II.4Отладка, тестирование и качество ПО

M31Genesis — экспериментальная исследовательская модель для агентного программирования, представленная в проекте eshanized/M31Genesis. Это decoder-only causal language model на собственной архитектуре M31, предназначенная для генерации и продолжения текста, прежде всего в задачах разработки программного обеспечения, написания и редактирования кода, отладки, анализа репозиториев, repository-aware reasoning и исследований взаимодействия агентов с инструментами. Модель относится к классу примерно 425M параметров и использует словарь ByteLevel BPE на 65 536 токенов. Архитектура включает 24 слоя, размер скрытого состояния 1024, 16 attention heads и 8 KV heads, RMSNorm, RoPE и связанные входные и выходные эмбеддинги. В карточке указана поддержка английского языка и текстовая модальность; максимальный размер контекста не указан. Сильными сторонами являются специализация на программировании и сценариях агентного использования, однако модель имеет экспериментальный статус, поэтому её качество и надёжность следует оценивать перед применением в production. Лицензия — MIT.

Agnuxo публикует эту инструктивную модель для генерации кода и локального использования. По метаданным это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров; README называет её версией Meta Llama 3.1 8B Instruct и описывает запуск через Ollama или Transformers. Указан контекст до 131 072 токенов, а файлы представлены в формате safetensors. Модель предназначена для диалога о программировании и генерации кода: в README перечислены Python, JavaScript, TypeScript, Rust, Go и C++, а также научные вычисления с NumPy, SciPy и Pandas и машинное обучение с PyTorch, TensorFlow и JAX. Метаданные указывают английский и испанский языки, а также интерфейс для вызова инструментов. README заявляет о локальной работе и перенаправлении запросов на написание научных статей в экосистему P2PCLAW; такие заявления не подтверждены приведёнными метаданными. Лицензия — Apache-2.0.

NEXUS-Coder — специализированная разговорная модель для программирования из экосистемы FableForge AI, основанная на Qwen/Qwen2.5-1.5B-Instruct. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов; она принимает текст и генерирует текст в формате чата. Модель предназначена для генерации и объяснения кода, отладки, задач разработки ПО и работы с командами оболочки. В карточке также заявлены работа с общими рассуждениями и инструментами, однако подробности оценки приведены лишь для внутреннего теста на 30 запросах.

OpenGCM-v2 — модель с 9 млрд параметров от NitrAI, дообученная на базе Qwen/Qwen3.5-9B для рассуждений, программирования и агентных сценариев. В карточке заявлено окно контекста базовой модели до 262 тыс. токенов; модель представлена в формате safetensors, поддерживает чат и интерфейс вызова инструментов. Для обучения использовался DoRA, а данные включали 597 примеров с трассами работы кодовых агентов, математическими рассуждениями и системным анализом, дистиллированными из ответов нескольких крупных моделей. Модель предназначена для пошагового решения математических задач, анализа кода и проверки исправлений, а также выполнения многошаговых инструкций и агентных задач с инструментами. В README приведены результаты на небольших наборах задач, поэтому они не дают надёжной оценки обобщающего качества. Автор отмечает возможный сдвиг контекста и нестабильность при очень длинной генерации; рекомендуются низкая температура и структурированные системные подсказки. Модель помечена как устаревшая, автор рекомендует перейти на Polaris. Лицензия — Apache-2.0.

OpenThinkerAgent-32B-SFT-3.16K — плотная языковая модель семейства Qwen3 с 29,7 млрд параметров, разработанная в рамках проекта OpenThoughts-Agent. Она дообучена полным обновлением параметров на 3 160 примерах OpenThoughts-Agent-SFT-3.16K, содержащих задачи и многошаговые траектории работы агента. Модель предназначена для диалоговой генерации текста и кода, выполнения задач разработки ПО и работы в терминале в агентном сценарии. В тестировании на Terminus-2 она показала более высокие результаты, чем исходная Qwen3-32B, на SWE-Bench-Verified-100, OpenThoughts-TBLite и Terminal-Bench 2.0. Контекстное окно составляет до 40 960 токенов. Модель принимает и генерирует текст; README описывает её применение в задачах с кодом и агентными траекториями. Веса опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0. Она обучена на сравнительно небольшом наборе из 3 160 примеров, поэтому результаты тестирования не гарантируют аналогичного качества на произвольных задачах; README приводит результаты только для указанного набора бенчмарков.

