II.4Отладка, тестирование и качество ПО

ArtyomSubDiv/pythia-14m-dd-rus-draft — экспериментальная русскоязычная попытка дообучить авторегрессионную модель EleutherAI/pythia-14m-deduped на наборе dim/databricks_dolly_15k_ru. Модель построена на архитектуре GPT-NeoX и предназначена для генерации текста и ответов на инструкции. Метаданные указывают 8 млн параметров, контекст до 2048 токенов и форматы Safetensors и GGUF F16. Автор сообщает, что качество обучения оказалось низким: после нескольких эпох значения точности и потерь почти не менялись, а ответы на инструкции были случайными и не соответствовали запросам. Модель подходит скорее для изучения неудачного эксперимента по дообучению, чем для практического использования. Лицензия в предоставленных данных не указана.

fxmarty/tiny-dummy-qwen2 — компактная тестовая модель семейства Qwen2, опубликованная пользователем fxmarty на Hugging Face. Она предназначена для генерации текста и поддерживает сценарии conversational text generation через Transformers, а также совместима с инструментами vLLM и SGLang. В репозитории отсутствует подробное описание обучения, набора данных и целевых прикладных сценариев, поэтому модель следует рассматривать прежде всего как демонстрационный или внутренний тестовый артефакт. Архитектура указана как Qwen2ForCausalLM с двумя слоями Transformer, размером скрытого состояния 8, четырьмя attention heads, двумя key-value heads и промежуточным размером 32. Модель работает с текстом, использует словарь из 151936 токенов, максимальную позиционную длину 32768 токенов и формат float32; заявленная модальность — только текст. Языки явно не указаны. Из-за крайне малого размера и отсутствия сведений о полноценном обучении нельзя ожидать качественной генерации или надёжного применения в реальных задачах; производительность и ограничения не представлены в карточке модели. Лицензия — MIT.

peft-internal-testing/tiny-random-gemma4-E2B — тестовый миниатюрный чекпойнт на основе архитектуры Gemma 4, разработанной Google. Модель создана для внутреннего тестирования интеграции и сценариев Parameter-Efficient Fine-Tuning (PEFT) в библиотеке Transformers, а не для прикладного использования или конкурентной оценки качества. Модель поддерживает условную генерацию с текстовыми, визуальными и аудиокомпонентами через Gemma4ForConditionalGeneration и AutoProcessor. Конфигурация намеренно уменьшена: текстовая часть содержит 4 скрытых слоя, размер скрытого состояния 8, 8 attention-heads и 4 key-value heads; аудиочасть — 2 слоя и размер скрытого состояния 64; визуальная часть — 2 слоя и размер скрытого состояния 8. В README не указаны точные языки, размер контекста, число параметров и фактические показатели качества. Весы инициализированы случайно, поэтому модель не предназначена для получения содержательных ответов и, вероятно, имеет крайне ограниченные практические возможности. README не содержит сведений о лицензии, условиях распространения или ограничениях использования.

NanoDex-Test-500K-200M — компактная decoder-only языковая модель, созданная DedeProGames и обученная с нуля на датасете FineWeb-Edu. Она использует архитектуру LlamaForCausalLM: три слоя трансформера, размер скрытого состояния 96, RMSNorm, rotary position embeddings, grouped-query attention и связанные эмбеддинги. Модель содержит около 492 тысяч параметров, принимает текстовый контекст длиной до 512 токенов и выдаёт продолжение текста. Для загрузки используются Transformers и формат safetensors. Модель предназначена для демонстрации и изучения процесса предобучения трансформера с нуля. Она усваивает формы слов, частые сочетания и немного синтаксиса, но не подходит для полезного диалога, надёжных ответов на вопросы или генерации фактического текста. Распространяется по лицензии ODC-BY.

