II.5Безопасность программного кода и цепочки поставок

Qwen-Qwen2.5-Coder-14B-Instruct-GGUF — набор GGUF-квантизированных вариантов модели Qwen2.5-Coder-14B-Instruct, подготовленный Featherless AI Quants. Модель предназначена для генерации текста и прежде всего для задач программирования: написания, дополнения и объяснения кода, а также работы с инструкциями в формате instruct. В README не указаны точные сведения о поддерживаемых языках, длине контекста, архитектуре исходной модели и используемых модальностях, поэтому их характеристики нельзя определить достоверно. Доступны варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0 размером примерно от 5,5 до 15 ГБ. Разные уровни квантизации позволяют выбирать между меньшими требованиями к ресурсам и потенциальным сохранением качества исходной модели, однако README не содержит результатов сравнительных оценок. Файлы предназначены для запуска в совместимой с форматом GGUF инфраструктуре. Разработчик исходной модели — Qwen, а квантизацию выполнила команда Featherless AI Quants. Ограничения включают зависимость характеристик от выбранного варианта квантизации и отсутствие в README данных о производительности, системных требованиях, качестве на конкретных тестах и ограничениях применения. Лицензия в README не указана.

Yi-Coder-9B-Chat-GGUF — это квантизированная версия чат-модели Yi-Coder-9B-Chat, разработанной 01.AI и преобразованной в формат GGUF пользователем bartowski с использованием llama.cpp. Модель предназначена прежде всего для генерации и обсуждения программного кода в диалоговом режиме; запуск поддерживается через llama.cpp и приложения, совместимые с GGUF, включая LM Studio. Модель содержит около 9 миллиардов параметров и доступна в вариантах от F16 до низкобитных квантований Q2–Q8 и IQ. Квантизация с imatrix позволяет выбирать баланс между качеством, размером файла и требованиями к памяти: рекомендуются, в частности, варианты Q4–Q6, а версии Q3 и ниже рассчитаны на системы с ограниченным объёмом RAM, но обеспечивают более низкое качество. Для работы используется специальный шаблон чата с ролями system, user и assistant; в README также указано исправление токенизатора. В карточке не приведены точные сведения о поддерживаемых языках, длине контекста, архитектуре трансформера, мультимодальности и сравнительных результатах. Модель является текстовой и ориентирована на сценарии программирования, однако конкретные возможности зависят от выбранного варианта квантования. Лицензия — Apache-2.0.

AlchemistCoder-CL-7B — языковая модель для генерации кода из серии AlchemistCoder, разработанной авторами исследования о настройке кодовых моделей на данных из нескольких источников. Модель основана на архитектуре Llama и содержит 6,6 млрд параметров; максимальная длина контекста — 16 384 токена. Доступны веса в формате PyTorch, лицензия — Apache-2.0. Модель дообучена на 200 млн токенов разнотипных данных с помощью AlchemistPrompts, предназначенных для согласования стилей и качества источников. Помимо генерации кода, обучение включало задачи понимания кода: развитие инструкций, фильтрацию данных и ревью кода. Авторы также сообщают об улучшениях в общих задачах рассуждения и знаний, но основное назначение модели — работа с кодом.

Devstral Small 1.1 — языковая модель для агентных задач в разработке программного обеспечения, созданная в сотрудничестве Mistral AI и All Hands AI. Модель предназначена для работы с программными кодовыми базами: она умеет исследовать проекты с помощью инструментов, редактировать несколько файлов и служить основой программных агентов. Рекомендуемый сценарий использования — интеграция с OpenHands; также доступны API и локальное развертывание. Модель дообучена на базе Mistral-Small-3.1 и содержит 24 млрд параметров. Она работает только с текстом: визуальный энкодер был удалён до этапа дообучения. Поддерживается контекст до 128 тысяч токенов, используется токенизатор Tekken со словарём размером 131 тысяча токенов, а также формат function calling Mistral. В метаданных README указана поддержка языков от английского и французского до русского, китайского, японского, арабского и других языков. Сильные стороны модели — специализация на агентном программировании, улучшение относительно Devstral Small 1.0 и возможность запуска на одной RTX 4090 или Mac с 32 ГБ оперативной памяти. В SWE-Bench Verified она получила 53,6% при использовании OpenHands Scaffold. Ограничения включают текстовую, а не мультимодальную обработку и необходимость учитывать ресурсы для локального запуска. Модель распространяется по лицензии Apache 2.0, допускающей коммерческое и некоммерческое использование и модификацию.