Ornith-1.0-35B-FP8 — открытая языковая модель семейства Ornith-1.0, разработанная командой Deep Reinforce AI. Модель предназначена прежде всего для агентного программирования и автоматизации задач разработки ПО, включая работу с терминалом, исправление ошибок и решение задач из репозиториев. Она позиционируется как облегчённый вариант семейства для эффективного развёртывания на одной GPU. Модель относится к классу текстогенерации и имеет размер 35 млрд параметров; доступна в формате FP8. В материалах семейство Ornith описывается как включающее плотные и MoE-варианты, обученные поверх Gemma 4 и Qwen 3.5, однако точная архитектура именно Ornith-1.0-35B-FP8, поддерживаемые языки и размер контекста в README не указаны. Обучение включает reinforcement learning, при котором оптимизируются как итоговые решения, так и scaffolding для поиска траекторий решения. Сильной стороной модели заявлена высокая эффективность в агентном программировании: в приведённых результатах она показывает 64,2 на Terminal-Bench 2.1 с Terminus-2, 62,8 с Claude Code, 75,6 на SWE-bench Verified и 50,4 на SWE-bench Pro. Ограничения включают узкую специализацию на задачах разработки, отсутствие подробных сведений о мультимодальности, языковой поддержке и контексте, а также возможную потребность в мощной GPU для локального запуска. Модель распространяется по лицензии MIT, без региональных ограничений.

Merlinoz11/Ornith-1.0-397B-APEX — GGUF-версия модели Ornith-1.0-397B от DeepReinforce AI, подготовленная с помощью Github-APEX и llama.cpp. Это большая модель семейства Qwen 3.5 MoE, дообученная для агентного программирования с подкреплением: она генерирует решения и вспомогательные планы поиска, а также поддерживает вызов инструментов в чат-сценариях. Модель предназначена для работы через coding CLI и агентные фреймворки: она может помогать разбираться в кодовых базах, выполнять задачи разработки и автоматизировать работу в терминале. В README приведены примеры запуска через vLLM и SGLang на узле с восемью GPU по 80 ГБ и оценки на Terminal-Bench, SWE-Bench и других бенчмарках. В карточке производного репозитория указаны формат GGUF и лицензия MIT. Контекст до 262 144 токенов относится к рецепту запуска исходной модели; для этой GGUF-сборки отдельный размер контекста не указан.

Карточка модели unwrenchable/Qwen2.5-Coder-1.5B на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-1.5B, поэтому описание составлено по ней. 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.

Карточка модели Pilot-zero/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.

Это инструкционно дообученная модель Qwen2.5-Coder-1.5B, опубликованная Unsloth на основе Qwen/Qwen2.5-Coder-1.5B-Instruct. Она предназначена для генерации, анализа и исправления кода в диалоговом формате, а также может применяться для задач математики и общего общения. Модель содержит около 1,5 млрд параметров, использует архитектуру Qwen2 с причинной языковой моделью и работает через библиотеку Transformers. Метаданные указывают контекст до 32 768 токенов; в README описана поддержка длинного контекста до 131 072 токенов с настройкой YaRN. Модель принимает текст и генерирует текст. Её компактный размер подходит для локального прототипирования и кодовых помощников с ограниченными ресурсами, при этом она сохраняет навыки генерации и рассуждения о коде. Карточка описывает семейство Qwen2.5-Coder, но не приводит подробный перечень поддерживаемых языков программирования или языков общения; метаданные отмечают английский язык. Лицензия — Apache-2.0.

