II.4Отладка, тестирование и качество ПО

Карточка модели vy22215/Qwen2.5-Coder-0.5B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-0.5B-Instruct, поэтому описание составлено по ней. 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.

Qwen2.5-Coder-1.5B-Instruct — инструкционно дообученная языковая модель для генерации и анализа кода, разработанная командой Qwen. Это причинная трансформерная модель семейства Qwen2 с 1,5 млрд параметров, обученная на коде, текстово-кодовом сопоставлении и синтетических данных. Архитектура использует RoPE, SwiGLU, RMSNorm и групповое запросное внимание; контекст — до 32 768 токенов. Модель предназначена для генерации, объяснения и исправления кода, а также для диалоговых сценариев и создания кодовых агентов. По карточке семейства, обучение также сохраняло способности к математике и общим задачам, однако основной профиль этой версии — программирование. Доступна через библиотеку Transformers и поддерживает формат safetensors. Модель распространяется по лицензии Apache-2.0. Компактный размер облегчает её запуск по сравнению с крупными моделями, но качество и надёжность ответов могут быть ниже, чем у более крупных кодовых моделей; сгенерированный код следует проверять.

Карточка модели zxy1423/Qwen2.5-Coder-1.5B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-1.5B-Instruct, поэтому описание составлено по ней. Qwen2.5-Coder-1.5B-Instruct — инструкционно дообученная языковая модель для генерации и анализа кода, разработанная командой Qwen. Это причинная трансформерная модель семейства Qwen2 с 1,5 млрд параметров, обученная на коде, текстово-кодовом сопоставлении и синтетических данных. Архитектура использует RoPE, SwiGLU, RMSNorm и групповое запросное внимание; контекст — до 32 768 токенов. Модель предназначена для генерации, объяснения и исправления кода, а также для диалоговых сценариев и создания кодовых агентов. По карточке семейства, обучение также сохраняло способности к математике и общим задачам, однако основной профиль этой версии — программирование. Доступна через библиотеку Transformers и поддерживает формат safetensors. Модель распространяется по лицензии Apache-2.0. Компактный размер облегчает её запуск по сравнению с крупными моделями, но качество и надёжность ответов могут быть ниже, чем у более крупных кодовых моделей; сгенерированный код следует проверять.

unsloth/Qwen2.5-Coder-1.5B-Instruct-bnb-4bit — это 4-битно квантованная instruction-tuned версия языковой модели Qwen2.5-Coder-1.5B, разработанной командой Qwen от Alibaba Cloud и опубликованной в формате, подготовленном Unsloth. Модель предназначена для генерации, анализа и исправления программного кода, кодового рассуждения, создания code agents, а также задач общего назначения и математики. Модель является авторегрессионной causal language model с архитектурой на базе transformers, RoPE, SwiGLU, RMSNorm, смещениями в Attention QKV и связанными эмбеддингами слов. Она содержит 1,54 млрд параметров, из которых 1,31 млрд не относятся к эмбеддингам, 28 слоёв и использует GQA с 12 головами для Q и 2 для KV. Заявлена поддержка контекста до 131 072 токенов. В README указан английский язык; модальность — текстовая. Квантование bnb-4bit снижает требования к памяти и облегчает локальный запуск, но может ограничивать точность по сравнению с полноразмерной версией. Сильными сторонами модели являются специализация на программировании, улучшенные возможности генерации, рассуждения и исправления кода, большой контекст и компактный размер. Ограничения включают небольшой объём модели по сравнению с более крупными системами, возможное снижение качества из-за 4-битного квантования и отсутствие в предоставленных данных подробных результатов бенчмарков, списка поддерживаемых языков программирования и оценки надёжности ответов. Модель распространяется по лицензии Apache-2.0; для работы рекомендуется использовать актуальную версию библиотеки transformers.

