II.4Отладка, тестирование и качество ПО

rStar-Coder-Qwen3 — дообученная на наборе microsoft/rStar-Coder компактная плотная языковая модель семейства Qwen3, разработанная prithivMLmods на базе Qwen/Qwen3-0.6B. Она предназначена для генерации кода и технических объяснений, математических и научных рассуждений, а также структурированных ответов в форматах вроде JSON, LaTeX, CSV и YAML. Модель имеет около 508 млн параметров, принимает текст и поддерживает контекст до 40 960 токенов. Карточка заявляет поддержку кода на нескольких языках программирования, но метаданные указывают английский как язык карточки; естественные языки обучения отдельно не перечислены. Небольшой размер рассчитан на запуск при ограниченных вычислительных ресурсах. Распространяется по лицензии Apache-2.0. Модель ориентирована на программирование, STEM-задачи и структурированную генерацию, а не на универсальный разговор или творческое письмо. README предупреждает, что длинный контекст может затруднять анализ нескольких документов или крупных кодовых баз, а обычный чат и эмоциональный стиль могут быть слабее специализированных технических ответов. Заявления о возможностях основаны на карточке модели и не сопровождаются в предоставленных данных результатами бенчмарков.

Tiel-Coder-35B-A3B-GGUF-MTP — локальная модель для агентного программирования, разработанная peculiar-ragdoll на основе Ornith-1.5-35B-A3B. Это динамически переквантованная версия с собственной imatrix и шаблоном диалогов Sharp, встроенными в формат GGUF. Модель предназначена для запуска через llama.cpp и поддерживает MTP для speculative decoding. Основной сценарий применения — исправление реальных проблем в кодовых базах и поддержание длительных многошаговых диалогов. По данным README, модель особенно сильна в SWE-задачах и многоходовом взаимодействии, но заметно слабее подходит для викторин, экзаменационных вопросов и задач, требующих широких знаний или сложного рассуждения. В SWE-bench-Live она решила 12 из 25 задач, а в Claw-Eval получила результат 67,2; на MMLU-Pro показала 73,7. Модель имеет архитектуру MoE и обозначение 35B-A3B; доступны GGUF-квантизации от 2 до 8 бит размером примерно от 12,7 до 38,8 ГБ. Заявлена поддержка английского и китайского языков, а также контекста до 262 тысяч токенов. Благодаря MoE она рассчитана на высокую скорость, включая запуск с частичным offload на небольших GPU. Для агентного программирования рекомендуется использовать контекст 131–262 тысячи токенов и KV-кэш не ниже q8_0, если хватает совокупной RAM и VRAM. README также указывает теги vision и image-text-to-text, однако подробности мультимодальных возможностей не приведены. Модель распространяется по лицензии MIT. Ограничения включают существенное падение качества на самых низких уровнях квантизации, а также более слабые результаты в знаниях и рассуждении по сравнению с рядом альтернатив. Для запуска требуется подобрать вариант GGUF с учётом доступной совокупной памяти и желаемого размера контекста.

Tiel-Coder-35B-A3B-MLX-oQ6e-MTP — это квантованная версия Ornith-1.5-35B-A3B от ornith-ai, подготовленная пользователем peculiar-ragdoll для запуска через MLX. Модель ориентирована прежде всего на агентное программирование, исправление реальных проблем в кодовых базах и длительные многоходовые диалоги. Она основана на архитектуре MoE с заявленными 35B общих параметров и 3B активных параметров, использует 6-битное динамическое смешанное квантование oQ6e с imatrix, шаблон чата Sharp и обученную голову multi-token prediction (MTP) для ускоренного декодирования. Поддерживаются текст и изображения, а заявленные языки — английский и китайский. Встроенный vision-проектор поставляется в той же папке, отдельно загружать его не требуется. Сильными сторонами модели являются скорость, эффективность в задачах программирования и качество многоходового общения. В README она описывается как особенно подходящая для практической работы с кодом, тогда как для викторин, экзаменационных знаний и сложного общего рассуждения рекомендуется использовать другие модели. Приведённые результаты SWE-bench и других тестов относятся к сборке GGUF, а не непосредственно к этому MLX-файлу, поэтому их нельзя считать точными измерениями данной версии. Для запуска рекомендуется oMLX, который поддерживает MTP. Версия несовместима с ML Studio: его MLX-движок некорректно исполняет MTP и генерирует бессмысленный многоязычный текст. Для LM Studio следует использовать сборку GGUF или вариант MLX без MTP. Модель распространяется по лицензии MIT.

