II.5Безопасность программного кода и цепочки поставок

BTL-3 Compact — компактная локальная текстовая модель Bad Theory Labs для программирования, рассуждений и работы с инструментами. Она основана на Qwen3.6-27B и выпущена в виде файла GGUF размером 8,39 ГБ с архитектурой из 64 слоёв и сжатым представлением AVQ2/UniSVQ, дополненным точечными более точными тензорами и коррекциями поведения. Модель предназначена для локального запуска через llama.cpp, включая сценарии с агентами, репозиториями и OpenAI-совместимым сервером. Карточка сообщает о поддержке структурированного и многошагового вызова инструментов и приводит внутреннюю оценку сохранения 62 из 63 проверенных вариантов поведения; это не публичный бенчмарк. Рекомендованный режим — без включённого рассуждения: экспериментальный режим с ним может зацикливаться или не завершать ответ, а проверка для задач программирования в этом режиме не пройдена. Контекст зависит от памяти устройства, KV-кэша и ресурсов среды выполнения. Проверена работа на macOS arm64 с Metal; поддержка Linux arm64 и CUDA обозначена как предварительная. Лицензия — Apache-2.0.

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

Laguna XS.2 — разработанная Poolside языковая модель для агентного программирования и длительных задач разработки ПО. Она предназначена для работы в локальной среде и поддерживает диалоговый режим, рассуждения между вызовами инструментов и управление режимом рассуждений в запросах. Архитектура — Mixture-of-Experts: в README указаны 33 млрд параметров всего и 3 млрд активных на токен, 40 слоёв и 256 экспертов с одним общим экспертом. В 30 слоях применяется скользящее оконное внимание, в остальных — глобальное; окно внимания составляет 512 токенов. Контекст — 262 144 токена. Модель текстовая, обучалась в несколько этапов, включая предварительное обучение, постобучение и обучение с подкреплением. Карточка приводит результаты на SWE-bench и Terminal-Bench; эти оценки получены в конкретных условиях тестирования и не гарантируют аналогичной производительности в других сценариях. Модель доступна в формате safetensors и поддерживается Transformers, vLLM, SGLang и другими средствами локального запуска, в том числе Ollama. По README, для запуска на Mac рекомендуется система с 36 ГБ оперативной памяти. Лицензия Apache 2.0 разрешает коммерческое и некоммерческое использование с соблюдением лицензионных условий и политики допустимого использования Poolside.

OpenThinkerAgent-32B-SFT-3.16K — плотная языковая модель семейства Qwen3 с 29,7 млрд параметров, разработанная в рамках проекта OpenThoughts-Agent. Она дообучена полным обновлением параметров на 3 160 примерах OpenThoughts-Agent-SFT-3.16K, содержащих задачи и многошаговые траектории работы агента. Модель предназначена для диалоговой генерации текста и кода, выполнения задач разработки ПО и работы в терминале в агентном сценарии. В тестировании на Terminus-2 она показала более высокие результаты, чем исходная Qwen3-32B, на SWE-Bench-Verified-100, OpenThoughts-TBLite и Terminal-Bench 2.0. Контекстное окно составляет до 40 960 токенов. Модель принимает и генерирует текст; README описывает её применение в задачах с кодом и агентными траекториями. Веса опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0. Она обучена на сравнительно небольшом наборе из 3 160 примеров, поэтому результаты тестирования не гарантируют аналогичного качества на произвольных задачах; README приводит результаты только для указанного набора бенчмарков.

Orion-9B-Agentic-CodeCore-Merge — экспериментальная объединённая модель на 9 млрд параметров от prithivMLmods, созданная на основе Qwen3.5-9B с добавлением MiMo-V2.6-Distill-Qwen-9B, OxCoder-9B и Ornith-1.5-9B. Это плотная архитектура семейства Qwen3.5, рассчитанная на генерацию кода, пошаговое решение задач и агентные сценарии разработки ПО. Модель поддерживает диалог и интерфейс вызова инструментов; основная задача в каталоге — генерация текста. Использовать её можно для написания и понимания кода, внесения изменений, отладки и многошаговых рабочих процессов с инструментами. Модель загружается через Transformers; в репозитории представлены веса safetensors, лицензия — Apache-2.0. Карточка описывает её как экспериментальную и предупреждает о возможных артефактах. Вариант GGUF не сохраняет головы Multi-Token Prediction и работает как обычный авторегрессионный декодер с генерацией по одному токену за шаг.