sourcepirate/Qwen2.5-Coder-1.5B-Instruct-heretic — дообученная и модифицированная версия Qwen2.5-Coder-1.5B-Instruct, основанная на Qwen/Qwen2.5-Coder-1.5B. Это причинная языковая модель семейства Qwen2 для генерации текста и кода в диалоговом формате; в карточке указана модификация abliteration, снижающая частоту отказов по сравнению с исходной инструкционной моделью. Модель рассчитана на генерацию, анализ и исправление кода, а также на диалоговые сценарии с программированием. Архитектура включает 28 слоёв и групповое внимание GQA; размер — около 1,5 млрд параметров, контекст — до 32 768 токенов. Поддерживаемый язык в метаданных — английский. Формат весов — safetensors, рекомендуемая библиотека — Transformers. В README приведено сравнение на 100 примерах: 3 отказа у этой модели против 95 у оригинала; это ограниченная оценка и не подтверждает качество или безопасность для всех запросов. Лицензия — Apache-2.0.

Qwen2.5-Coder-32B-Instruct-3MPER0RR-abliterated — доработанная исследователем 3MPER0RR версия Qwen2.5-Coder-32B-Instruct. Это плотная языковая модель на 32 млрд параметров для диалоговой генерации текста, ориентированная на код: базовая модель предназначена для генерации, анализа и исправления кода, а также создания кодовых агентов. Модель принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Модель описана как протестированная и сохранённая, однако подробности её изменений и результаты испытаний не приведены. Лицензия — Apache 2.0.

unsloth/Qwen2.5-Coder-3B-bnb-4bit — квантованная 4-битная версия модели Qwen2.5-Coder, разработанной командой Qwen и опубликованной в формате Unsloth. Модель относится к семейству специализированных языковых моделей для программирования и предназначена для генерации, анализа и исправления кода, а также для задач code completion и fill-in-the-middle. Это базовая модель без дообучения для диалогов, поэтому для чат-сценариев рекомендуется дополнительное обучение или использование подходящего шаблона постобработки. Архитектура основана на causal language model с RoPE, SwiGLU, RMSNorm, смещениями в QKV-проекциях внимания и связанными эмбеддингами слов. В README для данного репозитория приведены характеристики версии 0.5B: около 0,49 млрд параметров, 24 слоя, GQA с 14 головами для Q и 2 для KV, контекст до 32 768 токенов. При этом идентификатор и базовая модель указывают на вариант 3B, а точные архитектурные параметры именно 3B-версии в предоставленных данных не подтверждены. Указан английский язык; мультимодальность не заявлена. К сильным сторонам относятся специализация на генерации, рассуждении и исправлении кода, а также сниженные требования к памяти благодаря 4-битному представлению. Модель может применяться локально и интегрироваться в инструменты разработки, но её базовый, а не диалоговый характер ограничивает использование в роли готового чат-ассистента. Лицензия — Apache-2.0.

BenevolenceMessiah/Qwen2.5-Coder-7B-3x-Instruct-TIES-v1.0 — объединённая языковая модель, созданная автором репозитория с помощью mergekit и метода TIES. В качестве основы использована Qwen/Qwen2.5-Coder-7B, в слиянии также участвовали три указанные в карточке модели Qwen Coder и Hammer. Архитектура — плотная Qwen2 causal language model на 7,1 млрд параметров; репозиторий содержит веса в формате safetensors и рассчитан на использование через Transformers. Модель предназначена для генерации текста в диалоговом формате, включая задачи программирования, анализа и исправления кода, унаследованные от базовой модели Qwen2.5-Coder. Метаданные указывают контекст до 32 768 токенов и интерфейс для вызова инструментов. Карточка не приводит отдельных результатов оценки качества, точного перечня языков программирования или инструкции по вызову инструментов. Лицензия в предоставленных данных не указана.

