II.4Отладка, тестирование и качество ПО

Qwen2.5-Coder-0.5B — базовая предварительно обученная языковая модель для работы с кодом, разработанная командой Qwen. Это причинная языковая модель семейства Qwen2: плотная архитектура Qwen2ForCausalLM с 494 млн параметров и контекстом до 32 768 токенов. В README указаны RoPE, SwiGLU, RMSNorm, смещение в QKV-внимании и связанные эмбеддинги слов; модель содержит 24 слоя и использует GQA. Модель предназначена для генерации и анализа кода, рассуждений о коде, исправления ошибок и задач заполнения фрагментов кода. Она также сохраняет общие языковые и математические возможности базовой Qwen2.5 и может служить основой для дальнейшего дообучения и создания кодовых агентов. Разработчик не рекомендует использовать базовую версию для диалога без постобучения. Модель распространяется по лицензии Apache-2.0.

Карточка модели Wjwiiwi/Qwen2.5-Coder-0.5B на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-0.5B, поэтому описание составлено по ней. Qwen2.5-Coder-0.5B — базовая предварительно обученная языковая модель для работы с кодом, разработанная командой Qwen. Это причинная языковая модель семейства Qwen2: плотная архитектура Qwen2ForCausalLM с 494 млн параметров и контекстом до 32 768 токенов. В README указаны RoPE, SwiGLU, RMSNorm, смещение в QKV-внимании и связанные эмбеддинги слов; модель содержит 24 слоя и использует GQA. Модель предназначена для генерации и анализа кода, рассуждений о коде, исправления ошибок и задач заполнения фрагментов кода. Она также сохраняет общие языковые и математические возможности базовой Qwen2.5 и может служить основой для дальнейшего дообучения и создания кодовых агентов. Разработчик не рекомендует использовать базовую версию для диалога без постобучения. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-0.5B-Instruct — инструктивно дообученная языковая модель для кода от команды Qwen. Она предназначена для генерации и исправления кода, рассуждений о коде и диалоговых сценариев для разработчиков, включая использование в кодовых агентах. Модель также сохраняет общие языковые и математические способности семейства Qwen2.5. Это плотная авторегрессионная модель архитектуры Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. В архитектуре используются RoPE, SwiGLU, RMSNorm и группированное внимание; модель работает с текстом и выдаёт текст, в том числе код. Репозиторий содержит веса Safetensors, загрузка поддерживается библиотекой Transformers. Модель компактна для локальных экспериментов и интеграции в инструменты разработчика, но её малый размер может ограничивать качество сложной генерации и рассуждений по сравнению с более крупными моделями. Лицензия — Apache-2.0.

BlossomsAI/Qwen2.5-Coder-14B-Instruct-Uncensored — модифицированная инструкционная модель для генерации кода, созданная на основе Qwen/Qwen2.5-Coder-14B-Instruct с применением направленного вмешательства для изменения поведения отказа. Это плотная причинная языковая модель семейства Qwen2 с 14 млрд параметров, рассчитанная на диалоговое использование и контекст до 32 768 токенов. В метаданных указаны библиотека Transformers и формат safetensors; README также упоминает предварительно квантованные варианты в формате GGFU. Модель предназначена для генерации, анализа и исправления кода в диалоге. README описывает удаление поведения отказа, поэтому модель может отвечать на запросы, от которых исходная модель отказалась бы; это повышает риск небезопасных ответов. Указана лицензия MIT. Подробные результаты оценки качества модифицированной модели в карточке не приведены.

Qwen2.5-Coder-1.5B — базовая авторегрессионная языковая модель для программирования, разработанная командой Qwen. Она предназначена для генерации и анализа кода, исправления ошибок и задач заполнения пропусков в коде; модель может служить основой для кодовых агентов после дополнительной настройки. Это предобученная модель, а не готовый разговорный ассистент. Модель использует архитектуру Qwen2 с 1,5 млрд параметров, 28 слоями, RoPE, SwiGLU, RMSNorm и групповым запросным вниманием; контекст — до 32 768 токенов. Она обучалась на коде, текстово-кодовых связях и синтетических данных, сохраняя общие языковые и математические способности базовой серии Qwen2.5. В репозитории представлены веса Safetensors для Transformers. Лицензия Apache 2.0 допускает использование и модификацию на её условиях. Модель сравнительно компактна, однако качество может уступать более крупным моделям; для диалога и практического использования рекомендуется постобучение или адаптация под целевой сценарий.

