II.4Отладка, тестирование и качество ПО

DavidAU/Qwen3-42B-A3B-2507-Thinking-Abliterated-uncensored-TOTAL-RECALL-v2-Medium-MASTER-CODER — текстовая генеративная модель для программирования, рассуждений, диалога и творческих задач. Она основана на дообученной модели huihui-ai/Huihui-Qwen3-30B-A3B-Thinking-2507-abliterated и включает адаптер Brainstorm 20x; в README заявлена архитектура MoE с 42 млрд параметров, 67 слоями и 8 активируемыми экспертами. Метаданные относят её к семейству Qwen3 MoE, указывают 3,5 млрд параметров и контекст до 262 144 токенов. Модель предназначена прежде всего для генерации и анализа кода на популярных и менее распространённых языках программирования, а также для диалогов, задач на рассуждение и творческого письма. README характеризует её как abliterated и uncensored: модель реже отказывает в запросах на откровенный контент, но для желаемого уровня подробности может потребоваться явное направление в промпте. Указаны английский, французский, китайский и немецкий языки; README также заявляет широкий охват языков программирования. Репозиторий содержит веса Safetensors для использования с Transformers и последующей конвертации. Лицензия — Apache-2.0.

Lego-X разработала эту модель на базе Qwen3.5-35B-A3B, дообучив её методом онлайн-обучения с подкреплением в неизменённой среде OpenCode. Модель предназначена для агентного решения задач в репозиториях: она получает описание проблемы и доступ к инструментам для работы с файлами и командной строкой, а корректность результата оценивается тестами проекта. В сравнении SWE-bench Verified авторы сообщают о росте результата с 57,2 до 66,6 процента. Это разреженная MoE-модель семейства Qwen3.5: в базовой конфигурации 35 млрд параметров, из которых активны 3 млрд; README указывает 256 экспертов и 8 активных. Она обучалась с контекстом 200K и выпущена на шаге обучения 50. Для запуска авторы описывают Transformers-веса в формате safetensors и рекомендуют vLLM с парсером вызовов инструментов qwen3_coder; метаданные указывают лицензию Apache-2.0. Основной сценарий — преимущественно Python-задачи по исправлению проблем в репозиториях. Модель оптимизирована для OpenCode, а короткий лимит ходов или другой парсер инструментов могут ухудшить работу; запуск следует изолировать, поскольку агент выполняет команды и изменяет файлы.

Akahsizrr выпустил объединённый чекпойнт Qwen3.8-27B, дообученный для программирования, рассуждений и вызова инструментов. Веса базовой модели Qwen/Qwen3.8-27B объединены с тремя LoRA-адаптерами; модель плотная, содержит 22,3 млрд параметров и распространяется в формате safetensors для Transformers. Для запуска в README приведён пример с vLLM в формате bfloat16. Модель предназначена для генерации кода и решения задач программирования в диалоге, в том числе с использованием инструментов. В README приведён результат 75,4% на LiveCodeBench v6 для полного стека адаптеров и 76,0% для варианта с двумя адаптерами; эти показатели относятся к описанному тестовому запуску. Контекстная длина по метаданным — 262 144 токена. Лицензия — Apache-2.0.

Qwen-Servitor — компактная модель wxsys для автоматизированного анализа изменений в коде и проверки безопасности. Она основана на Qwen/Qwen3.5-0.8B-Base и дообучена для классификации диффов при проверке pull request, запуске pre-commit-проверок и первичной сортировке результатов статического анализа. Архитектура использует 18 слоёв Gated DeltaNet и 6 слоёв полного внимания; генеративная голова удалена, а скрытые состояния поступают в классификатор, формирующий вердикт, оценку риска и метки уязвимостей. Модель предназначена для разделения изменений на APPROVE, QUARANTINE и REJECT, выявления проблем вроде небезопасных SQL-запросов и восстановления путей эксплуатации с результатами в формате SARIF 2.1.0. README также описывает генерацию и автоматическую проверку исправляющих патчей, но метаданные подтверждают только задачу text-classification. Заявлены поддержка анализа кода на Python, Go и TypeScript, работа с небольшими ресурсами и варианты файлов GGUF и safetensors; лицензия — Apache-2.0.