BenevolenceMessiah/Qwen2.5-Coder-7B-Chat-Instruct-TIES-v1.2 — объединённая языковая модель на архитектуре Qwen2 для генерации кода и диалоговой работы с инструкциями. Автор объединил Qwen/Qwen2.5-Coder-7B и Qwen/Qwen2.5-Coder-7B-Instruct методом TIES; модель содержит 7,1 млрд параметров и использует формат safetensors. Модель предназначена для генерации, анализа и исправления программного кода в чате. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и предоставляет интерфейс вызова инструментов. В метаданных перечислены языковые коды? Нет, поэтому конкретные естественные языки здесь не заявлены. Лицензия в предоставленных данных не указана. Качество объединения и результаты оценки в карточке не описаны.

Qwen3.5-DeltaCoder-9B-GGUF — семейство GGUF-квантизированных вариантов модели danielcherubini/Qwen3.5-DeltaCoder-9B, разработанное Daniel Cherubini на базе Qwen3.5-9B. Модель ориентирована на генерацию и анализ кода, использование инструментов и агентские сценарии. В версии v1.1-DPO применено дообучение методом DPO на 4519 предпочтительных парах из AceCode-V2-122K, направленное на повышение корректности кода и способности модели обнаруживать и исправлять собственные ошибки. Модель поддерживает текстовые задачи и заявлена для английского языка. Размер базовой модели — 9 млрд параметров. Доступны варианты квантования от Q2_K до Q8_0, а также BF16; рекомендуемым указан Q4_K_M. Модель предназначена для запуска через llama.cpp, Ollama, LM Studio и другие совместимые с GGUF движки. В README приведены конфигурации для контекста до 131072 токенов, однако требуемый объём памяти зависит от выбранного варианта квантования и параметров KV-кэша. Сильные стороны модели — специализация на программировании, надёжность вызовов инструментов, ориентация на прохождение тестов и улучшенное самокорректирующее поведение после DPO-обучения. Ограничения включают зависимость качества от степени квантования, необходимость соблюдать рекомендованные параметры генерации и склонность к детерминированным циклам при temperature ниже 0,5. Для версии v1.1-DPO часть заявленных benchmark-результатов ещё не определена; в Terminal-Bench указано 2 из 4 выполненных задач при наличии тайм-аутов. Распространяется по лицензии Apache-2.0.

Qwen3.6-27B Abliterated — мультимодальная плотная модель на 27 млрд параметров, созданная mlasli на основе Qwen/Qwen3.6-27B. Вариант подготовлен с помощью Heretic v1.4.0: из модели удалено направление отказов, чтобы уменьшить отказы при запросах для исследований безопасности и других сценариев. Модель предназначена для диалогов, работы с изображениями, программирования и агентных задач; карточка также указывает поддержку нескольких языков. Контекст составляет 262 тыс. токенов с возможностью расширения до 1 млн. README заявляет, что абляция сохраняет общие возможности базовой модели, но не добавляет новых знаний или навыков. Для запуска требуется около 55 ГБ VRAM в BF16, 28 ГБ в 8-битном или 17 ГБ в 4-битном режиме. Лицензия — Apache-2.0.

Solstice-AI/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-NEO-CODER-NVFP4-1M — модель на базе Qwen3.8-27B Cold Fusion, разработанной DavidAU, с последующей квантизацией, расширением контекста и упаковкой Solstice-AI. Модель предназначена для программирования, агентной разработки ПО, отладки репозиториев, многошаговых рабочих процессов, рассуждений и диалогового использования. Также заявлена поддержка визуального понимания изображений, интерфейсов, архитектурных схем и видеокадров через дополнительный модуль mmproj-BF16.gguf. Модель поддерживает английский и китайский языки. Указан контекст до 1 048 576 токенов, полученный расширением RoPE с помощью YaRN; исходный контекст заявлен как 262 тысячи токенов. Архитектура описана как гибридная: 75% слоёв используют линейное внимание Gated Delta Recurrent Network, а 25% — глобальное Grouped-Query Attention. Формат NVFP4 обеспечивает 4-битное микромасштабирование для NVIDIA Blackwell, включая B200, GB200 и RTX 5090. Также заявлена поддержка Multi-Token Prediction для ускорения генерации. Сильными сторонами README называет производительность в задачах программной инженерии, компьютерного управления, следования сложным ограничениям и длинного контекста; приведены результаты внутренних или заявленных разработчиками сравнений, включая SWE-bench Pro 61,7% и ARC-C 735. Эти показатели следует воспринимать с учётом методики оценки и аппаратных требований. Ограничения включают зависимость от совместимого оборудования NVIDIA Blackwell и соответствующего серверного ПО, а также то, что расширенный миллионный контекст и мультимодальность могут требовать специальных компонентов. Лицензия — Apache 2.0.

