II.4Отладка, тестирование и качество ПО

Это экспериментальная дообученная версия Gemma 4 26B A4B IT, подготовленная glyphsoftware с помощью Unsloth. Модель обучена методом supervised fine-tuning на примерно 8,7 тыс. примеров рассуждений, дистиллированных из Claude Opus 4.6 и 4.7. Она предназначена для диалогов и генерации текста с упором на многошаговое рассуждение, планирование и самопроверку; поддерживает интерфейс вызова инструментов. Основа — мультимодальная архитектура Gemma4ForConditionalGeneration с экспертной архитектурой MoE. Базовая модель принимает текст, изображения, аудио и видео; README заявляет контекст до 262 тыс. токенов. Метаданные указывают формат safetensors и лицензию GPL-3.0. Обучающие примеры акцентируют математику, код, логику и разбиение задач на шаги. Мультимодальные возможности унаследованы от базовой модели и специально не улучшались этим дообучением. Небольшой обучающий набор скорее влияет на стиль рассуждений, чем обеспечивает широкий прирост возможностей; возможны ошибки и перенос особенностей стиля и отказов Claude. Дополнительная настройка безопасности не проводилась, поэтому для высокорисковых сценариев нужны проверка человеком и собственные защитные меры.

gemma-coder — дообученная методом QLoRA модель для генерации кода на основе google/gemma-4-26B-A4B-it. Она предназначена для работы в агентной среде, где написанный код запускается и проверяется в песочнице. В README заявлены генерация кода и проверка существующего кода на уязвимости; целевые области безопасности включают ошибки управления памятью, путаницу типов и нарушения границ привилегий. Базовая модель относится к семейству Gemma 4 и использует архитектуру со смесью экспертов; в README указано около 4 млрд активных параметров. Дообучение выполнено на наборе bigcode/self-oss-instruct-sc2-exec-filter-50k. Модель ориентирована на код на Python, JavaScript/React, Go, Java и Swift; карточка также сообщает о шести языках, но не называет шестой. Текущая оценка кода описана как небольшая дымовая проверка на 16 задачах, а результаты оценки безопасности на ExploitGym ещё не опубликованы. Модель может ошибаться или генерировать небезопасный код, поэтому результаты требуют проверки и тестирования человеком. README не рекомендует использовать её для создания эксплойтов, в системах безопасности с критическими последствиями или без проверки человеком. Указана лицензия Gemma.

Coder40-95/GLM-5.3-GGUF — это квантованная версия языковой модели GLM-5.3, разработанной Z.ai и распространяемой в формате GGUF. В карточке указано, что модель основана на zai-org/GLM-5.3, а квантование связано с экосистемой Unsloth. Модель предназначена для генерации текста, сложного программирования, длительных многоэтапных задач, работы с инструментами и агентских сценариев. Заявлена поддержка английского и китайского языков. Ключевое преимущество GLM-5.3 — улучшенная по сравнению с GLM-5.2 способность к программированию и задачам, требующим продолжительного планирования. В README также заявлены высокие результаты в тестах поиска уязвимостей и эксплуатации, поэтому модель может быть полезна для исследовательских и защитных задач кибербезопасности при соблюдении соответствующих ограничений. Доступно управление интенсивностью рассуждений через параметр reasoning_effort со значениями low, high и max; по умолчанию используется max. Размер модели, точная архитектура, параметры квантования и стандартная длина контекста в карточке не указаны. Модель ориентирована на локальный запуск совместимых GGUF-инструментов, однако конкретные требования к памяти и производительности зависят от варианта квантования и оборудования. Ограничения включают возможные ошибки генерации, а также необходимость осторожного применения заявленных кибербезопасностных возможностей. Лицензия обозначена как glm-5.3; подробные условия её использования в README не приведены.