EBLANGPT-FALOS67 — экспериментальная русскоязычная разговорная модель от EBLANSoft. Это компактная причинная языковая модель архитектуры LlamaForCausalLM с 65 856 параметрами, обученная на 742 уникальных парах реплик, расширенных до 6000 примеров из 13 категорий. Она предназначена для коротких неформальных ответов на простые фразы, например приветствия и вопросы «как дела». Модель распознаёт категорию по нескольким входным словам и генерирует одну из заготовленных реплик; это скорее классификатор со стохастической генерацией, чем универсальный диалоговый ассистент. Поддерживает текстовый ввод и выдаёт текст; контекст ограничен 64 токенами, обучение велось на последовательностях до 11 токенов. В карточке доступны веса Safetensors и GGUF, включая вариант Q8_0. Модель не сохраняет историю разговора, плохо справляется с запросами вне обученных категорий и может повторять слова без repeat_penalty. В обучающих данных есть мат, поэтому модель не подходит для общения с клиентами. Лицензия — WTFPL.

NILKNARFGonzo/floppyx4-nonsensicalEssential-base — экспериментальная модель генерации текста на архитектуре GPT-2. Автор описывает её как проект компактной модели, которую в будущем планируется объединить с другими моделями так, чтобы итоговая версия помещалась на четыре дискеты. В README сказано, что текущая версия представляет собой случайно инициализированную модель, и предлагается скачать её для использования. Модель принимает текст и генерирует текст; метаданные указывают поддержку чата, английский язык и контекст длиной 4096 токенов. Обучение ведётся автором на Raspberry Pi 5. Лицензия — CC BY-SA 4.0. Случайная инициализация означает, что модель не следует считать пригодной для осмысленных ответов или практических задач.

jtatman/sciphi-mini-600m — экспериментальная уменьшенная модель на архитектуре Mistral, созданная из SciPhi/SciPhi-Self-RAG-Mistral-7B-32k с помощью среза параметров через mergekit. Веса сокращены примерно до 518,5 млн параметров; карточка указывает исходный контекст 32 768 токенов и формат safetensors. Модель предназначена для исследования того, насколько можно уменьшить исходные веса, сохранив связи между ними, и для дальнейшего обучения. Автор предупреждает, что текущая версия часто генерирует бессмысленный текст и практически не подходит для полезных пользовательских задач. Указана лицензия Apache-2.0.

SealGlazer v11 — небольшая причинная языковая модель на 1,9 млн параметров, созданная Compactbot с нуля для генерации текстов о ластоногих: тюленях, моржах и морских львах. Модель использует плотную архитектуру в стиле Llama с RMSNorm, RoPE, SwiGLU и многоголовым вниманием, а также BPE-словарь на 8192 токена. Контекст — 256 токенов. Обучение проводилось на смешанном корпусе примерно из 11,8 млн токенов: около 88% общих англоязычных текстов и 12% материалов о ластоногих. В большинстве проверенных генераций модель вырождается в повторение одного токена; связный текст получался лишь на одном из восьми случайных начальных значений. Поэтому модель предназначена прежде всего для изучения весов и результатов небольшого эксперимента, а не для практической генерации. Лицензия — Apache-2.0.

Ant-10M — экспериментальная decoder-only языковая модель на архитектуре Llama, разработанная и обученная с нуля автором проекта GODELEV. Она создана как инженерный эксперимент по масштабированию очень малых языковых моделей и проверке устойчивости обучения при жёстких ограничениях на токенизатор и размер представлений, а не как функциональный помощник. Модель содержит 9,9 млн параметров и 12 слоёв, использует скрытый размер 256, Grouped-Query Attention, RoPE и словарь из 4096 токенов. Контекст — до 1024 токенов. Она принимает текст и выдаёт продолжение текста; карточка указывает английский язык. Модель обучалась на наборе GODELEV/Archaea-5M-T. Автор прямо предупреждает, что выводы модели бессвязны и не обладают смысловой, разговорной или грамматической связностью. Низкая perplexity относится к ограниченному пространству мелких фрагментов токенизатора и не означает пригодности для обычной генерации текста. Модель распространяется по лицензии Apache-2.0.