Aazhi-Coder-1.5B — компактная модель для генерации и анализа кода в диалоговом формате, разработанная Prannesshkva на основе Qwen2.5-Coder-1.5B-Instruct с архитектурой памяти ISOM-R2. В карточке заявлена обработка длинных контекстов до 1 048 576 токенов с потоковой подачей фрагментов и ограниченным использованием памяти; метаданные указывают нативный контекст 131 072 токена. Модель содержит 1,5 млрд параметров, принимает текст и выдаёт текст. Модель предназначена для вопросов по большим репозиториям, поиска межфайловых зависимостей, анализа и исправления кода, а также генерации кода. README приводит бенчмарк на корпусе исходников Transformers, однако заявленные показатели скорости и использования видеопамяти относятся к описанному сценарию и не гарантируют такую же производительность на других данных и оборудовании. Модель распространяется под лицензией CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных версий.

Carnice-27b — дообученная и объединённая в самостоятельный чекпойнт модель kai-os на базе Qwen/Qwen3.5-27B. Это плотная авторегрессионная языковая модель с 22,3 млрд параметров, предназначенная для диалогов в стиле Hermes-Agent, рассуждений и многошаговой работы с инструментами. В README описаны сценарии работы с терминалом, файлами, браузером, репозиториями и отладкой; модель загружается как отдельный чекпойнт без исходного адаптера. Метаданные указывают контекст до 262 144 токенов и формат safetensors. Модель распространяется по лицензии Apache-2.0. Для неё пока не приложены воспроизводимые результаты бенчмарков.

Code-Llama-3-8B-GGUF — это набор квантизованных версий языковой модели Code-Llama-3-8B в формате GGUF, подготовленный пользователем bartowski с использованием llama.cpp и метода imatrix. Исходная модель размещена на Hugging Face организацией или автором ajibawa-2023. Модель предназначена прежде всего для генерации, дополнения и объяснения программного кода, а также для решения задач по программированию и математических задачах в диалоговом формате. Модель содержит 8 миллиардов параметров и работает в текстовой модальности. В README указан английский язык, а среди целевых языков программирования перечислены Python, C++, PHP, JavaScript, Java, Rust, Ruby, SQL, MySQL, R и Julia. Доступно множество вариантов квантизации от Q8_0 до IQ1_M, что позволяет выбирать баланс между качеством и требованиями к памяти: рекомендуются, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и некоторые варианты IQ4. Более компактные варианты экономят память, но снижают качество и могут быть непригодны для требовательных задач. Сильными сторонами являются специализация на коде, широкий выбор размеров файлов и возможность локального запуска через совместимый стек llama.cpp. Ограничения включают потери качества при низкой разрядности квантизации; сведения о размере контекстного окна, точной архитектуре и поддержке других естественных языков в README не указаны. Модель распространяется по лицензии llama3.

Salesforce/codet5-small — небольшая предварительно обученная модель CodeT5, разработанная Salesforce Research и представленная в статье о моделях кодирования и генерации кода с учетом идентификаторов. Это плотный энкодер-декодер Transformer семейства T5 с 38,5 млн параметров и контекстом до 512 токенов; модель распространяется в формате PyTorch. Она обучена на CodeSearchNet и дополнительных корпусах C/CSharp, чтобы поддерживать задачи понимания и генерации кода. Модель предназначена прежде всего для дальнейшей настройки под конкретную задачу: суммаризации, генерации и перевода кода, его рефакторинга, обнаружения дефектов и поиска клонов. Также её можно применять для предсказания замаскированных фрагментов. CodeT5 использует специализированный для кода BPE-токенизатор и связывает программный код с естественно-языковыми комментариями. Это предварительно обученная базовая модель, а не готовое решение для конкретной прикладной задачи, поэтому качество в целевом сценарии зависит от дообучения и проверки. Карточка отмечает, что модель не оценивалась для всех вариантов применения и рекомендует проверять точность и безопасность перед внедрением. Лицензия — Apache 2.0.