GLM-5.3-MLX — это MLX-сборка официальной модели GLM-5.3 от Z.AI, подготовленная OrcaRouter для Apple Silicon и MLX CUDA backend. Модель предназначена для генерации текста, программирования, задач рассуждения и длительных агентских инженерных сценариев, включая анализ кода и проверку pull request. Поддерживаются английский и китайский языки. Модель использует разреженную MoE-архитектуру glm_moe_dsa с MLA и механизмом sparse attention в стиле DeepSeek с общим индексатором. Заявленный объём составляет 753 млрд параметров, из которых около 39 млрд активны одновременно; контекстное окно — до 1 млн токенов. Модель поставляется в вариантах 2-, 3-, 4- и 6-битной квантизации OrcaSAQ, причём 4-битная версия является рекомендуемой и размещена также в корне репозитория. В методе OrcaSAQ чувствительные компоненты получают повышенную точность, attention сохраняется в 8-битном формате, а индексатор DSA — в BF16. Главное преимущество сборки — существенное снижение требований к памяти при сохранении качества по сравнению с исходной FP8-версией, а также оптимизация для экосистемы MLX. Ограничением остаются чрезвычайно высокие требования к оперативной памяти: размер файлов составляет примерно 322–671 ГБ в зависимости от варианта, поэтому даже 4-битная версия требует около 480 ГБ RAM, а 6-битная не помещается на одном современном Apple Silicon компьютере. Модель распространяется по лицензии GLM-5.3; точные условия определяются файлом лицензии по указанной ссылке.

Карточка модели ahmed-amedo/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.

Minos — классификатор отказов в ответах ассистента, разработанный Nous Research. Он анализирует пары «запрос пользователя — ответ ассистента» и относит ответ к одному из двух классов: отказ или не отказ. Модель предназначена для контроля отказов в приложениях и проверки синтетических ответов. Модель основана на энкодере ModernBERT-large и дообучена для классификации последовательностей. Она содержит 394,7 млн параметров, принимает текст длиной до 8192 токенов и выдаёт метку класса с оценкой уверенности. В README описан шаблон, где текст запроса и ответа объединяется с разделителями пользователя и ассистента; для многоходовых диалогов можно объединять несколько таких обменов. Minos рассчитан на распознавание отказов, а не на создание ответов. Качество классификации вне описанных сценариев и поддерживаемые языки в карточке не подтверждены. Модель распространяется по лицензии Apache-2.0.

senseable/moe-x33 — модель генерации текста для помощи в программировании, опубликованная пользователем senseable. README описывает её как модель для понимания и создания кода, включая генерацию фрагментов и скриптов, отладку и ответы на вопросы о программировании. Примеры применения включают работу с Python и другими языками программирования. В метаданных указаны архитектура Mixtral MoE с классом MixtralForCausalLM, 33,1 млрд параметров и контекстное окно 16 384 токена. Репозиторий содержит веса в формате safetensors; модель предназначена для текстового ввода и генерации текста. Метаданные связывают её обучение с наборами синтетических задач извлечения информации и инструкций по программированию Magicoder-Evol-Instruct-110K. README называет модель основанной на Llama, что расходится с архитектурой Mixtral в метаданных, поэтому базовую модель установить нельзя. Лицензия — Apache-2.0. README заявляет поддержку разных языков программирования, но не перечисляет их; метаданные указывают английский как язык карточки. Приведённые в карточке результаты нескольких тестов не позволяют оценить качество на конкретных языках программирования или сценариях. Сгенерированный код следует проверять перед использованием.

Карточка модели shaffhausenquant/OpenThinkerAgent-32B-SFT-316 на Hugging Face совпадает с карточкой trinityomnis/OpenThinkerAgent-32B-SFT-316, поэтому описание составлено по ней. OpenThinkerAgent-32B-SFT-316 — дообученная командой OpenThoughts-Agent модель на основе Qwen/Qwen3-32B. Она обучена методом full-parameter SFT на 316 примерах траекторий агента и предназначена для диалоговой работы с задачами программной инженерии, командной строкой и техническими вопросами. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 29,7 млрд параметров и принимает текстовый ввод с контекстом до 40 960 токенов. В README приведены результаты оценки в среде terminus-2: модель показала 16,3 на SWE-Bench-Verified-100, 24,2 на OpenThoughts-TBLite и 13,1 на Terminal-Bench 2.0; оценки получены как pass@1, усреднённый по трём случайным прогонам. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Ozygram Neural 7B v2 — специализированная текстовая модель для программирования, разработанная Ozygram Research & Autonomous Engineering Team на базе Qwen2.5-7B-Instruct. Это дообученная модель семейства Qwen2 с плотной архитектурой Qwen2ForCausalLM и 7,1 млрд параметров. Она предназначена для локального анализа ошибок и подготовки исправлений кода: README описывает поиск причин ошибок, оценку изменений в AST и выдачу действий в формате JSON для интеграции с IDE и локальными агентами. Заявлены контекст до 32 768 токенов и поддержка английского и испанского языков; доступны веса Safetensors и квантованный GGUF Q4_K_M. Модель подходит для генерации кода и предложений по исправлению ошибок, однако README сообщает главным образом о собственных тестах разработчика и не приводит независимой оценки качества. Указанная в README точность токенов и результаты бенчмарков не подтверждают качество на широком наборе проектов. Лицензия — Apache-2.0.

