II.4Отладка, тестирование и качество ПО

Qwen2.5-Coder-0.5B-Instruct-GGUF — набор GGUF-квантизаций инструкционной модели Qwen2.5-Coder-0.5B-Instruct, подготовленный пользователем ThomasBaruzier с использованием llama.cpp и imatrix-калибровки. Базовая модель разработана командой Qwen; в карточке также указана лицензия Apache-2.0. Модель предназначена для генерации текста и работы с программным кодом в диалоговом формате: она может применяться для написания, дополнения и объяснения кода, а также других задач, связанных с программированием. Указан английский язык. Доступны варианты квантизации IQ и Q форматов размером примерно от 301 до 393 МБ, что позволяет запускать модель при ограниченных ресурсах. Ключевое преимущество — малый размер и наличие нескольких уровней квантизации с измеренными показателями perplexity и accuracy, позволяющими выбирать компромисс между качеством и требованиями к памяти. Ограничения связаны с небольшим размером модели в 0,5 млрд параметров и потерями качества при наиболее компактной квантизации; сведения об архитектуре, длине контекста и поддерживаемых модальностях в карточке не указаны.

roleplaiapp/Qwen2.5-Coder-14B-Instruct-Uncensored-Q4_K_M-GGUF — это квантованная версия модели Qwen2.5-Coder-14B-Instruct-Uncensored, опубликованная Andrew Webby от RolePlai. Модель предназначена для генерации текста и использования в сценариях, где требуется запуск через llama.cpp или другое программное обеспечение, поддерживающее формат GGUF; исходное семейство позиционируется как instruct-модель для задач, связанных с программированием. Модель содержит 14 миллиардов параметров и представлена в формате GGUF с методом квантования Q4_K_M, что уменьшает требования к памяти по сравнению с полноразмерной версией. README не содержит сведений об архитектуре, поддерживаемых языках, размере контекста и мультимодальности. Указание Uncensored означает заявленную особенность исходной модели, однако подробности ограничений и поведения не приведены. Лицензия и точные условия использования в README не указаны. Сильной стороной является сочетание кодировочной instruct-модели с 4-битным квантованием, потенциально удобным для локального запуска, но качество и совместимость зависят от используемого движка и конкретного сценария применения.

Qwen3.6-27B-A3B-CoderX-MTP-GGUF — GGUF-квантизированная версия модели CoderX, разработанная ManniX-ITA на основе Qwen3.6-35B-A3B от Qwen. Это разреженная MoE-модель для генерации и анализа кода, ориентированная прежде всего на многошаговые задачи программирования, включая competitive programming, а также краткие завершения кода на нескольких языках. Модель поддерживает reasoning и MTP; точный размер контекстного окна и полный набор языков в карточке не указаны, но приведены результаты для Rust, Java и JavaScript. Архитектура обозначена как Qwen3.5-MoE, общий объём параметров составляет 25,60 млрд, из которых активно используется около 3 млрд. В исходной архитектуре было 256 экспертов, после pruning осталось 184; применяется маршрутизация top-8. Доступны варианты от F16 до низкобитных Q- и I-квантизаций, включая Q4_K_M с imatrix, используемую как стандартную в Ollama. Сильная сторона модели — многошаговое решение задач программирования: на LiveCodeBench v6 она получила 0,727, на HumanEval+ — 0,970. На MultiPL-E результат составил 0,887 и статистически близок к sibling-модели Coder, однако уступает исходной модели Qwen3.6-35B-A3B; по языкам наблюдается преимущество в Rust при более слабом результате в JavaScript. Непрограммный профиль, включая математические, научные, многоязычные и другие задачи, полноценно не измерялся, поэтому качество за пределами кода неизвестно. Модель не является безусловным улучшением Coder и должна выбираться под конкретный рабочий сценарий. Модель распространяется под лицензией Apache-2.0. Для запуска требуется совместимое ПО с поддержкой GGUF, например llama.cpp или Ollama; необходимый объём памяти зависит от выбранной квантизации и составляет примерно от 7,64 GiB для IQ2_XS до 48,87 GiB для F16.

