II.5Безопасность программного кода и цепочки поставок

tepirale/gemma-4-12B-merge-coder40-agentic40-it20-linear — объединённая модель на архитектуре Gemma 4 Unified, созданная с помощью mergekit линейным слиянием трёх моделей: Gemma 4 12B IT от Google и двух вариантов Gemma 4 12B от tepirale, настроенных на кодирование и агентные задачи. В конфигурации указаны веса 0,4 для каждой специализированной модели и 0,2 для Gemma 4 IT, а также нормализация и формат bfloat16. Модель предназначена для диалога и генерации текста с визуальным вводом; объединение кодовой и агентной специализаций предполагает применение в программировании и агентных сценариях. Метаданные классифицируют её как image-text-to-text и отмечают поддержку vision. Базовая Gemma 4 12B IT описана как мультимодальная модель для анализа текста, изображений, видео и аудио, однако README этой модели не подтверждает сохранение всех этих возможностей после слияния. Модель распространяется по лицензии Apache-2.0. Размер параметров и длина контекста в предоставленных данных не указаны.

Карточка модели indigoskyai/Kimi-K2.6 на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.6, поэтому описание составлено по ней. Kimi K2.6 — открытая мультимодальная агентная модель компании Moonshot AI для сложных задач программирования, проектирования интерфейсов, автономного выполнения многошаговых задач и координации групп агентов. В карточке Hugging Face указана архитектура семейства Kimi K2.5 для условной генерации, а README описывает MoE-модель с 1 трлн параметров, из которых активны 32 млрд. Модель принимает текст, изображения и видео; заявленная длина контекста в описании испытаний составляет 262 144 токена. Модель предназначена для создания и изменения кода, генерации интерфейсов по текстовым и визуальным запросам, а также выполнения задач с инструментами и параллельными агентами. По данным README, она может координировать до 300 подагентов и 4 000 шагов и рассчитана на работу с языками программирования, включая Rust, Go и Python. Метаданные Hugging Face отмечают чат-возможность и задачи генерации текста и преобразования изображений в текст. Указана лицензия other; её конкретные условия следует проверять в репозитории модели. README сообщает о нативной INT4-квантизации и рекомендует vLLM, SGLang и KTransformers для запуска.

Карточка модели wucjik/Kimi-K2.6 на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.6, поэтому описание составлено по ней. Kimi K2.6 — открытая мультимодальная агентная модель компании Moonshot AI для сложных задач программирования, проектирования интерфейсов, автономного выполнения многошаговых задач и координации групп агентов. В карточке Hugging Face указана архитектура семейства Kimi K2.5 для условной генерации, а README описывает MoE-модель с 1 трлн параметров, из которых активны 32 млрд. Модель принимает текст, изображения и видео; заявленная длина контекста в описании испытаний составляет 262 144 токена. Модель предназначена для создания и изменения кода, генерации интерфейсов по текстовым и визуальным запросам, а также выполнения задач с инструментами и параллельными агентами. По данным README, она может координировать до 300 подагентов и 4 000 шагов и рассчитана на работу с языками программирования, включая Rust, Go и Python. Метаданные Hugging Face отмечают чат-возможность и задачи генерации текста и преобразования изображений в текст. Указана лицензия other; её конкретные условия следует проверять в репозитории модели. README сообщает о нативной INT4-квантизации и рекомендует vLLM, SGLang и KTransformers для запуска.

Карточка модели ckoh04/Kimi-K2.6-pruned-8experts на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.6, поэтому описание составлено по ней. Kimi K2.6 — открытая мультимодальная агентная модель компании Moonshot AI для сложных задач программирования, проектирования интерфейсов, автономного выполнения многошаговых задач и координации групп агентов. В карточке Hugging Face указана архитектура семейства Kimi K2.5 для условной генерации, а README описывает MoE-модель с 1 трлн параметров, из которых активны 32 млрд. Модель принимает текст, изображения и видео; заявленная длина контекста в описании испытаний составляет 262 144 токена. Модель предназначена для создания и изменения кода, генерации интерфейсов по текстовым и визуальным запросам, а также выполнения задач с инструментами и параллельными агентами. По данным README, она может координировать до 300 подагентов и 4 000 шагов и рассчитана на работу с языками программирования, включая Rust, Go и Python. Метаданные Hugging Face отмечают чат-возможность и задачи генерации текста и преобразования изображений в текст. Указана лицензия other; её конкретные условия следует проверять в репозитории модели. README сообщает о нативной INT4-квантизации и рекомендует vLLM, SGLang и KTransformers для запуска.

