II.4Отладка, тестирование и качество ПО

CodeQwen1.5-7B-Chat — диалоговая модель для программирования от команды Qwen, основанная на Qwen1.5. Это плотная авторегрессионная трансформерная модель с 6,9 млрд параметров, обученная на большом объёме кода; для эффективного вывода используется групповое внимание к запросам (GQA). Модель принимает и генерирует текст, поддерживает контекст до 65 536 токенов и заявлена для работы с 92 языками программирования. Модель предназначена для генерации и понимания кода в диалоговом формате. Её можно применять для дополнения кода, исправления ошибок, ответов на вопросы по коду и преобразования текстовых запросов в SQL. Карточка заявляет сильные результаты на ряде тестов, но не приводит здесь их численные оценки. Репозиторий содержит веса Safetensors и поддерживает загрузку через Transformers версии 4.37.0 или новее. Лицензия указана как other, поэтому конкретные условия использования следует сверять с карточкой модели.

CodeT5 Base — разработанная Salesforce предварительно обученная модель кодирования-декодирования на архитектуре T5, представленная в статье «CodeT5: Identifier-aware Unified Pre-trained Encoder-Decoder Models for Code Understanding and Generation». Модель содержит 123,7 млн параметров, использует кодо-ориентированный BPE-токенизатор и имеет контекст длиной 512 токенов. Она обучена на CodeSearchNet и дополнительных наборах кода C/CSharp: всего около 8,35 млн примеров. Модель предназначена для понимания и генерации кода, включая суммаризацию, генерацию, перевод и исправление кода, а также обнаружение дефектов и поиск клонов. Это базовый предварительно обученный чекпойнт: для целевых задач его обычно дообучают. Модель работает с текстовым представлением исходного кода и комментариев; в README отдельно отмечена задача восстановления замаскированных фрагментов. Лицензия репозитория — Apache-2.0. Авторы позиционируют выпуск как исследовательский и рекомендуют оценивать точность и безопасность перед внедрением.

Dracarys-72B-Instruct — чат-модель Abacus.AI, дообученная на базе Qwen2-72B-Instruct для улучшения результатов в задачах программирования. Это плотная авторегрессионная модель семейства Qwen2 с 71,5 млрд параметров и контекстом до 32 768 токенов; она принимает текст и генерирует текст. В сравнении с исходной Qwen2-72B-Instruct модель показала более высокие результаты на LiveCodeBench по генерации кода, выполнению кода и предсказанию вывода тестов. Модель подходит для генерации и объяснения кода, решения задач программирования и анализа результатов тестирования. В README также приведены оценки на LiveBench по языковым задачам, математике, анализу данных, рассуждениям и следованию инструкциям, однако основной акцент дообучения — программирование. Поддерживаемый язык, указанный в метаданных, — английский. Лицензия обозначена как other; конкретные условия следует проверять на странице модели и базовой модели.

ExeVRM (Execution Video Reward Model) — мультимодальная модель, дообученная на базе Qwen/Qwen3-VL-8B-Instruct для оценки выполнения задач компьютерным агентом. Она принимает видеозапись действий на экране и текстовую инструкцию, после чего классифицирует выполнение как правильное или неправильное. Модель содержит 8,7 млрд параметров и использует архитектуру Qwen3VLForConditionalGeneration. Для более эффективной обработки длинных записей при обучении применялись пространственное и временное прореживание визуальных токенов: вместе они сокращают их количество на 40–60% с сохранением качества оценки. Для наилучшего соответствия обучающим данным рекомендуется подавать видео 720p, с частотой 1 кадр в секунду и максимум 50 кадров. Модель выпущена под лицензией Apache-2.0. ExeVRM предназначена для проверки траекторий компьютерного использования в настольных, веб- и мобильных интерфейсах. Она выдаёт бинарную оценку, а не предназначена для открытых вопросов о видео. На видео из других областей качество не гарантируется; при инференсе без ExeVRM framework прореживание не применяется, поэтому обработка длинных видео может требовать больше видеопамяти.

