II.4Отладка, тестирование и качество ПО

SimpleSD-4B-instruct — языковая модель Apple для генерации кода, созданная методом Simple Self-Distillation: модель дообучали на собственных сгенерированных примерах без учителя, функции вознаграждения, верификаторов и обучения с подкреплением. В качестве исходной модели использована Qwen/Qwen3-4B-Instruct-2507. Модель построена на плотной архитектуре Qwen3ForCausalLM, содержит 3,7 млрд параметров и принимает текстовый ввод, выдавая текст. Заявленная длина контекста — до 262 144 токенов. В метаданных отмечена поддержка чата; карточка описывает обучение и оценивание на примерах генерации кода. Это исследовательский чекпойнт для воспроизводимости экспериментов, не оптимизированный выпуск Qwen. Лицензия — Apple AMLR.

xLAM-8x22b-r-GGUF — квантованный вариант языковой модели Salesforce/xLAM-8x22b-r, подготовленный пользователем bartowski в формате GGUF с использованием llama.cpp и imatrix-калибровки. Модель обучалась на наборе Salesforce/xlam-function-calling-60k и предназначена для генерации текста, function calling, использования инструментов и построения LLM-агентов. Указанный язык — английский; формат взаимодействия предполагает шаблон <s>[INST] {prompt}[/INST]. Модель относится к семейству Mistral и имеет размер 8×22B; поддерживаемые модальности, размер контекста и дополнительные архитектурные параметры в README не указаны. Доступны варианты квантования от IQ1_M до Q8_0 с размером файлов примерно от 32,74 до 149,43 ГБ. Более высокие уровни квантования обычно обеспечивают лучшее качество, а отдельные варианты оптимизированы для ARM и CPU-инференса, однако требуют значительных ресурсов. Сильная сторона модели — специализация на вызове функций и применении инструментов, а также широкий выбор квантований для различных ограничений по памяти. К ограничениям относятся преимущественно англоязычная специализация, необходимость совместимого инференсного ПО и большой объём файлов; снижение точности при низких уровнях квантования также отмечено в README. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с ограничениями для некоммерческих целей.

Ameya-Kawade/cmdcaliper — дообученная модель Sentence Transformers на базе thenlper/gte-base, созданная для анализа Linux-команд и фрагментов Bash. Архитектура BERT использует mean pooling и L2-нормализацию, формируя плотные эмбеддинги размерностью 768; в метаданных указаны 136,7 млн параметров и контекст до 512 токенов. Модель предназначена для поиска семантически близких команд, группировки по намерению, выявления функциональных дубликатов и поиска сходства с известными вредоносными или безопасными командами. Обучение проводилось с Multiple Negatives Ranking Loss на размеченных парах Linux-команд из разных категорий, включая файловые операции, процессы, сеть, управление пакетами, мониторинг и команды, связанные с безопасностью. В README приведены результаты retrieval-оценки на 500 отложенных парах: MRR@10 около 0,8847, Top@10 около 0,9526 и точность 3-NN 88,41%. Модель оптимизирована для команд shell и Bash, а не для обычных предложений или других языков программирования. Указанная лицензия — MIT.

DeciCoder-6B — авторегрессионная модель для дополнения и генерации программного кода, разработанная компанией Deci. Она основана на декодерном трансформере DeciLMForCausalLM с 6,7 млрд параметров и переменным Grouped Query Attention; архитектуру создали с помощью технологии AutoNAC. Обучение на подмножестве StarCoder Training Dataset использовало цель Fill-in-the-Middle, поэтому модель может продолжать код и заполнять пропуски внутри фрагмента. Модель предназначена для работы с Python, Java, JavaScript, Rust, C++, C, C# и Go. Контекст составляет 2 048 токенов. Весы опубликованы в формате safetensors, лицензия — Apache 2.0. Модель можно применять для генерации фрагментов кода по контексту и автодополнения в редакторах. В README приведены результаты pass@1 для нескольких языков, но они не гарантируют правильность конкретного результата: сгенерированный код может содержать ошибки, быть неоптимальным или небезопасным.

