоёв (INT8-INT4). Такой вариант ориентирован на запуск на мобильных устройствах через ExecuTorch. Для iPhone 15 Pro заявлена скорость около 17,3 токена в секунду и потребление примерно 3206 МБ памяти. Предоставленный файл model.pte экспортирован с максимальной длиной последовательности и контекста 1024 токена; изменить это значение можно повторным экспортом. Сильной стороной модели является снижение требований к памяти и возможность локального мобильного развертывания при сохранении назначения исходной instruct-модели. Ограничение текущей поставки — регрессия поддержки токенизатора Phi-4 в официальных демонстрационных мобильных приложениях ExecuTorch, поэтому в них модель пока не запускается; при использовании собственного приложения и runner загрузка файла .pte возможна. Модель распространяется по лицензии MIT.

Модель hiteshwadhwani/pii-model-indicv2 — дообученная модель классификации токенов для выявления персональных данных (PII) в английском и индийских языках. Она создана на базе ai4bharat/IndicBERTv2-MLM-only и предназначена для обнаружения и последующего маскирования имён, адресов, телефонов, электронной почты и других типов чувствительных данных. Модель принимает текст на английском, хинди письмом деванагари, хинглиш и в смешанном написании деванагари и английского; поддерживает 31 тип сущностей. Архитектура — BERT для классификации токенов, размер — 305,2 млн параметров, контекст — до 512 токенов. В карточке указаны общий F1 0,9497, точность 0,9464 и полнота 0,9530. Модель подходит для проверки текстов перед сохранением или передачей, а также для автоматизированной редакции документов и сообщений. Качество ниже для сущности SEX и адресов типа SECONDARYADDRESS; задержка выше, чем у IndicBERT v1. Лучше всего модель подходит для индийских и американских шаблонов персональных данных. Лицензия — Apache-2.0.

Модель Forrest20231206/pii-zh-qwen3-0.6b-24class — дообученный на базе ZJUICSR/AIguard-pii-detection-fast токен-классификатор для поиска символьных фрагментов с персональными и другими чувствительными данными в текстах на упрощённом китайском языке. Её разработчик — Forrest20231206. Модель рассчитана на выявление 24 типов сущностей, включая имена, телефоны, адреса, идентификаторы, банковские реквизиты и секреты; она выдаёт метки токенов, из которых декодер формирует границы найденных фрагментов. Архитектура — Qwen3BiForTokenClassification с примерно 0,6 млрд параметров, 28 слоями и размером скрытого состояния 1024. Используется двунаправленное full attention без causal mask; схема из 73 меток и constrained-Viterbi декодирование обеспечивают допустимые последовательности B/I/E. Контекст модели — 40 960 токенов. Для корректного получения границ README рекомендует специальный загрузчик проекта с constrained-Viterbi, а не стандартную агрегацию токенов Transformers. Обучающая, валидационная и тестовая выборки этой версии состоят из синтетических данных. На независимом синтетическом тесте строгий micro F1 составил около 0,952, но показатели на другом синтетическом тесте и публичном китайском бенчмарке заметно ниже. Поэтому модель предназначена для расширения охвата типов сущностей в китайском PII-детекторе, а не для безусловной замены зрелого основного детектора; перед применением требуется проверка на целевом домене. Лицензия репозитория — Apache-2.0, при этом условия базовой модели следует проверять отдельно.

