II.4Отладка, тестирование и качество ПО

PII-Tracer — модель Perplexity AI для обнаружения и маскирования персональных данных в разговорных текстах, представленная в рамках PII-TRACE. Она использует двунаправленный энкодер Qwen3 примерно на 600 млн параметров на основе perplexity-ai/pplx-embed-v1-0.6b и две выходные головы: классификатор токенов с BIOES-разметкой для девяти категорий чувствительных данных и классификатор чувствительности разговора. Для разметки токенов применяется ограниченное декодирование Витерби. Модель предназначена для поиска имен, номеров счетов, URL, дат, адресов, адресов электронной почты, телефонов, других персональных данных и секретов в разговорных данных. Максимальная длина последовательности — 4096 токенов. Модель принимает текст и выдаёт разметку токенов и оценку чувствительности разговора. В карточке указаны английский и многоязычный режимы; конкретный перечень поддерживаемых языков не приведён. Для загрузки указаны PyTorch и Transformers версии 5.2 или новее, а для использования требуется trust_remote_code. Лицензия — MIT.

mlx-community/Qwen2.5-Coder-1.5B-bf16 — версия Qwen2.5-Coder-1.5B, преобразованная сообществом mlx-community в формат MLX с помощью mlx-lm 0.18.1. Это плотная авторегрессионная модель семейства Qwen2 для генерации текста и кода; она содержит 1,5 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель подходит для генерации и продолжения кода, а также для диалогового взаимодействия на английском языке. Лицензия — Apache 2.0. Карточка описывает преобразование формата, а метаданные связывают модель с Qwen/Qwen2.5-1.5B; README указывает исходный Qwen/Qwen2.5-Coder-1.5B. Поэтому точную базовую модель для преобразованных весов установить по этим данным нельзя.

snsnc/qwen3.5-4B-super-coder-MLX-4bit — 4-битная версия модели для генерации текста и кода в формате MLX. Модель подготовлена на основе unsloth/Qwen3.5-4B с объединённым LoRA-адаптером jica98/qwen3.5-4B-super-coder; дополнительное обучение не проводилось. Разработчик адаптации — пользователь или организация с идентификатором snsnc, а исходные компоненты предоставлены unsloth и jica98. Модель предназначена прежде всего для задач программирования, включая генерацию исполняемого кода, например реализации асинхронного ограничителя запросов. Она поддерживает текстовый ввод и вывод; сведения о языках программирования и естественных языках, размере контекста и точной архитектуре в README не указаны. Использует архитектуру Qwen3_5ForConditionalGeneration и 4-битное квантование, что должно уменьшать требования к памяти при запуске в MLX, однако может ограничивать качество по сравнению с полноразмерной версией. В шаблоне чата предусмотрен режим рассуждений, который можно отключить. Для запуска используется библиотека mlx-lm и платформа MLX. Модель распространяется по лицензии Apache-2.0. README не содержит данных о результатах тестирования, качестве на конкретных наборах, аппаратных требованиях или ограничениях применения, поэтому её эффективность для отдельных задач следует проверять отдельно.

Yepengz/Qwen3.8-27B-TWIN-TURBO-Fable-Cold-Fusion-709-ULTRA-HERETIC-Uncensored-NM-DAU-NEO-MTP-GGUF — это многэтапная fine-tune- и merge-модель на базе Qwen3.8-27B-TWIN-TURBO-Fable-Cold-Fusion-709-ULTRA-HERETIC-Uncensored, связанная с разработчиком DavidAU и созданная с использованием Unsloth. Модель ориентирована на английский и китайский языки и распространяется в форматах GGUF, включая обычные и MTP-квантизации, с вариантами, рассчитанными на запуск на пользовательском оборудовании. Модель предназначена для широкого спектра задач: рассуждений и решения проблем, программирования, творческого письма, художественной прозы, ролевых сценариев и других диалоговых применений. В README заявлены пять режимов reasoning и пять instruct-режимов, включая режимы Spoon и Einstein, возможность переключения режимов через API или на уровне сообщения, а также отсутствие reasoning-токенов в instruct-режимах. Основной акцент сделан на сокращении объёма рассуждений и ускорении генерации при сохранении подробности ответов. Ключевые характеристики включают размер 27B параметров, поддержку GGUF-квантизаций, варианты с разрядностью 4 и 8 бит и заявленную повышенную устойчивость к чрезмерному «обдумыванию». Модель позиционируется как сильно uncensored и может быть полезна для сценариев, где требуется меньше ограничений на содержание, однако это одновременно повышает риски нежелательных, небезопасных или неприемлемых ответов. Заявления о превосходстве над другими моделями и результатах бенчмарков приведены в README без подробных методик проверки. Размер контекста и точный перечень поддерживаемых модальностей в предоставленных данных не указаны. Лицензия — Apache-2.0. Для использования следует учитывать особенности конкретной GGUF-квантизации, требования к памяти и отсутствие заявленных ограничений на содержание.

