II.4Отладка, тестирование и качество ПО

Dagger-Qwen3.6-27B-MLX-MTP-BF16 — вариант модели bottlecapai/ThinkingCap-Qwen3.6-27B, подготовленный peculiar-ragdoll для MLX. Это плотная модель семейства Qwen3.5 с 27 млрд параметров, точностью BF16 и сохранённой MTP draft-головой nextn для спекулятивного декодирования в поддерживающем его runtime. Шаблон чата включает инструкции для кратких ответов и рассуждений, а также поддержку работы с инструментами; эта настройка применяется при каждом вызове. Модель предназначена для диалогов, многошагового агентного решения задач и программирования, в том числе работы с крупными репозиториями и длинными цепочками вопросов в одном контексте. Заявленное окно контекста составляет 262 144 токена. Карточка приводит результаты тестов на другой сборке — 6-битной MLX без MTP, поэтому их нельзя считать замерами именно этих файлов. Вариант сохраняет компонент зрения, но визуальные возможности не тестировались. Веса занимают около 52 ГБ, а длинный контекст требует значительной дополнительной памяти; для полного контекста автор рекомендует Mac с большим объёмом RAM. MTP ускорение требует совместимого runtime. Встроенную инструкцию краткости нельзя отключить через API, качество на задачах реального кода может требовать регрессионных тестов, а поведение отказов и безопасности повторно не оценивалось. Лицензия — Apache-2.0.

Gemma-2B-Finetuned-Python-Model — дообученная модель на архитектуре Gemma-2B, представленная suriya7. Она предназначена для помощи с Python-кодом: продолжения фрагментов, исправления синтаксиса, поиска потенциальных ошибок и предложений по улучшению читаемости и эффективности. Модель содержит 2,5 млрд параметров, использует плотную архитектуру GemmaForCausalLM и принимает текст с контекстом до 8192 токенов, выдавая текстовые ответы и код. Карточка указывает датасет Vezora/Tested-143k-Python-Alpaca и английский язык. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Модель рассчитана на программирование на Python, но качество рекомендаций и корректность сгенерированного кода требуют проверки.

hokar3361/gpt-oss-coderjs-v0.1 — экспериментальная модель генерации кода на JavaScript, созданная hokar3361 на базе openai/gpt-oss-20b. Это причинная языковая модель архитектуры GPT-OSS с MoE; её дообучили методом LoRA на небольшом отобранном наборе JavaScript-кода, а веса адаптера объединили с базовой моделью. В метаданных указан размер 1,6 млрд параметров и контекст до 131 072 токенов; для запуска автор рекомендует vLLM и длину контекста 16 000 токенов. Модель предназначена для дополнения и генерации фрагментов кода на JavaScript ES6+, небольших рефакторингов, исправления ошибок, написания тестовых заготовок и JSDoc. Для взаимодействия рекомендуются запросы на английском языке. Первичная оценка на небольшом наборе задач показала улучшение относительно базовой модели, однако полная проверка качества ещё продолжается. Модель выпущена по лицензии Apache-2.0. Из-за малого объёма данных обучения она может хуже справляться с редкими библиотеками и API, придумывать несуществующие API или типы и генерировать неполный либо небезопасный код; результаты следует проверять перед использованием.

Heartly Qwen-Code v3 — дообученная разговорная языковая модель для генерации и обсуждения кода, разработанная автором репозитория eivintobias на основе Qwen2.5-Coder-1.5B. Она использует архитектуру Qwen2 dense с 1,5 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель обучена полным дообучением в формате fp16 на 5 200 разговорных примерах; в карточке описан специальный формат вывода Heartly, предназначенный для снижения галлюцинаций, а также инструменты для очистки ответа перед показом пользователю. Модель подходит для диалоговых запросов о коде, включая написание и исправление программ. Для работы с сырым выводом может потребоваться обработчик, который удаляет служебную грамматику Heartly; README предупреждает, что некоторые интерфейсы могут некорректно отображать её теги. Репозиторий распространяется по лицензии MIT.