OpenCodeReasoning-Nemotron-32B-GGUF — это GGUF-квантизированная версия текстовой генеративной модели OpenCodeReasoning-Nemotron-32B, разработанной NVIDIA и подготовленной квантизатором bartowski. Модель ориентирована на задачи генерации и анализа кода, а также на другие сценарии текстовой генерации на английском языке. В README указана принадлежность к семейству моделей NVIDIA OpenCodeReasoning и датасету nvidia/OpenCodeReasoning. Модель содержит 32 миллиарда параметров и распространяется в форматах GGUF, совместимых с llama.cpp и проектами на его основе, включая LM Studio. Доступны варианты от BF16 и Q8_0 до более компактных Q3 и IQ-квантизаций. Версии Q6_K_L, Q6_K, Q5 и Q4 отмечены как обеспечивающие высокое или хорошее качество при меньшем размере, тогда как варианты Q3 экономят оперативную память ценой снижения качества. Размер файлов зависит от варианта и составляет примерно от 15,94 до 65,54 ГБ. К сильным сторонам относятся специализированная направленность на код, широкий выбор степеней квантизации и возможность локального запуска через llama.cpp или LM Studio. Ограничения включают значительные требования к памяти даже для компактных вариантов, снижение качества при сильной квантизации и отсутствие в представленном README сведений о размере контекста, архитектурных деталях, поддержке мультимодальности и производительности. Модель распространяется по лицензии Apache-2.0.

Ornith-1.5-35B-A3B — языковая модель семейства Ornith-1.5, разработанная командой Ornith. Это среднеразмерная sparse Mixture-of-Experts модель с 35 млрд параметров, из которых при обработке каждого токена активируется около 3 млрд. Представленная версия предназначена для запуска через библиотеку MLX в 4-битном формате квантования и поддерживает генерацию текста. Модель ориентирована прежде всего на программирование, работу с терминалом и агентские сценарии, включая автономное решение задач разработки и взаимодействие с инструментами. Согласно карточке модели, она обучалась с использованием цикла самоулучшения: модель совместно оптимизировала генерацию задач, построение scaffolding и последовательности решений с помощью reinforcement learning. Заявлены высокие результаты на Terminal-Bench 2.1 и SWE-bench Verified; однако приведённые показатели зависят от конкретного окружения и конфигурации агентского harness. К сильным сторонам относятся высокая эффективность инференса за счёт активации небольшой части параметров, специализация на кодировании и агентской работе, а также 4-битное представление для запуска в экосистеме MLX. В доступных данных не указаны максимальная длина контекста, полный список поддерживаемых языков, мультимодальные возможности, требования к оборудованию и лицензия, поэтому эти характеристики и условия использования требуют дополнительной проверки.

Карточка модели OzodovSanjar/Qwe-2.5-3b-coder на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-3B, поэтому описание составлено по ней. Qwen2.5-Coder-3B — базовая кодовая языковая модель, разработанная командой Qwen. Это предварительно обученная причинная трансформерная модель семейства Qwen2 с 3,09 млрд параметров, предназначенная для генерации и анализа кода, рассуждений о коде и исправления ошибок. Она также сохраняет общие языковые и математические способности базовой Qwen2.5. Модель обучалась на корпусе из исходного кода, текстово-кодовых данных и синтетических данных. Архитектура использует RoPE, SwiGLU, RMSNorm, смещение в проекциях QKV и связанные эмбеддинги слов; в ней 36 слоёв, 16 голов Q и 2 головы KV. Контекст составляет 32 768 токенов. Модель предназначена для задач продолжения кода и заполнения пропусков в коде; авторы не рекомендуют использовать базовую версию для диалогов без дополнительного постобучения. Для работы с Transformers требуется версия 4.37.0 или новее. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