FIM-14B — языковая модель для программирования и агентных задач, разработанная TIGER-Lab. Она создана на основе Qwen/Qwen2.5-Coder-14B-Instruct: модель прошла дополнительное обучение на данных function-aware fill-in-the-middle, а затем дообучение на траекториях агента R2E-Gym. Это плотная архитектура Qwen2 с 14 млрд параметров и контекстом 32 768 токенов; модель поддерживает диалоговую генерацию текста и кода. Модель предназначена для агентного решения задач разработки ПО, включая поиск и исправление ошибок в репозиториях. В оценках авторов FIM-14B набрала 29,2 на SWE-Bench-Verified и 22,0 на SWE-Bench-Lite; README также сообщает об улучшении ряда показателей относительно варианта только с постобучением на R2E-Gym. Для запуска описан сценарий с vLLM и агентной оболочкой R2E-Gym. Репозиторий распространяется в формате Safetensors по лицензии Apache-2.0.

GLM-5 — диалоговая языковая модель семейства GLM, разработанная Z.ai. Она предназначена для решения сложных задач программирования и системной инженерии, многошаговых рассуждений и длительных агентных сценариев с использованием инструментов. В карточке описана модель на 744 млрд параметров с 40 млрд активных параметров; применяются архитектура MoE и механизм DeepSeek Sparse Attention (DSA), рассчитанный на эффективную работу с длинным контекстом. Метаданные этого репозитория указывают 30,4 млрд параметров и контекст до 202 752 токенов. Модель генерирует текст, поддерживает диалог и интерфейс вызова инструментов. В карточке заявлена поддержка английского и китайского языков. Для локального развёртывания README упоминает vLLM, SGLang и xLLM. Репозиторий распространяется по лицензии MIT. Размер модели и расхождение между описанием архитектуры в README и параметрами репозитория требуют внимания при выборе конкретного чекпойнта и конфигурации развёртывания.

Карточка модели Ishowbackup/GLM-5.3 на Hugging Face совпадает с карточкой unsloth/GLM-5.3, поэтому описание составлено по ней. 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.

Карточка модели mohdShahnawaz/GLM-5.3 на Hugging Face совпадает с карточкой unsloth/GLM-5.3, поэтому описание составлено по ней. 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.

Карточка модели whodat6969/GLM-5.3 на Hugging Face совпадает с карточкой unsloth/GLM-5.3, поэтому описание составлено по ней. 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.

QuantFactory/granite-3b-code-base-128k-GGUF — квантизированная версия Granite-3B-Code-Base-128K, созданная QuantFactory с использованием llama.cpp на основе модели IBM Research. Модель предназначена для задач генерации, объяснения и исправления кода, создания модульных тестов и документации, включая сценарии разработки программного обеспечения на уровне репозитория и работы с большими контекстами. Модель относится к семейству Granite Code и поддерживает контекст длиной до 128K токенов. Указан размер 3B параметров; исходная модель была дообучена на 4 млрд токенов с упаковкой файлов репозиториев и увеличением представленности языков. В README приведены результаты оценивания для Python, C++, Java, TypeScript и Rust, а также тестов генерации, объяснения и исправления кода. Квантизация в формате GGUF может снизить требования к памяти и упростить локальный запуск, однако конкретные варианты квантизации и их компромиссы в README не указаны. Модель лицензирована по Apache 2.0. Ограничения включают отсутствие в предоставленных данных подробностей об используемых языках, точной архитектуре, конкретном размере GGUF-файлов и характеристиках производительности отдельных вариантов квантизации; приведённые метрики помечены как непроверенные.

Granite-8B-Code-Base-128K — базовая языковая модель для программирования, разработанная IBM Research. Это плотная авторегрессионная модель семейства Llama с 8,1 млрд параметров и контекстом до 128 000 токенов. Её получили продолжением предобучения Granite-8B-Code-Base на данных кода с упаковкой файлов на уровне репозиториев и увеличением доли длинных примеров; обучение для расширения контекста включало 4 млрд токенов. Модель поддерживает код на множестве языков программирования. Модель предназначена для генерации и объяснения кода, исправления ошибок, написания модульных тестов и документации, анализа технического долга, поиска уязвимостей и перевода кода, в том числе с учётом длинного контекста репозитория. Разработчик не рекомендует её для новых проектов и предоставляет для исторического и научного использования; для новых приложений предлагается актуальное семейство Granite. Лицензия — Apache 2.0. Модель не проходила выравнивание безопасности, может выдавать проблемный или неверный код и способна дословно воспроизводить фрагменты из обучающих данных. Сгенерированный код необходимо проверять, особенно при принятии важных решений.

