II.5Безопасность программного кода и цепочки поставок

Tiel-Coder-35B-A3B-GGUF-MTP — локальная модель для агентного программирования, разработанная peculiar-ragdoll на основе Ornith-1.5-35B-A3B. Это динамически переквантованная версия с собственной imatrix и шаблоном диалогов Sharp, встроенными в формат GGUF. Модель предназначена для запуска через llama.cpp и поддерживает MTP для speculative decoding. Основной сценарий применения — исправление реальных проблем в кодовых базах и поддержание длительных многошаговых диалогов. По данным README, модель особенно сильна в SWE-задачах и многоходовом взаимодействии, но заметно слабее подходит для викторин, экзаменационных вопросов и задач, требующих широких знаний или сложного рассуждения. В SWE-bench-Live она решила 12 из 25 задач, а в Claw-Eval получила результат 67,2; на MMLU-Pro показала 73,7. Модель имеет архитектуру MoE и обозначение 35B-A3B; доступны GGUF-квантизации от 2 до 8 бит размером примерно от 12,7 до 38,8 ГБ. Заявлена поддержка английского и китайского языков, а также контекста до 262 тысяч токенов. Благодаря MoE она рассчитана на высокую скорость, включая запуск с частичным offload на небольших GPU. Для агентного программирования рекомендуется использовать контекст 131–262 тысячи токенов и KV-кэш не ниже q8_0, если хватает совокупной RAM и VRAM. README также указывает теги vision и image-text-to-text, однако подробности мультимодальных возможностей не приведены. Модель распространяется по лицензии MIT. Ограничения включают существенное падение качества на самых низких уровнях квантизации, а также более слабые результаты в знаниях и рассуждении по сравнению с рядом альтернатив. Для запуска требуется подобрать вариант GGUF с учётом доступной совокупной памяти и желаемого размера контекста.

ZYR3 v1 — модель-ассистент для агентного программирования, разработанная автором или командой zyr-AGENT. Она реализована как LoRA-адаптер для Qwen/Qwen2.5-Coder-7B-Instruct и предназначена для самостоятельного развёртывания на пользовательском оборудовании; размещённого API модели не предоставляется. Модель ориентирована на генерацию, объяснение и редактирование кода, отладку, поиск ошибок, рефакторинг, обработку граничных случаев и итеративное решение многошаговых задач. В комплекте предусмотрен агентный режим Planner + Coder: планировщик разбивает задачу на последовательные этапы, а кодировщик реализует их с учётом уже созданных файлов. Поддерживается интеграция с инструментами и клиентами через OpenAI-совместимый API после самостоятельного развёртывания. Архитектурно это адаптер для 7-миллиардной текстовой модели Qwen2.5-Coder-Instruct. Модель работает с текстом и кодом; конкретный набор языков программирования и размер контекстного окна в README не указаны. Для работы требуется базовая модель объёмом около 15 ГБ в формате fp16 и адаптер размером около 80 МБ. Возможны запуск через Transformers и PEFT, 4-битная загрузка, а также объединение и конвертация в GGUF для Ollama или llama.cpp. Рекомендуется NVIDIA GPU; запуск на CPU возможен для квантованных вариантов, но будет медленным. Модель удобна для локальной разработки и подключения к coding-agent инструментам, однако качество и скорость зависят от базовой модели, доступных ресурсов и выбранного способа квантования. Лицензия указана как zyr3-free-use-1.0; подробные условия приведены в файле LICENSE по ссылке, указанной в README.

Blitzar-Coder-4B-F.1 — языковая модель для программирования, разработанная prithivMLmods на основе дообучения Qwen3-4B-ft-bf16. Это плотная авторегрессионная архитектура Qwen3 с 3,7 млрд параметров, рассчитанная на контекст до 40 960 токенов и работу через библиотеку Transformers. Модель обучалась на трассах решения задач по программированию и ориентирована на более чем десять языков программирования, включая Python, Java, C#, C++, Go, JavaScript, TypeScript и Rust; основной естественный язык карточки — английский. Модель предназначена для генерации и объяснения кода, отладки, анализа и рефакторинга, оптимизации алгоритмов, перевода кода между языками, а также подготовки документации, спецификаций API и конфигурационных файлов. Её размер рассчитан на использование в инструментах разработчика, IDE и CI/CD-сценариях с ограниченными вычислительными ресурсами. Поддерживается диалоговый интерфейс; метаданные также отмечают интерфейс вызова инструментов. Карточка предупреждает, что модель может уступать в обычном разговоре, а большой кодовый контекст может быть сложен для анализа; творческие и общие задачи не являются её сильной стороной. Модель распространяется по лицензии Apache-2.0.

