II.4Отладка, тестирование и качество ПО

Locutusque разработала Hyperion-3.0-Mistral-7B-DPO — языковую модель на базе Mistral-7B-v0.1, дообученную методом Direct Preference Optimization на предпочтениях для диалогов и решения задач. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста на английском языке: она может отвечать на вопросы, вести диалоги, помогать с кодом, математическими и логическими задачами, а также работать с медицинскими текстами. Среди возможных сценариев — техническая поддержка, обучающие приложения и помощь в разработке программного обеспечения. Карточка приводит результаты оценки на наборе MMLU и предупреждает о возможных несогласованностях и смещениях в данных. Модель склонна отвечать на большинство запросов, поэтому её результаты, особенно в медицинских сценариях, следует проверять. Распространяется по лицензии Apache-2.0.

INTELLECT-3.1 — языковая модель Prime Intellect для генерации текста и рассуждений, продолженное обучение INTELLECT-3 с подкреплением на задачах математики, программирования, разработки программного обеспечения и работы с агентами. README описывает её как Mixture-of-Experts с 106 млрд параметров, из которых 12 млрд активируются; метаданные указывают 8,5 млрд параметров и архитектуру GLM-4 MoE на базе zai-org/GLM-4.5-Air-Base. Эти сведения о размере расходятся между источниками. Модель рассчитана на диалоговые сценарии, решение задач и агентные рабочие процессы. Указанная длина контекста — 131 072 токена. В карточке заявлена поддержка английского языка; метаданные отмечают возможность чата. README описывает запуск через vLLM на двух H200 и настройку интерфейса вызова инструментов, но это не подтверждает отдельный pipeline для вызова инструментов. Лицензия модели в метаданных — MIT.

Kiwen1.1-27B-align — дообученная beyoru модель на базе Qwen3.8-27B, предназначенная для диалогов с изображениями, генерации кода и следования системным инструкциям. Это плотная мультимодальная архитектура Qwen; модель поддерживает работу с изображениями и интерфейс вызова инструментов. В README приведён запуск с контекстом 262144 токена и использование режимов рассуждения и без рассуждения. Автор сообщает об улучшении HumanEval+ на 6,7 процентного пункта относительно базовой модели и небольшом улучшении GSM8K и строгой точности IFEval на уровне инструкций. Модель также обучали для устойчивого распознавания собственной идентичности и сохранения заданной системным сообщением роли. Проверки идентичности проводились на внутреннем наборе промптов на вьетнамском и английском языках. Среди ограничений — снижение результата MMLU-Pro на 1,4 пункта относительно базы и MBPP на 1,9 пункта; README рекомендует оценивать модель перед использованием в задачах, требующих широких фактических знаний. Лицензия — Apache-2.0.

Patronus-Lynx-8B-Instruct-v1.1 — разработанная Patronus AI модель для оценки галлюцинаций в ответах систем с поиском по документам (RAG). Это дообученная версия meta-llama/Meta-Llama-3.1-8B-Instruct с архитектурой Llama и примерно 7,5 млрд параметров. Модель принимает документ, вопрос и ответ, затем оценивает, подтверждается ли ответ содержимым документа. Модель рассчитана прежде всего на английский язык, поддерживает контекст до 131 072 токенов и работает через text-generation. При обучении использовались, среди прочего, CovidQA, PubmedQA, DROP и RAGTruth; оценка проводилась на HaluBench. Репозиторий содержит веса Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Muninn-small — мультиязычная модель для поиска функций в кодовых репозиториях по запросам на естественном языке, разработанная BrokkAI. Это дообученная на наборе BrokkAI/Quarry модель с энкодером ModernBERT и 47,7 млн параметров; она формирует эмбеддинги размерности 384 и поддерживает контекст до 8192 токенов. Модель предназначена для поиска участков кода, связанных с описанием задачи, например функций, которые нужно изменить для исправления GitHub issue, и для локализации кода в репозиториях. В README указана поддержка кода на C, C++, C#, Go, Java, JavaScript, PHP, Python, Rust, Scala и TypeScript. Авторы сообщают, что на Quarry Muninn-small превосходит исходную модель на 4,6 пункта по recall@5 и сопоставима с SweRank-Small по recall@20 при меньшем размере; эти результаты относятся к указанному формату документов и протоколу оценки. В README также отмечено, что модель специализирована на поиске функций в репозиториях и не предназначена для общего поиска по задачам competitive programming. Лицензия — Apache-2.0.