Это MLX-оптимизированная версия инструкционной модели Qwen2.5-Coder-7B-Instruct, подготовленная разработчиком apolloransom для локального запуска на компьютерах Apple Silicon под macOS. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Модель предназначена для помощи в программировании: генерации и анализа кода, исправления ошибок и работы с инструментами в IDE. В README описана интеграция с Zed через локальный OpenAI-совместимый сервер oMLX, включая поддержку вызова инструментов; также доступен программный запуск через mlx-lm. Локальная работа подходит для сценариев, где важна приватность кода. Репозиторий использует формат safetensors и библиотеку MLX. Метаданные указывают английский язык; базовая модель описана как средство генерации, анализа и исправления программного кода. Лицензия — Apache-2.0. Производительность зависит от устройства Apple Silicon и настроек запуска.

Qwen3.6-27B Claude Opus Reasoning Distilled — текстовая модель на 27 млрд параметров, дообученная Rico03 на базе Qwen/Qwen3.6-27B. Разработчик сообщает, что обучение проведено на примерно 14 тысячах примеров с цепочками рассуждений Claude Opus и Qwen; модель распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для генерации ответов в диалоге и задач, требующих структурированного анализа: программирования, математики, логики и решения аналитических задач. Дообучение направлено на более последовательную декомпозицию сложных запросов и сокращение повторяющихся рассуждений на простых задачах. Метаданные также отмечают интерфейс вызова инструментов. Модель унаследовала от базовой Qwen заявленные возможности работы с изображениями, однако автор указывает, что дообучение проводилось только на текстовых данных и не адаптировало зрительные способности. Модель поддерживает английский и многоязычный ввод, но конкретный перечень языков в карточке не приведён. Контекстное окно не указано. Возможны фактические ошибки, поскольку это авторегрессионная языковая модель; обучение в течение одной эпохи на ограниченном наборе примеров также может влиять на качество в отдельных сценариях.

Tachibana-Agent — дообученная модель Sequelbox на базе Qwen3.6-27B, созданная для агентного программирования и сложных задач разработки. Модель обучена на наборе Tachibana 4; карточка указывает 22,3 млрд параметров, контекст 262 144 токена и лицензию Apache-2.0. Для работы с моделью предназначена библиотека Transformers. Модель помогает решать практические задачи разработки на Python, C, C++, C#, Go, TypeScript, Java, JavaScript, Rust, Haskell и других языках: отладки, автоматизации, проектирования систем и оптимизации производительности. В метаданных также указан тег image-text-to-text, однако README описывает модель прежде всего как агентную модель для программирования и не раскрывает сценарии работы с изображениями. Ограничения качества и результаты оценок в карточке не приведены; автор обозначает модель как экспериментальную.

Qwopus-3.6-27B-Coder — это модель для агентного программирования и рассуждений, разработанная Jackrong на базе Qwopus3.6-27B-v2 и представленная в формате GGUF. Она дообучена для генерации и исправления кода, работы с репозиториями, многошагового выполнения задач, структурированных вызовов инструментов, function calling и взаимодействия с агентными средами. В обучении использовались датасеты с траекториями рассуждений и агентного поведения, включая TraceInversion и lambda/hermes-agent-reasoning-traces. Модель представляет собой плотную модель с 27 миллиардами параметров и поддержкой длинного контекста, однако точная длина контекста в README не указана. Заявлены мультимодальные сценарии image-text-to-text и поддержка работы с изображениями, а также языки English, Chinese, Spanish, Russian и Japanese. Среди сильных сторон указаны ориентация на repository-level задачи, отладку, генерацию патчей, оркестрацию инструментов и сложное логическое рассуждение. Для базовой модели приведены результаты 87,43% на MMLU-Pro и 75,25% на SWE-bench Verified, а для этой версии заявлен результат 67,0% на SWE-bench Verified в режиме без рассуждений. Модель рассчитана на разработческие рабочие процессы, где требуется последовательное использование инструментов и обработка обратной связи от среды. Ограничения включают отсутствие в README подробностей о точной архитектуре, размере контекстного окна, вариантах квантования GGUF и фактических возможностях мультимодального ввода. Лицензия модели — Apache-2.0.

