II.4Отладка, тестирование и качество ПО

fable-coder-35B-A3B — модель для агентного программирования, созданная Dappit Labs на основе Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated. Это модель семейства Qwen3.5 MoE с 35 млрд параметров и примерно 3 млрд активных параметров; она дообучена методом LoRA на примерах агентной работы с кодом и вызовами инструментов в стиле Claude Code. Модель генерирует текст и интерфейсные вызовы инструментов для работы в агентной оболочке. Она предназначена для написания и редактирования кода, выполнения тестов и итеративного исправления ошибок. По описанию авторов, дообучение улучшает результаты на MBPP относительно базовой модели, сохраняя её способности к рассуждению; показатели приведены на собственной тестовой системе и не сопоставимы напрямую с официальными таблицами лидеров. Контекст модели — до 256 тысяч токенов. Модель основана на ослабленной в отказах (abliterated) версии базовой модели, поэтому отказы в ней в значительной мере удалены. Обучающие примеры преимущественно охватывают разработку веб-приложений, игр и Web3; на задачах вне этого распределения результаты могут быть нестабильными. Названия инструментов не привязаны к фиксированной схеме, а оценка SWE-bench Lite ещё не представлена. Лицензия репозитория — Apache-2.0.

TeichAI разработала Gemma 4 26B A4B IT Claude Opus Distill — мультимодальную диалоговую модель на базе unsloth/gemma-4-26B-A4B-it, дообученную методом SFT на примерах рассуждений Claude Opus и Sonnet. Модель ориентирована на сложные многошаговые задачи, где полезны структурированный анализ и подробное следование инструкциям. Модель предназначена для генерации и отладки кода, научных рассуждений, анализа сложных вопросов и исследовательского синтеза. Она принимает текст и изображения и формирует текстовые ответы; доступна в формате safetensors и поддерживает чат и работу с изображениями. В README отдельно описан режим рассуждений и приведены рекомендации для многоходовых диалогов и мультимодальных запросов. Качество и устойчивость исходной версии ограничены: автор рекомендует перейти на v2 из-за улучшенного качества данных и исправлений шаблона чата; окончательные результаты сравнительных тестов не приведены. Лицензия — Apache-2.0.

granite-8b-code-instruct-4k-GGUF — GGUF-версия инструкционной модели для генерации и работы с программным кодом. Базовая модель ibm-granite/granite-8b-code-base-4k разработана IBM, а данная сборка подготовлена пользователем Mungert с использованием llama.cpp. Модель содержит около 8 миллиардов параметров и рассчитана на контекст до 4K токенов. Модель предназначена для генерации, объяснения и исправления кода, а также для задач, связанных с SQL, математическими инструкциями и вызовом функций. В README приведены результаты на HumanEvalPack для Python, JavaScript, Java, Go, C++, Rust; заявленные значения pass@1 варьируются в зависимости от языка и задачи, однако помечены как непроверенные. Модель является текстовой и не поддерживает мультимодальные входы. Формат GGUF позволяет использовать модель через совместимые инструменты llama.cpp и применять различные уровни квантования. Автор сборки описывает дополнительное повышение точности отдельных слоёв при квантовании, что может улучшать качество при сохранении умеренного размера файла, но увеличивает его объём. Ограничениями являются контекст 4K токенов, возможное снижение качества из-за квантования и непроверенный статус приведённых оценок. Лицензия модели — Apache 2.0.

LettuceDetect v2 Qwen 2B — генеративная модель для поиска галлюцинаций в ответах RAG-систем и кодовых агентов. Её разработала KRLabsOrg на базе Qwen3.5-2B: модель дообучена методом LoRA с учителем, а адаптер объединён с базовыми весами в самостоятельную модель. Она принимает запрос пользователя, контекст-источник и проверяемый ответ, затем возвращает JSON с точными фрагментами ответа, которые не подтверждаются контекстом, и метками категории и подкатегории. Модель охватывает прозу, код и вывод инструментов; в обучении использовались данные на 14 языках. В README приведены результаты на объединённом тестовом наборе, RAGTruth и PsiloQA, включая оценку F1 на уровне фрагментов и примеров. Указана архитектура Qwen3.5 с гибридом Gated DeltaNet и attention; размер — 2 млрд параметров. Длина контекста не уточняется, модель описана как рассчитанная на длинный контекст. Модель предназначена для проверки обоснованности ответов, в том числе в контурах RAG и агентной генерации кода. Она возвращает текстовые фрагменты и их метки, но символьные смещения нужно восстановить сопоставлением фрагментов с исходным ответом. Для надёжного разбора результата README рекомендует задать строгую JSON-схему. Лицензия — Apache-2.0.