GPT-5.3-Codex — агентная модель OpenAI для программирования. В карточке она описана как сочетание возможностей GPT-5.2-Codex в разработке ПО с более широкими способностями к рассуждению и профессиональными знаниями GPT-5.2. Модель предназначена для задач разработки программного обеспечения и сценариев, где агент должен применять рассуждение при работе с кодом. README заявляет передовые результаты, но не приводит в предоставленном фрагменте конкретных оценок или технических характеристик. Сведения о лицензии, размерах модели, длине контекста и ограничениях применения в доступных материалах отсутствуют.

Patronus-Lynx-70B-Instruct — языковая модель Patronus AI на архитектуре Llama 3, дообученная на базе meta-llama/Meta-Llama-3-70B-Instruct. Она предназначена для оценки галлюцинаций в сценариях RAG: модель получает документ, вопрос и ответ и определяет, подтверждается ли ответ документом. Модель содержит 69,5 млрд параметров, принимает текст и генерирует текстовую оценку. В карточке указаны преимущественно английский язык и максимальная длина последовательности около 8 тысяч токенов; в метаданных контекст указан как 8192 токена. Для обучения использовались, среди прочего, CovidQA, PubmedQA, DROP и RAGTruth, с ручными и синтетическими аннотациями. Модель оценивалась на HaluBench. Модель опубликована в формате safetensors и предназначена для использования через Transformers. Лицензия CC BY-NC 4.0 допускает использование с ограничением на коммерческое применение.

Memorisea-4b-v1 — компактная плотная языковая модель на архитектуре Qwen3, разработанная на основе Qwen/Qwen3-4B-Instruct-2507 посредством дообучения. Она предназначена для диалоговых агентных сценариев: вызова функций и инструментов, формирования структурированных JSON-ответов, генерации кода и защитного исправления уязвимостей. По карточке модели, в бенчмарках она показала 93,3% синтаксической корректности AST и 100% соблюдения заданных ограничений; результат BFCL составил 46,7%, поэтому качество вызова функций зависит от задачи и не гарантирует безошибочную работу. Модель принимает текст и генерирует текст, поддерживает контекст до 262 144 токенов и ориентирована на английский язык. Распространяется по лицензии Apache-2.0.

Moe-2x7b-QA-Code — языковая модель команды nextai-team для ответов на вопросы и работы с запросами по программированию. Она использует архитектуру Mixture of Experts семейства Mixtral; в метаданных указан размер 7,1 млрд параметров и контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Модель предназначена для разработчиков, специалистов по данным и исследователей. Её можно использовать для генерации и объяснения кода, помощи при разборе технической документации, ответов в службе поддержки, обучения программированию и поддержки код-ревью. В карточке указано обучение на технической документации, публикациях Stack Overflow и репозиториях GitHub; заявлена поддержка английского языка. Карточка заявляет улучшение ответов на сложные вопросы о коде, но не приводит численных результатов бенчмарков. Ответы могут быть предвзятыми или неточными, особенно за пределами обучающих данных, поэтому их следует проверять перед использованием в критически важных сценариях.