Essential AI разработала rnj-1-instruct — открытую плотную языковую модель на 8,3 млрд параметров, дообученную на базе EssentialAI/rnj-1. Модель построена на архитектуре Gemma 3 Text и предназначена для диалогового использования, генерации кода и решения задач STEM. Она поддерживает контекст до 32 768 токенов и работает с библиотекой Transformers; веса опубликованы в формате Safetensors под лицензией Apache-2.0. Модель подходит для написания и анализа кода, исправления ошибок в проектах и работы с инструментами в агентных сценариях. Также она решает математические и научно-технические задачи, поддерживает заполнение пропусков в коде и может помогать с интерактивным анализом данных. В README приведены результаты сравнительных оценок по кодированию, использованию инструментов, математике и научному рассуждению. Карточка не указывает естественные языки, на которых модель специально обучена или которые она поддерживает. Заявленные возможности и оценки описаны разработчиком; фактическое качество зависит от задачи и способа применения.

WaveCoder-DS-6.7B — языковая модель для задач программирования из семейства WaveCoder, разработанная авторами проекта WaveCoder. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров, предназначенная для выполнения инструкций по коду. Она обучена на синтетических данных, созданных с помощью генератора и дискриминатора на основе больших языковых моделей и сформированных из части CodeSearchNet. Данные охватывают генерацию кода, его краткое изложение, перевод между языками программирования и исправление ошибок. Модель подходит для генерации и объяснения кода, перевода и ремонта программ. В README приведены результаты на HumanEval и MBPP, а также оценки для исправления и объяснения кода на HumanEval; результаты зависят от сценария и не гарантируют качество для конкретного проекта. Контекст составляет 16 384 токена, загрузка и запуск предусмотрены через Transformers и PyTorch. Карточка указывает лицензию MIT. README также обращает внимание на условия OpenAI при использовании модели и наборов данных, созданных синтетически с помощью моделей OpenAI.

DeepCoder-14B-Preview — языковая модель для рассуждений и генерации кода, разработанная Agentica и дообученная с помощью распределённого обучения с подкреплением на базе DeepSeek-R1-Distill-Qwen-14B. Модель построена на архитектуре Qwen2, содержит 14 млрд параметров и принимает текстовые запросы, выдавая текстовые ответы с кодом и рассуждениями. Метаданные указывают контекст до 131 072 токенов. Модель предназначена для решения задач программирования, включая генерацию кода и соревнованийные задачи. В README сообщается о результатах на LiveCodeBench v5, Codeforces и HumanEval+; для длинных ответов рекомендуется выделять не менее 64 000 токенов генерации. Модель доступна под лицензией MIT. Ограничения: это предварительная версия, а длинные ответы могут обрезаться при низком лимите генерации, что снижает результативность.

Dracarys2-72B-Instruct — языковая модель Abacus.AI для генерации кода и диалоговых сценариев. Это дообученная версия Qwen2.5-72B-Instruct с плотной архитектурой Qwen2; модель содержит 71,5 млрд параметров и работает с контекстом до 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Модель предназначена для генерации кода, рассуждений о выполнении программ и предсказания вывода тестов. В опубликованных результатах LiveCodeBench она превосходит исходную Qwen2.5-72B-Instruct по общему результату генерации кода и предсказанию тестового вывода, но результаты на сложных задачах генерации кода остаются ограниченными. Карточка также указывает интерфейс для вызова инструментов. Основной язык, заявленный в метаданных, — английский. Модель разработала Abacus.AI; лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория. Приведённые оценки получены на LiveCodeBench и сами по себе не гарантируют качество на других задачах или в производственной среде.

TeichAI Gemma 4 31B it Claude Opus Distill — мультимодальная модель диалогового семейства Gemma 4, созданная дообучением unsloth/gemma-4-31B-it с помощью Unsloth на наборах траекторий рассуждений Claude Opus и Sonnet. Она предназначена для диалогов и задач, требующих многошагового анализа: генерации и отладки кода, научных рассуждений, синтеза исследовательских материалов и выполнения инструкций. Архитектура — плотная Gemma4ForConditionalGeneration; модель работает с текстом и изображениями, поддерживает режим рассуждений и использует формат safetensors. В метаданных основная задача указана как image-text-to-text. README описывает вариант с высоким уровнем усилий рассуждения и рекомендует более новую версию v2, отмечая улучшения качества данных и шаблона чата в v2. Модель рассчитана на применение с Transformers и поддерживает переменное разрешение изображений. Карточка не сообщает размер контекстного окна и перечень поддерживаемых естественных языков, поэтому эти характеристики здесь не уточняются. Лицензия — Apache-2.0. Качество и стабильность текущей версии могут уступать v2; заявленные возможности в коде, науке и исследованиях в README не сопровождаются приведёнными здесь количественными результатами оценки.