koreallmdev разработала koreallmdev/qwen3.8-27b-korean-uncensored-merged — полную модель Qwen3.8 с объединёнными весами базовой модели BF16 и корейского LoRA-адаптера. Это плотная авторегрессионная модель для генерации текста, доступная в формате Safetensors и рассчитанная на запуск через Transformers или vLLM. После загрузки подключать адаптер отдельно не требуется; при публикации модели новое обучение не проводилось. Модель предназначена для диалогов на корейском языке, технических вопросов, помощи с кодом и экспериментов с локальными LLM. В метаданных указаны 22,3 млрд параметров, контекст до 262 144 токенов и поддержка корейского и английского языков. Обозначение «uncensored» отражает название и происхождение базовой модели и не гарантирует безусловных ответов на любые запросы. Лицензия в предоставленных материалах не указана.

latam-gpt/Wayra-Perplexity-Estimator-55M — модель WayraPPL, разработанная проектом latam-gpt для быстрой оценки perplexity текстов. Она предназначена для высокопроизводительной проверки качества данных, очистки больших датасетов, выявления потенциально загрязнённых данных, семантической фильтрации, ранжирования примеров для curriculum learning и автоматизированных MLOps-процессов. Модель поддерживает испанский, португальский и английский языки. Модель содержит 55 млн параметров и использует GPT2-based Transformer blocks с perplexity heads; её базой указана дистилляция из meta-llama/Llama-3.2-1B. Максимальная длина последовательности составляет 512 токенов. Основная версия представляет собой оптимизированный под NVIDIA A100 TensorRT engine с FP16, поддерживает batch size до 2048, использует около 2 ГБ памяти и заявляет пропускную способность свыше 50 000 образцов в секунду при задержке менее 1 мс. Также доступна стандартная версия на PyTorch с FP32. Сильные стороны модели — высокая скорость инференса, малый объём памяти и пригодность для массовой обработки текстов в производственных конвейерах. Ограничения включают зависимость TensorRT-версии от NVIDIA A100, CUDA 12.8 или новее, TensorRT 10.13.x и совместимого драйвера, а также ограничение длины входа 512 токенами. Модель распространяется по лицензии Apache-2.0.

Unbabel разработала COMETKiwi — многоязычную модель оценки качества машинного перевода без эталонного перевода. На вход она получает исходное предложение и его перевод, а на выходе возвращает одну оценку от 0 до 1: более высокий балл соответствует более качественному переводу. Модель предназначена для автоматической оценки переводов, например для сравнения систем машинного перевода и контроля качества переводов в рабочих процессах. Она основана на Microsoft InfoXLM-large и дообучена для задачи оценки качества перевода; модель использует библиотеку COMET и формат PyTorch. Карточка указывает широкий охват языков, включая русский, английский, китайский, арабский и многие другие. Для языковых пар с языками вне заявленного охвата результаты ненадёжны. Использование модели регулируется лицензией CC BY-NC-SA 4.0.

AceReason-Nemotron-1.1-7B-GGUF — GGUF-версия языковой модели AceReason-Nemotron-1.1-7B, разработанной NVIDIA. Модель предназначена для генерации текста с акцентом на рассуждения в задачах математики и программирования. Она создана на базе Qwen2.5-Math-7B и обучалась в два этапа: supervised fine-tuning (SFT) на математических и кодовых задачах, затем reinforcement learning (RL). В карточке указано, что модель поддерживает английский язык и работает в режиме text generation. Размер модели составляет 7B параметров. Ключевая специализация — решение сложных математических задач и генерация программного кода. По приведённым результатам, модель показывает сильные показатели на бенчмарках AIME 2024, AIME 2025 и LiveCodeBench, превосходя предшественника AceReason-Nemotron-1.0-7B и другие сопоставимые модели на некоторых тестах. Версия GGUF предназначена для использования в совместимых средах локального инференса, однако конкретный вариант квантования и требования к памяти в README не указаны. Ограничения включают специализацию преимущественно на математике и коде, возможные ошибки в рассуждениях и отсутствие гарантии корректности сгенерированных ответов или программ. Размер контекста, список поддерживаемых языков сверх английского и точные характеристики архитектуры в карточке не указаны. Модель распространяется по NVIDIA Open Model License; дополнительные условия следует проверять в тексте лицензии NVIDIA.