Polaris-V1 — открытая 4-миллиардная dense causal language model, разработанная NitrAI Research и представленная как NitrAI Lab. Это дообученная версия Qwen/Qwen3.5-4B, выровненная с помощью reinforcement learning с наградами за многофайловый синтез кода и проверку теорем. Модель предназначена для генерации и анализа программного кода, сложного рассуждения, автономных агентных сценариев и задач, связанных с исправлением программных проектов. Модель поддерживает английский и китайский языки, работает в режиме text generation и имеет контекстное окно до 1 592 638 токенов с масштабированием RoPE через YaRN. Заявлены требования от 3,2 ГБ VRAM для Q4_K_M до 8,4 ГБ для FP16, что позволяет запускать её на потребительских GPU и Apple Silicon. Поддерживаются Transformers, Ollama и llama.cpp/GGUF; также заявлено спекулятивное декодирование со скоростью 540–720 токенов в секунду при использовании Qwen3.5-0.8B-Draft. Сильные стороны Polaris-V1 — сочетание компактного размера, локального запуска, большого контекстного окна и специализации на программировании и агентном рассуждении. В README указаны результаты: 31,4% Pass@1 на SWE-bench Verified, 38,5% Task Completion Rate на WildClawBench и 26,8% Pass@1 на DeepSWE. Ограничения включают сравнительно небольшой размер и узкую специализацию по сравнению с более крупными моделями, а также отсутствие подробных сведений о качестве на других задачах, фактической эффективности длинного контекста и ограничениях аппаратной совместимости. Модель распространяется по лицензии Apache 2.0.

QaptaanLM-0.75B-Instruct — компактная текстовая причинно-следственная языковая модель для программирования и технических задач, разработанная kaptaan45 на базе QaptaanLM-0.75B. Это плотная архитектура Qaptaan с числом параметров 581,4 млн по метаданным; README приводит другое значение — 752 млн. Модель дообучена на KapInstruct-100M с форматом Qwen ChatML и маскированием функции потерь только на ответах ассистента. Указана длина контекста 262 144 токена. Модель предназначена для генерации кода на разных языках программирования, алгоритмических рассуждений, отладки, исправления ошибок и следования инструкциям с ограничениями. В обучающих данных также представлены математика, общий диалог, STEM и научные вопросы. Поддерживает текстовый диалог и интерфейс вызова инструментов; карточка указывает поддержку английского языка. Репозиторий использует формат Safetensors, лицензия — Apache-2.0. Компактный размер удобен для локального применения, однако качество и надёжность ответов на сложных задачах требуют проверки.

Это изменённая версия Qwen2.5-Coder-3B-Instruct, созданная автором skilledu методом abliteration — удалением отказов модели. Она предназначена для диалоговой генерации кода и ответов на текстовые запросы о программировании. Модель построена на плотной архитектуре Qwen2 и содержит 3,1 млрд параметров; контекст составляет до 32 768 токенов. В карточке указана поддержка английского языка, а для загрузки в приложениях предлагается библиотека Transformers. Модель может помогать писать, анализировать и исправлять код в разговорном формате. Изменение, направленное на снижение отказов, не гарантирует корректность или безопасность результатов. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и лицензией базовой модели.

Qwen-32B-Syntactic-Exploit-Core-BF16 — 32-миллиардная плотная языковая модель для генерации текста, собранная автором из Qwen/QwQ-32B и Qwen/Qwen2.5-Coder-32B-Instruct. Карточка заявляет слияние весов методом SLERP и изменение поведения отказов; эти заявления не сопровождаются проверяемыми результатами, поэтому их следует считать описанием автора, а не подтверждёнными свойствами. Модель использует архитектуру Qwen2ForCausalLM и формат safetensors; заявленная длина контекста — 32 768 токенов. Модель предназначена прежде всего для генерации и анализа кода, отладки и проектирования программных систем, а также для текстовых задач рассуждения. Поддерживаемые языки в метаданных не перечислены. Модель распространяется по лицензии Apache-2.0. Карточка не приводит воспроизводимых бенчмарков или подробностей оценки качества, поэтому заявленные преимущества в кодировании и рассуждении нельзя считать независимо подтверждёнными.

Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled — мультимодальная плотная модель на 27 млрд параметров, созданная Jackrong дообучением Qwen/Qwen3.5-27B. По карточке, обучение методом SFT было направлено на структурированные рассуждения с использованием примеров, связанных с Claude-4.6 Opus; среди датасетов указаны наборы для reasoning. Модель принимает текст и изображения и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Модель предназначена для сложных аналитических запросов, программирования, математики и сценариев coding-агентов. В README заявлены поддержка роли developer, сохранение режима рассуждений и более продолжительная автономная работа; эти характеристики представлены как результаты автора и сообщества. Модель может ошибаться в фактах, а карточка предупреждает о возможных проблемах совместимости интеграций и шаблонов, поскольку выпуск обозначен как preview. Репозиторий содержит веса safetensors; лицензия — Apache-2.0.

Qwen3.5-4B-KIMI-Distill — мультимодальная модель с 4 млрд параметров, созданная clzoro дообучением Qwen3.5-4B на трассах рассуждений, дистиллированных из KIMI-K2.5. Она сочетает языковую модель с энкодером изображений и сохраняет возможности понимания изображений исходной модели. В карточке Hugging Face указаны архитектура Qwen3.5, поддержка диалога и изображений, а также лицензия Apache-2.0. Модель предназначена для задач рассуждения, прежде всего генерации и анализа кода, решения математических задач и ответов на вопросы по естественным наукам; также может работать с изображениями. Данные дообучения включают 554 381 пример и около 2 млрд токенов рассуждений; основная доля примеров посвящена программированию. Карточка заявляет поддержку английского и китайского языков. Модель может ошибаться в ходе рассуждений и в выводах, а на творческих и открытых диалоговых задачах может работать хуже. Её знания ограничены обучающими данными; ответы в медицинской, юридической и финансовой тематиках требуют проверки.

Tendrun выпустил дообученную на базе Qwen/Qwen3.6-27B модель для локальных задач программирования с упором на Python и Django. Модель обучена методом LoRA на наборе из более чем 24 тысяч записей, подготовленных по коду Python/Django-репозиториев, и предназначена для работы в цикле разработки с coding-agent инструментами. Модель помогает создавать Django-приложения и backend-функции, разбирать трассировки ошибок, исправлять код в нескольких компонентах проекта и выполнять итеративный ремонт. Релиз представлен в формате GGUF с квантизацией Q4_K_M для локального запуска через совместимые инструменты, включая llama.cpp. Метаданные указывают лицензию Apache-2.0 и английский язык карточки; интерфейс модели принимает и генерирует текст и код. В ручных локальных проверках автор отмечает полезность для разработки backend-функций и исправления ошибок Django, однако стандартизированного публичного бенчмарка не проводилось. Модель ориентирована на backend: качество дизайна интерфейсов может быть базовым, а сгенерированный код, особенно валидацию, платежную логику и функции безопасности, необходимо проверять.

trohrbaugh/Qwen3.6-27B-heretic-ara — производная модель семейства Qwen3.6, опубликованная пользователем trohrbaugh. Это 27-миллиардная плотная модель с языковой частью и энкодером изображений; веса представлены в формате Safetensors и совместимы с Transformers и рядом движков инференса. Карточка описывает изменение модели методом abliteration: в приведённом сравнении доля отказов снизилась с 99 до 4 из 100, а KL-дивергенция относительно исходной модели составила 0,0469. Модель предназначена для диалогов с текстом и изображениями, программирования, работы с репозиториями и сценариев с агентами и вызовом инструментов. Исходная карточка Qwen3.6 указывает контекст 262 144 токена с возможностью расширения до 1 010 000 токенов; для этой производной модели отдельное подтверждение сохранения максимума не приведено. Языки перечислены в опущенной части README, поэтому их нельзя достоверно указать. Модель лицензирована по Apache-2.0. Снижение частоты отказов может означать ослабление встроенных ограничений безопасности; результаты в карточке основаны на небольшом сравнении и сами по себе не подтверждают качество или безопасность в иных сценариях.

