II.4Отладка, тестирование и качество ПО

Модель CodeBERT, дообученная Manuel Romero на наборе CodeXGLUE Defect Detection для бинарного обнаружения потенциально небезопасного исходного кода. Она классифицирует фрагменты кода как небезопасные или безопасные; среди примеров проблем в карточке указаны утечки ресурсов, use-after-free и уязвимости типа DoS. В основе — архитектура RoBERTa для классификации последовательностей, около 151,8 млн параметров и контекст до 514 токенов. Модель предназначена для проверки кода и исследовательских сценариев анализа уязвимостей; карточка приводит точность 61,05% для RoBERTa на тестовом наборе, что следует учитывать при использовании результатов.

deepseek-coder-6.7B-kexer-GGUF — это набор GGUF-квантизированных версий модели deepseek-coder-6.7B-kexer, основанной на deepseek-ai/deepseek-coder-6.7b-base. Модель связана с датасетом JetBrains/KExercises; квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Предназначена прежде всего для генерации и решения задач программирования, включая сценарии разработки на Kotlin. Размер базовой модели составляет 6,7 млрд параметров. Доступны варианты квантизации от Q8_0 до IQ1_M с размером файлов примерно от 7,16 до менее 2 ГБ, что позволяет выбирать между качеством и требованиями к памяти. В README не указаны архитектурные детали, размер контекстного окна, полный перечень поддерживаемых языков и мультимодальные возможности. В качестве ориентира приведён результат pass@1 55,28 на MultiPL-HumanEval (Kotlin). Сильной стороной модели является специализация на коде и наличие широкого выбора квантизаций для локального запуска, однако более компактные варианты могут заметно уступать по качеству старшим версиям. Для работы рекомендуется проверить корректность шаблона запросов: в карточке отмечено, что chat template не задан, а приведённый формат может быть неточным. Модель распространяется по лицензии Apache-2.0.

Карточка модели Openintelligent123/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-V4-Flash-0731-JANG-CRACK — дообученная и аблированная версия DeepSeek-V4-Flash-0731 от dealignai. Это языковая модель на архитектуре DeepSeek V4 с 10,7 млрд параметров и MoE-компонентами; опубликованный вариант использует смешанную квантизацию JANG affine и занимает около 95 ГБ. Модель рассчитана на генерацию текста, диалог, рассуждения и написание кода, а также на сценарии, где требуется отвечать без обычных отказов на опасные запросы. Модель поддерживает английский и китайский языки. В README заявлена длина контекста до 1 048 576 токенов с расширением yarn RoPE, однако такая длина не проверялась в тестах этой сборки: оценки проводились на коротких запросах. Для запуска автор рекомендует vMLX на Apple Silicon примерно с 128 ГБ объединённой памяти; также упомянуты vMLX и jang_tools как варианты запуска. В тестах README модель показала 71,84% на MMLU и 90% pass@2 на HumanEval, но результаты приведены разработчиком и не являются независимой оценкой. Ключевое свойство CRACK — снятие отказов на вредоносные запросы: README сообщает о выполнении всех 320 заданий HarmBench, включая запросы по киберпреступлениям и причинению вреда. Это делает модель пригодной для контролируемого исследования поведения моделей, но опасной для неограниченного использования. Известны редкие опечатки; генерация длинного контекста в этой сборке не стресс-тестировалась. Лицензия — MIT.

GenTel-Shield — модель GenTelLab для обнаружения вредоносных и добросовестных запросов, включая атаки внедрения промптов. Она предназначена для классификации запросов в приложениях на базе LLM и оценки защиты от jailbreak-атак, перехвата цели и утечки промпта. Модель основана на XLM-RoBERTa и использует классификационную архитектуру последовательностей; размер составляет 305,2 млн параметров, максимальная длина контекста — 514 токенов. Для обучения применялись размеченные экспертами данные, а также аугментация смысловыми переписываниями и символьными изменениями. Репозиторий содержит формат ONNX. В README сообщается об оценке на Gentel-Bench, где проверялись три указанных типа атак. Модель выдаёт метку класса для входного текста. Карточка не сообщает лицензию, поэтому условия использования по имеющимся сведениям определить нельзя; языковая поддержка также не указана явно, хотя XLM-RoBERTa рассчитана на многоязычный текст. Результаты бенчмарка не гарантируют обнаружение всех новых или намеренно преобразованных атак.