Qwen3.6-35B-A3B-Claude-4.7-Opus-Reasoning-Distilled-GGUF — квантизированная GGUF-версия модели, разработанной lordx64 и опубликованной для распространения mradermacher. Модель основана на Qwen3.6-35B-A3B и дообучена методом дистилляции рассуждений на наборе reasoning-distill-opus-4-7-max-sft. В метаданных указаны архитектура Mixture-of-Experts, поддержка LoRA и библиотека Transformers. Модель предназначена для генерации текста и задач, требующих рассуждений; заявленный язык — английский. Доступны варианты квантования от Q2_K до Q8_0, размер файлов составляет примерно от 13 до 37 ГБ. Также предоставляются дополнительные файлы mmproj для мультимодального использования, однако конкретные поддерживаемые модальности и контекстное окно в README не указаны. Более качественными считаются старшие варианты квантования, а Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые. Модель может быть полезна для локального запуска и сценариев, где важны рассуждения при ограниченных ресурсах, но квантование создаёт компромисс между размером, скоростью и качеством. Ограничения включают отсутствие подробных результатов тестирования, описания точного числа активных параметров, языкового охвата и контекстного окна. Лицензия — Apache-2.0.

Qwen3.8-20B-Minitron — экспериментальная производная модель exnivo на базе Qwen/Qwen3.8-27B. Это плотная мультимодальная модель с архитектурой Qwen3.5 и классом Qwen3_5ForConditionalGeneration, принимающая текст и изображения и предназначенная для диалогов и генерации ответов по визуальному содержимому. Модель уменьшена структурным удалением слоёв: число языковых слоёв сокращено с 64 до 44, а размер — с 27,357 до 19,746 млрд параметров; это не квантизация. После удаления слоёв модель восстанавливали дистилляцией по логитам исходной модели, обучением на текстовых, учебных, математических и кодовых данных, а также корректировкой с помощью LoRA с последующим слиянием адаптера в веса. Разработчик приводит результаты собственных проверок, но они не являются стандартизованными бенчмарками. Модель распространяется в формате safetensors под лицензией Apache-2.0. Качество и устойчивость могут уступать исходной модели; особенно отмечена слабость в рассуждениях о последовательностях и шаблонах, а также ошибки при необычных формулировках. Восстановление и оценка были сосредоточены главным образом на тексте, поэтому возможности сохранённой визуальной части проверены ограниченно.

Qwen3.8-27B-Uncensored-INT8 — это модифицированная и квантованная версия базовой модели Qwen/Qwen3.8-27B, разработанной командой Qwen компании Alibaba и опубликованная OrcaRouter. Из модели удалено направление, отвечающее за отказы, поэтому она существенно менее ограничена встроенными механизмами безопасности. Версия использует квантование INT8 W8A8: веса линейных слоёв представлены в 8-битном формате, а активации квантуются динамически по токенам. Модель предназначена для исследовательских задач, включая интерпретируемость, изучение механизмов отказа, AI safety, red-teaming, оценку устойчивости и контролируемые эксперименты. Это vision-language модель с поддержкой текста и изображений, рассуждений, управления режимом thinking, вызова инструментов и function calling. Архитектура включает 64 слоя, скрытое состояние размером 5120 и гибридное внимание: 48 слоёв Gated DeltaNet с линейным вниманием и 16 слоёв с полным вниманием. Заявлен контекст до 262 тысяч токенов; также сохранена MTP-голова для speculative decoding. В README указана поддержка английского и китайского языков. К сильным сторонам относятся сочетание мультимодальности, длинного контекста, инструментов, рассуждений и широкой совместимости INT8 с современными GPU. Основное ограничение — практически отсутствие встроенных защит: модель может выполнять вредоносные, незаконные или неэтичные запросы, которые исходная модель отклоняла. Её не рекомендуется использовать с конечными пользователями или в производственной среде без собственных механизмов модерации и защиты от злоупотреблений. Модель распространяется по лицензии Apache 2.0, унаследованной от базовой модели; ответственность за использование и результаты несёт пользователь.

