II.5Безопасность программного кода и цепочки поставок

Gemini 3 Flash Preview — предварительная версия быстрой мультимодальной модели Google для диалога, агентных сценариев и помощи с программированием. Карточка описывает её как thinking-модель с рассуждениями, близкими к уровню Pro, и поддержкой работы с инструментами. Модель предназначена для многошагового чата, агентных рабочих процессов и задач по программированию. Метаданные каталога относят её к задаче image-text-to-text. Данных о размере, длине контекста, поддерживаемых языках и лицензии в предоставленных материалах нет.

GLM-4.6-REAP-268B-A32B — сжатая версия GLM-4.6 от Cerebras, созданная методом REAP (Router-weighted Expert Activation Pruning). Это причинная языковая модель со разреженной архитектурой Mixture-of-Experts: после удаления 25% экспертов в ней осталось 120 экспертов из 160; всего заявлено 268 млрд параметров и 32 млрд активируемых на токен. Модель принимает текст и предназначена для генерации текста и кода, рассуждений, работы с инструментами и агентных сценариев. Контекст составляет до 202 752 токенов; в метаданных указан английский язык. По данным карточки, сжатие сокращает объём модели примерно на 25% относительно исходной GLM-4.6 и сохраняет близкое качество генерации кода, вызова функций и агентных задач. Для запуска указана совместимость с vLLM. README не приводит результаты оценки для этой BF16-версии, поэтому заявления о качестве здесь основаны на описании автора. Лицензия — MIT.

GPT-5.3-Codex — агентная модель OpenAI для программирования. В карточке она описана как сочетание возможностей GPT-5.2-Codex в разработке ПО с более широкими способностями к рассуждению и профессиональными знаниями GPT-5.2. Модель предназначена для задач разработки программного обеспечения и сценариев, где агент должен применять рассуждение при работе с кодом. README заявляет передовые результаты, но не приводит в предоставленном фрагменте конкретных оценок или технических характеристик. Сведения о лицензии, размерах модели, длине контекста и ограничениях применения в доступных материалах отсутствуют.

Карточка модели dshive/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Карточка модели Scrappy-Doo/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Карточка модели YuRiVeRTi/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Nex-N2.5-Pro — мультимодальная агентная модель из семейства Nex-N2.5, разработанная компанией Nex-AGI. Она предназначена для выполнения долгих многоэтапных задач в реальных средах, включая работу с компьютером и браузером, автономный запуск и тестирование программ, научные исследования, работу со знаниями и сложные продуктивные сценарии. Модель продолжает мультимодальную основу Nex-N2 и ориентирована на компьютерное использование, веб-навигацию и визуально обоснованные действия. Она способна воспринимать визуальную информацию как интерфейс взаимодействия со средой, проверять результаты своих действий и корректировать дальнейшее выполнение задачи. В README не указаны точный размер модели, архитектура, длина контекста и перечень поддерживаемых языков. Заявлены результаты в задачах программирования, агентных рабочих процессах, компьютерном использовании и мультимодальном понимании; среди приведённых оценок Pro показывает 82,7 балла в Terminal-Bench 2.1, 61,2 в SWE-Bench Pro и 55,8 в DeepSWE v1.1. Сильными сторонами модели являются ориентация на длительные автономные сценарии, работа с визуальной обратной связью, браузерами и компьютерами, а также способность к самокоррекции и выполнению программных задач. Ограничения, требования к аппаратным ресурсам и практические особенности развёртывания в README не описаны. Для модели указана лицензия Apache-2.0; веса заявлены как открытые, а также доступен hosted-доступ через OpenRouter.