Карточка модели manaladan6/GLM-5.1 на Hugging Face совпадает с карточкой zai-org/GLM-5.1, поэтому описание составлено по ней. GLM-5.1 — флагманская модель Z.ai для агентной разработки и инженерных задач. Это языковая модель с архитектурой GLM MoE DSA и 30,4 млрд параметров; она доступна в формате safetensors и совместима с Transformers. Модель принимает текст и предназначена для генерации кода, решения задач по разработке программного обеспечения и работы с инструментами в длительных сессиях. GLM-5.1 рассчитана на сложные и неоднозначные задачи: она может разбивать работу на этапы, проводить эксперименты, анализировать результаты и менять стратегию в ходе многократных итераций. Разработчик сообщает о сильных результатах на SWE-Bench Pro, NL2Repo и Terminal-Bench 2.0. Модель поддерживает английский и китайский языки и контекст до 202 752 токенов. Для локального запуска перечислены SGLang, vLLM, xLLM, Transformers и KTransformers. Модель распространяется по лицензии MIT. Описание подчёркивает её возможности в агентных сценариях и бенчмарках, но не приводит независимых оценок качества или гарантий результата; практическая работа с инструментами зависит также от используемой системы запуска.

Карточка модели eyes-ml/granite-guardian-4.1-8b на Hugging Face совпадает с карточкой ibm-granite/granite-guardian-4.1-8b, поэтому описание составлено по ней. Granite Guardian 4.1 8B — специализированная модель IBM Research для проверки того, соответствуют ли запросы и ответы LLM заданным критериям. Это плотная причинно-языковая модель на 8,4 млрд параметров, дообученная на базе ibm-granite/granite-4.1-8b; она принимает текст и выдаёт бинарное суждение «да» или «нет». Контекстное окно составляет 131 072 токена. Модель выявляет попытки обхода защитных механизмов, ненормативную лексику и галлюцинации, связанные с вызовом инструментов и ответами на основе поиска (RAG). С помощью режима Bring Your Own Criteria можно задавать собственные проверки, например требования к длине, формату или содержанию ответа. Поддерживаются режим с подробными рассуждениями и режим с быстрым выводом только оценки. Модель также подходит для ранжирования вариантов ответа при выборе лучшего из нескольких. Карточка сообщает о обучении на данных с человеческой разметкой и синтетических данных, созданных с учётом внутреннего red teaming. Основной язык в метаданных — английский. Лицензия Apache 2.0. Разработчик рекомендует использовать модель в предусмотренном формате оценивания; при отклонении от него возможны неожиданные ответы, а модель может быть уязвима к состязательным атакам.

Holo1.5-72B — мультимодальная модель компании H Company для компьютерных агентов, работающих с веб-интерфейсами, настольными и мобильными приложениями. Это дообученная версия Qwen/Qwen2.5-VL-72B-Instruct с архитектурой Qwen2.5-VL и 71,5 млрд параметров; модель принимает изображения и текст и генерирует текстовые ответы с описанием элементов интерфейса и их расположения. Контекст — до 128 000 токенов. Модель предназначена для поиска элементов на экране, понимания содержимого интерфейса и ответов на вопросы по скриншотам, а также для передачи компьютерному агенту сведений, необходимых для взаимодействия с приложениями. Обучение включало supervised fine-tuning на данных для понимания интерфейсов и предсказания действий, а затем онлайн-обучение с подкреплением GRPO. В README заявлена поддержка изображений интерфейсов с разрешением до 3840 × 2160 пикселей и приведены результаты оценки на UI-локализации и QA-бенчмарках. Модель разработана H Company и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Хотя семейство предназначено для компьютерных агентов, карточка описывает визуальное понимание и предсказание действий; автономное выполнение действий в приложениях требует соответствующей агентной системы.