QwQ-32B-MLX-4bit — это 4-битная MLX-квантизация модели рассуждений QwQ-32B, разработанной командой Qwen. Квантизацию подготовил bartowski на основе инструментов mlx-examples; модель предназначена для запуска на компьютерах Mac с Apple Silicon, в том числе через LM Studio. Модель относится к задачам генерации текста и ориентирована на сценарии, требующие пошагового рассуждения и решения сложных задач. Поддерживается контекст длиной до 128 000 токенов. В README не указаны точные сведения о поддерживаемых языках, модальностях и внутренней архитектуре, кроме принадлежности к линейке QwQ и размера исходной модели 32B. Ключевое преимущество этой версии — уменьшенный объём представления благодаря 4-битной квантизации, что делает запуск крупной модели более доступным на совместимых устройствах Apple Silicon. При этом квантизация может влиять на точность и качество по сравнению с исходной моделью. Модель может генерировать неточные, вредные или неподходящие ответы. Лицензия в README не указана, поэтому условия использования необходимо уточнять в документации исходной модели QwQ-32B и у правообладателя.

Карточка модели Sakalti/Saba2-Preview на Hugging Face совпадает с карточкой Sakalti/saba1.5-coder, поэтому описание составлено по ней. Saba1.5-Coder — языковая модель Sakalti на архитектуре Qwen2, дообученная на основе Sakalti/Saba1.5-Pro. Модель содержит 1,5 млрд параметров и поддерживает контекст длиной до 256 000 токенов. Модель предназначена для генерации текста и диалогов; название и обучающий набор HachiML/alpaca_jp_python указывают на применение в задачах программирования на Python. В метаданных также отмечен интерфейс для вызова инструментов. Модель обучалась с использованием Unsloth и TRL и распространяется в формате Safetensors. Модель лицензирована по Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о языках программирования и точном наборе навыков, поэтому пригодность для конкретных задач разработки следует проверять на собственных примерах.

smol_llama-4x220M-MoE — языковая модель на архитектуре Mixtral с механизмом смеси экспертов, созданная автором репозитория путём слияния четырёх моделей через LazyMergekit: BEE-spoke-data/smol_llama-220M-openhermes, BEE-spoke-data/beecoder-220M-python, BEE-spoke-data/zephyr-220m-sft-full и BEE-spoke-data/zephyr-220m-dpo-full. Модель предназначена для генерации текста, включая диалоговые ответы и генерацию кода на Python. В репозитории указано 184,9 млн параметров и контекст до 2048 токенов; веса опубликованы в формате Safetensors. В качестве обучающих источников перечислены текстовые, диалоговые и кодовые наборы данных. Поддержка конкретных естественных языков не обозначена. Модель распространяется по лицензии Apache-2.0.

Speechless Code Mistral 7B v1.0 — это языковая модель для генерации текста и программного кода на базе архитектуры Mistral с примерно 7 млрд параметров. Исходную модель разработал Jiangwen Su, а TheBloke подготовил её квантованные версии в формате GGUF. Модель ориентирована на англоязычные сценарии и обучалась на наборах данных, включающих инструкции, программный код и задачи общего назначения. Модель предназначена для генерации и продолжения кода, ответов на инструкции, локального программирования и диалоговых приложений. GGUF-файлы совместимы с llama.cpp и рядом пользовательских интерфейсов и библиотек, включая text-generation-webui, LM Studio, KoboldCpp, ctransformers и llama-cpp-python; доступны варианты квантования от 2 до 8 бит для CPU+GPU-инференса. Ключевые ограничения — отсутствие мультимодальности в заявленных данных, поддержка только английского языка и неизвестный размер контекстного окна. Квантование может снижать точность по сравнению с исходной моделью, особенно в наиболее компактных вариантах. В README указана лицензия llama2; отдельные результаты HumanEval имеют значение pass@1 0, но помечены как непроверенные.