Openai_gpt-oss-20b-CODER-NEO-CODE-DI-MATRIX-GGUF — это специализированная GGUF-квантизация базовой модели openai/gpt-oss-20b, подготовленная DavidAU. Вариант ориентирован прежде всего на генерацию и анализ программного кода, а также поддерживает общий чат, рассуждения, решение задач и мозговой штурм. Для оптимизации заявлены отдельные NEO- и CODER-наборы данных, объединённые в Dual Imatrix (DI-Matrix), применённые к квантизированным версиям модели. Модель использует архитектуру Mixture of Experts с 20B параметров и поддерживает до 24 экспертов, при этом в README рекомендуются 4–8 активных экспертов в зависимости от сценария. Указаны языки и возможности работы преимущественно для английского языка, контекст до 128k токенов, использование инструментов и browsing. Доступны варианты IQ4_NL и MXFP4_MOE; наборы MXFP4_MOE предназначены для эффективного сжатия, но README отмечает проблемы совместимости и качества для некоторых конфигураций. Разработчик сообщает о тестировании на сложных задачах программирования, однако результаты приведены без независимых бенчмарков. Сильные стороны модели — специализация на коде, поддержка длинного контекста, MoE-архитектура и несколько вариантов квантизации. К ограничениям относятся зависимость качества от выбранного числа активных экспертов, параметров сэмплирования и конкретного кванта, а также возможные проблемы MXFP4_MOE из-за особенностей тензоров исходной модели. Модель распространяется по лицензии Apache-2.0.

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

Ornith-1.5-397B-FP8 — крупная языковая модель от команды ornith-ai, флагман семейства Ornith-1.5. Это 397-миллиардная mixture-of-experts-модель для генерации текста, прежде всего для программирования, работы с терминалом и решения задач разработки программного обеспечения. Модель развивает Ornith-1.0, созданную на основе Qwen3.5 и Gemma4 с дополнительным дообучением, промежуточным обучением и постобучением. Ключевая особенность Ornith-1.5 — цикл самоулучшения: модель совместно оптимизирует генерацию учебных задач, построение scaffolds и rollouts решений с применением reinforcement learning. Такой подход предназначен для автоматического обнаружения эффективных стратегий решения задач и повышения качества без опоры только на фиксированный набор вручную подготовленных заданий и harness-ов. В README указана версия FP8; сведения о контекстном окне, поддерживаемых языках, мультимодальности и точной внутренней архитектуре, кроме MoE, не приведены. Сильной стороной модели являются результаты в задачах программирования: 86,1 на Terminal-Bench 2.1 (Terminus-2), 85,2 на Terminal-Bench 2.1 (Claude Code) и 86 на SWE-bench Verified. Ограничениями можно считать очень крупный размер и связанные с ним требования к вычислительным ресурсам, а также отсутствие в предоставленной карточке подробностей о производительности в других сценариях, системных требованиях и ограничениях применения. Модель распространяется по лицензии MIT.

AMAImedia выпустила эту модель в рамках платформы NOESIS для автоматизации многоязычного дубляжа. Это дообученная версия Qwimi-3.6-27B-Coder-MTP-BF16 на базе trjxter/Qwimi-3.6-27B-Coder-MTP-BF16: плотная мультимодальная архитектура Qwen3.5 с 27,8 млрд параметров, чередующая слои стандартного внимания и GatedDeltaNet. Репозиторий содержит веса BF16 в формате Safetensors и предназначен для диалогового использования с Transformers. Основное назначение — помощь в программировании: генерация и объяснение кода, отладка, рефакторинг, вызов инструментов и многошаговые агентные задачи по работе с репозиториями. Обучение было текстовым и включало преимущественно кодовые данные, а также примеры вызова инструментов и SWE-agent. Карточка заявляет мультимодальный интерфейс image-text-to-text, но визуальная часть не дообучалась и не проверялась. Указаны английский, русский и другие языки; при этом модель не валидировалась для неанглоязычного применения. В отдельных приведённых тестах модель показала улучшение на HumanEval и XML-задачах с инструментами, но общий выигрыш был небольшим, а результат MBPP снизился. Агентных примеров было мало, а контекст проверяли только до 16 384 токенов; поведение на большей длине не подтверждено. Лицензия — Apache-2.0.