ROME — агентная языковая модель, представленная FutureLivingLab и созданная в рамках экосистемы ALE (Agentic Learning Ecosystem). Она предназначена для автономного выполнения многошаговых задач с использованием инструментов, в том числе работы в терминале и программной разработки. В карточке заявлены результаты 24,72% на Terminal-Bench 2.0 и 57,40% на SWE-bench Verified. Модель построена на архитектуре Qwen3 MoE и имеет 2,4 млрд параметров по метаданным; README описывает вариант ROME-30B-A3B с 30 млрд общих и 3 млрд активных параметров. Метаданные указывают контекст до 262 144 токенов, поддержку диалогов и интерфейс вызова инструментов. Лицензия — Apache-2.0. В README описаны обучение с подкреплением и алгоритм IPA для улучшения устойчивости и выполнения длительных задач. Заявления о безопасности и качестве приводятся разработчиком; независимая проверка этих характеристик в предоставленных данных не описана. Также есть расхождение в числе параметров между README и метаданными.

JevCodeLocator-0.6B — компактная модель-реранкер для поиска подходящих фрагментов кода в репозитории по запросу на естественном языке. Она дообучена разработчиком RowletQwQ на базе Qwen/Qwen3-0.6B и использует плотную архитектуру JevDecisionModel с оценочной головой и механизмом set-attention. Модель ранжирует переданный список кандидатов и выдаёт порядок фрагментов и файлов; самостоятельно извлекать кандидатов или строить векторный индекс она не предназначена. Модель рассчитана на локализацию кода по описанию ошибки или поведения, issue, имени символа либо сообщениям об ошибке. В обучении использовались Python, Go, TypeScript/JavaScript, C, C++, Rust, C#, PHP, Java, Ruby и Bash; метаданные карточки отмечают английский и китайский языки. В оценках показаны улучшения ранжирования для нескольких языков программирования, однако свободные вопросы остаются более сложным сценарием, а языки за пределами обучающего набора не проверялись. Список кандидатов должен содержать нужный файл, а длинные функции могут быть усечены в компактном представлении кандидата. Модель не настроена для диалога и не имеет настройки безопасности. Веса и код распространены по лицензии Apache-2.0. README указывает, что обучающая смесь включает проект AGPL-3.0 и проект с некоммерческой лицензией; коммерческое использование может требовать отдельной проверки условий этих источников.

LettuceDetect large modernbert en v1 — англоязычная модель KRLabsOrg для выявления галлюцинаций в ответах на основе заданного контекста, в частности в системах Retrieval-Augmented Generation (RAG). Это дообученная для классификации токенов модель ModernBERT-large; в метаданных базовой моделью указана answerdotai/ModernBERT-base. Репозиторий содержит веса Safetensors, модель насчитывает 394,7 млн параметров и поддерживает контекст до 8192 токенов. Модель анализирует контекст вместе с ответом и размечает токены ответа, которые не подтверждаются контекстом; оценки по токенам можно объединить в фрагменты, чтобы показать подозрительные места. Она предназначена для проверки ответов RAG и локализации неподтверждённых утверждений. В README приведён результат F1 79,22% на тестовой выборке RAGTruth для оценки на уровне примеров. Указана лицензия MIT. Заявленные характеристики и результаты относятся к описанной конфигурации и набору данных; качество на других данных может отличаться.