AgentDoG-Qwen3-4B — дообученная командой AgentDoG модель на базе Qwen3-4B-Instruct-2507 для оценки безопасности траекторий автономных агентов. Она анализирует последовательности действий, наблюдений и вызовов инструментов, чтобы определить, возникало ли небезопасное поведение на любом этапе, а для небезопасных траекторий классифицирует источник риска, тип сбоя и возможный вред. Модель рассчитана на использование как классификатор, компонент защиты агентной системы или средство оценки в бенчмарках. Это плотная языковая модель семейства Qwen3 с 3,7 млрд параметров и контекстом до 262 144 токенов. В README описана оценка на R-Judge, ASSE-Safety и ATBench, включая выявление длительных атак с подменой инструкций и неправильного использования инструментов. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

devndeploy разработал мультиязычный детектор внедрения промптов, дообучив BERT на основе bert-base-multilingual-cased для классификации текстов на обычные и содержащие prompt injection. Модель имеет 205,1 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метку класса с оценкой уверенности. Она рассчитана на английский, немецкий, испанский, французский, китайский, вьетнамский, японский, корейский, арабский, русский и португальский языки. Модель предназначена для защитного сканирования запросов в чат-ботах, модерации содержимого и обнаружения состязательных инструкций. В карточке указаны accuracy 96,47%, precision 99,20% и recall 93,94%; эти показатели относятся к описанной оценке и не гарантируют такие же результаты на новых данных. Лицензия — MIT, формат весов — safetensors. Детектор может пропускать новые способы внедрения инструкций, а качество различается между языками. Авторы рекомендуют применять его как один из уровней многоуровневой защиты.

BrainboxAI/code-il-E4B-safetensors — репозиторий с полной версией весов 16-битного помощника по программированию code-il-E4B, созданного Нетанелем Элиаси из BrainboxAI. Это дообученная Gemma 4 E4B Instruct с плотной архитектурой Gemma4ForConditionalGeneration; веса хранятся в формате safetensors и предназначены для работы через Transformers, дальнейшего обучения на частном коде и конвертации в другие форматы. Модель помогает писать и анализировать код, в том числе на Python и TypeScript; при запросе на иврите отвечает на иврите, а сам код формирует на английском. Базовая Gemma 4 также поддерживает анализ изображений, однако карточка этой версии описывает её прежде всего как текстового помощника по программированию. Этот вариант рассчитан на разработчиков, которым нужны полные веса для обучения или конвертации, а не на обычный запуск для повседневного программирования: файл весов занимает 16 ГБ. Для запуска автор рекомендует сжатую сборку BrainboxAI/code-il-E4B. Лицензия — Apache 2.0.