Qwopus3.5-4B-Coder-Fable5-v1-GGUF — GGUF-версия компактной модели для программирования, разработанная shuhulx на основе Qwopus3.5-4B-Coder от Jackrong и дообученная на наборе Glint-Research/Fable-5-traces. Модель предназначена для локальных coding-agent сценариев: работы с репозиториями, использования инструментов, вызова функций, анализа ошибок, отладки, планирования изменений и проверки исправлений. Она ориентирована на интеграции с llama.cpp, LM Studio и другими локальными средами инференса. Модель основана на семействе Qwen3.5, имеет около 4 млрд параметров и поддерживает генерацию текста на английском языке. Обучение на агентских трассировках охватывает последовательности с Bash, чтением, записью и редактированием файлов, исследованием репозиториев, тестированием и debugging loops, а также reasoning-трассами в формате <think>. Доступны квантизованные варианты GGUF, включая Q4_K_M для сбалансированной скорости и качества, Q5_K_M для более высокого качества и Q8_0 при наличии; заявлены также multimodal projector-файлы для совместимых сред, однако конкретные мультимодальные возможности модели не описаны. Сильные стороны модели — небольшой размер, локальное развертывание, ориентация на tool use, агентское программирование и отладку. Ограничения включают компактный масштаб, английскую языковую специализацию и зависимость качества от выбранной квантизации и совместимости runtime. Модель распространяется по лицензии Apache-2.0.

Карточка модели Gen-Verse/ReasonFlux-Coder-14B на Hugging Face совпадает с карточкой Gen-Verse/ReasonFlux-Coder-7B, поэтому описание составлено по ней. ReasonFlux-Coder-7B — языковая модель для генерации кода, представленная разработчиками семейства ReasonFlux-Coders. В README указано, что модели семейства обучены с помощью алгоритма CURE, который совместно развивает способности к написанию кода и генерации модульных тестов; отдельные численные результаты для версии 7B не приведены. Модель предназначена для генерации кода и тестов, а также для использования в агентных сценариях программирования и подходах с масштабированием вычислений на этапе вывода. Это плотная причинная модель архитектуры Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов. Метаданные указывают на поддержку чата и интерфейса вызова инструментов. Репозиторий содержит веса Safetensors. Лицензия MIT. README не сообщает об ограничениях качества или поддерживаемых естественных языках; заявленное сравнение с другими моделями относится к семейству в целом и не позволяет установить результаты именно версии 7B.

Карточка модели Gen-Verse/ReasonFlux-Coder-4B на Hugging Face совпадает с карточкой Gen-Verse/ReasonFlux-Coder-7B, поэтому описание составлено по ней. ReasonFlux-Coder-7B — языковая модель для генерации кода, представленная разработчиками семейства ReasonFlux-Coders. В README указано, что модели семейства обучены с помощью алгоритма CURE, который совместно развивает способности к написанию кода и генерации модульных тестов; отдельные численные результаты для версии 7B не приведены. Модель предназначена для генерации кода и тестов, а также для использования в агентных сценариях программирования и подходах с масштабированием вычислений на этапе вывода. Это плотная причинная модель архитектуры Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов. Метаданные указывают на поддержку чата и интерфейса вызова инструментов. Репозиторий содержит веса Safetensors. Лицензия MIT. README не сообщает об ограничениях качества или поддерживаемых естественных языках; заявленное сравнение с другими моделями относится к семейству в целом и не позволяет установить результаты именно версии 7B.

Rnj-1 — открытая плотная языковая модель примерно на 8,3 млрд параметров, обученная с нуля командой Essential AI. Она предназначена прежде всего для генерации и понимания кода, задач STEM и диалогового использования с вызовом инструментов. Модель поддерживает контекст до 32 768 токенов и загружается через Transformers; веса доступны в формате safetensors. В README заявлены генерация и дополнение кода, решение математических и научно-технических задач, а также агентные сценарии разработки: исправление ошибок, анализ производительности и работа с инструментами. Модель относится к семейству Gemma 3 Text и поддерживает интерфейс вызова инструментов. Описанные в карточке результаты бенчмарков относятся также к варианту rnj-1-instruct и не должны автоматически считаться результатами именно этой базовой модели. Лицензия — Apache-2.0. README рекомендует для запуска на ноутбуке llama.cpp и ссылается на предварительно квантованный вариант, однако указанные в метаданных веса этой модели представлены в safetensors.

