II.5Безопасность программного кода и цепочки поставок

Карточка модели IQuestLab/IQuest-Coder-V1-14B-Base-Stage1 на Hugging Face совпадает с карточкой IQuestLab/IQuest-Coder-V1-7B-Instruct, поэтому описание составлено по ней. 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.

Sharpaxis/Llama-2-7_Ethical_Guardian — дообученная с помощью QLoRA модель на базе NousResearch/Llama-2-7b-chat-hf, предназначенная для выявления конфиденциальных и чувствительных сведений в тексте. Она ищет персональные данные, API-ключи, финансовую информацию, учётные данные и конфиденциальные сведения компаний, а также может объяснять, почему фрагмент выглядит чувствительным. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и рассчитана на контекст до 4096 токенов. Карточка описывает применение для модерации содержимого, предотвращения утечек данных, проверок соответствия требованиям и аудита текстовых коммуникаций. В метаданных указаны английский язык и лицензия Apache-2.0. Это вспомогательный инструмент для защиты данных; результаты выявления следует проверять, поскольку карточка не приводит оценок качества и не гарантирует обнаружение всех чувствительных сведений. Обучение проводилось на синтетическом наборе synapsecai/synthetic-sensitive-information.

trohrbaugh/OmniCoder-9B-heretic-ara-uncensored — экспериментальная версия модели OmniCoder, разработанной Tesslate и дообученной на базе Qwen/Qwen3.5-9B. Это плотная модель с 9 млрд параметров и гибридной архитектурой: слои Gated Delta Networks чередуются со стандартным вниманием. Модель предназначена для программирования и агентных задач: работы с инструментами, терминалом, многошагового решения задач и внесения точечных изменений в код. Заявлено контекстное окно 262 144 токена. В карточке описана abliteration-настройка, направленная на снижение числа отказов: в приведённом тесте модель отказала в 7 случаях из 100. Метаданные отмечают поддержку чата и кода; базовая архитектура мультимодальная, однако для этой версии карточка не описывает сценарии работы с изображениями. Английский указан среди языков карточки, а качество на других языках, согласно README, оценивалось ограниченно. Лицензия — Apache 2.0.

Ornith-1.5-35B-A3B REAP-50 NVFP4A16 — локальная текстовая модель для генерации кода, созданная Ttimms на основе Ornith-1.5-35B-A3B от ornith-ai. Модель предназначена для программирования, генерации и исправления кода, а также агентских сценариев разработки. Она рассчитана на запуск в пределах 16 ГБ видеопамяти, в частности на RTX 5070 Ti, и может обслуживаться через vLLM. Это разреженная Mixture-of-Experts-модель с архитектурой Qwen3_5MoeForCausalLM. В результате pruning число экспертов сокращено с 256 до 128, а эффективный размер — примерно с 35,95 до 19 млрд параметров; маршрутизация 8 из 128 экспертов сохранена. Веса квантизованы методом GPTQ-NVFP4A16 в 4-битный формат с использованием compressed-tensors. Модель работает только с текстом: vision tower и MTP draft head удалены, поэтому визуальные задачи и функции MTP недоступны. Заявленный контекст — до 49 тыс. токенов в описанном сценарии SWE-bench. На опубликованном checkpoint модель показала 84,15% на HumanEval+, 90,24% на HumanEval и 89,15% на MBPP+ при жадной генерации; в SWE-bench Verified результат составил 22 из 50 задач, или 44%, при ограничении контекста и использовании mini-swe-agent. Эти показатели получены в конкретной конфигурации и могут изменяться из-за особенностей FP4-квантизации и пакетирования. Модель ориентирована прежде всего на код и локальный запуск, а сокращение экспертов, удаление визуальной башни и MTP-компонента являются основными ограничениями. Лицензия MIT унаследована от базовой модели.

Карточка модели Deepdive404-3/Ornith-1.5-397B на Hugging Face совпадает с карточкой ornith-ai/Ornith-1.5-397B, поэтому описание составлено по ней. 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.