DASD-4B-Thinking-GGUF — это квантизированная версия компактной плотной языковой модели DASD-4B-Thinking, разработанной Alibaba-Apsara и преобразованной в формат GGUF с помощью llama.cpp; квантизацию выполнил GGUF Quantizer Space. Исходная модель основана на Qwen3-4B-Instruct-2507 и обучалась методом distribution-aligned sequence distillation с использованием gpt-oss-120b в качестве учителя и 448 тыс. обучающих примеров. Модель предназначена для задач, требующих рассуждений по длинной цепочке, включая решение математических задач, генерацию кода и научное рассуждение. Это текстовая модель с параметрами порядка 4 млрд, ориентированная на локальный запуск на пользовательском оборудовании через llama.cpp или Ollama. README не указывает поддерживаемые языки и размер контекстного окна. Доступно множество вариантов квантизации от Q2_K до Q8_0. Q4_K_M и Q5_K_M отмечены как рекомендуемые и предлагают компромисс между размером и качеством, тогда как Q8_0 обеспечивает близкое к исходному качество при большем размере. Среди заявленных сильных сторон — высокие результаты на AIME24, AIME25, LiveCodeBench и GPQA-D, а также возможность запуска сравнительно небольшой модели на потребительском оборудовании. Более агрессивная квантизация может приводить к заметной потере качества. Лицензия в представленном README не указана.

JasperLS/deberta-v3-base-injection — англоязычная модель классификации текста, полученная дообучением microsoft/deberta-v3-base на наборе данных promp-injection для выявления prompt injection. Это плотная архитектура DeBERTa-v3 с примерно 211,6 млн параметров и контекстом до 512 токенов. В README указаны результаты на тестовой выборке: accuracy 0,9914 и loss 0,0673. Модель предназначена для классификации текстовых фрагментов при проверке на prompt injection. Она может быть полезна как компонент фильтрации входных данных в приложениях с LLM; результаты на указанной выборке не гарантируют такую же точность на других данных. Модель распространяется по лицензии MIT.

fmops/distilbert-prompt-injection — модель классификации текста от Foundation Model Operations Company (FMOPS), предназначенная для обнаружения prompt injection. Она относит текст к классам с помощью DistilBERT, дообученного для sequence classification; в карточке указано 67 млн параметров и контекст до 512 токенов. Модель рассчитана на английский, немецкий и испанский языки. Её можно использовать для проверки пользовательского ввода или текстовых фрагментов перед передачей языковой модели, чтобы отмечать потенциальные prompt injection. Модель работает с текстом и выдаёт метки классификации. Лицензия — Apache-2.0. Карточка модели не описывает метрики качества; результаты классификации следует оценивать с учётом собственного сценария и данных.

DPO-Think-1.5B — компактная языковая модель-верификатор кода, разработанная командой Aletheia-Bench. Она основана на DeepSeek-R1-Distill-Qwen-1.5B и дообучена методом DPO на наборе Aletheia-DPO с примерами рассуждений и предпочтений. Архитектура — плотная Qwen2 с 1,5 млрд параметров; модель принимает текстовые условия задач и варианты решений, а в ответ оценивает и ранжирует решения. Модель предназначена для проверки решений задач по программированию, автоматизированного сравнения кандидатов и использования в качестве функции вознаграждения при оптимизации генераторов кода в контурах RLHF или RLAIF. Карточка приводит контекстное окно 131 072 токена. Набор обучения включает задачи и решения на Python, C++ и Java; это не означает, что модель генерирует или проверяет код во всех языках программирования одинаково хорошо. Модель выпущена под лицензией CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. Результаты верификации могут ошибаться, поэтому для критически важных оценок нужна независимая проверка, например запуском решений.

FairyR1-14B-Preview — языковая модель с рассуждениями, разработанная PKU-DS-LAB на основе DeepSeek-R1-Distill-Qwen-14B. Это плотная модель семейства Qwen2 с 14 млрд параметров, предназначенная для генерации текста и диалогов; в обучении особое внимание уделено математике и программированию. Указанная в метаданных длина контекста — 131 072 токена. Модель создана с помощью дообучения отдельных математического и кодового экспертов на дистиллированных цепочках рассуждений с последующим объединением их весов. В README приведены результаты на AIME 2024 и 2025, LiveCodeBench и GPQA-Diamond; они отражают тестирование авторов и не гарантируют аналогичного качества на других задачах. Поддерживаются английский и китайский языки. Модель распространяется по лицензии Apache-2.0.