GPT-5.1-Codex — специализированная версия GPT-5.1 от OpenAI, оптимизированная для разработки программного обеспечения и рабочих процессов, связанных с кодом. Она предназначена как для интерактивной помощи при разработке, так и для самостоятельного выполнения сложных инженерных задач.

Qwen2.5-Coder-14B-Instruct-AWQ — инструкция-настроенная языковая модель для генерации текста и программного кода, разработанная командой Qwen. Она предназначена для написания, анализа, объяснения и исправления кода, решения задач программирования, а также для использования в чат-ассистентах и агентных системах разработчика. Модель основана на Qwen2.5-Coder-14B-Instruct и распространяется как 4-битная AWQ-квантизированная версия. Модель является каузальной языковой моделью с архитектурой на базе Transformers, RoPE, SwiGLU, RMSNorm и смещениями в QKV-внимании. Она содержит около 14,7 млрд параметров, 48 слоёв и использует Grouped Query Attention с 40 головами для Q и 8 для KV. Заявлена поддержка контекста до 131 072 токенов, однако исходная конфигурация рассчитана на 32 768 токенов; для более длинных входов требуется включение YaRN. Модель обучалась на данных, включающих исходный код, текстово-кодовые связи и синтетические данные, с общим объёмом обучения 5,5 трлн токенов. В метаданных README указан английский язык. К сильным сторонам относятся специализация на программировании, улучшенные генерация, рассуждение и исправление кода, а также сниженные требования к памяти благодаря 4-битной квантизации. Ограничения связаны с возможным ухудшением производительности на коротких текстах при статическом масштабировании YaRN и с тем, что для эффективной работы требуются совместимые версии Transformers и поддержка AWQ. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-32B-Instruct-GGUF — инструкционная версия специализированной серии больших языковых моделей для работы с кодом, разработанная командой Qwen. Модель предназначена для генерации, анализа, исправления и рассуждений по программному коду, а также для создания code agents и решения математических и общеязыковых задач. Доступна в формате GGUF для локального запуска, в частности с llama.cpp. Это авторегрессионная causal language model на архитектуре transformers с RoPE, SwiGLU, RMSNorm, смещениями в QKV и группированным запросным вниманием: 32,5 млрд параметров, 64 слоя, 40 голов Q и 8 голов KV. Базовая длина контекста GGUF-версии составляет 32 768 токенов. Указана поддержка квантований q2_K, q3_K_M, q4_0, q4_K_M, q5_0, q5_K_M, q6_K и q8_0. В README заявлены улучшенные возможности генерации, рассуждений и исправления кода; модель обучалась на 5,5 трлн токенов, включая исходный код, текстово-кодовые данные и синтетические данные. Язык в метаданных указан как английский. Сильными сторонами являются специализация на программировании, поддержка длинного контекста и доступность нескольких уровней квантования для разных требований к памяти. Ограничения связаны с размером модели и вычислительными ресурсами, необходимыми для локального запуска; для GGUF-версии полноразмерный контекст ограничен 32 768 токенами, а расширение до 131 072 токенов в README указано для неграфовых GGUF-вариантов через YARN и vLLM. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-32B-Instruct-GPTQ-Int8 — инструкционная GPTQ-квантизованная версия 8-битной модели Qwen2.5-Coder-32B из семейства специализированных языковых моделей Qwen для программирования, разработанного командой Qwen. Модель предназначена для генерации, анализа и исправления программного кода, создания code agents, а также решения математических и общих текстовых задач. Это авторегрессионная causal language model на архитектуре Transformers с RoPE, SwiGLU, RMSNorm и смещениями в QKV-слоях внимания. Модель содержит около 32,5 млрд параметров, 64 слоя и использует GQA с 40 головами для Q и 8 для KV. Заявлена поддержка контекста до 131 072 токенов, однако исходная конфигурация рассчитана на 32 768 токенов; для более длинных входов требуется дополнительная настройка YaRN. Основная заявленная языковая поддержка — английский язык. Модель работает в режиме текст-в-текст и не предназначена для обработки изображений или других мультимодальных данных. К сильным сторонам относятся специализация на генерации, рассуждении и исправлении кода, сохранение математических и общих способностей, а также уменьшенное потребление памяти благодаря 8-битной квантизации. Ограничениями являются высокие требования к вычислительным ресурсам, возможное снижение качества или производительности на длинных контекстах при использовании статического YaRN и необходимость совместимой версии Transformers и корректной конфигурации развёртывания. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-14B-Instruct-GGUF — это инструкционно дообученная языковая модель для работы с кодом из серии Qwen2.5-Coder, разработанная командой Qwen при Alibaba Cloud. Модель предназначена для генерации, анализа, рассуждений и исправления программного кода, а также для создания кодовых агентов и решения задач, связанных с математикой и общими текстовыми запросами. Модель является каузальной языковой моделью в формате GGUF с архитектурой на базе transformers, RoPE, SwiGLU, RMSNorm и смещениями в QKV-слоях внимания. Она содержит 14,7 млрд параметров, 48 слоёв и использует Grouped Query Attention с 40 головами для Q и 8 для KV. Полная длина контекста GGUF-версии составляет 32 768 токенов. Заявлена поддержка английского языка; модальность — текстовая. Доступны варианты квантования q2_K, q3_K_M, q4_0, q4_K_M, q5_0, q5_K_M, q6_K и q8_0. К сильным сторонам относятся специализация на программировании, улучшенные генерация, рассуждение и исправление кода, а также возможность локального запуска через совместимые инструменты, включая llama.cpp. Ограничения включают контекст до 32 768 токенов в GGUF-версии; для последовательностей до 131 072 токенов README рекомендует использовать не-GGUF-версии, поскольку расширение контекста через YARN в указанном сценарии поддерживается только vLLM. Модель распространяется по лицензии Apache-2.0.