Strand-Rust-Coder-14B-v1 — специализированная языковая модель для программирования на Rust, разработанная Fortytwo Network. Это дообученная на Rust-задачах модель Qwen2.5-Coder-14B-Instruct: плотная архитектура Qwen2 с 14 млрд параметров, поддержка диалогового режима и контекст до 32 768 токенов. В карточке описано LoRA-дообучение на 191 008 синтетических примерах, прошедших автоматическую компиляционную и семантическую проверку. Модель предназначена для генерации и дополнения кода на Rust, поиска ошибок, рефакторинга, оптимизации, создания тестов и документации, а также для интеграции в помощники программиста. README сообщает результаты 43–48% на указанных Rust-бенчмарках и отмечает улучшения в генерации тестов, прогнозировании использования API и рефакторинге; эти показатели получены в описанном авторами протоколе оценки. Модель принимает текстовые запросы и генерирует текст, в том числе код. Указанная лицензия — Apache-2.0. README предупреждает, что модель может хуже справляться с чисто алгоритмическими и многоязычными задачами, а сгенерированный код следует проверять компиляцией и тестами перед использованием в производственной среде.

SWE-rebench-openhands-Qwen3-235B-A22B — языковая модель Nebius для генерации кода и решения задач SWE-bench с агентом OpenHands. Это дообученный методом rejection sampling fine-tuning чекпойнт Qwen/Qwen3-235B-A22B-Instruct-2507 на траекториях OpenHands из набора nebius/SWE-rebench-openhands-trajectories. Архитектура — Qwen3 MoE; в метаданных указано 18,2 млрд параметров, контекст — 262 144 токена. Обучение использовало последовательности до 131 тыс. токенов. Модель рассчитана на агентные сценарии разработки: анализ репозитория, диагностику ошибок и внесение изменений в код. В оценке с OpenHands v0.54.0 авторы сообщают Pass@1 61,7% и Pass@5 74,3% при лимите 500 ходов; результаты зависят от агента и настроек запуска. Модель доступна в формате Safetensors, лицензия — Apache-2.0. Для сервинга авторы приводят конфигурацию vLLM с поддержкой выбора инструментов.

VeriLoop E2 — открытая модель с 27 млрд параметров, разработанная Tsinghua SIGS Robot Lab и Libo Wang на основе Qwen3.8-27B и дообученная для программирования, математики и физики. Это плотная модель семейства Qwen3.5 с поддержкой диалогов и интерфейса вызова инструментов; она принимает текст и, согласно характеристикам базовой модели и тегам, изображения. Нативное окно контекста составляет 262 144 токена. Для запуска доступны веса safetensors и библиотека Transformers; README также описывает совместимый с OpenAI способ обслуживания через vLLM. Модель предназначена для инженерных задач с кодом, математического и научного рассуждения, а также сценариев с инструментами и проверкой промежуточных результатов. Подход VeriLoop-Governed Recurrence предполагает, что модель предлагает варианты решения, а внешний Harness проверяет и принимает их; рабочая реализация производственного Harness в репозитории не опубликована. В README приведены результаты на кодовых, математических и научных бенчмарках, однако они относятся к конкретной конфигурации оценки и не гарантируют аналогичных результатов в другом окружении. Модель может выдавать ошибочный код, доказательства или научные рассуждения, поэтому результаты требуют проверки. Работа с длинным контекстом зависит от конфигурации сервера и доступной памяти. Лицензия — Apache 2.0.

Zenith-9B-CodeCore-Merge — экспериментальная объединённая модель на 9 млрд параметров от prithivMLmods, построенная на основе Qwen3.5-9B и объединяющая её с OxCoder-9B, Qwopus3.5-9B-Coder и Ornith-1.5-9B. Модель использует архитектуру Qwen3.5 и предназначена для генерации и понимания кода, многошагового решения задач и следования инструкциям в агентных сценариях. Модель рассчитана на сложные задачи разработки ПО: написание и изменение кода, отладку, анализ кода и длительные автономные рабочие процессы с использованием инструментов. В метаданных указаны диалоговые и интерфейсные возможности вызова инструментов; основной язык карточки — английский. Репозиторий распространяется по лицензии Apache-2.0. Автор предупреждает, что модель экспериментальная и может выдавать артефакты; для GGUF не сохранены заголовки Multi-Token Prediction, поэтому в этом формате генерация выполняется по одному токену за шаг.