OpenCodeReasoning-Nemotron-14B-GGUF — это набор GGUF-квантизированных версий модели OpenCodeReasoning-Nemotron-14B, разработанной NVIDIA и подготовленной квантизатором bartowski с использованием llama.cpp и imatrix. Модель предназначена для генерации текста и решения задач, связанных с программированием и рассуждениями по коду; в метаданных указаны английский язык и обучающий датасет NVIDIA OpenCodeReasoning. Модель имеет размер 14 миллиардов параметров и поставляется в форматах от BF16 до различных вариантов 8-, 6-, 5-, 4- и 3-битного квантования. Размер файлов варьируется примерно от 7,34 до 29,55 ГБ. В README не указаны точная архитектура и размер контекстного окна. Модели можно запускать через LM Studio, llama.cpp и другие совместимые проекты; для взаимодействия предусмотрен специальный chat-шаблон с ролями system, user и assistant. Сильной стороной набора является широкий выбор квантизаций, позволяющий выбирать баланс между качеством, скоростью и требованиями к памяти; варианты Q6_K_L, Q6_K, Q5 и Q4 отмечены как рекомендуемые, а Q4_K_M описан как подходящий вариант стандартного размера. Более компактные варианты экономят память, но могут заметно уступать по качеству. Условия использования определяются лицензией Apache-2.0.

OpenModel-1T-A50B-Instruct — разговорная языковая модель NeXTHub на архитектуре Transformer с разреженной смесью экспертов (MoE). В карточке заявлены 1 трлн общих параметров и 50 млрд активных параметров на проход, однако метаданные Hugging Face указывают 49,6 млрд параметров; для размера ориентиром служат метаданные. Репозиторий содержит веса в формате safetensors, а метаданные указывают контекст 32 768 токенов; заявленные в README 128K токенов расходятся с этим значением. Модель предназначена для диалогов и инструкций, рассуждений, математических задач, генерации и отладки кода, научной работы, анализа данных и использования интерфейса вызова инструментов. README описывает обучение с упором на длинные рассуждения и инструкционную настройку; заявленные в карточке качества и результаты тестов не подтверждены приведёнными метаданными. Языки модели не указаны в доступных данных. Лицензия — Apache-2.0. Ограничения, прямо следующие из источников: сведения о размере и длине контекста в README расходятся с метаданными, а независимая проверка заявленных характеристик и результатов оценки не представлена.

Ornith-1.0-35B-NVFP4-MTP-GGUF — квантизированная версия модели Ornith-1.0-35B от команды DeepReinforce, упакованная в единый формат GGUF для llama.cpp. Исходная модель дообучена с применением reinforcement learning поверх Qwen3.5-35B-A3B и ориентирована на агентное программирование, рассуждения и работу с инструментами. Модель генерирует блок reasoning_content перед финальным ответом и демонстрирует конкурентные результаты с Qwen3.6-35B-A3B и Gemma 4-31B на Terminal-Bench 2.1, SWE-bench Verified/Pro и Claw-eval. Архитектура — Qwen3.5 MoE с 40 слоями, 256 экспертами и hidden size 2048; всего около 35 млрд параметров, из которых активны примерно 3 млрд. В представленном файле используется NVFP4-квантизация экспертных 3D-тензоров с блоками по 16 элементов, Q8_0 для ряда линейных и чувствительных тензоров, а также MTP-голова, перенесённая из Qwen3.6-35B-A3B. Размер файла составляет 19,85 GiB (21,31 GB), средняя плотность — около 4,80 bpw. Мультимодальный словарь сохранён, но vision tower в GGUF не включена, поэтому модель предназначена для текстовой генерации. Главное преимущество варианта — поддержка draft-mtp speculative decoding, обеспечивающая заявленное ускорение декодирования примерно в два раза по сравнению с версией без MTP. NVFP4 рассчитан на NVIDIA Blackwell и использует преимущества их tensor cores; целевые платформы включают RTX PRO 6000 и DGX Spark (GB10). Ограничение — формат NVFP4 требует совместимого оборудования Blackwell и не предназначен для универсального запуска на более старых GPU. Модель распространяется по лицензии MIT.