duyntnet/Qwen2.5-Coder-1.5B-Instruct-imatrix-GGUF — набор GGUF-квантизаций инструкционно дообученной модели Qwen2.5-Coder-1.5B-Instruct, разработанной командой Qwen компании Alibaba Cloud. Модель относится к причинным языковым моделям и предназначена прежде всего для генерации, анализа, исправления и объяснения программного кода, а также для задач рассуждения и диалога в прикладных сценариях, включая локальные инструменты и кодовых агентов. Модель имеет архитектуру Transformer с RoPE, SwiGLU, RMSNorm, смещениями в механизмах внимания QKV и связанными эмбеддингами слов. Она содержит около 1,54 млрд параметров, 28 слоёв и использует GQA с 12 головами для Q и 2 головами для KV. Полная длина контекста составляет 32 768 токенов. В карточке указаны английский язык и текстовая модальность; модель поддерживается клиентами и интерфейсами llama.cpp, KoboldCPP, Ollama, text-generation-webui, GPT4All и Jan. К сильным сторонам относятся компактный размер, специализация на программном коде и поддержка GGUF-квантизаций, что делает модель подходящей для локального запуска на ограниченных ресурсах. К ограничениям относятся меньший масштаб по сравнению с более крупными моделями семейства и отсутствие в карточке подробных результатов оценки качества для конкретных квантизаций. Лицензия обозначена как other, без дополнительных условий в представленном README.

khazarai разработала экспериментальную языковую модель Qwen3-4B-Qwen3.6-plus-Reasoning-Slerp с плотной архитектурой Qwen3ForCausalLM и 3,7 млрд параметров. Это слияние методом SLERP двух моделей на базе Qwen3-4B: khazarai/Qwen3-4B-Kimi2.5-Reasoning-Distilled и khazarai/Qwen3-4B-Qwen3.6-plus-Reasoning-Distilled. Модель принимает текст и генерирует текст; заявленная длина контекста — 262 144 токена. В карточке указаны английский язык, поддержка чата и интерфейс вызова инструментов. Модель предназначена для сложных логических выводов, математических задач, отладки кода на Python и ответов в сценариях RAG. Автор описывает настройку слияния, которая сохраняет словарь Qwen и плавно смешивает веса слоёв внимания и MLP. README приводит результат 77,18 на авторском бенчмарке из 100 вопросов, однако методика и независимое подтверждение результата не представлены. Автор также отмечает ожидаемое снижение качества творческого письма и не рекомендует модель для стихов и образного повествования. Лицензия — Apache-2.0.

Solstice-AI/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU-mlx-6Bit — это 6-битная версия модели семейства Qwen3.8 с 27 млрд параметров, основанная на модели DavidAU Qwen3.8-27B-TURBO-Fable-Cold-Fusion. Оригинальную модель и объединение весов GAIN разработал DavidAU, а квантование, интеграцию MTP и упаковку для Apple MLX выполнила Solstice-AI. В карточке заявлена поддержка английского и китайского языков, а также формат image-text-to-text, однако подробности о фактических мультимодальных возможностях не приведены. Модель предназначена для рассуждений, программирования, агентных задач, отладки репозиториев, следования сложным инструкциям и длительных рабочих процессов. Она использует гибридную архитектуру Qwen 3.8: около 75% слоёв составляют блоки Gated Delta Recurrent Network с линейным вниманием, а около 25% — блоки Grouped-Query Attention. Заявлен контекст до 262 144 токенов. Квантование выполнено в 6 бит с affine scaling и group_size 64; заявленный объём памяти составляет около 21,85 ГБ, что ориентирует модель на Mac с Apple Silicon и унифицированной памятью от 32 ГБ. К сильным сторонам относятся встроенный 15-тензорный модуль Multi-Token Prediction, совместимость с DSpark speculative decoding и заявленное ускорение генерации до 22–52 токенов в секунду на Apple Silicon. README также сообщает о высоких результатах в SWE-bench Pro, LiveCodeBench, OSWorld, AndroidWorld, ARC и других тестах, включая превосходство над Claude Opus 4.6 Max, но эти утверждения следует воспринимать как результаты, заявленные авторами карточки. Возможные ограничения — высокая потребность в памяти, привязка оптимизаций к Apple MLX и отсутствие независимой верификации приведённых сравнений. Указанная лицензия — Apache 2.0.