Qwen2.5-Coder-14B-Instruct-Q5_K_M-GGUF — это квантованная версия модели Qwen2.5-Coder-14B-Instruct, преобразованная в формат GGUF пользователем apto-as с помощью llama.cpp и сервиса GGUF-my-repo от ggml.ai. Модель предназначена для генерации текста и работы с программным кодом в диалоговом формате, включая использование через llama.cpp в CLI или серверном режиме. Модель имеет размер 14 млрд параметров, относится к текстовым моделям и ориентирована прежде всего на задачи программирования. В README указана поддержка английского языка; сведения о других языках, архитектуре, максимальном размере контекста и результатах тестирования не приведены. Квантование Q5_K_M снижает требования к памяти по сравнению с полноразмерной версией, что облегчает локальный запуск, однако может сопровождаться некоторой потерей точности. В качестве ограничений также следует учитывать отсутствие подробных данных о производительности и качестве модели в данном README. Модель распространяется по лицензии Apache-2.0. Для получения подробных характеристик, включая возможности исходной модели, рекомендуется обращаться к карточке базовой Qwen2.5-Coder-14B-Instruct.

Карточка модели unwrenchable/Qwen2.5-Coder-1.5B на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-1.5B, поэтому описание составлено по ней. Qwen2.5-Coder-1.5B — базовая авторегрессионная языковая модель для программирования, разработанная командой Qwen. Она предназначена для генерации и анализа кода, исправления ошибок и задач заполнения пропусков в коде; модель может служить основой для кодовых агентов после дополнительной настройки. Это предобученная модель, а не готовый разговорный ассистент. Модель использует архитектуру Qwen2 с 1,5 млрд параметров, 28 слоями, RoPE, SwiGLU, RMSNorm и групповым запросным вниманием; контекст — до 32 768 токенов. Она обучалась на коде, текстово-кодовых связях и синтетических данных, сохраняя общие языковые и математические способности базовой серии Qwen2.5. В репозитории представлены веса Safetensors для Transformers. Лицензия Apache 2.0 допускает использование и модификацию на её условиях. Модель сравнительно компактна, однако качество может уступать более крупным моделям; для диалога и практического использования рекомендуется постобучение или адаптация под целевой сценарий.

Qwen2.5-Coder-1.5B-Instruct-GGUF — это квантованная в формате GGUF версия модели Qwen2.5-Coder-1.5B-Instruct, разработанной командой Qwen. Квантование выполнено bartowski на основе llama.cpp. Модель предназначена для генерации текста и ориентирована прежде всего на программирование. Модель подходит для решения задач разработки программного обеспечения, генерации и исправления кода, рассуждений о коде, а также создания coding agents. Указан английский язык. Размер базовой модели составляет 1,5 млрд параметров, поддерживается контекст до 128 тысяч токенов с конфигурацией YaRN RoPE. В обучении заявлено использование 5,5 трлн токенов для улучшения генерации, рассуждений и исправления ошибок. К сильным сторонам относятся специализация на программировании, поддержка длинного контекста и возможность запуска через экосистему llama.cpp и совместимые приложения, включая LM Studio. README не содержит результатов бенчмарков, требований к оборудованию или подробностей о вариантах квантования, поэтому производительность и качество для конкретных задач требуют самостоятельной проверки. Модель распространяется по лицензии Apache 2.0.

