II.4Отладка, тестирование и качество ПО

Qwen3.8 4B Distilled — созданная сообществом модель генерации текста от Ma7ee7, полученная дообучением Qwen/Qwen3-4B-Thinking-2507 на примерах ответов и рассуждений, сгенерированных моделью qwen3.8-max-preview. Это плотная decoder-only языковая модель архитектуры Qwen3 примерно с 3,7 млрд параметров; она принимает текст и выдаёт текст, поддерживает чатовый формат и интерфейс вызова инструментов. Заявленная длина контекста — 262 144 токена. Модель предназначена для математических и логических задач, программирования, научных вопросов, следования инструкциям, длинных ответов и локальных разговорных ассистентов. Обучающая смесь преимущественно англоязычная; дистилляция переносит некоторые поведенческие шаблоны учителя, но модель не наследует его архитектуру или полный набор возможностей. Доступна по лицензии Apache-2.0. Это компактная модель для экспериментов и практических задач рассуждения, но её ответы могут содержать фактические, математические и программные ошибки, а видимые цепочки рассуждений не гарантируют правильность. Примеры использования инструментов составляют небольшую часть обучения, поэтому результаты в важных сценариях следует проверять.

Seed-Coder-8B-Reasoning — языковая модель для генерации кода, разработанная ByteDance Seed и представленная в формате GGUF сообществом Unsloth. Она предназначена для решения задач программирования, включая генерацию, анализ и доработку кода, а также для сценариев, требующих многошагового рассуждения, таких как соревновательное программирование. Модель обучалась на общедоступных данных в этапах предварительного и последующего обучения с применением reinforcement learning для усиления способностей к рассуждению. Это causal language model примерно на 8 млрд параметров с контекстом до 65 536 токенов. В README не указаны поддерживаемые языки программирования и естественные языки, а также конкретная архитектура или модальности, поэтому модель следует рассматривать как текстовую. К сильным сторонам относятся заявленная высокая эффективность среди открытых моделей сопоставимого размера и хорошие результаты в competitive programming; по данным разработчиков, она превосходит QwQ-32B и DeepSeek-R1 на IOI 2024 и сопоставима с o1-mini по рейтингу ELO на соревнованиях Codeforces. Ограничения и требования к аппаратным ресурсам в README подробно не описаны. Лицензия проекта — MIT.

TinySolar-248m-4k-code-instruct — компактная языковая модель, разработанная компанией Upstage и представленная в формате Transformers с безопасными весами SafeTensors. В метаданных она относится к семейству LLaMA, имеет около 215,2 млн параметров и предназначена для генерации текста, включая ответы на инструкции, связанные с программным кодом. Модель дообучалась на наборах CodeAlpaca-20k и CodeFeedback-Filtered-Instruction, поэтому ориентирована на генерацию фрагментов кода, объяснение программного кода, исправление ошибок и выполнение простых инструкций разработчика. Нативное контекстное окно составляет 32 768 токенов, что позволяет обрабатывать достаточно большие запросы и исходные файлы. Модель распространяется по лицензии Apache-2.0. Из-за небольшого размера она может быть удобна для локального запуска и встраивания в приложения, однако её возможности, точность и устойчивость к сложным задачам программирования могут уступать более крупным моделям. README не содержит сведений о поддерживаемых естественных языках, результатах оценки и точных требованиях к аппаратному обеспечению.

Whittle-Next-27B-A3B-GGUF — это исследовательская GGUF-квантизация модели logic65/Whittle-Next-27B-A3B, разработанная David Aylward (logic65) совместно с Claude (Anthropic). Модель предназначена для запуска через llama.cpp и совместима с LM Studio, Jan, Ollama и llama-swap при наличии актуальной версии llama.cpp. Лицензия — Apache-2.0. Модель использует архитектуру Qwen4-Next в формате qwen4_exp и представляет собой смесь экспертов (MoE) с 27 млрд параметров всего и примерно 3 млрд активных параметров на токен. В ней применяются гиперсвязи остаточных потоков, хешированная n-gram-память объёмом 2 млрд строк, поуровневые эмбеддинги и дистилляция из Qwen3.8-27B. Поддерживаются текстовая генерация, диалоговые сценарии, рассуждения, математика и программирование; заявлены английский, китайский и многоязычный режимы. Доступны варианты квантизации от Q3_K_M до Q8_0 размером примерно от 13,3 до 29,3 ГБ. В README указано, что модель рассчитана на контекст до 16 384 токенов при рекомендованной настройке запуска. Сильными сторонами являются низкое число активных параметров, возможность запуска на стандартном llama.cpp без патчей, поддержка режима пошагового рассуждения и сравнительно высокая точность на математических задачах и проверке кода для исследовательского прототипа. Модель рекомендуется использовать с включённым thinking-режимом, сэмплированием и бюджетом не менее 4096 токенов для программирования. Это research preview, а не завершённая универсальная модель: ответы по коду могут быть длинными, производительность зависит от квантизации и размещения памяти, а при жадной генерации возможны зацикливания. Для полноценной оценки следует учитывать ограничения и измерения из базовой карточки модели.