Solstice-AI/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU-mlx-oQ8e — выпуск модели Qwen3.8-27B Cold Fusion для Apple Silicon. Исходную модель и слияние весов GAIN разработал DavidAU, а Solstice-AI выполнила квантование и упаковку в формат Apple MLX oQ8e mixed precision. Модель предназначена для рассуждений, программирования, агентной разработки ПО, отладки репозиториев, выполнения многошаговых задач и управления компьютерными средами. В метаданных также указан сценарий image-text-to-text, однако подробности о поддерживаемых визуальных возможностях не приведены. Заявлены английский и китайский языки. Модель содержит 27 млрд параметров и рассчитана на контекст до 262 144 токенов. Архитектура описана как гибридная: 75% слоёв используют линейное внимание Gated Delta Recurrent Network, а 25% — Grouped-Query Attention. Также заявлена поддержка Multi-Token Prediction для ускорения генерации на Apple Silicon. Среди сильных сторон README называет высокие результаты в SWE-bench Pro, LiveCodeBench, QwenSWEBench, OSWorld, AndroidWorld, IFBench и тестах ARC; приведённые сравнения с Claude Opus 4.6 Max являются утверждениями авторов README и зависят от методики оценки. Ограничения включают привязку оптимального использования к Apple Silicon, MLX и Metal, а также отсутствие независимой проверки заявленных результатов и неполное описание мультимодальных возможностей. Лицензия — Apache-2.0.

Solstice-AI/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU-MXFP4 — языковая модель на базе DavidAU/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU. Исходную модель и объединение весов GAIN разработал DavidAU, а квантизацию и упаковку в формат OCP Microscaling MXFP4 выполнила Solstice-AI. Модель ориентирована на рассуждения, программирование, агентную разработку ПО, отладку репозиториев, управление компьютерными и мобильными интерфейсами, а также выполнение задач с длинным контекстом и сложными ограничениями. Заявлена поддержка английского и китайского языков. Модель содержит 27 миллиардов параметров и рассчитана на контекст до 262 144 токенов. В архитектуре заявлены гибридное внимание Qwen 3.8 с блоками Gated Delta Recurrent Network и Grouped-Query Attention, аппаратная Multi-Token Prediction для ускорения генерации, а также мультимодальный компонент пространственно-временного 3D-зрения для анализа схем, интерфейсов кода и видеокадров. Формат MXFP4 использует 4-битные значения с 8-битным масштабированием блоков; для работы рекомендуются Anvil Runtime и vLLM на современном оборудовании AMD, Intel Gaudi и Tensor Core. README заявляет высокие результаты на SWE-bench Pro, LiveCodeBench, QwenSWEBench, OSWorld, AndroidWorld, IFBench и CoWorkBench, а также превосходство над Claude Opus 4.6 Max в приведённых тестах, однако методика и независимое подтверждение этих утверждений требуют отдельной проверки. Ограничения включают зависимость производительности от совместимого рантайма и оборудования, возможные особенности MXFP4-квантизации и заявленный режим uncensored, который может требовать дополнительных мер безопасности при использовании. Лицензия — Apache 2.0.