Карточка модели anything098/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 ghanemite/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 RedHatAI/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 sdlangshaw/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 Snenn/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.

Kimi-K2.7-Code-Alis-MLX-Dynamic-3.6bpw — это чувствительность-ориентированная 3,6-битная MLX-квантизация модели moonshotai/Kimi-K2.7-Code, созданная avlp12 для запуска на компьютерах Apple Silicon, прежде всего на M3 Ultra. Базовая модель представляет собой примерно триллионопараметрическую MoE-архитектуру в стиле DeepSeek-V3 с 32 млрд активных параметров и предназначена главным образом для генерации кода и решения задач программирования. Репозиторий содержит текстовую/code-версию рецепта, однако исходные веса были удалены как дубликат и перенесены в связанный VLM-репозиторий; языковая часть там побитово идентична этой сборке, а VLM дополнительно включает MoonViT и projector. Модель использует Multi-head Latent Attention (MLA), благодаря чему KV-кэш занимает относительно мало памяти: около 68,6 КБ на токен по всем 61 слоям. Нативное контекстное окно составляет 256K токенов, с YaRN-расширением и rope_theta 50000. Размер весов — около 465 ГБ (433 GiB), поэтому модель рассчитана на один компьютер с 512 ГБ памяти или на распределённый запуск на двух M3 Ultra по Thunderbolt через pipeline parallelism. Квантизация применяет 3 бита к большинству routed experts, 4 бита к down_proj в 16 из 60 слоёв, 6 бит к attention, shared experts, dense-слою, embedding и LM head, а маршрутизатор сохраняется в bf16; эффективная разрядность составляет 3,62 бита на вес. Сильными сторонами являются существенное снижение требований к памяти по сравнению с полноразмерными и 4-битными сборками, сохранение качества за счёт чувствительность-ориентированного распределения битов и возможность работы с очень длинным контекстом. Ограничения включают экстремально большой размер, необходимость мощного Apple Silicon-оборудования и отсутствие заявленной универсальной оценки качества помимо приведённых метрик perplexity и KL-дивергенции. Лицензия указана как modified-MIT; ссылка ведёт на лицензию базовой модели Kimi-K2.7-Code.

Карточка модели 404devnotfound/LongCat-2.0 на Hugging Face совпадает с карточкой bh890/LongCat-2.0, поэтому описание составлено по ней. LongCat-2.0 — большая языковая модель семейства LongCat, представленная разработчиками проекта LongCat. Это модель архитектуры MoE с классом LongcatCausalLM; в метаданных репозитория указано 42,1 млрд параметров, тогда как README описывает полную версию с 1,6 трлн параметров и примерно 48 млрд активируемых на токен. Репозиторий содержит веса в формате safetensors и использует лицензию MIT. Модель предназначена для диалоговой генерации текста, программирования, понимания кода и репозиториев, выполнения задач агентами и работы с инструментальными сценариями. README сообщает об обучении на данных с контекстом до 1 млн токенов и об архитектурном механизме LongCat Sparse Attention для длинных последовательностей; метаданные указывают нативный контекст 262 144 токена. В карточке также заявлены чат и интерфейс вызова инструментов. README особо выделяет задачи с длинным горизонтом, редактирование кода на уровне репозитория и автоматизацию действий; развёртывание описано для GPU и NPU. Модель не оценивалась всесторонне для всех возможных прикладных сценариев. Условия лицензии — MIT.

Esper 3.1 — дообученная Valiant Labs языковая модель на архитектуре Ministral 3, основанная на Ministral-3-14B-Reasoning-2512. Она предназначена для рассуждений при решении задач программирования, проектирования систем и DevOps, включая MLOps и архитектуру ИИ. Модель поддерживает чат и следование инструкциям; в репозитории представлены веса в формате safetensors, а для запуска используется формат запросов базовой модели. Модель обучали на наборах сложных задач по коду, DevOps, архитектуре и рассуждениям, включая данные, созданные с помощью моделей DeepSeek. В карточке указана поддержка английского языка. Лицензия — Apache-2.0. Размер и длина контекста этой версии в предоставленных данных не указаны.