MiMo-Ornith-9B-AGSI-Abliterated-HQ — объединённая модель на 9,7 млрд параметров, созданная OliviaRossi на основе Xiaomi MiMo-V2.6-Distill-Qwen-9B и Ornith-1.5-9B. В карточке заявлены слияние AGSI и настройка Abliterix, направленная на удаление механизмов отказа. Архитектура — Qwen3_5ForConditionalGeneration с сочетанием линейного внимания GatedDeltaNet и обычного внимания; модель содержит 32 слоя и поддерживает контекст до 262 144 токенов. Модель предназначена для диалогов, рассуждений, программирования и агентных сценариев с вызовом инструментов и выполнением терминальных команд. Автор заявляет поддержку английского и китайского языков, а также сохранение возможностей рассуждения и работы с инструментами после слияния. Репозиторий использует формат safetensors; лицензия — Apache-2.0. Карточка заявляет удаление встроенных механизмов отказа, поэтому модель может отвечать на запросы в областях безопасности и администрирования без обычных ограничений отказа. Эти сведения и характеристики AGSI/Abliterix приведены автором и не сопровождаются в предоставленной карточке независимой проверкой; фактическое качество и безопасность ответов могут зависеть от сценария использования.

JANGQ-AI/MiniMax-M3-REAP22-Coder — производная модель MiniMax-M3, подготовленная JANG для программирования и агентных сценариев и предназначенная для запуска через vMLX на устройствах Apple Silicon. В основе — 60-слойная MoE-архитектура MiniMax-M3 с GQA, частичным RoPE и механизмами MSA Lightning Indexer; сохранена поддержка изображений. README не указывает размер контекста этой сборки, а описание базовой модели в метаданных сообщает контекст до 1 млн токенов. Модель сочетает JANG affine-mixed-квантизацию с AWQ и удалением части экспертов REAP: в каждом MoE-слое оставлено 100 из 128 маршрутизируемых экспертов. Для калибровки использованы Vera agentic-coder и GSM8K; автор README приводит результат HumanEval pass@1 81/81 на скремблированной половине набора и примерно 7/7 на небольшом арифметическом пробнике. Эти результаты получены на ограниченных проверках и не гарантируют аналогичного качества на других задачах. Для загрузки требуется vMLX версии 1.5.67 или новее с JANG-загрузчиком и runtime MiniMax-M3; обычные загрузчики Transformers, vLLM и MLX модель не поддерживают. Репозиторий занимает около 107 ГБ на диске. Лицензия указана как other, поэтому конкретные условия следует проверять в карточке модели и лицензии базовой модели.

Nemotron-Research-Reasoning-Qwen-1.5B — языковая модель NVIDIA с открытыми весами, дообученная методом ProRL на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Это плотная модель семейства Qwen2 с 1,5 млрд параметров и контекстом до 131 072 токенов, предназначенная для генерации текста и решения задач, требующих многошаговых рассуждений: математических задач, программирования, научных вопросов, логических головоломок и следования инструкциям. По данным карточки, она улучшила результаты базовой модели на ряде математических, кодовых и логических тестов. Модель работает с текстом; в метаданных указана поддержка английского языка. Карточка описывает её как модель для исследований и разработок. Распространяется по лицензии CC BY-NC 4.0, которая не допускает коммерческое использование.

Occamy-1.0 — модель Accio-Lab для длительной совместной работы с инструментами и выполнения многоэтапных задач. Она дообучена на базе Qwen/Qwen3.6-35B-A3B: сохраняет архитектуру исходного чекпойнта с MoE, 35 млрд общих и 3 млрд активных параметров. Модель принимает текст и изображения и предназначена для диалогов, агентных рабочих процессов, программирования, поиска, работы с файлами и структурированными API. Обучение сосредоточено на надёжном выполнении действий, отслеживании состояния, восстановлении после сбоев и продолжении работы в длинных взаимодействиях. Модель поддерживает вызов инструментов и обработку изображений; выпущены веса BF16 и варианты GGUF, а README также упоминает FP8 и NVFP4. Она рассчитана на обычные сценарии совместной работы, но retrieval-задачи и взаимодействие с браузером или рабочим столом через визуальный интерфейс остаются ограничениями. Лицензия — Apache-2.0.