Ternary Bonsai 2 27B Abliterated PQ2_0 MTP — это производная от prism-ml/Ternary-Bonsai-2-27B-gguf модель на основе семейства Qwen, опубликованная BoldingBuilds в формате GGUF. Веса упакованы с тернарным квантованием PQ2_0 примерно до 2,13 бит на вес; модель изменена методом abliteration, который убирает поведение отказа. Вариант MTP дополнен головой multi-token prediction для спекулятивного декодирования. Модель предназначена для локальной генерации текста и диалогов, в том числе ответов на запросы, от которых исходная модель отказывается. При подходящих нагрузках MTP ускоряет генерацию, например для кода, JSON и рассуждений; на свободной прозе ускорения нет и возможна небольшая просадка. Для MTP-файла требуется исправленная сборка llama.cpp; файл без MTP работает без этого патча. README сообщает о сохранении качества на MMLU относительно исходной тернарной версии, но приводит снижение pass@1 на HumanEval с 0,890 до 0,872, статистически незначимое в описанном измерении. У варианта v1 также отмечена проблема режима рассуждений: ответы на часть запросов не завершаются; измерения качества и отказов проводились с выключенным режимом thinking. Лицензия — Apache-2.0. Модель не имеет встроенного поведения отказа и требует отдельного защитного слоя перед пользовательским применением.

chhao/Weak-Driven-Learning — языковая модель, дообученная по методу Weak-Driven Learning на базе Qwen3-4B-Base. Это причинная Transformer-модель семейства Qwen3 примерно с 3,7 млрд параметров и контекстом 32 768 токенов; для обучения использовалась последовательность длиной до 8 192 токенов. Репозиторий содержит веса PyTorch, а карточка указывает библиотеку Transformers и лицензию MIT. Модель предназначена прежде всего для генерации текста с упором на математические рассуждения и написание кода; также поддерживает диалоговый сценарий. Метод обучения использует слабые исторические контрольные точки как сигналы ошибок и совместную оптимизацию логитов. В README заявлены улучшения относительно стандартного SFT на сложных математических и программных задачах без дополнительных вычислительных затрат при инференсе. Качество на других типах задач может отличаться; результат зависит от обучающего набора AM-1.4M и ограничений базовой Qwen3.

AMD-OLMo-1B-SFT-DPO-GGUF — квантизированная версия языковой модели AMD-OLMo-1B-SFT-DPO, разработанной AMD на основе открытой архитектуры и подходов обучения OLMo-1B. Формат GGUF подготовлен bartowski с использованием llama.cpp. Модель предназначена для генерации текста и локального запуска в совместимых приложениях, включая LM Studio. Модель содержит около 1 миллиарда параметров, поддерживает контекст длиной до 2048 токенов и использует словарь размером 50 280 токенов. Базовое предварительное обучение выполнено на 1,3 триллиона токенов из набора Dolma. Затем модель прошла supervised fine-tuning на наборах Tulu V2, OpenHermes-2.5, WebInstructSub и Code-Feedback, а также выравнивание предпочтений методом Direct Preference Optimization на наборе UltraFeedback. К сильным сторонам относятся открытая основа, компактный размер, адаптация к следованию инструкциям и наличие дополнительного обучения на данных для общего, веб- и программного контента. Ограничения включают небольшой контекст, неизвестную из README языковую специализацию и возможные ошибки, неточности или нежелательный контент при генерации; квантизация также может влиять на качество. Указана лицензия Apache-2.0.

AutoCoder_S_6.7B-IMat-GGUF — GGUF-квантизированная версия модели Bin12345/AutoCoder_S_6.7B, подготовленная пользователем legraphista с помощью llama.cpp b3010. Модель предназначена для генерации текста и, исходя из названия базовой модели, ориентирована прежде всего на задачи, связанные с написанием и обработкой кода, однако подробные сведения о специализации отсутствуют. Модель содержит около 6,7 млрд параметров в исходном формате BF16 и доступна в форматах GGUF с различными уровнями точности: от BF16 и F16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-квантов. Для ряда вариантов применена IMatrix-квантизация на основе отдельного калибровочного набора. Файлы имеют размер примерно от 2,04 до 13,48 ГБ, поэтому модель можно адаптировать под разные ограничения по памяти и скорости инференса. К сильным сторонам относятся широкий выбор форматов, возможность локального запуска в экосистеме llama.cpp и использование IMatrix для некоторых низкобитных вариантов, что может помочь сохранить качество при уменьшении размера. Ограничения включают неизбежный компромисс между размером, скоростью и качеством при квантизации, а также отсутствие в README данных о поддерживаемых языках, размере контекста, конкретной архитектуре, результатах тестирования и сравнении с другими моделями. Модель распространяется по лицензии Apache-2.0.