Это контрольная точка дообучения laion/GLM-4_7-swesmith-sandboxes-with_tests-oracle_verified_120s-maxeps-131k-fixthink, опубликованная LAION. Модель основана на архитектуре Qwen3 с плотной causal language model, содержит 7,6 млрд параметров и принимает текст, выдавая текст. Она предназначена для решения задач SWE: работы с кодом Python и доведения изменений до прохождения тестов в среде выполнения. Контрольная точка получена методом RL с алгоритмом SkyRL GRPO на датасете DCAgent/exp_rpt_pymethods2test-large. В этой абляции использовалась награда по доле пройденных тестов, а не бинарная награда за прохождение всех тестов. Опубликован шаг 45 из 80; его выбрали по EMA средней сырой награды. Контекст модели составляет 40 960 токенов. Репозиторий содержит веса Safetensors и конфигурацию запуска для воспроизводимости; README также указывает на сопутствующий набор обучающих трасс open-athena/ablation-pymethods2test-shaped. Лицензия в предоставленных данных не описана.

Aether-Qwen2-0.5B-SFT-v0.0.2 — плотная авторегрессионная модель семейства Qwen2 с 494 млн параметров, разработанная Michael Svendsen и дообученная методом supervised fine-tuning на наборе AetherCode-v1, split 5star. Она предназначена для генерации кода и помощи в программировании: автодополнения, поиска ошибок, ревью и предложений по оптимизации. Модель принимает текстовые запросы и генерирует текст, включая код; заявленная длина контекста — 131 072 токена. В метаданных указан английский язык, а карточка ориентирует модель на задачи, связанные с кодом. Модель доступна в формате safetensors и рассчитана на использование с Transformers. Она может помогать в разработке программного обеспечения, но ответы для сложных задач требуют проверки человеком; карточка предостерегает от применения вне программирования и анализа кода. Лицензия указана как other, без уточнения условий в предоставленных данных.

Apollo-v1-7b — языковая модель на архитектуре Mistral с 7,1 млрд параметров, представленная nextai-team. Она создана на основе Mistral-7b-Instruct-0.2 и предназначена для ответов на вопросы и запросы, связанные с программированием. Модель принимает текст и генерирует текст; максимальная длина контекста составляет 32 768 токенов. Модель подходит для помощи в написании и проверке кода, технической поддержки и обучения программированию. Карточка указывает на слияние моделей семейства Mistral, но метаданные классифицируют происхождение как дообучение базовой модели. Доступна по лицензии CC BY-NC 4.0, которая не разрешает коммерческое использование. Модель может наследовать предвзятости обучающих данных и хуже отвечать на вопросы за пределами своей области обучения. Результаты следует критически проверять, особенно при использовании в чувствительных или критически важных сценариях.

Atlas-Flash — дообученная языковая модель семейства Atlas от aayanmishra-ml, созданная на базе DeepSeek-R1-Distill-Qwen-7B. Это плотная авторегрессионная модель Qwen2 с 7,1 млрд параметров и контекстом до 131 072 токенов; она предназначена для генерации текста и диалога, программирования, математических и других STEM-задач. В карточке заявлены генерация и объяснение кода, отладка, решение задач с рассуждениями, многоходовые беседы и помощь в обучении. Модель принимает текст и генерирует текст; метаданные также указывают интерфейс вызова инструментов. В карточке заявлена поддержка английского, китайского, русского и других языков. Для обучения указаны наборы BAAI/TACO, codeparrot/apps и GammaCorpus-v1-70k-UNFILTERED, а также синтетические данные. Репозиторий содержит веса в формате Safetensors, модель использует Transformers и распространяется по лицензии MIT. Карточка предупреждает о возможных смещениях, ошибках в узкоспециализированных областях и зависимости качества ответов от формулировки запроса; заявленный контекст ограничен 131 072 токенами.

Dolphin 2.6 Mistral 7B — дообученная на базе Mistral-7B языковая модель, созданная Eric Hartford при спонсорской поддержке Convai. Это плотная авторегрессионная модель с 7,1 млрд параметров, предназначенная для диалога и генерации текста; разработчик отдельно отмечает её сильные стороны в программировании. Модель обучалась полным дообучением в течение трёх эпох и использует формат запросов ChatML. Модель хорошо следует инструкциям, но не проходила DPO-настройку. В README её называют uncensored и предупреждают, что она может охотно выполнять небезопасные запросы; перед использованием в сервисе рекомендуется добавить собственный уровень фильтрации. Контекстная длина в метаданных указана как 32 768 токенов, тогда как README сообщает для базовой модели Mistral-7B контекст 16 тысяч токенов. Распространяется по лицензии Apache-2.0, допускающей коммерческое использование.