Solstice-AI/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU-MXFP4-1M — это релиз Solstice-AI на базе модели DavidAU Qwen3.8-27B-TURBO-Fable-Cold-Fusion. Solstice-AI выполнила квантование, масштабирование контекста и упаковку, а исходную модель и её GAIN-merge разработал DavidAU. Модель предназначена для рассуждений, программирования, агентной разработки ПО, отладки репозиториев, управления компьютером и мобильными устройствами, а также обработки длинных контекстов. README также заявляет поддержку визуального понимания через комплектный модуль mmproj-BF16.gguf, включая схемы, интерфейсы кода и видеокадры. Модель содержит 27 млрд параметров и распространяется в формате OCP Microscaling MXFP4. Заявлена гибридная архитектура Qwen 3.8: 75% слоёв используют линейное внимание Gated Delta Recurrent Network, а 25% — глобальное Grouped-Query Attention. Указаны аппаратное Multi-Token Prediction с генерацией двух токенов за проход и потенциальным ускорением 1,72–2,20 раза, а также контекст до 1 048 576 токенов благодаря YaRN RoPE scaling. Заявлены языки English и Chinese. Для запуска упоминаются vLLM, Anvil Runtime и совместимость с AMD ROCm, Intel Gaudi и современными Tensor Core. К сильным сторонам относятся большой контекст, низкоразрядное представление MXFP4, поддержка рассуждений и программирования, мультимодальность и заявленные высокие результаты в SWE-bench Pro, LiveCodeBench, OSWorld, AndroidWorld и других тестах. Ограничения включают зависимость производительности от совместимого оборудования и программного стека, а также то, что приведённые в README сравнительные результаты и характеристики не сопровождаются подробным описанием методики и независимой проверкой. Модель описана как uncensored и с удалёнными отказными ограничениями, что может повышать риски небезопасных ответов. Лицензия — Apache 2.0.

Qwopus-3.6-27B-Coder — это плотная модель с 27 млрд параметров для агентного программирования, созданная Jackrong на основе Qwopus3.6-27B-v2. Модель дообучена для генерации и отладки кода, работы на уровне репозитория, выполнения многошаговых задач разработки, структурированных вызовов инструментов и function calling. Релиз представлен в формате GGUF и ориентирован на использование с llama.cpp и совместимыми средствами инференса. Модель поддерживает текстовые и визуальные сценарии image-text-to-text, а также заявлена как multimodal. Указаны языки English, Chinese, Spanish, Russian и Japanese. Она предназначена для агентных рабочих процессов с многоходовым взаимодействием, инструментами и обратной связью среды; заявлена поддержка native long context, однако точный размер контекстного окна не указан. Обучение использовало наборы данных с реконструированными reasoning-трассами Claude Opus и агентными траекториями. Сильными сторонами являются специализация на сложных задачах программирования, инструментальном взаимодействии и логическом рассуждении; для базовой модели заявлены 87,43% на MMLU-Pro и 75,25% на SWE-bench Verified, а для этого релиза — 67,0% на SWE-bench Verified в режиме off-thinking. Эти результаты приведены авторами и не сопровождаются методикой проверки в представленном README. Ограничения включают отсутствие точных сведений об архитектуре, размере контекста, вариантах квантования и требованиях к памяти, а также неполное описание поведения мультимодальных возможностей. Лицензия — Apache-2.0.

Qwopus3.6-35B-A3B-Coder-MTP-GGUF — экспериментальная общественная модель от Jackrong, созданная на основе Qwopus3.6-35B-A3B-v1 и unsloth/Qwen3.6-35B-A3B. Это дообученная модель для программирования и агентных сценариев, ориентированная на локальные рабочие процессы, в которых модель читает файлы, выбирает инструменты, изменяет код, запускает тесты, анализирует ошибки и подводит итоги. Модель использует архитектуру Mixture of Experts с 35 млрд общих и примерно 3 млрд активных параметров. Она рассчитана на режим без явно отображаемого длительного рассуждения, что должно снижать расход токенов и задержку в повторяющихся циклах работы агента. Поддерживаются генерация текста, работа с изображениями и текстом, вызов инструментов и function calling; заявлена совместимость с агентными оболочками в стиле Codex, OpenHands, Claude Code и OpenCode. В метаданных указаны языки английский, китайский, испанский, русский и японский. Размер контекста в README не указан. Сильные стороны модели — эффективность MoE, ориентация на быстрые циклы программирования, отладку и использование инструментов, а также пригодность для локального запуска в формате GGUF. Ограничения связаны с экспериментальным статусом, отсутствием подтверждённых в README количественных оценок качества и неопределённостью характеристик в конкретных задачах; заявленные возможности требуют самостоятельной проверки. Модель распространяется по лицензии Apache-2.0.