AmberYifan/capsd-marin-8b-base-code_qurating_b10000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. Она содержит около 7,5 млрд параметров и предназначена для генерации и продолжения текста; карточка указывает на дообучение на наборе capsd_marin-8b-base-n80000-opc__mix_code_qurating_b10000_s0, название которого указывает на смесь данных с кодом и задачей question answering, но подробности обучения не приведены. Модель использует плотную архитектуру LlamaForCausalLM, библиотеку Transformers и формат safetensors, поддерживает чат и имеет контекст до 4096 токенов. Базовая Marin 8B Base описана как англоязычная модель для генерации и продолжения текста, поэтому английский — основной язык модели. Лицензия обозначена как other, без дополнительных условий в предоставленных данных; перед применением следует проверить лицензию репозитория. README не приводит оценок качества, поэтому пригодность для кода и ответов на вопросы стоит проверять на целевых примерах.

Code-Jamba-v0.1 — языковая модель для генерации кода, созданная автором ajibawa-2023 дообучением Jamba-v0.1 от AI21 Labs. Модель содержит 7,2 млрд параметров, использует архитектуру Jamba с Mixture of Experts и предназначена для диалогового взаимодействия в формате ChatML. Модель генерирует код на разных языках программирования, включая Python, Java, JavaScript, Go, C++, Rust, Ruby, SQL, R, Julia и Haskell, а также может объяснять логику решения. Обучение проводилось на наборах Code-290k-ShareGPT и Code-Feedback с применением QLoRA. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Карточка заявляет возможности генерации кода, но не приводит примеров результата и не даёт количественных оценок качества. Языки программирования не следует трактовать как поддержку естественных языков.

h2oai/deberta_finetuned_pii — дообученная H2O.ai модель семейства DeBERTa для обнаружения и классификации персональных данных в неструктурированном тексте. Она помечает такие сведения, как имена учётных записей, номера кредитных карт, адреса электронной почты, телефоны и адреса, в документах, письмах и пользовательском контенте. Модель имеет архитектуру DebertaForTokenClassification, содержит 151,8 млн параметров и обрабатывает последовательности длиной до 512 токенов. Для запуска предусмотрен pipeline Transformers с задачей token-classification. В карточке указан английский язык и лицензия MIT. Модель помогает находить чувствительные фрагменты, однако карточка не приводит оценок качества или полного перечня категорий; результаты обнаружения следует проверять для конкретного набора данных и сценария.

InverseCoder-CL-7B — языковая модель для генерации кода, созданная командой InverseCoder на основе CodeLlama-7b-Python-hf и дообученная по методу Inverse-Instruct. Модель семейства Llama с плотной архитектурой LlamaForCausalLM содержит около 6,6 млрд параметров и принимает контекст до 16 384 токенов. Модель предназначена для выполнения инструкций, связанных с кодом: она может генерировать фрагменты программ по запросу и поддерживать диалоговые сценарии с программированием. В карточке упоминаются обучающие наборы InverseCoder-CL-7B-Evol-Instruct-90K и Magicoder-Evol-Instruct-110K. Модель распространяется в формате Safetensors и доступна по лицензии Llama 2; условия этой лицензии определяют допустимое использование.