unsloth/Phi-4-reasoning-GGUF — GGUF-версия модели Phi-4-reasoning, разработанной Microsoft Research и подготовленной для распространения Unsloth. Это открытая модель с весами, дообученная на базе Phi-4 с использованием supervised fine-tuning на наборах трасс рассуждений и reinforcement learning. Обучающие данные были ориентированы на математику, естественные науки, программирование, безопасность и Responsible AI. Модель представляет собой плотный decoder-only Transformer с 14 млрд параметров и поддерживает текстовые входы, предпочтительно в формате чата. Длина контекста составляет 32k токенов, заявленный язык — английский. Модель генерирует ответы, включающие блок рассуждений и последующее резюме, поэтому подходит для задач, требующих пошагового анализа, решения математических и научных задач, а также написания и анализа кода. К сильным сторонам относятся специализация на reasoning-задачах и сочетание сравнительно компактного размера с возможностями Phi-4. Ограничения включают поддержку только текстовой модальности, ориентацию на английский язык и необходимость корректного шаблона запуска: для включения рассуждений в llama.cpp требуется параметр --jinja. README не содержит полной информации о характеристиках конкретного квантования GGUF, включая его вариант и требования к памяти. Модель распространяется по лицензии MIT.

Qwen2.5-Coder-7B-Instruct-Q8_0-GGUF — это конвертированная в формат GGUF и квантизованная версия модели Qwen/Qwen2.5-Coder-7B-Instruct. Конвертацию выполнила организация ggml-org с использованием llama.cpp и сервиса GGUF-my-repo. Модель предназначена для генерации текста и прежде всего для задач, связанных с программным кодом, включая диалоговое взаимодействие и работу с кодом через llama.cpp. Модель имеет размер 7B параметров и представлена в варианте квантизации Q8_0, что позволяет запускать её локально с помощью llama.cpp в режиме CLI или сервера. В карточке указано, что поддерживаемый язык — английский. Для примера серверного запуска задан контекст 2048 токенов, однако максимальный размер контекста в README не указан. Архитектура и перечень поддерживаемых модальностей не описаны; из назначения и типа pipeline следует, что это текстовая авторегрессионная модель. К сильным сторонам относятся специализация на программном коде, инструкция-ориентированный режим и совместимость с локальным инференсом через llama.cpp. Ограничения связаны с отсутствием в карточке подробных сведений о качестве, бенчмарках, точном размере контекста и поддерживаемых языках помимо английского, а также с потерями точности, возможными при квантизации. Указана лицензия Apache 2.0.

iBotIA/Qwen3.8-4B-Empero-AI-FullStack — дообученная модель на основе empero-ai/Qwen3.8-4B-Distill, представленная автором как специализированный помощник для разработки веб-приложений и кроссплатформенного ПО. Веса имеют архитектуру семейства Qwen3.5 и содержат около 4 млрд параметров согласно описанию базовой модели; модель оптимизирована с помощью Unsloth и доступна в формате Safetensors. Метаданные указывают на поддержку диалога и интерфейса вызова инструментов. Обучение ориентировано на Flutter, React Router v8, NestJS, Node.js, Prisma, Drizzle, TypeScript, Tailwind CSS, shadcn/ui и Radix. Модель предназначена для генерации и отладки кода, проектирования архитектуры приложений и работы с задачами разработки через диалог или агентный интерфейс. README приводит рекомендации по запуску квантованной GGUF-сборки на локальном оборудовании, но метаданные описывают этот репозиторий как Safetensors. README сообщает о 279 049 обучающих фрагментах и 250 шагах обучения; это сведения автора, а не независимая оценка качества. Контекст от 16 384 до 32 768 токенов указан как рекомендация для локального запуска, не как подтверждённая характеристика метаданных. Лицензия модели — Apache-2.0.