Карточка модели Viva00007363/MiMo-V2.6-Pro-RL на Hugging Face совпадает с карточкой shaikat2007/MiMo-V2.6-Pro, поэтому описание составлено по ней. MiMo-V2.6-Pro-RL — флагманская модель серии MiMo-V2.6, разработанная Xiaomi и обученная с масштабированием обучения с подкреплением для агентных сценариев и самоулучшения. Она предназначена для генерации текста, программирования, работы с инструментами и задач, где агент взаимодействует со средой и оценивает результаты своих действий. Модель построена на разреженной архитектуре Mixture of Experts. В README указаны 1,02 трлн общих и 42 млрд активируемых параметров; метаданные репозитория указывают 27,7 млрд параметров и класс MiMoV2ForCausalLM. Контекст составляет до 1 млн токенов. Модель поддерживает текст, изображения, видео и аудио, а также интерфейс вызова инструментов. В карточке заявлены английский и китайский языки. Модель подходит для длительных агентных запусков, анализа визуальных и аудиовизуальных материалов, программирования и работы с длинными документами или репозиториями. README приводит результаты бенчмарков, но они не гарантируют качество на конкретных задачах; развёртывание рассчитано на специализированные средства инференса и мощное оборудование. Лицензия репозитория — MIT.

GnLOLot разработала MiniCPM5-2B-Claude-Fable5-1-Thinking-Agentic — компактную языковую модель на базе openbmb/MiniCPM5-2B, дообученную на данных Claude. Это плотная модель архитектуры Llama примерно с 2,2 млрд параметров, предназначенная для локального запуска через Transformers. Она поддерживает контекст до 131 072 токенов и выдаёт текст.

Nex-N2.5-mini — разговорная модель семейства Nex-N2.5, разработанного Nex-AGI. Она предназначена для агентных задач с длительным планированием, включая управление компьютером и браузером, программирование и проверку программ, а также мультимодальное понимание визуальной среды. Модель может использовать визуальную обратную связь для проверки результатов действий и корректировки дальнейших шагов. По карточке семейство Nex-N2.5-mini опирается на мультимодальную основу Nex-N2; метаданные указывают архитектурное семейство Qwen3.5 MoE и класс Qwen3_5MoeForConditionalGeneration. Поддерживаются чат и вызов функций. Веса опубликованы в формате safetensors; лицензия — Apache-2.0. Карточка не сообщает размер именно mini-версии и длину контекста.

OpenThinker-Agent-v1-SFT — модель baerquants, созданная в рамках открытого проекта OpenThoughts-Agent для выполнения агентных задач. Это этап supervised fine-tuning модели Qwen/Qwen3-8B: обучение проводилось на трассах OpenThoughts-Agent-v1-SFT, а последующее RL-дообучение есть в отдельной версии OpenThinker-Agent-v1. Модель с плотной архитектурой Qwen3ForCausalLM содержит 7,6 млрд параметров, принимает текст и генерирует текст; максимальная длина контекста — 40 960 токенов. Модель ориентирована на агентные сценарии разработки и работы в терминале: формирование shell-команд, выполнение задач Terminal-Bench и исправление программных ошибок, включая задачи по C# и Java из набора InferredBugs. В карточке проекта сообщаются результаты бенчмарков для версии после SFT и RL, а не этой SFT-версии отдельно. Репозиторий использует формат Safetensors, библиотеку Transformers и лицензию Apache-2.0.