Это плотная языковая модель Qwen3-32B, дообученная авторами репозитория на датасете open-athena/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning. Модель предназначена для генерации текста и диалогового взаимодействия; датасет указывает на настройку для ответов на технические вопросы и задач, связанных с программными песочницами и рассуждениями. Модель содержит 29,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат safetensors. Указанная длина контекста — 40 960 токенов. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке репозитория и у правообладателей. README не приводит результатов оценки и подробностей о качестве.

Это плотная языковая модель Qwen3 с 29,7 млрд параметров, дообученная командой laion на датасете open-athena/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning. Она предназначена для генерации текста в диалоговом режиме, в частности для ответов на технические вопросы и задач, связанных с содержимым Stack Exchange и Stack Overflow. Модель использует архитектуру Qwen3ForCausalLM, распространяется в формате safetensors и поддерживает контекст до 40 960 токенов. Модель принимает текст и генерирует текст. Карточка не приводит оценки качества или подробностей обучения и применения. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели и её базовой модели Qwen/Qwen3-32B.

JAILJUDGE Guard — модель для оценки того, удалось ли вредоносному запросу обойти защиту языковой модели. Авторы дообучили её для выдачи объяснения оценки и числового балла уязвимости от 1 до 10; модель построена на архитектуре Llama и содержит 6,6 млрд параметров. Модель предназначена для проверки ответов LLM в сценариях jailbreak, включая сложные, состязательные и многоязычные запросы. Её можно применять для аудита защитных механизмов и модерации, а также как компонент методов JailBoost и GuardShield. Метаданные указывают поддержку диалогового режима и контекст длиной 2048 токенов; формат весов — safetensors. В README упоминаются тестовые наборы с примерами на десяти языках, но конкретные языковые коды не приведены. Модель распространяется по лицензии Llama 2. Описанные авторами результаты относятся к оценке на их бенчмарках и не гарантируют ту же точность на иных данных или сценариях.

Это производная сборка DeepSeek-V4-Flash-0731, подготовленная Keys (drowzeys): из весов удалено поведение отказа на запросы, при этом модули DSpark MTP оставлены без изменений. Модель предназначена для локального диалогового использования, red teaming, оценки безопасности и задач, где требуется ассистент без встроенных отказов. В README описано применение на связке двух DGX Spark с Anemll и MiaAI-Lab; репозиторий содержит веса GGUF и BF16, а метаданные указывают библиотеку Transformers и задачу генерации текста. Карточка сообщает о прохождении набора проверок отказов 32 из 32 и приводит показатели скорости для конкретной конфигурации оборудования; эти результаты не гарантируют аналогичное качество или производительность в других условиях. Поддерживаются английский и китайский языки. Лицензия указана как other, доступ gated; README требует согласия с правилами ответственного использования и соблюдения ограничений лицензии базовой модели. Поскольку защитные отказы удалены, при эксплуатации необходимы внешние меры безопасности.

Модель davidsi/Llama3_1-8B-Instruct-AMD-python разработана David Silverstein и представляет собой дообученную инструктивную Llama 3.1 для помощи с технологиями AMD и программированием на Python. Она предназначена для работы в роли помощника разработчика, в том числе в локальных и on-premise средах, и поддерживает диалоговый режим и интерфейс вызова инструментов. Архитектура — плотная авторегрессионная модель LlamaForCausalLM с 7,5 млрд параметров; модель распространяется в формате safetensors и имеет контекстное окно 131 072 токена. Модель дообучена на базе meta-llama/Meta-Llama-3.1-8B-Instruct с применением дистилляции знаний, однако подробности обучающих данных и методики не приведены. Для использования действуют условия лицензии Llama 3.1; автор указывает отсутствие гарантий. Карточка ориентирует модель на английский язык, Python и вопросы по технологиям AMD.