Карточка модели Chanithu/Qwen2.5-Coder-0.5B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-0.5B-Instruct, поэтому описание составлено по ней. Qwen2.5-Coder-0.5B-Instruct — инструктивно дообученная языковая модель для кода от команды Qwen. Она предназначена для генерации и исправления кода, рассуждений о коде и диалоговых сценариев для разработчиков, включая использование в кодовых агентах. Модель также сохраняет общие языковые и математические способности семейства Qwen2.5. Это плотная авторегрессионная модель архитектуры Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. В архитектуре используются RoPE, SwiGLU, RMSNorm и группированное внимание; модель работает с текстом и выдаёт текст, в том числе код. Репозиторий содержит веса Safetensors, загрузка поддерживается библиотекой Transformers. Модель компактна для локальных экспериментов и интеграции в инструменты разработчика, но её малый размер может ограничивать качество сложной генерации и рассуждений по сравнению с более крупными моделями. Лицензия — Apache-2.0.

Это инструкционно дообученная модель Qwen2.5-Coder-1.5B, опубликованная Unsloth на основе Qwen/Qwen2.5-Coder-1.5B-Instruct. Она предназначена для генерации, анализа и исправления кода в диалоговом формате, а также может применяться для задач математики и общего общения. Модель содержит около 1,5 млрд параметров, использует архитектуру Qwen2 с причинной языковой моделью и работает через библиотеку Transformers. Метаданные указывают контекст до 32 768 токенов; в README описана поддержка длинного контекста до 131 072 токенов с настройкой YaRN. Модель принимает текст и генерирует текст. Её компактный размер подходит для локального прототипирования и кодовых помощников с ограниченными ресурсами, при этом она сохраняет навыки генерации и рассуждения о коде. Карточка описывает семейство Qwen2.5-Coder, но не приводит подробный перечень поддерживаемых языков программирования или языков общения; метаданные отмечают английский язык. Лицензия — Apache-2.0.

Карточка модели ArchiveStudio/Qwen3-Coder-Next на Hugging Face совпадает с карточкой Qwen/Qwen3-Coder-Next, поэтому описание составлено по ней. 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.

RedHatAI/Qwen3-Coder-Next-FP8-dynamic — это квантизированная версия языковой модели Qwen/Qwen3-Coder-Next, разработанная Red Hat. Модель построена на архитектуре Qwen3NextForCausalLM, принимает текст и генерирует текст и предназначена прежде всего для задач генерации и обработки программного кода. Поддержка инструментов и вызовов функций предусмотрена при развертывании через vLLM. В модели используется квантизация весов и активаций в формат FP8 для линейных операторов внутри трансформерных блоков. Это снижает число битов на параметр с 16 до 8 и примерно на 50% уменьшает требования к дисковому пространству и памяти GPU. Размер модели, языки и максимальная длина контекста в README не указаны. Для работы рекомендуется vLLM; формат хранения — compressed-tensors. В представленном тестировании на SWE-Bench Lite модель получила результат 53 против 49,33 у исходной Qwen3-Coder-Next. Ограничение заключается в том, что приведена только оценка на задаче SWE-Bench Lite, поэтому по этим данным нельзя полноценно судить о качестве на других сценариях и о влиянии квантизации на все типы запросов. Модель распространяется по лицензии Apache-2.0.

Relace Search — модель для агентного поиска по кодовой базе. Она использует инструменты `view_file` и `grep` параллельно, чтобы находить файлы, относящиеся к запросу пользователя; в карточке подход противопоставлен RAG. README обрывается после описания агентного характера поиска, поэтому дополнительные сведения о разработчике, архитектуре, размере, языках, контексте и лицензии установить нельзя.