llmfan46/Ornith-1.0-35B-uncensored-heretic — версия модели Ornith-1.0-35B, подготовленная независимым автором карточки методом abliteration для уменьшения отказов. Базовая модель разработана Ornith AI и предназначена для агентного программирования; по метаданным это модель семейства Qwen 3.5 MoE с архитектурой Qwen3_5MoeForConditionalGeneration, доступная в формате safetensors и используемая через Transformers. Размер указан в названии как 35B. Модель рассчитана на генерацию кода, работу с репозиториями, агентные сценарии и вызов инструментов в чате. В приведённом сравнении доля отказов снизилась с 89 до 9 из 100 запросов, а точность на MMLU составила 81,71% против 82,64% у исходной версии; это результаты тестов автора карточки и не гарантия качества в других сценариях. В README также указана доступная GGUF-версия в отдельном репозитории. Лицензия — MIT. Поскольку модель специально изменена для снижения отказов, её ответы могут слабее следовать ограничениям безопасности; проверяйте результаты и учитывайте это при применении.

Ornith-1.5-397B — крупная языковая модель класса mixture-of-experts, разработанная командой Ornith AI. Она относится к семейству Ornith-1.5 и развивает Ornith-1.0, созданную на основе Qwen3.5 и Gemma4 с дополнительным предварительным обучением, промежуточным обучением и постобучением. В Ornith-1.5 совместно оптимизируются генерация задач, построение scaffold и rollouts решений в цикле самоулучшения с reinforcement learning. Модель предназначена прежде всего для сложных задач программирования и работы с инструментами, включая разработку и отладку программного обеспечения, выполнение задач в терминале и автономные инженерные сценарии. Это текстовая generative-модель с заявленным размером 397B параметров; в README она описана как flagship-модель семейства. Приведены высокие результаты на Terminal-Bench 2.1, DeepSWE и SWE-bench, однако сведения о поддерживаемых языках, длине контекста, дополнительных модальностях и требованиях к аппаратному обеспечению не указаны. К сильным сторонам относятся ориентация на агентные coding-сценарии, самоулучшение стратегий решения и конкурентные результаты на бенчмарках программирования. Ограничения включают очень большой размер и высокие потенциальные требования к ресурсам, а также отсутствие в предоставленных данных подробностей о фактических языковых возможностях, контекстном окне и эксплуатационных ограничениях. Модель распространяется по лицензии MIT.

Карточка модели Chanithu/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.

smorce/Qwen2.5-Coder-32B-Instruct-karakuri-thinking-slerp — слитая модель на основе karakuri-ai/karakuri-lm-32b-thinking-2501-exp и Qwen/Qwen2.5-Coder-32B-Instruct. Автор объединил их методом SLERP с помощью LazyMergekit, чтобы добавить навыки программирования к японской reasoning-модели. Это плотная авторегрессионная архитектура Qwen2, рассчитанная на генерацию текста и чат; размер составляет 32 млрд параметров, контекст — 32 768 токенов. Модель предназначена для генерации, анализа и исправления кода с возможностью рассуждений на японском языке. Метаданные также указывают английский и интерфейс вызова инструментов. Слияние наследует языковые и кодовые возможности базовых моделей, однако README не приводит результатов оценки именно этой сборки. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0.

mlx-community/Qwen2.5-Coder-3B-Instruct-bf16 — конвертированная в формат MLX версия инструктивной языковой модели Qwen2.5-Coder-3B-Instruct, подготовленная сообществом mlx-community на основе Qwen/Qwen2.5-Coder-3B-Instruct с помощью mlx-lm 0.19.3. Это плотная авторегрессионная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 3,1 млрд параметров; карточка указывает контекст до 32 768 токенов. Модель предназначена для генерации текста и кода по текстовым инструкциям в формате диалога. Её можно применять для написания и объяснения фрагментов кода, анализа и исправления кода, а также для чат-взаимодействия и сценариев с интерфейсом вызова инструментов. В метаданных указан английский язык. Репозиторий содержит веса Safetensors, лицензия обозначена как other. README описывает конвертацию из базового чекпойнта, но не уточняет условия этой лицензии; перед использованием следует проверить лицензионные условия базовой модели и самой конверсии. Специализация на коде и размер в 3,1 млрд параметров могут ограничивать качество на сложных задачах и вне программирования.