DeepSeek-Coder-7B-Base-v1.5 — базовая языковая модель для кода от DeepSeek, полученная продолжением предварительного обучения DeepSeek-LLM 7B на 2 трлн токенов с задачей предсказания следующего токена. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, примерно 6,5 млрд параметров и контекстом 4096 токенов. Она предназначена для генерации и продолжения кода по текстовому контексту, в том числе как основа для дальнейшей адаптации под задачи программирования. Модель принимает и выдаёт текст; карточка не перечисляет поддерживаемые языки программирования или естественные языки. Репозиторий содержит веса в формате safetensors. Указана лицензия other, поэтому условия использования следует проверять в материалах проекта DeepSeek.

Dream-Coder-v0-Base-7B — базовая модель Dream Coder 7B, разработанная для генерации кода. Это открытая диффузионная языковая модель на 7,1 млрд параметров с архитектурой DreamModel, предназначенная для работы с текстом и кодом. Модель поддерживает контекст до 32 768 токенов и распространяется в формате safetensors для Transformers. Модель подходит для генерации и дополнения кода в диалоговых сценариях. В карточке заявлена высокая производительность, но сравнительные оценки и конкретные поддерживаемые языки программирования не приведены. Лицензия Apache-2.0 разрешает использование на её условиях.

sensiarion/embeddinggemma-300m-code-8L-distill-int8 — компактная модель эмбеддингов кода, созданная на основе Google EmbeddingGemma-300M. Это двунаправленный энкодер типа bi-encoder: он преобразует английский текстовый запрос или фрагмент кода в средний L2-нормированный вектор размерности 768. Вариант содержит 8 из 24 слоёв исходной модели и около 303 млн параметров по метаданным; доступны веса ONNX и SafeTensors, а README также описывает вариант MLX. Контекст — 2048 токенов. Модель предназначена для поиска фрагментов кода по запросам на естественном английском языке и для сопоставления запросов с кодом. Она дообучена и дистиллирована на парах документация-код CodeSearchNet для Python, Go, Java, JavaScript, PHP и Ruby; автор README сообщает о сохранении примерно 96% качества базовой модели при ускорении примерно в три раза. Для кодирования следует подавать исходный текст запроса и кода без инструкционных префиксов. По сравнению с базовой моделью она быстрее и компактнее, но специализация на поиске кода ограничивает её применение для общего поиска по текстам и задач вопросов и ответов. Качество может немного отличаться от полноточной базовой модели из-за int8-квантизации, а для языков программирования вне обучающего набора качество не заявлено. Лицензия — Gemma.

Multilingual Privacy Filter — модель Tabularis AI для обнаружения персональных данных в тексте на 26 официальных языках ЕС. Она дообучена на XLM-RoBERTa-large и решает задачу классификации токенов: размечает фрагменты текста по 74 меткам, соответствующим 42 типам данных, включая имена, контакты, финансовые и идентификационные сведения, медицинские данные и цифровые идентификаторы. Модель рассчитана на выявление и последующую анонимизацию чувствительной информации, проверки конфиденциальности и поддержки процессов, связанных с GDPR. В карточке заявлены глобальная F1-оценка 97,02% и показатели выше 95% для всех языков. Метаданные указывают 658,7 млн параметров и контекст до 514 токенов; в README указан максимальный размер входа 256 токенов, поэтому для практического применения следует ориентироваться на ограничения конфигурации и используемого пайплайна. Модель принимает текст и возвращает метки токенов. Лицензия — Apache-2.0.

Fara1.5-9B-GGUF — это набор GGUF-квантизированных версий мультимодальной модели Fara1.5-9B, разработанной Microsoft. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для сценариев computer use: управления браузером и интерфейсами, автоматизации веб-задач, работы веб-агентов и других задач, требующих понимания изображений и текста. Модель содержит около 9 миллиардов параметров, относится к классу vision-language и поддерживает обработку изображений и текста. В карточке указано, что основной язык — английский. Доступны варианты от BF16 до различных уровней квантизации, включая Q8_0, Q6_K, Q5_K, Q4_K и более компактные форматы; размер файлов составляет примерно от 4,3 до 17,9 ГБ. Контекстное окно, точная архитектура и требования к видеопамяти или оперативной памяти не указаны. Сильные стороны модели — мультимодальность, ориентация на агентские и браузерные сценарии, а также широкий выбор квантизаций для запуска на оборудовании с разными ресурсами. Более компактные варианты снижают требования к памяти, но могут заметно уступать исходной BF16-версии по качеству. Для работы подходят llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты; при поддержке новой архитектуры может потребоваться обновление используемого приложения. Модель распространяется по лицензии MIT.