unsloth/Qwen2.5-Coder-0.5B-Instruct-bnb-4bit — 4-битная версия модели Qwen2.5-Coder-0.5B-Instruct, разработанной командой Qwen и опубликованной Unsloth. Это компактная каузальная языковая модель, ориентированная прежде всего на генерацию, анализ и исправление программного кода, а также на сценарии разработки и создания code agents. В README указан английский язык; сведения о поддержке других языков отсутствуют. Модель содержит около 0,49 млрд параметров, из которых 0,36 млрд являются неэмбеддинговыми, и поддерживает контекст до 32 768 токенов. Архитектура использует RoPE, SwiGLU, RMSNorm, смещения в QKV-проекциях внимания и связанные эмбеддинги слов; применяются 24 слоя и Grouped-Query Attention с 14 головами для Q и 2 для KV. Суффикс bnb-4bit указывает на 4-битное представление, предназначенное для снижения требований к памяти при запуске. Сильными сторонами являются малый размер, длинный контекст и специализация на задачах программирования при возможности использования в ресурсно-ограниченных средах. Ограничениями выступают существенно меньшая ёмкость по сравнению с крупными моделями семейства, отсутствие приведённых в README подробных метрик для данной версии и неуказанные требования к аппаратному обеспечению. В README также присутствует предупреждение не использовать базовые языковые модели для диалогов без дополнительного постобучения, однако карточка данной модели обозначена как Instruct. Лицензия — Apache-2.0.

Qwen3.8-27B-Uncensored-Q4_0-ROCmFP4-STRIX — квантованная GGUF-версия модели Qwen3.8-27B, разработанной Qwen, с уменьшенным отказом от выполнения запросов. Данный релиз опубликован nydemeth и оптимизирован для систем AMD Strix Halo с использованием ROCmFPX. Модель предназначена для генерации текста, контролируемых исследований, red-teaming, анализа интерпретируемости и оценки защитных механизмов. Основной файл использует нестандартный формат GGUF Q4_0_ROCMFP4_STRIX и занимает около 13,75 GiB; отдельно доступен необязательный MTP-ассистент Q4_0 размером около 1,89 GiB для speculative decoding. Пакет рассчитан на текстовые задачи и не содержит vision projector, поэтому визуальные входы не поддерживаются. Точные сведения о языках, размере контекста и полном устройстве архитектуры в README не указаны. Для работы требуется совместимая сборка ROCmFPX с поддержкой hybrid architecture и MTP; совместимость с другими версиями не гарантируется. Сильной стороной является оптимизация под AMD Strix Halo и возможность ускорения генерации через speculative decoding. Существенное ограничение — нестандартный формат квантования и зависимость от конкретной программной среды. Из-за значительно сниженного отказа модель не рекомендуется для немодерируемого публичного или производственного использования. Базовая модель распространяется по Apache License 2.0; при распространении необходимо соблюдать условия upstream-лицензии и требования по атрибуции.

MLX-версия модели Qwen3-Coder-Next, разработанная сообществом mlx-community и конвертированная из Qwen/Qwen3-Coder-Next с использованием mlx-lm 0.30.5. Модель предназначена для генерации текста, в первую очередь в сценариях, связанных с программированием и работой с кодом, и рассчитана на запуск через экосистему MLX. Модель представлена в 5-битном формате квантования, что уменьшает требования к памяти по сравнению с полноразмерным представлением и может быть удобно для локального запуска на совместимом оборудовании Apple. В README не указаны точные архитектурные параметры, количество параметров, поддерживаемые языки, размер контекста или дополнительные модальности; заявлена только текстовая генерация. Для использования требуется библиотека mlx-lm и совместимое с MLX окружение. Сильными сторонами являются оптимизация под формат MLX и уменьшенный размер представления, однако 5-битное квантование может влиять на точность по сравнению с исходной моделью. Модель распространяется по лицензии Apache-2.0.