Granite Guardian 3.1 8B — модель IBM Research, дообученная на базе Granite 3.1 8B Instruct для выявления рисков в запросах пользователей и ответах моделей. Она выдаёт оценку «да/нет» по заданному шаблону и предназначена для работы в режиме классификации рисков. Модель помогает обнаруживать вредоносный контент, предвзятость, попытки обхода защит, насилие, ненормативную лексику, сексуальный контент и неэтичное поведение. В RAG-системах она проверяет релевантность найденного контекста, опору ответа на этот контекст и соответствие ответа запросу. В агентных сценариях выявляет синтаксические и смысловые ошибки в вызовах функций и связанные с ними галлюцинации. Архитектура — плотная GraniteForCausalLM с 8,2 млрд параметров; модель принимает текст, поддерживает контекст до 131 072 токенов и рассчитана на английский язык. IBM сообщает о результатах выше других открытых моделей той же области на стандартных бенчмарках. Модель предназначена для оценки рисков, мониторинга и выборочной проверки данных при умеренных требованиях к стоимости, задержке и пропускной способности. Использование вне предписанного шаблона оценки может приводить к неожиданным или небезопасным ответам; модель может быть уязвима к состязательным атакам, а пользовательские определения рисков требуют тестирования. Лицензия — Apache 2.0.

Granite Guardian 3.2 3B-A800M — модель IBM Research, дообученная на базе Granite 3.2 3B-A800M Instruct для выявления рисков в запросах пользователей, ответах моделей и диалогах. Она предназначена для использования в качестве защитного фильтра, а также для проверки релевантности контекста, обоснованности ответов и корректности вызовов функций в RAG- и агентных системах. Модель построена на архитектуре Granite MoE с причинным языковым моделированием и содержит 352,3 млн параметров; контекст — до 131 072 токенов. Для оценки заданного риска она выдаёт ответ «да» или «нет» по предусмотренному шаблону. Поддерживаемые проверки включают вредоносное содержание, предвзятость, jailbreak, насилие, ненормативную лексику, сексуальный контент, неэтичное поведение, уклончивость, релевантность и обоснованность ответов, а также галлюцинации при вызове функций. Модель обучалась и тестировалась только на английских данных. IBM указывает, что модель следует использовать в предусмотренном режиме оценки: отклонение от шаблона может приводить к неожиданным или небезопасным результатам, а модель уязвима к состязательным атакам. Для пользовательских определений риска необходимы отдельные испытания. Лицензия — Apache 2.0.

HelpingAI-Lite-1.5T — языковая модель семейства Llama, разработанная OEvortex и предназначенная для генерации текста, диалогов и помощи с программированием. По карточке модели, она обучена на корпусе объёмом 1,5 трлн токенов; метаданные указывают 1 млрд параметров, архитектуру LlamaForCausalLM и контекст длиной 2048 токенов. Модель работает с текстом и ориентирована на английский язык. В обучающих данных указаны SlimPajama, UltraChat, StarCoderData, UltraFeedback, vortex-mini и OpenOrca. Модель доступна в форматах PyTorch и Safetensors через Transformers. Лицензия — HelpingAI Simplified Universal License (HSUL); условия следует проверять в тексте лицензии перед использованием.

Mungert/Jan-v2-VL-high-GGUF — это GGUF-квантизированная версия мультимодальной модели Jan-v2-VL-high, разработанной командой Jan на базе Qwen/Qwen3-VL-8B-Thinking. Модель содержит около 8 млрд параметров, обрабатывает текст и изображения и предназначена прежде всего для многошаговых задач в реальных программных средах, включая управление браузерами и настольными приложениями. Она может использовать скриншоты, вызовы инструментов и промежуточное состояние для выполнения длинных последовательностей действий с минимальным накоплением ошибок. Вариант high ориентирован на более глубокое рассуждение и допускает большее время обработки по сравнению с вариантами low и med. GGUF-файлы подготовлены с использованием llama.cpp; автор применяет избирательное повышение точности отдельных важных слоёв сверх стандартной конфигурации IMatrix, что должно улучшать точность при заданном уровне квантования, но увеличивает размер файла. Модель поддерживает сценарии локального запуска через Jan App и llama.cpp; для исходной модели также указана интеграция с vLLM. В качестве сильных сторон заявлены стабильное выполнение длинных цепочек действий, визуальное заземление и сохранение качества на стандартных текстовых и визуальных задачах относительно базовой Qwen3-VL-8B-Thinking. Ограничениями являются повышенные требования к задержке и размеру файла у варианта high, а также отсутствие в карточке точных сведений о размере контекста, конкретных поддерживаемых языках помимо заявленного английского и системных требованиях. Указана лицензия Apache 2.0.