bartowski/starcoder2-15b-instruct-GGUF — это набор GGUF-квантизаций модели StarCoder2-15B-Instruct, разработанной TechxGenus и опубликованной в формате для запуска через llama.cpp. Квантизацию выполнил bartowski с использованием llama.cpp release b2354. Модель относится к классу text-generation и предназначена прежде всего для генерации и обработки программного кода, включая локальные сценарии запуска с ограниченными ресурсами. Доступны варианты квантизации Q2_K, Q3_K_S, Q3_K_M, Q3_K_L, Q4_0, Q4_K_S, Q4_K_M, Q5_0, Q5_K_S, Q5_K_M, Q6_K и Q8_0. Размер файлов составляет примерно от 6,19 до 16,96 ГБ. Q6_K отмечен как рекомендуемый вариант с очень высоким качеством, Q8_0 обеспечивает максимальное доступное качество, а варианты Q3 и Q2 требуют меньше памяти, но заметно уступают по качеству. Архитектура, поддерживаемые языки программирования, языки естественного языка, модальности и размер контекста в README не указаны. Сильной стороной модели является возможность локального использования в экосистеме llama.cpp с выбором компромисса между качеством и требованиями к памяти. Ограничения связаны с потерями качества при низких уровнях квантизации, а также с отсутствием в представленном README подробностей о возможностях, бенчмарках и контекстном окне. Модель распространяется по лицензии BigCode OpenRAIL-M.

zen4-coder-pro-i1-GGUF — набор квантованных GGUF-версий модели zenlm/zen4-coder-pro. Базовая модель разработана zenlm, а квантование выполнено mradermacher. Модель предназначена прежде всего для генерации и обработки программного кода, включая локальный запуск в совместимых инструментах для GGUF. Доступны варианты квантования i1-IQ и i1-Q с размерами примерно от 16,3 до 65,6 ГБ. README указывает английский язык, библиотеку Transformers и текстовую модальность; сведения об архитектуре, количестве параметров и размере контекста не приведены. Варианты различаются компромиссом между размером, скоростью и качеством: Q4_K_M отмечен как быстрый и рекомендуемый, Q4_K_S — как оптимальный по размеру, скорости и качеству, а некоторые низкобитные варианты характеризуются сниженным качеством. Основное преимущество модели — возможность выбрать подходящий уровень квантования для локального использования и ограниченных аппаратных ресурсов. Ограничения связаны с потерями качества у наиболее агрессивно квантованных вариантов, а также с отсутствием в README подробных результатов оценки и технических характеристик базовой модели. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-14B-Instruct-AWQ — инструкция-настроенная языковая модель для генерации текста и программного кода, разработанная командой Qwen. Она предназначена для написания, анализа, объяснения и исправления кода, решения задач программирования, а также для использования в чат-ассистентах и агентных системах разработчика. Модель основана на Qwen2.5-Coder-14B-Instruct и распространяется как 4-битная AWQ-квантизированная версия. Модель является каузальной языковой моделью с архитектурой на базе Transformers, RoPE, SwiGLU, RMSNorm и смещениями в QKV-внимании. Она содержит около 14,7 млрд параметров, 48 слоёв и использует Grouped Query Attention с 40 головами для Q и 8 для KV. Заявлена поддержка контекста до 131 072 токенов, однако исходная конфигурация рассчитана на 32 768 токенов; для более длинных входов требуется включение YaRN. Модель обучалась на данных, включающих исходный код, текстово-кодовые связи и синтетические данные, с общим объёмом обучения 5,5 трлн токенов. В метаданных README указан английский язык. К сильным сторонам относятся специализация на программировании, улучшенные генерация, рассуждение и исправление кода, а также сниженные требования к памяти благодаря 4-битной квантизации. Ограничения связаны с возможным ухудшением производительности на коротких текстах при статическом масштабировании YaRN и с тем, что для эффективной работы требуются совместимые версии Transformers и поддержка AWQ. Модель распространяется по лицензии Apache-2.0.