Qwopus3.5-4B-Coder-GGUF — компактная модель для программирования и агентных сценариев, разработанная Jackrong на основе Qwen3.5-4B. Она дообучена для отладки кода, локализации ошибок, подготовки минимальных исправлений, структурированного использования инструментов, function calling и задач, в которых требуется пошаговое рассуждение с обратной связью от среды. В обучении заявлены Trace Inversion, траектории взаимодействия с инструментами и curriculum SFT, направленные на устойчивое форматирование и работу с длинными контекстами. Модель представляет собой плотную модель примерно на 4 млрд параметров и распространяется в формате GGUF для локального запуска, в том числе через llama.cpp. В метаданных указана поддержка текстово-изобразительных задач и мультимодальности, однако конкретные ограничения визуального ввода и размер контекстного окна не приведены. Заявлены языки English, Chinese, Spanish, Russian и Japanese. Также модель тестировалась с Multi-Token Prediction при n=2 относительно эталона Qwen3.5-4B-MTP. Сильные стороны модели — небольшой размер, ориентация на локальное выполнение, отладку, агентные циклы и инструментальные вызовы; автор позиционирует её как подходящую для ноутбуков с 16 ГБ памяти, простых повторяющихся задач и мониторинга сервисов. При этом README не содержит подробных результатов бенчмарков, требований к оборудованию, точного контекстного окна или оценки качества мультимодальных возможностей, поэтому модель не следует считать универсальной заменой более крупным системам. Лицензия — Apache-2.0.

Qwopus3.5-4B-Coder-MTP-GGUF — компактная кодовая и агентная модель, разработанная Jackrong на базе Qwen/Qwen3.5-4B. Она дообучена для отладки программ, локализации ошибок, рассуждений о минимальных исправлениях, структурированного использования инструментов, function calling и агентских рабочих процессов с обратной связью от среды. В обучении использовались Trace Inversion, траектории взаимодействия с инструментами и curriculum SFT; среди заявленных наборов данных — коллекции трасс Claude Opus и Hermes agent reasoning traces. Модель представляет собой плотную модель примерно на 4 млрд параметров и распространяется в формате GGUF для локального запуска, в частности через llama.cpp. Заявлена поддержка мультимодального сценария image-text-to-text, а также reasoning и работы с кодом. В карточке указаны языки English, Chinese, Spanish, Russian и Japanese. Для ускорения генерации и speculative decoding тестировалась Multi-Token Prediction с параметром n=2. Контекстное окно и точные требования к аппаратным ресурсам не указаны, хотя модель позиционируется для ноутбуков с 16 ГБ памяти и ресурсно ограниченных сред. Сильными сторонами модели являются компактный размер, ориентация на локальное выполнение, отладку кода, агентные задачи, структурированные вызовы инструментов и сохранение стабильного форматирования при длинных контекстах. Ограничения включают отсутствие в представленных данных подробных количественных результатов, точного описания мультимодальных возможностей, контекстного окна и совместимости конкретных инструментов. Модель распространяется по лицензии Apache-2.0.