Kronumos 2 Kairos — модель Tokenectomy Labs для автоматического исправления ошибок в программном коде. Это дообученная версия Qwen2.5-Coder-7B-Instruct с архитектурой Qwen2 и 7,1 млрд параметров; модель принимает текстовые описания ошибок и контекст кода и генерирует варианты исправлений. В карточке указаны контекст 32 768 токенов и английский язык. README описывает связку нейросетевой модели с детерминированным Rust-компонентом, который проверяет структуру исправлений и помогает выполнять ремонт кода за один проход; среди целевых сценариев — локальная разработка и CI/CD. Модель ориентирована на задачи автоматического ремонта программ и оценивалась на SWE-bench Verified. Метаданные указывают лицензию Apache-2.0. README заявляет поддержку бинарного Rust-компонента для Linux x86_64; переносимость runtime на другие платформы не подтверждена. Результаты бенчмарка и заявленные характеристики следует воспринимать как сведения карточки модели, а не как независимую проверку.

MiniMax-M1-80k — открытая по весам языковая модель компании MiniMax для рассуждений и генерации текста. Она построена на гибридной архитектуре Mixture-of-Experts с механизмом lightning attention и содержит 21,6 млрд параметров согласно метаданным. Модель развита на основе MiniMax-Text-01 и обучалась с использованием масштабного обучения с подкреплением на задачах от математики до программной инженерии. Версия 80k рассчитана на расширенное пошаговое рассуждение с бюджетом мышления до 80 тысяч токенов. Заявленная длина контекста — 10 240 000 токенов; модель предназначена для сложных задач с длинными входами, включая решение математических задач, программирование, анализ кода и работу с инструментами. Поддерживает диалоговый режим и интерфейс вызова инструментов. В README разработчик сообщает о высоких результатах на ряде задач по математике, программированию, использованию инструментов и пониманию длинного контекста; приведённые оценки зависят от методики и настроек генерации. Модель работает с текстом и выдаёт текст, а также структурированные вызовы функций. Лицензия — Apache 2.0. README не уточняет поддерживаемые естественные языки.

MiniMax-M1-80k-hf — открытая модель весов от MiniMax для генерации текста и пошагового рассуждения. Это вариант MiniMax-M1 с бюджетом рассуждения до 80K токенов; репозиторий предназначен прежде всего для Transformers. Архитектура сочетает Mixture-of-Experts и гибридное внимание с механизмом lightning attention. В карточке указано 21,6 млрд параметров, а заявленный нативный контекст составляет 10 240 000 токенов; README описывает семейство M1 как модель с контекстом до 1 млн токенов и обучением с подкреплением на математических задачах, программировании и задачах с инструментами. Модель рассчитана на сложные задачи с длинными входами и развёрнутым рассуждением: решение математических задач, программную инженерию, генерацию и анализ кода, ответы на вопросы по большому контексту и сценарии с вызовом функций. README отмечает результаты на бенчмарках математики, кодирования, агентного использования инструментов и длинного контекста. Модель принимает текст и генерирует текст; интерфейс вызова инструментов поддерживается в структурированном формате. Лицензия — Apache-2.0. Веса в репозитории представлены в формате safetensors. Указанное в метаданных значение контекста расходится с описанием семейства в README, поэтому фактический предел может зависеть от конкретной конфигурации и программного окружения. Заявленные оценки получены на отдельных бенчмарках и не гарантируют качество на произвольных задачах.

Muse Glimmer-30B — мультимодальная причинная языковая модель, разработанная Meta Superintelligence Lab и представленная в квантованном формате professorf для воспроизводимости исследований. Модель предназначена прежде всего для автономных агентных задач на пользовательском оборудовании: многошагового рассуждения, вызова инструментов, написания и отладки кода, выполнения длительных рабочих процессов и восстановления после ошибок. Она рассчитана на локальную работу без облачной инфраструктуры и сетевого доступа и совместима с различными агентными оркестраторами, включая OpenClaw и Hermes Agent. Модель содержит около 29,6 млрд параметров и построена как плотный causal Transformer с выделенным perception encoder примерно на 1,8 млрд параметров для обработки изображений. Поддерживаются входные данные в виде текста и изображений, а на выходе генерируется текст. Архитектура включает 52 слоя, скрытое измерение 6656, механизм GQA, SwiGLU, локальное и глобальное внимание с окном 2048 токенов, контекст длиной 131 072 и более токенов и до 4096 визуальных токенов на изображение. Модель обучалась на данных более чем на 100 языках; дата отсечения знаний — 4 января 2026 года. К сильным сторонам относятся интеграция рассуждения, надёжного использования инструментов, мультимодального анализа, планирования и восстановления после сбоев, а также оптимизация для локального запуска. Квантование примерно до 4 бит позволяет разместить языковую часть менее чем в 20 ГБ и использовать модель в конфигурациях на 24 или 32 ГБ памяти; заявленная деградация качества составляет около 0,2% для варианта на 32 ГБ и 1,0% для варианта на 24 ГБ по среднему результату 15 бенчмарков. Для ускорения генерации предусмотрен speculative decoding с drafter-моделью DFlash. Ограничения включают высокие требования к памяти, зависимость производительности от аппаратной конфигурации и то, что модель поддерживает изображения только на входе. Лицензия — Apache 2.0.

