II.4Отладка, тестирование и качество ПО

Baanzon-Chenni-1.5-9B — плотная языковая модель на 9,65 млрд параметров, построенная на архитектуре Qwen3.5 и опубликованная Devopsopraiz. Она предназначена для генерации текста в задачах автономной разработки ПО, технического анализа и оркестрации локальных агентных сценариев. Модель поддерживает чат и интерфейс вызова инструментов; заявленное окно контекста составляет 262 144 токена. Модель рассчитана на планирование многоэтапной разработки, генерацию и рефакторинг кода, отладку проектов из нескольких файлов, алгоритмические рассуждения и системный анализ. В README также заявлена поддержка входных изображений и видео, унаследованная от мультимодальной архитектуры, хотя метаданные классифицируют модель только как text-generation. Веса опубликованы в формате safetensors; для работы требуются актуальная версия transformers с поддержкой Qwen3.5 и PyTorch, а для GPU-инференса — CUDA. Лицензия — MIT. В README указано, что поведение отказов модели ослаблено, поэтому она может генерировать чувствительный или спорный контент; результаты следует проверять. Также заявлены поддержка Multi-Token Prediction и настройка шаблона чата для режима рассуждений.

Frank 26B-A4B — модель TendieLabs, дообученная на базе Google Gemma 4 26B-A4B-it для генерации кода, отладки, проверки и рефакторинга. Модель предназначена для локального использования как помощник программиста через OpenCode или OpenAI-совместимые клиенты, включая закрытые среды с требованиями к происхождению моделей. Это разреженная архитектура Mixture-of-Experts: 25,2 млрд параметров всего, около 3,8 млрд активных за проход и 128 экспертов. По заявлению автора, Frank быстрее базовой модели на задачах преобразования кода благодаря выборочному использованию рассуждений. Обучение охватывало примерно 33 тысячи примеров, включая C#, Python, отладку и рассуждения; отдельно отмечена конвертация VBA в Python. Поддерживается английский язык. Модель рассчитана на текстовый ввод и выдачу текста, а не на мультимодальные задачи. Автор рекомендует температуру 1.0: при низкой температуре режим рассуждений может зацикливаться и приводить к пустым ответам. В README приведены результаты собственных оценок на небольшом наборе задач, поэтому заявленные качество и ускорение не следует считать независимым сравнительным бенчмарком. Лицензия — Apache 2.0.

gemma-4-A4B-98e-v7-coder-it-GGUF — это набор GGUF-квантизаций модели ManniX-ITA/gemma-4-A4B-98e-v7-coder-it, разработанный автором ManniX-ITA на основе Gemma 4 26B-A4B. Модель предназначена прежде всего для генерации, анализа и исправления программного кода, а также для задач, требующих рассуждений. Доступны варианты от CD-Q2_K и IQ4_XS до Q8_0 и F16 с различным размером файлов и компромиссом между качеством и требованиями к памяти. Архитектура — Gemma4 с разреженной смесью экспертов (MoE): около 20,45 млрд параметров всего и примерно 4 млрд активных параметров. Это результат pruning-кода с сокращением числа экспертов со 128 до 98 на слой. Для мультимодальных сценариев предусмотрена совместимая башня компьютерного зрения SigLIP, поставляемая отдельным файлом и не затронутая pruning; в метаданных указана поддержка image-text-to-text. В README заявлен английский язык, а контекст использования в примере llama.cpp настроен на 32 768 токенов, что не обязательно означает максимальный размер контекста модели. Сильная сторона модели — сочетание MoE-архитектуры, оптимизированной для кода, и широкого набора квантизаций, включая рекомендуемые Q4_K_M и Q4_K_S, а также компактный CD-Q2_K. По приведённым автором результатам, на HumanEval+ варианты достигают 92,68%, а на MultiPL-E — до 91%, однако эти показатели относятся к конкретным настройкам и сравнительному тестированию квантов. Ограничения включают потерю качества и возможные артефакты на низких уровнях квантизации, значительный размер старших вариантов и необходимость корректной настройки инференса. При использовании llama.cpp для режима рассуждений требуется параметр reasoning-budget; без него модель может выдавать некорректные специальные токены. Распространяется по лицензии Apache-2.0.