Qwythos-9B-Claude-Mythos-5-1M — диалоговая модель empero-ai на базе Qwen/Qwen3.5-9B, дообученная полным обновлением текстовых весов методом supervised fine-tuning. Это плотная мультимодальная архитектура Qwen3.5 с гибридным стеком Gated DeltaNet и полнослойного внимания; дообучение было текстовым, а зрительная часть унаследована от базовой модели и не настраивалась. Модель предназначена для генерации ответов с рассуждениями, работы с инструментами и длительных агентных сессий. Она поддерживает вызов функций в формате Qwen3.5 и контекст до 1 048 576 токенов благодаря YaRN-масштабированию; в описании сообщается о внутренней проверке на контексте около 137 тысяч токенов. Заявлены сценарии анализа больших репозиториев и документов, а также задач в кибербезопасности и биомедицине. Поддержка изображений унаследована от Qwen3.5, однако зрительная часть не дообучалась и не проверялась. Карточка сообщает об успешном выполнении 7 из 7 тестовых запросов с инструментами, но это небольшой внутренний тест, а не независимая оценка. Модель может ошибаться в точных фактах и идентификаторах; для важных сведений рекомендуется поиск или другие инструменты. При жадной генерации и низкой температуре возможны повторения, а YaRN может немного ухудшать качество на коротком контексте. Лицензия — Apache 2.0.

Reasoner-Coder-7B-Merge — объединённая языковая модель, созданная с помощью mergekit методом DARE TIES. В основе лежит Qwen/Qwen2.5-Coder-7B-Instruct, объединённая с open-thoughts/OpenThinker3-7B; модель имеет архитектуру Qwen2 с плотной сетью и 7,1 млрд параметров. Репозиторий содержит веса Safetensors, а для работы предусмотрена библиотека Transformers. Модель предназначена для генерации текста в диалоговом формате, в том числе для задач программирования и рассуждений. Она принимает текст и генерирует текст; заявленный контекст — 32 768 токенов. Токенизатор и шаблон ChatML взяты от Qwen2.5-Coder-7B-Instruct. Метаданные указывают лицензию?

RegexGym-Qwen3-4B — дообученная модель Qwen3-4B от ctokx, предназначенная для построения регулярных выражений по примерам строк. Пользователь передаёт строки, которые должны соответствовать шаблону, и строки, которые не должны ему соответствовать; модель предлагает одно регулярное выражение, разделяющее эти группы. Модель основана на плотной архитектуре Qwen3ForCausalLM с 3,7 млрд параметров и контекстом до 40 960 токенов. Она сначала формирует рассуждение, затем выводит шаблон в блоке regex. Для обучения использовали полное дообучение в течение трёх эпох на 660 проверенных трассах рассуждений; примеры предварительно проверялись исполнением регулярного выражения. README приводит оценку на 120 отложенных задачах и отмечает, что модель превосходит исходную Qwen3-4B, но уступает более крупной модели-учителю и не всегда строит точный шаблон. Модель подходит для синтеза регулярных выражений по положительным и отрицательным примерам. В метаданных указана лицензия other; конкретные условия этой лицензии следует уточнить на странице репозитория.

SelfCorrectionv1 — дообученная разработчиком Kxck диалоговая языковая модель на базе Qwen2.5-7B-Instruct. Она предназначена для генерации исправленных ответов в задачах по математике и программированию: модель получает неудачную попытку и обратную связь проверяющей системы, а затем формирует проверенный исправленный ответ. Модель построена на архитектуре Qwen2 и содержит 7,1 млрд параметров. Она принимает текст и поддерживает контекст до 32 768 токенов; веса BF16 сохранены в формате safetensors, модель можно загружать напрямую через vLLM. Лицензия в предоставленных данных не указана.

SuperGemma4 E4B Abliterated — производная от Google Gemma 4 E4B Instruct модель Jiunsong для генерации текста в диалоге. По данным карточки, модель прошла абляцию и дополнительную настройку для улучшения форматирования, качества кода и исправления ошибок, структурированных JSON-ответов и скорости первого токена. Метаданные указывают архитектуру Gemma4ForConditionalGeneration и поддержку чата, следования инструкциям и интерфейса вызова инструментов; исходная Gemma 4 E4B также описана как мультимодальная модель для анализа изображений и обработки аудио, однако в метаданных этой модели подтверждена только задача text-generation. Разработчик позиционирует её для помощников по программированию и отладке, выдачи JSON по схеме и серверных агентных сценариев. В README приведены высокие результаты внутренних оценок, но методика и независимая проверка не описаны, поэтому их нельзя считать гарантией качества. Карточка называет релиз приватным; лицензия указана как Gemma. Ослабление отказов от ответов может влиять на поведение модели в чувствительных сценариях.