Carnice-27b — дообученная и объединённая в самостоятельный чекпойнт модель kai-os на базе Qwen/Qwen3.5-27B. Это плотная авторегрессионная языковая модель с 22,3 млрд параметров, предназначенная для диалогов в стиле Hermes-Agent, рассуждений и многошаговой работы с инструментами. В README описаны сценарии работы с терминалом, файлами, браузером, репозиториями и отладкой; модель загружается как отдельный чекпойнт без исходного адаптера. Метаданные указывают контекст до 262 144 токенов и формат safetensors. Модель распространяется по лицензии Apache-2.0. Для неё пока не приложены воспроизводимые результаты бенчмарков.

Code Llama 70B Instruct — большая авторегрессионная языковая модель семейства Llama, разработанная Meta и представленная в формате Transformers в неофициальном репозитории Hugging Face. Версия содержит 68,7 млрд параметров и предназначена для генерации и понимания кода, выполнения инструкций и диалога с помощником по программированию. Модель принимает текст и генерирует текст. Она подходит для написания и дополнения кода, объяснения программных решений и ответов на вопросы по программированию на естественном языке. Контекст модели в этом репозитории — 4096 токенов; карточка указывает, что эта версия не поддерживает контекст до 100 тысяч токенов. Модель обучалась на английском языке и соответствующих языках программирования. Модель доступна по лицензии Meta Llama 2. Она была дообучена для следования инструкциям; в карточке отмечено, что это статичная модель, обученная на офлайн-данных. Репозиторий содержит веса в форматах PyTorch и Safetensors.

Code Llama 70B Instruct — генеративная языковая модель Meta для написания и понимания кода, настроенная следовать инструкциям и вести диалог. Репозиторий содержит вариант на 70 млрд параметров в форматах PyTorch и Safetensors; архитектура — авторегрессионный трансформер. Модель принимает и генерирует текст, включая запросы на естественном языке и код. Модель предназначена для генерации кода, его дополнения и ответов на вопросы по программированию. Она рассчитана на английский язык и распространённые языки программирования; карточка отмечает поддержку диалогового режима и работы с инструкциями. Настройка проводилась с контекстом до 16 тысяч токенов; этот вариант не поддерживает контекст до 100 тысяч токенов. Модель разработана Meta и выпущена по пользовательской лицензии Meta Llama 2; условия использования определяются этой лицензией. Качество ответов и корректность сгенерированного кода могут различаться, поэтому результаты следует проверять.

CodeLlama 7B Instruct — языковая модель для генерации и объяснения программного кода, разработанная Meta. Данный репозиторий TheBloke содержит её файлы в формате GGUF, предназначенные для локального запуска и инференса через llama.cpp и совместимые интерфейсы. Модель относится к семейству Llama и имеет около 7 миллиардов параметров. Модель ориентирована на решение задач программирования по текстовому описанию, включая генерацию кода с учётом ограничений и примеров тестов. Указана модальность работы с кодом; конкретный перечень поддерживаемых языков программирования и размер контекстного окна в README не приведены. Доступны варианты квантования от 2 до 8 бит, что позволяет выбирать баланс между требованиями к памяти, скоростью и сохранением качества, однако более агрессивное квантование может снижать точность результатов. Файлы совместимы с llama.cpp и рядом сторонних приложений и библиотек, включая text-generation-webui, LM Studio, KoboldCpp, ctransformers и llama-cpp-python. Модель распространяется по лицензии Llama 2. Для использования требуется программное окружение, поддерживающее GGUF; характеристики конкретного запуска зависят от выбранного варианта квантования и аппаратной конфигурации.