mbetixz/Qwen2.5-Coder-32B-Instruct — инструктивно дообученная языковая модель для программирования из семейства Qwen2.5-Coder. Она предназначена для генерации и объяснения кода, рассуждений о коде, исправления ошибок и создания кодовых агентов; также сохраняет математические и общие языковые возможности. Модель разработана на архитектуре Qwen2 с причинным декодированием и 32 млрд параметров по метаданным. Карточка описывает архитектуру с RoPE, SwiGLU, RMSNorm и групповым запросным вниманием, а также контекст до 131 072 токенов; конфигурация репозитория рассчитана на 32 768 токенов, а для более длинных входов требуется настройка YaRN. Модель принимает текстовые инструкции и выдаёт текст, включая код. Карточка описывает обучение на коде, текстово-кодовом сопоставлении и синтетических данных; языковая поддержка в метаданных отмечена как английская. Для работы рекомендуется актуальная версия Transformers; для развёртывания README рекомендует vLLM. Лицензия — Apache-2.0. Заявления карточки о сравнительной производительности являются утверждениями разработчика, а результат на конкретных задачах зависит от сценария и настройки.

Qwen2.5-Coder-32B-Instruct-GPTQ-Int4 — инструкционная, GPTQ-квантизированная 4-битная версия каузальной языковой модели Qwen2.5-Coder, разработанная командой Qwen. Модель предназначена прежде всего для генерации, анализа и исправления программного кода, задач code reasoning и создания кодовых агентов, сохраняя способности к математике и общим текстовым задачам. В карточке явно указан английский язык. Модель содержит около 32,5 млрд параметров, из них 31 млрд без учёта embedding, и включает 64 слоя. Архитектура использует RoPE, SwiGLU, RMSNorm и смещения в QKV-проекциях внимания; применяется GQA с 40 головами для Q и 8 для KV. Заявлена поддержка контекста до 131 072 токенов, однако исходная конфигурация рассчитана на 32 768 токенов. Для более длинных входов требуется включение YaRN, что может снижать производительность на коротких текстах при статическом масштабировании. К сильным сторонам относятся специализация на программировании, улучшенные генерация, рассуждение и исправление кода, а также снижение требований к памяти благодаря 4-битной квантизации. Ограничения включают возможную потерю качества из-за квантизации и необходимость корректной настройки длинного контекста. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-7B-Instruct-GPTQ-Int8 — инструкционная causal language model из серии специализированных моделей для программирования Qwen2.5-Coder, разработанной командой Qwen. Модель предназначена для генерации, анализа, рассуждений и исправления кода, создания code agents, а также общих текстовых и математических задач. Указанный репозиторий содержит GPTQ-квантизированную 8-битную версию базовой модели Qwen/Qwen2.5-Coder-7B-Instruct. Модель построена на архитектуре Transformers с RoPE, SwiGLU, RMSNorm и bias в QKV-проекциях внимания. Она содержит 7,61 млрд параметров, 28 слоёв и использует Grouped-Query Attention: 28 голов для Q и 4 для KV. Заявленная максимальная длина контекста — до 131 072 токенов, однако текущая конфигурация рассчитана на 32 768 токенов; для более длинных входов требуется включение YaRN. Поддерживается текстовый ввод и вывод, основным языком в метаданных указан английский. Сильные стороны модели — специализация на программировании, улучшенные возможности генерации, рассуждений и исправления кода, а также сниженные требования к памяти благодаря 8-битной GPTQ-квантизации. При использовании YaRN на коротких текстах возможно снижение производительности из-за статического коэффициента масштабирования. Для работы рекомендуется актуальная версия transformers; также поддерживается развёртывание через vLLM. Модель распространяется по лицензии Apache-2.0.

GPT-5.1-Codex Mini — языковая модель OpenAI, облегчённая и более экономичная версия GPT-5.1-Codex с меньшими возможностями. Она предназначена для задач программирования и длительных агентных рабочих процессов, например написания и изменения кода с использованием инструментов. Модель поддерживает текст на входе и выходе, а также изображения на входе; контекстное окно составляет 400 000 токенов, максимальный объём ответа — 128 000 токенов. Поддерживаются рассуждения, вызов функций и структурированный вывод. Данные о конкретной архитектуре и списке поддерживаемых языков в использованных источниках не приводятся. Модель доступна через API OpenAI; условия доступа и использования определяются условиями сервиса OpenAI.

Карточка модели rbinrs/Laguna-S-2.1 на Hugging Face совпадает с карточкой poolside/Laguna-S-2.1, поэтому описание составлено по ней. Laguna S 2.1 — языковая модель Poolside для программной инженерии и агентного выполнения длительных задач. Это текстовая модель семейства Laguna с архитектурой Mixture-of-Experts: 118 млрд параметров всего, около 8 млрд активируются на токен. В ней 48 слоёв, 256 маршрутизируемых экспертов и один общий; используются grouped-query attention и сочетание глобального внимания со скользящим окном. Контекст составляет 1 048 576 токенов. Модель предназначена для генерации и анализа кода, работы с инструментами и решения многошаговых задач разработки. Она поддерживает диалог и вызов инструментов, а также встроенный режим рассуждений, управляемый параметром enable_thinking. Для ускорения вывода доступна спекулятивная декодировка с отдельной черновой моделью DFlash. Модель принимает и выдаёт текст. В README приведены результаты на бенчмарках программирования и агентных задач, однако они не гарантируют качество в конкретном проекте. Полная BF16-версия требует нескольких GPU; квантизированные варианты снижают требования к памяти. Модель распространяется по лицензии OpenMDW-1.1, разрешающей коммерческое и некоммерческое использование и модификацию; также следует соблюдать Acceptable Use Policy Poolside.