Shuu12121 разработала эту модель SentenceTransformer, дообученную на BigCloneBench для поиска семантически похожих фрагментов кода и обнаружения клонов. Она основана на ModernBERT и преобразует код в плотные векторы размерностью 768; для сравнения векторов используется косинусное сходство, а представление строится с помощью CLS-пулинга. Модель рассчитана на сравнение пар фрагментов кода, поиск дубликатов и группировку похожего кода. Максимальная длина последовательности составляет 2048 токенов. В README приведены результаты на тестовой выборке BigCloneBench: accuracy 0,9902 и F1 0,9637; эти показатели относятся к указанному набору данных и не гарантируют аналогичное качество на другом коде. Модель распространяется по лицензии Apache-2.0.

Coder-o1-mini-reasoning — компактная языковая модель kd13 для помощи с программированием и рассуждениями. Она дообучена на Qwen/Qwen2.5-Coder-1.5B и использует плотную архитектуру Qwen2 с 1,5 млрд параметров. Модель принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Взаимодействие рассчитано на диалоговый формат Harmony-style. Модель предназначена прежде всего для помощи с Python: написания и объяснения кода, поиска ошибок, разъяснения концепций и решения задач базового и среднего уровня. Также она может помогать с математическими и логическими рассуждениями, обучением начинающих и диалогами в стиле вызова инструмента для веб-поиска; само выполнение поиска зависит от внешней обвязки. Карточка описывает её как экспериментального лёгкого помощника, а веса доступны под лицензией Apache-2.0. Модель может ошибаться в рассуждениях, пропускать граничные случаи и выдавать код, требующий проверки. Она хуже подходит для сложных алгоритмических задач, больших многофайловых проектов и языков программирования, отличных от Python; формат вызовов инструментов может быть непоследовательным. Результаты следует проверять, особенно перед использованием кода в критичных или чувствительных к безопасности сценариях.

ClaudioItaly/CoderQ — языковая модель для генерации кода и диалогового взаимодействия, опубликованная пользователем ClaudioItaly. Репозиторий описывает её как слияние моделей методом TIES через mergekit на базе Qwen/Qwen2.5-Coder-7B-Instruct; в конфигурации трижды указана одна и та же базовая модель. Архитектура — плотная Qwen2ForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель принимает текстовые запросы и генерирует текст, включая код; репозиторий использует формат safetensors и библиотеку Transformers. Модель подходит для генерации и исправления кода, а также для ответов на инструкции в чате. Карточка не описывает отдельные тесты качества или специализированные области применения. Условия лицензии в предоставленных данных не приведены.

DeBERTa Hallucination Judge — дообученный бинарный классификатор на базе microsoft/deberta-v3-base, разработанный в рамках EvalForge. Он принимает вопрос, контекст и ответ и определяет, соответствует ли ответ контексту: метка 0 означает faithful, метка 1 — hallucinated. Модель предназначена для быстрой локальной проверки ответов, например как первый фильтр в системах оценки LLM и RAG. Модель использует архитектуру DeBERTa V2 для классификации последовательностей, содержит 211,6 млн параметров и рассчитана на контекст до 512 токенов. Обучение проводилось на синтетических примерах HaluEval; лицензия — MIT. На отложенной выборке HaluEval модель показала F1 0,9937, однако на реальных примерах RAGTruth F1 снизился до 0,5067, а калибровка оценок ухудшилась. Поэтому её разумно использовать как недорогой первый фильтр с передачей неуверенных или нетипичных случаев более сильной модели-судье.