GLM-5.3 — открытая модель с весами от Z.ai для генерации текста и диалогового взаимодействия. По карточке, она использует ту же базовую модель, что и GLM-5.2, а улучшения получены на этапе постобучения. Модель ориентирована на сложные задачи программирования, длительные агентные сценарии и работу с инструментами; автор отмечает сильные результаты в бенчмарках по написанию кода и поиску уязвимостей. Модель имеет архитектуру GLM MoE DSA и 30,4 млрд параметров; опубликованные веса представлены в формате safetensors FP8. Контекстное окно составляет до 1 048 576 токенов. Карточка указывает английский и китайский языки, а также настройку reasoning_effort с уровнями low, high и max. Для запуска перечислены Transformers, vLLM, SGLang и другие фреймворки. Лицензия указана как other, поэтому условия использования следует уточнить в файлах репозитория. Модель генерирует ответы и код, но приведённые результаты бенчмарков не гарантируют качество на конкретных задачах; сильные возможности в области кибербезопасности требуют ответственного применения.

Карточка модели anything098/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. 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 dshive/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. 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 ghanemite/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. 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 RedHatAI/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. 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 sdlangshaw/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. 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 shobhatiwari925059/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. 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 SissyTrixie/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. 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 zorks1233/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. 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 bearzi/Kimi-K2.7-Code-JANGTQ2 на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. 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.

Kimi-K2-Instruct-0905-BF16 — версия модели Kimi K2-Instruct-0905, опубликованная Unsloth и основанная на модели Moonshot AI. Это языковая модель с архитектурой Mixture-of-Experts (MoE): в README указаны 1 трлн параметров всего и 32 млрд активируемых параметров. Репозиторий содержит веса в формате safetensors; метаданные каталога указывают 37,9 млрд параметров и контекст до 262 144 токенов. Модель предназначена для диалогов, задач программирования и работы в роли агента, в том числе с вызовом инструментов. В README отмечены улучшения в агентном программировании и создании интерфейсов, а увеличенный контекст подходит для длительных задач и больших фрагментов кода. Интерфейс модели текстовый; языки модели не перечислены в предоставленных данных. Метаданные указывают лицензию other, поэтому конкретные условия использования следует сверять с лицензией и уведомлениями в репозитории. Большой размер модели требует соответствующих ресурсов для локального запуска. Оценки в README получены на указанных бенчмарках и не гарантируют качество для каждого сценария.

Laguna M.1 — языковая модель Poolside для агентного программирования и выполнения длительных задач с помощью инструментов. Это текстовая модель типа Mixture-of-Experts: по карточке README, в ней 225 млрд параметров, из которых активируются 23 млрд на токен; архитектура включает 70 слоёв, 256 экспертов и глобальное внимание. Метаданные Hugging Face указывают 17,1 млрд параметров, поэтому сведения о размере расходятся; контекстное окно составляет 262 144 токена. Модель предназначена для работы в цикле агента: анализа кода и репозиториев, внесения изменений и выполнения задач в терминале. README сообщает о поддержке рассуждений между вызовами инструментов и приводит результаты на SWE-bench Verified, SWE-bench Multilingual, SWE-bench Pro и Terminal-Bench 2.0. Она принимает и выдаёт текст; сведения о конкретных поддерживаемых естественных языках не приведены. Для запуска указана поддержка vLLM, SGLang и Transformers. Лицензия — Apache 2.0, допускающая коммерческое и некоммерческое использование и модификацию.

Mungert/NextCoder-7B-GGUF — GGUF-квантизированная версия модели NextCoder-7B, разработанной Microsoft на базе Qwen2.5-Coder-7B-Instruct. Модель предназначена прежде всего для генерации и редактирования программного кода, исправления ошибок, работы с разнообразными правками кода и диалоговых сценариев для разработчиков. Постобучение выполнено с использованием методики Selective Knowledge Transfer (SeleKT), ориентированной на улучшение code editing без потери общей применимости. Это авторегрессионная causal language model с архитектурой на базе Transformers, RoPE, SwiGLU, RMSNorm и attention QKV bias. Модель содержит 7,61 млрд параметров, из них 6,53 млрд — без учёта embedding, имеет 28 слоёв, 28 Q-heads и 4 KV-heads с GQA. Заявлена поддержка контекста до 32K токенов. В карточке указано English как язык модели; поддерживается текстовая модальность. GGUF-файлы созданы с помощью llama.cpp, при этом автор применяет выборочное повышение точности отдельных слоёв сверх стандартной конфигурации IMatrix, что может улучшать качество при заданном уровне квантизации, но увеличивает размер файлов. Сильными сторонами являются специализация на редактировании кода, длинный контекст и улучшенные результаты NextCoder-7B по сравнению с базовой Qwen2.5-Coder-7B на приведённых тестах HumanEvalFix, CanItEdit и Aider. Ограничения включают зависимость качества и требований к ресурсам от конкретного GGUF-варианта квантизации, а также отсутствие подробных характеристик отдельных файлов в представленном README. Лицензия — MIT.