Qwen3-Coder-REAP-246B-A35B — сжатая модель Cerebras на архитектуре Sparse Mixture-of-Experts, созданная из Qwen3-Coder-480B-A35B-Instruct методом REAP (Router-weighted Expert Activation Pruning). Из 160 экспертов удалена половина; в модели осталось 246 млрд параметров, из которых 35 млрд активируются на каждом токене. Веса представлены в FP8, контекст составляет 262 144 токена, а лицензия — Apache 2.0. Модель предназначена для генерации кода, агентного программирования, работы с большими репозиториями и вызова функций. Карточка заявляет почти такое же качество, как у исходной модели, и совместимость с vLLM; калибровка включала примеры генерации кода, вызова функций и многошаговые агентные сценарии. Результаты оценки указаны только для варианта FP8, а результаты для BF16 ещё не приведены.

Rombos-Coder-V2.5-Qwen-14b-GGUF — это квантизированная версия модели Rombos-Coder-V2.5-Qwen-14b, подготовленная bartowski в формате GGUF для запуска через llama.cpp и совместимые приложения, включая LM Studio. Исходная модель размещена автором rombodawg и основана на Qwen2.5-Coder-14B. Модель предназначена прежде всего для генерации и обработки программного кода, включая написание, дополнение и преобразование кода в сценариях локального инференса. Модель относится к классу текстовых генеративных моделей, имеет около 14 млрд параметров и поддерживает английский язык. README не содержит сведений о точной архитектуре, размере контекстного окна, дополнительных языках или мультимодальных возможностях. Доступны варианты от F16 до Q3 и IQ-квантизаций с размером файлов примерно от 6,92 до 29,55 ГБ. Более высокие разрядности обеспечивают лучшее сохранение качества, а варианты Q4 и ниже требуют меньше оперативной памяти; отдельные варианты оптимизированы для ARM и имеют специальные требования к аппаратной поддержке. К сильным сторонам относятся специализация на задачах программирования, широкий выбор уровней квантизации и возможность локального запуска. Ограничения связаны с потерей качества в низкоразрядных вариантах, значительными требованиями к памяти для старших вариантов и отсутствием в README подробных данных о качестве на бенчмарках, контекстном окне и поддерживаемых языках программирования. Распространение указано по лицензии Apache-2.0.

Seed-Coder-8B-Instruct — инструкционно настроенная языковая модель для кода, размещённая Unsloth на Hugging Face и основанная на ByteDance-Seed/Seed-Coder-8B-Instruct. Это плотная причинная модель архитектуры Llama с 7,6 млрд параметров, предназначенная для генерации, объяснения и редактирования кода по запросам на естественном языке. Карточка описывает предварительное и последующее обучение на открытых и синтетических данных; контекст составляет 32 768 токенов. Модель подходит для помощи при программировании, рассуждений о коде и задач программной инженерии. В README заявлены сравнительные результаты среди открытых моделей сопоставимого размера на тестах кода. Репозиторий использует формат safetensors и библиотеку Transformers; указана лицензия MIT.

Tiel-Coder-35B-A3B-MLX-oQ6e-MTP — это квантованная версия Ornith-1.5-35B-A3B от ornith-ai, подготовленная пользователем peculiar-ragdoll для запуска через MLX. Модель ориентирована прежде всего на агентное программирование, исправление реальных проблем в кодовых базах и длительные многоходовые диалоги. Она основана на архитектуре MoE с заявленными 35B общих параметров и 3B активных параметров, использует 6-битное динамическое смешанное квантование oQ6e с imatrix, шаблон чата Sharp и обученную голову multi-token prediction (MTP) для ускоренного декодирования. Поддерживаются текст и изображения, а заявленные языки — английский и китайский. Встроенный vision-проектор поставляется в той же папке, отдельно загружать его не требуется. Сильными сторонами модели являются скорость, эффективность в задачах программирования и качество многоходового общения. В README она описывается как особенно подходящая для практической работы с кодом, тогда как для викторин, экзаменационных знаний и сложного общего рассуждения рекомендуется использовать другие модели. Приведённые результаты SWE-bench и других тестов относятся к сборке GGUF, а не непосредственно к этому MLX-файлу, поэтому их нельзя считать точными измерениями данной версии. Для запуска рекомендуется oMLX, который поддерживает MTP. Версия несовместима с ML Studio: его MLX-движок некорректно исполняет MTP и генерирует бессмысленный многоязычный текст. Для LM Studio следует использовать сборку GGUF или вариант MLX без MTP. Модель распространяется по лицензии MIT.