Dracarys2-Llama-3.1-70B-Instruct — текстовая модель Abacus.AI, дообученная на основе meta-llama/Meta-Llama-3.1-70B-Instruct для улучшения результатов в задачах программирования. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров; она принимает текст и поддерживает диалоговый формат Llama 3 Instruct. Заявленная длина контекста — 131 072 токена. Модель предназначена для генерации кода, анализа кода, предсказания результатов тестов и решения общих задач с инструкциями. В приведённых авторами оценках LiveCodeBench она показала более высокие результаты базовой модели в генерации кода и предсказании вывода тестов; показатели зависят от задачи и режима оценки. Доступна в формате Safetensors для Transformers. Лицензия — Llama 3; перед использованием следует соблюдать её условия.

EVA-Meissa-Coder-14B-Instruct — объединённая инструкционная языковая модель на архитектуре Qwen2, созданная mergekit методом TIES. В слиянии использованы Orion-zhen/Meissa-Qwen2.5-14B-Instruct, Qwen/Qwen2.5-Coder-14B-Instruct и EVA-UNIT-01/EVA-Qwen2.5-14B-v0.2; README называет Meissa базовой моделью слияния. Модель содержит 14 млрд параметров, работает через библиотеку Transformers и принимает текст для генерации ответов в диалоговом формате. Контекст составляет до 32 768 токенов. Каталог отмечает интерфейс вызова инструментов; модель предназначена, в частности, для задач генерации, анализа и исправления кода. В карточке не приведены отдельные результаты оценки качества или специальные ограничения. Лицензия в доступных данных не указана.

FIM-7B — языковая модель для программирования и задач coding-агентов, разработанная TIGER-Lab. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, дообученная на базе Qwen/Qwen2.5-Coder-7B-Instruct: сначала на данных function-aware fill-in-the-middle, затем на траекториях агентов R2E-Gym. Модель предназначена для работы в агентном сценарии, включая решение задач из репозиториев и исправление программного кода; README приводит результаты оценки на SWE-Bench-Verified и SWE-Bench-Lite. Модель принимает текстовые запросы и генерирует текст и код. Заявленная нативная длина контекста — 32 768 токенов; в инструкции по оценке упоминается запуск с длиной до 65 536 токенов. В сравнении с воспроизведением R2E-Gym на той же базовой модели FIM-7B показала улучшение на 2,8 пункта на SWE-Bench-Verified и на 3,67 пункта на SWE-Bench-Lite. Для воспроизведения оценки использовался фиксированный каркас агента R2E-Gym. Распространяется по лицензии Apache-2.0.

TeichAI/Gemma-4-31B-Fable-5-Agent-Distill — дообученная на трассах Claude Code и пользовательских диалогах модель Gemma 4 на 31 млрд параметров. Она предназначена для работы в агентных оболочках, включая Claude Code и pi, и помогает генерировать и отлаживать код, планировать архитектуру программ, выполнять многошаговые исследования и решать аналитические задачи. Модель поддерживает диалоговый формат, интерфейс вызова инструментов и анализ изображений; в метаданных указан английский язык. Для запуска README рекомендует актуальную версию Transformers. Разработчик сообщает, что способность к рассуждению оставлена без изменений и что модель оптимизирована дистилляцией трасс Claude Code. Бенчмарки пока не опубликованы, поэтому заявленные возможности не сопровождаются количественной оценкой. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0.

Jan-Code-4B — дообученная командой Jan на Jan-v3-4B-base-instruct компактная плотная языковая модель семейства Qwen3 с 3,7 млрд параметров. Она предназначена для генерации и редактирования кода, рефакторинга и отладки, а также для локального запуска в роли лёгкого исполнителя подзадач в агентных системах. Модель поддерживает диалоговый режим, работает с текстом и рассчитана на контекст до 262 144 токенов. Модель ориентирована на хорошо ограниченные повседневные задачи программирования, где важны скорость ответа и скромные вычислительные требования; её можно подключить через Jan Desktop или запускать с vLLM. README рекомендует её для небольших агентных задач, но не приводит результатов сравнительных оценок. Лицензия Apache-2.0.