xactobear/qwen38-xactobear-gguf — это набор GGUF-квантизаций мульт этапной дообученной модели на базе Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU, разработанной DavidAU. Репозиторий содержит обычные и MTP-варианты квантов Neo-CODER MAX DI-MATRIX, включая версии с точностью 4 и 8 бит. В README также указано использование Unsloth, методов COLD FUSION и Fable Fusion 711, направленных на повышение качества рассуждений, сокращение объёма thinking-токенов и ускорение генерации. Заявлены поддерживаемые языки English и Chinese; размер контекстного окна и точные параметры архитектуры не указаны. Модель предназначена для широкого круга сценариев: решения задач и рассуждений, программирования, творческого письма, создания художественных текстов и ролевого взаимодействия. По заявлению автора, она ориентирована на генерацию подробных ответов при меньшем количестве токенов рассуждений по сравнению с базовой моделью и рассчитана на запуск на потребительском оборудовании. README приводит высокие результаты на ARC-C и ARC-E, однако эти показатели представлены самим автором и не сопровождаются полной методикой независимой проверки. К ограничениям относятся отсутствие подробной информации о размере контекстного окна, поддерживаемых модальностях, системных требованиях, формате MTP-режима и результатах независимого тестирования. В описании также используется характеристика uncensored, поэтому поведение модели в отношении нежелательного или чувствительного контента может отличаться от стандартных моделей. Репозиторий распространяется по лицензии Apache-2.0.

Uraion-Agent-Small — компактная языковая модель компании Uraion Labs, дообученная на базе Qwen/Qwen3.5-2B. Она предназначена прежде всего для агентных сценариев, вызова инструментов и функций, многошагового взаимодействия с API и построения локальных циклов автоматизации. Модель обучалась методом QLoRA на наборах данных для function calling и instruction following, включая NousResearch/hermes-function-calling-v1, Salesforce/APIGen-MT-5k и mlabonne/FineTome-100k. Модель содержит около 1,9 млрд параметров, из которых при обучении через LoRA использовалось 21,8 млн обучаемых параметров. Она основана на гибридной архитектуре Qwen3.5: 24 слоя включают 18 слоёв Gated DeltaNet с линейным вниманием и 6 слоёв полного внимания. Нативная длина контекста составляет 262 144 токена. Доступны веса в формате GGUF и Transformers NF4; заявлены 4-битное NF4-квантование и поддержка английского языка. Для структурированных вызовов инструментов используется парсер qwen3_coder. Сильными сторонами модели являются небольшой размер, возможность локального развертывания и специализация на структурированном tool calling, что делает её подходящей для локальных агентов, API-композиции и запуска на потребительском оборудовании. При этом GGUF-файлы в репозитории имеют известную проблему с формами некоторых тензоров и могут не загружаться в llama.cpp без дополнительной конвертации. Для архитектуры qwen35 требуется свежая версия llama.cpp, а NF4-веса медленно работают на CPU, поэтому для них предпочтительно GPU-развертывание. Модель распространяется по лицензии Apache 2.0, унаследованной от Qwen3.5.

facebook/wav2vec2-large-xlsr-53-italian — модель распознавания итальянской речи, опубликованная Facebook. Она основана на архитектуре Wav2Vec2 с выходной головой CTC и примерно 402,7 млн параметров. Модель предназначена для преобразования аудиозаписей на итальянском языке в текст; в карточке приведена оценка на тестовой части Common Voice для итальянского языка — 22,1%. Репозиторий содержит веса PyTorch и Flax. Модель подходит для расшифровки записей и оценки систем распознавания итальянской речи. Лицензия — Apache-2.0. Результат оценки приведён без пояснения метрики, поэтому по карточке нельзя определить, означает ли 22,1% ошибку или другую величину качества.