Ring-lite — лёгкая открытая языковая модель с архитектурой Mixture of Experts (MoE), разработанная командой inclusionAI на основе inclusionAI/Ling-lite-base-1.5. Модель предназначена для сложных задач рассуждения и генерирует текст в формате чата. В метаданных указаны 794,8 млн параметров, библиотека Transformers и контекст 32 768 токенов; README описывает вариант Ring-lite с 16,8 млрд общих и 2,75 млрд активных параметров и контекстом 128 тыс. токенов, поэтому эти характеристики могут относиться к разным версиям или представлениям модели. Модель обучалась с использованием дистилляции знаний и обучения с подкреплением. Она предлагает режимы с выводом рассуждений и без него; в README приведены результаты оценок по математике и программированию, включая AIME и LiveCodeBench. Указанные языки — китайский и английский. Модель распространяется по лицензии MIT.

Skywork-SWE-32B — языковая модель-агент для задач программной инженерии, разработанная Skywork AI и дообученная на базе Qwen/Qwen2.5-Coder-32B-Instruct. Она предназначена для работы с задачами SWE-bench: анализа программных проектов и подготовки исправлений кода. Модель имеет плотную архитектуру Qwen2, содержит 32 млрд параметров и поддерживает контекст до 32 768 токенов. В README сообщается о результате 38,0% pass@1 на SWE-bench Verified; с масштабированием вычислений во время вывода авторы сообщают о 47,0%. Модель рассчитана на использование с агентной средой OpenHands, а для эффективного инференса авторы рекомендуют сервер как минимум на двух GPU с достаточной видеопамятью. Она принимает текст и генерирует текст. Лицензия — Apache-2.0.

DCAgent/a1-stack_bash — дообученная модель на базе Qwen/Qwen3-8B, созданная с использованием LLaMA Factory. Репозиторий содержит веса в формате safetensors; число параметров — 7,6 млрд, нативная длина контекста — 40 960 токенов. Модель предназначена для генерации диалогового текста; название и описание обучающего набора указывают на специализацию на задачах, связанных с Bash и тестами. Базовая Qwen3-8B поддерживает несколько языков, рассуждения, следование инструкциям, работу с кодом и вызов инструментов. Карточка не приводит отдельные оценки качества или подробностей обучения этой версии. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели.

AlchemistCoder-L-7B — языковая модель для генерации и понимания программного кода, разработанная командой InternLM на основе Llama 2. Представленная версия распространяется в формате GGUF и подготовлена bartowski для запуска через llama.cpp и совместимые приложения, включая LM Studio. Рекомендуемый сценарий использования — программирование: написание, объяснение, анализ и проверка кода, а также выполнение инструкций, связанных с разработкой. Для работы в LM Studio указан шаблон запросов Alpaca и пресет MetaAI Llama 2 Chat. Модель содержит около 7 миллиардов параметров и обучалась на 200 миллионах токенов гармонизированных данных из нескольких источников, включая материалы для задач понимания кода, эволюции инструкций, фильтрации данных и code review. По данным README, AlchemistCoder-L-7B показывает высокие результаты среди открытых моделей сопоставимого размера на шести бенчмарках для кода, а также улучшенные общие способности на MMLU, BBH и GSM8K. Поддерживаемые языки программирования, естественные языки, размер контекстного окна и конкретные варианты квантизации в README не указаны. Сильными сторонами модели являются специализация на задачах программирования, относительно компактный размер и возможность локального запуска в формате GGUF. Ограничения включают возможные ошибки, неточности и небезопасные рекомендации в сгенерированном коде; результаты требуют проверки и тестирования. Модель распространяется по лицензии Apache-2.0, однако условия для исходной базовой модели и отдельных компонентов данных следует проверять дополнительно.