Muse Glimmer-30B — мультимодальная причинная языковая модель, разработанная Meta Superintelligence Lab и представленная в августе 2026 года. Эта версия распространяется в формате GGUF на базе Muse-Glimmer-30B и предназначена для локального запуска автономных агентных систем без облачной инфраструктуры и доступа к сети. Модель рассчитана на выполнение многошаговых задач, использование инструментов и функций, написание и отладку кода, обработку многоходовых запросов и восстановление после ошибок инструментов. Она принимает текст и изображения, включая скриншоты, графики и документы, а генерирует текст. Muse Glimmer совместима с различными агентными сценариями и оркестраторами, поддерживает управляемую интенсивность рассуждений и обучалась на данных более чем 100 языков. Архитектура представляет собой плотный причинный Transformer с выделенным примерно 1,8-миллиардным визуальным ViT-G/14-энкодером; общий объём составляет около 29,6 миллиарда параметров. Модель имеет 52 слоя, скрытую размерность 6656, механизм GQA с соотношением 32/2 голов внимания, SwiGLU, локальные и глобальные схемы внимания, контекст более 131 072 токенов и до 4096 визуальных токенов на изображение. Ключевые сильные стороны — агентное выполнение задач, надёжное применение инструментов, длительное многошаговое рассуждение, мультимодальность и восстановление после сбоев. Ограничения включают высокие требования к памяти и вычислительным ресурсам, несмотря на оптимизацию для потребительского оборудования; ориентиры для квантованных вариантов составляют около 24–32 ГБ памяти, а заявленная деградация качества — примерно 0,2–1,0% в зависимости от варианта квантования. Лицензия — Apache 2.0.

OpenThinkerAgent-32B-SFT-10K — языковая модель семейства Qwen3, разработанная в рамках проекта OpenThoughts-Agent. Это плотная модель с 29,7 млрд параметров, дообученная полным fine-tuning от Qwen/Qwen3-32B на 10 тысячах примеров с траекториями работы агента. Модель предназначена для диалога и генерации кода, а также для выполнения многошаговых задач в агентной среде, включая работу с терминалом и программную инженерию. В карточке приведены результаты оценки в harness terminus-2 на SWE-Bench-Verified-100, OpenThoughts-TBLite и Terminal-Bench 2.0; в этих проверках модель превзошла исходную Qwen3-32B. В метаданных указан контекст 40 960 токенов и формат весов safetensors. Модель принимает и генерирует текст; поддерживаемые языки, кроме кода, отдельно не обозначены. Лицензия — Apache-2.0.

Карточка модели open-thoughts/OpenThinkerAgent-8B-RL на Hugging Face совпадает с карточкой zurichquants/OpenThinkerAgent-8B-RL, поэтому описание составлено по ней. OpenThinkerAgent-8B-RL — модель для программной разработки и агентных задач от проекта OpenThoughts-Agent. Это финальный чекпойнт рецепта SFT→RL: модель Qwen3-8B сначала прошла холодное SFT-обучение, затем дообучалась методом обучения с подкреплением на задачах из OpenThoughts-Agent-RL-5K. В метаданных указаны 7,6 млрд параметров, архитектура Qwen3ForCausalLM и контекстное окно 40 960 токенов; веса опубликованы в формате safetensors, библиотека — Transformers. Модель предназначена для работы в среде terminus-2 как агент, который использует терминал, анализирует его вывод и выполняет задачи программной инженерии. Обучение с подкреплением проводилось на задачах набора pymethods2test-large, где решения проверялись тестами в изолированной среде. Лицензия — Apache-2.0. Модель может ошибаться в рассуждениях и командах, включая команды оболочки. Её обучение было ориентировано на распределение задач pymethods2test/SWE-Smith, поэтому качество на других типах задач может быть неравномерным; проверенные результаты бенчмарков для этого чекпойнта не опубликованы.