Qwen3.6-35B-unsloth-code-reasoning-deepseek-v4-pro-destilled-Mlx-4bit — это общественная 4-битная конверсия в формат MLX модели Qwen3.5 MoE с примерно 35 млрд параметров. Модель основана на архитектуре Qwen3_5MoeForConditionalGeneration, дообучена с использованием Unsloth для генерации кода и пошагового рассуждения и дистиллирована на трассировках рассуждений DeepSeek v4 Pro. Конверсию подготовил пользователь 10Hen10; базовые компоненты связаны с Qwen и Unsloth, а инференс рассчитан на фреймворк Apple MLX. Модель предназначена для генерации, дополнения и объяснения кода, задач по математике и логике, отладки, агентских сценариев с вызовом инструментов и локального конфиденциального запуска на macOS. Она поддерживает текст, изображения и видео, а также встроенный function/tool calling в шаблоне чата. Основной язык — английский; поддержка других языков не является целевой. Контекстное окно в README не указано. Используется разреженная Mixture-of-Experts-архитектура, поэтому на каждом токене активна только часть параметров. Веса имеют 4-битное affine-квантование с размером группы 64, а чувствительные router/gate-слои сохранены в 8-битном формате. Для Apple Silicon M1–M4 рекомендуется не менее 32 ГБ unified memory; сами веса занимают примерно 20–22 ГБ, ещё около 2–4 ГБ требуется для KV-кэша и служебных данных. К сильным сторонам относятся сочетание кодогенерации и рассуждений, мультимодальность, поддержка инструментов и возможность локального запуска на совместимых устройствах Apple. Ограничения включают отсутствие официальных результатов бенчмарков, возможное снижение качества из-за 4-битного квантования, галлюцинации и ошибки в коде, а также зависимость качества рассуждений от учительской модели и данных дистилляции. Модель распространяется по лицензии Apache-2.0.

Ratanak/Qwen3.8-27B-OBLITERATED — текстовая генеративная модель на базе Qwen/Qwen3.8-27B, разработанная в сообществе Ratanak и ориентированная на сценарии, где требуется минимальное количество отказов и защитных рассуждений. Модель предназначена для генерации текста и кода, исследовательских задач в области AI safety и red teaming, а также агентных сценариев, включая автоматизацию программирования и тестирование безопасности. Модель имеет архитектуру Qwen3, размер 27 млрд параметров и доступна в форматах GGUF, Safetensors и MLX. Поддерживает режимы с рассуждением и без него; рекомендуемый режим — без рассуждения. В README не указаны точный размер контекста и перечень поддерживаемых языков. Для генерации рекомендуются температура 0, repetition penalty 1.15 и не менее 2048 новых токенов; для агентных сценариев допустимы температура 0,1–0,3 и более короткие ответы. К сильным сторонам относятся сохранение большей части возможностей исходной модели, генерация рабочего кода и сниженное количество жёстких отказов и формальных защитных отступлений. По приведённым данным, показатель MMLU версии V3 составляет 82,3%, что на 2,1 процентного пункта ниже базовой модели. Ограничения включают возможное зацикливание без repetition penalty, снижение качества при высокой температуре и потенциальные риски использования модели для вредоносных или небезопасных запросов. Указана лицензия Apache-2.0.

Solstice-AI/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU-NVFP4 — релиз Solstice-AI, основанный на модели DavidAU Qwen3.8-27B-TURBO-Fable-Cold-Fusion. Это 27-миллиардная языковая модель с поддержкой английского и китайского языков, оптимизированная для работы на оборудовании NVIDIA Blackwell и Ada Lovelace в формате NVFP4. Указана поддержка контекста до 262 144 токенов. Модель также заявлена как мультимодальная: вместе с ней поставляется компонент mmproj-BF16.gguf для анализа изображений, архитектурных схем, пользовательских интерфейсов и видеокадров. Архитектура сочетает гибридное линейное внимание Qwen 3.8: 75% слоёв используют Gated Delta Recurrent Network с линейной сложностью по памяти, а 25% — Grouped-Query Attention. В модель включены Multi-Token Prediction с заявленной генерацией двух токенов за проход и объединение весов Cold Fusion GAIN. Разработчики позиционируют её для рассуждений, программирования, агентной разработки ПО, отладки репозиториев, управления компьютером и мобильными устройствами, а также выполнения длинных многофайловых сценариев. README приводит высокие результаты на SWE-bench Pro, LiveCodeBench v6, QwenSWEBench, OSWorld-Verified, AndroidWorld, IFBench и тестах ARC, однако эти показатели представлены самими разработчиками и требуют независимой проверки. Заявленная оптимизация ориентирована на NVIDIA Blackwell, включая B200, GB200 и RTX 5090; также упоминается совместимость с RTX 4090. Модель описана как uncensored и может иметь ослабленные ограничения отказа, что следует учитывать при эксплуатации. Лицензия — Apache 2.0.