Jonatas Grosman подготовил модель распознавания испанской речи, дообучив facebook/wav2vec2-xls-r-1b на обучающих и проверочных выборках Common Voice 8.0, MediaSpeech, Multilingual TEDx, Multilingual LibriSpeech и VoxPopuli. Это плотная модель Wav2Vec2ForCTC на 1,3 млрд параметров для автоматического преобразования речи в текст; она принимает аудио, записанное с частотой дискретизации 16 кГц, и предназначена для испанского языка. Модель подойдёт для транскрибации испанской речи в аудиозаписях и оценки систем распознавания речи. Для работы нужны веса PyTorch; модель распространяется по лицензии Apache-2.0. Карточка не приводит численных результатов оценки качества.

MaziyarPanahi/Yi-Coder-9B-Chat-GGUF — это набор файлов модели в формате GGUF для Yi-Coder-9B-Chat, разработанной 01-ai и квантизированной MaziyarPanahi. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через совместимые приложения и библиотеки. Модель основана на Yi-Coder-9B-Chat и содержит 9 миллиардов параметров; доступны варианты квантования с разрядностью от 2 до 8 бит. README не указывает поддерживаемые языки, размер контекста, точную архитектуру и дополнительные модальности, поэтому эти характеристики нельзя достоверно описать. Формат GGUF поддерживается llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другими инструментами, что облегчает запуск на локальных системах и использование GPU-ускорения. К сильным сторонам относятся широкий выбор уровней квантования, возможность локального развертывания и совместимость с несколькими клиентами и серверными решениями. Ограничения связаны с тем, что качество и требования к ресурсам зависят от выбранного варианта квантования и использующего ПО; конкретные показатели производительности в README не приведены. Лицензия модели в предоставленных данных не указана.

YModel2-s0 — компактная плотная языковая модель, разработанная SnifferCaptain для диалогов и генерации текста. Она предназначена для ответов на вопросы, рассуждений, решения математических задач, написания кода и обычных знаний; в примерах также показаны суммаризация и создание связного текста. Модель поддерживает китайский и английский языки, имеет контекст 4096 токенов и содержит 99,3 млн параметров. В архитектуре используются PEGA2 и блоки FFN с GeGLU; автор сообщает о примерно трёхкратном ускорении относительно PEGA. Модель прошла предобучение и дообучение на наборах данных для кода, математики и диалогов. Приведённые результаты CEval и CMMLU обозначены автором как ориентировочные; примеры демонстрируют отдельные фактические ошибки и сбои в коде, поэтому ответы требуют проверки. Лицензия — MIT.

dan-omni-3b-q3s — квантизированная версия модели dan-omni-3b, созданная с применением Q3_K_S для ускорения вывода и снижения требований к памяти. В README указаны дообучение LoRA на инструкционных данных для мобильных устройств и базовая модель Qwen2.5-3B; репозиторий содержит формат GGUF. Модель предназначена для генерации ответов в диалогах и выполнения общих инструкций на устройствах с ограниченной памятью. Она подходит для вопросов, письма, математики, программирования, перевода и творческих задач; заявленная длина контекста — 4096 токенов. Модель принимает и выдаёт текст, мультимодальные возможности отсутствуют. По сравнению с вариантом Q4_K_M README заявляет меньший размер и более быстрый вывод при небольшом снижении качества. Квантизация может ухудшать результаты на сложных задачах рассуждения. Лицензия репозитория — Apache-2.0.