Это 4-битная версия модели OpenCodeInterpreter-DS-33B, преобразованная сообществом mlx-community из m-a-p/OpenCodeInterpreter-DS-33B в формат MLX для запуска на устройствах Apple Silicon с помощью mlx-lm. Модель основана на плотной архитектуре Llama и содержит 33,1 млрд параметров; длина контекста — 16 384 токена. Модель предназначена для диалоговой генерации текста и помощи с программированием на английском языке. Её можно использовать для написания, объяснения и отладки кода в сценариях общения с ассистентом. README отсылает к исходной карточке OpenCodeInterpreter-DS-33B за подробностями о возможностях. Это преобразование и квантизация до 4 бит для MLX, что снижает требования к памяти при запуске, но может повлиять на точность относительно исходной модели. Модель распространяется по лицензии исходного репозитория; сведения о лицензии в предоставленных данных отсутствуют.

Parable-Granite-4.1-3B-Claude-Fable-5 — диалоговая модель AnkitAI на архитектуре GraniteForCausalLM, дообученная на трассах агентных сессий Claude Fable 5 и инструктивных данных. Она содержит 3,4 млрд параметров, работает с текстом и поддерживает контекст до 131 072 токенов; дообучение проводилось на последовательностях длиной 2 048 токенов, поэтому специализированное поведение наиболее выражено в начале диалога. Модель рассчитана на пошаговые рассуждения, объяснение и отладку кода, а также работу с терминальными сценариями. В README приведены результаты внутренних тестов, где версия v2 улучшает агентные и объяснительные сценарии относительно базовой модели, но уступает ей в генерации отдельных функций и вызове инструментов. Модель поддерживает английский язык; автор указывает, что она не обучалась для других языков и обработки изображений. Это полновесная версия в формате safetensors для Transformers и vLLM; квантованные сборки доступны отдельно. Лицензия — Apache-2.0. Сгенерированные команды следует проверять перед запуском, а модель не предназначена для навигации по многофайловым репозиториям.

Qwen2.5-Coder-0.5B от команды Qwen, представленная в репозитории Unsloth, — базовая причинная языковая модель для работы с кодом. Это дообученная версия Qwen/Qwen2.5-Coder-0.5B; карточка указывает архитектуру Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. Модель принимает и генерирует текст, включая исходный код; в метаданных указан английский язык. Модель предназначена для генерации, анализа и исправления кода, рассуждений о программировании и задач заполнения пропусков в коде. Она сохраняет некоторые общие способности, включая работу с математикой, но это базовая модель: README не рекомендует использовать её для диалогов без дополнительного постобучения. Для работы используется библиотека Transformers; веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

Qwen2.5-Coder-1.5B-Instruct-GGUF — это квантованная в формате GGUF версия модели Qwen2.5-Coder-1.5B-Instruct, разработанной командой Qwen. Квантование выполнено bartowski на основе llama.cpp. Модель предназначена для генерации текста и ориентирована прежде всего на программирование. Модель подходит для решения задач разработки программного обеспечения, генерации и исправления кода, рассуждений о коде, а также создания coding agents. Указан английский язык. Размер базовой модели составляет 1,5 млрд параметров, поддерживается контекст до 128 тысяч токенов с конфигурацией YaRN RoPE. В обучении заявлено использование 5,5 трлн токенов для улучшения генерации, рассуждений и исправления ошибок. К сильным сторонам относятся специализация на программировании, поддержка длинного контекста и возможность запуска через экосистему llama.cpp и совместимые приложения, включая LM Studio. README не содержит результатов бенчмарков, требований к оборудованию или подробностей о вариантах квантования, поэтому производительность и качество для конкретных задач требуют самостоятельной проверки. Модель распространяется по лицензии Apache 2.0.