Карточка модели tandrey/Ornith-1.5-9B на Hugging Face совпадает с карточкой ornith-ai/Ornith-1.5-9B, поэтому описание составлено по ней. Ornith-1.5-9B — плотная языковая модель примерно на 9 млрд параметров семейства Qwen3.5, разработанная командой Ornith AI. Она развивает Ornith-1.0 за счёт цикла самоулучшения с генерацией обучающих задач, поиском стратегий решения и обучением с подкреплением. Модель предназначена для агентных сценариев, программирования и выполнения многошаговых задач с использованием инструментов; поддерживает диалог и вызовы функций через совместимый с OpenAI API интерфейс. Модель принимает и генерирует текст. Заявленное базовое окно контекста составляет 262 144 токена; с масштабированием YaRN в README описано расширение примерно до миллиона токенов, которое может немного снижать качество на обычных запросах. Версия на 9B рассчитана на эффективное развёртывание, включая обслуживание на одной 80-гигабайтной GPU; веса в bf16 занимают около 19 ГБ. Карточка описывает бенчмарки для программных и агентных задач, но сами численные результаты здесь не приведены. Лицензия — MIT.

PyLlama3 — языковая модель семейства Llama, созданная разработчиками PyBench путём дообучения Llama 3 на наборах PyInstruct, CodeActInstruct, CodeFeedback и корпусе Jupyter Notebook. Она предназначена для генерации кода и диалоговой работы с многошаговыми задачами программирования, включая анализ данных и отладку. Модель имеет плотную архитектуру LlamaForCausalLM, содержит около 7,5 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка описывает сценарии анализа таблиц и текстов, работы с изображениями и аудио, сложных вычислений и разработки программ и сайтов; PyBench оценивает такие задачи с помощью тестов. Доступен формат PyTorch, лицензия в предоставленных данных не указана.

Qwen2.5-Coder-14B-Instruct-bnb-4bit — 4-битная квантизированная версия инструкционной языковой модели Qwen2.5-Coder-14B-Instruct, разработанной командой Qwen. Модель предназначена для генерации, анализа и исправления программного кода, задач кодового рассуждения, текстово-кодового взаимодействия и создания приложений на основе code agents. Она также сохраняет возможности для математических и общих языковых задач. Модель относится к causal language models и использует архитектуру Qwen2.5-Coder с RoPE, SwiGLU, RMSNorm, смещениями в QKV внимания и связанными эмбеддингами слов. В названии указано 14 млрд параметров и 4-битное представление bnb, однако README не приводит подробные характеристики именно этой версии, включая точную длину контекста, число слоёв, модальности и список поддерживаемых языков. Указан английский язык. К сильным сторонам относятся специализация на программировании, улучшения в генерации, рассуждении и исправлении кода, а также сниженные требования к памяти благодаря квантизации. Ограничения и результаты конкретной версии в README подробно не описаны. Модель распространяется по лицензии Apache-2.0. Для работы рекомендуется использовать актуальную версию библиотеки transformers; версии ниже 4.37.0 могут вызывать ошибку, связанную с архитектурой qwen2.

Qwen2.5-Coder-14B-Instruct-GGUF — квантованная версия инструкционной модели Qwen2.5-Coder-14B-Instruct, разработанной командой Qwen. Формат GGUF подготовлен bartowski на основе llama.cpp; модель предназначена для локального использования и генерации текста с акцентом на программный код и взаимодействие в формате чата. Модель рассчитана на задачи разработки программного обеспечения и использование в code agents. По заявленным данным, она обучалась на объёме до 5,5 триллиона токенов, включавшем исходный код, текстово-кодовые соответствия и синтетические данные. Поддерживается контекст до 128K токенов благодаря масштабированию RoPE с коэффициентом 4,0. В карточке указана поддержка английского языка; параметры модальности ограничены текстом. Ключевое преимущество модели — специализация на коде, инструкциях и агентских сценариях, а также большой контекст, полезный для работы с крупными файлами и проектами. К ограничениям относятся возможные ошибки, неточности и нежелательный контент, характерные для генеративных моделей, а также влияние квантования на качество и требования к ресурсам. Модель распространяется по лицензии Apache 2.0.