DavidAU разработал эту экспериментальную версию Gemma 4 31B IT, дообученную с помощью Unsloth на закрытых авторских наборах данных. Модель рассчитана на диалоговую генерацию текста, включая творческое письмо, рассказывание историй, ролевые сценарии, программирование и ответы в режиме рассуждения; карточка также содержит пример генерации художественной сцены. По данным README, шаблон чата включает режим thinking по умолчанию, а для обычного instruct-режима предлагается отдельный шаблон. Базовая Gemma 4 31B IT поддерживает текст и изображения, а каталог относит эту модель к мультимодальному семейству Gemma 4 с возможностью анализа изображений. Для базовой модели README сообщает контекст до 256 тысяч токенов; метаданные указывают формат safetensors и библиотеку Transformers. Автор описывает результаты внутренних бенчмарков как сильные, но оценивание продолжается и возможны дальнейшие перенастройка и обновления. README отмечает возможные сбои форматирования тегов в блоке рассуждений и зависимость отображения этого режима от приложения. Модель выпущена по лицензии Apache-2.0.

Instruct-codegen-16B — модель генерации кода, разработанная на основе Salesforce CodeGen-16B-multi и дообученная на 250 тысячах примеров с инструкциями в формате Alpaca. Она предназначена для генерации кода по текстовым запросам и выполнения инструкций, связанных с программированием. Модель использует архитектуру CodeGenForCausalLM; размер — 16 млрд параметров, контекст — до 2048 токенов. В README указан результат 37,1% pass@1 на бенчмарке HumanEval. Модель принимает текстовые инструкции и выдаёт текст, в том числе код. Данные для дообучения, согласно карточке, не генерировались коммерческими LLM API. Репозиторий содержит веса PyTorch и распространяется по лицензии BSD-3-Clause. Языки программирования и показатели качества на других задачах в карточке не перечислены.

InternLM2-1.8B — базовая плотная авторегрессионная языковая модель второго поколения семейства InternLM, разработанная командой InternLM. Она содержит около 1,7 млрд параметров и предназначена для генерации текста и последующей адаптации под прикладные задачи. В README также описаны отдельные варианты Chat и Chat-SFT, однако этот репозиторий содержит базовую модель. Модель подходит для продолжения текста, а также для экспериментов с рассуждениями, математикой, кодом и обработкой длинных текстов. Метаданные указывают контекст до 32 768 токенов; в карточке семейства InternLM2 заявлена работа с длинными входами до 200 000 символов. Эти сведения относятся к разным формулировкам длины контекста и не гарантируют одинакового качества на любом длинном тексте. Модель принимает и генерирует текст; в карточке приведены оценки на MMLU, AGIEval и BBH. Лицензия репозитория указана как other: код распространяется по Apache-2.0, веса открыты для академических исследований, а для коммерческого использования требуется запросить бесплатное разрешение. Возможны предвзятые или иные нежелательные ответы; характеристики чата и следования инструкциям, отмеченные в README, относятся прежде всего к отдельным Chat-вариантам.

MiniCPM-2B-SFT-bf16 — текстовая генеративная модель из семейства MiniCPM, разработанного ModelBest и лабораторией обработки естественного языка Университета Цинхуа. Это версия MiniCPM-2B, дообученная с учителем (SFT) и сохранённая в формате PyTorch с точностью bf16; в метаданных указано 2,7 млрд параметров, а README описывает базовый MiniCPM-2B как модель с 2,4 млрд параметров без учёта эмбеддингов. Модель предназначена для диалогов и генерации текста, в том числе на китайском и английском языках. Контекст составляет 4096 токенов. README сообщает о сильных результатах семейства MiniCPM на общих тестах, включая китайский язык, математику и программирование, и о возможности запускать модели семейства на мобильных устройствах после отдельной квантизации. Эти результаты не следует автоматически переносить на конкретную SFT-сборку bf16. Разработчики разрешают академическое исследование и ограниченное коммерческое использование; точные условия лицензии в предоставленных данных не приведены.