Карточка модели unsloth/DeepSeek-R1-Distill-Llama-70B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

DPO-Think-14B — 14-миллиардная плотная языковая модель семейства Qwen2, разработанная авторами проекта Aletheia и дообученная на DeepSeek-R1-Distill-Qwen-14B методом DPO. Она предназначена для проверки и ранжирования нескольких вариантов решения задачи по программированию: модель получает условие и кандидаты, затем оценивает, какое решение корректно. Обучение использовало заранее собранные предпочтения и трассы рассуждений без онлайн-сэмплирования; модель можно применять как оценщик или функцию вознаграждения в конвейерах оптимизации генерации кода. Модель рассчитана на текстовый ввод и выдаёт текстовый ответ с оценкой кандидатов. Метаданные указывают контекст до 131 072 токенов; обучение ориентировано на задачи соревновательного программирования и примеры на Python, C++ и Java. Доступны веса в формате Safetensors для Transformers. Лицензия CC BY-NC-SA 4.0 требует атрибуции, ограничивает коммерческое использование и распространяет условия лицензии на производные материалы.

FuseO1-DeepSeekR1-QwQ-SkyT1-32B-Preview — экспериментальная объединённая языковая модель команды FuseAI. Она создана с помощью слияния трёх моделей для рассуждений: DeepSeek-R1-Distill-Qwen-32B, Qwen/QwQ-32B-Preview и NovaSky-AI/Sky-T1-32B-Preview. Модель основана на плотной архитектуре Qwen2 с 32 млрд параметров и предназначена для генерации текста и диалогов с пошаговыми рассуждениями. Основные сценарии — решение математических задач, рассуждения о программном коде и научные вопросы. В README для версии указаны результаты AIME24: 74,0 Pass@1 и 86,7 Cons@32 при описанной авторами схеме оценки. Модель принимает текст и генерирует текст; метаданные указывают контекстное окно 131 072 токена и интерфейс для вызова инструментов. Языки в карточке явно не перечислены. Модель распространяется в формате safetensors по лицензии Apache-2.0. Это предварительная версия, а опубликованные сравнительные показатели относятся к конкретным настройкам и методике оценки; они не гарантируют аналогичных результатов в других задачах или конфигурациях.

Это квантизированная NVFP4-версия Gemma 4 12B, дообученной для агентных сценариев и использования инструментов. Исходный fine-tune разработан yuxinlu1, а данная сборка переупакована и квантизирована Sourav Singh для локального запуска в Krill — движке инференса на Swift и MLX для Apple Silicon. Модель предназначена для генерации текста и кода, программирования, агентных задач и tool-use, включая сценарии, ориентированные на τ²-bench. Архитектура gemma4_unified объединяет текстовые, визуальные и аудиокомпоненты, однако конкретные поддерживаемые пользовательские режимы в этой сборке README подробно не описывает. Контекст модели также не указан. Основные веса представлены в NVFP4 с группировкой 16, а чувствительные модули используют 8-битное affine-представление с группировкой 64. Заявлены загрузка примерно за 1,7 секунды и скорость декодирования около 28 токенов в секунду на Apple Silicon. Сильная сторона модели — результаты в генерации кода: в приведённых тестах она показывает 83,5% на HumanEval и 84,1% на MBPP без reasoning и 86,0% и 83,6% соответственно с reasoning. Ограничения связаны с совместимостью: это MLX-чекпойнт, рассчитанный прежде всего на Krill, и он не предназначен для vanilla mlx-lm, mlx-vlm, llama.cpp, Ollama, transformers или vLLM. Лицензия — Gemma license; условия распространяются на базовую модель Google Gemma 4 и производный fine-tune.

Granite Guardian 3.0 8B — языковая модель IBM Research, дообученная на базе Granite 3.0 8B Instruct для выявления рисков в запросах пользователей и ответах моделей. Она помогает обнаруживать вредоносный контент, социальную предвзятость, попытки обхода защит, насилие, ненормативную лексику, сексуальный контент и неэтичное поведение, а также оценивать релевантность контекста, обоснованность ответа и соответствие ответа запросу в RAG-системах. Модель имеет плотную архитектуру GraniteForCausalLM, содержит 8,2 млрд параметров и поддерживает контекст до 8192 токенов. На вход подаются текстовые сообщения и, для проверок RAG, контекст с ответом; модель генерирует ответ «да» или «нет» для заданного измерения риска. Обучение проводилось на данных с человеческой разметкой и синтетических данных. Модель рассчитана на английский язык и сценарии умеренных требований к стоимости, задержке и пропускной способности, например мониторинг и выборочную проверку результатов моделей. Лицензия — Apache 2.0.