Laguna-XS-2.1-JANG_6M-CRACK — текстовая модель dealignai на архитектуре Laguna с Mixture-of-Experts, полученная на основе poolside/Laguna-XS-2.1. Модель предназначена прежде всего для агентного программирования, рассуждений и вызова инструментов; поддерживает режимы с включённым и выключенным пошаговым рассуждением и контекст до 262 144 токенов. Модель представляет собой дообученную и квантизированную версию базовой модели. README описывает исходную Laguna-XS 2.1 как модель на 33 млрд параметров с примерно 3 млрд активных параметров; метаданные репозитория указывают 2,6 млрд параметров. JANG_6M — смешанная по точности аффинная квантизация для MLX и Apple Silicon, с файлами safetensors. Для генерации автор рекомендует явно задавать temperature=1.0, top_p=1.0 и top_k=20, поскольку некоторые среды запуска игнорируют конфигурацию модели. В README приведены результаты MMLU 73,4% и соответствие запросам в HarmBench 99,4%; это результаты оценки автором через vMLX, а не независимая гарантия качества. Автор заявляет, что модель рассчитана на работу через vMLX или совместимую среду MLX. Модель текстовая и ориентирована на английский язык. Её отказное поведение намеренно удалено на уровне весов, поэтому она может выполнять запросы, от которых обычная модель отказалась бы; это существенное ограничение с точки зрения безопасного применения. Лицензия указана как other, а README сообщает о бесплатном выпуске, но не содержит точных условий лицензии.

KRLabsOrg разработала LettuceDetect для выявления галлюцинаций в ответах итальянских RAG-систем. Модель находит в тексте ответа отдельные токены, которые не подтверждаются предоставленным контекстом; предсказания можно объединять в фрагменты для проверки источников и редактирования ответа. Это дообученная для классификации токенов модель EuroBERT-210M с архитектурой энкодера и 211,7 млн параметров. Она рассчитана на итальянский язык и обрабатывает контекст до 8192 токенов. В оценке на переведённом наборе RAGTruth-IT авторы сообщают F1 65,93%; модель показывает более высокую скорость по сравнению с вариантом на 610 млн параметров. Модель предназначена для вспомогательной проверки ответов и не гарантирует обнаружение всех неподтверждённых утверждений. Распространяется по лицензии MIT. Для загрузки README указывает на несовместимость использующегося удалённого кода EuroBERT с Transformers 5.x.

Карточка модели NostraEmpire/mirror-deepseek-r1-distill-qwen-7b 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.

Модель EuroEval/mmBERT-small-multi-wiki-qa-synthetic-hallucinations-with-ragtruth-lv — модель на базе Transformers для token classification. По названию она связана с выявлением синтетических галлюцинаций в ответах на вопросы по Википедии и сценариях RAG, включая данные RAGTruth и вариант с обозначением lv. Модель содержит около 140,5 млн параметров, использует архитектурный стек, связанный с ModernBERT, и поддерживает контекст до 8192 токенов. Модель может применяться для разметки отдельных токенов в ответах, например для выделения фрагментов, связанных с галлюцинациями или недостоверными утверждениями, в системах контроля качества ответов и retrieval-augmented generation. В карточке отсутствуют сведения о разработчике, лицензии, языках, процедуре обучения, результатах оценки и рекомендуемых сценариях использования.

MolmoWeb-8B — открытая мультимодальная модель веб-агента, разработанная Ai2. Она предназначена для взаимодействия с веб-сайтами: модель анализирует визуальное представление страницы и формирует ответы или действия агента для выполнения веб-задач. По данным карточки, MolmoWeb показывает высокие результаты на WebVoyager и Online-Mind2Web, а параллельные запуски с выбором лучшего результата повышают pass@4 по сравнению с pass@1. Модель использует архитектуру Molmo2 с языковой основой Qwen3-8B и визуальным энкодером SigLIP 2. Она принимает изображения и текстовые запросы и выдаёт текст; в метаданных указаны поддержка диалога и vision, а основной язык карточки — английский. Весы доступны в формате safetensors, библиотека — Transformers. Лицензия — Apache-2.0. Модель ориентирована на веб-агентные сценарии и может ошибаться при интерпретации страниц или выполнении сложных цепочек действий; README не приводит подробного перечня ограничений и требований к запуску.