OpenSonnet-Lite — компактная языковая модель с открытыми весами, разработанная сообществом Open Source и дообученная на основе Qwen/Qwen3-4B-Thinking-2507. Это плотная причинная модель семейства Qwen3 с 3,7 млрд параметров по метаданным. Она предназначена для генерации текста и пошаговых рассуждений; исправленный шаблон чата поддерживает связное рассуждение в многоходовых диалогах. В README заявлена близкая к Claude Sonnet 4.6 производительность на задачах рассуждения, однако независимые результаты оценки не приведены. Модель рассчитана на повседневное использование, в том числе на ограниченных ресурсах; для демонстрационного запуска автор указывает две GPU T4. В README приведены рекомендации по длине генерации от нескольких тысяч до 131 072 токенов, а метаданные указывают нативный контекст 262 144 токена. Обучение включало около 140 тысяч отфильтрованных примеров из наборов данных с рассуждениями разных моделей. Модель принимает текст и генерирует текст; конкретный перечень поддерживаемых естественных языков не установлен. Модель может галлюцинировать, особенно на узких темах и при работе с актуальными фактами. README также предупреждает о возможном наследовании предвзятости источников данных и отсутствии встроенного фильтра безопасности или специального аудита. Лицензия — Apache-2.0.

q31p7bsftshuffled — готовая к инференсу модель для генерации кода, созданная дообучением Qwen/Qwen3-1.7B-Base. Это плотная причинная языковая модель семейства Qwen3 с 1,7 млрд параметров; обучение с supervised fine-tuning на кодовых данных завершено на шаге оптимизатора 102. Данные обучения перемешаны, стратегия replay не использовалась. Модель предназначена для генерации кода и диалогового взаимодействия с кодовыми запросами. Она принимает текст и выдаёт текст; контекстное окно — до 32 768 токенов. В карточке указана библиотека Transformers и формат весов safetensors. Базовая модель поддерживает генерацию текста; отдельные языки программирования в карточке не перечислены. Это ранний чекпойнт обучения, поэтому качество и устойчивость модели могут быть ограничены, особенно за пределами кодовых запросов. Условия лицензирования в предоставленных данных не указаны.

Andycurrent/Qwen3.5-4B-Uncensored-HauhauCS-Aggressive — модифицированная версия языковой модели Qwen3.5-4B, созданная HauhauCS на базе модели Alibaba Qwen Team. Это авторегрессионная Transformer-модель примерно на 4 млрд параметров, предназначенная для локального запуска, диалоговых приложений, генерации текста, программирования, рассуждений, prompt engineering и исследований механизмов выравнивания и отказов моделей. Указана поддержка английского языка. Модель ориентирована на работу без внешних API и может применяться в автономных и приватных средах. Главная особенность варианта Aggressive — снижение или устранение safety-ориентированных отказов и минимизация отказов в ответах, благодаря чему модель более охотно обрабатывает широкий спектр запросов. При этом заявлено сохранение основных возможностей базовой Qwen3.5-4B в области диалогов, рассуждений, кодинга и общих знаний. Для общения рекомендуется ChatML-подобный шаблон; заявлена совместимость с Transformers, llama.cpp, KoboldCpp, Ollama и vLLM, а GGUF-квантизации подходят для эффективного запуска, включая CPU-инференс. Ограничением является отсутствие или ослабление защитных механизмов: модель может генерировать небезопасный, нежелательный или потенциально вредный контент, поэтому ответственность за фильтрацию и сценарии применения лежит на пользователе. В README также не указаны размер контекстного окна, точный набор поддерживаемых языков, результаты бенчмарков и конкретный метод модификации. Для модели указана лицензия Apache-2.0.