Tiel-Coder-35B-A3B-MLX-oQ4e — мультимодальная vision-language модель для программирования, разработанная peculiar-ragdoll на базе Ornith-1.5-35B-A3B. Модель предназначена прежде всего для агентного программирования: исправления проблем в существующих кодовых базах, объяснения кода, многошаговых диалогов и анализа изображений, включая скриншоты. Заявлены поддерживаемые языки English и Chinese. Модель использует архитектуру Mixture-of-Experts с конфигурацией 35B-A3B и поставляется в формате MLX для Apple Silicon. Это динамически смешанное 4-битное квантование oQ4e с применением imatrix; размер сборки заявлен примерно 21 ГБ. Vision-компоненты включены в тот же каталог, отдельный projector-файл не требуется. В чекпойнт встроен Sharp chat template. Контекстное окно и точное число активных параметров не указаны. Сильными сторонами модели считаются агентное программирование, скорость работы и поддержание качества в длинных многоходовых диалогах. По приведённым результатам она показала 12 успешных решений из 25 задач SWE-bench-Live и высокий результат в Claw-Eval, однако эти числа измерены на сборке GGUF с другим квантованием и не являются прямыми измерениями данного MLX-файла. Ограничением является заметно более слабое качество в задачах на общие знания и экзаменационное рассуждение; авторы также отмечают, что модель хуже задаёт уточняющие вопросы, чем базовая Ornith-1.5. Модель распространяется по лицензии MIT. Для запуска рекомендуется использовать mlx-vlm или oMLX; загрузка через mlx-lm не подходит для этого vision-language чекпойнта. Модель не содержит обученной multi-token-prediction head.

ToolHACE Qwen3.5 2B Span — модель, разработанная s-nlp на основе Qwen/Qwen3.5-2B методом полного дообучения с учителем. Она проверяет итоговый ответ ассистента, использовавшего инструменты, сопоставляя запрос пользователя, доступные инструменты, их результаты и ответ. Модель выдаёт JSON-вердикт с классами ошибок и дословными фрагментами ответа, содержащими неподтверждённые или противоречащие результатам инструмента утверждения. Это генеративная модель для структурированного вывода, а не классификатор токенов или CRF-модель для выделения фрагментов. Модель предназначена для аудита ответов после выполнения инструментов: она выявляет противоречия с их результатами, неподтверждённые утверждения, предложения недоступных действий и пропуски запрошенной информации. Обучение проведено на 37 135 примерах англоязычных диалогов с инструментами; тестовая оценка показала F1 0,8635 для бинарного обнаружения галлюцинаций и F1 0,8177 для локализации фрагментов при IoU не менее 0,50. Основное ограничение — слабое обнаружение пропусков информации: полнота для класса undergeneration составила 0,0423. Модель не проверяет факты, отсутствующие в переданном контексте; примеры обучения обычно содержат один класс ошибки, а ответы длиннее 4 000 символов обрезаются. Базовая модель содержит 2 млрд параметров и поддерживает понимание изображений, но описанный аудит использует текстовые поля. Лицензия в предоставленных данных не указана.

UIX-Qwen2 — мультимодальная модель Neulab для понимания веб-интерфейсов, обученная в рамках работы Harnessing Webpage UIs for Text Rich Visual Understanding. Модель основана на Qwen2-7B-Instruct и обучалась с использованием LLaVA-NeXT; в каталожных метаданных указаны архитектура LlavaQwenForCausalLM, 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для анализа изображений интерфейсов и текстовых запросов о них, а также для задач понимания документов, OCR и интерпретации диаграмм. README сообщает об обучении на датасете MultiUI и улучшении результатов на тестах веб-интерфейсов и действий веб-агента; эти результаты не гарантируют качество на произвольных данных. Указана лицензия ODC-BY.

Vela Halu — модель компании vllm-sr для проверки ответов на соответствие предоставленным свидетельствам. Это дообученный 307-миллионный энкодер ModernBERT для классификации токенов: он помечает фрагменты ответа как поддержанные контекстом или галлюцинированные и возвращает границы фрагментов в символьных смещениях Unicode. Модель предназначена для проверки ответов, основанных на документах, в том числе текста и кода; README сообщает о тестировании на наборе из 10 698 примеров и приводит метрики обнаружения фрагментов и ответов. Модель принимает текст ответа вместе с доказательствами; заявленная в README длина входа — до 8 192 токенов с учётом специальных токенов. Метаданные указывают контекстное окно базовой модели в 32 768 токенов. Модель доступна в формате Safetensors для Transformers и распространяется по лицензии Apache 2.0. Поддерживаемые языки в карточке не перечислены. Обнаружение опирается на соответствие явным свидетельствам: оно не проверяет истинность утверждений в целом, а арифметические задачи и рассуждения в несколько шагов могут ошибочно помечаться как галлюцинации.