VeriLoop Coder-E1 GGUF — набор квантованных версий открытой специализированной модели для задач программной инженерии. Исходную модель разработали Libo Wang и Intelligent Robotics Laboratory при Tsinghua SIGS, а квантованные версии подготовил Rodrigo Ramos. Модель построена на Qwen3.6-27B и ориентирована на генерацию и анализ кода, работу с репозиториями, патчами и тестами, а также на сценарии coding agent и harness engineering. Модель использует парадигму Self-Harness: генерация организуется как итеративный инженерный цикл с проверкой гипотез, поиском ошибок, исследованием и исправлением. Для квантования применялась специализированная importance matrix (imatrix), подготовленная на данных программной инженерии, включая код на уровне репозиториев, патчи, тестовые наборы и трассы агентного программирования. Доступны варианты от BF16 до 3- и 4-битных GGUF-квантов, что позволяет выбирать между качеством, размером и требованиями к оперативной памяти. Модель предназначена для работы через llama.cpp, llama-cpp-python, Ollama, LM Studio и совместимые среды; в README приведён пример контекста 32768 токенов. Заявленные сильные стороны — оптимизация под задачи разработки ПО, сохранение качества при специализированном квантовании и возможность локального запуска в различных форматах. Ограничения включают компромисс между качеством и размером у низкобитных вариантов, а также отсутствие в README подробных результатов бенчмарков, точных требований к ресурсам и расширенной информации о поддерживаемых языках программирования. Указанные языки модели — английский и китайский. Распространение выполняется по лицензии Apache-2.0.

xGemable-12B-coder-v1.5-GGUF — специализированная агентная модель для программирования, разработанная компанией xCloudinfo на базе google/gemma-4-12B-it. Модель обучалась с применением LoRA и дистилляции проверенных выполнением траекторий Anthropic Claude: примеры кода отбирались только после успешной компиляции и прохождения тестов. Это не универсальная диалоговая модель, а инструмент для инженерных задач и локального использования. Модель предназначена для реализации функций и модулей, написания и анализа тестов, объяснения и ревью кода, а также многошаговой работы с инструментами и исправления ошибок. Основной язык программирования — Python; также заявлена поддержка C#, Java, Go, JavaScript и Rust. Поддерживаются function calling и tool use. Контекст составляет 256K токенов в исходном режиме и до 1M токенов с YaRN, что позволяет анализировать крупные репозитории и наборы документов. Доступны GGUF-квантизации от 4 до 8 бит; версия Q4_K_M занимает около 7,4 ГБ и рассчитана на запуск на компьютерах с 16 ГБ RAM. Заявленный результат HumanEval pass@1 составляет 87,8% для базовой оценки и 88,4% для Q4 GGUF по приведённым в README измерениям. Сильными сторонами являются специализация на программировании, поддержка агентных сценариев, локальное развёртывание и большой контекст. Ограничение — недостаточная практическая надёжность для полностью автоматической отладки реальных репозиториев. Для корректной работы требуется отключать режим размышлений и использовать рекомендованные параметры декодирования; фактическая длина контекста зависит от доступной памяти. Модель распространяется по лицензии Apache-2.0.

Yi-9B-Coder-IMat-GGUF — квантизированная версия модели TechxGenus/Yi-9B-Coder, подготовленная пользователем legraphista. Модель предназначена прежде всего для генерации и обработки программного кода и распространяется в формате GGUF для запуска с совместимыми инструментами, включая llama.cpp. Архитектурная основа относится к семейству Llama; размер исходной модели составляет около 9 млрд параметров, исходный формат — BF16. Репозиторий содержит варианты от BF16 и F16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-квантов. Для ряда вариантов применена IMatrix-квантизация, призванная лучше сохранять качество при уменьшении размера модели. Доступны файлы размером примерно от 3,1 до 17,66 ГБ, что позволяет выбирать между качеством и требованиями к памяти. Данные о поддерживаемых языках программирования, размере контекста и мультимодальности в README не указаны; модель описана как текстовая и ориентированная на код. Сильной стороной модели является широкий выбор вариантов квантования и возможность локального запуска при существенно меньших требованиях к памяти. При этом низкобитные варианты могут терять качество по сравнению с BF16 или F16, а конкретная производительность и точность зависят от выбранного файла и оборудования. Лицензия — Apache-2.0.