Qwen2.5-Coder-7B-Instruct-AWQ — 4-битная AWQ-квантизированная instruction-tuned языковая модель для генерации текста и программного кода, разработанная командой Qwen компании Alibaba Cloud. Она предназначена для генерации, анализа и исправления кода, работы с чат-запросами, создания code agents, а также задач, где требуются математические и общие языковые способности. Модель использует каузальную transformer-архитектуру с RoPE, SwiGLU, RMSNorm и смещениями в QKV attention. Она содержит 7,61 млрд параметров, 28 слоёв и Grouped-Query Attention с 28 головами Q и 4 головами KV. Заявлена поддержка контекста до 131 072 токенов; для входов свыше 32 768 токенов требуется настройка YaRN, которая может снижать производительность на коротких текстах. Модель обучалась на данных, включающих исходный код, текстово-кодовые связи и синтетические данные; в README указан английский язык. К сильным сторонам относятся специализация на программировании, улучшенные генерация, рассуждение и исправление кода, а также сниженные требования к памяти благодаря 4-битной квантизации. Ограничения включают возможное ухудшение качества или скорости при использовании расширенного контекста и необходимость совместимых версий Transformers и AWQ-инфраструктуры. Модель распространяется по лицензии Apache-2.0.

QuantFactory/Qwen2.5-Coder-7B-Instruct-GGUF — квантизированная версия инструкционно дообученной модели Qwen2.5-Coder-7B-Instruct, созданная QuantFactory на основе обновлённых весов от 6 ноября 2024 года с использованием llama.cpp. Исходная модель относится к семейству специализированных языковых моделей Qwen для работы с кодом, разработанному командой Qwen; базовая модель указана как Qwen/Qwen2.5-Coder-7B. Модель предназначена для генерации, анализа, исправления и рассуждений по программному коду, а также для диалоговых сценариев и создания кодовых агентов. Она сохраняет возможности в математике и общих задачах. Модель поддерживает текстовый ввод и вывод, относится к causal language models и рассчитана на английский язык согласно метаданным карточки. Архитектура включает RoPE, SwiGLU, RMSNorm и смещения в QKV-внимании; используется Grouped Query Attention с 28 головами для Q и 4 для KV. Размер модели — 7,61 млрд параметров, из них 6,53 млрд без учёта embedding, число слоёв — 28. Заявленная максимальная длина контекста составляет 131 072 токена, однако конфигурация репозитория рассчитана на 32 768 токенов; для более длинных входов требуется включение YaRN, что может снижать производительность на коротких текстах. Квантизация и формат GGUF ориентированы на запуск через llama.cpp и могут уменьшать требования к памяти по сравнению с полной версией, но конкретные характеристики зависят от варианта квантизации, который в карточке не указан. Модель распространяется по лицензии Apache-2.0.

Blitzar-Coder-4B-F.1 — языковая модель для программирования, разработанная prithivMLmods на основе дообучения Qwen3-4B-ft-bf16. Это плотная авторегрессионная архитектура Qwen3 с 3,7 млрд параметров, рассчитанная на контекст до 40 960 токенов и работу через библиотеку Transformers. Модель обучалась на трассах решения задач по программированию и ориентирована на более чем десять языков программирования, включая Python, Java, C#, C++, Go, JavaScript, TypeScript и Rust; основной естественный язык карточки — английский. Модель предназначена для генерации и объяснения кода, отладки, анализа и рефакторинга, оптимизации алгоритмов, перевода кода между языками, а также подготовки документации, спецификаций API и конфигурационных файлов. Её размер рассчитан на использование в инструментах разработчика, IDE и CI/CD-сценариях с ограниченными вычислительными ресурсами. Поддерживается диалоговый интерфейс; метаданные также отмечают интерфейс вызова инструментов. Карточка предупреждает, что модель может уступать в обычном разговоре, а большой кодовый контекст может быть сложен для анализа; творческие и общие задачи не являются её сильной стороной. Модель распространяется по лицензии Apache-2.0.