Holo1.5-7B — мультимодальная модель H Company для компьютерных агентов, которые работают с веб-, настольными и мобильными интерфейсами. Это дообученная версия Qwen/Qwen2.5-VL-7B-Instruct с 7,1 млрд параметров; она принимает изображения и текст и предназначена для диалога и понимания экранов. Модель обучали на данных об интерфейсах и предсказании действий в два этапа: supervised fine-tuning и онлайн-обучение с GRPO. Она поддерживает изображения высокого разрешения до 3840 × 2160 пикселей и контекст до 128 000 токенов. Модель находит элементы интерфейса и отвечает на вопросы о содержимом экрана. В тестах H Company Holo1.5-7B показала средний результат 77,32 по метрикам локализации и 88,17 по метрикам понимания интерфейсов. Эти показатели относятся к описанным в карточке бенчмаркам и не гарантируют аналогичную точность в любых приложениях. Модель выпущена под лицензией Apache 2.0.

IQuest-Coder-V1-40B-Base-Stage1 — базовая модель семейства кодовых больших языковых моделей IQuestLab для задач программирования и анализа кода. Она относится к плотной авторегрессионной архитектуре IQuestCoderForCausalLM, содержит 39,4 млрд параметров и рассчитана на контекст до 16 384 токенов. В репозитории представлены веса Safetensors для Transformers. Модель предназначена для генерации кода, понимания программ и поддержки сценариев автономной разработки ПО. Семейство обучалось с использованием многоэтапного подхода code-flow, учитывающего эволюцию репозиториев, переходы между коммитами и изменения кода; семейство также заявляет возможности чата и интерфейс вызова инструментов. В метаданных указан английский язык. README приводит высокие результаты бенчмарков для семейства в целом, но не уточняет результаты именно Stage1. Сгенерированный код может содержать ошибки и требует проверки; качество может снижаться на специализированных или проприетарных технологиях. Для загрузки рекомендуется Transformers версии 4.52.4 или новее. Лицензия указана как other, без уточнения условий в доступных данных.

Jan-Code-4B — компактная модель для генерации кода, разработанная Jan. Это code-tuned-версия, построенная на базе Jan-v3-4B-base-instruct и представленная в формате GGUF для локального запуска. Модель относится к классу text-generation и предназначена прежде всего для англоязычных сценариев. Модель подходит для генерации, редактирования, рефакторинга и отладки кода, а также для выполнения чётко ограниченных подзадач в агентских системах. Её можно использовать как лёгкого worker-модель или субагента, который создаёт патчи и тесты, пока более крупная модель занимается планированием. Jan-Code-4B ориентирована на практическую работу с низкими требованиями к вычислительным ресурсам и небольшой задержкой. Ключевой характеристикой является размер около 4 миллиардов параметров; сведения о точной архитектуре, поддерживаемых языках программирования, длине контекста и мультимодальных возможностях в README не указаны. Среди сильных сторон — компактность, скорость и пригодность для локального развёртывания, включая Jan Desktop и llama.cpp. Ограничением является меньшая способность обрабатывать сложные или широко поставленные задачи по сравнению с крупными моделями. Модель распространяется по лицензии Apache 2.0.

DuoNeural/LFM2.5-8B-A1B-Hermes-Agentic-Coder-Abliterated-v3-GGUF — модель для генерации кода и автономных агентских сценариев, разработанная DuoNeural. Она создана на основе DuoNeural/LFM2.5-8B-A1B-Abliterated и ориентирована на многошаговое планирование, вызов функций и инструментов, отладку, решение алгоритмических задач и программирование, включая низкоуровневый C, управление памятью, бинарный анализ и тестирование на проникновение. Модель использует гибридную архитектуру state-space и mixture-of-experts: при общем размере около 8,3 млрд параметров на каждый токен активируется 1,5 млрд. Заявлены контекст до 3072 токенов, поддержка двух режимов вывода — быстрого прямого ответа и режима System 2 с цепочками рассуждений в тегах <thought> — и формат GGUF для локального запуска. README не указывает полный список поддерживаемых языков, но описывает обучение на данных по вызову функций, рассуждениям, генерации и исправлению кода, а также многошаговым инструкциям. К сильным сторонам относятся высокая скорость инференса, специализация на коде и агентских задачах, а также заявленные результаты EvalPlus: 56,1% на HumanEval, 50,0% на HumanEval+, 60,8% на MBPP и 49,7% на MBPP+. Ограничениями являются относительно небольшое контекстное окно в 3072 токена и отсутствие в README подробных сведений о качестве на других языках, мультимодальности и практической надежности заявленных показателей. Модель распространяется по Liquid Foundation Model Community License; точные условия следует уточнять по указанной лицензии.