Mungert/NextCoder-14B-GGUF — это GGUF-версия кодовой языковой модели NextCoder-14B, разработанной Microsoft на базе Qwen2.5-Coder-14B-Instruct. Модель предназначена для генерации и редактирования программного кода, включая исправление функций, работу с разнообразными изменениями в коде и чатовые сценарии. Она обучалась с применением метода SeleKT (Selective Knowledge Transfer), ориентированного на адаптацию моделей к задачам редактирования кода, без потери общей применимости. Модель является авторегрессионной causal language model с архитектурой на базе Transformers, RoPE, SwiGLU, RMSNorm и GQA с 40 головами для запросов и 8 для ключей и значений. Она содержит около 14,7 млрд параметров, из которых 13,1 млрд — без учёта embedding, и 48 слоёв. Заявлена поддержка контекста до 32K токенов; в карточке указан английский язык. GGUF-файлы созданы с помощью llama.cpp и используют экспериментальный подход с повышением точности отдельных важных слоёв, что может улучшать качество при заданном уровне квантования, но увеличивает размер файла. Ограничения включают зависимость качества и требований к ресурсам от выбранного варианта квантования; конкретный вариант квантования в карточке не указан. Модель распространяется по лицензии MIT.

Mungert/NextCoder-7B-GGUF — GGUF-квантизированная версия модели NextCoder-7B, разработанной Microsoft на базе Qwen2.5-Coder-7B-Instruct. Модель предназначена прежде всего для генерации и редактирования программного кода, исправления ошибок, работы с разнообразными правками кода и диалоговых сценариев для разработчиков. Постобучение выполнено с использованием методики Selective Knowledge Transfer (SeleKT), ориентированной на улучшение code editing без потери общей применимости. Это авторегрессионная causal language model с архитектурой на базе Transformers, RoPE, SwiGLU, RMSNorm и attention QKV bias. Модель содержит 7,61 млрд параметров, из них 6,53 млрд — без учёта embedding, имеет 28 слоёв, 28 Q-heads и 4 KV-heads с GQA. Заявлена поддержка контекста до 32K токенов. В карточке указано English как язык модели; поддерживается текстовая модальность. GGUF-файлы созданы с помощью llama.cpp, при этом автор применяет выборочное повышение точности отдельных слоёв сверх стандартной конфигурации IMatrix, что может улучшать качество при заданном уровне квантизации, но увеличивает размер файлов. Сильными сторонами являются специализация на редактировании кода, длинный контекст и улучшенные результаты NextCoder-7B по сравнению с базовой Qwen2.5-Coder-7B на приведённых тестах HumanEvalFix, CanItEdit и Aider. Ограничения включают зависимость качества и требований к ресурсам от конкретного GGUF-варианта квантизации, а также отсутствие подробных характеристик отдельных файлов в представленном README. Лицензия — MIT.

Ornith-1.0-35B-NVFP4-MTP-GGUF — квантизированная версия модели Ornith-1.0-35B от команды DeepReinforce, упакованная в единый формат GGUF для llama.cpp. Исходная модель дообучена с применением reinforcement learning поверх Qwen3.5-35B-A3B и ориентирована на агентное программирование, рассуждения и работу с инструментами. Модель генерирует блок reasoning_content перед финальным ответом и демонстрирует конкурентные результаты с Qwen3.6-35B-A3B и Gemma 4-31B на Terminal-Bench 2.1, SWE-bench Verified/Pro и Claw-eval. Архитектура — Qwen3.5 MoE с 40 слоями, 256 экспертами и hidden size 2048; всего около 35 млрд параметров, из которых активны примерно 3 млрд. В представленном файле используется NVFP4-квантизация экспертных 3D-тензоров с блоками по 16 элементов, Q8_0 для ряда линейных и чувствительных тензоров, а также MTP-голова, перенесённая из Qwen3.6-35B-A3B. Размер файла составляет 19,85 GiB (21,31 GB), средняя плотность — около 4,80 bpw. Мультимодальный словарь сохранён, но vision tower в GGUF не включена, поэтому модель предназначена для текстовой генерации. Главное преимущество варианта — поддержка draft-mtp speculative decoding, обеспечивающая заявленное ускорение декодирования примерно в два раза по сравнению с версией без MTP. NVFP4 рассчитан на NVIDIA Blackwell и использует преимущества их tensor cores; целевые платформы включают RTX PRO 6000 и DGX Spark (GB10). Ограничение — формат NVFP4 требует совместимого оборудования Blackwell и не предназначен для универсального запуска на более старых GPU. Модель распространяется по лицензии MIT.