Ngixdev/OmniCoder-Qwen3.5-9B-Claude-4.6-Opus-Uncensored-v2-GGUF — это GGUF-модель на базе Qwen/Qwen3.5-9B, разработанной Alibaba Cloud. Она создана путём объединения модели Qwen3.5-9B-Uncensored-HauhauCS-Aggressive, Qwen3.5-9B-Claude-4.6-Opus-Reasoning-Distilled-v2 и OmniCoder-9B-GGUF; при слиянии изменялись только дообученные веса, подготовленные с помощью Unsloth, в формате float32. В карточке заявлены языки English, Chinese и Korean, а также поддержка сценариев image-text-to-text, хотя подробности о визуальной архитектуре не приведены. Модель ориентирована на рассуждения, решение математических и логических задач, работу с инструкциями, общими знаниями и программированием. Версия v2 обучалась более чем на 14 000 образцах рассуждений в стиле Claude 4.6 Opus и оптимизировалась для сокращения избыточной длины цепочек рассуждений при сохранении или повышении точности. В README приведены заявленные результаты HumanEval и HumanEval+, включая более высокую эффективность рассуждений по сравнению с официальной Qwen3.5-9B, однако независимое подтверждение этих результатов отсутствует. Ключевые ограничения — неизвестные размер контекста и точные характеристики модальностей, а также возможное некоторое ухудшение широких универсальных возможностей из-за преимущественно общего, а не специализированного набора данных. Модель позиционируется как uncensored и может иметь минимальное количество отказов, что требует осторожности при использовании в чувствительных сценариях. Для работы рекомендуются LM Studio и специальные параметры генерации, но они не являются обязательными. Лицензия — Apache-2.0.

Ornith-1.5-35B-A3B-uncensored — мультимодальная MoE-модель junafinity на базе Ornith-1.5-35B-A3B, изменённая Abliterix для снижения числа отказов. Чекпойнт содержит 35 млрд параметров, включая зрительный модуль, и опубликован в формате bf16 в safetensors; для работы требуется transformers версии 5.12 или новее. Модель предназначена прежде всего для контролируемого red teaming и исследований защитных средств кибербезопасности. Она принимает текст и изображения и генерирует текст, что позволяет оценивать фильтры, классификаторы, защиту от prompt injection и другие механизмы модерации, а также получать примеры для разработки детекторов. В README сообщается, что на тестовом наборе отказов стало 9 из 100 против 100 из 100 у исходной модели; результат следует проверять на собственных сценариях. Abliteration снижает, но не устраняет все отказы: в частности, они могут сохраняться в многошаговом диалоге, при системных инструкциях и на зрительном пути. Модель не следует выставлять в публичный доступ без независимого слоя модерации; отвечающий за развёртывание несёт ответственность за защитные меры и соблюдение правил использования. Лицензия — Apache-2.0.

Pluto-Genesis-0.6B — компактная языковая модель для следования инструкциям, разработанная в рамках исследовательского проекта Pluto AI Сиддхартом Н. Р. и дообученная на базе Qwen3-0.6B методом QLoRA. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 507,9 млн параметров; метаданные указывают контекст до 40 960 токенов и формат safetensors. Модель предназначена для диалогов и генерации ответов на инструкции, включая рассуждения, решение математических задач и генерацию или отладку кода. При обучении использовано 80 тысяч примеров из OpenHermes-2.5, Orca-Math-200K и CodeFeedback-Filtered. Карточка описывает проект как исследование эффективного дообучения небольших моделей; результаты бенчмарков на момент её публикации ещё оценивались. Модель распространяется по лицензии Apache-2.0. Указанная в карточке рекомендация загружать 4-битные веса относится к настройке инференса, а не к основному формату репозитория. Размер модели ограничивает её возможности в сложных задачах; опубликованных результатов бенчмарков в карточке пока нет.