Qwen3.6-35B-A3B-MTP-GGUF — GGUF-версия модели Qwen3.6-35B-A3B, разработанной командой Alibaba Qwen. Это разреженная мультимодальная модель Mixture-of-Experts с 35 млрд общих параметров и примерно 3 млрд активных параметров на токен. Модель принимает текст, изображения и видео, поддерживает английский язык и имеет контекст до 262 тысяч токенов; заявлено расширение до 1 млн токенов с помощью YaRN. Модель предназначена прежде всего для агентного программирования, работы с кодом, фронтенд-задач, анализа репозиториев, мультимодальных сценариев и интеграции с инструментами. Она поддерживает вызов функций, структурированный вывод и режимы рассуждения. Архитектура сочетает линейное внимание Gated DeltaNet со стандартными слоями gated attention. Формат MTP добавляет несколько выходных голов для предсказания будущих токенов и ускорения спекулятивного декодирования без отдельной draft-модели. К сильным сторонам относятся большой контекст, мультимодальность, низкое число активных параметров относительно общего размера и возможность локального запуска в различных вариантах квантования; заявленное потребление для некоторых конфигураций составляет около 21–24 ГБ VRAM. Ограничения включают значительные требования к памяти для BF16/F16 и снижение качества при более агрессивном квантовании. Доступны файлы GGUF размером примерно от 13,2 до 71,1 ГБ и отдельные мультимодальные проекторы. Модель распространяется по лицензии Apache 2.0.

IsValorum Qwen3.8-35B-A3B-Distill-MTP-APEX-I-MiniPlus-V2.1-Abliterated-GGUF — это GGUF-квантизированная версия модели empero-ai/Qwen3.8-35B-A3B-Distill, предназначенная для генерации текста, рассуждений, программирования и локального запуска через llama.cpp и совместимые инструменты. Модель относится к разреженной архитектуре Mixture-of-Experts и содержит 40 слоёв и 256 микроэкспертов. Заявлена поддержка контекста до 256K токенов, а также английского, китайского, испанского, французского, немецкого, португальского, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Это аблитерированная версия без стандартных ограничителей отказа, ориентированная на сценарии, где требуется минимизация отказов при задачах по безопасности систем, пентестингу и анализу соответствия требованиям. Вариант APEX-I-MiniPlus V2.1 использует настраиваемое покомпонентное квантование: маршрутизаторы gate_inp сохранены в F32, выходная голова — в Q6_K, attention gates — в Q8_0, а основные экспертные тензоры — преимущественно в IQ3_XXS. Размер модели составляет примерно 13,74 GiB, заявлены отсутствие существенных задержек AVX2 и поддержка ускоренного speculative execution с отдельной Q8_0 MTP-компонентой. К сильным сторонам относятся компактный размер для MoE-модели, сохранение маршрутизации экспертов в F32, высокая заявленная близость к качеству Q5–Q6-квантов и широкий языковой охват. Ограничение унаследовано от исходной BF16 Distill-модели: при очень длинных ответах возможны повторения, в том числе после блока рассуждений; это не связывается с квантованием. Релиз распространяется по лицензии Apache-2.0.

Qwen3.8-2.4T-A95B — текстовая причинная языковая модель семейства Qwen, опубликованная в открытом виде. Она предназначена для генерации ответов и выполнения сложных многошаговых задач в программировании, профессиональной работе, исследованиях и агентных сценариях. Модель поддерживает чат и интерфейс вызова инструментов; README указывает совместимость формата Transformers с vLLM, SGLang и TokenSpeed. Архитектура — Mixture of Experts с 92 слоями и 512 экспертами: всего 2,4 трлн параметров, из которых активируется 95 млрд. Нативная длина контекста составляет 262 144 токена и может расширяться примерно до 1,01 млн. Модель принимает только текст; для всех взаимодействий требуется режим рассуждения, который нельзя отключить. Модель не поддерживает мультимодальные входы, а её языковая поддержка в предоставленных данных не перечислена. В метаданных указана лицензия «other», без конкретных условий использования; перед применением следует проверить лицензию на странице модели. README описывает постобученные веса и файлы конфигурации.