Это GGUF-версия модели Qwen2.5-Coder-32B-Instruct, подготовленная TensorBlock на основе mlx-community/Qwen2.5-Coder-32B-Instruct-bf16. Репозиторий содержит файлы в формате GGUF с разными вариантами квантования; они совместимы с llama.cpp начиная с указанного в карточке коммита. Размер исходной модели — 32 млрд параметров. Модель предназначена для генерации кода в диалоговом формате, а также для анализа и исправления кода. В README приведён шаблон сообщений system/user/assistant. Для некоторых вариантов квантования указана заметная потеря качества; автор не рекомендует Q2_K для большинства сценариев, а Q3_K_S и Q3_K_M характеризуются как варианты с высокой потерей качества. Лицензия — Apache-2.0.

Orion-zhen/Qwen2.5-Coder-7B-Instruct-AWQ — квантизированная версия инструкционно дообученной языковой модели Qwen2.5-Coder-7B, разработанной командой Qwen. Это каузальная текстовая модель для генерации, анализа, исправления и рассуждений о программном коде, а также для задач кодовых агентов и общих математических и текстовых сценариев. Модель обучалась с использованием корпуса alvarobartt/openhermes-preferences-coding; для калибровки AWQ применялся этот же датасет. Модель содержит 7,61 млрд параметров, из которых 6,53 млрд не относятся к embedding, и включает 28 слоёв. Архитектура использует RoPE, SwiGLU, RMSNorm и смещения в attention QKV; применяется GQA с 28 головами для Q и 4 для KV. Заявлена поддержка контекста до 131 072 токенов, однако исходная конфигурация рассчитана на 32 768 токенов, а для более длинных входов требуется включение YaRN. Основные заявленные языки — английский и китайский. Модель работает в режиме text generation и поддерживается Transformers. Сильные стороны — специализация на программировании, улучшенные генерация, исправление и понимание кода, большой контекст и сниженные требования к памяти благодаря AWQ-квантизации. При использовании YaRN на коротких текстах возможное падение производительности связано со статическим коэффициентом масштабирования. README не содержит отдельных результатов тестирования именно этой AWQ-версии, поэтому её фактическую точность и скорость следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-7B-Instruct-GGUF — инструкционно дообученная языковая модель для генерации текста и программного кода из семейства Qwen2.5-Coder, разработанного командой Qwen компании Alibaba Cloud. Она предназначена для генерации, анализа и исправления кода, рассуждений о программировании, создания code agents, а также для задач, где требуется сочетание навыков работы с кодом, математикой и общими текстовыми запросами. Модель поддерживает английский язык; README не подтверждает поддержку других языков. Модель представляет собой causal language model в формате GGUF с архитектурой на базе transformers, RoPE, SwiGLU, RMSNorm и смещениями в Attention QKV. Она содержит 7,61 млрд параметров, из них 6,53 млрд без учёта embedding, 28 слоёв и механизм GQA с 28 головами для Q и 4 для KV. Полная длина контекста этой GGUF-версии — 32 768 токенов. Доступны варианты квантования q2_K, q3_K_M, q4_0, q4_K_M, q5_0, q5_K_M, q6_K и q8_0, что позволяет выбирать компромисс между качеством, скоростью и требованиями к памяти. К сильным сторонам относятся специализация на генерации, рассуждении и исправлении кода, поддержка локального запуска через llama.cpp и несколько вариантов квантования. Ограничение GGUF-версии — контекст 32 768 токенов; заявленное расширение до 131 072 токенов с YARN относится к другим условиям и, согласно README, требует vLLM и не-GGUF моделей. Лицензия — Apache 2.0.