Jongbin разработал эту разговорную языковую модель дообучением Qwen/Qwen2.5-Coder-7B-Instruct с помощью TRL. Модель построена на плотной архитектуре Qwen2 и содержит 7,1 млрд параметров; она предназначена для генерации текста в формате диалога. Пример в карточке показывает ответ на вопрос общего характера, а базовая модель ориентирована на генерацию, анализ и исправление программного кода. Модель принимает текст и выдаёт текст. Нативная длина контекста составляет 32 768 токенов; для запуска описан Transformers pipeline. Лицензия в предоставленных данных не указана.

KCh3dRi4n выпустил K-REAP-версию Qwen3-Coder-30B-A3B-Instruct с сокращённым числом маршрутизируемых экспертов. В каждом слое оставлено 112 из 128 экспертов, при этом активны 8; README указывает около 27 млрд параметров всего и 3,3 млрд активных. Метаданные каталога сообщают 2,6 млрд параметров, поэтому точный размер в описании не приводится. Модель предназначена для генерации кода и диалоговых сценариев, включая работу на корейском и английском языках; заявленная длина контекста — 262 144 токена. По приведённым в карточке тестам, K-REAP сохраняет близкие к исходной модели результаты на корейских и англоязычных бенчмарках, а также на задачах программирования и математики. Модель доступна в формате safetensors BF16 и рассчитана на запуск через MLX или Transformers; метаданные также отмечают интерфейс вызова инструментов. Она распространяется по лицензии Apache-2.0. Приведённые результаты получены на полных наборах и детерминированных подвыборках, поэтому они не гарантируют такое же качество на любых задачах.

ClaudioItaly/Qwen-Density — объединённая языковая модель на базе Qwen2.5-Coder-7B-Instruct, созданная с помощью mergekit и метода TIES. В конфигурации указаны 7,1 млрд параметров, архитектура Qwen2 для авторегрессионной генерации текста и формат safetensors с точностью bfloat16; базовая модель перечислена трижды с одинаковыми настройками слияния. Модель предназначена для генерации текста в диалоговом формате и может применяться для задач программирования, включая написание, анализ и исправление кода, унаследованные от базовой модели. Контекст составляет до 32 768 токенов. Метаданные указывают интерфейс вызова инструментов, однако README не приводит отдельной оценки качества или примеров работы именно этой сборки. Лицензия в предоставленных данных не указана.

RAIZEN — специализированная модель для помощи в разработке программного обеспечения, созданная SHAWAZ на основе Qwen2.5-Coder-7B-Instruct путём дообучения. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, опубликованная в формате safetensors; длина контекста составляет 32 768 токенов. Модель предназначена для генерации и объяснения кода, отладки и проектирования full-stack приложений. В карточке заявлены сценарии с React, Next.js, Tailwind CSS, FastAPI, PostgreSQL и SQL, включая разработку интерфейсов, проектирование API и схем данных, а также поиск причин ошибок. Метаданные указывают на поддержку английского языка и кода. Модель распространяется по лицензии Apache-2.0. Заявления о качестве и пригодности для промышленного использования приведены автором; независимых оценок в предоставленных материалах нет.

mondk/Safetensors.Claude-Qwen3.5-4B-Reasoning — дообученная модель семейства Qwen3.5, созданная на основе TeichAI/Qwen3.5-4B-Claude-Opus-Reasoning-Distill. Это плотная модель с архитектурой Qwen3_5ForConditionalGeneration, опубликованная в формате Safetensors и лицензированная по Apache-2.0. Поддерживает диалог, интерфейс вызова инструментов и работу с изображениями; в карточке указаны английский, китайский и вьетнамский языки. Модель ориентирована прежде всего на рассуждения и помощь в программировании. Для дообучения использованы наборы трасс Claude Code и примеры рассуждений Claude Sonnet и Claude Opus. В описанном автором небольшом тесте модель прошла 5 из 5 простых, 8 из 8 средних и 5 из 7 сложных задач; это результаты конкретного набора вопросов, а не независимая оценка качества. Автор также сообщает об улучшении результата для задач программирования на 23%, не уточняя методику сравнения.