4luc/codebert-code-clone-detector — дообученная модель на базе microsoft/codebert-base, разработанная для обнаружения клонов кода. Она сопоставляет пары фрагментов кода и определяет, являются ли они клонами; модель построена на архитектуре RoBERTa и содержит 151,8 млн параметров. Максимальная длина контекста — 514 токенов. В README указаны результаты на тестовой выборке Code Clone Benchmark: точность 0,9525, precision 0,9544, recall 0,9496 и F1 0,9520. Модель подходит для поиска повторяющихся или функционально сходных фрагментов кода. Лицензия — MIT. Подробности о языках программирования, обучающих данных и ограничениях применения в карточке не раскрыты.

Dolphin 2.8 Experiment26 7B — языковая модель, разработанная Eric Hartford и дообученная на базе Experiment-26 от Yam Peleg. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для диалогов и генерации кода. Она принимает запросы в формате ChatML и поддерживает контекст до 32 768 токенов по метаданным; в README для базовой модели указано 16 тысяч токенов. Для обучения использовались QLoRA и Axolotl, а среди датасетов указаны наборы для диалогов и программирования. Модель подходит для помощи в написании и объяснении кода, а также для обычных текстовых диалогов на английском языке. Доступны веса PyTorch, лицензия Apache-2.0 разрешает коммерческое использование. README помечает модель как экспериментальную; опубликованных оценок качества в карточке нет.

FewShotIssueClassifier-NLBSE23 — модель на базе SetFit и Sentence Transformers, разработанная для классификации отчётов об ошибках в четырёх категориях: bug, documentation, feature и question. Она дообучена на размеченной вручную части набора NLBSE23 и кодирует предложения и абзацы в плотные векторы размерностью 768 для поиска семантически близких текстов и кластеризации. Модель построена на архитектуре MPNet, содержит 136,7 млн параметров и принимает текст с контекстом до 514 токенов. Основной сценарий — классификация сообщений об ошибках и запросах в проектах; векторы также пригодны для семантического поиска и группировки похожих отчётов. Поддерживаемый язык карточки — английский. Модель распространяется по лицензии GPL-3.0.

GLM-5.2-Demolition-q4a4-soul-MLX — локальная MLX-версия модели GLM-5.2 от zai-org, подготовленная Philip John Basile. Это экспериментальная разреженная и квантованная сборка Mixture-of-Experts: исходная модель имеет 744 млрд параметров при 39 млрд активных, а в данном варианте сохранено около 23% экспертов. Корневые веса занимают примерно 104,89 ГБ и используют 4-битное квантование; модель рассчитана на запуск на одном Apple M5 Max с 128 ГБ памяти через MLX. Основное назначение — генерация и анализ кода в Python, TypeScript, JavaScript, Rust, Go, HTML, CSS, SQL и Postgres без привязки к фреймворкам. Поддерживаются дополнительные LoRA-адаптеры («souls») для искусства, музыки, дизайна, парфюмерии, науки, безопасности, разработки игр, full-stack-разработки, математики, визуализации данных, прозы, архитектуры и исследований. Заявленный язык модели — английский; размер контекста в карточке не указан. Сильные стороны модели — специализированная работа с ванильным кодом, возможность подключать предметные адаптеры и относительно компактный для исходной архитектуры запуск на одном Apple Silicon-компьютере. На HumanEval-164 заявлен результат pass@1 69,5% (114 из 164) в однократном запуске с проверкой скрытыми тестами. Ограничения включают намеренное ухудшение способностей к общим знаниям и trivia из-за pruning, экспериментальный характер рецепта, отсутствие доказательств превосходства над полноразмерной моделью и скорость около 11–14 токенов в секунду. Лицензия — MIT.

Granite Guardian 3.3 8B — специализированная языковая модель IBM Research для оценки запросов и ответов систем на базе LLM по заданным критериям. Она построена на плотной архитектуре GraniteForCausalLM и содержит 8,2 млрд параметров; модель поддерживает контекст до 131 072 токенов и работает через Transformers. В карточке указана поддержка английского языка и формат весов safetensors. Модель предназначена для проверки безопасности и качества ответов в чат-ботах, RAG-системах и агентных сценариях. Встроенные критерии охватывают попытки обхода ограничений, вредный контент, ненормативную лексику, релевантность контекста и ответа, соответствие ответа источникам и ошибки в вызовах инструментов. Можно задавать собственные критерии и схему оценивания. В режиме рассуждений модель выдаёт подробные объяснения оценки, а в обычном режиме — только результат проверки. Модель обучена на сочетании человеческих аннотаций и синтетических данных, включая данные внутреннего red teaming; в README заявлены результаты выше других открытых моделей той же области на стандартных бенчмарках, но численные таблицы в предоставленном тексте опущены. Лицензия Apache 2.0. Она выдаёт текстовые оценки и обоснования, поэтому решения о безопасности или качестве в критичных сценариях следует проверять отдельно.