nayohan разработал эту диалоговую модель на основе Meta-Llama-3-8B-Instruct, дообучив её на корейском переводе набора Feedback-Collection. Модель предназначена для оценки ответов: по заданной инструкции, ответу и, при необходимости, эталонному ответу она формирует оценку и поясняющую обратную связь по критериям, заданным в рубрике. Модель принимает текст и генерирует текст; её архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — 8192 токена. Основной сценарий — оценивание на корейском языке; метаданные также указывают английский. В README описана проверка на выборках из обучающих данных, поэтому приведённые результаты не подтверждают качество на независимом тестовом наборе. Обратная связь при обучении обрезалась, и ответы модели могут быть усечены. Лицензия — Llama 3.

Llama-3-Patronus-Lynx-70B-Instruct-GGUF — это квантизированная GGUF-версия инструкционной модели Llama-3-Patronus-Lynx-70B-Instruct, разработанной Patronus AI и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста, оценки ответов и задач, связанных с обнаружением галлюцинаций в ответах языковых моделей. Заявленный основной язык — английский. Модель содержит около 70 миллиардов параметров и распространяется в форматах GGUF, совместимых с llama.cpp. Доступны варианты от F32 и Q8_0 до низкобитных Q1–Q6 и IQ-квантизаций, что позволяет выбирать между качеством, размером файлов и требованиями к оперативной памяти. Для высококачественного использования рекомендуются варианты Q6_K, Q5_K_L, Q5_K_M, Q4_K_L и Q4_K_M; низкобитные варианты экономичнее, но дают более низкое качество. В README не указаны размер контекстного окна, дополнительные модальности и точная архитектура базовой модели. Сильными сторонами являются большой размер модели, инструкционная настройка, ориентация на оценивание и выявление галлюцинаций, а также широкий выбор квантизаций для локального запуска. Ограничения включают высокие требования к ресурсам даже у компактных вариантов, возможное ухудшение качества при агрессивной квантизации и заявленную ориентацию на английский язык. В метаданных указана лицензия cc, однако её точные условия в README не раскрыты.

Карточка модели project-free-llama/Llama-Prompt-Guard-2-22M на Hugging Face совпадает с карточкой meta-llama/Llama-Prompt-Guard-2-86M, поэтому описание составлено по ней. Llama Prompt Guard 2 86M — классификатор Meta для обнаружения атак на LLM: prompt injection и jailbreak. Модель помечает запрос как вредоносный, если он явно пытается переопределить предыдущие инструкции; результат не оценивает, насколько атака опасна или успешна. Классификатор основан на mDeBERTa-base, содержит 86 млн параметров и предназначен для интеграции в приложения на базе Transformers. Модель принимает текст и выдаёт метку «benign» или «malicious». Контекст ограничен 512 токенами; длинные входы рекомендуется разбивать на сегменты и проверять параллельно. Модель обучена выявлять атаки на английском и других языках, а оценивалась на английском, французском, немецком, хинди, итальянском, португальском, испанском и тайском. Токенизация адаптирована для устойчивости к манипуляциям пробелами и фрагментацией токенов. Prompt Guard 2 улучшает точность обнаружения по сравнению с предыдущей версией, однако может пропускать адаптивные атаки, а качество зависит от распределения запросов в конкретном приложении. Для прикладных сценариев Meta рекомендует дообучение на соответствующих данных. В метаданных лицензия указана как other; README описывает модель как инструмент с открытым исходным кодом, но не уточняет конкретные условия лицензии.

Модель proventra/mdeberta-v3-base-prompt-injection разработана Proventra и представляет собой дообученную для классификации текста модель microsoft/mdeberta-v3-base на архитектуре DeBERTa V3. Она предназначена для обнаружения промпт-инъекций и попыток обхода инструкций, в том числе атак, встроенных в обычный текст веб-сайтов и статей. Модель содержит около 306 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки классификации. В обучении использовались наборы jailbreak-classification и prompt-injections, а также собственные примеры известных атак и инъекций в легитимном содержимом. Модель распространяется по лицензии MIT. Ограничение длины контекста составляет 512 токенов; качество зависит от того, насколько входные атаки похожи на обучающие примеры.