Bootes-Qwen3_Coder-Reasoning — дообученная модель PrithivMLmods на базе Qwen3-4B-ft-bf16, предназначенная для генерации кода и рассуждений над техническими задачами. Это плотная причинная языковая модель на 3,7 млрд параметров, работающая через Transformers; заявленная длина контекста — 40 960 токенов. Модель принимает текст и формирует текстовые ответы, включая код и структурированные данные. Модель подходит для генерации, дополнения, объяснения и отладки кода, пошагового решения алгоритмических задач, рефакторинга и подготовки технических материалов. В README заявлена поддержка Python, JavaScript, C++ и других языков программирования, а также технического общения более чем на 20 естественных языках; в метаданных карточки указан английский язык. Обучение включает CodeAlpaca_20K и дополнительные наборы для кода и рассуждений. Среди заявленных особенностей — следование инструкциям и выдача Markdown, JSON и YAML. Карточка предупреждает, что модель может хуже справляться с творческими задачами вне программирования, чувствительна к формулировке неоднозначных запросов и иногда даёт излишне подробные объяснения. Лицензия — Apache-2.0.

GLM-5.3-BF16 — открытая модель с весами от Z.ai для диалогов, программирования и выполнения длительных многоэтапных задач. По карточке, она использует ту же базовую модель, что и GLM-5.2, а улучшения получены на этапе последующего обучения. В метаданных указаны архитектура GLM-MoE-DSA, 30,4 млрд параметров, библиотека Transformers и формат safetensors; модель принимает текст и генерирует текст. Модель рассчитана на сложные задачи программирования и работу с агентскими сценариями. Карточка сообщает о результатах на бенчмарках кодирования, терминальных задач и поиска уязвимостей. Контекстное окно составляет до 1 048 576 токенов; параметр reasoning_effort управляет глубиной рассуждений. Указаны английский и китайский языки. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория. Карточка отмечает усиленные возможности в области кибербезопасности, включая обнаружение уязвимостей и эксплуатацию; при применении для таких задач необходимы соответствующие разрешения и контроль.

Grok 4.7 — флагманская модель SpaceXAI, представленная как преемник Grok 4.6. Она предназначена для программирования, агентных задач и работы со знаниями, в том числе для длительных задач разработки ПО и проверки собственного результата. Доступный фрагмент карточки не раскрывает архитектуру, размер, модальности, языки, длину контекста и лицензию, поэтому эти характеристики здесь не уточняются.

Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Карточка модели Ishowbackup/Laguna-S-2.1 на Hugging Face совпадает с карточкой poolside/Laguna-S-2.1, поэтому описание составлено по ней. Laguna S 2.1 — языковая модель Poolside для программной инженерии и агентного выполнения длительных задач. Это текстовая модель семейства Laguna с архитектурой Mixture-of-Experts: 118 млрд параметров всего, около 8 млрд активируются на токен. В ней 48 слоёв, 256 маршрутизируемых экспертов и один общий; используются grouped-query attention и сочетание глобального внимания со скользящим окном. Контекст составляет 1 048 576 токенов. Модель предназначена для генерации и анализа кода, работы с инструментами и решения многошаговых задач разработки. Она поддерживает диалог и вызов инструментов, а также встроенный режим рассуждений, управляемый параметром enable_thinking. Для ускорения вывода доступна спекулятивная декодировка с отдельной черновой моделью DFlash. Модель принимает и выдаёт текст. В README приведены результаты на бенчмарках программирования и агентных задач, однако они не гарантируют качество в конкретном проекте. Полная BF16-версия требует нескольких GPU; квантизированные варианты снижают требования к памяти. Модель распространяется по лицензии OpenMDW-1.1, разрешающей коммерческое и некоммерческое использование и модификацию; также следует соблюдать Acceptable Use Policy Poolside.