LateOn-Code-edge-pretrain — компактная модель для поиска по коду, разработанная LightOn в рамках семейства LateOn-Code. Это дообученная на данных CoRNStack модель позднего взаимодействия ColBERT на базе семейства edge-colbert от Mixedbread; в метаданных указан базовый репозиторий mixedbread-ai/mxbai-edge-colbert-v0-17m. Архитектура ModernBERT, размер 16,8 млн параметров, контекст до 7 999 токенов. Модель формирует многовекторные представления и рассчитана на семантический поиск фрагментов кода и оценку их соответствия запросу. Модель предназначена для поиска кода по естественно-языковому запросу или другому фрагменту кода, в том числе как компонент поисковой системы или инструмента для coding agents. README приводит результаты оценки на бенчмарках для поиска по коду и отмечает эффективность небольшой версии edge. Основной язык карточки — английский; также модель работает с кодом. Модель доступна в форматах Safetensors и ONNX, библиотека для работы — PyLate. Лицензия — Apache-2.0. Это предобученная версия: в описании семейства отдельно упоминается дальнейшая тонкая настройка моделей на обучающих наборах CoIR, но для данного чекпойнта она не заявлена.

Spell Blade — дообученная на базе Llama 2 диалоговая модель от sequelbox, предназначенная для общения и задач общего назначения с усиленными техническими возможностями. Это плотная авторегрессионная модель семейства Llama с 68,7 млрд параметров; для диалогов обучалась преимущественно на данных в формате INST. Модель принимает текст и генерирует текст. Заявленный контекст — 4096 токенов. В репозитории представлены веса в формате Safetensors, лицензия — Apache 2.0. Автор описывает её как пригодную для использования без дополнительной настройки, но отмечает, что дальнейшее дообучение может улучшить пользовательский опыт. Модель обозначена как устаревшая и предложена главным образом для справки; для общего применения автор рекомендует Llama 3.

Shining Valiant 2 — чат-модель Valiant Labs на архитектуре Llama 3.1 Instruct, дообученная на базе Meta-Llama-3.1-70B-Instruct. Модель содержит 69,5 млрд параметров и поддерживает контекст до 131 072 токенов; предназначена для диалога и следования инструкциям на английском языке. Обучение охватывало общие разговорные данные, технические знания и структурированные рассуждения. Модель ориентирована на вопросы по физике, химии, биологии, астрономии, наукам о Земле, информатике и теории информации, а также на инженерные задачи и логический анализ. В карточке отмечены возможности чата и интерфейс вызова инструментов. Репозиторий использует формат safetensors и лицензию Llama 3.1. Как и другие большие языковые модели, она может давать неточные ответы; заявленная специализация на технических темах не гарантирует корректность рассуждений или выводов.

Модель dbands/llama-3-8b-instruct_code_instructions_122k_alpaca_style_16bit — дообученная автором dbands языковая модель семейства Llama 3 с архитектурой LlamaForCausalLM. Она предназначена для генерации текста по инструкциям; название репозитория указывает на формат инструкций Alpaca и тематику кода, но README не описывает конкретные возможности или результаты обучения. Модель содержит 7,5 млрд параметров, использует формат safetensors и поддерживает контекст до 8192 токенов. Модель дообучена на базе unsloth/llama-3-8b-bnb-4bit с использованием Unsloth и Hugging Face TRL. В карточке указана лицензия Apache 2.0. Метаданные отмечают английский язык; сведений о гарантированном качестве ответов или ограничениях для отдельных сценариев в карточке нет.

Llama-3-Hercules-5.0-8B — дообученная Locutusque языковая модель на базе Llama 3 8B. Она предназначена для выполнения инструкций, диалогов и вызова функций в научных и технических областях. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов; репозиторий содержит веса в формате safetensors. Модель подходит для научно-технических чат-ботов, образовательных помощников, пошаговых объяснений и генерации кода с использованием вызовов функций. В карточке заявлена работа с биологией, химией, физикой, математикой, медициной и информатикой. Сведения о поддерживаемых естественных языках не приведены. Модель может выдавать токсичный контент, галлюцинировать и допускать фактические ошибки, в том числе в специализированных темах; ответы и вызовы функций требуют проверки. Лицензия указана как llama3.