Карточка модели kkyyxhll/KAT-Coder-V2.5-Dev-fused-gate-up на Hugging Face совпадает с карточкой Kwaipilot/KAT-Coder-V2.5-Dev, поэтому описание составлено по ней. KAT-Coder-V2.5-Dev — открытая по весам MoE-модель для агентного программирования, выпущенная командой KAT. Она дообучена на базе Qwen3.6-35B-A3B с помощью supervised fine-tuning на 127 тысячах примеров и последующего обучения с подкреплением. Всего в модели 35 млрд параметров, из которых активируются 3 млрд; карточка указывает архитектуру семейства Qwen3.5 MoE и формат safetensors. Модель предназначена для решения задач программирования в агентных сценариях: анализа задач и выполнения действий через инструменты, доступные в окружении. Разработчики сообщают об улучшении результатов на тестах agentic coding относительно моделей сопоставимого размера и о снижении частоты некорректных меток инструментов и повторов. В README описан запуск через API, а метаданные указывают поддержку чата и интерфейса вызова инструментов. Языки карточки — английский и китайский; для примера оценки использовался контекст 256 тысяч токенов, но это не заявлено как предел модели. Лицензия — Apache-2.0.

Карточка модели SpectreSystems/KAT-Coder-V2.5-Dev-MTP на Hugging Face совпадает с карточкой Kwaipilot/KAT-Coder-V2.5-Dev, поэтому описание составлено по ней. KAT-Coder-V2.5-Dev — открытая по весам MoE-модель для агентного программирования, выпущенная командой KAT. Она дообучена на базе Qwen3.6-35B-A3B с помощью supervised fine-tuning на 127 тысячах примеров и последующего обучения с подкреплением. Всего в модели 35 млрд параметров, из которых активируются 3 млрд; карточка указывает архитектуру семейства Qwen3.5 MoE и формат safetensors. Модель предназначена для решения задач программирования в агентных сценариях: анализа задач и выполнения действий через инструменты, доступные в окружении. Разработчики сообщают об улучшении результатов на тестах agentic coding относительно моделей сопоставимого размера и о снижении частоты некорректных меток инструментов и повторов. В README описан запуск через API, а метаданные указывают поддержку чата и интерфейса вызова инструментов. Языки карточки — английский и китайский; для примера оценки использовался контекст 256 тысяч токенов, но это не заявлено как предел модели. Лицензия — Apache-2.0.

KAT-Dev-72B-Exp — экспериментальная модель для задач программной инженерии, выпущенная командой Kwaipilot. Это плотная авторегрессионная языковая модель семейства Qwen2 с 71,5 млрд параметров и контекстом до 131 072 токенов; она предназначена для диалогового взаимодействия и имеет интерфейс вызова инструментов. Модель обучалась с подкреплением как экспериментальная версия KAT-Coder. В описанной авторами оценке на SWE-Bench Verified она показала точность 74,6% при использовании каркаса SWE-agent. Модель подходит для агентного решения задач разработки ПО, включая анализ репозиториев и исправление ошибок в коде. Авторы сообщают о переработанном механизме внимания и обучающем движке для траекторий с общим префиксом, а также о корректировке распределения преимуществ, призванной снизить коллапс исследования при обучении с подкреплением. Эти результаты оценки относятся к конкретной конфигурации SWE-agent и сами по себе не гарантируют аналогичного качества в других условиях. Модель распространяется по лицензии Apache-2.0.

Kronumos 2 Kairos — модель Tokenectomy Labs для автоматического исправления ошибок в коде. Это дообученная на базе Qwen2.5-Coder-7B-Instruct плотная причинная языковая модель семейства Qwen2 с 7,1 млрд параметров, контекстом 32 768 токенов и архитектурой Qwen2ForCausalLM. В README также описан детерминированный Rust-компонент для проверки и исправления структуры кода; заявлено использование модели для однопроходного ремонта программных ошибок и приводится оценка на SWE-bench Verified. Модель предназначена для генерации исправлений по описанию ошибки и фрагментам кода, в том числе для локального запуска и интеграции в CI/CD. Заявлены чатовый интерфейс и интерфейс вызова инструментов. Основной язык карточки — английский; модель специализируется на программном коде, а README описывает примеры ремонта Python-проектов. Лицензия — Apache-2.0. В README указаны результаты бенчмарка и характеристики вспомогательного Rust-компонента, однако это заявления авторов карточки, а не независимая проверка. Объявленный в разработке Right Brain ещё не входит в опубликованные веса.