CodeQwen1.5-7B-GGUF — набор GGUF-квантизаций модели CodeQwen1.5-7B, разработанный Qwen и подготовленный для llama.cpp пользователем bartowski. Модель предназначена прежде всего для генерации и обработки программного кода, а также для локального текстового вывода. В README указана поддержка английского языка и формат взаимодействия с системными, пользовательскими и ассистентскими сообщениями через специальные токены ChatML. Модель содержит около 7 миллиардов параметров, представлена в многочисленных вариантах квантизации от Q8_0 до IQ1_M и имеет размеры файлов примерно от 2,36 до 7,70 ГБ. Более высокие варианты, такие как Q6_K и Q5_K_M, обеспечивают лучшее качество, тогда как низкобитные версии требуют меньше оперативной или видеопамяти, но заметно теряют в качестве. Конкретные сведения об архитектуре, размере контекста и дополнительных модальностях в README не указаны; по описанию это текстовая, а не мультимодальная модель. Преимущество набора — возможность запуска локально на различном оборудовании и выбора компромисса между качеством, скоростью и потреблением памяти. Ограничения связаны с потерями качества при сильной квантизации, а также с тем, что README не приводит результаты тестирования и подробные характеристики исходной модели. Указана лицензия Tongyi Qianwen Research License; исходная модель доступна в репозитории Qwen.

Codestral-22B-v0.1 — плотная авторегрессионная модель семейства Mistral на 22 млрд параметров, разработанная командой Mistral AI и обученная на разнообразном наборе данных, включающем более 80 языков программирования. Она предназначена для генерации и анализа кода: модель отвечает на вопросы о фрагментах программ, пишет документацию, объясняет и рефакторит код, а также создаёт программы по инструкциям. Режим Fill in the Middle позволяет дополнять код между заданными префиксом и суффиксом, в том числе в инструментах разработки. Поддерживается контекст длиной до 32 768 токенов. Модель принимает текстовые запросы и выдаёт текст, включая программный код. README приводит Python, Java, C, C++, JavaScript и Bash как примеры языков обучения; полный перечень заявлен в сопутствующей публикации. Контроль модерации в модели отсутствует, поэтому её ответы могут требовать проверки и внешних ограничений. Репозиторий использует формат safetensors; лицензия в метаданных указана как other, конкретные условия следует сверять с карточкой модели.

DeepSeek-Coder-V2-Lite-Instruct — языковая модель для работы с программным кодом, разработанная командой DeepSeek. Представленная версия mlx-community/DeepSeek-Coder-V2-Lite-Instruct-4bit-mlx была преобразована из исходной модели deepseek-ai/DeepSeek-Coder-V2-Lite-Instruct в формат MLX с использованием mlx-lm 0.16.0. Модель предназначена для генерации кода и интерактивного решения задач программирования в формате инструкций. Она может использоваться через библиотеку mlx-lm, например для получения ответа на текстовый запрос. Версия имеет 4-битное представление и ориентирована на запуск в экосистеме MLX, однако сведения о точном размере, архитектуре, поддерживаемых языках программирования, модальностях и длине контекста в README не указаны. К сильным сторонам относятся адаптация к MLX и 4-битное представление, потенциально снижающее требования к памяти при локальном запуске. Ограничения связаны с отсутствием в предоставленных данных подробных характеристик качества, производительности и совместимости, а также с ориентацией на среду MLX. Модель распространяется по лицензии deepseek-license; в карточке она обозначена как other.

Это bf16-сборка Devstral-Small-2507, подготовленная командой LM Studio Community с помощью mlx_lm для работы на компьютерах Apple Silicon. Исходную модель разработала Mistral AI; это плотная авторегрессионная языковая модель семейства Mistral с 23,4 млрд параметров и контекстом до 131 072 токенов. В репозитории указаны веса safetensors, а библиотека для запуска в метаданных — vLLM. Модель предназначена для диалоговой генерации текста и задач разработки программного обеспечения; интерфейс поддерживает вызов инструментов. Языковые теги охватывают множество языков, включая русский, английский, французский, немецкий, испанский, японский и китайский. Сборка в формате MLX оптимизирована для Apple Silicon, но указанная библиотека vLLM может потребовать другого способа запуска. Лицензия — Apache-2.0. Как и другие генеративные модели, она может выдавать неточные или неподходящие ответы; карточка также предупреждает, что LM Studio не гарантирует качество или пригодность модели.