GRPO-Instruct-14B — языковая модель-верификатор кода из проекта Aletheia, разработанная для исследования обучения проверяющих моделей с подкреплением и проверяемыми наградами (RLVR). Она дообучена методом GRPO на Qwen/Qwen2.5-14B-Instruct с использованием отрицательных примеров и on-policy обучения, без промежуточных рассуждений: модель сразу выдаёт вердикт. Модель принимает условие задачи по программированию и несколько кандидатных решений, оценивает их корректность и ранжирует кандидатов. Её можно использовать как функцию награды при оптимизации генератора кода, для автоматической оценки решений и в исследованиях верификации кода. Архитектура — плотная Qwen2ForCausalLM, размер — 14 млрд параметров, формат весов — safetensors, контекст — до 32 768 токенов. Датасет обучения включает задачи и решения на Python, C++ и Java. Модель предназначена для прикладного использования в проверке решений задач по программированию и в исследовательских конвейерах постобучения. Карточка не приводит численных результатов качества; надёжность оценки может зависеть от формата запроса и сложности или смещения кандидатов. Лицензия CC BY-NC-SA 4.0 предусматривает некоммерческое использование и требования атрибуции и распространения производных на тех же условиях.

Kimi-K2.7-Code-Alis-MLX-Dynamic-3.6bpw — это чувствительность-ориентированная 3,6-битная MLX-квантизация модели moonshotai/Kimi-K2.7-Code, созданная avlp12 для запуска на компьютерах Apple Silicon, прежде всего на M3 Ultra. Базовая модель представляет собой примерно триллионопараметрическую MoE-архитектуру в стиле DeepSeek-V3 с 32 млрд активных параметров и предназначена главным образом для генерации кода и решения задач программирования. Репозиторий содержит текстовую/code-версию рецепта, однако исходные веса были удалены как дубликат и перенесены в связанный VLM-репозиторий; языковая часть там побитово идентична этой сборке, а VLM дополнительно включает MoonViT и projector. Модель использует Multi-head Latent Attention (MLA), благодаря чему KV-кэш занимает относительно мало памяти: около 68,6 КБ на токен по всем 61 слоям. Нативное контекстное окно составляет 256K токенов, с YaRN-расширением и rope_theta 50000. Размер весов — около 465 ГБ (433 GiB), поэтому модель рассчитана на один компьютер с 512 ГБ памяти или на распределённый запуск на двух M3 Ultra по Thunderbolt через pipeline parallelism. Квантизация применяет 3 бита к большинству routed experts, 4 бита к down_proj в 16 из 60 слоёв, 6 бит к attention, shared experts, dense-слою, embedding и LM head, а маршрутизатор сохраняется в bf16; эффективная разрядность составляет 3,62 бита на вес. Сильными сторонами являются существенное снижение требований к памяти по сравнению с полноразмерными и 4-битными сборками, сохранение качества за счёт чувствительность-ориентированного распределения битов и возможность работы с очень длинным контекстом. Ограничения включают экстремально большой размер, необходимость мощного Apple Silicon-оборудования и отсутствие заявленной универсальной оценки качества помимо приведённых метрик perplexity и KL-дивергенции. Лицензия указана как modified-MIT; ссылка ведёт на лицензию базовой модели Kimi-K2.7-Code.

EuroEval/mmBERT-small-multi-wiki-qa-synthetic-hallucinations-with-ragtruth-ro — модель на базе архитектуры ModernBERT для token classification, опубликованная в библиотеке Transformers. Название указывает на настройку для выявления синтетических галлюцинаций в сценариях вопросов и ответов по документам, связанных с RAGTruth и многовикипедийными данными. Модель содержит около 140,5 млн параметров и поддерживает контекст до 8192 токенов. Её можно применять для классификации отдельных токенов или фрагментов текста при анализе достоверности ответов и обнаружении потенциально галлюцинирующих участков. Сведения о разработчике, лицензии, языках, результатах оценки и точной схеме меток в предоставленной карточке отсутствуют.