Solstice-AI/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU-mlx-oQ6e-1M — релиз Solstice-AI на базе модели DavidAU Qwen3.8-27B-TURBO-Fable-Cold-Fusion. Solstice-AI отвечает за downstream-квантизацию, масштабирование контекста YaRN до 1 048 576 токенов и упаковку для Apple MLX. Модель ориентирована на английский и китайский языки; в метаданных указана задача image-text-to-text, однако подробности о поддерживаемых визуальных входах не приведены. Модель предназначена для рассуждений, программирования, агентной разработки ПО, отладки репозиториев, выполнения многошаговых рабочих процессов и задач управления операционными системами. Заявлены архитектура Qwen 3.8 с гибридным вниманием, включающая Gated Delta Recurrent Network и Grouped-Query Attention, механизм Multi-Token Prediction, а также объединение весов Cold Fusion GAIN. Формат — смешанная квантизация Apple MLX oQ6e; заявлено размещение примерно в 23,7 ГБ оперативной памяти и ускорение на Apple Silicon через Metal и Anvil Runtime. К сильным сторонам относятся заявленные большой контекст до 1 миллиона токенов, поддержка локального запуска на совместимых компьютерах Apple Silicon и высокие результаты на наборах SWE-bench Pro, LiveCodeBench, QwenSWEBench, OSWorld, AndroidWorld, IFBench и ARC. Эти показатели и сравнения с Claude Opus 4.6 приведены авторами README, но методика и независимое подтверждение не описаны. Ограничения включают зависимость производительности от MLX, Apple Silicon и доступной памяти, возможные потери качества из-за квантизации, а также отсутствие подробных данных о тренировочном наборе, мультимодальных возможностях и безопасности. Указанная лицензия — Apache-2.0.

Seed-Coder-8B-Instruct-GGUF — GGUF-квантизированная версия инструкционной модели Seed-Coder-8B-Instruct, разработанной ByteDance Seed и опубликованной в формате Unsloth. Это открытая модель для генерации и обработки программного кода, включая генерацию, рассуждение по коду, редактирование и задачи программной инженерии. Версия Instruct дообучена для лучшего следования пользовательским инструкциям. Модель представляет собой каузальную языковую модель примерно на 8 млрд параметров, прошедшую предобучение и постобучение на публичных и синтетических данных. Она поддерживает контекст длиной до 32 768 токенов и работает в текстовой модальности; конкретные языки программирования и перечень естественных языков в README не указаны. GGUF-формат предназначен для более удобного локального запуска с совместимыми средствами инференса, однако точные параметры квантования для этой карточки не приведены. К сильным сторонам относятся высокая эффективность среди открытых моделей сопоставимого размера, ориентация на широкий спектр задач программирования и подход к подготовке данных, основанный преимущественно на использовании LLM вместо большого числа ручных правил. Ограничения — отсутствие в предоставленных данных подробностей о поддерживаемых языках, требованиях к оборудованию, конкретном варианте квантования и результатах полной таблицы оценки. Лицензия MIT.

SWE-agent-LM-32B — языковая модель для задач программной инженерии, разработанная командой SWE-bench и обученная с помощью набора инструментов SWE-smith. Она дообучена на 5 тысячах траекторий, созданных SWE-agent и Claude 3.7 Sonnet, на базе Qwen/Qwen2.5-Coder-32B-Instruct. Модель построена на архитектуре Qwen2, содержит 32 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации кода и работы в составе программных агентов; она совместима с SWE-agent. Подходит для разработки агентов, решающих задачи в репозиториях, включая анализ и исправление кода. Доступны веса в формате safetensors, библиотека Transformers и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Tiel-Coder-35B-A3B-GGUF — локальная кодовая модель разработчика peculiar-ragdoll, созданная на базе Ornith-1.5-35B-A3B от Ornith AI. Это пере-квантованная версия с динамической квантизацией, собственной imatrix и встроенным шаблоном диалогов Sharp. Модель распространяется в формате GGUF для llama.cpp и использует MoE-архитектуру с 35 млрд параметров и примерно 3 млрд активных параметров на токен. Модель предназначена прежде всего для агентного программирования, исправления проблем в реальных кодовых базах и длительных многошаговых диалогов. В README заявлены поддержка английского и китайского языков, а также сценарии image-text-to-text и vision, однако подробности о возможностях обработки изображений не приведены. Контекст может использоваться в диапазоне до 131–262 тысяч токенов; при 16-битной точности KV-кэша для контекста 262k требуется менее 5 ГБ оперативной памяти. Сильные стороны модели — высокая скорость для своего класса, хорошая работа в многоходовых диалогах и агентном кодинге, а также возможность запуска с частичной выгрузкой на GPU. В заявленных тестах она исправила 12 из 25 задач SWE-bench-Live и получила 67,2 балла на Claw-Eval. Ограничения — заметно более слабые результаты в викторинах, знаниях и сложном рассуждении: на MMLU-Pro указано 73,7 балла. Качество и требования к памяти зависят от выбранного уровня квантизации; рекомендуемый benchmark-вариант Q4_K_XL занимает около 22,4 ГБ, а более компактные варианты могут существенно терять способности. Модель распространяется по лицензии MIT. Для запуска требуется совместимое ПО, например llama.cpp, и достаточно оперативной памяти и/или видеопамяти; README рекомендует использовать квантизацию не ниже UD-Q4, если это возможно.