Это 8-битная версия Qwen2.5-Coder-7B-Instruct, подготовленная mlx-community и конвертированная в формат MLX для запуска на устройствах Apple Silicon. Модель построена на архитектуре Qwen2, содержит 7,1 млрд параметров и имеет контекст длиной до 32 768 токенов. Модель предназначена для диалоговой генерации кода: она помогает писать, объяснять, анализировать и исправлять программы по текстовым запросам. Поддерживает английский язык и интерфейс вызова инструментов. Репозиторий лицензирован по Apache-2.0; README указывает на конвертацию с помощью mlx-lm версии 0.18.1.

Qwen3-Coder-30B-A3B-Instruct-AWQ — квантизированная версия модели Qwen3-Coder-30B-A3B-Instruct, разработанная сообществом dark-side-of-the-code. Модель предназначена прежде всего для генерации и редактирования программного кода, агентных сценариев с вызовом инструментов и других задач text generation. Указана поддержка английского языка и библиотеки Transformers. Это Mixture-of-Experts-модель с 128 экспертами, из которых для каждого токена активируются 8. Она использует внимание GQA и имеет 30B параметров при обозначении активной части как A3B. Данная версия сжата методом AWQ в формате W4A16 с 4-битными весами, размером группы 128 и занимает около 15,5 ГБ, что позволяет запускать её на одной видеокарте с 24 ГБ памяти. Базовая модель поддерживает контекст до 262K токенов, однако для 24 ГБ GPU практическим ограничением указано 64K токенов. Сильные стороны модели — эффективный запуск на потребительских GPU, корректная генерация кода, работа с tool calls через parser qwen3_coder в vLLM и пригодность для локальных агентных циклов чтения, редактирования и тестирования. Ограничения связаны с потерями и компромиссами квантизации, практическим ограничением контекста при запуске на 24 ГБ GPU и заявленной языковой поддержкой только английского. Модель распространяется по лицензии Apache-2.0.

dpankros опубликовал версию Qwen3-Coder-30B-A3B-Instruct, обработанную методом abliteration с помощью Heretic v1.1.0. Это причинная языковая модель семейства Qwen3 MoE для генерации текста и кода в диалоговом режиме; в README указаны 30,5 млрд параметров всего и 3,3 млрд активируемых, 48 слоёв и 262 144 токена контекста. Метаданные каталога указывают 2,6 млрд параметров, поэтому размер стоит считать неоднозначным. Модель предназначена для написания и анализа кода, работы с репозиториями большого размера и сценариев агентного программирования; заявлена поддержка вызова функций. Abliteration снижает частоту отказов: в карточке указано 9 отказов из 100 против 100 из 100 у исходной модели, при этом результат зависит от запросов и не гарантирует качество или поведение в каждом случае. Карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0.

Qwen3-Coder-Next-Base — базовая языковая модель компании Qwen, предназначенная для разработки кодовых агентов и локальной работы с кодом. Это предварительно обученная авторегрессионная модель семейства Qwen3-Next с гибридной архитектурой: чередует Gated DeltaNet, Gated Attention и разреженные Mixture of Experts. В README указано 80 млрд параметров всего и 3 млрд активируемых; метаданные Hugging Face указывают 2,3 млрд параметров, поэтому размерные сведения источников расходятся. Модель рассчитана на генерацию кода и использование как основы для последующего обучения и создания агентных систем. Заявлены возможности вызова инструментов, адаптации шаблонов и каркасов проектов, а также поиска и восстановления после ошибок. Нативная длина контекста — 262 144 токена; README заявляет поддержку более 370 языков, в том числе языков программирования. Модель работает только в режиме без рассуждений (non-thinking) и не генерирует блоки разметки рассуждений. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия Apache-2.0.