Solstice-AI/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-NEO-CODER-mlx-oQ4e-1M — релиз модели на базе Qwen3.8-27B TURBO Fable Cold Fusion, разработанной DavidAU, с последующей квантизацией, масштабированием контекста и упаковкой от Solstice-AI. Модель предназначена для программирования, рассуждений, агентной разработки, отладки репозиториев и работы с длинными документами и проектами. В README также указана совместимость с задачами image-text-to-text, однако подробности о поддерживаемых визуальных входах не приведены. Модель содержит 27 млрд параметров и поставляется в формате Apple MLX oQ4e mixed precision с размером около 17,02 ГБ. Заявлены гибридная архитектура с блоками Gated Delta Recurrent Network и Grouped-Query Attention, механизм Multi-Token Prediction для ускорения генерации, а также YaRN-масштабирование RoPE до 1 048 576 токенов. Указаны языки English и Chinese. Основная среда применения — компьютеры Apple Silicon с unified memory, включая MacBook с 16 или 24 ГБ памяти, через Anvil и MLX-LM. Сильными сторонами заявлены высокая эффективность на Apple Silicon, большой контекст, поддержка задач кодирования и рассуждений, а также хорошие результаты на SWE-bench Pro, LiveCodeBench, QwenSWEBench, OSWorld, AndroidWorld, IFBench, CoWorkBench и ARC. Эти показатели приведены в README и не подтверждены независимой проверкой. Ограничениями являются зависимость от MLX и Apple Metal, требования к объёму unified memory, возможные потери качества из-за 4-битной квантизации и неполная информация о фактической мультимодальности и поведении на длинном контексте. Лицензия — Apache 2.0.

llamafy/Qwen-Qwen2.5-Coder-1.5B-Instruct-llamafied — конвертированная версия модели Qwen/Qwen2.5-Coder-1.5B-Instruct, опубликованная llamafy. Репозиторий заявляет преобразование в формат Llama для совместимости с программами, поддерживающими этот формат; метаданные указывают на дообучение относительно базовой модели и архитектуру LlamaForCausalLM. Модель предназначена для генерации кода в диалоговом формате и может применяться для ответов на вопросы о коде, его анализа и исправления. Она содержит 1,5 млрд параметров, принимает текст и имеет контекст длиной 4096 токенов. В качестве основного языка указать нельзя: сведения о языках в данных отсутствуют. Веса представлены в формате Safetensors. Лицензия в предоставленных данных не указана.

Qwopus3.6-27B-Fusion-BF16 — экспериментальная 27-миллиардная плотная модель Кайла Хесслинга, объединяющая навыки рассуждения Qwopus3.6-27B-v2 и написания кода Qwopus3.6-27B-Coder на базе Qwen/Qwen3.6-27B. Модель использует гибридную архитектуру Qwen 3.5 с линейным и периодическим полным вниманием, содержит 64 слоя и поставляется в формате safetensors с точностью BF16. Заявленный нативный контекст — 262 144 токена; чистая работа проверена на последовательностях до 60 000 токенов. Модель предназначена для агентного программирования в цикле «спланировать, написать, запустить и исправить», а также для задач рассуждения и генерации кода. По README, включённый по умолчанию режим thinking помогает ей самостоятельно разбирать ошибки и дорабатывать приложения. Сохранён визуальный энкодер базовой модели, и ввод изображений проверен на чтении текста со скриншотов, однако качество работы с изображениями отдельно не оценивалось. В README приведены результаты HumanEval, MBPP и GSM8K, но автор отмечает, что модель ещё не прошла строгую комплексную оценку. На сложных агентных задачах она может чрезмерно долго рассуждать и достигать лимита генерации; README рекомендует ограничивать max_tokens примерно 8 тысячами. Для запуска BF16-весов объёмом около 55,6 ГБ потребуется несколько GPU или выгрузка части вычислений на CPU. Лицензия указана как other, конкретные условия в предоставленных данных не описаны.