QuantFactory/Qwen2.5-Coder-1.5B-Instruct-GGUF — квантизированная версия инструкционно дообученной языковой модели Qwen2.5-Coder-1.5B-Instruct, созданная QuantFactory на основе обновлённых весов от 6 ноября 2024 года с использованием llama.cpp. Исходная модель относится к серии специализированных кодовых моделей Qwen, разработанных командой Qwen; в README конкретная организация-разработчик не указана, однако модель основана на репозитории Qwen/Qwen2.5-Coder-1.5B-Instruct. Модель предназначена для генерации, анализа и исправления программного кода, рассуждений о коде, создания code agents, а также задач общего назначения и математики. Это авторегрессионная causal language model с архитектурой на базе transformers, RoPE, SwiGLU, RMSNorm, смещениями в QKV внимания и связанными эмбеддингами слов. Модель содержит 1,54 млрд параметров, из них 1,31 млрд без учёта эмбеддингов, имеет 28 слоёв и Grouped-Query Attention с 12 головами для Q и 2 для KV. Поддерживается текстовая модальность и заявлен английский язык. Заявленная максимальная длина контекста составляет 131 072 токена, но исходная конфигурация рассчитана на 32 768 токенов; для более длинных входов требуется включение YaRN, причём статическое масштабирование может ухудшать производительность на коротких текстах. Квантизация и небольшой размер делают модель подходящей для более экономичного локального развёртывания, однако README не содержит сведений о конкретном формате квантизации, требованиях к памяти, производительности или сравнительных результатах. Модель распространяется по лицензии Apache-2.0.

czlll/Qwen2.5-Coder-7B-CL — языковая модель для локализации кода, разработанная на основе Qwen и предназначенная для поиска файлов, классов и функций, относящихся к описанию задачи на естественном языке. README описывает подход LocAgent: модель анализирует графовое представление кодовой базы и связи между её компонентами; её можно встроить в IDE и инструменты разработки. Метаданные указывают на архитектуру Qwen2 dense с 7,1 млрд параметров, контекст до 131 072 токенов, поддержку чата и интерфейса вызова инструментов. Модель принимает текст и выдаёт текст; README указывает английский как основной естественный язык, а также ориентированность на код. Модель заявлена как дообученная версия Qwen-2.5-Coder-Instruct-32B, хотя это расходится с идентификатором репозитория и метаданными архитектуры и размера. Основание для связи с этой базовой моделью — только README. Лицензия по метаданным — MIT. Точность локализации зависит от полноты и корректности графа кодовой базы, сложности проекта и ясности описания задачи; возможны унаследованные смещения обучающих данных.

BlossomsAI/Qwen2.5-Coder-7B-Instruct-Uncensored — доработанная языковая модель для генерации кода и диалогового общения, созданная на основе Qwen/Qwen2.5-Coder-7B-Instruct. Авторы применили направленное вмешательство для изменения поведения модели и удаления отказов. В метаданных указана архитектура Qwen2, плотная causal language model и 7,1 млрд параметров; контекст — до 32 768 токенов. Модель принимает текст и выдаёт текст, поддерживает английский и вьетнамский языки. Модель предназначена для генерации и обсуждения программного кода, а также ответов на запросы в формате чата. README заявляет о предварительной квантизации и упоминает формат GGFU; метаданные указывают файлы safetensors. Лицензия — MIT. Удаление отказов может привести к выдаче ответов на запросы, которые другие модели отклоняют; результаты следует проверять.

Qwopus3.5-9B-Coder-GGUF — экспериментальная community-модель, основанная на Jackrong/Qwopus3.5-9B-v3.5 и предназначенная для локального запуска в формате GGUF. Она дообучена с использованием Trace Inversion, агентских трасс и данных для reasoning, включая наборы lambda/hermes-agent-reasoning-traces и материалы TraceInversion от Jackrong. Модель ориентирована прежде всего на agentic coding, логическое рассуждение, сложный tool calling и function calling. Модель имеет плотную архитектуру размером 9B параметров и поддерживает текстовые и визуальные сценарии. Заявлены возможности работы с изображениями, программированием, отладкой, задачами на уровне репозитория, терминальными командами, файловыми операциями и браузерами. Поддерживаемые языки включают английский, китайский, испанский, русский и японский. Для включения vision требуется отдельный файл mmproj.gguf из репозитория GGUF. README не указывает размер контекстного окна. К сильным сторонам относятся компактность, пригодность для запуска на устройствах с 16 ГБ RAM при 8-битной точности, улучшенная структурированность рассуждений и ориентация на агентские рабочие процессы. При этом модель выпущена как экспериментальная версия для исследований и изучения, не проходила комплексную оценку общих возможностей, поэтому в непрофильных и не связанных с программированием задачах возможна деградация качества. Модель распространяется по лицензии Apache-2.0.