Replete-Coder-Qwen2-1.5B-GGUF — квантованная GGUF-версия модели Replete-Coder-Qwen-1.5b, разработанной Replete-AI на базе Qwen/Qwen2-1.5B. Квантование выполнил bartowski с использованием llama.cpp и метода imatrix; доступны варианты с различными уровнями квантования, включая Q8_0, Q6_K и Q5_K_M. Модель предназначена для генерации текста и решения задач программирования: написания и объяснения кода, следования инструкциям, работы с математическими задачами, вызова функций и ответов в формате диалога. Обучение проводилось на наборах данных с примерами кода, инструкций, математических задач, диалогов, function calling и анализа уязвимостей. Поддерживается специальный шаблон prompt в формате ChatML. Точная длина контекста и перечень языков программирования в README не указаны. Ключевое преимущество модели — небольшой размер около 1,5 млрд параметров и возможность локального запуска через llama.cpp в разных вариантах квантования. Более высокие разрядности ориентированы на максимальное сохранение качества, а Q6_K и Q5_K_M отмечены как рекомендуемые. Ограничениями являются небольшой размер по сравнению с крупными кодовыми моделями, отсутствие опубликованных численных результатов тестирования и неполные сведения о поддерживаемых языках и контексте. Модель распространяется по лицензии Apache-2.0.

Seed-Coder-8B-Instruct — инструкционно настроенная языковая модель для кода, разработанная ByteDance Seed. Она предназначена для генерации и редактирования кода, рассуждений по программным задачам и помощи в разработке ПО по запросам пользователя. Модель построена на архитектуре Llama с причинным языковым моделированием и содержит 7,6 млрд параметров. Модель дообучена на основе Seed-Coder-8B-Base; при обучении использовались публичные и синтетические данные. Контекст составляет 32 768 токенов. Разработчик сообщает о результатах на наборах тестов для генерации кода, рассуждений и инженерии ПО; язык модели в материалах не перечислен. Модель распространяется по лицензии MIT.

UltiMerge — текстовая причинно-следственная MoE-модель, созданная OliviaRossi геометрическим слиянием четырёх чекпойнтов на архитектуре Qwen 3.6. Среди исходных моделей указаны Qwen-AgentWorld-35B-A3B, KAT-Coder-V2.5-Dev, Qwopus3.6-35B-A3B-Coder и Ornith-1.5-35B-A3B. Модель предназначена для агентного программирования, инженерии программных репозиториев, рассуждений, планирования и работы с инструментами. Архитектура сочетает MoE с 256 маршрутизируемыми экспертами, из которых активны восемь, и одним общим экспертом; в README также описаны 30 слоёв Gated DeltaNet и 10 слоёв GQA. Всего модель содержит около 34,8 млрд параметров, из них примерно 3,1 млрд активны на токен. Карточка указывает контекст до 262 144 токенов. Мультимодальные веса зрения и головы предсказания нескольких токенов удалены; модель работает с текстом, включая код, и заявлена поддержка английского и китайского языков. Слияние объединяет способности к использованию инструментов, работе с кодом и репозиториями, рассуждениям и самокоррекции. Для запуска README описывает варианты Transformers, vLLM, SGLang и llama.cpp; метаданные указывают формат safetensors. Модель распространяется по лицензии Apache-2.0. Указанные в README характеристики и качество объединения основаны на описании автора; независимые результаты оценки не приведены.

CodeLlama-34B-Instruct-fp16 — преобразованная в формат Transformers/Hugging Face копия модели Code Llama 34B Instruct от Meta AI, подготовленная TheBloke. Это авторегрессионная плотная Transformer-модель с 33,5 млрд параметров для следования инструкциям, генерации и понимания кода, в том числе для создания помощников по программированию. Модель принимает и выдаёт текст; карточка указывает английский язык и поддержку контекста 16 384 токена. В репозитории представлены веса safetensors в формате FP16. Для корректной загрузки этих весов README требует параметр trust_remote_code=True из-за изменения RoPE Theta. Модель рассчитана на коммерческое и исследовательское применение по условиям лицензии Llama 2; перед внедрением следует проверить точные условия лицензии. Она может выдавать неточный или нежелательный текст, а заявленное тестирование проводилось на английском языке.