CodeSage Large — модель семейства открытых моделей эмбеддингов кода, представленная Dejiao Zhang, Wasi Uddin Ahmad, Ming Tan, Hantian Ding, Ramesh Nallapati, Dan Roth, Xiaofei Ma и Bing Xiang. Это encoder-модель на архитектуре CodeSage с 1,7 млрд параметров; она формирует векторы кода размерности 1024 для задач понимания исходного кода. Модель обучена на данных The Stack и рассчитана на код на C, C#, Go, Java, JavaScript, TypeScript, PHP, Python и Ruby. Её можно применять для поиска похожих фрагментов кода, семантического поиска по репозиториям, сравнения кода и извлечения признаков для классификации. Контекст составляет 2048 токенов. Доступны веса PyTorch для Transformers, лицензия Apache-2.0. Карточка также упоминает fill-mask и text-classification среди поддерживаемых задач.

QuantFactory/granite-3b-code-base-2k-GGUF — квантованная версия модели IBM Granite-3B-Code-Base-2K, созданная с использованием llama.cpp. Это авторегрессионная decoder-only модель для генерации программного кода и работы с задачами, связанными с кодом. Модель предназначена для генерации, объяснения и исправления кода. Исходная Granite-3B-Code-Base-2K обучалась с нуля в два этапа: на первом использовались 4 триллиона токенов из 116 языков программирования, а на втором — 500 миллиардов токенов из тщательно отобранных наборов данных с кодом и естественным языком. В README также указаны наборы данных CodeParrot, StarCoder, Open-Web-Math и StackMathQA. Размер исходной модели составляет около 3 миллиардов параметров, а контекст обозначен как 2K токенов. Модель ориентирована прежде всего на программный код; поддерживаемые языки включают широкий набор из 116 языков программирования, однако конкретный перечень в карточке не приведён. Квантование в формате GGUF может снизить требования к памяти и упростить локальный запуск, но точные параметры квантования и возможное влияние на качество не указаны. Для модели приведены результаты на тестах генерации, объяснения и исправления кода, однако они помечены как непроверенные. Лицензия — Apache 2.0.

Ttimms/KAT-Coder-V2.5-Dev-REAP-50-NVFP4A16 — локальная квантованная версия Kwaipilot/KAT-Coder-V2.5-Dev, подготовленная разработчиком Ttimms. Модель предназначена для агентного программирования, генерации и исправления кода, а также решения задач из SWE-bench в условиях ограниченной видеопамяти. Она рассчитана на запуск в 16 ГБ потребительской VRAM, в частности на RTX 5070 Ti, через vLLM. В основе лежит MoE-архитектура с 256 экспертами; после REAP-прунинга оставлено 128 экспертов, то есть удалено 50% экспертных блоков. Модель использует квантование NVFP4A16 с 4-битными весами, весовое квантование без калибровочных данных и занимает около 12,45 GiB. Из состава удалена башня компьютерного зрения с необученными весами, поэтому README не подтверждает поддержку мультимодальных сценариев. Указан контекст до 49 тысяч токенов в использованной конфигурации; языки явно не перечислены, но модель ориентирована прежде всего на задачи программирования. Заявленные результаты включают 89,0% на HumanEval+, 90,5% на MBPP+ и 52,0% на SWE-bench Verified — 26 из 50 задач при использовании mini-swe-agent, bash-only scaffold и потолка контекста 49 тысяч токенов. SWE-bench показатель существенно зависит от лимита контекста и числа ходов агента: 17 задач завершились из-за превышения контекстного лимита, поэтому результат нельзя считать безусловной оценкой возможностей. К сильным сторонам относятся высокая компактность, возможность локального запуска, производительность около 149,5 токена в секунду в указанной конфигурации и исправление маршрутизации экспертов для этой архитектуры. Ограничения включают потерю части экспертов из-за прунинга, отсутствие подтверждённой работы со зрением, зависимость производительности от совместимого оборудования и серверного ПО, а также контекстные ограничения в агентных задачах. Модель распространяется по лицензии Apache-2.0.