Qwen3.8-Flash-Next-ROCmFP4-STRIX_LEAN-GGUF — квантованная GGUF-версия модели Qwen3.8-Flash-Next, разработанная пользователем kingjones777 на базе модели Qwen/Qwen3.8-Flash-Next. Модель предназначена для генерации текста и запуска через llama.cpp-подобные среды, прежде всего на интегрированной графике AMD Ryzen AI Max+ 395 «Strix Halo» с архитектурой gfx1151 и общей памятью CPU/GPU. Указана поддержка длинного контекста; в README приведена проверка работы speculative decoding на диапазоне от 2K до 128K токенов. Точная длина контекста, число параметров и языковой охват не указаны. Модель использует архитектуру qwen4exp и типы тензоров ROCmFP4, поэтому стандартная сборка llama.cpp не подходит: требуется форк ROCmFPX с поддержкой обеих технологий и специальные патчи. Доступен режим speculative decoding через MTP-голову; на совместимой конфигурации он показал ускорение до 34% для задач рассуждения и до 11% для кода, однако на длинных документах и некоторых режимах может не давать ускорения или замедлять работу. Производительность и доступность модели существенно зависят от AMD Strix Halo, ROCm и объёма общей памяти. Модель ориентирована на сценарии локального текстового инференса, включая рассуждение, генерацию JSON, программирование и суммаризацию документов. Её сильная сторона — возможность запуска крупной модели в общей памяти интегрированного GPU; ограничениями являются специализированные требования к программному обеспечению и аппаратной платформе, а также отсутствие универсальной поддержки в стандартных рантаймах. Лицензия указана как qwen-community-1.0; модель связана с базовой моделью отношением quantized.

Qwen3-VL-8B-Instruct-Unredacted-MAX — мультимодальная модель на 8 млрд параметров от prithivMLmods, дообученная на Qwen/Qwen3-VL-8B-Instruct. Это плотная vision-language-модель Qwen3-VL для диалога и задач, где нужно совместно анализировать изображения и текст; она поддерживает переменное разрешение изображений и выдаёт текстовые ответы, подписи и структурированные описания. Модель подходит для генерации подписей к изображениям, подготовки наборов данных, визуального рассуждения, тестирования устойчивости VLM и прототипирования систем с анализом изображений. В карточке отмечены улучшения упаковки, стабильности инференса и совместимости с современными версиями Transformers. Качество зависит от чёткости изображения, формулировки запроса и параметров генерации; на сложных сценах рассуждения могут быть неполными или непоследовательными, а качество меняется в зависимости от предметной области. Для инференса может потребоваться от умеренного до большого объёма VRAM, особенно при высоком разрешении. Лицензия — Apache-2.0.

Qwythos-9B-Claude-Mythos-5-1M-uncensored-heretic-GGUF — набор GGUF-квантизаций модели llmfan46/Qwythos-9B-Claude-Mythos-5-1M-uncensored-heretic, разработанный независимым автором LLMfan46 на основе Qwythos-9B-Claude-Mythos-5-1M от empero-ai. Модель предназначена для генерации текста на английском языке, рассуждений, агентских сценариев, function calling и использования инструментов, а также задач в области кибербезопасности и биомедицины. В карточке заявлены архитектура семейства Qwen3.5, размер 9B параметров и контекст до 1 миллиона токенов. Модель представляет собой decensored-версию исходной модели: к её весам применён Heretic v1.2.0 с вариантом метода Magnitude-Preserving Orthogonal Ablation (MPOA), затрагивающим отдельные компоненты attention и MLP. По данным автора, доля отказов снизилась с 73 до 11 случаев из 100 при KL-дивергенции 0,0123 относительно оригинала. Это может быть преимуществом для исследовательских и агентских сценариев, требующих меньшего числа отказов, но одновременно означает ослабление встроенных ограничений безопасности. В README приведены результаты MMLU только для исходной модели: точность 77,03%, поэтому они не подтверждают идентичную производительность данной версии. Также не указаны конкретный формат шаблона запросов, требования к памяти для разных квантизаций и фактические ограничения длинного контекста. Модель распространяется по лицензии Apache-2.0.

Thespis-CurtainCall-7b-v0.2.2 — языковая модель на архитектуре Mistral, выпущенная автором cgato для тестирования. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель дообучена на наборах данных для диалогов, следования инструкциям, вопросов и ответов, программирования, токсичных запросов, физического рассуждения и теории разума. Она предназначена для генерации текста в чат-сценариях; README описывает шаблон диалога с ролями пользователя и бота, совместимый с Ooba и SillyTavern. Модель представлена в формате PyTorch и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Автор выпустил эту версию для тестирования и рассматривает масштабирование при положительных отзывах; конкретные оценки качества и ограничения в карточке не приведены.