NousResearch/CodeLlama-7b-hf — версия базовой модели Code Llama, разработанной Meta и опубликованной NousResearch в формате Hugging Face. Это авторегрессионная языковая модель на основе оптимизированной архитектуры Transformer с 6,6 млрд параметров, предназначенная для генерации и понимания программного кода. Модель принимает текст и генерирует текст, поддерживает контекст до 16 384 токенов и используется через Transformers и PyTorch. Модель предназначена для синтеза, дополнения, объяснения и анализа кода, а также может адаптироваться к различным задачам программирования. Она ориентирована на английский язык и релевантные языки программирования; версия является базовой, а не специализированной instruct-моделью. Доступна по лицензии Llama 2 с условиями Meta и ограничениями Acceptable Use Policy. Модель статична и обучена на офлайн-данных. Она может генерировать неточный, небезопасный или нежелательный код, поэтому результаты требуют проверки, тестирования и настройки под конкретное приложение. Использование в языках, отличных от английского, ограничено условиями модели.

Tachibana-Agent — дообученная на наборе Tachibana 4 модель sequelbox на базе Google Gemma 4 12B Instruct. Это агентная модель для программирования: она предназначена для решения практических задач разработки и инженерного анализа, включая исправление ошибок, автоматизацию и работу с кодом в разных языках программирования. В метаданных указаны плотная архитектура Gemma4Unified, формат safetensors и библиотека Transformers; карточка рекомендует использовать формат запросов Gemma 4 Instruct. Модель ориентирована на разработку серверных и клиентских приложений, системное и распределённое программирование, базы данных, оптимизацию производительности, безопасность, компиляторы и создание инструментов. README называет её экспериментальной reasoning-моделью. Лицензия — Apache-2.0. Подробности о контекстном окне и поддержке мультимодального ввода в карточке не описаны.

QuantFactory/granite-8b-code-instruct-4k-GGUF — квантованная версия Granite-8B-Code-Instruct-4K, разработанная IBM Research и преобразованная в формат GGUF с использованием llama.cpp. Модель содержит около 8 млрд параметров и дообучена на базе Granite-8B-Code-Base-4K на наборах данных с разрешительными лицензиями для улучшения следования инструкциям, логического рассуждения и решения задач, связанных с программированием. Модель предназначена для генерации, объяснения и исправления кода, а также для создания программных ассистентов. В карточке приведены результаты HumanEvalPack для Python, JavaScript, Java, Go, C++, и Rust; показатели pass@1 различаются в зависимости от языка и типа задачи. Контекстное окно составляет 4K токенов. Модель относится к текстовым генеративным моделям и не предназначена для обработки изображений или других мультимодальных данных. Ключевые преимущества — специализация на задачах программирования, поддержка нескольких языков программирования, улучшенное следование инструкциям и возможность локального запуска благодаря квантованию. Ограничения включают ограниченный контекст в 4K токенов, зависимость качества от языка и задачи, а также необходимость проверять сгенерированный код перед использованием; заявленные результаты бенчмарков не отмечены как верифицированные. Модель распространяется по лицензии Apache 2.0.

Карточка модели rbinrs/Laguna-XS-2.1 на Hugging Face совпадает с карточкой poolside/Laguna-XS-2.1, поэтому описание составлено по ней. Laguna XS 2.1 — текстовая модель семейства Laguna от Poolside, предназначенная прежде всего для агентного программирования и длительных задач разработки ПО. Это архитектура Mixture-of-Experts с 33 млрд параметров в общей сложности и примерно 3 млрд активируемых на токен; в репозитории Hugging Face указано 2,6 млрд параметров. Модель состоит из 40 слоёв, использует смесь скользящего и глобального внимания, поддерживает контекст до 262 144 токенов и интерфейс вызова инструментов. Модель подходит для работы с кодом, выполнения терминальных задач и взаимодействия с инструментами в агентных сценариях. README сообщает об улучшении результатов относительно Laguna XS.2 на SWE-bench Multilingual и терминальных задачах, однако бенчмарки не гарантируют аналогичного качества на конкретных проектах. Модель принимает и выдаёт текст; карточка не указывает поддерживаемые естественные языки. Веса доступны под лицензией OpenMDW-1.1, которую разработчик описывает как разрешающую коммерческое и некоммерческое использование и модификацию. Для применения следует учитывать условия лицензии и политики допустимого использования Poolside. Для локального запуска заявлена поддержка Transformers, vLLM, SGLang, Llama.cpp, Ollama и других перечисленных в карточке средств.