Starcoder2-15B-Instruct-v0.1 — языковая модель для генерации и обработки программного кода, разработанная командой BigCode. Представленная версия распространяется в формате GGUF для запуска через llama.cpp и LM Studio; квантизацию выполнил bartowski. Модель создана на базе StarCoder2-15B и дообучена методом самообучения на наборе self-oss-instruct-sc2-exec-filter-50k, без человеческой разметки и дистиллированных данных. Основное назначение модели — выполнение одношаговых инструкций, связанных с программированием, прежде всего генерация кода на Python, написание кода с требованиями и создание модульных тестов. Модель имеет около 15 миллиардов параметров и относится к текстовым моделям генерации; сведения о поддерживаемых языках программирования, естественных языках и размере контекста в карточке не указаны. Для корректной работы рекомендуется использовать шаблон запроса Starcoder2 Instruct в LM Studio. К сильным сторонам относятся специализация на задачах программирования и заметные результаты на тестах генерации и исправления кода: pass@1 составляет 72,6% на HumanEval, 75,2% на MBPP и 20,4% на LiveCodeBench для генерации кода. Ограничения включают ориентацию преимущественно на Python и одношаговый формат взаимодействия; другие стили запросов могут давать менее точные ответы. Модель может генерировать неточный или небезопасный код, поэтому результаты требуют проверки и тестирования. Лицензия указана как BigCode OpenRAIL-M.

Strand-Rust-Coder-14B-v1-GGUF — GGUF-квантизированная версия специализированной языковой модели для программирования на Rust. Модель разработана в экосистеме Fortytwo Network на базе Qwen2.5-Coder-14B-Instruct и дообучена методом LoRA на наборе Strandset-Rust-v1, содержащем 191 008 синтетических, проверенных примеров. Данные создавались и валидировались с использованием децентрализованной архитектуры Swarm Inference, в которой несколько моделей генерируют, проверяют и ранжируют ответы. Модель предназначена для генерации и дополнения Rust-кода, поиска и исправления ошибок, рефакторинга, оптимизации, генерации тестов и документации, code review, суммаризации, подбора имён и предсказания использования API. По заявленным результатам, она особенно сильна в задачах, связанных с пониманием владения и времён жизни Rust. На наборах RustEvo^2 и Hold-Out Set указаны показатели точности 43% и 48% соответственно; измерения проводились по доле прохождения модульных тестов при генерации одного ответа в изолированной среде Rust 1.86.0. Архитектура основана на Qwen2.5-Coder с 14 млрд параметров, GQA-вниманием и расширенными RoPE-эмбеддингами. Указаны контекст до 32 768 токенов и токенизатор с словарём около 151 тысячи элементов. GGUF-файлы созданы с помощью llama.cpp; автор также описывает выборочное повышение точности отдельных слоёв при квантизации, что может улучшать качество при увеличении размера файла. Модель ориентирована прежде всего на Rust и сохраняет общие возможности кодирования, однако заявленные метрики и преимущества относятся главным образом к Rust-задачам, а качество может зависеть от конкретного варианта квантизации. Лицензия — Apache-2.0.

SWE-agent-LM-7B — языковая модель команды SWE-bench для задач программной инженерии и работы в SWE-agent. Авторы дообучили Qwen/Qwen2.5-Coder-7B-Instruct на 5 тысячах траекторий, созданных SWE-agent совместно с Claude 3.7 Sonnet с помощью инструментария SWE-smith. Модель построена на архитектуре Qwen2 с плотной causal language model, содержит 7,1 млрд параметров и принимает текстовый ввод, выдавая текст. Контекстное окно — 32 768 токенов. Модель предназначена для интеграции с SWE-agent и может применяться в агентных сценариях разработки ПО, включая анализ задач и работу с кодом. В карточке указана совместимость с SWE-agent и интерфейс вызова инструментов. Модель распространяется по лицензии Apache-2.0.