Abiray/Muse-Glimmer-30B-GGUF — набор GGUF-квантов мультимодальной модели Muse-Glimmer-30B, разработанной meta-models и дистиллированной из Muse Spark. Репозиторий подготовлен с использованием llama.cpp и предназначен для локального запуска модели, включая сценарии на потребительском оборудовании. Модель ориентирована на автономные агентные рабочие процессы, многошаговое рассуждение с длинным горизонтом, задачи программирования, включая SWE-bench, и надёжный вызов функций. Поддерживается обработка изображений через отдельный мультимодальный vision projector в формате GGUF; базовая модель и проектор загружаются раздельно. Заявлены 30 млрд параметров, контекст до 131 072 токенов и архитектура с визуальным проектором на основе ViT размером около 1,8 млрд параметров. Сведения о поддерживаемых языках в README не указаны. Доступны варианты квантования от Q8_0 до IQ3_XXS размером примерно от 29,6 до 11,5 ГБ, что позволяет выбирать баланс между качеством, скоростью и требованиями к памяти. Вариант Q4_K_M обозначен как оптимальный компромисс и рассчитан примерно на 20–24 ГБ памяти, а Q8_0 обеспечивает качество, близкое к BF16, но требует 32–48 ГБ. Более сильное сжатие уменьшает требования к памяти, однако может снижать точность рассуждений и восприятия. Лицензия — Apache-2.0.

Qwen2.5-Coder-0.5B-Instruct-GGUF — инструкционная языковая модель для работы с исходным кодом из семейства Qwen2.5-Coder, разработанного командой Qwen. Она предназначена для генерации, анализа и исправления кода, задач кодового рассуждения, чат-сценариев и создания приложений на базе кодовых агентов. Модель сохраняет возможности для математических и общих языковых задач. Указанный репозиторий содержит версию в формате GGUF, ориентированную на локальный запуск, в том числе через llama.cpp. Модель является авторегрессионной causal language model с архитектурой на базе transformers, RoPE, SwiGLU, RMSNorm, смещениями в QKV внимания и связанными эмбеддингами слов. Она содержит около 0,49 млрд параметров, из которых 0,36 млрд — без учёта эмбеддингов, 24 слоя и GQA с 14 головами для Q и 2 для KV. Полная длина контекста составляет 32 768 токенов. Поддерживаются варианты квантизации q2_K, q3_K_M, q4_0, q4_K_M, q5_0, q5_K_M, q6_K и q8_0. В карточке явно указан английский язык; другие языки не заявлены. К сильным сторонам относятся небольшой размер, возможность локального запуска и специализация на программном коде. Ограничениями являются существенно меньшая мощность по сравнению с крупными моделями семейства и отсутствие подтверждённых в карточке характеристик мультимодальности или поддержки дополнительных языков. Для расширения контекста до 131 072 токенов рекомендуется использовать не GGUF-версии, поскольку для GGUF заявлена длина до 32 768 токенов, а поддержку YARN для экстраполяции указывает только vLLM. Модель распространяется по лицензии Apache-2.0.

richardyoung/Qwen2.5-Coder-14B-Instruct-heretic — модифицированная версия Qwen/Qwen2.5-Coder-14B-Instruct, созданная с помощью Heretic v1.4.0. Это причинная языковая модель семейства Qwen2 для генерации кода и диалогового взаимодействия; размер по метаданным — 14 млрд параметров, веса сохранены в safetensors. Карточка указывает на изменение поведения отказов: в приведённой оценке модель отказала в 3 из 100 случаев против 100 из 100 у исходной модели. Модель подходит для генерации, анализа и исправления кода, а также для диалоговых сценариев разработки. Метаданные указывают контекст до 32 768 токенов; README базовой модели описывает возможность расширения до 131 072 токенов с YaRN, но это требует настройки и может ухудшить работу на коротких запросах. Карточка модели не приводит отдельной оценки качества именно этой версии. Модель основана на Qwen/Qwen2.5-Coder-14B-Instruct и распространяется по лицензии Apache-2.0. В README разработчиком модификации указан владелец репозитория richardyoung; модель снижает частоту отказов, поэтому её ответы требуют соответствующей проверки при использовании.