Magicoder S DS 6.7B GGUF — квантизированная версия языковой модели Magicoder S DS 6.7B, разработанной Intellligent Software Engineering (iSE) и подготовленной в формате GGUF пользователем TheBloke. Модель предназначена прежде всего для генерации кода и работы в роли интеллектуального ассистента программиста: она обучена следовать инструкциям и отвечать на запросы, связанные с написанием и обработкой программного кода. В качестве обучающих данных указаны наборы Magicoder-OSS-Instruct-75K и Magicoder-Evol-Instruct-110K. Модель основана на архитектуре DeepSeek, содержит 6,7 млрд параметров и работает в режиме text-generation. Поддерживаются GGUFv2-файлы с различными уровнями квантизации от 2 до 8 бит, что позволяет запускать модель с разными компромиссами между качеством, потреблением памяти и скоростью на CPU и GPU. Формат совместим с llama.cpp и рядом сторонних интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Языки и размер контекстного окна в README не указаны. Сильными сторонами модели являются специализация на задачах программирования, возможность локального запуска и широкий выбор вариантов квантизации. Ограничения включают потенциальное снижение качества при использовании более агрессивной квантизации, а также отсутствие в предоставленных данных подробных характеристик производительности, поддерживаемых языков и контекста. Указана лицензия DeepSeek с типом «other»; точные условия лицензии следует уточнять в оригинальном репозитории модели.

OS-Software выпустила North-Mini-Code-1.0-Uncensored-Heretic — изменённую с помощью abliteration версию CohereLabs/North-Mini-Code-1.0, модели для генерации кода и агентных задач. Это текстовая модель с архитектурой decoder-only Transformer и разреженным Mixture-of-Experts. В метаданных указаны 1,2 млрд параметров и контекст до 500 000 токенов; README базовой модели описывает 30 млрд общих и 3 млрд активных параметров, контекст 256 тыс. токенов и до 64 тыс. токенов вывода. Источники расходятся в размере и длине контекста. Модель предназначена для генерации и анализа кода, агентной разработки ПО и задач в терминале; поддерживает чат и может работать с инструментами через шаблон чата Transformers. Abliteration существенно ослабила защитное выравнивание: в приведённом README тесте refusals снизились с 84/100 у исходной модели до 0/100. Это повышает вероятность вредных, неточных, предвзятых или оскорбительных ответов. README рекомендует исследовательское применение, эксперименты, исследования безопасности и red-teaming, а также независимую проверку результатов и защитные меры. Для модели указана лицензия Apache 2.0. Она принимает текст и генерирует текст; сведения о поддерживаемых естественных языках не приведены.

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

Qwen2.5-Coder-1.5B-Instruct — инструкционно дообученная языковая модель для генерации и анализа кода, разработанная командой Qwen. Это причинная трансформерная модель семейства Qwen2 с 1,5 млрд параметров, обученная на коде, текстово-кодовом сопоставлении и синтетических данных. Архитектура использует RoPE, SwiGLU, RMSNorm и групповое запросное внимание; контекст — до 32 768 токенов. Модель предназначена для генерации, объяснения и исправления кода, а также для диалоговых сценариев и создания кодовых агентов. По карточке семейства, обучение также сохраняло способности к математике и общим задачам, однако основной профиль этой версии — программирование. Доступна через библиотеку Transformers и поддерживает формат safetensors. Модель распространяется по лицензии Apache-2.0. Компактный размер облегчает её запуск по сравнению с крупными моделями, но качество и надёжность ответов могут быть ниже, чем у более крупных кодовых моделей; сгенерированный код следует проверять.