Naim 9B v2 — агент для программирования, созданный ABDESSEMED Mohamed. Это плотная модель семейства Naim с архитектурой NaimForConditionalGeneration и примерно 9 млрд параметров; она развивает предыдущую модель Mimo автора. Модель предназначена для диалоговой работы над кодом: анализирует задачу и кодовую базу, составляет план, вносит изменения и проверяет результат. Поддерживает вызов инструментов и режимы рассуждения и прямого ответа. Заявлена длина контекста до 262 144 токенов. Основной интерфейс принимает текст и генерирует текст; README также заявляет поддержку зрения с отдельным файлом naim-mmproj-f16.gguf. Доступны веса Safetensors и варианты GGUF F16, Q4_K_M и Q8_0. В версии v2 автор отмечает более естественные ответы и более полные примеры кода. Модель рассчитана на французский и английский языки. Лицензия — Apache-2.0.

Многоязычный бинарный классификатор Vijil для обнаружения prompt injection и jailbreak-атак в пользовательском тексте, извлечённых документах, логах и результатах инструментов. Модель дообучена на внутреннем датасете Vijil vijil/pi_v5_multilingual_20260827 на базе энкодера jhu-clsp/mmBERT-base; опубликована в формате safetensors и решает задачу классификации текста. Метки: 1 — обнаруженная атака, 0 — безопасный текст. В README сообщается о сбалансированной точности 0,978 на отложенной выборке из 75 011 примеров и FPR/FNR 2,31%/2,16% при пороге 0,5. Модель проверялась на разных форматах сериализации и специально обучалась не реагировать на отдельные ключевые слова и безвредные варианты текста. Поддерживаемые языки карточки: английский, русский, китайский, арабский, хинди, немецкий, французский, испанский, вьетнамский, корейский, тайский и бенгальский. Для длинных сообщений README рекомендует нарезку на перекрывающиеся окна: усечение может пропустить атаку в конце текста. Оценки softmax не откалиброваны как вероятности; порог следует выбирать на данных целевого трафика, а при агрегации большого числа окон учитывать накопление ложных срабатываний. Чувствительность к запросам с вредоносным содержанием без признаков инъекции снижена; качество на некоторых низкоресурсных языках ниже. Обфускация может повышать ложные срабатывания без предварительной нормализации. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели.

Qwen2.5.1-Coder-1.5B-Instruct-GGUF — это GGUF-квантизованная версия инструкционной модели Qwen2.5-Coder-1.5B-Instruct, подготовленная bartowski с использованием llama.cpp и imatrix-квантизации. Модель предназначена для генерации и обработки программного кода, диалогового взаимодействия и выполнения инструкций, связанных с задачами разработки. В README явно указан английский язык; поддержка других языков не заявлена. Модель относится к текстовым моделям и не предназначена для работы с изображениями или другими мультимодальными данными. Размер исходной модели — 1,5 млрд параметров. Доступны варианты квантования от F16 до IQ3_M с размером файлов примерно от 0,78 до 3,09 ГБ, что позволяет запускать модель на устройствах с ограниченными ресурсами. Более сильные стороны высокоточных вариантов — сохранение качества при локальном запуске и совместимость с llama.cpp и LM Studio; варианты с меньшим числом бит требуют меньше оперативной памяти, но могут заметнее терять в качестве. Контекст модели в README не указан, поэтому его характеристики нельзя подтвердить. Модель распространяется по лицензии Apache 2.0.

Qwen2.5-Coder-1.5B-Instruct-Q8_0-GGUF — это преобразованная в формат GGUF версия инструкционной модели Qwen2.5-Coder-1.5B-Instruct. Модель опубликована ggml-org и создана на основе модели Qwen, разработанной командой Qwen. Квантование Q8_0 выполнено с использованием llama.cpp через сервис GGUF-my-repo. Модель предназначена для генерации текста и работы с программным кодом в диалоговых и других сценариях, поддерживаемых llama.cpp. В README указаны языки с поддержкой английского языка, а также теги, связанные с кодом, чатом и семейством Qwen Coder. Известен размер базовой модели — 1,5 млрд параметров; формат GGUF оптимизирован для локального запуска через llama.cpp. В качестве примера указан контекст длиной 2048 токенов, однако это значение относится к рекомендуемой команде запуска, а не обязательно к максимальному контексту модели. К сильным сторонам относятся небольшой размер, инструкционная настройка, специализация на задачах программирования и удобство локального использования на совместимом оборудовании. Ограничения включают неизвестные из этого README качество на конкретных языках программирования, бенчмарках и задачах, а также отсутствие информации о мультимодальности; по имеющимся данным модель является текстовой. Модель распространяется по лицензии Apache-2.0.