Laguna XS.2 — разработанная Poolside языковая модель для агентного программирования и длительных задач разработки ПО. Она предназначена для работы в локальной среде и поддерживает диалоговый режим, рассуждения между вызовами инструментов и управление режимом рассуждений в запросах. Архитектура — Mixture-of-Experts: в README указаны 33 млрд параметров всего и 3 млрд активных на токен, 40 слоёв и 256 экспертов с одним общим экспертом. В 30 слоях применяется скользящее оконное внимание, в остальных — глобальное; окно внимания составляет 512 токенов. Контекст — 262 144 токена. Модель текстовая, обучалась в несколько этапов, включая предварительное обучение, постобучение и обучение с подкреплением. Карточка приводит результаты на SWE-bench и Terminal-Bench; эти оценки получены в конкретных условиях тестирования и не гарантируют аналогичной производительности в других сценариях. Модель доступна в формате safetensors и поддерживается Transformers, vLLM, SGLang и другими средствами локального запуска, в том числе Ollama. По README, для запуска на Mac рекомендуется система с 36 ГБ оперативной памяти. Лицензия Apache 2.0 разрешает коммерческое и некоммерческое использование с соблюдением лицензионных условий и политики допустимого использования Poolside.

MergekitCloud/mergekit-78 — объединённая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом Model Stock. В основу слияния вошла Qwen/Qwen2.5-14B, вместе с Qwen2.5-Coder-14B, Qwen2.5-Coder-14B-Instruct и Rombos-Coder-V2.5-Qwen-14b. Модель содержит 14 млрд параметров, использует формат safetensors и рассчитана на контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, с акцентом на задачи программирования: написание, анализ и исправление кода. Может применяться в чат-сценариях и интерфейсах вызова инструментов. Метаданные указывают поддержку conversational-возможностей, но отдельные языки в доступных сведениях не перечислены. В карточке указана лицензия? Условия использования в предоставленных данных не приведены. Качество и поведение слияния зависят от исходных моделей и конкретной задачи; результаты для этой сборки отдельно не описаны.

trohrbaugh/OmniCoder-9B-heretic-ara-uncensored — экспериментальная версия модели OmniCoder, разработанной Tesslate и дообученной на базе Qwen/Qwen3.5-9B. Это плотная модель с 9 млрд параметров и гибридной архитектурой: слои Gated Delta Networks чередуются со стандартным вниманием. Модель предназначена для программирования и агентных задач: работы с инструментами, терминалом, многошагового решения задач и внесения точечных изменений в код. Заявлено контекстное окно 262 144 токена. В карточке описана abliteration-настройка, направленная на снижение числа отказов: в приведённом тесте модель отказала в 7 случаях из 100. Метаданные отмечают поддержку чата и кода; базовая архитектура мультимодальная, однако для этой версии карточка не описывает сценарии работы с изображениями. Английский указан среди языков карточки, а качество на других языках, согласно README, оценивалось ограниченно. Лицензия — Apache 2.0.

Карточка модели luganoquant/OpenThinkerAgent-32B на Hugging Face совпадает с карточкой open-thoughts/OpenThinkerAgent-32B, поэтому описание составлено по ней. OpenThinkerAgent-32B — модель агентного программирования, созданная проектом OpenThoughts. Она дообучена полнопараметрическим SFT на базе Qwen/Qwen3-32B с использованием 100 тысяч примеров OpenThoughts-Agent-SFT-100K. Модель имеет плотную архитектуру Qwen3ForCausalLM и 29,7 млрд параметров; в репозитории представлены веса safetensors. Контекст составляет до 40 960 токенов. Модель предназначена для диалоговой работы над задачами разработки ПО и выполнения многошаговых агентных сценариев, включая работу в терминале и решение задач из SWE-Bench. В README приведены результаты оценки в terminus-2 и на семи агентных бенчмарках; для SWE-Bench-Verified указана точность 54,0, а для Terminal-Bench 2.0 — 26,2. Метаданные отмечают поддержку чата и кода. Данных о мультимодальном вводе или выводе нет. Модель унаследовала языковые возможности Qwen3-32B, но карточка не перечисляет конкретные естественные языки. Обучающая выборка включает траектории агентов из SWE-Smith, StackExchange SuperUser, StackExchange Tezos и IssueTasks. Модель распространяется по лицензии Apache-2.0.