AReaL-boba-2-14B — открытая 14-миллиардная языковая модель для генерации кода и решения задач программирования, созданная командой RL Lab организации Ant Research. Это плотная авторегрессионная модель семейства Qwen3, дообученная с помощью асинхронного обучения с подкреплением в системе AReaL-boba²; для репозитория указаны веса PyTorch и контекст до 40 960 токенов. В README приведены результаты на LiveCodeBench v5, Codeforces и CodeContests. Модель подходит для генерации и объяснения кода, решения задач по программированию и диалоговой помощи разработчикам; в метаданных также заявлен интерфейс вызова инструментов. README описывает возможности системы обучения, но не приводит подробные инструкции по формату запросов модели. Лицензия репозитория — Apache-2.0.

AxeronAI/axeron-forge-9fe917b4 — языковая модель, созданная методом слияния TIES из Qwen/Qwen2.5-3B и Qwen/Qwen2.5-Coder-3B-Instruct с помощью forgelm. Модель семейства Qwen2 имеет плотную архитектуру Qwen2ForCausalLM, около 3,1 млрд параметров и контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. Модель предназначена для генерации текста в диалоге, включая задачи генерации, анализа и исправления кода по текстовым запросам. Метаданные отмечают поддержку чата и интерфейса вызова инструментов. Карточка не приводит результаты оценивания, поэтому качество для конкретных языков и задач следует проверять отдельно. Сведения о лицензии в предоставленных источниках отсутствуют.

BERTJudge — разработанная Artefactory encoder-based модель для оценки ответов LLM по эталонному ответу. Она принимает последовательность с вопросом, ответом-кандидатом и эталоном и выдаёт sigmoid-оценку корректности. В отличие от буквального сопоставления, модель оценивает семантическую правильность, учитывая различия в формулировках и форматировании. Модель построена на EuroBERT-210m и дообучена как классификатор последовательностей; в репозитории указаны 211,7 млн параметров, контекст до 8192 токенов и формат safetensors. Основной сценарий — автоматическая проверка ответов, сгенерированных языковыми моделями, когда доступен эталон. README рекомендует вариант Free-QCR, принимающий вопрос, ответ-кандидат и эталон, и пакет BERT-as-a-Judge для инференса. Модель рассчитана на английский язык. Она экономнее по вычислениям, чем оценивание с помощью LLM-as-a-Judge, однако предназначена для reference-based оценки и не заменяет проверку без эталона. Лицензия в предоставленных данных не указана.

Cyber-Tiel-Coder-35B-A3B-GGUF — квантованная GGUF-модель, опубликованная peculiar-ragdoll и основанная на Huihui-Ornith-1.5-35B-A3B-abliterated от huihui-ai. Модель ориентирована на агентное программирование, решение задач в крупных кодовых базах, исправление ошибок и offensive security, включая автономное выполнение CTF-задач. Указана поддержка текстово-визуального сценария image-text-to-text, однако подробности о фактически поддерживаемых визуальных входах в README не приведены. Заявлены языки English и Chinese. Модель использует архитектуру MoE класса 35B-A3B: общий размер около 35 млрд параметров при активации примерно 3 млрд параметров на запрос. Это GGUF-версия с динамической квантованием и пользовательской cyber-weighted imatrix, а также шаблоном диалогов Sharp. Q4-версия занимает около 22 ГБ и предназначена для запуска через llama.cpp, в том числе на оборудовании с ограниченной VRAM. Размер контекста в README не указан. К сильным сторонам относятся высокая скорость и специализация на программировании: авторы заявляют преимущество над рядом сопоставимых моделей на SWE-bench-Live, а также результат 15 из 43 заданий Cybench без подсказок. Модель прошла abliteration, поэтому практически не отказывается от запросов, включая потенциально опасные, что повышает пригодность для исследовательских и offensive security-сценариев, но создаёт существенные риски безопасности и ответственности. При этом модель намеренно жертвует частью общеобразовательных знаний и хуже подходит для викторин и экзаменов. Распространяется по лицензии MIT; пользователь самостоятельно отвечает за законность, безопасность и контроль генерируемого содержимого.