Sheikh-F1 — плотная трансформерная языковая модель на 355 млн параметров, разработанная Likhon Sheikh для сообщества разработчиков Бангладеш. Она предназначена для генерации кода и помощи в программировании на английском, бенгальском письме и бенглийском (бенгальском языке, записанном латиницей). В карточке заявлены возможности анализа и отладки кода, планирования и работы с инструментами; метаданные также указывают поддержку диалогового режима. Модель обучена на корпусах кода, программирования и вопросов и ответов, включая CodeParrot, The Stack и CodeSearchNet. Контекст составляет 1024 токена. Репозиторий содержит веса в формате safetensors, лицензия MIT разрешает коммерческое использование, изменение и распространение. В README приведены высокие результаты на задачах генерации и анализа кода, однако методики и подробные результаты в предоставленных данных отсутствуют.

Fortytwo-Network/Strand-Rust-Coder-14B-v1-GGUF — квантизированная версия специализированной языковой модели для программирования на Rust, разработанная Fortytwo Network. Модель создана на основе Qwen2.5-Coder-14B-Instruct и дообучена методом LoRA на датасете Strandset-Rust-v1 из 191 008 синтетических, прошедших peer-валидацию примеров. Модель предназначена для генерации и дополнения кода, выявления ошибок, рефакторинга, оптимизации, генерации тестов и документации, code review, именования и прогнозирования использования API Rust. Она поддерживает контекст до 32 768 токенов, содержит около 14 млрд параметров, использует архитектуру Qwen2.5-Coder с GQA attention и extended RoPE, а также токенизатор размером 151 тыс. единиц, оптимизированный для синтаксиса Rust. Заявлена совместимость с локальным развертыванием и Fortytwo Capsule runtime для распределённого swarm inference. Сильная сторона модели — специализация на семантике Rust, включая правила владения и времени жизни. В указанных тестах она получила 48% на hold-out наборе и 43% на RustEvo² при оценке по доле кода, прошедшего модульные тесты в изолированной среде Rust 1.86.0. Эти результаты не гарантируют корректность для всех проектов; модель ориентирована прежде всего на Rust и может быть менее универсальной, чем общие модели программирования. Лицензия — Apache-2.0.

Swarm Scout 12B — мультимодальная модель для программирования и агентных технических задач, созданная LiamVisionary на основе объединения Gemma 4 12B Instruct и производной модели с настройкой для агентных сценариев. Модель рассчитана на помощь с написанием и отладкой кода, работой в терминале, использованием инструментов и многошаговым рассуждением. Поддерживает диалог и обработку изображений; вариант на Hugging Face распространяется в формате safetensors и использует архитектуру Gemma4UnifiedForConditionalGeneration. Для работы требуется свежая версия библиотеки Transformers с поддержкой Gemma 4 unified. Модель ориентирована прежде всего на англоязычные сценарии. Для распознавания изображений есть подтверждённый пример анализа чека; поддержку аудио и видео унаследованная конфигурация описывает, однако качество этих режимов для данного выпуска отдельно не проверяли. Низкий уровень отказов является намеренной особенностью, поэтому для практического развёртывания нужны прикладные ограничения и защита от злоупотреблений; общие знания следует перепроверять. Модель распространяется по лицензии Apache 2.0 без гарантии качества.

UI-TARS-2B-SFT — мультимодальная модель-агент для управления графическими интерфейсами, разработанная ByteDance Seed. Она объединяет восприятие экрана, рассуждение и выбор действий в одной vision-language-модели и предназначена для автоматизации задач в веб-сайтах, мобильных и настольных приложениях без заранее заданных сценариев. Модель построена на архитектуре Qwen2-VL, содержит 1,5 млрд параметров и обрабатывает изображения вместе с текстовыми инструкциями; контекст — до 32 768 токенов. Карточка описывает семейство UI-TARS и приводит оценки восприятия, распознавания элементов интерфейса и выполнения агентных задач. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0.