Карточка модели Openintelligent123/Laguna-S-2.1 на Hugging Face совпадает с карточкой poolside/Laguna-S-2.1, поэтому описание составлено по ней. Laguna S 2.1 — языковая модель Poolside для программной инженерии и агентного выполнения длительных задач. Это текстовая модель семейства Laguna с архитектурой Mixture-of-Experts: 118 млрд параметров всего, около 8 млрд активируются на токен. В ней 48 слоёв, 256 маршрутизируемых экспертов и один общий; используются grouped-query attention и сочетание глобального внимания со скользящим окном. Контекст составляет 1 048 576 токенов. Модель предназначена для генерации и анализа кода, работы с инструментами и решения многошаговых задач разработки. Она поддерживает диалог и вызов инструментов, а также встроенный режим рассуждений, управляемый параметром enable_thinking. Для ускорения вывода доступна спекулятивная декодировка с отдельной черновой моделью DFlash. Модель принимает и выдаёт текст. В README приведены результаты на бенчмарках программирования и агентных задач, однако они не гарантируют качество в конкретном проекте. Полная BF16-версия требует нескольких GPU; квантизированные варианты снижают требования к памяти. Модель распространяется по лицензии OpenMDW-1.1, разрешающей коммерческое и некоммерческое использование и модификацию; также следует соблюдать Acceptable Use Policy Poolside.

QuantFactory/Qwen2.5-Coder-14B-Instruct-GGUF — это квантизированная версия инструкционно дообученной языковой модели Qwen2.5-Coder-14B-Instruct, созданная QuantFactory с использованием llama.cpp. Базовую модель разработала команда Qwen; она предназначена для генерации, анализа и исправления программного кода, решения задач по программированию, создания code agents, а также для математических и общеязыковых сценариев. Модель представляет собой causal language model на архитектуре transformers с RoPE, SwiGLU, RMSNorm и смещениями в QKV-матрицах внимания. Она содержит 14,7 млрд параметров, из них 13,1 млрд без учёта embedding, 48 слоёв и групповое запросное внимание GQA с 40 головами для Q и 8 для KV. Заявлена поддержка контекста до 131 072 токенов, однако исходная конфигурация рассчитана на 32 768 токенов; для более длинных входов требуется включение YaRN, что может снижать качество на коротких текстах. В README указан английский язык, модальность — текст. К сильным сторонам относятся специализация на генерации, рассуждении и исправлении кода, улучшенная пригодность для прикладных инструментов разработки и сохранение математических и общих языковых возможностей. Ограничения связаны с требованиями к вычислительным ресурсам, особенностями развёртывания квантизированной версии и возможным влиянием статического масштабирования YaRN на производительность. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-14B-Instruct-GPTQ-Int4 — 4-битная GPTQ-квантизированная instruction-tuned модель для генерации и обработки кода из семейства Qwen2.5-Coder, разработанного командой Qwen/Alibaba Cloud. Модель предназначена для генерации, анализа, исправления и рассуждений о программном коде, а также для создания приложений на базе code agents. Она сохраняет общие математические и языковые возможности базовой модели Qwen2.5 и работает в формате causal language model. Модель содержит 14,7 млрд параметров, из которых 13,1 млрд не являются embedding-параметрами, и включает 48 слоёв. Архитектура использует transformers, RoPE, SwiGLU, RMSNorm и смещения в Attention QKV; применяется Grouped-Query Attention с 40 головами для Q и 8 для KV. Заявлена поддержка контекста до 131 072 токенов, однако конфигурация репозитория рассчитана на 32 768 токенов; для более длинных входов требуется включение YaRN, что может снижать производительность на коротких текстах. В README явно указан английский язык. Квантизация GPTQ Int4 уменьшает требования к памяти и облегчает развёртывание, но может влиять на качество по сравнению с полноточной версией. Для работы рекомендуется актуальная версия transformers, а для длинного контекста — vLLM с соответствующей настройкой. Модель распространяется по лицензии Apache-2.0.