LosslessMegaCoder-llama2-7b-mini — языковая модель для генерации кода, созданная Rombodawg совместно с Andreaskopf. Это плотная авторегрессионная модель семейства Llama 2 с 6,6 млрд параметров и контекстом до 4096 токенов, распространяемая в формате PyTorch. Модель обучена на отфильтрованной версии набора LosslessMegaCodeTrainingV2_1m_Evol_Uncensored: из данных удаляли примеры короче 100 токенов. Она предназначена для генерации кода по текстовым запросам и диалогового взаимодействия с кодовым помощником; в карточке приведены результаты оценки на общих языковых бенчмарках. README характеризует её как сильную для своего размера, но не приводит подробной методики оценки качества кода. Для диалога предлагается шаблон ChatML. Лицензия — Llama 2; применяйте модель с учётом условий этой лицензии. README предупреждает, что модель не обучалась на датасете LosslessMegaCodeTrainingV3_MINI, несмотря на сходство названий.

Agnuxo публикует Mistral-NeMo-Minitron-8B-Base-Nebulal — текстовую авторегрессионную модель семейства Mistral с плотной архитектурой и примерно 7,9 млрд параметров. Карточка описывает её как базовую модель для локального запуска; автор связывает её с проектом NEBULA Optical Physics и экосистемой P2PCLAW. Модель предназначена для генерации текста, в том числе кода и научных материалов. В README перечислены Python, JavaScript, TypeScript, Rust, Go и C++, а также библиотеки научных вычислений и машинного обучения; заявлена интеграция с MCP и A2A. Контекст составляет 8192 токена. Метаданные указывают английский и испанский языки, формат PyTorch и лицензию Apache-2.0. Карточка не приводит независимых оценок качества или подробностей обучения, поэтому перечисленные возможности следует считать заявлениями автора. При использовании для научных текстов, кода и координации агентов результаты нужно проверять; также не следует считать перечисленные языки программирования естественными языками модели.

Negentropy-claude-opus-4.7-9B-GGUF — экспериментальная языковая модель для усиленного рассуждения, разработанная Jackrong совместно с Kyle Hessling. Она основана на Qwen/Qwen3.5-9B и дообучена с использованием Unsloth методом SFT. В проекте применяется подход Trace Inversion: модель Jackrong/Trace-Inverter-4B реконструирует более подробные цепочки рассуждений из сжатых сводок в стиле Claude-Opus, которые затем используются как обучающие данные. Модель предназначена для сложной логической дедукции, многошагового решения математических и программных задач, генерации качественных данных с цепочками рассуждений для более компактных моделей, а также локального запуска на рабочих станциях и исследовательских экспериментов по восстановлению рассуждений. Заявлены языки English, Chinese, Korean, Japanese и Russian. Размер модели — около 9 млрд параметров; базовая архитектура — Qwen3.5-9B. В карточке также указан pipeline image-text-to-text, однако подробности о поддерживаемых визуальных входах и фактических мультимодальных возможностях не приведены. К сильным сторонам относятся больший по сравнению с 4B-версией объём параметров, ориентация на более устойчивое многошаговое рассуждение и возможность локального развёртывания. Ограничения связаны с экспериментальным характером проекта, отсутствием приведённых количественных оценок качества, неполными сведениями о контексте и фактической поддержке модальностей, а также с тем, что реконструированные цепочки рассуждений основаны на синтетических данных и могут наследовать их особенности. Лицензия модели — Apache-2.0.