ScreenParser — модель обнаружения элементов пользовательского интерфейса, разработанная IBM Research и ETH Zurich. Это YOLO11-L, дообученная на наборе ScreenParse v2 для анализа скриншотов веб-страниц. На вход подаётся изображение экрана, на выходе — рамки объектов, метки классов и оценки уверенности для 55 типов элементов, включая кнопки, поля ввода, меню, вкладки, текстовые блоки и изображения. Модель предназначена для разбора структуры веб-страниц, поиска и классификации видимых компонентов интерфейса. Текущий чекпойнт обучен на 1 447 100 скриншотах с 25 575 213 аннотациями элементов; обучение учитывает разные разрешения экранов. Модель принимает изображения и возвращает разметку в виде рамок и меток. Для извлечения текста из найденных элементов её можно сочетать с OCR или ScreenVLM. Лицензия — Apache 2.0. Модель обучена на скриншотах веб-страниц, поэтому качество может снижаться на скриншотах нативных настольных, мобильных и других приложений, отличающихся от обучающих данных.

UI-TARS-7B-SFT — модель визуально-языкового агента для взаимодействия с графическими интерфейсами, разработанная ByteDance Seed. Она объединяет восприятие экрана, рассуждение, привязку команд к элементам интерфейса и память в одной модели, чтобы автоматизировать задачи в GUI без заранее заданных сценариев. Модель предназначена для управления веб-сайтами, настольными и мобильными приложениями по визуальному контексту. Это плотная модель семейства Qwen2-VL с архитектурой Qwen2VLForConditionalGeneration и 7,1 млрд параметров. Она принимает изображения и текстовые инструкции, поддерживает диалоговый режим и формирует текстовые ответы, включая команды или действия агента. Нативная длина контекста — 32 768 токенов; в карточке указан английский язык. Модель опубликована в формате Safetensors. Карточка приводит оценки на наборах для восприятия интерфейсов, определения расположения элементов и выполнения агентных задач. Это вариант SFT; README указывает также на версии DPO, рекомендуя их, поэтому для выбора актуального варианта стоит учитывать, что здесь описана именно SFT-версия. Лицензия Apache-2.0.

VISTA-9B — мультимодальная модель для привязки инструкций к элементам графического интерфейса, разработанная на базе Qwen3.5-9B. Она принимает скриншот и инструкцию на естественном языке и выдаёт координаты точки на целевом элементе в нормализованной шкале от 0 до 1000. Модель использует архитектуру Qwen3.5 для генерации текста и обработки изображений; обучение VISTA применяет сопоставление разных видов одного интерфейса и проверку предсказаний между видами для повышения точности локализации. Модель подходит для поиска кнопок, полей и других элементов по текстовым инструкциям, например в сценариях автоматизации GUI. В карточке приведены результаты оценки на бенчмарках GUI grounding; они относятся к детерминированному декодированию и одиночному виду изображения. Репозиторий содержит веса SafeTensors, лицензия — Apache-2.0.

Schneewolf Labs B0-27B — внутренняя 27-миллиардная модель семейства Familiar, разработанная Schneewolf Labs на основе Hemlock-Qwen3.8-27B. Это плотная мультимодальная модель Qwen3.5 для диалогов, выполнения инженерных задач и работы с инструментами; она принимает текст и изображения и генерирует текст. В README описаны два этапа обучения: объединение базовой модели с адаптером для программирования, затем ORPO-обучение на смеси предпочтений, включая данные, пересобранные на основе объединённой модели. Веса распространяются в формате Safetensors, лицензия — Apache-2.0. Модель предназначена для локального использования в роли оператора, который выполняет инженерные задачи сквозным образом, в том числе через агентскую связку с Codex. По внутренним оценкам авторов, она выполнила 6 из 6 задач kirabench и показала более быстрое выполнение одной задачи с исправлением тестов по сравнению с базовой моделью. README также сообщает о сохранении башни зрения и тензоров MTP базовой модели; включён mmproj для GGUF-репозитория. Результаты основаны на внутренних тестах и ограниченной выборке: на egirl operator bench модель набрала 42/47 против 47/47 у базы, с пятью отмеченными авторами ошибками при выборе одиночных вызовов инструментов. Описанные возможности и оценки не являются независимой проверкой. Размер контекста и список поддерживаемых языков в предоставленных данных не указаны; метаданные карточки отмечают английский язык.