Qwen3-4B-Diversity — дообученная разговорная языковая модель от hadadxyz на базе Qwen/Qwen3-4B. Она ориентирована на пошаговые рассуждения и использует данные, дистиллированные из ответов различных крупных ИИ-моделей. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 40 960 токенов; распространяется в формате safetensors. Модель предназначена для решения математических задач, генерации и анализа кода, общих задач на рассуждение и многоходовых диалогов. Карточка описывает обучение на разнообразных наборах данных с примерами рассуждений и рекомендует отдельные параметры генерации для режимов Thinking и Non-Thinking. Лицензия — Apache-2.0. Карточка не приводит результатов сравнительной оценки, поэтому заявленные улучшения рассуждений не сопровождаются количественными бенчмарками; фактическое качество может различаться в зависимости от задачи.

DJLougen/Qwen3.5-9B-Harmonic-GGUF — набор GGUF-квантизаций модели Qwen3.5-9B-Harmonic, разработанной DJLougen на базе unsloth/Qwen3.5-9B. Модель дообучена с использованием Unsloth и Hugging Face TRL примерно на 800 синтетических примерах с ответами Claude; доступные файлы созданы с помощью llama.cpp, включая варианты с importance matrix на основе WikiText-2. Лицензия — Apache 2.0. Модель предназначена прежде всего для генерации кода, рассуждений и использования в агентных сценариях, например в Hermes Agent, а также для локального запуска через совместимые инструменты вроде LM Studio и Ollama. Заявлена поддержка английского языка, текстовой генерации и мультимодального ввода изображений и видео благодаря vision encoder Qwen3.5. Контекстное окно составляет 262 144 токена, размер модели — около 9 млрд параметров. Архитектура гибридная: 32 слоя, сочетающие линейное внимание с компонентами Mamba SSM и полное внимание; используется GQA. По приведённым оценкам модель показывает pass@1 87,2% на HumanEval, 81,7% на HumanEval+ и accuracy 80,36% на MMLU-Pro, с особенно высокими результатами в математике, биологии, химии и физике. Конкретное качество зависит от выбранного уровня квантизации; представлены варианты от F16 до более компактных форматов. Важное ограничение — автор предупреждает, что модель оптимизирована для работы внутри структурированного агентного harness и может вести себя непредсказуемо при обычном запуске без подходящего системного промпта; надёжность разговорного поведения вне такого окружения не гарантируется.

Qwen3-Zero-Coder-Reasoning-V2-0.8B-NEO-EX-GGUF — компактная кодовая и рассуждающая модель, разработанная DavidAU на платформе Qwen3. Это GGUF-сборка, созданная на основе объединения двух моделей размером 0,6B; заявлены 42 слоя и 464 тензора. Модель предназначена для генерации текста и кода, использует режимы reasoning и chat и ориентирована прежде всего на английский язык. Модель подходит для написания фрагментов и черновиков кода, мозгового штурма, решения технических задач, многоэтапного программирования и общего problem solving. Она рассчитана на контекст до 40 тысяч токенов; рекомендуется использовать контекст от 8–16 тысяч токенов. Автор заявляет высокую скорость работы — свыше 150 токенов в секунду на подходящем оборудовании и более 50 токенов в секунду на CPU, однако фактическая производительность зависит от аппаратной конфигурации и выбранного кванта. К сильным сторонам относятся небольшие требования к ресурсам, высокая скорость, возможность пошагового рассуждения и улучшенная стабильность по сравнению с первой версией. Доступны варианты с разными уровнями квантизации и модификациями NEO Imatrix; для отдельных сценариев автор рекомендует сравнивать несколько квантов, поскольку более низкие варианты иногда дают более короткие рассуждения и неожиданные рабочие решения, а более высокие могут обеспечивать лучшие результаты на сложных задачах. Ограничения включают возможные повторы кода, чрезмерно длинные блоки рассуждений и необходимость точных подробных инструкций; результаты могут зависеть от настроек sampling и выбранного кванта. Для работы требуется шаблон Jinja или CHATML. Модель распространяется по лицензии Apache-2.0.