Qwen2.5-Coder-32B-Instruct-Q4_K_M-GGUF — это квантизированная версия модели Qwen2.5-Coder-32B-Instruct, преобразованная в формат GGUF пользователем zhangfeng026 с использованием llama.cpp и сервиса GGUF-my-repo. Исходная модель разработана командой Qwen; в карточке указана лицензия Apache-2.0. Модель предназначена для генерации текста и прежде всего для задач, связанных с программным кодом, включая работу в чат-сценариях и использование через llama.cpp. Формат GGUF ориентирован на локальный запуск с помощью llama-cli или llama-server и может применяться на совместимом CPU или GPU-оборудовании. В качестве базовой модели указана Qwen/Qwen2.5-Coder-32B-Instruct, а размер исходной модели составляет 32B параметров. Ключевая характеристика этой версии — квантизация Q4_K_M, которая уменьшает требования к памяти по сравнению с полноразмерной моделью, но потенциально снижает точность генерации. Модель относится к текстовым, поддерживает генерацию кода и текста; в метаданных указан английский язык. Размер контекста в README не определён: в примере запуска llama.cpp используется значение 2048 токенов, но это является параметром команды, а не обязательно максимальным контекстом модели. Подробные сведения о языках, архитектуре, результатах оценки и ограничениях рекомендуется уточнять в карточке исходной модели.

apto-as/Qwen2.5-Coder-7B-Instruct-Q5_K_M-GGUF — это квантизированная версия Qwen2.5-Coder-7B-Instruct, преобразованная в формат GGUF с помощью llama.cpp и сервиса GGUF-my-repo. Модель разработана на базе Qwen/Qwen2.5-Coder-7B-Instruct и предназначена для генерации текста и работы с программным кодом в диалоговом режиме. Модель ориентирована на задачи, связанные с написанием и обработкой кода, а также на интерактивное использование через llama.cpp в CLI или серверном режиме. Указан размер базовой модели 7B; применяется квантизация Q5_K_M. Поддерживаемый язык в карточке — английский. Формат GGUF позволяет запускать модель через llama.cpp, в том числе локально, однако конкретные архитектурные параметры и размер контекстного окна в README не указаны; в примере сервера используется контекст длиной 2048 токенов. К сильным сторонам относятся специализация на программном коде, инструктивный режим и совместимость с llama.cpp. Ограничения включают отсутствие подробных сведений о качестве, поддерживаемых языках программирования, мультимодальности и фактических требованиях к оборудованию. Модель распространяется по лицензии Apache-2.0.

Esper 3.1 — дообученная Valiant Labs модель на базе Qwen3.6-27B, предназначенная для программирования, проектирования систем и DevOps. Она ориентирована на сложные задачи рассуждения, включая разработку и анализ кода, архитектуру приложений и инфраструктуры, MLOps и исследования в области ИИ. В карточке также заявлена поддержка работы с изображениями; основной практический акцент сделан на текстовом диалоге и генерации кода. Модель имеет плотную архитектуру Qwen3_5ForCausalLM, содержит 22,3 млрд параметров и поддерживает контекст до 262 144 токенов. Среди заявленных языков — английский; в тегах перечислены языки программирования, включая Python, TypeScript, JavaScript, Java, C++, C#, Rust и Go. Модель распространяется в формате safetensors под лицензией Apache-2.0. Esper 3.1 дообучена на наборах данных с задачами рассуждения, кодирования и DevOps, включая данные, созданные с помощью DeepSeek. Качество заявлено разработчиком, независимые оценки в карточке не приведены. Модель рассчитана на локальный запуск и серверное использование; фактические требования к ресурсам зависят от выбранной реализации и оборудования.

Модель Qwen3.8-27B-ED-5bpw-GGUF опубликована пользователем bakhtin и представляет собой квантованный вариант Qwen3.8-27B в формате GGUF. Автор указывает, что дополнительного дообучения и посттренировки не проводилось; для калибровки квантования использовалась матрица важности, собранная на русскоязычных технических текстах, программировании и формальной логике. Веса основаны на BF16-файле ggml-org/Qwen3.8-27B-GGUF. Модель поддерживает диалог и работу с изображениями: принимает текст и изображения, выдаёт текст. Квантование 5 BPW занимает около 15,92 ГиБ; автор ориентирует запуск на потребительскую видеокарту с 16 ГБ видеопамяти. По README, контекст свыше 90 тысяч токенов практически нецелесообразен из-за падения скорости. Указана лицензия Apache-2.0.