Ornith-1.5-35B-A3B — разработанная Ornith AI диалоговая модель семейства Ornith-1.5 с архитектурой Qwen3.5 MoE. В модели около 35 млрд параметров, из которых примерно 3 млрд активируются на каждом токене. Она создана для генерации текста, агентного программирования и выполнения задач с помощью инструментов; README сообщает о результатах на бенчмарках кодирования и агентных задач. Модель принимает текст и выдаёт текст, включая структурированные вызовы инструментов. Поддерживает контекст до 262 144 токенов; README описывает расширение окна примерно до миллиона токенов с помощью YaRN, с возможным небольшим ухудшением качества на обычной длине контекста. Для запуска в bf16 требуется около 70 ГБ памяти модели; в примере обслуживания используются две GPU по 80 ГБ. Репозиторий распространяется по лицензии MIT.

Карточка модели mak11boyz/Ornith-1.5-9B на Hugging Face совпадает с карточкой ornith-ai/Ornith-1.5-9B, поэтому описание составлено по ней. Ornith-1.5-9B — плотная языковая модель примерно на 9 млрд параметров семейства Qwen3.5, разработанная командой Ornith AI. Она развивает Ornith-1.0 за счёт цикла самоулучшения с генерацией обучающих задач, поиском стратегий решения и обучением с подкреплением. Модель предназначена для агентных сценариев, программирования и выполнения многошаговых задач с использованием инструментов; поддерживает диалог и вызовы функций через совместимый с OpenAI API интерфейс. Модель принимает и генерирует текст. Заявленное базовое окно контекста составляет 262 144 токена; с масштабированием YaRN в README описано расширение примерно до миллиона токенов, которое может немного снижать качество на обычных запросах. Версия на 9B рассчитана на эффективное развёртывание, включая обслуживание на одной 80-гигабайтной GPU; веса в bf16 занимают около 19 ГБ. Карточка описывает бенчмарки для программных и агентных задач, но сами численные результаты здесь не приведены. Лицензия — MIT.

Perciqa_Aurora-Code-1-GGUF — это квантизированная версия модели Aurora-Code-1, разработанной Perciqa и преобразованной в формат GGUF пользователем bartowski с использованием llama.cpp. Модель дообучена по инструкциям на наборе данных perciqa/aurora-code-sft-v1 и ориентирована на генерацию кода. Модель предназначена для программирования, агентских сценариев, анализа и ревью кода, отладки и выполнения инструкций, связанных с разработкой программного обеспечения. В описании указана MoE-архитектура, однако точный размер модели, число активных параметров и максимальная длина контекста не приведены. Заявлена поддержка английского, французского и мультиязычного ввода; модальность — текстовая. Основное преимущество представленной версии — доступность в различных вариантах квантизации от BF16 до низкобитных форматов, что позволяет выбирать баланс между качеством, размером файла и требованиями к памяти. Рекомендуемые варианты Q4–Q6 обеспечивают высокое качество при меньшем объёме, но более сильная квантизация может снижать точность ответов. Для запуска подходят llama.cpp, LM Studio, Jan AI, KoboldCpp и другие совместимые инструменты. Модель распространяется по лицензии Apache-2.0.

Карточка модели OzodovSanjar/Qwe-2.5-3b-coder на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-3B, поэтому описание составлено по ней. Qwen2.5-Coder-3B — базовая кодовая языковая модель, разработанная командой Qwen. Это предварительно обученная причинная трансформерная модель семейства Qwen2 с 3,09 млрд параметров, предназначенная для генерации и анализа кода, рассуждений о коде и исправления ошибок. Она также сохраняет общие языковые и математические способности базовой Qwen2.5. Модель обучалась на корпусе из исходного кода, текстово-кодовых данных и синтетических данных. Архитектура использует RoPE, SwiGLU, RMSNorm, смещение в проекциях QKV и связанные эмбеддинги слов; в ней 36 слоёв, 16 голов Q и 2 головы KV. Контекст составляет 32 768 токенов. Модель предназначена для задач продолжения кода и заполнения пропусков в коде; авторы не рекомендуют использовать базовую версию для диалогов без дополнительного постобучения. Для работы с Transformers требуется версия 4.37.0 или новее. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