Hercules-3.1-Mistral-7B — дообученная Locutusque языковая модель на основе Mistralai/Mistral-7B-v0.1. Это плотная авторегрессионная модель на 7,1 млрд параметров с контекстом до 32 768 токенов, предназначенная для диалогов и генерации текста, следования многошаговым инструкциям и работы с вызовами функций. Модель подходит для научных и технических чат-ботов, учебных помощников, а также генерации кода и сценариев, где инструменты вызываются через функции. В карточке заявлены знания по биологии, химии, физике, математике, медицине и информатике; обучающий набор Hercules-v3.0 объединяет данные из нескольких наборов инструкций и диалогов. README не уточняет поддерживаемые естественные языки; метаданные отмечают код. Модель распространяется по лицензии Apache-2.0. Возможны токсичные, предвзятые, фактически неверные или вводящие в заблуждение ответы, особенно в специализированных областях. Вызовы функций сами по себе не гарантируют безопасного выполнения действий: результаты модели следует проверять.

Карточка модели IQuestLab/IQuest-Coder-V1-14B-Base-Stage1 на Hugging Face совпадает с карточкой IQuestLab/IQuest-Coder-V1-7B-Instruct, поэтому описание составлено по ней. IQuest-Coder-V1-7B-Instruct — модель генерации кода из семейства IQuest-Coder-V1, разработанного IQuestLab для помощи в программировании и анализа кода. Версия Instruct предназначена для выполнения инструкций и повседневных задач кодирования; модель также рассчитана на работу с инструментами и CLI-агентами. Модель имеет плотную авторегрессионную архитектуру IQuestCoderForCausalLM и содержит 7,2 млрд параметров. Вариант 7B использует 14 слоёв и Grouped Query Attention; заявленная длина контекста — 128 тыс. токенов. Модель принимает текст и генерирует текст, включая код; карточка описывает поддержку интерфейса вызова инструментов, а также предварительную генерацию HTML и SVG. В README сообщается о специализированном обучении на эволюции репозиториев и о результатах на бенчмарках кодирования, но также отмечаются ограничения следования инструкциям, управления длинным контекстом и многошаговыми вызовами инструментов. Сгенерированный код модель не исполняет, а точность может снижаться на специализированных и проприетарных фреймворках. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели.

Карточка модели IQuestLab/IQuest-Coder-V1-14B-Thinking на Hugging Face совпадает с карточкой IQuestLab/IQuest-Coder-V1-7B-Instruct, поэтому описание составлено по ней. IQuest-Coder-V1-7B-Instruct — модель генерации кода из семейства IQuest-Coder-V1, разработанного IQuestLab для помощи в программировании и анализа кода. Версия Instruct предназначена для выполнения инструкций и повседневных задач кодирования; модель также рассчитана на работу с инструментами и CLI-агентами. Модель имеет плотную авторегрессионную архитектуру IQuestCoderForCausalLM и содержит 7,2 млрд параметров. Вариант 7B использует 14 слоёв и Grouped Query Attention; заявленная длина контекста — 128 тыс. токенов. Модель принимает текст и генерирует текст, включая код; карточка описывает поддержку интерфейса вызова инструментов, а также предварительную генерацию HTML и SVG. В README сообщается о специализированном обучении на эволюции репозиториев и о результатах на бенчмарках кодирования, но также отмечаются ограничения следования инструкциям, управления длинным контекстом и многошаговыми вызовами инструментов. Сгенерированный код модель не исполняет, а точность может снижаться на специализированных и проприетарных фреймворках. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели.