Swift 1.5 Qwen3.8-Flash-Next — модель UkisAI, дообученная на базе Qwen/Qwen3.8-Flash-Next для более эффективного рассуждения и агентной работы. Карточка указывает на поддержку диалога и изображений; модель классифицирована в Hugging Face как image-text-to-text. В обучении применялись методы постобучения, включая RL и OPD, с целью сократить избыточные цепочки рассуждений и сохранить точность. Модель предназначена для программирования, терминальных задач, разработки ПО и многошаговой агентной работы. В тестах авторов на GPQA-Diamond при режиме xhigh она использовала на 63,4% меньше медианных токенов рассуждения, уступая базовой модели 0,20 процентного пункта; результаты зависят от уровня рассуждения и бенчмарка. Контекст при описанном режиме обслуживания — 262 144 токена; расширение до миллиона токенов требует настройки YaRN. BF16-версия занимает около 360 ГБ и рассчитана на многопроцессорный GPU-узел; доступны также варианты в других форматах и квантизациях. Веса представлены в safetensors, библиотека — Transformers; README также описывает запуск через vLLM, SGLang и llama.cpp-совместимые среды для GGUF-варианта. Лицензия указана как other, а API UkisAI предлагается бесплатно для исследовательских целей; точные условия лицензии следует проверять в репозитории.

VulnLLM-R-7B — специализированная языковая модель Virtue-AI-HUB для поиска уязвимостей в исходном коде. Это дообученная версия Qwen/Qwen2.5-7B-Instruct с плотной архитектурой Qwen2 и 7,1 млрд параметров; модель принимает текст и генерирует анализ кода с объяснением возможной уязвимости. В карточке заявлена поддержка C, C++, Python и Java, а контекст составляет 32 768 токенов. Модель предназначена для анализа потоков данных и управления, контекста безопасности и выявления сложных логических уязвимостей. Её можно применять при аудите кода и проверке на уязвимости; карточка сообщает о тестировании на PrimeVul, Juliet 1.3 и ARVO и заявляет высокие результаты, но не приводит сами метрики. Модель не заменяет проверку специалистом: качество вывода для конкретного кода и среды может различаться. Лицензия — Apache-2.0.

33x-coder — языковая модель для генерации кода на основе архитектуры Llama, опубликованная пользователем senseable. Она предназначена для помощи разработчикам: модель может генерировать код и скрипты, разбирать задачи программирования, предлагать отладочные решения и давать рекомендации по коду. Модель имеет плотную архитектуру LlamaForCausalLM и 33,1 млрд параметров. Она работает с текстом и рассчитана на контекст до 16 384 токенов. В карточке заявлена поддержка разных языков программирования и сценариев разработки; в метаданных указан английский язык. Модель доступна в формате safetensors через Transformers и распространяется по лицензии Apache-2.0. Карточка заявляет генерацию синтаксически корректных фрагментов кода и программных рекомендаций, но не приводит независимых оценок качества или подробностей обучения. Сгенерированный код следует проверять и тестировать перед использованием.

CodeGeeX4-ALL-9B — открытая многоязычная модель генерации кода от команды CodeGeeX, созданная на базе GLM-4-9B путём продолженного обучения. Она предназначена для помощи в разработке программного обеспечения: генерирует и дополняет код, отвечает на вопросы о коде и репозиториях, а также поддерживает сценарии с интерпретатором кода, веб-поиском и вызовом функций. Модель имеет плотную архитектуру семейства ChatGLM и 11,4 млрд параметров; заявленная длина контекста — 131 072 токена. Карточка указывает поддержку китайского и английского языков, а примеры ориентированы на программирование, в том числе на Python. По README, CodeGeeX4-ALL-9B показывает конкурентные результаты на BigCodeBench и NaturalCodeBench и рассчитана на широкий набор задач разработки. Метаданные указывают формат safetensors и лицензию other; конкретные условия лицензии следует проверять в репозитории модели. Результаты для конкретных языков программирования и сценариев могут различаться; сама карточка не приводит подробных ограничений или гарантий качества.