Модель Yhhhhhhhhh/final-tc-deepseek-coder-1.3b-instruct — дообученная версия DeepSeek Coder 1.3B Instruct, созданная на основе deepseek-ai/deepseek-coder-1.3b-instruct с использованием набора данных, названного в карточке «output dataset». Это плотная авторегрессионная модель семейства Llama с 1,3 млрд параметров, предназначенная для генерации текста в диалоговом формате; каталог отмечает поддержку чата. Модель работает с контекстом до 16 384 токенов и распространяется в формате Safetensors через Transformers. Основной сценарий применения — генерация и дополнение программного кода по запросам и инструкциям. Карточка сообщает значение loss 0,2609 на оценочном наборе, но не описывает его состав и методику оценки, поэтому по этому числу нельзя судить о качестве в конкретных задачах. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

GetCode-slerp — объединённая языковая модель для генерации кода, созданная с помощью LazyMergekit на основе CodeLlama-7b-Instruct-hf и CodeGen2.5-7B-Multi. Она предназначена для генерации и дополнения кода по текстовым запросам; архитектура — плотная LlamaForCausalLM, размер — 6,6 млрд параметров, контекст — до 16 384 токенов. Модель принимает текст и выдаёт текст. В README указано слияние методом slerp с настройками, различающимися для слоёв self-attention и MLP. Репозиторий содержит веса safetensors, а лицензия — Apache-2.0. Базовая CodeLlama рассчитана на генерацию, дополнение и объяснение кода; для этой конкретной объединённой модели README прямо подтверждает происхождение, но не приводит отдельных результатов оценки качества.

ICONOCLAST Qwen2.5 7B — дообученная и отредактированная модель Varesh Patel на архитектуре Qwen2ForCausalLM, основанная на Qwen/Qwen2.5-7B-Instruct. Модель содержит 7,1 млрд параметров, принимает текст и предназначена для диалога и генерации текста. Контекст — до 32 768 токенов; веса опубликованы в формате safetensors с точностью float16. Редактирование направлено на изменение поведения, связанного с отказами и утечкой персональных данных, при сохранении общей полезности. В представленных результатах доля генерации структурированных персональных идентификаторов снизилась с 52,0% до 48,7%, а результат MMLU практически не изменился: 73,90% против 73,94% у базовой модели. Модель выпущена для исследований, воспроизводимости, бенчмаркинга и оценки методов редактирования моделей; эти результаты не гарантируют безопасное поведение во всех сценариях. Лицензия — AGPL-3.0.

InCoder 6B — авторегрессионная модель семейства XGLM, разработанная командой исследователей во главе с Дэниелом Фридом и Арменом Агажаняном. Это декодерный Transformer с 7,7 млрд параметров, обученный на исходном коде с причинно-маскированной целью. Она поддерживает обычную генерацию продолжения слева направо и заполнение пропусков внутри кода. Модель предназначена для генерации и редактирования программного кода, включая дописывание фрагментов и заполнение пропущенных участков. Обучающие данные включали открытые репозитории GitHub и GitLab с разрешительными лицензиями, а также Stack Overflow; основные языки — Python и JavaScript, всего в данных представлены 28 языков программирования. Контекст модели составляет 2049 токенов. Для запуска доступны веса float32 и float16; README указывает, что версия float16 подходит для инференса на GPU с 16 ГБ памяти при небольшом размере пакета и последовательностях не менее 256 токенов. Репозиторий предоставляет веса PyTorch. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

Koda-v1 — диалоговая модель для генерации кода, созданная Addy. Это плотная модель семейства Qwen2 с 1,5 млрд параметров, дообученная методом QLoRA за 100 шагов на датасете HuggingFaceH4/Bespoke-Stratos-17k от Qwen/Qwen2.5-Coder-1.5B-Instruct. Представлена как объединённый чекпойнт в формате bfloat16, сохранённый в safetensors и предназначенный для загрузки через Transformers и совместимые сервисы инференса. Модель рассчитана на диалоговые сценарии программирования: генерацию и обсуждение кода. Контекст составляет 32 768 токенов. README характеризует чекпойнт как экспериментальный и не доведённый до сходимости; сгенерированный код следует проверять перед выполнением. Лицензия — Apache-2.0; необходимо соблюдать лицензию, уведомления и условия использования базовой модели Qwen.