SWE-Fixer-Retriever-7B — дообученная командой InternLM модель Qwen2.5-7B для поиска файлов исходного кода, относящихся к задаче на исправление GitHub issue. Она входит в конвейер SWE-Fixer retrieve-then-edit: сначала определяет релевантные файлы в репозитории, затем отдельный компонент редактирует код. Модель имеет архитектуру Qwen2ForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 131 072 токенов. Веса опубликованы в формате safetensors; базовая модель распространяется по лицензии MIT.

Ternary-Bonsai-27B-GGUF — набор GGUF-квантизаций модели Ternary-Bonsai-27B, подготовленный пользователем vcruz305 на основе официального F16-релиза prism-ml. В основе лежит backbone Qwen3.6-27B с гибридным вниманием, контекстом до 262 тысяч токенов и поддержкой vision. Модель предназначена для генерации текста и кода, диалоговых сценариев, программирования, рассуждений и отладки через llama.cpp. Репозиторий включает варианты Q3_K_M, IQ4_XS, Q4_K_M, Q5_K_M, Q6_K и Q8_0 размером примерно от 13,3 до 28,6 ГБ. Для большинства вариантов использована importance matrix, полученная на корпусе объёмом 63 КБ с примерами программирования, отладки и рассуждений; Q8_0 создан без неё. Доступны два файла mmproj для работы с изображениями. Производительность зависит от пропускной способности памяти и оборудования: на GB10 заявлены скорости примерно от 7,8 до 14 токенов в секунду. Сильная сторона модели — широкий диапазон квантизаций для систем с 12–32 ГБ памяти, а также сочетание генерации кода, рассуждений и визуального ввода. При объёме памяти до 8 ГБ автор рекомендует использовать официальные QAT-кванты prism-ml, поскольку они сохраняют более высокое качество. Совместное использование с DSpark drafter протестировано, но для этих квантизаций не рекомендуется: коэффициент принятия черновых токенов составил около 54%, поэтому прирост производительности может отсутствовать. Модель распространяется по лицензии Apache-2.0 и рассчитана на использование с llama.cpp.

AREX-2 — мультимодальная модель с 27 млрд параметров, разработанная Пекинской академией искусственного интеллекта (BAAI) для работы в качестве агента с длительным циклом решения задач. Она дообучена на базе Qwen/Qwen3.8-27B и использует плотную архитектуру, совместимую с Qwen3.8; модель принимает текст и изображения и выдаёт текст. Контекст составляет 262 144 токена. Модель рассчитана на итеративное решение задач: она предлагает вариант, анализирует оценки, журналы, ошибки и затраченное время, затем пересматривает решение в нескольких раундах. Обучение охватывает алгоритмическое программирование и инженерные задачи машинного обучения с проверяемой обратной связью, а также данные AREX для глубоких исследований. Авторы сообщают о переносе навыка самоулучшения на задачи глубокого исследования. Модель предназначена прежде всего для исследований длительных агентных циклов, рассуждений и использования инструментов. Репозиторий распространяется под лицензией Apache-2.0. Для запуска README рекомендует актуальную версию Transformers с поддержкой Qwen3.8. Качество зависит от задачи и организации тестовых раундов; модель не следует считать автономным исполнителем без внешней среды, обратной связи и проверки результатов.

Aletheia-Bench разработала BatchOnline-GRPO-14B — дообученную 14-миллиардную модель-верификатор кода на архитектуре Qwen2. Она принимает условие задачи по программированию и несколько кандидатных решений, оценивает их и ранжирует по корректности. Модель обучена методом полуонлайн GRPO: политика генератора синхронизируется каждые четыре шага; данные взяты из Aletheia-Train с решениями, проверенными выполнением. Модель предназначена для выбора правильного решения среди вариантов, автоматической оценки кода и использования в качестве функции вознаграждения при оптимизации моделей генерации кода. Базовая модель — DeepSeek-R1-Distill-Qwen-14B; заявленный контекст составляет 131 072 токена. Карточка описывает задачи на Python, C++ и Java, но метаданные не указывают естественные языки поддержки. Модель доступна в формате Safetensors через Transformers по лицензии CC-BY-NC-SA-4.0, которая ограничивает коммерческое использование. Результаты зависят от заданного формата промпта; точный формат приведён во внешнем репозитории проекта.