SC117/Nex-N2-mini-template-fix-APEX-GGUF — неофициальная сборка Nex-N2-mini от SC117 в формате GGUF с квантованием APEX и изменённым шаблоном чата. Она предназначена для запуска в стандартной версии llama.cpp, когда нужен режим рассуждений без передачи шаблона отдельным файлом; модель также поддерживает работу с изображениями через mmproj. Исходная Nex-N2-mini — агентная MoE-модель Nex-AGI на базе Qwen3.5, рассчитанная на программирование, вызов инструментов и выполнение продолжительных задач с обратной связью от среды. APEX применяет смешанную точность с учётом типов тензоров и их чувствительности, а в репозитории представлены варианты GGUF BF16 и F16. Разработчик исходной модели рекомендует использовать оригинальный шаблон чата с пропатченной версией llama.cpp: модификация шаблона может снизить качество ответов. Сборка помечена как временная и неофициальная; лицензия — Apache-2.0.

Qwen3.8-27B-OBLITERATED — производная текстовая генеративная модель, опубликованная пользователем bniler2 на базе Qwen/Qwen3.8-27B. Она относится к семейству Qwen3 и предназначена для генерации текста, программного кода и ответов на запросы, включая запросы, на которые исходная модель могла отвечать отказом или отвлечёнными предупреждениями. Модель ориентирована на исследовательские, red-team- и агентные сценарии, а также на локальный запуск в форматах GGUF, SafeTensors и MLX. Заявлены размер 27 млрд параметров и совместимость с режимом рассуждений Qwen3. В README рекомендуются температура 0, repetition_penalty 1.15 и не менее 2048 новых токенов; для агентных сценариев предлагаются более короткие ответы и периодическое суммирование контекста. Размер контекстного окна и перечень поддерживаемых языков не указаны. Для V3 заявлены показатель MMLU 82,3% в тесте lm-eval 0-shot, близкая к исходной модели производительность и полноценные ответы на тестовые задачи генерации кода, однако эти результаты приведены автором модели и не подтверждены независимой проверкой. Главная особенность модели — удаление или ослабление отказов и защитных ответов методом abliteration с последующей итеративной доработкой и смешиванием вариантов. Это может повысить полезность в задачах анализа безопасности и генерации кода, но одновременно снижает встроенные механизмы безопасного поведения и может привести к выдаче рискованного или вредоносного содержания. По сравнению с исходной моделью заявлено снижение MMLU на 2,1 процентного пункта. Модель распространяется по лицензии Apache-2.0.

Donfagez/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF — это набор GGUF-квантизаций многоэтапной дообученной и объединённой модели, созданной на базе DavidAU/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU. В README указано, что разработка выполнялась с использованием Unsloth, методов COLD FUSION и Fable Fusion 711, а также датасетов DavidAU/Polar-STRICT-Datasets и DavidAU/F451-STRICT-Datasets. Модель распространяется под лицензией Apache-2.0. Модель предназначена для широкого спектра задач: решения задач и рассуждений, программирования, творческого письма, создания художественных текстов и ролевых сценариев. Заявлены режимы thinking и reasoning, а также поддержка нескольких режимов работы с уменьшенным объёмом рассуждений и ускоренной генерацией, включая MTP-варианты. Репозиторий содержит обычные GGUF-квантизации и MTP GGUF-квантизации, в том числе варианты с разрядностью 4 и 8 бит. Заявленные языки — английский и китайский; при этом в метаданных указан pipeline_tag image-text-to-text, но подробности о поддержке изображений в README не приведены. Ключевая характеристика модели — размер базовой модели 27B и ориентация на высокую детализацию, программирование и снижение избыточного рассуждения. Автор заявляет превосходство над базовой Qwen3.8 27B и рядом других моделей на семи внутренних бенчмарках, а также высокие результаты ARC-C и ARC-E, однако эти утверждения не подтверждены независимыми данными в представленном README. Ограничения включают отсутствие сведений о размере контекстного окна, точной архитектуре, системных требованиях, фактической мультимодальности и результатах внешнего тестирования; характеристики зависят от выбранной квантизации.