Lightning-Herald-30B-A3B — модель EryriLabs, дообученная на базе NVIDIA Nemotron 3.5 Lightning для работы в Hermes Agent. Это гибридная языковая архитектура Nemotron-H с Mamba-2, механизмом Mixture of Experts и компонентом attention; карточка указывает 30 млрд параметров, из которых около 3 млрд активны при генерации, а метаданные каталога — 1,9 млрд параметров. Модель принимает текст и генерирует текст, включая вызовы инструментов в формате Nemotron, рассчитанном на разбор llama.cpp. Заявленный контекст — 262 144 токена. Модель предназначена для агентных сценариев: многошагового использования инструментов и выполнения задач через оболочку агента. В сравнении с исходной Lightning автор сообщает о росте результата в Fox agent suite и равном результате в тесте терминальных задач; эти оценки относятся к описанным в README наборам и настройкам. Автор отмечает, что модель иногда достигает лимита итераций, не завершив задачу, и рекомендует ограничивать агентную среду песочницей и проверять выполняемые команды. Модель дообучена на отфильтрованных трассах Hermes Agent, переформатированных в шаблон чата и синтаксис вызова инструментов Nemotron. Лицензия в метаданных указана как other; базовая модель NVIDIA Nemotron 3.5 Lightning распространяется по OpenMDW-1.1, однако отдельные условия лицензирования этого дообучения в доступных данных не раскрыты.

albertge/llada-8b-dllm-registers-code64-codetags-t4 — модель, разработанная в рамках проекта dLLM Registers и дообученная на базе GSAI-ML/LLaDA-8B-Base. Это плотная диффузионная языковая модель на 8 млрд параметров для генерации текста, специализирующаяся на задачах программирования. Обучение продолжено в режиме chunked SFT на кодовой части набора mix60k: использовались около 30 тысяч трасс из подмножества OpenCodeInstruct, размер окна составлял 64 токена. Модель переносит состояние декодирования между окнами денойзинга через хвостовой канал Markovian Thinking длиной 4 токена; для корректного вывода требуются соответствующие параметры канала. Карточка указывает английский язык, интерфейс чата и библиотеку Transformers. Модель распространяется по лицензии Apache-2.0. Практическое применение ориентировано на генерацию кода; точные результаты оценки качества в карточке не приведены.

Apollo Raines представил Llama-3.1-8B-Instruct-Refusal-First-Amplified — вариант Llama-3.1-8B-Instruct, изменённый инструментом jBlaze методом representation engineering. По карточке, дополнительного обучения не проводилось: в весах подавлено поведение отказа и усилены следование контексту, аналитические ответы и правдивость. Модель использует плотную архитектуру LlamaForCausalLM; метаданные указывают 7,5 млрд параметров, формат safetensors и контекст до 131 072 токенов. Она предназначена для диалоговой генерации текста на английском языке, включая ответы на вопросы, рассуждения и написание кода; заявлен интерфейс вызова инструментов. В карточке приведены лишь примеры ответов, поэтому заявления об усилении характеристик не подтверждены сравнительными оценками. Автор также предупреждает, что опубликованная версия демонстрационная и её возможности намеренно оставлены на частичном уровне. Лицензия — Llama 3.1; подавление отказов может приводить к ответам на запросы, которые исходная модель отклоняла.