smorce/Qwen2.5-Coder-32B-Instruct-karakuri-thinking-slerp — слитая модель на основе karakuri-ai/karakuri-lm-32b-thinking-2501-exp и Qwen/Qwen2.5-Coder-32B-Instruct. Автор объединил их методом SLERP с помощью LazyMergekit, чтобы добавить навыки программирования к японской reasoning-модели. Это плотная авторегрессионная архитектура Qwen2, рассчитанная на генерацию текста и чат; размер составляет 32 млрд параметров, контекст — 32 768 токенов. Модель предназначена для генерации, анализа и исправления кода с возможностью рассуждений на японском языке. Метаданные также указывают английский и интерфейс вызова инструментов. Слияние наследует языковые и кодовые возможности базовых моделей, однако README не приводит результатов оценки именно этой сборки. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0.

unsloth/Qwen3.6-27B-MLX-8bit — это 8-битная версия модели Qwen3.6-27B в формате MLX, подготовленная Unsloth на основе Qwen/Qwen3.6-27B. Модель предназначена прежде всего для агентного программирования, работы с фронтенд-проектами, рассуждений на уровне репозитория и итеративной разработки. В README также указана совместимость с MLX-инструментами; исходная модель поддерживает сценарии image-text-to-text. Архитектура представляет собой авторегрессионную языковую модель с vision encoder, 27 млрд параметров и 64 слоями. В ней используются Gated DeltaNet и Gated Attention, а также multi-step training. Нативная длина контекста составляет 262 144 токена, с возможностью расширения до 1 010 000 токенов. В README не указаны точный перечень поддерживаемых языков, характеристики vision encoder и подробные ограничения 8-битной версии. К сильным сторонам относятся специализация на программировании, работе с кодовой базой и сохранении контекста рассуждений между сообщениями, а также существенно уменьшенный размер весов благодаря 8-битному представлению. К ограничениям относятся зависимость от совместимого MLX-окружения и потенциальные потери точности по сравнению с полноразмерной версией из-за квантования. Модель распространяется по лицензии Apache-2.0.

Qwen3-Coder-480B-A35B-Instruct-MLX-6bit — это 6-битно квантованная версия Qwen3-Coder-480B-A35B-Instruct, разработанная сообществом и предоставленная в формате MLX командой LM Studio. Базовую модель создала Qwen, а квантование выполнено с использованием mlx-lm для работы на устройствах Apple Silicon. Модель предназначена для генерации текста и, прежде всего, задач, связанных с программированием, однако подробные сценарии применения в README не указаны. Модель имеет архитектуру и характеристики исходной Qwen3-Coder-480B-A35B-Instruct, но README не содержит сведений о конкретной архитектуре, числе активных параметров, поддерживаемых языках, модальностях и размере контекста. Ключевое преимущество версии — 6-битное квантование и оптимизация под Apple Silicon, что может снизить требования к памяти по сравнению с полноразмерной версией. Ограничения производительности, требования к оборудованию и фактическое качество квантованной версии не приведены; для запуска требуется LM Studio версии 0.3.20 или новее. Модель распространяется по лицензии Apache-2.0. Указанные в README отказ от гарантий и предупреждения относятся к программе Community Model Program LM Studio; ответственность за использование модели лежит на пользователе.

Qwen3-Coder-Next — открытая модель семейства Qwen3 от команды Qwen, предназначенная для кодирующих агентов и локальной разработки. Это причинная языковая модель архитектуры MoE с гибридным сочетанием Gated DeltaNet и Gated Attention. В README указано 80 млрд параметров всего и 3 млрд активных; метаданные каталога указывают 2,3 млрд параметров, поэтому точный размер расходится между источниками. Модель рассчитана на генерацию и изменение кода, многошаговые задачи разработки, вызов инструментов и восстановление после ошибок выполнения. Контекстное окно — 262 144 токена; поддерживаются чат и интерфейс вызова инструментов. README описывает её как пригодную для интеграции с CLI и IDE, а также локального развёртывания. Модель работает только в режиме без reasoning и, согласно README, не генерирует блоки ````. Карточка не перечисляет поддерживаемые естественные языки, поэтому языковые коды не включены. Лицензия — Apache-2.0.