Dipto084/Qwen3-8B-TRACE — модель семейства Qwen3 от Dipto084 для защиты диалогов от многоходовых jailbreak-атак. Это плотная авторегрессионная языковая модель на 7,6 млрд параметров с контекстом 40 960 токенов, рассчитанная на генерацию текста и чат. По описанию, перед ответом она формирует структурированную оценку безопасности всей истории беседы, учитывая сигналы атаки, интерпретации запроса, оценку jailbreak и рекомендуемое действие. Модель предназначена для фильтрации и маршрутизации диалогов, проверки ответов и оценки устойчивости к многоходовым атакам. README приводит результаты тестирования, где средний показатель успешности атак снизился с 77,0% у базовой Qwen3-8B до 13,8% на семи сценариях атак; также описано снижение успешности AutoDAN-Turbo в одноходовых испытаниях. Для корректного структурированного вывода требуется системный промпт TRACE из файла system_prompt.txt. В README указана базовая модель Qwen/Qwen3-8B и обучение в два этапа: SFT с последующим GRPO с групповым разделением преимуществ; итоговые веса описаны как объединённые bf16. Лицензия — Apache-2.0. Модель генерирует текст на английском языке согласно языковым тегам карточки; результаты безопасности относятся к описанным наборам атак и не гарантируют устойчивость к другим атакам или корректность оценок в произвольных сценариях.

Qybera — диалоговая языковая модель Stackpulse Cloud, обученная в Кении на базе Qwen/Qwen2.5-0.5B-Instruct. Это компактный decoder-only Transformer с архитектурой Qwen2 и 494 млн параметров; модель принимает текст и генерирует ответы в формате беседы. Она рассчитана на помощь с программированием, обучением, планированием и решением повседневных задач, общаясь в доброжелательном, поддерживающем тоне с лёгкими кенийскими разговорными выражениями. Основной язык — английский; карточка также указывает контекст длиной до 32 768 токенов. Модель подходит для учебного помощника по программированию, интеграции в инструменты разработчика и дружелюбных ботов для сообществ Восточной Африки. Лицензия — Apache 2.0. Как компактная модель примерно на 500 млн параметров, она может ошибаться в фактах и коде и уступать более крупным моделям в сложных многошаговых рассуждениях; результаты следует проверять. Кенийский сленг используется умеренно, а модель не предназначена для профессиональных медицинских, юридических или финансовых советов.

buelfhood/SOCO-Java-codebert-mnrl-triplets-ep1-bs16-lr2e-05-split0.0 — Sentence Transformer, дообученный автором на базе microsoft/codebert-base на триплетах кода Java из набора SOCO_TRAIN_java. Модель кодирует фрагменты кода и текст в плотные векторы размерности 768; архитектура состоит из RoBERTa и усредняющего pooling по токенам. Для сравнения векторов предусмотрена косинусная близость. Модель предназначена для поиска семантически похожего Java-кода, оценки сходства фрагментов и поиска дубликатов или парафразов кода. Полученные эмбеддинги также можно использовать для кластеризации и классификации кода. Максимальная длина последовательности — 514 токенов по метаданным модели. В репозитории указана лицензия не была предоставлена, поэтому условия использования следует сверить с карточкой Hugging Face и лицензией базовой модели. Модель обучалась на триплетах Java-кода; её качество для других языков программирования и обычного текста не описано.