Tiel-Coder-35B-A3B-GGUF-MTP — локальная GGUF-версия модели Ornith-1.5-35B-A3B, подготовленная с динамической квантизацией, собственной imatrix и шаблоном диалогов Sharp. Модель ориентирована прежде всего на агентное программирование, исправление реальных проблем в кодовых базах и длительные многоходовые диалоги. В метаданных указаны поддержка английского и китайского языков, а также сценарий image-text-to-text и возможность работы с визуальными данными; подробности о реализации мультимодальности в README не приведены. Модель использует разреженную MoE-архитектуру с заявленным размером 35B и активной частью 3B параметров. Доступны варианты квантизации от 2 до 8 бит в формате GGUF, совместимые с llama.cpp; размер наиболее рекомендуемого варианта UD-Q4_K_XL составляет 23,3 ГБ. Заявлена поддержка контекста до 262 тысяч токенов, при этом KV-кэш в формате 16-bit занимает менее 5 ГБ оперативной памяти для такого контекста. Архитектура позволяет использовать частичную выгрузку на GPU и запускать модель на системах с ограниченными ресурсами. Сильными сторонами являются скорость, эффективность в задачах программирования и качество многоходового общения. В приведённых автором тестах модель решила 12 из 25 задач SWE-bench-Live и получила 67,2 балла в Claw-Eval, однако уступила специализированным моделям в MMLU-Pro и задачах на знания и сложное рассуждение. README прямо предупреждает, что модель слаба в викторинах и экзаменационных сценариях, а более низкие уровни квантизации заметно ухудшают способность к агентному программированию. Модель распространяется по лицензии MIT.

WhereIsAI/UAE-Code-Large-V1 — модель эмбеддингов на архитектуре BERT, разработанная WhereIsAI. Она дообучена на наборе GIS: Github Issue Similarity с функцией потерь AnglE и предназначена для сравнения сходства кода и описаний GitHub issues. Модель выдаёт векторные представления текста и подходит для поиска похожих задач и обращений по коду. Модель содержит 433,9 млн параметров, принимает текст с контекстом до 512 токенов и рассчитана прежде всего на английский язык. В README приведены результаты на тестовом наборе: корреляция Спирмена 71,19 и точность 84,37. Доступна в формате safetensors и совместима с библиотеками sentence-transformers и angle-emb. Лицензия MIT разрешает использование в любых сценариях.

WaveCoder ultra 6.7B — языковая модель для работы с программным кодом, разработанная Microsoft. Представлена в формате GGUF и квантована сообществом bartowski на основе llama.cpp. Модель создана путем WAVE-инструкционного дообучения и предназначена исключительно для выполнения запросов, связанных с кодированием. Модель ориентирована на генерацию, рефакторинг и исправление кода, его суммаризацию и перевод между языками программирования. В основе указана модель DeepseekCoder, размер — 6,7 млрд параметров. Для обучения использовался набор CodeOcean из 20 000 инструкций по четырем задачам, подготовленный на базе кода из GitHub CodeSearchNet с применением LLM-генерации и проверки данных. Поддерживаемые языки программирования и размер контекстного окна в README не указаны. К сильным сторонам относятся заявленные обобщающая способность на разных задачах работы с кодом и высокая эффективность генерации. Ограничение модели — специализация на программировании, поэтому она не предназначена для универсального общения. Точный уровень квантования и связанные с ним характеристики качества и требований к ресурсам не указаны. Лицензия обозначена как other, с указанием license_name deepseek; подробные условия использования в README не приведены.