mlx-community/Qwen2.5-Coder-14B-Instruct-bf16 — конверсия в формат MLX инструкционной модели Qwen2.5-Coder-14B-Instruct, выполненная сообществом mlx-community с помощью mlx-lm версии 0.19.3. Это плотная авторегрессионная модель на 14 млрд параметров для генерации кода и диалоговой работы с запросами о коде; она также поддерживает интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Контекст составляет 32 768 токенов, в метаданных указан английский язык. Модель подходит для написания, анализа и исправления кода в интерактивных сценариях. Репозиторий содержит веса safetensors и предназначен для использования с MLX. Лицензия — Apache-2.0. README описывает конверсию из базовой модели, поэтому её характеристики и возможности основаны на Qwen2.5-Coder-14B-Instruct.

unsloth/Qwen2.5-Coder-1.5B — версия базовой языковой модели Qwen2.5-Coder, подготовленная Unsloth. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, предназначенная прежде всего для генерации, анализа и исправления кода, а также для рассуждений о коде и задач с дополнением кода. В README указаны 28 слоёв, механизм RoPE, SwiGLU, RMSNorm и групповое внимание; модель находится на стадии предобучения и не настроена для диалогов. Модель принимает текст и генерирует продолжение текста. В конфигурации репозитория задано контекстное окно 32 768 токенов; для более длинных текстов README описывает применение YaRN, а предельную длину семейства указывает как 131 072 токена. Модель обучена на коде и текстовых данных и сохраняет общие возможности Qwen2.5, включая математику. Карточка не называет разработчика этой конкретной версии явно; README описывает семейство Qwen2.5-Coder, а репозиторий опубликован в пространстве Unsloth. Лицензия — Apache-2.0. Для диалогового применения рекомендуется последующее дообучение; поддержка длинного контекста требует настройки YaRN, а статическое масштабирование может снизить качество на коротких запросах.

Qwen2.5-Coder-1.5B-Instruct-AWQ — это инструкционно дообученная языковая модель для работы с программным кодом из серии Qwen2.5-Coder, разработанная командой Qwen компании Alibaba Cloud. Она предназначена для генерации, анализа и исправления кода, задач кодового рассуждения, создания приложений и использования в сценариях Code Agents. Модель также сохраняет возможности в математике и общих задачах обработки текста. Модель относится к причинным языковым моделям и поддерживает текстовую модальность. Она содержит 1,54 млрд параметров, из которых 1,31 млрд не являются параметрами эмбеддингов, имеет 28 слоёв и контекст до 32 768 токенов. Архитектура использует transformers, RoPE, SwiGLU, RMSNorm, смещения в Attention QKV, связанные эмбеддинги слов и GQA с 12 головами для Q и 2 для KV. Репозиторий содержит AWQ-квантизированную 4-битную версию; в карточке явно указан английский язык. К сильным сторонам относятся специализация на генерации, рассуждении и исправлении кода, большой контекст и сниженные требования к памяти благодаря 4-битной квантизации. Небольшой размер делает модель удобной для локального развертывания, однако квантизация может влиять на точность, а компактный масштаб модели ограничивает качество по сравнению с более крупными моделями серии. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-1.5B-Instruct-GGUF — инструкционно дообученная языковая модель для работы с программным кодом из серии Qwen2.5-Coder, разработанной командой Qwen. Модель предназначена для генерации, анализа, рассуждений и исправления кода, а также для использования в чат-ботах и кодовых агентах. Она сохраняет базовые способности Qwen2.5 в математике и общих задачах. Модель представляет собой каузальную языковую модель в формате GGUF с архитектурой на базе transformers, RoPE, SwiGLU, RMSNorm, смещениями в QKV-внимании и связанными эмбеддингами слов. Она содержит 1,54 млрд параметров, из которых 1,31 млрд не относятся к эмбеддингам, 28 слоёв и механизм GQA с 12 головами для Q и 2 для KV. Заявленная длина контекста — 32 768 токенов. Поддерживаются варианты квантования q2_K, q3_K_M, q4_0, q4_K_M, q5_0, q5_K_M, q6_K и q8_0. В метаданных указан английский язык; мультимодальность не заявлена. К сильным сторонам относятся специализация на генерации, понимании и исправлении кода, компактный размер и наличие нескольких вариантов квантования для запуска с разными требованиями к памяти. Ограничения включают меньший масштаб по сравнению со старшими моделями серии и отсутствие заявленной поддержки контекста до 131 072 токенов в GGUF-версии; для такого расширения README рекомендует не-GGUF-модели и указывает поддержку YARN для этой задачи в vLLM. Модель распространяется по лицензии Apache-2.0.