Nexus-9B-CodeCore-Merge — экспериментальная объединённая модель на 9 млрд параметров от prithivMLmods, предназначенная для программирования и многошаговых рассуждений. Она создана на основе Qwen3.5-9B с добавлением возможностей NeoHorse-1-9B, OmniCoder-9B и Ornith-1.5-9B; архитектура относится к семейству Qwen3.5, веса представлены в формате Safetensors. Модель рассчитана на генерацию и понимание кода, изменение и отладку программ, следование инструкциям и агентные рабочие процессы с использованием инструментов. Карточка характеризует её как экспериментальную и предупреждает о возможных артефактах. Лицензия — Apache-2.0.

Ornith-1.5-35B-A3B — среднеразмерная модель семейства Ornith-1.5, разработанная командой Ornith. Она создана с использованием цикла самоулучшения, в котором совместно оптимизируются генерация задач, построение scaffolding и последовательности решений посредством reinforcement learning. Модель расширяет подход Ornith-1.0, основанный на Qwen3.5 и Gemma4 с дополнительным continued pretraining, mid-training и post-training. Модель предназначена прежде всего для программирования и агентных сценариев: работы с терминалом, решения задач разработки и автономного выполнения многошаговых задач. Это mixture-of-experts-модель с общим размером около 35 млрд параметров, из которых на каждый токен активируется примерно 3 млрд. В README заявлены высокие результаты на Terminal-Bench 2.1 и SWE-bench Verified, включая оценки 67,8–68,5 на Terminal-Bench 2.1 и 79 на SWE-bench Verified. Сильной стороной модели является высокая эффективность вычислений при небольшом числе активируемых параметров, а также специализация на coding и agentic coding. При этом README не содержит сведений о поддерживаемых языках, размере контекста, мультимодальности, точных аппаратных требованиях и лицензии, поэтому эти характеристики нельзя определить по предоставленным данным.

Ornith-1.5-397B — флагманская модель семейства Ornith-1.5 от ornith-ai, созданная как модель с открытыми весами для агентных задач и самоулучшения. Это смесь экспертов (MoE) на 397 млрд параметров, реализованная в архитектуре Qwen3.5 MoE; репозиторий содержит веса SafeTensors, а лицензия — MIT. Модель предназначена прежде всего для агентного программирования: выполнения задач в терминале, исправления ошибок и работы с репозиториями кода. Она поддерживает диалог и вызов инструментов через совместимый с OpenAI интерфейс. Заявленное окно контекста — до 262 144 токенов; README сообщает о высоких результатах на Terminal-Bench 2.1 и DeepSWE. Для запуска требуется многокарточная система: в формате bf16 веса занимают около 800 ГБ; в README приведён пример с восемью GPU H200. Для уменьшения требований авторы предлагают использовать отдельные квантизованные сборки FP8 или INT4. Модель также можно запускать с расширением контекста YaRN, но оно может немного снижать качество на обычной длине запросов.

sci4ai/Qwen2.5-Coder-14B-Abliterated — доработанная sci4ai версия Qwen/Qwen2.5-Coder-14B-Instruct, созданная удалением поведения отказа с помощью направленной на активации модификации весов. Это плотная авторегрессионная модель семейства Qwen2 с 14 млрд параметров, доступная в формате Safetensors; она принимает текст и поддерживает диалоговую генерацию кода на английском языке. Контекст — до 32 768 токенов. Модель предназначена для написания, анализа и исправления кода в диалогах. Изменение затрагивает 47 из 48 слоёв и ослабляет отказы, в том числе на запросы о разработке эксплойтов, вредоносного ПО и сетевых атаках; это не отдельная специализация, гарантирующая качество или безопасность таких ответов. Лицензия — Apache-2.0.