Карточка модели CrossNow/Ornith-1.5-35B-A3B на Hugging Face совпадает с карточкой ornith-ai/Ornith-1.5-35B-A3B, поэтому описание составлено по ней. Ornith-1.5-35B-A3B — разработанная Ornith AI диалоговая модель семейства Ornith-1.5 с архитектурой Qwen3.5 MoE. В модели около 35 млрд параметров, из которых примерно 3 млрд активируются на каждом токене. Она создана для генерации текста, агентного программирования и выполнения задач с помощью инструментов; README сообщает о результатах на бенчмарках кодирования и агентных задач. Модель принимает текст и выдаёт текст, включая структурированные вызовы инструментов. Поддерживает контекст до 262 144 токенов; README описывает расширение окна примерно до миллиона токенов с помощью YaRN, с возможным небольшим ухудшением качества на обычной длине контекста. Для запуска в bf16 требуется около 70 ГБ памяти модели; в примере обслуживания используются две GPU по 80 ГБ. Репозиторий распространяется по лицензии MIT.

Qwen2.5-Coder-32B-Instruct-4bit — это 4-битная версия модели Qwen2.5-Coder-32B-Instruct, преобразованная сообществом mlx-community в формат MLX с использованием mlx-lm 0.19.3. Модель предназначена для генерации текста и работы с программным кодом в инструкционном и чат-сценариях: она может использоваться для написания, дополнения и объяснения кода, а также для диалога по техническим задачам. Указанный язык — английский. Модель содержит 32 миллиарда параметров и распространяется в 4-битном представлении. Она ориентирована на запуск через библиотеку mlx-lm; README не указывает поддерживаемые модальности, размер контекстного окна или перечень языков программирования. Модель предоставляется по лицензии Apache 2.0. Сведения о конкретных ограничениях качества, требованиях к оборудованию и результатах тестирования в README отсутствуют.

unsloth/Qwen3.6-27B-MTP-GGUF — квантованный формат модели Qwen3.6-27B, разработанной командой Qwen; сборка и GGUF-квантизация предоставлены Unsloth. Это открытая модель с лицензией Apache-2.0, предназначенная для локального запуска и интеграции через llama.cpp, Unsloth Studio и другие совместимые инструменты. Она ориентирована прежде всего на агентное программирование, работу с интерфейсами и репозиториями, итеративную разработку с сохранением контекста рассуждений, а также вызов инструментов. Модель представляет собой каузальную языковую модель с vision encoder и поддерживает текстовые и визуальные сценарии. Размер языковой части — 27 млрд параметров; архитектура включает 64 слоя, комбинацию Gated DeltaNet и Gated Attention, а также multi-token prediction (MTP), обученную на нескольких шагах. Нативная длина контекста составляет 262 144 токена и может расширяться до 1 010 000 токенов. Языки в README не указаны. Ключевое преимущество MTP — заявленное ускорение инференса примерно в 1,5–2 раза без потери точности. Модель поддерживает запуск на GPU, CPU и Metal, однако для MTP в llama.cpp пока не поддерживаются параллельные последовательности с np > 1 и мультимодальный проектор mmproj. При больших окнах контекста возможен повышенный расход памяти; README рекомендует уменьшать контекст при нехватке памяти, сохраняя по возможности не менее 262 144 токенов.