ZynDwarf-1.1 — компактная текстовая языковая модель общего назначения, разработанная Zyn Models / itsZyn на основе Liquid AI LFM2.5-350M. Модель содержит около 354,5 млн параметров и предназначена прежде всего для локального запуска на CPU-ориентированном оборудовании, встраивания в локальные инструменты и использования в агентских системах. Модель ориентирована на повседневный диалог на испанском и английском языках, объяснение и генерацию кода, отладку, преобразование программ, лёгкое планирование, структурированный вывод, выбор инструментов и обработку результатов их работы. Она поддерживает сценарии с function calling и многошаговыми агентскими циклами, при этом выполнение инструментов и проверка их результатов остаются ответственностью внешнего приложения. Доступны форматы Transformers Safetensors, GGUF F16 и GGUF Q4_K_M, совместимые с Transformers, llama.cpp и Ollama. Архитектура модели — Lfm2ForCausalLM, тип lfm2. Архитектурный максимум контекста составляет 128 000 токенов, однако рекомендуемый рабочий контекст — 32 768 токенов, а максимальная длина обучающих последовательностей — 768 токенов. Модель поддерживает только текст и не имеет возможностей работы с изображениями или аудио. Её сильные стороны — малый размер, низкие требования к ресурсам, поддержка испанского и английского языков, программирования и структурированных агентских взаимодействий. Ограничения связаны с компактным масштабом: модель не позиционируется как крупная система рассуждений, исследовательская модель или замена значительно более мощным моделям; для надёжной работы агентов необходимы внешний runtime, валидация и контроль выполнения инструментов. Распространяется по лицензии Apache-2.0.

Jebadiah/Aria-CodeQwen-stone — объединённая языковая модель, созданная с помощью mergekit методом DARE TIES на основе Jebadiah/Aria-7b-128k-v4 с включением Qwen/CodeQwen1.5-7B-Chat. Модель с архитектурой Mistral и примерно 7,1 млрд параметров предназначена для генерации текста, включая диалоговые и связанные с программированием сценарии. В README указаны параметры слияния и формат bfloat16; метаданные сообщают о контексте длиной 32 768 токенов и использовании Transformers. Модель может применяться для генерации и объяснения кода, исправления программ и преобразования запросов в SQL — эти возможности следуют из описания базовой CodeQwen. Карточка не содержит оценок качества самого слияния или детальных результатов тестирования, поэтому пригодность для конкретного проекта следует проверять отдельно. Репозиторий не указывает лицензию.

Crux-Qwen3_OpenThinking-4B — плотная авторегрессионная языковая модель семейства Qwen3, дообученная PrithivMLmods на базе Qwen/Qwen3-4B. Она содержит около 3,7 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Для диалогового применения доступны интерфейс вызова инструментов и генерация кода. Модель ориентирована на пошаговые рассуждения, решение математических и логических задач, STEM-обучение, объяснение и генерацию кода, а также структурированные ответы и перевод. В README заявлена поддержка более 20 языков; метаданные карточки отмечают английский. Для обучения использованы наборы s1K-1.1, OpenMathReasoning и FineTome-100k. Модель может быть полезна для учебных и технических задач, но иногда допускает фактические ошибки, лучше работает с ясными однозначными запросами и, согласно карточке, хуже подходит для творческой и художественной генерации. Доступна по лицензии Apache-2.0.

Gemini 3.1 Pro Preview — предварительная версия мультимодальной модели Google для решения сложных задач с упором на рассуждения. В карточке отмечены улучшенная работа в программной инженерии, надёжность агентных сценариев и более экономное использование токенов в сложных рабочих процессах. Метаданные каталога относят модель к задаче image-text-to-text. Подробности об архитектуре, размере, поддерживаемых языках, контексте и лицензии в предоставленных данных отсутствуют.