MiMo-7B-RL-0530 — языковая модель Xiaomi из семейства MiMo, дообученная с подкреплением для математических и программных рассуждений. Это плотная авторегрессионная модель на 7 млрд параметров с контекстом до 65 536 токенов; репозиторий содержит веса в формате safetensors, а метаданные указывают совместимость с Transformers и диалоговый режим с интерфейсом вызова инструментов. Модель предназначена для решения математических задач, генерации и анализа кода, а также диалоговых сценариев, где требуется пошаговое рассуждение. В README описано обучение с подкреплением на задачах математики и программирования с проверкой ответов по правилам. Заявлены результаты, сопоставимые с OpenAI o1-mini, однако они относятся к оценкам разработчиков и конкретным бенчмаркам. Модель принимает и генерирует текст. Метаданные не перечисляют языки, поэтому описание не приписывает ей конкретный набор языков. Лицензия — MIT. Практическое качество может зависеть от формулировки запроса и задачи; результаты рассуждений и сгенерированный код требуют проверки.

Mistral Code Architect 7B — локально запускаемая модель для программирования и анализа кибербезопасности, созданная Lautloserspieler на базе Mistral 7B Instruct v0.3. Модель дообучена методом QLoRA на смеси примерно из 25 тысяч примеров по генерации кода, веб-разработке, поиску уязвимостей, безопасным исправлениям и следованию инструкциям; в репозитории веса представлены в формате GGUF с квантизацией Q4_K_M. Модель предназначена для генерации и отладки кода, помощи в разработке приложений на React и Next.js, анализа уязвимостей и подготовки безопасных исправлений. Она поддерживает диалог и рассчитана прежде всего на английский и немецкий языки. Указанный в карточке контекст составляет 4096 токенов. Для локального запуска рекомендован Ollama. Модель распространяется по лицензии Apache 2.0. Заявления карточки о готовом к производству коде и цепочках рассуждений не подкреплены приведёнными результатами оценки; качество и безопасность сгенерированного кода требуют проверки.

AdminReal/NexusCoder — модель для генерации кода в диалоговом формате, созданная на основе Qwen2.5-Coder-1.5B-Instruct и связанная с агентным фреймворком Nexus Coder. Веса представляют собой инструкционно дообученную плотную модель Qwen2 с 1,5 млрд параметров; заявленная длина контекста — 32 768 токенов. Для загрузки весов используется Transformers и формат safetensors. Модель предназначена для генерации, анализа и исправления кода, а проект Nexus Coder добавляет инструменты и навыки для агентных сценариев. README описывает более 60 навыков и более 80 инструментов в фреймворке, но это возможности программной обвязки, а не отдельные модальности модели. Репозиторий также содержит экспериментальные конфигурации архитектур, не относящиеся к размещённым весам. Для весов указана лицензия Apache 2.0, для исходного кода фреймворка и конфигураций — NAL-1.0.

Карточка модели bielquants/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.

Ornith-1.0-397B — открытая модель семейства Ornith от Ornith AI для агентного программирования. Она дообучена с применением обучения с подкреплением на базе Qwen 3.5; в метаданных указаны архитектура семейства qwen3_5_moe и класс Qwen3_5MoeForConditionalGeneration. Репозиторий содержит веса Safetensors, а лицензия — MIT. Модель предназначена для создания и использования coding-агентов: она помогает разбираться в крупных кодовых базах, решать задачи разработки через терминальные инструменты и вызывать подключённые инструменты. В README заявлены высокие результаты на Terminal-Bench 2.1, SWE-Bench, NL2Repo и OpenClaw. Для развёртывания описан OpenAI-совместимый сервер; пример для vLLM использует 8 GPU и контекст до 262 144 токенов. Это крупная модель MoE на 397 млрд параметров, поэтому запуск требует мощной мног GPU инфраструктуры, несмотря на заявление README об эффективном развёртывании.