Qwen3.6-27B-MTPLX-Optimized-Speed-V2 — квантизированная версия модели Qwen3.6-27B, разработанная на базе Qwen/Qwen3.6-27B и адаптированная Youssofal для инференса через движок MTPLX на компьютерах Apple Silicon. Модель предназначена прежде всего для локальной генерации кода, использования инструментов и длительных агентских сессий на macOS, включая работу в OpenCode, Claude Code, Cline и других coding agents через OpenAI- и Anthropic-совместимые API. Модель использует архитектуру qwen3-next-mtp с нативной multi-token prediction глубиной до 3 токенов и гибридную квантизацию примерно до 5,8 бит на вес. Большинство весов представлены в 4-битном формате, чувствительные компоненты — в 8-битном или bf16. Размер модели составляет 19,9 ГБ. В комплект входит sidecar с весами MTP, поэтому отдельная draft-модель не требуется. Проверка проводилась на Apple M5 Max с 128 ГБ unified memory; MTPLX рекомендует модель для Mac с 32 ГБ unified memory и более. Заявлены скорость декодирования до 45,7 токена в секунду при контексте 17 тысяч токенов и пиковый speculative multiplier 2,86x, однако эти показатели зависят от оборудования и сценария. Сильные стороны модели — сниженная потеря качества квантизации относительно исходной версии, высокая эффективность speculative decoding в длинном контексте, ускоренная работа в агентских сценариях и сохранение качества обычного декодирования благодаря проверке токенов по точному соотношению вероятностей. Ограничения включают больший размер файла по сравнению с предыдущей версией, что может ухудшать скорость коротких холодных сессий и повышать требования к памяти. README не указывает максимальную длину контекста и список поддерживаемых языков. Модель и инструменты MTPLX распространяются по лицензии Apache-2.0.

unsloth/Qwen3.6-27B-UD-MLX-6bit — это 6-битная MLX-квантизированная версия модели Qwen3.6-27B, разработанной командой Qwen и подготовленной для распространения Unsloth. Модель предназначена для локального запуска в экосистеме MLX и относится к классу причинных языковых моделей с vision encoder, поэтому поддерживает работу с текстом и изображениями. Модель содержит 27 млрд параметров, 64 слоя и имеет нативную длину контекста 262 144 токена с заявленной возможностью расширения до 1 010 000 токенов. Архитектура сочетает Gated DeltaNet, Gated Attention и FFN; модель обучалась на этапах предварительного и последующего обучения. Основные сценарии применения включают агентное программирование, работу с фронтенд-задачами, анализ репозиториев и итеративную разработку с сохранением контекста рассуждений. Данные о поддерживаемых языках в README не указаны. К сильным сторонам относятся большой контекст, сочетание языковых и визуальных возможностей, оптимизация для MLX и акцент на задачах программирования. Ограничения связаны с необходимостью совместимого MLX-окружения и потерями точности, которые могут быть обусловлены 6-битной квантизацией; количественная оценка таких потерь в README не приведена. Модель распространяется по лицензии Apache-2.0.

trohrbaugh создал вариант Qwen3.6-35B-A3B с применением abliteration — модификации, направленной на снижение склонности модели отказывать в ответах. Это мультимодальная модель семейства Qwen с архитектурой смеси экспертов и зрительным энкодером, предназначенная для диалогов, работы с изображениями, программирования и агентных сценариев с вызовом инструментов. Модель содержит 35 млрд параметров, из которых активируется около 3 млрд; в MoE используются 256 экспертов, включая восемь маршрутизируемых и один общий активный эксперт. Контекст составляет 262 144 токена и может расширяться до 1 010 000. Репозиторий содержит веса в формате safetensors для Transformers и совместимых сред. В приведённом сравнении исходная модель отказывала в 99 из 100 проверочных запросов, а этот вариант — в 2 из 100; результат относится к указанной проверке и не гарантирует поведение на других запросах. Модель подходит для генерации и анализа текста и изображений, помощи в разработке ПО и агентной работы с инструментами. Карточка не сообщает языковые коды; в описании исходного семейства упомянуты двуязычные английские и китайские тесты, что само по себе не подтверждает полный перечень поддерживаемых языков. Лицензия — Apache 2.0. Автор указывает, что загрузка до исправления 2 мая 2026 года могла содержать некорректно сохранённые веса MoE; для корректной работы нужна исправленная версия репозитория.