Qwen2.5-Coder-14B-Instruct-GPTQ-Int4 — 4-битная GPTQ-квантизированная instruction-tuned модель для генерации и обработки кода из семейства Qwen2.5-Coder, разработанного командой Qwen/Alibaba Cloud. Модель предназначена для генерации, анализа, исправления и рассуждений о программном коде, а также для создания приложений на базе code agents. Она сохраняет общие математические и языковые возможности базовой модели Qwen2.5 и работает в формате causal language model. Модель содержит 14,7 млрд параметров, из которых 13,1 млрд не являются embedding-параметрами, и включает 48 слоёв. Архитектура использует transformers, RoPE, SwiGLU, RMSNorm и смещения в Attention QKV; применяется Grouped-Query Attention с 40 головами для Q и 8 для KV. Заявлена поддержка контекста до 131 072 токенов, однако конфигурация репозитория рассчитана на 32 768 токенов; для более длинных входов требуется включение YaRN, что может снижать производительность на коротких текстах. В README явно указан английский язык. Квантизация GPTQ Int4 уменьшает требования к памяти и облегчает развёртывание, но может влиять на качество по сравнению с полноточной версией. Для работы рекомендуется актуальная версия transformers, а для длинного контекста — vLLM с соответствующей настройкой. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-7B-Instruct-AWQ — 4-битная AWQ-квантизированная instruction-tuned языковая модель для генерации текста и программного кода, разработанная командой Qwen компании Alibaba Cloud. Она предназначена для генерации, анализа и исправления кода, работы с чат-запросами, создания code agents, а также задач, где требуются математические и общие языковые способности. Модель использует каузальную transformer-архитектуру с RoPE, SwiGLU, RMSNorm и смещениями в QKV attention. Она содержит 7,61 млрд параметров, 28 слоёв и Grouped-Query Attention с 28 головами Q и 4 головами KV. Заявлена поддержка контекста до 131 072 токенов; для входов свыше 32 768 токенов требуется настройка YaRN, которая может снижать производительность на коротких текстах. Модель обучалась на данных, включающих исходный код, текстово-кодовые связи и синтетические данные; в README указан английский язык. К сильным сторонам относятся специализация на программировании, улучшенные генерация, рассуждение и исправление кода, а также сниженные требования к памяти благодаря 4-битной квантизации. Ограничения включают возможное ухудшение качества или скорости при использовании расширенного контекста и необходимость совместимых версий Transformers и AWQ-инфраструктуры. Модель распространяется по лицензии Apache-2.0.

Claude Opus 4.5 — мультимодальная модель рассуждений компании Anthropic, предназначенная для сложной разработки программного обеспечения, агентных рабочих процессов и длительного взаимодействия с компьютером. Карточка описывает её как передовую модель с сильными возможностями в этих сценариях. Модель подходит для решения сложных задач программирования, работы агента с инструментами и компьютерными интерфейсами, а также для задач с изображениями и текстом. В предоставленных данных не раскрыты размер модели, поддерживаемые языки, длина контекста и условия лицензии.

Nex-N2.5-Max — языковая модель семейства Nex-N2.5, разработанная компанией Nex-AGI. Она предназначена для агентных задач с длинной последовательностью действий в реальных средах: программирования, научных исследований, интеллектуальной работы, сложных сценариев продуктивности, автономного выполнения и тестирования программ, а также работы с компьютером и браузером. Модель относится к pipeline text-generation и поддерживает текстовые сценарии. Nex-N2.5-Max построена на текстовой архитектуре Mixture-of-Experts (MoE) с 1,6 триллиона параметров и стала для разработчика первой моделью, полностью дообученной в масштабе свыше триллиона параметров. По сравнению с мультимодальными моделями Nex-N2.5-mini и Nex-N2.5-Pro, версия Max описана как text-only, поэтому визуальная модальность для неё в README не заявлена. Среди сильных сторон указаны длительное автономное выполнение задач, самокоррекция и высокие результаты в тестах кодирования и агентных сценариев; при этом конкретные пределы контекста, поддерживаемые языки и требования к вычислительным ресурсам не приведены. Веса модели выпускаются с открытым исходным кодом по лицензии Apache-2.0.