prithivMLmods/Qwen2.5-Coder-14B-Instruct-F16-GGUF — версия модели Qwen2.5-Coder-14B-Instruct в формате GGUF F16. Она основана на Qwen/Qwen2.5-Coder-14B-Instruct и предназначена для генерации кода и диалогового взаимодействия по инструкциям. Модель содержит 14 млрд параметров; GGUF позволяет запускать её в совместимом программном обеспечении, например llama.cpp и Ollama. Модель подходит для написания, анализа и исправления кода в чат-сценариях. В карточке указаны английский язык и лицензия CreativeML Open RAIL-M. README описывает общий запуск GGUF через Ollama, но не приводит отдельные результаты оценки или специфические настройки этой модели.

Это MLX-оптимизированная версия инструкционной модели Qwen2.5-Coder-7B-Instruct, подготовленная разработчиком apolloransom для локального запуска на компьютерах Apple Silicon под macOS. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Модель предназначена для помощи в программировании: генерации и анализа кода, исправления ошибок и работы с инструментами в IDE. В README описана интеграция с Zed через локальный OpenAI-совместимый сервер oMLX, включая поддержку вызова инструментов; также доступен программный запуск через mlx-lm. Локальная работа подходит для сценариев, где важна приватность кода. Репозиторий использует формат safetensors и библиотеку MLX. Метаданные указывают английский язык; базовая модель описана как средство генерации, анализа и исправления программного кода. Лицензия — Apache-2.0. Производительность зависит от устройства Apple Silicon и настроек запуска.

stefancosma/Qwen2.5-Coder-7B-Instruct-Q4_K_M-GGUF — это квантованная версия модели Qwen2.5-Coder-7B-Instruct, преобразованная в формат GGUF с использованием llama.cpp и сервиса GGUF-my-repo. Модель основана на разработке Qwen и предназначена для генерации текста и работы с программным кодом в диалоговом формате. Модель имеет размер 7B параметров и использует квантизацию Q4_K_M, что снижает требования к памяти по сравнению с полной версией, но может сопровождаться некоторой потерей качества. Она рассчитана на текстовые задачи, включая написание, дополнение и объяснение кода, и может запускаться локально через llama.cpp в CLI или серверном режиме. В метаданных указан английский язык. В примере запуска серверу задаётся контекст 2048 токенов, однако максимальный размер контекста в карточке не указан. К сильным сторонам относятся специализированная направленность на программирование, компактный размер, формат GGUF и совместимость с llama.cpp, включая запуск на различном оборудовании. Ограничения связаны с отсутствием подробных результатов оценки и характеристик исходной модели в этой карточке, а также с возможным снижением точности из-за квантизации. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-7B-Q4_K_M-GGUF — это квантизированная версия базовой модели Qwen/Qwen2.5-Coder-7B, преобразованная в формат GGUF с использованием llama.cpp и сервиса GGUF-my-repo. Модель опубликована в репозитории AIronMind и предназначена для локального запуска через llama.cpp. Модель ориентирована на генерацию текста и работу с программным кодом: её можно использовать для написания, дополнения и объяснения кода, а также для интерактивного применения через командную строку или серверный API llama.cpp. Указанный размер базовой модели — 7B параметров. Формат квантизации — Q4_K_M, что рассчитано на более экономичное использование памяти по сравнению с полной версией модели. В метаданных указан английский язык; другие языки и мультимодальные возможности не заявлены. Для запуска поддерживаются macOS и Linux при наличии установленного llama.cpp; возможна аппаратная настройка, включая CUDA для Nvidia GPU. В примере сервера используется контекст 2048 токенов, однако максимальный размер контекста в карточке явно не указан. Модель распространяется по лицензии Apache-2.0. Ограничения и подробные характеристики унаследованной базовой модели в этой карточке не описаны; для них рекомендуется обращаться к оригинальной документации Qwen/Qwen2.5-Coder-7B.