Ornith-1.0-9B — плотная языковая модель примерно на 9 млрд параметров от команды Ornith, разработанная для агентного программирования. Она дообучена на базе Qwen 3.5 с применением обучения с подкреплением: модель учится планировать траектории поиска и генерировать решения для задач разработки. Версия 9B предназначена для эффективного запуска на одной GPU и хранится в формате safetensors; для обслуживания авторы приводят рецепты на vLLM, SGLang и Transformers. Модель подходит для программирования через терминальные агентные интерфейсы, работы с кодовыми базами, автоматизации задач разработки и вызова инструментов. В README заявлены результаты на Terminal-Bench 2.1, SWE-Bench, NL2Repo и других бенчмарках, однако численные результаты в предоставленном тексте опущены. Примеры конфигурации используют контекст до 262 144 токенов; это значение указано как параметр запуска, а не как подтверждённая нативная длина контекста. Лицензия — MIT. README не сообщает поддерживаемые естественные языки.

Ornith-1.0-9B-heretic — вариант модели trohrbaugh на основе Ornith-1.0-9B от deepreinforce-ai. Это плотная модель семейства Qwen 3.5 примерно на 9 млрд параметров, предназначенная для генерации кода и работы в агентных сценариях. Модель поддерживает чат и вызов инструментов; её можно использовать в терминальных coding-агентах и подключать через совместимые с OpenAI API серверы. README описывает abliteration: в приведённом тесте модель не отказала ни в одном из 100 запросов, тогда как у исходной модели было 100 отказов из 100. Модель принимает текст и выдаёт текст, включая код и вызовы инструментов. README приводит оценки исходной линейки Ornith на задачах Terminal-Bench, SWE-Bench и NL2Repo, но не отдельные результаты heretic-варианта. Для запуска описаны Transformers, vLLM и SGLang; исходная карточка рекомендует одиночную GPU с 80 ГБ памяти для модели в bf16 и упоминает контексты 128K–400K в бенчмарках. Лицензия — MIT. Поскольку вариант специально создан для снижения отказов, его ответы могут включать контент, который исходная модель отклонила бы.

Ornith-1.5-397B — крупная языковая модель от команды Ornith AI, представленная как флагман семейства Ornith-1.5. Модель развивает Ornith-1.0, созданную на базе Qwen3.5 и Gemma4 с дополнительным продолжением предобучения, промежуточным обучением и постобучением. В Ornith-1.5 применяется цикл самоулучшения с совместной оптимизацией генерации задач, построения scaffolding и последовательностей решений с использованием reinforcement learning. Модель предназначена прежде всего для сложных задач программирования и работы с инструментами, включая разработку, исправление ошибок и выполнение задач в терминале. Ornith-1.5-397B имеет архитектуру mixture-of-experts с 397 миллиардами параметров. В карточке указано текстовое поколение, однако сведения о поддерживаемых языках, длине контекста и других модальностях не приведены. Согласно заявленным результатам, модель набрала 86,1 на Terminal-Bench 2.1 с Terminus-2, 85,2 с Claude Code, 86 на SWE-bench Verified и 56 на DeepSWE. Это указывает на сильные стороны в агентном программировании и решении инженерных задач; при этом приведённые показатели зависят от конкретных инструментов и протоколов оценки и не гарантируют аналогичные результаты в других сценариях. Модель распространяется по лицензии MIT.

moelanoby/phi-3-M3-coder — дообученная модель на базе Microsoft Phi-3 Mini Instruct, предназначенная для генерации кода и диалогового взаимодействия. Это плотная причинная языковая модель архитектуры Phi-3 с 3,7 млрд параметров и контекстом до 4096 токенов; карточка указывает поддержку кода и чата, а также языки Arabic, English, German, French, Portuguese и Polish. Модель рассчитана на написание и исправление программного кода, в том числе с экспериментальным режимом самокоррекции в несколько проходов. В README приведены результаты на HumanEval и других тестах, однако отдельные показатели заявлены самим автором и могут не отражать качество на иных задачах. Карточка рекомендует проверять баланс между числом проходов самокоррекции, связностью и точностью. Указана лицензия Apache 2.0, допускающая коммерческое использование.