QwQ-32B-Preview — экспериментальная диалоговая языковая модель команды Qwen, размещённая в репозитории Unsloth как дообученная версия Qwen/QwQ-32B-Preview. Это причинная трансформерная модель семейства Qwen2 с 32 млрд параметров, обученная на этапах предварительного обучения и последующего обучения. Она принимает текст и генерирует текст; контекст составляет 32 768 токенов. Модель предназначена прежде всего для математических рассуждений, программирования и диалоговых ответов. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Сильные стороны модели — аналитические способности и результаты в математике и программировании. Среди ограничений карточка отмечает неожиданное смешение языков, циклические рассуждения с длинными ответами без вывода, а также более слабые обыденные рассуждения и понимание языковых нюансов. При внедрении следует учитывать необходимость дополнительных мер безопасности.

Speech Truncation Detection (12M) — модель MythicInfinity для определения, заканчивается ли речевая запись резким обрывом или естественной паузой. Она предназначена для проверки качества наборов речевых данных, валидации аудио при загрузке и отбора записей перед распознаванием речи или исправлением транскриптов. Модель использует плотную архитектуру SpeechTruncationDetectionModel и обрабатывает аудио покадрово. Она выдаёт вероятность обрыва для каждого кадра, общую оценку уверенности и булево решение для записи. Число 12M в названии указывает на размер модели; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Модель рассчитана на речевые записи и не предназначена для классификации музыки, окружающих звуков или общих акустических событий. Для загрузки через Transformers README показывает вариант с пользовательским кодом репозитория.

thealper2/t5-small-nl-to-regex — дообученная автором карточки модель google-t5/t5-small для преобразования краткого описания шаблона на английском языке в регулярное выражение. Она основана на архитектуре T5 и содержит 38,5 млн параметров; в метаданных указано ограничение контекста 512 токенов. Модель обучена на 20 824 примерах из корпусов DeepRegex KB13, NL-RX-Synth и NL-RX-Turk. На тестовой выборке точное совпадение составило 66,78%, валидность выражений — 99,76%, функциональная точность — 78,54%; последняя включает как точную эквивалентность, так и приблизительное совпадение на конечном наборе проверочных строк. Результат использует диалект DeepRegex с операторами дополнения `~` и пересечения `&`, поэтому его нужно преобразовать перед применением в Python `re`. Модель заменяет слова в кавычках заполнителями `dog`, `truck`, `ring` и `lake` и не копирует исходные литералы. Проверялись короткие однофразовые описания; поведение на произвольных или многофразовых запросах не тестировалось. Генерируемые выражения не проверяются на катастрофический возврат при поиске. Лицензия — MIT.

Abacus-cve — языковая модель для работы с кодом, разработанная Luoberta на основе Qwen3-32B. Модель дообучена на 4 078 дистиллированных трассах агента, созданных для примерно 900 задач воспроизведения CVE с помощью конвейера CVE-Factory. Модель предназначена для поиска и исправления уязвимостей в программном обеспечении, в том числе в сценариях, где агент анализирует воспроизведение CVE и предлагает изменения в коде. Это плотная авторегрессионная архитектура Qwen3ForCausalLM с 29,7 млрд параметров; она принимает текст и генерирует текст. Контекстное окно — до 65 536 токенов. В метаданных указан английский язык. Модель распространяется в формате safetensors через Transformers по лицензии MIT. Карточка описывает специализированное дообучение на агентных трассах для задач устранения уязвимостей; результаты на конкретном проекте требуют проверки, а область обучения ограничена задачами, представленными в этих трассах.

Карточка модели falloutxvats/Aero-DeepSeek-R1-Distill-Qwen-32B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

AynCoding-Qwen3-8B-Slim — модель генерации текста и кода от разработчика, указанного в репозитории enver. Она основана на Qwen3-8B и, согласно карточке, дообучена с акцентом на синтез программного обеспечения, архитектурные рассуждения, классическую арабскую логику Mantiq и морфологию арабских корней. Карточка также заявляет об удалении части знаний и структурном прореживании; файлы модели представлены в формате GGUF и занимают около 2,8 ГБ. Модель предназначена для генерации кода, проектирования программных компонентов и решения задач на логику, в том числе на английском и арабском языках. В README описаны механизмы черновой генерации, проверки логики и уточнения кода, а также приведены высокие результаты на HumanEval и EvalPlus; эти показатели являются заявлениями карточки. Метаданные указывают задачу text-generation и базовую модель Qwen/Qwen3-8B. Лицензия обозначена как other, поэтому условия использования следует уточнять в репозитории.