AlchemistCoder-L-7B — языковая модель для генерации кода из семейства Llama, представленная авторами исследования AlchemistCoder. Модель дообучена на разнородных источниках данных: авторы описывают 200 млн токенов шести типов данных, согласование инструкций с ответами с помощью AlchemistPrompts и включение задач на понимание кода, фильтрацию данных и ревью кода. Модель предназначена для генерации кода по инструкциям и улучшения работы с задачами программирования. Также авторы сообщают об оценке общих возможностей на MMLU, BBH и GSM8K. Размер по метаданным — 6,6 млрд параметров, контекст — до 16 384 токенов; архитектура — плотная LlamaForCausalLM. Репозиторий содержит веса в формате safetensors. Модель выпущена под лицензией Apache-2.0. README сообщает о результатах на кодовых бенчмарках, но не приводит подробностей по поддерживаемым языкам программирования, отдельным языкам общения или практическим ограничениям качества.

CogAgent-Chat — визуально-языковая модель с открытыми весами, разработанная командой Zhipu AI и построенная на основе CogVLM. Эта версия предназначена для диалога по изображениям в несколько ходов, работы GUI-агента и визуальной привязки объектов. Модель принимает изображения интерфейсов и текстовые запросы, понимает веб-страницы, приложения для компьютеров и мобильных устройств, а также выполняет OCR-подобные задачи. Модель может составлять план действий по снимку экрана и предлагать следующую операцию с координатами. Она поддерживает изображения размером до 1120×1120 пикселей. В README указана версия CogAgent-18B с 11 млрд визуальных и 7 млрд языковых параметров; метаданные именно этого репозитория указывают 6,6 млрд параметров, поэтому размер версии в описании следует трактовать с осторожностью. Для репозитория заявлен контекст 2048 токенов. Основной язык карточки — английский. Веса доступны для академических исследований. Для коммерческого использования требуется регистрация и соблюдение условий лицензии; метаданные указывают Apache-2.0, поэтому перед применением стоит сверить лицензионные условия конкретной версии. Карточка рекомендует вариант Chat для многошагового диалога с изображениями и GUI-задач, а для одношаговых визуальных вопросов — отдельный вариант VQA.

CustomerLM — дообученная модель MultiSense на базе Qwen3-8B-Instruct для имитации поведения покупателя в многоходовом диалоге с продавцом. Модель служит симулятором пользователя в бенчмарке SalesLLM и предназначена для оценки и стресс-тестирования разговорных систем продаж, а также генерации синтетических диалогов для обучения и анализа. Это плотная причинная языковая модель на 7,6 млрд параметров с контекстом до 40 960 токенов; обучение включало SFT и DPO на 8 284 реальных диалогах с участием краудворкеров. Она формулирует ответы от лица заданной персоны, может проявлять скептицизм, задавать вопросы и отказаться от покупки. Заявленная частота инверсии ролей снизилась до 8,8%, но сбой всё ещё возможен. Для лучшего соответствия персоне следует передавать системную инструкцию в формате, использованном при обучении, а в роли пользовательских сообщений — реплики продавца. Обучающие данные охватывают финансовые услуги и потребительские товары; поведение в других областях, включая закупки B2B и приём пациентов, не проверено. Модель не предназначена для обслуживания конечных пользователей, выдачи достоверных сведений о товарах или исследования реальных предпочтений покупателей. Синтетические ответы могут отражать стереотипы из обучающих данных. Лицензия Apache-2.0.