MiniCheck-RoBERTa-Large — модель для проверки фактов, разработанная авторами работы MiniCheck: Efficient Fact-Checking of LLMs on Grounding Documents. Она принимает документ и отдельное утверждение и определяет, подтверждается ли утверждение содержанием документа, выдавая бинарную метку: 1 — подтверждено, 0 — не подтверждено. Модель предназначена для проверки утверждений в ответах LLM по опорным документам и оценки фактической обоснованности сгенерированного текста на уровне предложений. Это модель классификации последовательностей на базе RoBERTa-Large с 454,1 млн параметров и контекстом 514 токенов. Она дообучена от обученной RoBERTa-Large из AlignScore на 14 тысячах синтетических примеров. В работе авторов модель показала сильные результаты на бенчмарке LLM-AggreFact по сравнению со специализированными фактчекерами сопоставимого размера. Репозиторий содержит веса PyTorch, лицензия — MIT. Модель рассчитана на английский язык. Оценка проводилась на реальных утверждениях; результаты для утверждений, вручную изменённых для внесения определённых ошибок, не оценивались. Для надёжной проверки модель следует использовать вместе с подходящими опорными документами и учитывать ограничение контекста.

MiniCPM-1B-sft-bf16 — текстовая разговорная модель семейства MiniCPM, разработанная ModelBest совместно с лабораторией обработки естественного языка Университета Цинхуа. Это версия с инструкционным дообучением (SFT) в формате BF16; архитектура — MiniCPMForCausalLM, размер — 1,4 млрд параметров, контекст — до 4096 токенов. Модель предназначена для генерации ответов в диалоге и решения общих текстовых задач, включая вопросы и ответы, математику и код. В README отмечены компактность и возможность локального запуска, в том числе на мобильных устройствах после подходящей оптимизации. Заявлены китайский и английский языки; результаты на китайском, математике и коде выделены как сильные стороны модели. К ограничениям относятся склонность к галлюцинациям, зависимость ответов от формулировки запроса и непостоянство результатов при повторных попытках; знания модели могут быть неточными. README рекомендует проверять ответы. Модель распространяется для исследований и ограниченного коммерческого использования; отдельная лицензия в предоставленных данных не названа.

MoonViT-V2 — визуальный энкодер, представленный как нативный vision backbone Kimi K3; репозиторий AI4Industry содержит извлечённые веса из чекпойнта moonshotai/Kimi-K3. Модель предназначена для кодирования изображений и видео в визуальные токены для мультимодальной обработки. Метаданные относят её к задаче извлечения признаков изображений. Архитектура — 27-слойный Vision Transformer примерно на 453 млн параметров с размером скрытого состояния 1024, 12 головами и патчами 14 × 14. Для изображений и видео используется общий путь с пространственным и временным вниманием; сжатие токенов включает pixel shuffle 2 × 2 и временной pooling. README указывает на обработку видео последовательностью кадров, по умолчанию до четырёх кадров. В репозитории сохранены веса vision tower в формате safetensors, без языковой модели и проектора, поэтому это не самостоятельная мультимодальная чат-модель. Модель может служить визуальным энкодером для распознавания текста, анализа интерфейсов и понимания видео. Обучающие данные, согласно README, охватывают подписи, документы, OCR, видео, визуальный код, grounding, SVG, 3D-объекты, веб-страницы, игры и CAD. Лицензия указана как other; конкретные условия следует сверить с лицензией репозитория и исходного Kimi K3.

Noema-2B — дообученная NoemaAI-labs модель для диалогов и рассуждений, созданная на базе Qwen/Qwen3.5-2B. Это плотная причинная языковая модель с гибридной архитектурой Gated-DeltaNet и softmax-attention; в репозитории указано около 2 млрд параметров, а метаданные каталога сообщают 1,7 млрд. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 262 144 токена. Модель предназначена для общего ассистентского использования, особенно для математических задач, коротких программ, следования инструкциям и форматным ограничениям. Разработчики сообщают об улучшении результатов на GSM8K, MATH-500 и тестах генерации кода относительно базовой модели, а также о меньшем числе генерируемых токенов. Дообучение выполнено с LoRA на замороженной базовой модели; итоговые веса объединены с базой. Режим рассуждений thinking не поддерживается: в нём возможны зацикливание и незавершённая генерация. Среди ограничений — снижение точности на тестах фактических знаний относительно базовой модели, а качество свободного диалога и творческого письма не оценивалось. Модель распространяется по лицензии Apache-2.0.

datalab-to/ocr_error_detection — модель Datalab на базе DistilBERT для классификации текстовых фрагментов при обнаружении ошибок OCR. Её назначение подтверждается именем репозитория и тем, что Datalab использует её в Surya как отдельную модель проверки ошибок OCR. Модель имеет архитектуру DistilBertForSequenceClassification, около 0,1 млрд параметров и контекст до 512 токенов. Репозиторий содержит веса Safetensors в формате F16. README не описывает метрики качества, языковой охват или подробности использования. Лицензия — CC BY-NC-SA 4.0.