Solstice-AI/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU-mlx-oQ8e-1M — это версия модели Qwen3.8-27B Cold Fusion, разработанной DavidAU, с последующей квантизацией, масштабированием контекста и упаковкой от Solstice-AI. Модель предназначена для локального запуска на устройствах Apple Silicon через Apple MLX, Anvil Runtime и MLX-LM, включая задачи рассуждений, программирования, агентной разработки ПО, отладки репозиториев и длительных рабочих процессов с большим контекстом. В README также заявлена поддержка сценариев управления операционными системами и мобильными устройствами. Модель имеет размер 27 млрд параметров и поставляется в смешанной 8-битной точности Apple MLX oQ8e, оптимизированной с помощью importance matrix. Заявлена гибридная архитектура с Gated Delta Recurrent Network и Grouped-Query Attention, а также аппаратная Multi-Token Prediction. Максимальный контекст составляет 1 048 576 токенов благодаря YaRN RoPE scaling. Указаны английский и китайский языки; в метаданных модель обозначена как image-text-to-text, однако подробности поддержки изображений в README не приведены. К заявленным сильным сторонам относятся большой контекст, оптимизация для unified memory и Metal на Apple Silicon, сохранение качества при квантизации и высокая производительность с заявленным ускорением 1,72–2,20 раза благодаря MTP. README приводит результаты внутренних или заявленных разработчиками сравнений, включая 61,7% на SWE-bench Pro и 735 на ARC-C, но их независимая проверка не представлена. Ограничения включают зависимость от совместимого Apple Silicon окружения, возможные потери качества из-за квантизации и отсутствие подробных данных о требованиях к памяти и воспроизводимости оценок. Лицензия указана как Apache 2.0.

Qwen3.8-Flash-Next REAP-288 (GGUF) — это текстовая генеративная модель класса примерно 180B с архитектурой MoE, созданная sh0wie на основе Qwen/Qwen3.8-Flash-Next. В каждой MoE-слойной структуре число экспертов сокращено с 512 до 288 методом REAP. Модель преобразована непосредственно из полноточного источника bf16 в формат GGUF за один этап квантования и предназначена для запуска через llama.cpp, Ollama, LM Studio и совместимые инструменты. Модель ориентирована прежде всего на агентное программирование и задачи генерации, анализа и рефакторинга кода. В тесте HumanEval вариант после pruning показал результат 91,5% (149 из 164) против 93,9% у полной модели, однако измерение выполнено на ветке MLX 4-bit, а для GGUF указано только совпадение выбора сохранённых экспертов и общего bf16-источника. Доступны варианты Q4_K_M размером 78 ГБ, Q5_K_M размером 87 ГБ и Q8_0 размером 116 ГБ: увеличение размера обычно повышает точность, но требует больше памяти и снижает скорость. К сильным сторонам относятся высокая производительность в задачах программирования, выбор нескольких уровней квантования и совместимость с распространёнными локальными рантаймами. Ограничения включают возможное ухудшение качества за пределами распределения агентных задач программирования, отсутствие доверительных интервалов в оценках и отсутствие проверки работы с изображениями после pruning. Языки и размер контекста в README не указаны. Используется Qwen Community License 1.0, унаследованная от базовой модели.

Это сообщественная конверсия модели Qwen/Qwen3-Coder-30B-A3B-Instruct в формат GGUF, подготовленная Geoff Munn для локального запуска через llama.cpp и совместимые приложения. В основе — инструктивная языковая MoE-модель Qwen для программирования, агентных сценариев и работы с длинным контекстом до 262 144 токенов; в этой версии используется точность FP32. Модель можно применять для генерации кода и ответов в чат-интерфейсах, а также в сценариях с RAG и инструментами. Репозиторий предлагает производные квантизации от FP32; README отмечает, что FP32 требует примерно вдвое больше памяти, чем FP16, и обычно не даёт преимуществ при инференсе, поэтому его позиционируют преимущественно для отладки, исследований и сравнения результатов. Поддерживаются английский, китайский, испанский, французский, немецкий, русский, арабский, японский, корейский и хинди. Лицензия — Apache-2.0; автор указывает, что это сторонняя конверсия, не связанная с Alibaba Cloud или командой Qwen.