code-critic-model/qwen3-4b-sft-prm — копия Qwen3-4B-Critic-SFT, критической языковой модели, дообученной авторами проекта Steer, Don't Solve на корпусе CWM + Qwen. Она основана на Qwen/Qwen3-4B-Instruct-2507 и предназначена для оценки и критики решений, в том числе в сценариях работы кодовых агентов. Веса совпадают побайтно с указанной моделью; README рекомендует обращаться к её полной карточке для подробностей. Это плотная модель Qwen3 с 3,7 млрд параметров, использующая архитектуру Qwen3ForCausalLM и формат safetensors. Метаданные указывают контекст до 262 144 токенов и поддержку чата. Модель распространяется по лицензии Apache-2.0. Карточка не приводит конкретных результатов оценки качества или подробных ограничений применения.

RavenX-OpenFable-Coderagent-Gemma-4-12B-Coder-Fable5-Composer-Soulinfused-Remastered — плотная языковая модель на архитектуре Gemma 4 Unified с 12 млрд параметров, выпущенная Gabriel Garcia и RavenX LLC. Она объединяет базу Gemma-4-12B-Coder-Fable5-Composer2.5-v1 с настройками на код, поведение агента, идентичность OpenFable и отказы по безопасности; в метаданных происхождение указано как слияние моделей. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Модель предназначена для генерации и исправления кода, выполнения одношаговых агентных задач и ответов в диалоге. Карточка заявляет сохранение заданной идентичности без системного промпта и приводит внутренние результаты бенчмарков; эти заявления не являются независимой оценкой. В метаданных указан английский язык. Базовая Gemma 4 Unified мультимодальна, однако карточка этой модели описывает прежде всего кодовые и текстовые сценарии, поэтому дополнительные модальности здесь не заявлены. Автор называет модель экспериментальным исследовательским proof of concept и предоставляет её «как есть» для образовательного и исследовательского использования. Упоминаются версии GGUF Q4_K_M и Q8_0 и запуск на системах с 8 ГБ RAM, но в метаданных репозитория формат указан как safetensors; доступность квантованных файлов в этом репозитории из предоставленных сведений не следует. Заявленные результаты могут зависеть от промпта, среды и выбранной версии весов.

Nanthasit/sakthai-coder-1.5b — модель от разработчика Nanthasit, дообученная на базе Qwen2.5-Coder-1.5B-Instruct. Она предназначена для генерации и завершения кода, исправления ошибок, небольших рефакторингов, а также формирования JSON для вызова инструментов и функций. Модель имеет около 1,5 млрд параметров и поставляется в формате GGUF с квантизацией Q4_K_M. Она ориентирована на локальный офлайн-запуск на CPU через llama.cpp или llama-cpp-python; заявленный объём памяти составляет менее 1,2 ГБ, а пример конфигурации использует контекст 4096 токенов. В карточке указан английский язык. Рекомендуемые параметры генерации включают temperature 0,2, top_p 0,9 и до 1024 новых токенов. Сильными сторонами являются компактность, возможность работы без GPU и поддержка структурированных tool-calling-ответов: для SakThai Bench v2 заявлены 100% валидных JSON-ответов и 91,2% точности выбора инструмента при корректном формате prompt. Модель также демонстрирует пригодность для типичных задач программирования, однако результаты могут зависеть от формата запроса, а ошибки в анализе логики кода всё ещё возможны, поэтому критические изменения требуют проверки. Модель распространяется по лицензии Apache 2.0.

SuperGemma4-26B-Uncensored-Fast v2 — текстовая локальная модель из репозитория Jiunsong, основанная на Google Gemma 4 26B A4B IT. Модель предназначена для запуска на Apple Silicon через MLX и ориентирована на агентские сценарии: генерацию и анализ кода, планирование, использование инструментов, автоматизацию браузера, логические задачи и работу с корейскими запросами. Заявленная особенность — uncensored-поведение без потери устойчивости в коде и tool-use. Модель представлена в формате MLX 4-bit и занимает около 13 ГБ. Поддерживаются текстовые входы и выходы; в README указаны английский и корейский языки. Размер контекста не указан. По приведённым автором быстрым локальным тестам модель получила общий результат 95,8 против 91,4 у исходной Gemma 4 26B IT в 4-bit и показала среднюю скорость 46,2 токена в секунду против 42,5. Наибольшие заявленные улучшения относятся к коду, логике и корейскому языку, однако методика и независимость этих измерений не раскрыты. Сильными сторонами являются сочетание локального запуска, высокой скорости, компактного 4-bit-представления и специализации на практических агентских задачах. Ограничения включают зависимость от экосистемы Apple Silicon и MLX, отсутствие мультимодальности, неизвестный размер контекста и потенциальные риски, связанные с uncensored-настройкой. В метаданных указана лицензия Gemma; README не содержит подробностей о дополнительных условиях её применения.