Salience-27B-R5 — плотная мультимодальная модель на 27,8 млрд параметров от Vection Labs, дообученная на архитектуре Qwen3.8. Она принимает текст, изображения и видео и генерирует текст; заявленное контекстное окно — 1 048 576 токенов. Модель предназначена прежде всего для инженерных задач: написания и отладки кода, работы с большими репозиториями, проектирования систем, многошаговых задач в терминале и количественных рассуждений. Также она может анализировать скриншоты, диаграммы и документы в технических сценариях. Рассуждение включено по умолчанию, а глубина должна подстраиваться под сложность запроса; для трудных задач можно задавать повышенный уровень reasoning effort. В карточке заявлены плотная обработка всех параметров на каждом токене, гибридное линейное и полное внимание и MTP-голова для ускоренного декодирования. Модель ориентирована на английский язык. Выпущена под лицензией Apache-2.0 и доступна для Transformers. Модель может выдумывать API и факты, особенно при неоднозначных запросах; сгенерированный код следует проверять перед запуском. Отказное поведение снижено, встроенного фильтра контента нет, поэтому защитные правила нужно задавать в приложении. Для критически важных решений, а также медицинских, юридических и финансовых рекомендаций требуется проверка человеком.

MiniMax-M2.7-NVFP4 — это текстовая большая языковая модель MiniMax M2.7, разработанная MiniMaxAI и опубликованная NVIDIA в варианте с квантизацией NVFP4. Модель предназначена для сложной разработки программного обеспечения, агентских сценариев с использованием инструментов, длительных многоэтапных задач, поиска и исправления ошибок в продуктивных системах, а также создания и редактирования офисных документов, исследовательской и аналитической автоматизации. Поддерживаются текстовые входы и выходы, включая длинные системные инструкции и контекст до 204 800 токенов. Модель построена на архитектуре Transformer со Sparse Mixture-of-Experts: содержит около 230 млрд параметров, из которых 10 млрд активируются при обработке, 62 слоя, размер скрытого представления 3072, 256 локальных экспертов и 8 активируемых экспертов на токен. Доступны интеграции с SGLang и vLLM; целевая аппаратная платформа — GPU NVIDIA с микроархитектурой Blackwell, предпочтительная операционная система — Linux. Сильными сторонами являются большой контекст, специализация на программировании, агентских рабочих процессах и многошаговом рассуждении, однако модель принимает только текст, сведения о языковом охвате и обучающих данных ограничены, а качество и безопасность требуют дополнительного тестирования под конкретные сценарии. Модель предназначена только для исследований и разработок. Использование регулируется NVIDIA Software and Model Evaluation License; дополнительно указана Non-Commercial MiniMax License.

Карточка модели bonalai/Qwen2.5-Coder-32B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-32B-Instruct, поэтому описание составлено по ней. Qwen2.5-Coder-32B-Instruct — инструктивно дообученная языковая модель для кода из семейства Qwen2.5-Coder, разработанного командой Qwen. Она предназначена для генерации, анализа и исправления кода, а также для создания кодовых агентов; сохраняет способности к математике и общим задачам. Модель может применяться в диалоговых сценариях и интерфейсах вызова инструментов. Это плотная причинная трансформерная модель Qwen2 с 32 млрд параметров по метаданным (в README указано 32,5 млрд), доступная в формате safetensors и рассчитанная на работу через Transformers. README описывает RoPE, SwiGLU, RMSNorm и GQA. Метаданные указывают контекст 32 768 токенов; README сообщает о поддержке до 131 072 токенов с настройкой YaRN для длинных входов. Карточка относит модель к английскому языку; модель специализируется на программировании. Лицензия Apache-2.0 допускает широкое использование с соблюдением её условий. При обработке контекстов длиннее 32 768 токенов требуется настройка YaRN; статический YaRN в vLLM может снижать качество на коротких текстах. Заявления README о сравнительной производительности являются оценкой авторов.