Qwen3-Coder-30B-A3B-Instruct-GGUF — квантизированная версия модели Qwen3-Coder-30B-A3B-Instruct, разработанной Qwen и подготовленной в формате GGUF компанией Second State Inc. Модель предназначена для генерации текста, прежде всего для задач программирования и работы с кодом, и может запускаться через GaiaNet с шаблоном запросов ChatML. Модель имеет архитектуру и параметры исходной Qwen3-Coder-30B-A3B-Instruct; в README указано обозначение 30B-A3B, однако подробности архитектуры не приведены. Поддерживается контекст размером до 256 000 токенов. Модель работает в текстовой модальности, а сведения о поддерживаемых языках в README отсутствуют. Квантизация выполнена с использованием llama.cpp b6031. Модель подходит для локального или распределённого запуска в сценариях генерации текста и помощи с программированием. Ключевое преимущество — большой контекст и формат GGUF, удобный для совместимых сред запуска. Ограничения README не описывает; также не приведены сведения о точном типе квантизации, требованиях к ресурсам, производительности и языковом покрытии. Модель распространяется по лицензии Apache-2.0.

Qwen3-Coder-30B-A3B-Instruct-MLX-6bit — 6-битная квантизированная версия модели Qwen3-Coder-30B-A3B-Instruct, разработанной Qwen. Квантизация выполнена командой LM Studio с использованием MLX, поэтому модель оптимизирована для запуска на устройствах с Apple Silicon и предназначена для генерации текста, прежде всего в сценариях, связанных с программированием и работой с кодом. Модель основана на исходной Qwen3-Coder-30B-A3B-Instruct; её архитектура, поддерживаемые языки, модальности и размер контекста в README не уточняются. Квантизация снижает требования к памяти и делает локальный запуск более практичным, однако может повлиять на точность по сравнению с исходной версией. Также модель может генерировать неточный, вредоносный или неподходящий контент, поэтому результаты требуют проверки. Для исходной модели указана лицензия Apache 2.0. LM Studio не является создателем или владельцем модели и не гарантирует её точность, безопасность, доступность или соответствие конкретным требованиям.

giladgd/Qwen3-Coder-30B-A3B-Instruct-Q4_K_M-GGUF — это квантизированная версия модели Qwen3-Coder-30B-A3B-Instruct, преобразованная в формат GGUF с помощью llama.cpp через сервис GGUF-my-repo. В README не указано, кто именно разработал исходную модель, однако она основана на Qwen/Qwen3-Coder-30B-A3B-Instruct. Модель предназначена для генерации текста и, прежде всего, для задач, связанных с программированием, включая работу с кодом и использование в диалоговых приложениях. Модель рассчитана на локальный запуск с помощью llama.cpp и node-llama-cpp, в том числе через командную строку или серверный режим. Обозначение 30B указывает на класс модели примерно с 30 миллиардами параметров, а A3B и Q4_K_M относятся к характеристикам исходной архитектуры и применённой 4-битной квантизации соответственно. В README не приведены точные сведения о контекстном окне, языках, поддерживаемых модальностях и других архитектурных деталях. К сильным сторонам относятся совместимость с популярными локальными инструментами инференса и уменьшенные требования к памяти благодаря формату Q4_K_M. Ограничениями являются возможная потеря качества по сравнению с полной точностью и зависимость производительности от оборудования и настроек llama.cpp. Модель распространяется по лицензии Apache-2.0.

Anannta разработала R1-Coder-DARE-7B — объединённую методом TIES языковую модель для генерации кода и диалогового взаимодействия. В объединении использованы DeepSeek-R1-Distill-Qwen-7B как базовая модель и Qwen2.5-Coder-7B-Instruct; архитектура — плотная Qwen2, размер — 7,1 млрд параметров. Модель работает с текстом, поддерживает контекст до 131 072 токенов и доступна в форматах Safetensors и GGUF F16. Модель предназначена для генерации и анализа кода в инструкционном и чат-сценариях. Метаданные указывают задачу text-generation и возможность чата. Лицензия в предоставленных данных не указана.