Карточка модели RedHatAI/privacy-filter на Hugging Face совпадает с карточкой openai/privacy-filter, поэтому описание составлено по ней. OpenAI Privacy Filter — модель OpenAI для обнаружения и маскирования персональных данных в тексте. Она предназначена для высокопроизводительной очистки данных, в том числе в локальных и браузерных сценариях, и может дообучаться под особенности данных организации. Лицензия Apache 2.0 допускает коммерческое использование. Модель выполняет двунаправленную классификацию токенов и выделяет связные фрагменты в одном проходе. Архитектура — разреженный MoE-трансформер с 8 блоками, шириной скрытого представления 640 и 128 экспертами, из которых на токен выбираются 4. Модель возвращает BIOES-разметку для восьми категорий: номера счетов, частные адреса, электронные адреса, имена людей, телефоны, URL, даты и секреты. В метаданных указано 145,4 млн параметров и контекст 131 072 токена; README заявляет окно до 128 000 токенов. Доступны форматы Safetensors и ONNX. Модель подходит для предварительной фильтрации текстов перед хранением, передачей или дальнейшей обработкой. Пороговые режимы позволяют настраивать компромисс между точностью и полнотой обнаружения. Это вспомогательное средство минимизации данных, а не гарантия анонимизации или соответствия требованиям. Набор меток фиксирован, для изменения политики нужно дообучение; качество может снижаться на неанглийских текстах, нелатинских письменностях и данных вне обучающего распределения. В чувствительных областях возможны как пропуски, так и избыточное маскирование.

Это дообученная методом QLoRA плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, созданная Khazar AI на основе unsloth/Qwen3-4B-Thinking-2507. Модель обучали на примерах рассуждений, подготовленных с помощью учителя Qwen3.6-plus, чтобы получать более краткие и структурированные решения сложных задач. Модель предназначена для диалоговой генерации текста и сценариев, где нужны разбор задачи, план алгоритма, оценка сложности и псевдокод. В карточке приведено сравнение на бенчмарке Multi-Domain-Reasoning-Benchmark из 100 вопросов: результат модели — 75,64 против 73,73 у базовой Qwen3-4B-Thinking-2507. Поддерживается контекст до 262 144 токенов; карточка указывает английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Результат бенчмарка основан на небольшой выборке и не гарантирует превосходства на других задачах. Качество ответов и точность рассуждений следует проверять в целевом сценарии.

laion/r2egym_8b_rope_65k-step17 — экспериментальная модель генерации текста на базе Qwen3-8B, дообученная с подкреплением для задач R2EGym. Репозиторий описывает 17 шагов обучения и контекст 65 тысяч токенов с масштабированием RoPE через YaRN; метаданные указывают 7,6 млрд параметров, архитектуру Qwen3ForCausalLM и нативный контекст 163 840 токенов. Модель предназначена для диалоговой генерации и решения задач с кодом. Она доступна в формате Safetensors и используется через Transformers. В метаданных указан обучающий датасет open-athena/r2egym_gpt5_codex_solved_tasks и базовая модель laion/GLM-4_7-r2egym_sandboxes-maxeps-131k-lc. Лицензия — Apache-2.0. Это ранний чекпойнт обучения: README сообщает лишь о 17 шагах, поэтому качество и устойчивость ответов не следует считать подтверждёнными. Поддерживаемый язык по карточке — английский.