FabGemma-12B — дообученная модель naazimsnh02 на базе Google Gemma 4 12B Instruct. Это плотная трансформерная модель для генерации текста, настроенная на многошаговое планирование задач, агентное программирование и отладку. Для обучения применялся supervised fine-tuning на трассах работы кодовых агентов; LoRA-адаптация затронула около 2,15% параметров и была объединена с основными весами. Репозиторий содержит веса safetensors, модель работает через Transformers и сохраняет контекстное окно базовой модели до 256 тысяч токенов. Модель предназначена для помощи в разработке: анализа ошибок, планирования действий при работе с кодом и использования инструментов в агентных сценариях. Карточка сообщает о тестировании на 100 отложенных трассах, но эти результаты не гарантируют качество в других задачах. По данным README, дообучение ориентировано преимущественно на английские сценарии; возможности обработки изображений и аудио не адаптировались, а общефактические ответы могут быть слабее ответов по инженерным задачам. Выводы с кодом следует проверять перед запуском. Модель обозначена разработчиком как экспериментальная. Лицензия указана как Gemma; перед использованием следует учитывать её условия и проверить применимость условий лицензии датасета AGPL-3.0 к конкретному сценарию.

Gemma 4 E4B Agentic Sol-Fable Reasoning GeminiCLI GGUF — дообученная версия Gemma 4, разработанная RavenX AI Labs. Модель предназначена для локального текстового общения, программирования, отладки, агентских сценариев, вызова инструментов и функционального вызова. В README она также позиционируется для работы с OpenHarness, OpenClaw и Hermes Agent. Модель поставляется в формате GGUF и доступна в вариантах Q4_K_M размером 5,07 ГБ и F16 размером 15,0 ГБ. Вариант Q4_K_M рекомендован как компромисс между качеством и размером, F16 ориентирован на максимальное качество. Обучение выполнено на 22 389 примерах, включающих трассы программирования и отладки, использования инструментов и рассуждений; заявлены встроенные reasoning-трейсы с блоками <think>. Основной язык — английский. Точная длина контекста в README не указана. Сильными сторонами модели заявлены генерация производственного кода, отладка, структурированное рассуждение, агентское программирование и корректное поведение в отдельных задачах безопасности. По приведённому локальному тестированию на Apple Silicon пять из шести задач были оценены как имеющие производственное качество, а в одной модель корректно отказалась от несанкционированной эксплуатации. Ограничения включают отсутствие данных о полноценной независимой оценке, неизвестный максимальный контекст и возможное усечение длинных ответов: в одном тесте модель достигла лимита токенов. Для использования доступны Ollama, llama.cpp и LM Studio; GGUF не требует подключения адаптера. Лицензия указана как Gemma, с отдельной ссылкой на условия лицензии Google.

GLM-4.7-Flash-Coder — дообученная модель whitecircle на базе GLM-4.7-Flash от Z.ai, предназначенная для агентного программирования и решения задач по изменению кода в репозиториях. По карточке это 30-миллиардная MoE-модель, а метаданные указывают 4,1 млрд параметров; размер активной части MoE и общее число параметров в источниках расходятся. Модель принимает текст и генерирует текст, включая рассуждения и вызовы инструментов. В карточке заявлен контекст обучения 75 тыс. токенов, а метаданные базовой модели указывают нативный контекст 202 752 токена. Модель дообучена методом SFT на успешных многошаговых трассах SWE-rebench-V2, созданных GLM-5.1 и отобранных после проверки тестами. В оценке на тестовом наборе SWE-rebench-V2 показатель pass@1 составил 41,65% против 33,15% у базовой модели; авторы также описывают более частое параллельное использование инструментов и меньшее число ходов. Предназначена для работы в агентной среде с инструментами чтения, редактирования и запуска команд; результаты зависят от среды исполнения и не гарантируют корректность изменений. Лицензия — MIT.