CodeQwen1.5-7B-OpenDevin — языковая модель для программирования, разработанная OpenHandsCommunity. Это дообученная версия CodeQwen1.5-7B на задачи агента OpenDevin; модель построена на архитектуре Qwen2 и содержит 6,9 млрд параметров. Она предназначена для генерации и понимания кода, а также для разработки, отладки и итеративного исправления программных проектов. Поддерживает контекст до 65 536 токенов и доступна в формате PyTorch; для запуска авторы рекомендуют развернуть её на GPU и обращаться через OpenAI API. В оценке SWE-Bench-Lite в среде OpenDevin CodeAct 1.3 модель решила 4 задачи, создав pull request с исправлениями. Авторы отмечают, что это эксперимент дообучения и что её результаты значительно уступают GPT-4. Лицензия в предоставленных данных не указана.

Darwin-28B-Opus — языковая модель для генерации текста и многошаговых рассуждений, созданная Darwin V7 слиянием Qwen3.6-27B и её варианта, дообученного на рассуждениях в стиле Claude Opus. Модель сохраняет плотную архитектуру Qwen3.6 с гибридным вниманием и содержит 27,6 млрд параметров; веса представлены в BF16 и доступны в формате safetensors. Поддерживается режим рассуждений, а интерфейс предусматривает вызов инструментов. Модель предназначена для решения сложных задач по естественным наукам и математике, генерации и отладки кода, а также других задач, требующих цепочки рассуждений. В карточке заявлены английский как основной язык, а также поддержка корейского, китайского и японского. Для задач GPQA Diamond авторы сообщают результат 88,89% при трёхэтапном адаптивном оценивании; этот показатель зависит от описанного протокола и не равен результату обычного одиночного ответа. Для запуска весов BF16 требуется около 55 ГБ видеопамяти. Модель может выдавать многословные рассуждения; длину ответа можно ограничивать параметром max_new_tokens. Лицензия — Apache 2.0.

Team-Coffee-Gym/DS-Coder-7B-PPO-CoffeeEval — модель семейства Llama, обученная с помощью PPO на COFFEE-GYM. Она генерирует текстовую обратную связь для ошибочного кода и предназначена для сценариев, где нужно объяснить проблему или помочь пользователю исправить ошибку. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 16 384 токенов. Метаданные указывают на возможность чат-взаимодействия. Лицензия в предоставленных данных не указана.

FIM-8B — языковая модель TIGER-Lab для генерации кода и работы в агентных сценариях разработки ПО. Она создана на основе Qwen/Qwen3-8B: модель прошла дообучение на данных function-aware Fill-in-the-Middle, а затем SFT на траекториях агента SWE-Lego. В репозитории указано 7,6 млрд параметров; архитектура — плотная Qwen3ForCausalLM, формат весов — safetensors. Модель предназначена для решения задач программной инженерии через агента, в частности для выполнения задач SWE-Bench с OpenHands CodeActAgent. В оценке по SWE-Lego модель получила в среднем 35,0 на SWE-Bench-Verified и 32,7 на SWE-Bench-Lite по трём запускам; README сообщает об улучшении на 3,2 и 5,4 пункта соответственно относительно воспроизведения SWE-Lego на Qwen3-8B. Контекст составляет до 163 840 токенов. Указана лицензия Apache-2.0. Карточка не подтверждает поддержку изображений или иных входных модальностей помимо текста.

alykassem/FLAN-T5-Paraphraser — модель перефразирования, разработанная для исследования по поиску граничных случаев с помощью целевого перефразирования. Она основана на FLAN-T5-large и дообучена в течение девяти эпох на отфильтрованном наборе из 96 073 пар перефразирования, собранных из семи источников. Модель принимает текст и генерирует его перефразированный вариант; в описании заявлена поддержка обычного и целевого перефразирования для создания разнообразных формулировок. Основной сценарий применения — генерация состязательных обучающих примеров, помогающих находить граничные случаи в моделях машинного обучения при небольшом искажении исходного распределения данных. Модель также подходит для общего перефразирования и интеграции с библиотекой Parrot. В карточке указаны 385,2 млн параметров, архитектура T5, контекст до 512 токенов и лицензия Apache-2.0. Для английского языка есть подтверждение в метаданных; качество для других языков не заявлено.