Модель jonatasgrosman/wav2vec2-large-xlsr-53-italian — версия wav2vec 2.0 XLSR-53, дообученная Jonatas Grosman для распознавания итальянской речи. Она принимает аудио и преобразует его в текст; модель обучалась на обучающей и валидационной выборках Common Voice 6.1 и предназначена для автоматического распознавания речи на итальянском языке. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. Для входной речи требуется частота дискретизации 16 кГц; распознавание возможно без отдельной языковой модели. Репозиторий содержит веса PyTorch и Flax. Модель подходит для транскрибирования записей и оценки систем распознавания итальянской речи. Качество зависит от акустических условий и соответствия речи обучающим данным; README приводит наборы для оценки, но не сообщает численных результатов. Лицензия — Apache-2.0.

Youtu-VL-4B-Instruct — компактная зрительно-языковая модель Tencent Youtu Lab с плотной архитектурой на 4,8 млрд параметров, построенная на Youtu-LLM. Модель принимает изображения и текст и формирует текстовые ответы; контекст составляет до 32 768 токенов. В основе обучения лежит подход Vision-Language Unified Autoregressive Supervision (VLUAS), который использует общий мультимодальный словарь и обучает модель предсказывать визуальные и текстовые токены. Модель предназначена для вопросов и рассуждений по изображениям, распознавания текста на изображениях, анализа нескольких изображений, а также задач компьютерного зрения: обнаружения и подсчёта объектов, визуальной привязки, сегментации, оценки глубины и распознавания поз. Она также заявлена для мультимодальной математики и задач с графическим интерфейсом. Карточка отмечает конкурентные результаты на тестах, но не приводит здесь численных оценок. Модель доступна в формате safetensors и использует библиотеку Transformers. Лицензия указана как other; конкретные условия следует проверять в лицензии репозитория.

all-MiniLM-L6-v2-code-search-512 — компактная модель Sentence Transformers, дообученная для семантического поиска по коду. Она преобразует текстовые запросы на естественном языке и фрагменты исходного кода в векторы общего пространства, чтобы находить подходящие участки кода, сопоставлять код с документацией и сравнивать фрагменты. Модель разработана автором репозитория isuruwijesiri на основе sentence-transformers/all-MiniLM-L6-v2 и обучена на парах кода и документации из CodeSearchNet. Это плотный энкодер архитектуры BERT с 25,9 млн параметров по метаданным. Максимальная длина входа — 512 токенов; поддерживаются запросы на естественном языке и код на Python, Java, JavaScript, PHP, Ruby, Go и других языках из CodeSearchNet. В README для валидационной выборки CodeSearchNet заявлены Accuracy@1 90,3% и MRR@10 0,9259. Модель подходит для поиска кода, поиска по документации, сопоставления запросов и фрагментов кода, а также кластеризации по сходству. Она предназначена для получения эмбеддингов и оценки семантического сходства, а не для генерации или автодополнения кода; входы длиннее 512 токенов обрезаются, а качество может различаться между языками программирования. Лицензия — Apache-2.0.

Карточка модели Smilesjs/chemsmart-qwen2.5-coder-3b-instruct-v13 на Hugging Face совпадает с карточкой Smilesjs/chemsmart-qwen2.5-coder-3b-instruct-v7, поэтому описание составлено по ней. Smilesjs/chemsmart-qwen2.5-coder-3b-instruct-v7 — дообученная Smilesjs модель семейства Qwen2 для генерации текста. Она основана на unsloth/Qwen2.5-Coder-3B-Instruct-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL. Модель содержит 3,1 млрд параметров, имеет контекст до 32 768 токенов и рассчитана на текстовые диалоги; в метаданных указана поддержка английского языка. Модель можно применять для генерации ответов и кода в интерактивных сценариях. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает специальную химическую настройку, качество на задачах или результаты оценки, поэтому название репозитория само по себе не подтверждает пригодность для химических сценариев.