TabFix — модель для обнаружения и исправления ошибок в табличных данных, разработанная Antix5. Она объединяет проверки по заданной схеме с дообученным энкодером mmBERT: правила выявляют нарушения форматов, допустимых значений, обязательных полей и связей, а нейросетевой компонент ищет остаточные ошибки кодировки и орфографии и предлагает замену ячейки с учётом исходного значения, схемы столбца и соседних строк. Конвейер рассчитан на очистку CSV-таблиц с XML-правилами столбцов и поддерживает английский, французский, нидерландский, немецкий, польский, греческий и японский языки. В репозитории указана архитектура ModernBERT с 307,8 млн параметров и контекстом до 8192 токенов; доступны веса safetensors и ONNX. Модель дообучена на 27 948 записях преимущественно синтетического набора tabular-errors-v1. На небольшом сбалансированном тесте из 76 таблиц весь конвейер исправил 48 из 67 ошибочных ячеек; 48 из 49 применённых изменений оказались правильными, а среди 8 600 корректных ячеек ошибочных изменений не наблюдалось. Эти результаты относятся к комбинированному конвейеру, а не только к нейросетевой модели. Модель предназначена для локальной проверки и очистки CSV с аудитом и просмотром предложенных изменений. Она может пропускать неподдерживаемые правила и форматы; противоречивые связи могут показать затронутые строки, не определяя неверное значение. Предложенная замена может быть семантически ошибочной, а данные синтетического обучения и небольшой тест не гарантируют качество на произвольных реальных таблицах. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Vibe Coder v2.0 MAX — дообученная языковая модель для генерации и анализа кода, разработанная на базе Qwen2.5-Coder-7B-Instruct. Она ориентирована на создание полнофункциональных веб-приложений и компонентов с использованием Next.js, React и TypeScript, а также Tailwind CSS, Zustand и Prisma. Архитектура — плотная Qwen2 с 7,1 млрд параметров; модель доступна в формате Safetensors, поддерживает контекст до 32 768 токенов и рассчитана на работу через Transformers. Модель предназначена для генерации компонентов интерфейса, API-маршрутов и серверной логики, а также для доработки и отладки веб-проектов. В README заявлены диалоговое взаимодействие, поддержка современных веб-технологий и стремление выдавать законченный код без заглушек. Эти заявления описывают цели модели, но не подтверждают гарантированное качество результата. Модель поддерживает английский язык по метаданным. Лицензия — Apache-2.0.

Darkfibre публикует VibeThinker-3B-Ablated — производную компактной плотной языковой модели VibeThinker-3B на базе Qwen2.5-Coder-3B. По карточке, в модели проекцией удалено направление отказа на 11-м слое; заявленная цель изменения — ослабить автоматические отказы в ответах. Модель предназначена для диалогов, рассуждений, математики и программирования. Модель построена на архитектуре Qwen2, содержит 3,1 млрд параметров и поддерживает контекст до 131 072 токенов. Карточка заявляет высокие результаты на тестах по математике и программированию, однако это утверждения автора; независимая проверка в предоставленных данных не описана. Доступны веса в формате Safetensors, запуск предусмотрен через Transformers. Лицензия — Apache-2.0.

lucadiliello/BLEURT-20-D12 — модель на основе Transformer для оценки качества текстовых кандидатов с помощью BLEURT. Репозиторий содержит реализацию BleurtConfig, BleurtForSequenceClassification и BleurtTokenizer для PyTorch; модель насчитывает 324,5 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для автоматической оценки текстов, в частности качества переводов и других сгенерированных текстов. Она принимает текстовые данные и выдаёт оценку классификационной модели. В карточке указана лицензия.

Карточка модели OppokJr/DeepSeek-R1-Distill-Qwen-1.5B 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.