Qwen3.6-27B-A3B-Coder-MTP-GGUF — это квантизированная GGUF-версия специализированной на коде модели, разработанная ManniX-ITA на основе ManniX-ITA/Qwen3.6-27B-A3B-Coder и Qwen/Qwen3.6-35B-A3B. Модель использует архитектуру Qwen3.5-MoE с 26,66 млрд параметров, из которых около 3 млрд активируются при обработке токена. Она создана методом экспертного прореживания: число экспертов сокращено с 256 до 184 в каждом слое с сохранением маршрутизатора, механизмов внимания, нормализаций, MTP-головы и vision-компонента базовой модели. По умолчанию используется маршрутизация top-10. Доступны многочисленные варианты квантизации, включая F16, Q2–Q8 и IQ-серии. Модель предназначена прежде всего для генерации, анализа и исправления программного кода, а также для задач рассуждения, следования инструкциям и обработки визуальных данных. В README заявлена поддержка английского языка; среди целевых языков программирования упоминаются Rust, Java и JavaScript. На тестах модель показывает особенно сильные результаты в HumanEval, GSM8K и MultiPL-E, где достигает 0,970, 0,970 и 0,840 соответственно. При этом её средний результат немного уступает полной базовой модели, а показатели GPQA-Diamond, MATH-500 и IFEval ниже, поэтому она оптимизирована именно под кодовые сценарии, а не под универсальное качество. Ограничением является склонность к чрезмерно длинным рассуждениям на открытых задачах, особенно на GPQA и AIME; в отдельных случаях модель может израсходовать значительную часть контекста до формирования ответа. Для управления длиной рассуждений рекомендуется использовать соответствующие параметры llama.cpp и при необходимости переключаться на маршрутизацию top-8. Контекстное окно в предоставленных данных не указано. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-9B-Coder — компактная кодовая языковая модель, разработанная Empero на основе дистилляции Qwen3.8 2.4T A95B в архитектуру Qwen3.5-9B. LisyNeko выполнил дообучение для задач программирования и восстановил поддержку изображений с помощью vision-проектора. Модель перепакована nullsumlabs в формате GGUF для совместимости с LM Studio, llama.cpp и Ollama. Модель предназначена для генерации, исправления и рефакторинга кода, объяснения ошибок, решения математических и логических задач, следования инструкциям и вызова функций. Поддерживает текстовый и графический ввод, заявленный язык — английский. Нативное контекстное окно составляет 262 144 токена. Архитектура qwen35 представляет собой гибридную causal language model с чередованием Linear SSM/Gated DeltaNet и Gated Attention, 33 блоками, grouped-query attention и встроенным multi-token prediction. Доступная сборка Q4_K_M занимает около 5,8 ГБ, а vision-проектор в формате BF16 — около 879 МБ. Сильными сторонами являются специализация на программировании, дистиллированные трассы рассуждений, поддержка function calling, большой контекст и возможность работы с изображениями. Ограничения включают зависимость от GGUF-совместимых приложений вместо стандартного Transformers pipeline, необходимость отдельного vision-проектора для обработки изображений и возможные потери качества из-за квантования Q4_K_M. Модель распространяется по лицензии Apache-2.0.

Jab1718/qwen3.8-flash-coder-26gb-gguf — это набор квантованных форматов GGUF модели, разработанный Jab1718 на основе Jab1718/qwen3.8-flash-coder-85gb-bf16. Модель представляет собой подсеть Mixture of Experts со 160 экспертами, выделенную из Qwen3.8-Flash-Next, и предназначена прежде всего для генерации кода, программирования, ревью, поиска ошибок, рефакторинга и работы в сценариях coding agent. Поддерживаются английский, вьетнамский и китайский языки, а запуск предусмотрен через llama.cpp и Ollama. Основной вариант Q4_K_M занимает около 26,43 ГБ и ориентирован на одну видеокарту с 24 ГБ памяти, ускорители с 32 ГБ или Mac с 32 ГБ памяти. Также доступен вариант Q8_0 размером около 42,25 ГБ, рассчитанный на две видеокарты по 24 ГБ, одну карту с 48 ГБ или Mac с 64 ГБ и более; заявлено сохранение примерно 99,5% точности BF16. Для Apple Silicon указана поддержка контекста до 64K, однако требуется актуальная версия llama.cpp с поддержкой произвольного числа экспертов. Сильные стороны модели — специализация на системном программировании, алгоритмах, многоязычной разработке и задачах исправления кода, а также существенно сниженные требования к памяти по сравнению с исходной моделью. Ограничение состоит в целевой специализации: общая математическая грамотность и задачи уровня GSM8K были намеренно сокращены. В README приведены результаты на Rust, C++20, TypeScript, coding agent и Python Algorithms, но они не заменяют независимую оценку качества. Модель распространяется по лицензии Apache 2.0.