Qwen2.5-Coder-32B-Instruct — инструктивно дообученная языковая модель для кода из семейства Qwen2.5-Coder, разработанного командой Qwen. Она предназначена для генерации, анализа и исправления кода, а также для создания кодовых агентов; сохраняет способности к математике и общим задачам. Модель может применяться в диалоговых сценариях и интерфейсах вызова инструментов. Это плотная причинная трансформерная модель Qwen2 с 32 млрд параметров по метаданным (в README указано 32,5 млрд), доступная в формате safetensors и рассчитанная на работу через Transformers. README описывает RoPE, SwiGLU, RMSNorm и GQA. Метаданные указывают контекст 32 768 токенов; README сообщает о поддержке до 131 072 токенов с настройкой YaRN для длинных входов. Карточка относит модель к английскому языку; модель специализируется на программировании. Лицензия Apache-2.0 допускает широкое использование с соблюдением её условий. При обработке контекстов длиннее 32 768 токенов требуется настройка YaRN; статический YaRN в vLLM может снижать качество на коротких текстах. Заявления README о сравнительной производительности являются оценкой авторов.

duyntnet/Qwen2.5-Coder-7B-Instruct-imatrix-GGUF — набор GGUF-квантизаций инструкционно настроенной модели Qwen2.5-Coder-7B-Instruct, разработанной командой Qwen от Alibaba Cloud. Репозиторий предназначен для локального запуска через llama.cpp, KoboldCPP, text-generation-webui и Ollama; конкретный вариант квантизации в README не уточняется. Модель ориентирована на генерацию, анализ, исправление и рассуждения о программном коде, а также на создание code agents. Она сохраняет возможности для математических и общих задач. Это каузальная языковая модель с архитектурой на базе Transformers, RoPE, SwiGLU, RMSNorm и смещениями в QKV-внимании. Указано 7,61 млрд параметров, 28 слоёв и GQA с 28 головами для Q и 4 для KV. Заявлена поддержка контекста до 131 072 токенов, однако для входов длиннее 32 768 токенов требуется включение YaRN и соответствующая настройка конфигурации. Важные преимущества — специализация на коде, улучшенные генерация, рассуждение и исправление программ, а также возможность локального запуска в оптимизированном GGUF-формате. Ограничения включают зависимость качества и требований к ресурсам от выбранной квантизации и программного окружения; точные параметры квантования не приведены. В метаданных указаны английский язык и лицензия other, без дополнительных условий использования.

Qwythos-9B-v2 — модель генерации текста и рассуждений от Empero AI, дообученная на базе empero-ai/Qwythos-9B-Claude-Mythos-5-1M методом FTPO. Она предназначена для диалогов, многошаговых рассуждений, решения задач и генерации кода; разработчик сообщает, что в этой версии устранено зацикливание при генерации, восстановлена голова MTP и сохранены возможности предыдущей версии. Модель построена на гибридной архитектуре Qwen3.5-9B с чередованием линейного внимания Gated-DeltaNet и полного внимания. Контекст заявлен до 1 млн токенов с YaRN. Хотя базовый стек поддерживает мультимодальность, README описывает практическое использование как текстовое. Основной язык карточки — английский. Модель подходит для исследовательских и технических сценариев, включая программирование, кибербезопасность и анализ научных вопросов. По внутренним оценкам разработчика, знания и рассуждения в целом сохранены относительно предыдущей версии; это обновление направлено прежде всего на устойчивость генерации, а не на рост возможностей. Известное ограничение — результат HumanEval ниже, чем у исходной Qwen3.5-9B; показатели бенчмарков получены на внутреннем тестовом наборе. Модель намеренно не ограничивает ответы на чувствительные темы. Лицензия — Apache-2.0.