Карточка модели IQuestLab/IQuest-Coder-V1-7B-Thinking на Hugging Face совпадает с карточкой IQuestLab/IQuest-Coder-V1-7B-Instruct, поэтому описание составлено по ней. IQuest-Coder-V1-7B-Instruct — модель генерации кода из семейства IQuest-Coder-V1, разработанного IQuestLab для помощи в программировании и анализа кода. Версия Instruct предназначена для выполнения инструкций и повседневных задач кодирования; модель также рассчитана на работу с инструментами и CLI-агентами. Модель имеет плотную авторегрессионную архитектуру IQuestCoderForCausalLM и содержит 7,2 млрд параметров. Вариант 7B использует 14 слоёв и Grouped Query Attention; заявленная длина контекста — 128 тыс. токенов. Модель принимает текст и генерирует текст, включая код; карточка описывает поддержку интерфейса вызова инструментов, а также предварительную генерацию HTML и SVG. В README сообщается о специализированном обучении на эволюции репозиториев и о результатах на бенчмарках кодирования, но также отмечаются ограничения следования инструкциям, управления длинным контекстом и многошаговыми вызовами инструментов. Сгенерированный код модель не исполняет, а точность может снижаться на специализированных и проприетарных фреймворках. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели.

Laguna-S-2.1-JANG_6M-CRACK — текстовая MoE-модель на базе poolside/Laguna-S-2.1, подготовленная dealignai для запуска на Apple Silicon через MLX и vMLX. По README, исходная Laguna-S-2.1 имеет 118 млрд параметров, 48 слоёв, 256 маршрутизируемых экспертов с top-10 и общий эксперт; метаданные репозитория указывают 6,8 млрд параметров. Модель представлена в смешанной квантизации JANG_6M в формате MLX affine и предназначена для агентного программирования, рассуждений и вызова инструментов. README заявляет контекст 262 тыс. токенов, тогда как метаданные каталога указывают нативный контекст 1 048 576 токенов. Вариант CRACK прошёл абляцию отказов на уровне весов: согласно карточке, поведение отказа удалено, а результаты MMLU близки к базовой модели. Для запуска рекомендованы vMLX или совместимая среда MLX с поддержкой Laguna; модель принимает текст и выдаёт текст, включая вызовы инструментов. Карточка заявляет английский язык. Лицензия в метаданных обозначена как other; конкретные условия использования следует сверить с лицензией репозитория.

OpenThinker3-7B — языковая модель с открытыми весами, разработанная командой Open Thoughts для задач рассуждения. Она дообучена методом supervised fine-tuning на базе Qwen/Qwen2.5-7B-Instruct на наборе OpenThoughts3-1.2M, включающем вопросы по математике, программированию и естественным наукам. По данным авторов, модель обучалась без RL и показала улучшение по сравнению с предыдущими моделями OpenThinker в приведённых тестах. Модель имеет плотную архитектуру Qwen2 с 7,1 млрд параметров, принимает текст и генерирует текст. Контекст составляет до 32 768 токенов; поддерживаются чатовый режим и интерфейс вызова инструментов. Модель предназначена для решения математических задач, написания и анализа кода, научных вопросов и пошагового рассуждения. Доступна по лицензии Apache 2.0.

Карточка модели stgallenquants/OpenThinker-7B на Hugging Face совпадает с карточкой open-thoughts/OpenThinker-7B, поэтому описание составлено по ней. OpenThinker-7B — плотная авторегрессионная языковая модель семейства Qwen2, разработанная командой OpenThoughts. Она дообучена на Qwen/Qwen2.5-7B-Instruct на наборе OpenThoughts-114k, созданном с использованием дистилляции DeepSeek-R1. Модель содержит 7,1 млрд параметров, работает через Transformers и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов с упором на рассуждения, решение математических задач, вопросы по естественным наукам и программирование. В README приведены оценки на AIME24, MATH500, GPQA-Diamond и задачах LiveCodeBench; результаты показывают сильные стороны в математике и коде, но не гарантируют точность каждого ответа. Веса, данные и код проекта опубликованы; лицензия модели — Apache 2.0. Это текстовая модель, поэтому она не принимает изображения или аудио. Как и другие языковые модели, она может выдавать неверные ответы и требует проверки результатов, особенно в задачах, где ошибка критична.