Crystalcareai/gemma-codefeedback — дообученная языковая модель семейства Gemma с архитектурой GemmaForCausalLM и плотной структурой, содержащая 8,2 млрд параметров. По карточке модель обучалась три эпохи на датасете Crystalcareai/CodeFeedback-Alpaca и предназначена для генерации текста с акцентом на обратную связь по коду и сценарии помощи при программировании. Модель принимает текст и генерирует текст; нативный контекст составляет 8192 токена. Репозиторий содержит веса в формате Safetensors и помечен для использования с Transformers. README не сообщает лицензию, поэтому условия использования по доступным данным определить нельзя.

mlx-community/GLM-5.1-MXFP4-Q8 — MLX-квантизированная версия текстовой генеративной модели GLM-5.1, разработанной Z.ai (zai-org) и опубликованной в формате MLX сообществом mlx-community. Базовая модель предназначена прежде всего для агентной разработки программного обеспечения, генерации и анализа кода, длительных рассуждений, работы с терминалом и использования инструментов. Она поддерживает текстовый ввод и вывод; сведения о поддержке изображений или аудио для этой версии не указаны. По опубликованным конфигурациям GLM-5.1 относится к архитектуре glm_moe_dsa и использует decoder-only causal language model с Mixture-of-Experts: 78 слоёв, 256 маршрутизируемых экспертов и 8 активных экспертов на токен. Размер модели составляет примерно 744 млрд параметров, максимальная позиционная длина указана как 202 752 токена. Версия MXFP4-Q8 предназначена для запуска через MLX и использует 4-битное MXFP4-квантизирование с отдельными компонентами в 8-битном представлении; это существенно уменьшает объём хранения по сравнению с полной версией, но модель всё равно требует очень значительных аппаратных ресурсов. Сильные стороны модели — ориентация на сложные программные и агентные задачи, большой контекст и возможность локального запуска в MLX-совместимой среде. Ограничения включают крайне большой размер, высокие требования к памяти и потенциально низкую производительность на неподходящей или распределённой конфигурации оборудования; официальная карточка именно этой производной версии практически не содержит описания и результатов оценки. Для базовой GLM-5.1 указана лицензия MIT, но для репозитория mlx-community/GLM-5.1-MXFP4-Q8 отдельные лицензионные условия не указаны, поэтому их следует проверить перед коммерческим использованием.

Harness-1B — компактная языковая модель Algo Science Lab, разработанная Shahrear Hossain. Это плотная авторегрессионная модель семейства Llama примерно на 1 млрд параметров, дообученная на базе TinyLlama/TinyLlama-1.1B-intermediate-step-1431k-3T для следования инструкциям и диалогов. Модель принимает текст и генерирует текст; заявленный контекст — 2048 токенов. Репозиторий содержит веса SafeTensors и вариант GGUF в формате F16. Модель предназначена для чат-ботов, локального помощника по программированию и инженерным вопросам, генерации и отладки кода, объяснения математики и технических концепций, подготовки документации, а также помощи в электронике, FPGA, ASIC и проектировании VLSI. В карточке заявлена поддержка английского языка. Лицензия — Apache-2.0. Модель может ошибаться, выдавать устаревшие сведения и допускать ошибки в рассуждениях; ответы для критически важных задач и производственного применения требуют проверки человеком.

Locutusque разработала Hyperion-3.0-Mistral-7B-alpha — языковую модель на архитектуре Mistral с 7,1 млрд параметров, дообученную на 200 тысячах примеров набора Hyperion-v3.0 на базе mistralai/Mistral-7B-v0.1. Модель генерирует текст и предназначена для диалогов, ответов на сложные вопросы и рассуждений в научных и технических областях. Её можно применять для генерации и анализа кода, математических и логических задач, обучения по естественным наукам и медицине, а также для понимания медицинских текстов. Карточка указывает английский язык; максимальная длина контекста составляет 32 768 токенов. Модель распространяется по лицензии Apache-2.0. Качество ответов может быть непоследовательным из-за различий в форматировании и качестве разметки обучающих данных. Модель склонна выполнять любые запросы; для корпоративного применения автор рекомендует дополнительное обучение с DPO.