Qwen3-Coder-53B-A3B-Instruct-TOTAL-RECALL-v2-MASTER-CODER-L — дообученная разработчиком DavidAU инструктивная MoE-модель для программирования, основанная на Qwen/Qwen3-Coder-30B-A3B-Instruct и адаптере Brainstorm. Модель предназначена для генерации и анализа кода, решения задач программирования и агентных сценариев с использованием инструментов. Репозиторий содержит веса в safetensors, пригодные для прямого запуска и преобразования в другие форматы. Заявлены 53 млрд параметров, 84 слоя и контекст до 262 144 токенов; метаданные указывают 3,9 млрд параметров. Архитектура — Qwen3 MoE с 128 экспертами; автор изменил число активируемых экспертов по умолчанию с 8 до 10. Основная специализация — код на распространённых и менее распространённых языках программирования; карточка также указывает поддержку английского, французского, китайского и немецкого языков. Режим рассуждений по умолчанию отключён, автор предлагает опциональный системный запрос для его включения. Модель рассчитана на кодирование, понимание больших репозиториев и многошаговую работу с кодом; возможен интерфейс вызова инструментов. Качество и скорость зависят от числа активных экспертов, параметров генерации и доступных вычислительных ресурсов. Лицензия — Apache 2.0.

Карточка модели ArchiveStudio/Qwen3-Coder-Next-Base на Hugging Face совпадает с карточкой Qwen/Qwen3-Coder-Next-Base, поэтому описание составлено по ней. Qwen3-Coder-Next-Base — базовая языковая модель компании Qwen, предназначенная для разработки кодовых агентов и локальной работы с кодом. Это предварительно обученная авторегрессионная модель семейства Qwen3-Next с гибридной архитектурой: чередует Gated DeltaNet, Gated Attention и разреженные Mixture of Experts. В README указано 80 млрд параметров всего и 3 млрд активируемых; метаданные Hugging Face указывают 2,3 млрд параметров, поэтому размерные сведения источников расходятся. Модель рассчитана на генерацию кода и использование как основы для последующего обучения и создания агентных систем. Заявлены возможности вызова инструментов, адаптации шаблонов и каркасов проектов, а также поиска и восстановления после ошибок. Нативная длина контекста — 262 144 токена; README заявляет поддержку более 370 языков, в том числе языков программирования. Модель работает только в режиме без рассуждений (non-thinking) и не генерирует блоки разметки рассуждений. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия Apache-2.0.

Qwen3-Coder-Next-Base — базовая языковая модель компании Qwen, предназначенная для разработки кодовых агентов и локальной работы с кодом. Это предварительно обученная авторегрессионная модель семейства Qwen3-Next с гибридной архитектурой: чередует Gated DeltaNet, Gated Attention и разреженные Mixture of Experts. В README указано 80 млрд параметров всего и 3 млрд активируемых; метаданные Hugging Face указывают 2,3 млрд параметров, поэтому размерные сведения источников расходятся. Модель рассчитана на генерацию кода и использование как основы для последующего обучения и создания агентных систем. Заявлены возможности вызова инструментов, адаптации шаблонов и каркасов проектов, а также поиска и восстановления после ошибок. Нативная длина контекста — 262 144 токена; README заявляет поддержку более 370 языков, в том числе языков программирования. Модель работает только в режиме без рассуждений (non-thinking) и не генерирует блоки разметки рассуждений. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия Apache-2.0.

Qwen3-Coder-Next — открытая языковая модель с открытыми весами, разработанная командой Qwen. Данная GGUF-версия предназначена для локального запуска, прежде всего в качестве основы для coding agents и разработки в IDE или CLI-средах. Модель ориентирована на генерацию и анализ кода, длительное рассуждение, работу с инструментами, выполнение сложных многошаговых задач и восстановление после ошибок выполнения. Это causal language model, прошедшая этапы предварительного обучения и постобучения. Общий размер составляет 80 млрд параметров, из которых при генерации активируется около 3 млрд; без учёта embedding — 79 млрд. Архитектура использует Mixture of Experts с 512 экспертами и 10 активируемыми экспертами, а также гибридные блоки Gated DeltaNet и Gated Attention; модель содержит 48 слоёв. Нативная длина контекста — 262 144 токена. Поддерживается только режим без скрытого рассуждения: модель не формирует блоки <think></think>. README не указывает поддерживаемые языки. К сильным сторонам относятся высокая эффективность по числу активируемых параметров, большой контекст, развитые возможности tool calling и пригодность для интеграции с различными средами разработки, включая Claude Code, Qwen Code, Qoder, Kilo, Trae и Cline. Ограничения включают специализированную ориентацию на программирование, работу только в non-thinking mode и необходимость значительных вычислительных ресурсов для размещения полной модели, несмотря на малое число активируемых параметров. Модель распространяется по лицензии Apache-2.0.