CodeGen2 — авторегрессионная языковая модель Salesforce для синтеза программного кода. Эта версия содержит 3,7 млрд параметров, построена на плотной архитектуре CodeGenForCausalLM и работает с контекстом до 2048 токенов. Модель принимает текстовые подсказки на естественном языке и фрагменты кода, продолжает код и умеет заполнять пропуски внутри него. Модель обучена на очищенном наборе Stack v1.1 и рассчитана на генерацию исполняемого кода по подсказкам на английском языке, а также на дополнение существующих фрагментов. В карточке перечислены C, C++, C#, Dart, Go, Java, JavaScript, Kotlin, Lua, PHP, Python, Ruby, Rust, Scala, Shell, SQL, Swift, TypeScript и Vue. Веса доступны в формате PyTorch; лицензия — Apache 2.0. Результаты генерации следует проверять: модель может выдавать ошибочный или небезопасный код, а авторы рекомендуют оценивать точность и риски перед внедрением. Карточка указывает исследовательское назначение выпуска; это само по себе не означает, что чекпойнт является промежуточным исследовательским экспериментом.

CodeGen2.5-7B-instruct — авторегрессионная языковая модель для генерации программного кода, разработанная Salesforce. Модель содержит 6,7 млрд параметров, построена на плотной архитектуре Llama и обучена на инструкционных данных после CodeGen2.5-7B-mono; контекст — 2048 токенов. Предобучение семейства включало 1,4 трлн токенов StarCoderData. Модель предназначена для создания исполняемого кода по запросам на английском языке, автодополнения фрагментов программ и заполнения пропусков в коде. Она поддерживает несколько языков программирования и формат infilling. Репозиторий содержит веса PyTorch; карточка указывает исследовательское применение. Лицензия в метаданных обозначена как other, поэтому условия использования следует проверять для конкретной версии модели. Модель может воспроизводить фрагменты исходного кода из обучающих данных; лицензия такого кода может требовать указания авторства или соблюдения других условий. Качество, безопасность и корректность результатов не оценены для всех сценариев использования, поэтому сгенерированный код требует проверки.

CodeGen2.5-7B-mono — авторегрессионная модель для генерации программного кода, разработанная Salesforce. Она обучена на корпусе StarCoderData объёмом 1,4 трлн токенов, а затем дополнительно обучена на данных Python. Модель содержит 6,7 млрд параметров, использует архитектуру Llama и имеет контекст 2048 токенов. Модель предназначена для генерации исполняемого кода по подсказкам на естественном языке, автодополнения частично написанного кода и заполнения пропусков внутри фрагмента. Поддерживает несколько языков программирования; карточка особо указывает дополнительное обучение на Python. Для генерации по описанию README рекомендует формулировать подсказки на английском в виде комментария. Модель может воспроизводить фрагменты исходного кода из обучающих данных, поэтому перед использованием сгенерированного кода следует проверять его происхождение и применимые условия лицензии. Указана лицензия Apache-2.0; разработчики также рекомендуют проверять точность, безопасность и соответствие предполагаемому сценарию применения.

daVinci-LLM-3B — базовая языковая модель с примерно 3,1 млрд параметров, представленная исследовательской группой GAIR-NLP в проекте daVinci-LLM. Это плотный decoder-only Transformer семейства Qwen2, обученный в два этапа примерно на 8 трлн токенов: сначала на широком веб-корпусе, затем на структурированных вопросах и данных для рассуждений. Репозиторий содержит веса в формате safetensors; метаданные указывают контекст до 32 768 токенов. Модель предназначена для исследований предобучения, изучения качества данных и динамики обучения, а также для генерации текста, кода и ответов с математическими и научными рассуждениями. В README приведены результаты оценки на 19 бенчмарках и описаны более 200 абляционных экспериментов. Модель является базовой, не настроена на выполнение инструкций и не прошла выравнивание по безопасности, поэтому перед прикладным использованием необходимы дополнительная оценка и настройка. Лицензия — Apache-2.0.