Seed-Coder-8B-Instruct-GGUF — GGUF-квантизированная версия инструкционной модели Seed-Coder-8B-Instruct, разработанной ByteDance Seed и опубликованной в формате Unsloth. Это открытая модель для генерации и обработки программного кода, включая генерацию, рассуждение по коду, редактирование и задачи программной инженерии. Версия Instruct дообучена для лучшего следования пользовательским инструкциям. Модель представляет собой каузальную языковую модель примерно на 8 млрд параметров, прошедшую предобучение и постобучение на публичных и синтетических данных. Она поддерживает контекст длиной до 32 768 токенов и работает в текстовой модальности; конкретные языки программирования и перечень естественных языков в README не указаны. GGUF-формат предназначен для более удобного локального запуска с совместимыми средствами инференса, однако точные параметры квантования для этой карточки не приведены. К сильным сторонам относятся высокая эффективность среди открытых моделей сопоставимого размера, ориентация на широкий спектр задач программирования и подход к подготовке данных, основанный преимущественно на использовании LLM вместо большого числа ручных правил. Ограничения — отсутствие в предоставленных данных подробностей о поддерживаемых языках, требованиях к оборудованию, конкретном варианте квантования и результатах полной таблицы оценки. Лицензия MIT.

VultronCoderAtlas — разреженная мультимодальная модель семейства Kimi K3, разработанная Vultr на основе moonshotai/Kimi-K3. В ней около 2,10 трлн параметров, организованных в 93 трансформерных блока: один плотный и 92 MoE-блока. Для сокращения модели применён метод Router-weighted Expert Activation Pruning (REAP): в каждом MoE-блоке оставлено 672 эксперта с сохранением маршрутизации top-16. Модель принимает текст и изображения и выдаёт текст; контекстное окно составляет до 1 048 576 токенов. Модель предназначена для работы с крупными репозиториями и сопровождения кода, coding-агентов с инструментами, анализа длинных технических материалов и задач по изображениям и тексту. README приводит результаты оценивания на DeepSWE, Terminal-Bench, HumanEval+, MBPP+ и MMMU-Pro; проверка релиза охватывает англоязычные сценарии. Для многошаговых запросов требуется передавать полную историю ответа ассистента, включая reasoning_content, content и tool_calls. Checkpoint занимает около 1,2 ТБ и требует многопроцессорной GPU-конфигурации, нативных MXFP4-ядер и движка инференса с поддержкой Kimi K3, его парсеров рассуждений и вызова инструментов. Модель может генерировать неверный код или некорректные вызовы инструментов, а агентные результаты могут варьироваться. В метаданных указана лицензия other; конкретные условия лицензии в предоставленной карточке не раскрыты.

CodeGemma 7b Instruct — инструкционная языковая модель для генерации и анализа программного кода, разработанная Google. В каталоге указана её GGUF-версия для локального запуска; квантизация выполнена bartowski на основе llama.cpp. Модель предназначена прежде всего для ответов на вопросы по программированию, генерации кода и работы в инструментах наподобие Copilot, включая сценарии autocomplete и fill-in-the-middle. Модель относится к семейству Gemma, имеет заявленный размер 7B параметров; в метаданных LM Studio указано 8B. Она работает в текстовой модальности, поддерживает инструкционный формат Google Gemma Instruct и не использует системный prompt. В README не указаны контекстное окно и полный перечень языков, однако приведены примеры генерации кода на C++, Java и React. Сильная сторона модели — специализация на задачах программирования и возможность локального использования в формате GGUF. Ограничения включают отсутствие поддержки системного prompt и недостаток сведений о контекстном окне, языковом покрытии и качестве на конкретных тестах. Для доступа к исходной модели на Hugging Face требуется принять лицензию Google Gemma; применимая лицензия — Gemma, условия опубликованы Google.