Step-3.5-Flash-FP8 — открытая foundation-модель, разработанная StepFun и представленная в формате FP8 на базе stepfun-ai/step-3.5-flash. Она предназначена для сложного рассуждения, программирования, агентских сценариев, многошагового выполнения задач, поиска и обработки больших объёмов информации. Модель ориентирована на интерактивное применение и локальное развёртывание, включая высокопроизводительное потребительское оборудование. Архитектура модели основана на разреженной Mixture of Experts (MoE): всего модель содержит 196 млрд параметров, из которых для каждого токена активируется около 11 млрд. Технология Multi-Token Prediction (MTP-3) обеспечивает заявленную скорость генерации около 100–300 токенов в секунду, с пиковыми значениями до 350 токенов в секунду для однопоточных задач программирования. Поддерживается контекстное окно объёмом 256K токенов; для его эффективной обработки используется гибридная схема Sliding Window Attention с соотношением 3:1. К сильным сторонам относятся высокая скорость вывода, эффективность MoE-архитектуры, способность работать с длинным контекстом и результаты на задачах рассуждения, программирования и автономных агентов, включая 74,4% на SWE-bench Verified и 51,0% на Terminal-Bench 2.0. Ограничения, включая языковую специализацию, мультимодальность и требования к аппаратным ресурсам, в README явно не описаны. Модель распространяется по лицензии Apache 2.0.

Zero Qwen3-8B OpenZero — локальная текстовая генеративная модель в формате GGUF, разработанная для экосистемы OpenZero и опубликованная пользователем shafire. Она основана на Qwen/Qwen3-8B и представляет собой полностью объединённую standalone-сборку: отдельный адаптер и базовая модель не требуются. Модель совместима с llama.cpp и Ollama, а также может использоваться через OpenAI-совместимый локальный сервер OpenZero. Модель предназначена для агентного программирования, отладки, ревью кода, планирования тестов, исследовательских задач, синтеза информации с проверкой утверждений, выбора и вызова инструментов, а также автономных многошаговых рабочих процессов. Поддерживаются режимы Qwen3 /no_think для быстрых циклов с инструментами и /think для более сложных исследовательских и программных задач. В карточке указан английский язык; модальность — текстовая, pipeline относится к text-generation. Для запуска приведена конфигурация контекста 8192 токена, однако максимальный контекст модели явно не указан. Доступны квантованный вариант Q5_K_M размером около 5,45 GiB, рекомендованный для локального использования с практичными требованиями к CPU и RAM, и сборка F16 размером около 13,82 GiB для более высокой точности и последующей квантизации. К сильным сторонам относятся автономность, локальное выполнение, совместимость с CPU, llama.cpp и Ollama, а также ориентация на агентные сценарии и проверку результатов. Ограничения включают зависимость качества и скорости от аппаратного обеспечения и выбранной квантизации; приведённый тест на Intel Core i7-2600 показал около 2,45 токена в секунду при генерации. Лицензия указана как other с названием openzero-community-source-v1; дополнительные условия в карточке не приведены.

GPT-5.2 Pro — модель OpenAI, представленная как развитие GPT-5 Pro с улучшениями в агентном программировании и работе с длинным контекстом. Она предназначена для сложных задач, требующих пошаговых рассуждений, включая программирование и сценарии с использованием ИИ-агентов. Данных об архитектуре, размере, модальностях, поддерживаемых языках, длине контекста и лицензии в предоставленных источниках нет.

Ling-2.6-1T — большая языковая модель семейства Ling, выпущенная inclusionAI. Она предназначена для сложных рабочих сценариев, включая программирование, многошаговое рассуждение и выполнение задач с инструментами. Карточка описывает гибридную архитектуру MLA и Linear Attention с MoE; метаданные указывают класс BailingMoeV2_5ForCausalLM и 59 млрд параметров. Контекст — до 262 144 токенов. Модель поддерживает диалог и интерфейс вызова инструментов, а в репозитории представлены веса safetensors в формате compressed-tensors. Модель подходит для генерации и исправления кода, агентных рабочих процессов и задач с длинным контекстом. README отмечает высокую эффективность вывода и сокращение многословных рассуждений, а также результаты на бенчмарках программирования, рассуждения и использования инструментов. Поддержка языков отдельно не перечислена; README упоминает возможные переключения языка при сложных инструкциях. Лицензия — MIT.