ReasonCritic-7B-i1-GGUF — квантизированная версия текстовой модели ReasonCritic-7B, разработанной fableforge-ai. Квантизацию выполнил mradermacher; модель распространяется в формате GGUF и предназначена для запуска через совместимые инструменты, включая llama.cpp, LM Studio и Ollama. Модель ориентирована на генерацию текста, задачи рассуждения, критическую оценку и проверку ответов. В метаданных указано 7B параметров и поддержка английского языка. Доступны варианты квантизации от очень компактных IQ1 до более качественного Q6_K, с размером файлов примерно от 2,2 до 6,8 ГБ; также предоставлен imatrix-файл для создания собственных квантов. Сильной стороной является выбор различных уровней квантизации, позволяющий адаптировать требования к памяти, скорости и качеству, а варианты Q4_K_S и Q4_K_M отмечены как оптимальные или рекомендуемые. При этом низкобитные варианты могут заметно уступать по качеству, а README не содержит данных о контекстном окне, точной архитектуре, мультимодальности, результатах бенчмарков и ограничениях применения. Модель распространяется по лицензии Apache-2.0.

replit-code-v1-3b — языковая модель Replit, Inc. с архитектурой MPT и примерно 2,7 млрд параметров, предназначенная прежде всего для автодополнения кода. Она обучена на 525 млрд токенов из смеси данных, основанной на очищенной дедуплицированной версии The Stack; среди языков и форматов в обучающей смеси указаны Python, JavaScript, Java, TypeScript, SQL, C++, Rust, Go, HTML и Markdown. Модель использует токенизатор SentencePiece Unigram с кодо-ориентированным словарём на 32 768 токенов и позиционные встраивания ALiBi. Модель подходит как базовая для прикладной тонкой настройки и для дополнения фрагментов кода в редакторах и инструментах разработчика. В README отмечены возможные неподходящие или оскорбительные фрагменты в обучающих данных и рекомендация проверять результаты перед использованием в производственных системах. Лицензия — CC BY-SA 4.0.

TIMPS-Coder-7B — созданная разработчиком sandeeprdy1729 модель для генерации программного кода. Она дообучена на Qwen2.5-Coder-7B-Instruct в три этапа: SFT, GRPO и DPO. Модель имеет плотную архитектуру Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов; для запуска в карточке приведён пример с Transformers и шаблоном чата. Модель предназначена для генерации кода по запросам на естественном языке и других сценариев программирования. В README приведены результаты HumanEval и MBPP, однако показатели MBPP заметно расходятся с указанными для базовой модели, поэтому результаты бенчмарков следует проверять самостоятельно. Модель распространяется под лицензией Apache-2.0.

TinyQwex-4x620M-MoE — языковая модель с архитектурой Mixture of Experts на базе семейства Mixtral, опубликованная автором Isotonic и собранная с помощью LazyMergekit из четырёх копий Qwen/Qwen1.5-0.5B. Эксперты настроены на маршрутизацию запросов о рассуждениях, программировании, написании историй и выполнении инструкций. Модель предназначена для генерации текста и диалогового общения. В репозитории указано 463,9 млн параметров и контекст длиной до 32 768 токенов; доступны веса в формате Safetensors. Лицензия — Apache-2.0. Карточка не приводит оценок качества, результатов сравнений или подробностей о языковом покрытии. Указанные специализации экспертов описывают конфигурацию, но не подтверждают преимущество в соответствующих задачах.

Карточка модели aaarrbbee/Qwen3.8-2.4T-A95B на Hugging Face совпадает с карточкой Qwen/Qwen3.8-2.4T-A95B, поэтому описание составлено по ней. Qwen3.8-2.4T-A95B — текстовая причинная языковая модель семейства Qwen, разработанная командой Qwen. Модель предназначена для генерации текста, диалогов, программирования, профессиональных и исследовательских задач, а также многошаговой работы агентных систем с использованием обратной связи от среды и инструментов. Архитектура — MoE на основе Qwen3.5 с 2,4 трлн параметров суммарно и 95 млрд активируемых параметров. В модели 92 слоя и 512 экспертов, из которых для токена активируются 10 маршрутизируемых и один общий эксперт. Контекст составляет 262 144 токена нативно и может расширяться примерно до 1,01 млн токенов. Модель принимает только текст, работает в режиме рассуждений, который нельзя отключить, и поддерживает интерфейс вызова инструментов. Репозиторий содержит веса и конфигурацию в формате Transformers; README указывает совместимость с vLLM, SGLang и другими движками. Модель рассчитана на сложную генерацию текста, программирование, исследования и длительные задачи с планированием; глубину рассуждений можно настраивать параметром reasoning_effort. Она не поддерживает мультимодальный ввод. Лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии в репозитории Hugging Face.