unsloth/Qwen3-Coder-30B-A3B-Instruct-GGUF — GGUF-версия инструкционной модели Qwen3-Coder-30B-A3B-Instruct, разработанной командой Qwen и подготовленной Unsloth. Это каузальная языковая модель для генерации текста и кода, ориентированная на агентное программирование, использование браузера агентами и другие задачи разработки, включая работу с репозиториями большого размера. Модель поддерживает интеграции и специальные форматы вызова функций для инструментов вроде Qwen Code и CLINE. Архитектура основана на mixture-of-experts: всего 30,5 млрд параметров, из которых при обработке активируются около 3,3 млрд; предусмотрено 48 слоёв, 128 экспертов и 8 активируемых экспертов. Используется Grouped Query Attention с 32 головами запросов и 4 головами ключей и значений. Нативное окно контекста составляет 262 144 токена, а с использованием YaRN его можно расширить до 1 млн токенов. Модель работает только в режиме без рассуждений и не генерирует блоки <think></think>. К сильным сторонам относятся сочетание высокой заявленной производительности в задачах программирования с относительно небольшим числом активируемых параметров, а также поддержка контекста репозиторного масштаба. README не содержит подробных данных о языках, результатах бенчмарков, требованиях к оборудованию, конкретных параметрах GGUF-квантизации или ограничениях качества, поэтому эти характеристики нельзя уточнить. Модель распространяется по лицензии Apache-2.0.

Qwen3-Coder-480B-A35B-Instruct в репозитории Unsloth — инструкционная MoE-модель для генерации кода и агентного программирования. Она поддерживает работу с инструментами через специальный формат вызовов функций и предназначена для сценариев, где нужно анализировать крупные репозитории, писать код и выполнять задачи с браузером. В карточке заявлены результаты среди открытых моделей, сопоставимые с Claude Sonnet на агентном программировании и работе с браузером. В README описана архитектура причинной языковой модели Qwen3 MoE: 480 млрд параметров всего, 35 млрд активируемых, 160 экспертов и 8 активируемых экспертов. Метаданные репозитория указывают 15,4 млрд параметров; контекст составляет 262 144 токена. Модель работает в режиме без рассуждений (non-thinking). Лицензия — Apache-2.0. Карточка Unsloth связывает репозиторий с Qwen/Qwen3-Coder-480B-A35B-Instruct как производной моделью; отдельные сведения о конкретных изменениях весов в README не приведены.

Qwopus3.5-9B-Coder-MTP-GGUF — мультимодальная модель для генерации текста и работы с изображениями, разработанная Jackrong на базе Jackrong/Qwopus3.5-9B-v3.5. Модель ориентирована на программирование, логические и математические задачи, DevOps-сценарии, рассуждения, использование инструментов, function calling и агентские рабочие процессы. Заявлена поддержка английского, китайского, корейского, русского, японского и испанского языков. Модель использует архитектуру Multi-Token Prediction (MTP) с двумя дополнительными draft heads, настроенными через draft=2. Такой подход предназначен для speculative decoding: вспомогательные головы предлагают следующие токены, а основная модель проверяет их, что может повысить скорость генерации. По данным README, в тестах на задачах логики, программирования, DevOps, математики и пограничных сценариях пропускная способность выросла с 4,94 до 6,71 токена в секунду, а точность — с 80,0% до 88,3%. В заявленных тестах по программированию и математике достигнута точность 100%; отдельная оценка tool calling показала 100% recall и 27 успешных выборов из 28 в состязательной фазе. Указанные результаты зависят от конфигурации оборудования, параметров генерации и тестового набора, а часть оценки tool calling носит характер независимого пользовательского теста. В README не указаны размер контекстного окна, точные требования к памяти и совместимые варианты квантования, поэтому эти характеристики требуют дополнительной проверки. Модель распространяется по лицензии Apache-2.0.

Qwopus-3.6-27B-Coder — это модель для агентного программирования и рассуждений, разработанная Jackrong на базе Qwopus3.6-27B-v2 и представленная в формате GGUF. Она дообучена для генерации и исправления кода, работы с репозиториями, многошагового выполнения задач, структурированных вызовов инструментов, function calling и взаимодействия с агентными средами. В обучении использовались датасеты с траекториями рассуждений и агентного поведения, включая TraceInversion и lambda/hermes-agent-reasoning-traces. Модель представляет собой плотную модель с 27 миллиардами параметров и поддержкой длинного контекста, однако точная длина контекста в README не указана. Заявлены мультимодальные сценарии image-text-to-text и поддержка работы с изображениями, а также языки English, Chinese, Spanish, Russian и Japanese. Среди сильных сторон указаны ориентация на repository-level задачи, отладку, генерацию патчей, оркестрацию инструментов и сложное логическое рассуждение. Для базовой модели приведены результаты 87,43% на MMLU-Pro и 75,25% на SWE-bench Verified, а для этой версии заявлен результат 67,0% на SWE-bench Verified в режиме без рассуждений. Модель рассчитана на разработческие рабочие процессы, где требуется последовательное использование инструментов и обработка обратной связи от среды. Ограничения включают отсутствие в README подробностей о точной архитектуре, размере контекстного окна, вариантах квантования GGUF и фактических возможностях мультимодального ввода. Лицензия модели — Apache-2.0.