Darwin-28B-Opus — языковая модель для рассуждений, созданная командой Darwin путем эволюционного слияния Qwen/Qwen3.6-27B и модели rico03/Qwen3.6-27B-Claude-Opus-Reasoning-Distilled. Она сохраняет плотную архитектуру Qwen3.6 с гибридным линейным и полным вниманием и наследует стиль рассуждений, полученный дистилляцией поведения Claude Opus. Модель содержит 27,6 млрд параметров, представлена в формате BF16 и рассчитана на генерацию текста в режиме диалога и многошаговые рассуждения. Модель предназначена для решения сложных научных и математических задач, генерации и отладки кода, а также ответов на вопросы, требующие последовательного анализа. В README приведен результат 88,89% на GPQA Diamond при трехэтапной адаптивной оценке; он зависит от описанного протокола сэмплирования и уточнения ответов. Основной язык — английский; также заявлена поддержка корейского, китайского и японского языков. Полный вывод требует около 55 ГБ видеопамяти. Лицензия — Apache 2.0.

DASD-4B-Thinking — плотная языковая модель примерно на 3,7 млрд параметров от Alibaba Apsara, построенная на архитектуре Qwen3 и предназначенная для длинных цепочек рассуждений. Она дообучена на базе Qwen3-4B-Instruct-2507 с помощью дистилляции от gpt-oss-120b; в обучении использовалось 448 тыс. примеров из наборов Superior-Reasoning-SFT-gpt-oss-120b и Superior-Reasoning-SFT-gpt-oss-120b-Logprob. Модель подходит для рассуждений по математике и естественным наукам, генерации и анализа кода, а также диалоговых задач, требующих пошагового ответа. Размер контекста — до 262 144 токенов. Модель принимает и выдаёт текст; README рекомендует передавать системный промпт, использовавшийся при обучении, и указывает настройки Temperature=1.0 и TopP=1.0. В README заявлены хорошие результаты на математических, научных и кодовых бенчмарках при компактном размере и относительно небольшом объёме обучающих данных. Модель не подключается к внешним инструментам и не поддерживает их вызов, поэтому не может самостоятельно запускать код или обращаться к API. Лицензия — Apache-2.0.

ivelin/donut-refexp-combined-v1 — модель, разработанная пользователем Hugging Face ivelin и основанная на архитектуре vision-encoder-decoder Donut. Она обучена на наборе данных ivelin/rico_refexp_combined и предназначена для визуального понимания интерфейсов на английском языке. Модель решает задачи визуального вопросно-ответного взаимодействия с элементами пользовательского интерфейса по текстовым описаниям и пространственным или визуальным признакам. Она может помогать находить элементы рядом с указанной подписью, выбирать компоненты по цвету и интерпретировать инструкции вроде «выберите текстовое поле рядом с именем» или «нажмите зелёную кнопку». Модель ориентирована на сценарии автоматизации и навигации по графическим интерфейсам, где нужно сопоставить естественно-языковое описание с компонентом на изображении. Лицензия модели — AGPL-3.0.

Dracarys-Llama-3.1-70B-Instruct — дообученная Abacus.AI версия Meta-Llama-3.1-70B-Instruct для генерации кода и диалогового общения. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров, рассчитанная на контекст до 131 072 токенов. Она использует формат запросов Llama 3 70B Instruct и распространяется в формате safetensors по лицензии Llama 3. Модель предназначена для генерации кода, предсказания результатов выполнения кода и решения общих задач в чате. В приведённых в карточке оценках Dracarys показывает улучшение относительно базовой модели в отдельных тестах LiveCodeBench, включая генерацию кода и предсказание тестового вывода; результаты LiveBench указывают на близкий общий уровень с улучшениями в некоторых категориях. Тестовые показатели не гарантируют качество на конкретных задачах, а карточка не приводит подробных сведений о данных дообучения или ограничениях безопасности.