Tinfield 1 — разработанная badtheorylabs дообученная агентная модель на базе Qwen3.8-Flash-Next для работы в терминале и длительных задач по разработке программного обеспечения. Она принимает текст и изображения и выдаёт текст; в метаданных указаны возможности диалога, работы с кодом, вызова инструментов и анализа изображений. Заявлены контекст 256 тыс. токенов и архитектура Qwen4ExpForConditionalGeneration; в README для основной версии указаны веса BF16 и 177 млрд параметров всего, из которых активно 6,6 млрд на токен. В README приведены результаты BF16-версии: 33,0 на Terminal-Bench 4.0 и 62 на DeepSWE v1.1. Также описаны компактные квантованные сборки для запуска на машине с 64 ГБ памяти, однако эти сборки не оценивались на указанных бенчмарках. Лицензия обозначена как other, поэтому конкретные условия следует сверить с карточкой модели.

Vortex-9B-CodeCore-Merge — экспериментальная объединённая модель на 9 млрд параметров от prithivMLmods, предназначенная для генерации кода и многошаговых задач программной инженерии. Она объединяет Qwen3.5-9B, NeoHorse-1-9B, Qwopus3.5-9B-Coder и Ornith-1.5-9B; архитектура относится к семейству Qwen 3.5, для работы указана библиотека Transformers. Модель рассчитана на написание и понимание кода, внесение изменений, отладку, следование инструкциям, рассуждения и агентные рабочие процессы с использованием инструментов. В метаданных отмечены чат и интерфейс вызова инструментов. Карточка описывает её как экспериментальную и предупреждает, что модель может генерировать артефакты. Лицензия — Apache 2.0.

Code-Mistral-7B — дообученная ajibawa-2023 модель для генерации кода и диалоговых ответов. Она основана на плотной архитектуре MistralForCausalLM с 7,1 млрд параметров и обучена в формате qLoRA на наборах Code-290k-ShareGPT, Code-Feedback, orca-math-word-problems-200k и OpenHermes. Для общения используется шаблон ChatML; заявленная длина контекста — 32 768 токенов. Модель предназначена прежде всего для написания и объяснения кода, а также может отвечать на математические вопросы. Автор отмечает хорошие результаты в программировании, но указывает, что математические ответы бывают нестабильными. Репозиторий содержит веса PyTorch и safetensors; для использования доступны также отдельные квантованные варианты GGUF и Exllama v2. Лицензия модели — Apache-2.0.

GLM-5.3-Flash-Uncensored-EXL3 — квантизированная версия uncensored (abliterated) модели GLM-5.3-Flash. Модель подготовлена neko-legends на основе FP8-версии orcarouter/GLM-5.3-Flash-Uncensored, происходящей от zai-org/GLM-5.3-Flash; калибровочные материалы связаны с проектом ShapleyMcg Brandon M. Music. Репозиторий классифицирует модель как multimodal и image-text-to-text, однако подробные сведения о поддерживаемых модальностях и языках в карточке не приведены. Модель предназначена для локального развёртывания, авторизованного red-team и purple-team тестирования, аудита и защиты собственных систем, анализа вредоносного содержимого, а также исследовательских и персональных сценариев. Это MoE-модель с 288 экспертами в 42 слоях; маршрутизируемые эксперты закодированы в EXL3/K4 с эффективной разрядностью 4 bpp, а остальные компоненты хранятся преимущественно в BF16. Заявлены контекст до 1 млн токенов, объём около 176 ГБ и скорость примерно 97 токенов в секунду в однопоточном режиме на конфигурации 4× DGX Spark TP4 с DFlash2 speculative decoding. К сильным сторонам относятся большой контекст, высокая скорость локального инференса и сохранение uncensored-поведения после квантизации. Ограничения включают значительные требования к памяти и оборудованию, отсутствие встроенного отказоустойчивого alignment, а также отсутствие в карточке независимых оценок возможностей, безопасности и смещений сверх указанных benchmark-материалов. Лицензирование смешанное: цепочка весов заявлена под MIT, а калибровочные артефакты и trellis-коды — под ShapleyMcg License v1.0 с обязательной атрибуцией и специальными условиями; перед использованием необходимо учитывать обе лицензии.