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.

Tessary groundedness classifier v1 — англоязычная модель Tessary для проверки ответов агента по переданным ему извлечённым документам. Она размечает слова ответа тремя метками: O для подтверждённых фрагментов, BASELESS для неподтверждённых и CONFLICT для противоречащих документам. Модель основана на ModernBERT большой версии и дообучена на базе KRLabsOrg/lettucedect-large-modernbert-en-v1 для задачи token classification; доступны веса Safetensors и экспорт ONNX. Она принимает документы и ответ совместно, обрабатывает до 8 192 токенов и предназначена для контроля groundedness в RAG-системах и агентских сценариях. Для каждого слова модель оценивает вероятность неподтверждённости как сумму вероятностей BASELESS и CONFLICT; оценка всего ответа равна наибольшей такой вероятности среди слов. В README приведены результаты на RAGTruth и собственных продуктовых и поддерживающих примерах Tessary. Указана лицензия MIT. Модель работает только с английским текстом; она не сверяет утверждения с внешними знаниями, чувствительна к сильному перефразированию, может пропускать противоречия и молча отбрасывает текст сверх лимита контекста. Пороговые значения требуют проверки на данных конкретного применения.

Hunter 4B — разговорная языковая модель на 4 млрд параметров от Lalakai Labs, представленная в формате GGUF для локального запуска через llama.cpp, Ollama, LM Studio и другие совместимые среды. Это дообученная версия Qwen 3.5 4B: автор сообщает о параметрически эффективном QLoRA-обучении на примерно 180 тысячах отобранных примеров, последующем слиянии адаптера с весами FP16 и выпуске 4-битной квантизации Q4_K_M. Модель предназначена для пошаговых рассуждений, математики, написания и отладки кода, структурированных вызовов инструментов, анализа уязвимостей и повседневного чата. Карточка заявляет поддержку англоязычного общения; отдельные варианты весов включают FP16 и Q4_K_M. Разработчик ориентирует Q4_K_M на локальный запуск на обычных компьютерах, а FP16 — на ситуации, где важнее качество и доступно больше памяти. Модель компактна и рассчитана на локальную работу, однако её качество не гарантирует заявленного в карточке сопоставления с моделями на 10–15 млрд параметров: формальные бенчмарки ещё не опубликованы. Как и другие языковые модели, Hunter 4B может ошибаться, воспроизводить смещения и выдавать небезопасный контент; результаты следует проверять. Лицензия — MIT.

Kronumos Aion — модель для автоматизированного исправления программ и работы с кодовыми базами, представленная Tokenectomy Labs. README описывает архитектуру как смесь экспертов на 671 млрд параметров с разделением на нейросетевое рассуждение и детерминированный Rust-компонент для проверки синтаксиса и AST. Заявлены задачи автономного исправления дефектов и синтеза изменений в репозиториях; модель оценивалась на SWE-bench Verified. Метаданные указывают задачу генерации текста и поддержку чата, а README сообщает о формате FP8 и контексте до 32 768 токенов в примере запуска. Модель рассчитана на разработку и исправление ПО в корпоративных репозиториях. README заявляет снижение расхода токенов и проверку изменений перед выдачей, однако приведённые показатели являются заявлениями разработчика и не подтверждены доступными результатами бенчмарка. Для запуска нужны многопроцессорные GPU-системы: в README указаны 8 NVIDIA H100 или A100 как рекомендуемая конфигурация. Указана лицензия Tokenectomy Dual License TDL 1.0: академическое и бенчмарк-использование разрешено бесплатно, коммерческое применение требует корпоративной лицензии. Метаданные не сообщают базовую модель; README упоминает архитектурные основы DeepSeek, но точный идентификатор базового репозитория не приводит.