AnkitAI/Parable-Qwen3-8B-Claude-Fable-5-GGUF — локальная текстовая модель, дообученная на базе Qwen3-8B разработчиком AnkitAI. Она создана для генерации текста, программирования, терминальных задач, рассуждений, планирования и использования инструментов в агентских сценариях. Обучение выполнено методом QLoRA на трассировках реальных сессий Claude Fable 5 и решениях терминальных задач, а не на синтетических вопросах и ответах. Заявлен английский язык. Модель имеет 8 млрд параметров и распространяется в формате GGUF для llama.cpp, Ollama и LM Studio. Доступны квантизации Q4_K_M, Q5_K_M, Q6_K и Q8_0; рекомендуемая Q4_K_M занимает около 4,8 ГБ и рассчитана примерно на 6 ГБ RAM или VRAM. Базовый контекст Qwen3 в 128K токенов сохраняется, хотя дообучение выполнялось на последовательностях длиной 1 024 токена, поэтому специализированное поведение наиболее выражено в начале длинных сессий. Ответы открываются блоком рассуждений <think>, который рекомендуется удалять перед показом пользователю. Сильные стороны модели — агентское планирование, tool use, программирование, отладка и работа с терминалом. В заявленной проверке 23 из 34 задач были полностью решены корректно, а 30 — полностью или частично. Ограничения включают слабые результаты на генерации конфигураций и состояниях shell; команды, код и конфигурационные файлы необходимо проверять. Модель распространяется по лицензии Apache-2.0.

Phi-4 — языковая модель Microsoft Research с плотной архитектурой декодерного Transformer и 14,1 млрд параметров. Она принимает текстовые запросы, лучше всего в формате чата, и генерирует текст; длина контекста составляет 16 тысяч токенов. Модель доступна в формате Safetensors и распространяется по лицензии MIT. Модель предназначена для англоязычных сценариев общего назначения, особенно для рассуждений, логики, математики, программирования и следования инструкциям в условиях ограничений по памяти, вычислениям или задержке. При обучении использовались отфильтрованные общедоступные материалы, учебные и синтетические данные, академические книги, наборы вопросов и ответов, а также данные для настройки диалогов. Модель прошла supervised fine-tuning и direct preference optimization; около 8% обучающих данных были многоязычными. Phi-4 может служить компонентом генеративных ИИ-приложений и компактной альтернативой более крупным моделям для ряда задач рассуждения. Это статическая модель со срезом знаний по июнь 2024 года; ответы могут быть неточными, а качество и безопасность следует оценивать для конкретного применения, особенно в высокорисковых сценариях. Карточка указывает на основной фокус на английском языке.

TobiasLogic (Htfi) разработал эту LoRA-модель на основе базовой Qwen/Qwen2.5-Coder-1.5B. Это текстовая генеративная модель для программирования, ориентированная на прямую генерацию и анализ кода, secure coding, application security и создание инструментов для авторизованного тестирования безопасности, включая сканеры, fuzzing, proof-of-concept и reconnaissance-скрипты. Модель предназначена для разработки ПО, аудита собственных систем, CTF, лабораторных сред и обучения; использовать её следует только на системах, для которых есть разрешение на тестирование. Архитектурно это базовая Qwen2.5-Coder-1.5B без исходного instruction-tuning, дообученная методом QLoRA в 4-битном формате с rank 16 на всех линейных слоях. Обучение проводилось на примерно 1200 синтетических парах инструкций и ответов с использованием Unsloth на одной RTX 3050 Laptop с 4 ГБ памяти. Указаны поддерживаемый язык English, текстовая модальность и шаблон диалога ChatML. Доступны объединённая 16-битная версия, LoRA-адаптер и квантованная версия GGUF Q4_K_M для llama.cpp и Ollama; размер контекста в README не указан. Сильные стороны модели — генерация самостоятельных скриптов и функций на Python, JavaScript, Go и других языках, исправления для безопасного кода и стандартные инструменты разведки, сканирования и веб-тестирования. Ограничения связаны с небольшим размером: модель хуже справляется с крупными многосоставными системами, сложными цепочками эксплуатации и некоторыми низкоуровневыми сетевыми различиями; сгенерированный код необходимо проверять и тестировать. Модель описана как не склонная к отказам и этическим оговоркам, поэтому особенно важно соблюдать законность и контролировать применение. Лицензия — Apache-2.0, с наследованием лицензии базовой модели; дополнительные условия приемлемого использования указаны в USE_POLICY.md.