Ganesh JavaScript v0.1.0 — специализированная языковая модель на 12 млрд параметров для генерации и дополнения кода на JavaScript, исправления ошибок, отладки, рефакторинга и поддержки разработчиков. Модель разработана и выпущена ExecuteSpec R&D Lab; она предназначена также для оценки coding-agent и инструментов разработчика, а также для исследований и экспериментов с локальным или размещённым инференсом. Модель основана на Gemma 4 12B IT и работает в режиме генерации текста. Доступны объединённые веса в форматах BF16 SafeTensors, GGUF Q8_0 и GGUF Q4_K_M; репозиторий содержит полный самостоятельный чекпойнт. Q8_0 ориентирован на сохранение точности, а Q4_K_M снижает требования к памяти и дисковому пространству. В README указаны английский язык и специализация на JavaScript, но размер контекста и дополнительные модальности не описаны. По узким версиям тестов модель получила 22 из 25 на JavaScript-наборе исполняемых задач против 18 из 25 у базовой модели и 147 против 146 на заявленной 161-задачной поверхности MultiPL-E JavaScript. Эти результаты не являются гарантией общего превосходства. Модель может генерировать ошибочный, неполный, небезопасный или неэффективный код, выдумывать API и не учитывать соглашения конкретного проекта; результат необходимо проверять и тестировать. Выпуск v0.1.0 заморожен и предназначен для оценки. Использование регулируется применимыми Gemma Terms of Use и Gemma Prohibited Use Policy.

Gemma 4 12B Reviewer — MLX 4-bit — это дообученная модель на базе google/gemma-4-12B-it, разработанная для ревью программных проектов и исходного кода. Модель распространяется в формате MLX и оптимизирована для локального запуска на устройствах Apple Silicon; веса дообучения объединены с базовыми, поэтому отдельный адаптер не требуется. Модель предназначена для поиска замечаний в коде, включая нарушения политик комментариев и именования, подготовки сфокусированных и actionable-рекомендаций, а также работы с инструментами репозитория. В карточке указаны текстовая генерация и практический стартовый контекст 16 384 токена. Размер модели — 12B параметров; сведения о поддерживаемых языках и мультимодальности не указаны. По данным в README, на специализированном наборе проверки модель набрала 97/100: выявила все 50 случаев, требовавших изменений, и корректно обработала 47 из 50 чистых примеров. В отдельной выборке она вернула NO_COMMENT для всех 10 корректных изменений. Ограничение заключается в том, что при одновременном наличии в небольшом diff нарушения комментария и непрозрачного имени модель может сообщить только об одном из них; для исчерпывающей проверки рекомендуется выполнять отдельные проходы по политикам. Лицензия в предоставленных данных не указана.

TeichAI Gemma 4 26B A4B IT Claude Opus Distill v2 — мультимодальная диалоговая модель, дообученная на базе unsloth/gemma-4-26B-A4B-it с помощью Unsloth. Для дообучения использовались наборы с траекториями рассуждений Claude Opus; версия v2, по карточке модели, меняет параметры обучения и исправляет некоторые циклические или обрывающиеся ответы. Модель предназначена для генерации кода, отладки, планирования архитектуры программ, научного анализа, многошаговых исследовательских запросов и повседневных задач, требующих последовательных рассуждений. Архитектура Gemma 4 поддерживает диалог и обработку изображений; README также описывает обработку видео кадрами. Метаданные указывают формат safetensors и лицензию Apache-2.0. Карточка заявляет о применении модели в Cline, Codex и Cursor для создания веб-приложений и скриптов, однако сравнительные бенчмарки пока не приведены. Возможности базовой Gemma 4 не следует автоматически считать проверенными именно для этой дообученной версии; заявленные качества рассуждений основаны на описании автора.