TobiasLogic разработал Qwen2.5-Coder-32B-abliterated на основе Qwen/Qwen2.5-Coder-32B-Instruct. Это плотная причинно-языковая модель семейства Qwen2 с 32 млрд параметров для генерации кода и диалогового взаимодействия. В модели статически изменены веса, связанные с направлением отказа; адаптеры и дополнительные операции во время инференса не требуются. Контекст составляет 32 768 токенов. Модель предназначена для локального помощника по программированию и агентных сценариев, включая анализ кода, отладку и задачи, в которых базовая модель может отказывать. В README приведены результаты EvalPlus: для вариантов HumanEval и MBPP показатели близки к базовой модели, однако опубликованные измерения включают квантизированную сборку GGUF Q4_K_M и не гарантируют такие же результаты для этого репозитория. Также заявлено снижение отказов на небольшом тестовом наборе. Модель поддерживает английский язык и принимает текстовые запросы, выдавая текст и код. Удаление отказов может сопровождаться небольшим снижением качества, а часть отказов может сохраняться; метод не добавляет знаний и не устраняет унаследованные смещения. Лицензия — Apache-2.0.

unsloth/Qwen2.5-Coder-3B-Instruct — это инструктивная текстовая модель для генерации и работы с кодом, основанная на Qwen2.5-Coder-3B-Instruct от Qwen и представленная Unsloth. Модель использует плотную архитектуру Qwen2 с причинным языковым моделированием и содержит 3,1 млрд параметров; максимальная длина контекста составляет 32 768 токенов. Модель предназначена для генерации, анализа и исправления кода по текстовым запросам, а также для диалоговых сценариев и работы с инструментами. Она подходит разработчикам для помощи при написании кода и создания кодовых агентов. Карточка README описывает семейство Qwen2.5-Coder, но содержит противоречивые сведения о размере и варианте модели; описание размера и контекста здесь опирается на метаданные репозитория. Репозиторий содержит веса в формате safetensors, библиотека для работы — Transformers. Лицензия Apache-2.0 допускает использование на её условиях. Языковая метка карточки — английский; другие поддерживаемые естественные языки достоверно не установлены.

BenevolenceMessiah/Qwen2.5-Coder-7B-3x-Instruct-TIES-v1.2 — объединённая с помощью mergekit методом TIES языковая модель на архитектуре Qwen2 для генерации текста. В качестве основы использована Qwen/Qwen2.5-Coder-7B; в объединение также вошли BenevolenceMessiah/Qwen2.5-Coder-7B-Chat-Instruct-TIES-v1.2, MadeAgents/Hammer2.0-7b и huihui-ai/Qwen2.5-Coder-7B-Instruct-abliterated. Модель содержит 7,1 млрд параметров, работает с контекстом до 32 768 токенов и доступна в формате safetensors для библиотеки Transformers. Она предназначена для диалоговой генерации текста и задач с программным кодом, включая его генерацию, анализ и исправление; метаданные также отмечают интерфейс для вызова инструментов. Информация о лицензии в предоставленных источниках отсутствует.

Etherll/Qwen2.5-Coder-7B-Instruct-Ties — объединённая инструкционная языковая модель, созданная автором репозитория методом TIES с помощью mergekit. В качестве базовой использована Qwen/Qwen2.5-Coder-7B, а в объединение включена Qwen/Qwen2.5-Coder-7B-Instruct. Модель предназначена для диалоговой генерации текста и помощи с программным кодом: она может генерировать, анализировать и исправлять код, а также отвечать на запросы в формате чата. Архитектура — плотная Qwen2, 7,1 млрд параметров; нативный контекст — 32 768 токенов. Репозиторий содержит веса safetensors, а метаданные указывают библиотеку Transformers и интерфейс для вызова инструментов. Карточка не приводит результаты оценки качества или перечень поддерживаемых языков программирования. Лицензия в предоставленных данных не указана; сведения о ней следует проверить на странице репозитория.