Code-Llama-3-8B-GGUF — это набор квантизованных версий языковой модели Code-Llama-3-8B в формате GGUF, подготовленный пользователем bartowski с использованием llama.cpp и метода imatrix. Исходная модель размещена на Hugging Face организацией или автором ajibawa-2023. Модель предназначена прежде всего для генерации, дополнения и объяснения программного кода, а также для решения задач по программированию и математических задачах в диалоговом формате. Модель содержит 8 миллиардов параметров и работает в текстовой модальности. В README указан английский язык, а среди целевых языков программирования перечислены Python, C++, PHP, JavaScript, Java, Rust, Ruby, SQL, MySQL, R и Julia. Доступно множество вариантов квантизации от Q8_0 до IQ1_M, что позволяет выбирать баланс между качеством и требованиями к памяти: рекомендуются, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и некоторые варианты IQ4. Более компактные варианты экономят память, но снижают качество и могут быть непригодны для требовательных задач. Сильными сторонами являются специализация на коде, широкий выбор размеров файлов и возможность локального запуска через совместимый стек llama.cpp. Ограничения включают потери качества при низкой разрядности квантизации; сведения о размере контекстного окна, точной архитектуре и поддержке других естественных языков в README не указаны. Модель распространяется по лицензии llama3.

CoderO1-DeepSeekR1-Coder-32B-Preview — это 32-миллиардная плотная языковая модель семейства Qwen2, созданная RDson методом слияния mergekit на основе Qwen/Qwen2.5-32B с компонентами Qwen/Qwen2.5-Coder-32B-Instruct и DeepSeek-R1-Distill-Qwen-32B. Она предназначена для генерации текста в формате диалога, в частности для написания, анализа и исправления кода, а также задач рассуждения при работе с программным кодом. Модель использует архитектуру Qwen2ForCausalLM, принимает текст и генерирует текст. Заявленная длина контекста — 131072 токена; репозиторий содержит веса Safetensors и использует библиотеку Transformers. Модель может быть полезна для разработки программных помощников и кодовых агентов. В README указана лицензия базовых компонентов не приводится, поэтому условия лицензирования этой сборки по имеющимся данным определить нельзя. Результаты слияния могут различаться по качеству в зависимости от задачи; конкретные оценки качества в карточке не приведены.

Codestral-22B-v0.1-abliterated-v3-GGUF — это GGUF-квантизованная версия модели Codestral-22B-v0.1-abliterated-v3. Исходная модель размещена пользователем failspy, а квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix. В карточке не указано, кто разработал исходную архитектуру Codestral. Модель предназначена прежде всего для генерации и обработки программного кода, поскольку имеет тег code и относится к задаче text-generation. Она доступна в нескольких вариантах квантизации GGUF с размером файлов примерно от 6,64 до 23,64 ГБ, что позволяет выбирать баланс между качеством и требованиями к оперативной памяти. Наиболее качественными и рекомендуемыми названы варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS; версии с более низкой разрядностью экономят память, но могут заметно терять в качестве. В README не указаны точная архитектура, размер контекстного окна, поддерживаемые естественные языки и дополнительные модальности, поэтому эти характеристики нельзя достоверно определить по имеющимся данным. Также предупреждается, что формат prompt не задан в исходной карточке и предложенный шаблон может быть некорректным. Модель распространяется по лицензии MNPL-0.1; в карточке приведена ссылка на её текст.

DeepSeek-Coder-V2-Instruct-IMat-GGUF — это GGUF-квантизованная версия модели DeepSeek-Coder-V2-Instruct, подготовленная пользователем legraphista на основе исходной модели deepseek-ai. Модель предназначена для генерации текста и, судя по названию базовой модели, ориентирована прежде всего на работу с программным кодом и инструкциями, однако подробные сведения о поддерживаемых языках программирования и естественных языках в представленном README не указаны. Доступны варианты квантования от 1 до 8 бит, включая Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K, а также ряд вариантов IQ. Файлы распространяются в формате GGUF и могут использоваться с llama.cpp; крупные варианты поставляются разделёнными на несколько частей. Для вариантов Q4 и ниже применена IMatrix-квантизация с отдельным файлом imatrix.dat, а исходный тип данных базовой модели — BF16. Размеры файлов варьируются примерно от 85,95 до 250,62 ГБ, поэтому требования к оперативной или видеопамяти существенно зависят от выбранного варианта. Сильной стороной модели является широкий выбор уровней квантования, позволяющий выбирать баланс между качеством и ресурсами, а IMatrix может улучшать сохранение качества при низкой разрядности. Ограничениями являются большой объём файлов, необходимость совместимого программного обеспечения и потенциальное снижение качества по сравнению с исходной BF16-моделью, особенно у более агрессивных вариантов квантования. Модель распространяется по лицензии deepseek-license; в метаданных она указана как other, а подробные условия находятся в файле LICENSE.