Granite Guardian 3.1 2B — модель IBM Research, дообученная на базе Granite 3.1 2B Instruct для выявления рисков в запросах пользователей и ответах моделей. Она предназначена для работы в режиме проверки по заданному шаблону: модель выдает оценку «да/нет» и может использоваться как защитный слой в корпоративных приложениях. Модель выявляет вредоносный контент, предвзятость, попытки обхода ограничений, насилие, ненормативную лексику, сексуальный контент и неэтичное поведение. В сценариях RAG она оценивает релевантность найденного контекста и ответа, а также обоснованность ответа контекстом. В агентных системах помогает обнаруживать ошибки и галлюцинации в вызовах инструментов. Архитектура — плотная GraniteForCausalLM, размер — 2,5 млрд параметров, контекст — до 131 072 токенов; модель принимает и генерирует текст. Она обучена и проверена только на английских данных. Модель рассчитана на оценку рисков, мониторинг и выборочные проверки при умеренных требованиях к стоимости и задержке. Отклонение от предписанного режима оценки может приводить к неожиданным или небезопасным ответам; возможна уязвимость к состязательным атакам. Для пользовательских определений рисков требуется тестирование. Лицензия — Apache 2.0.

aysinghal/ide-code-retrieval-qwen3-0.6b — модель SentenceTransformers, созданная дообучением Qwen/Qwen3-Embedding-0.6B для поиска исходного кода в IDE. Она кодирует короткие запросы на естественном языке, например сообщения коммитов и описания ошибок, и документы с кодом в общее пространство эмбеддингов. Поиск выполняется сравнением векторов по косинусному сходству. Модель содержит около 507,6 млн параметров и выдаёт нормализованные эмбеддинги размерности 1024. В README указана максимальная длина последовательности 1024 токена; метаданные базовой модели указывают нативный контекст 32768 токенов. Обучение проводилось на наборе данных для поиска кода, а карточка обозначает английский язык. Модель распространяется по лицензии Apache-2.0. Это промежуточный чекпойнт на шаге 9000 из 9150, поэтому более поздний чекпойнт может показывать лучшие результаты. Модель обучалась на конкретном наборе для поиска кода и может хуже работать с другими языками программирования или стилями запросов; длинные документы обрезаются.

Loxa-3B — языковая модель семейства Loxa от AIFRAME, созданная для генерации текста на маломощных CPU, включая Raspberry Pi 4 и 5 с объёмом памяти от 8 ГБ. Это плотная причинная модель архитектуры LlamaForCausalLM размером 3,2 млрд параметров с контекстом до 131 072 токенов; для работы используется библиотека Transformers и формат PyTorch. Модель предназначена для диалога и помощи в математике, программировании, науке и формальных беседах, а также для образовательных и персональных проектов и встраиваемых систем. Карточка заявляет общую точность 92%, но не приводит методику или набор оценки. Модель может выдавать ошибочные или бессвязные ответы, а качество зависит от сложности и длины запроса; её не следует без проверки использовать в критически важных задачах. Лицензия — Apache-2.0.

MiniCPM5-1B-Claude-Opus-Fable5-Thinking-GGUF — набор GGUF-квантизаций модели MiniCPM5-1B-Claude-Opus-Fable5-Thinking, разработанной на базе openbmb/MiniCPM5-1B и дообученной на данных Fable 5. Репозиторий подготовлен для локального запуска через llama.cpp, Ollama, LM Studio, jan, KoboldCpp и другие совместимые среды; разработчик производной модели — GnLOLot, базовая модель создана OpenBMB. Это компактная текстовая генеративная модель с режимом рассуждений, предназначенная для следования инструкциям, генерации и отладки кода, а также сценариев разработки программного обеспечения. Модель поддерживает английский и китайский языки, имеет размер 1B параметров и заявленный контекст до 128K токенов. В GGUF встроен собственный chat template MiniCPM5, а для локального развертывания доступны варианты Q4_K_M, Q5_K_M, Q8_0 и F16 размером примерно от 657 МБ до 2,1 ГБ; Q8_0 рекомендован как стандартный вариант. К сильным сторонам относятся небольшой размер, возможность локального запуска, поддержка длинного контекста, программирования и режима рассуждений. Ограничения связаны с масштабом 1B: модель не относится к моделям передового уровня, а фактическая длина доступного контекста зависит от используемого GGUF-рантайма и оборудования. В режиме рассуждений она может выводить блоки рассуждений перед итоговым ответом. Лицензия — Apache-2.0, унаследованная от базовой модели.