Reasoner-Coder-7B-Merge — объединённая языковая модель, созданная с помощью mergekit методом DARE TIES. В основе лежит Qwen/Qwen2.5-Coder-7B-Instruct, объединённая с open-thoughts/OpenThinker3-7B; модель имеет архитектуру Qwen2 с плотной сетью и 7,1 млрд параметров. Репозиторий содержит веса Safetensors, а для работы предусмотрена библиотека Transformers. Модель предназначена для генерации текста в диалоговом формате, в том числе для задач программирования и рассуждений. Она принимает текст и генерирует текст; заявленный контекст — 32 768 токенов. Токенизатор и шаблон ChatML взяты от Qwen2.5-Coder-7B-Instruct. Метаданные указывают лицензию?

Rombos-Coder-V2.5-Qwen-14b — дообученная автором Rombodawg модель для генерации кода на основе Qwen/Qwen2.5-Coder-14B-Instruct. В README также описано слияние instruct- и base-моделей методом TIES в рамках подхода Continuous Finetuning; метаданные классифицируют происхождение как дообучение. Модель построена на плотной архитектуре Qwen2 и содержит 14 млрд параметров. Модель предназначена для диалоговой генерации и анализа кода, а также для сценариев вызова инструментов. Она принимает текст и выдаёт текст; заявленный родительский чекпойнт — инструкционная модель Qwen2.5-Coder-14B-Instruct. Контекст составляет 32 768 токенов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

StarCoder2-15B-GGUF — квантизированная версия модели StarCoder2 15B, разработанной командой BigCode и подготовленной в формате GGUF компанией Second State Inc. Модель предназначена для генерации и обработки программного кода, включая сценарии локального запуска и использования с совместимыми инструментами на базе llama.cpp. В README указан тег text-generation, однако конкретный перечень поддерживаемых языков программирования и естественных языков не приведён. Модель содержит 15 млрд параметров и поддерживает контекст размером 6144 токена. Доступны варианты квантизации от 2 до 8 бит размером примерно от 6,19 до 17 ГБ. Вариант Q4_K_M обозначен как рекомендуемый для сбалансированного сочетания размера и качества, а Q5_K_M и Q5_K_S — как варианты с низкой потерей качества. Более агрессивная квантизация уменьшает требования к памяти, но может существенно ухудшать качество; точные архитектурные характеристики и модальности в README не указаны. Модель ориентирована на задачи, связанные с кодом, но README не содержит подробных результатов тестирования или описания ограничений качества. Лицензия указана как bigcode-openrail-m. Оригинальная модель размещена под идентификатором bigcode/starcoder2-15b.

Bootes-Qwen3_Coder-Reasoning — дообученная модель PrithivMLmods на базе Qwen3-4B-ft-bf16, предназначенная для генерации кода и рассуждений над техническими задачами. Это плотная причинная языковая модель на 3,7 млрд параметров, работающая через Transformers; заявленная длина контекста — 40 960 токенов. Модель принимает текст и формирует текстовые ответы, включая код и структурированные данные. Модель подходит для генерации, дополнения, объяснения и отладки кода, пошагового решения алгоритмических задач, рефакторинга и подготовки технических материалов. В README заявлена поддержка Python, JavaScript, C++ и других языков программирования, а также технического общения более чем на 20 естественных языках; в метаданных карточки указан английский язык. Обучение включает CodeAlpaca_20K и дополнительные наборы для кода и рассуждений. Среди заявленных особенностей — следование инструкциям и выдача Markdown, JSON и YAML. Карточка предупреждает, что модель может хуже справляться с творческими задачами вне программирования, чувствительна к формулировке неоднозначных запросов и иногда даёт излишне подробные объяснения. Лицензия — Apache-2.0.