DeepSeek-V4-Flash-0731 — официальный выпуск модели DeepSeek-V4-Flash от DeepSeek, заменивший предварительную версию. Это плотная языковая модель с архитектурой DeepseekV4ForCausalLM и 10,7 млрд параметров; репозиторий содержит веса Safetensors в формате FP8. Модель предназначена для генерации текста, диалогов и агентных сценариев, в том числе программирования и работы с терминалом. В README заявлено улучшение агентных возможностей и приведены результаты сравнительных тестов, однако приведённая таблица частичная. Контекст модели составляет до 1 048 576 токенов. Выпуск включает модуль спекулятивного декодирования DSpark; для общения предусмотрен специальный способ кодирования OpenAI-совместимых сообщений, но Jinja-шаблон чата не включён. README описывает уровни reasoning_effort low, high и max, а также запуск через vLLM, SGLang и локальную инфраструктуру. Лицензия — MIT. Языки, на которых модель обучена или проверена, в предоставленных данных не перечислены.

Focus — производная текстовая модель Jaidchen на базе Qwen/Qwen3.6-27B, представленная в архитектуре Qwen3_5ForCausalLM и содержащая 22,3 млрд параметров. Она предназначена для генерации текста, программирования и агентных сценариев с чатом и интерфейсом вызова инструментов. Контекст составляет до 262 144 токенов. Из модели удалены компоненты обработки изображений и видео: соответствующие данные могут оставаться в контексте, но модель не интерпретирует их. Автор заявляет о снижении требований к хранению, памяти и времени вывода без потери качества; независимые результаты сравнения в доступной карточке не приведены. Шаблон чата поддерживает роли developer и system, сохранение исторических рассуждений и разные формы вызовов инструментов. Совместимость зависит от движка: карточка указывает поддержку в SGLang версии 0.5.17 и новее и vLLM версии 0.26.0 и новее; другие движки могут требовать адаптации и вести себя непредсказуемо. По умолчанию случайная выборка отключена, что ограничивает пригодность для длинного творческого письма и развлекательного чата. Лицензия — Apache-2.0.

FuseO1-DeepSeekR1-Qwen2.5-Coder-32B-Preview-v0.1-GGUF — это GGUF-квантизации языковой модели FuseAI/FuseO1-DeepSeekR1-Qwen2.5-Coder-32B-Preview, подготовленные пользователем bartowski с помощью llama.cpp. Модель предназначена для генерации текста и, судя по названию базовой модели, ориентирована прежде всего на программирование и задачи рассуждения, однако подробные сведения о поддерживаемых языках, длине контекста и точной архитектуре в README не указаны. Доступны варианты от полного BF16 размером 65,54 ГБ до квантизаций Q3–Q8 и IQ4 с размером примерно от 17,69 до 34,82 ГБ. Для квантизации использовался imatrix, а для запуска рекомендуется LM Studio; также указана совместимость с llama.cpp. В README приведён специальный формат промпта. Более качественными и рекомендуемыми названы варианты Q5, Q6 и Q4_K_M, тогда как облегчённые варианты позволяют снизить требования к оперативной памяти ценой качества. Модель текстовая; поддержка других модальностей не заявлена. Репозиторий распространяется по лицензии Apache-2.0. Ограничения включают значительные требования к памяти для 32B-модели и возможное снижение качества у компактных квантизаций. README не содержит результатов тестирования, точных характеристик базовой архитектуры, сведений о языках и контекстном окне.