Nemotron-Orchestrator-8B — языковая модель на основе decoder-only Transformer, разработанная NVIDIA и Университетом Гонконга для координации инструментов и экспертных моделей при решении сложных многошаговых задач. Она дообучена на Qwen/Qwen3-8B методом GRPO и содержит около 7,6 млрд параметров; нативный размер контекста — 40 960 токенов. Модель предназначена для агентных сценариев с несколькими ходами: выбора и вызова инструментов, включая поиск и выполнение кода, а также передачи задач другим языковым моделям. В карточке заявлены обучение с учётом точности, стоимости, задержки и предпочтений пользователя и способность работать с незнакомыми наборами инструментов. Основной указанный язык — английский. По данным карточки, на Humanity’s Last Exam модель набрала 37,1%; также заявлены результаты на FRAMES и τ²-Bench. Эти показатели приведены разработчиками и сами по себе не гарантируют аналогичное качество в конкретном приложении. Модель предназначена для исследований и разработок; распространяется по лицензии NVIDIA.

Qwen3.6-40B-Claude-4.6-Opus-Deckard-Heretic-Uncensored-Thinking-8bit — языковая текстовая генеративная модель, разработанная сообществом mlx-community. Она представляет собой конверсию модели DavidAU/Qwen3.6-40B-Claude-4.6-Opus-Deckard-Heretic-Uncensored-Thinking в формат MLX с использованием mlx-lm 0.31.1 и предназначена для запуска через экосистему MLX. Модель ориентирована на генерацию текста, включая программирование, творческое письмо, создание сюжетов и сцен, сторителлинг и ролевые сценарии. Заявлена поддержка английского и китайского языков. В карточке указаны размер 40B параметров и 8-битное представление, однако сведения об архитектуре, длине контекста и мультимодальности отсутствуют; по назначению и pipeline_tag это текстовая, а не мультимодальная модель. К сильным сторонам относятся специализация на рассуждениях, коде и творческих задачах, а также возможность локального использования в MLX-совместимой среде. Ограничения включают отсутствие подробных данных о качестве, бенчмарках, производительности и точной архитектуре; заявленные характеристики следует проверять на конкретных задачах. Лицензия — Apache-2.0.

StarCoderBase-7B — базовая языковая модель для кода, разработанная проектом BigCode. Она содержит 7 млрд параметров и построена на архитектуре GPT-2 с Multi Query Attention. Модель обучена на корпусе The Stack v1.2, включающем более 80 языков программирования, с использованием цели Fill-in-the-Middle на 1 трлн токенов; длина контекста составляет 8192 токена. Модель предназначена для генерации и продолжения кода по контексту, в том числе для заполнения пропусков внутри фрагмента кода. Это базовая модель, а не модель, настроенная на выполнение инструкций: запросы на естественном языке могут работать хуже, чем подсказки с кодом или техническим контекстом. Генерация может содержать ошибки, уязвимости или неэффективные решения. Возможны дословные фрагменты из обучающих данных, поэтому следует проверять происхождение и лицензионные требования к сгенерированному коду. Лицензия — BigCode OpenRAIL-M.

Tool-Star-Qwen-7B — языковая модель для пошаговых рассуждений с вызовом внешних инструментов, созданная авторами фреймворка Tool-Star на базе Qwen. В карточке указана базовая модель Qwen2.5-3B-Instruct, а в метаданных Hugging Face — Qwen/Qwen2.5-7B-Instruct; поэтому точная связь между вариантом модели и базовым чекпойнтом неоднозначна. Метаданные описывают архитектуру как плотную Qwen2, класс Qwen2ForCausalLM, размер 7,1 млрд параметров и контекст до 32 768 токенов. Модель обучалась в два этапа: начальная настройка с обратной связью от инструментов и обучение с подкреплением для улучшения совместного использования нескольких инструментов в ходе рассуждений. Она предназначена для генерации текста и диалоговых сценариев, в которых модель формирует вызовы инструментов и использует их результаты. Авторы сообщают об оценке на наборах тестов для сложных рассуждений; карточка называет английский языком модели. В репозитории указаны веса Safetensors, библиотека Transformers и лицензия MIT.