GCM Mark II — дообученная OPENGCM мультимодальная модель на архитектуре Qwen3.5-9B, предназначенная прежде всего для генерации кода и помощи в программировании. Она дообучена методом QLoRA с CPT на части набора Magicoder-Evol-Instruct-110K; в обучении использовано около 2,5 млн токенов. Разработчики нацеливали её на более точное следование ограничениям, обработку граничных случаев и сокращение вымышленных вызовов API. Модель подходит для генерации и исправления кода, а также для общего программирования на Python, JavaScript, Go, C, C++, Java и Rust. Метаданные указывают поддержку изображений и диалогового режима, однако карточка отдельно описывает только задачи программирования. Надёжность генерации фронтенд-кода ограничена. Лицензия — Apache 2.0.

yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-GGUF — локальная модель для генерации текста, программирования и агентских сценариев. Она основана на google/gemma-4-12B-it и распространяется в формате GGUF. Модель создана независимым автором; его имя в README не указано. Модель предназначена для написания и отладки кода, выполнения многошаговых технических задач, работы с инструментами и терминалом, а также сценариев, где требуется цикл «изучить состояние — диагностировать проблему — внести исправление — проверить результат». По заявлению автора, она поддерживает нативный формат вызова инструментов Gemma 4 и может работать полностью локально, без облачных API. Заявленный размер — 12 млрд параметров; сведения о поддерживаемых языках, максимальном контекстном окне и дополнительных модальностях не приведены. В качестве ключевого результата указана оценка около 55% на 20 заданиях tau2-bench telecom в варианте Q8_0 против примерно 15% у базовой gemma-4-12B-it. Этот тест отражает агентские задачи технической диагностики, но не характеризует все возможности модели. Автор рекомендует Q4_K_M как оптимальный вариант и считает Q3_K_M минимальной надёжной квантизацией; заявлена возможность запуска примерно при 4,5 ГБ свободной VRAM или unified memory. Ограничения включают неполное тестирование tau2-bench, возможные проблемы при неправильной настройке клиента или сэмплера и отсутствие подробных данных о качестве в общих задачах. Лицензия — Apache-2.0.

Gemma-4-E4B-Claude-4.6-Opus-Reasoning-Distilled — дообученная модель на базе google/gemma-4-E4B-it, разработанная пользователем arsovskidev. Она создана с использованием SFT и QLoRA в 4-битном режиме на наборе данных nohurry/Opus-4.6-Reasoning-3000x-filtered, содержащем около 2,3 тысячи отфильтрованных траекторий рассуждений, дистиллированных из Claude 4.6 Opus. Модель не связана с Anthropic и не одобрена этой компанией. Модель предназначена для текстовых задач, где важны пошаговое рассуждение и структурированный анализ: многошаговой математики, логики, декомпозиции и отладки кода, а также обработки сложных запросов. Она обучена формировать рассуждения внутри тегов <think> перед итоговым ответом. Указанная максимальная длина последовательности при обучении — 2048 токенов; язык обучения — английский. Доступны экспорты в формате GGUF с квантованием Q4_K_M и Q8_0. Сильные стороны модели — компактный размер порядка 4B параметров, ориентированность на более последовательное и обдуманное решение задач и возможность запуска через Ollama или llama.cpp. Ограничения включают небольшой объём обучающего набора, возможные галлюцинации и отсутствие обученных мультимодальных возможностей: несмотря на тег image-text-to-text и возможности базовой модели, этот вариант позиционируется как текстовый. Лицензия — Apache 2.0 с дополнительными Gemma Terms of Use.

gmcoder — 9-миллиардная слитая модель для программирования, разработанная при поддержке Galactic Mandate Linux на основе Qwen3.5-9B и Ornith-1.5-9B. Она предназначена для генерации и отладки кода, объяснения программ и решения алгоритмических задач; доступный файл GGUF Q8_0 можно запускать через llama.cpp. В README приведены результаты HumanEval+ Mini и сравнительные проверки, однако они не подтверждают качество на крупных репозиториях или в агентных сценариях. Модель имеет плотную архитектуру семейства Qwen3.5 и поддерживает диалоговый режим; карточка указывает английский язык. Лицензия — MIT.