dolphincoder-starcoder2-7b-GGUF — это набор GGUF-квантизаций модели dolphincoder-starcoder2-7b, подготовленный bartowski с использованием llama.cpp. Исходная модель разработана cognitivecomputations; в README также указаны наборы данных, использованные при обучении или дообучении, включая cognitivecomputations/dolphin, cognitivecomputations/dolphin-coder, airoboros, OpenHermes, Magicoder и наборы задач по программированию и математике. Модель предназначена прежде всего для генерации и обработки текста, связанного с программированием, включая написание, дополнение и объяснение кода, а также выполнение инструкций в соответствующих сценариях. Заявлен английский язык. Архитектура исходной модели в README не описана, однако её размер составляет 7 миллиардов параметров согласно идентификатору. Мультимодальность и размер контекста не указаны. Главная особенность репозитория — несколько уровней квантизации для запуска через llama.cpp с различным компромиссом между качеством и требованиями к памяти: от Q8_0 размером 7,86 ГБ до Q2_K размером 2,91 ГБ. В README рекомендуется Q6_K как вариант с очень высоким качеством; версии Q3 и особенно Q2 обеспечивают меньший размер, но заметно теряют в качестве. Ограничения включают отсутствие сведений о поддерживаемых языках, контекстном окне и результатах бенчмарков. Модель распространяется по лицензии bigcode-openrail-m.

Это объединённая модель семейства Gemma 4 на основе инструкционной google/gemma-4-12B-it. Её создали методом Model Stock с помощью mergekit, объединив варианты Gemma 4, настроенные для генерации кода и агентных сценариев. Модель предназначена для диалогового взаимодействия, работы с изображениями и текстом, генерации кода и выполнения агентных задач. Модель использует плотную архитектуру Gemma4UnifiedForConditionalGeneration и распространяется в формате safetensors; в конфигурации слияния указан тип bfloat16. Метаданные относят её к задаче image-text-to-text и отмечают поддержку изображений. README не приводит конкретных результатов оценки или подробностей о языковом охвате. Условия лицензирования в предоставленных данных не описаны.

GLM-5.1-GGUF — квантованное распространение модели GLM-5.1, подготовленное Unsloth на базе zai-org/GLM-5.1. Это текстовая генеративная модель, ориентированная прежде всего на агентную разработку программного обеспечения и сложные инженерные задачи. Модель предназначена для написания и анализа кода, генерации репозиториев, работы с терминалом и многоэтапного решения задач с использованием инструментов. Согласно README, GLM-5.1 сохраняет эффективность на длинных сессиях, умеет разбивать неоднозначные задачи на этапы, проводить эксперименты, анализировать результаты, находить блокеры и пересматривать стратегию на протяжении сотен итераций и тысяч вызовов инструментов. Заявлена поддержка английского и китайского языков, режим text-generation и архитектурная маркировка GLM MoE DSA; точный размер модели и объём контекста не указаны. К сильным сторонам относятся агентное программирование, задачи SWE-Bench Pro, генерация репозиториев и реальные терминальные сценарии. Ограничения включают отсутствие в представленных данных сведений о мультимодальности, точном числе параметров, требованиях к оборудованию и качестве в других прикладных областях; приведённые результаты являются заявленными benchmark-показателями и не гарантируют аналогичную производительность в каждом сценарии. Распространение указано по лицензии MIT.

Карточка модели bearzi/Kimi-K2.7-Code-JANGTQ1 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 bearzi/Kimi-K2.7-Code-JANGTQ2 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.

Laguna M.1 — языковая модель Poolside для агентного программирования и выполнения длительных задач с помощью инструментов. Это текстовая модель типа Mixture-of-Experts: по карточке README, в ней 225 млрд параметров, из которых активируются 23 млрд на токен; архитектура включает 70 слоёв, 256 экспертов и глобальное внимание. Метаданные Hugging Face указывают 17,1 млрд параметров, поэтому сведения о размере расходятся; контекстное окно составляет 262 144 токена. Модель предназначена для работы в цикле агента: анализа кода и репозиториев, внесения изменений и выполнения задач в терминале. README сообщает о поддержке рассуждений между вызовами инструментов и приводит результаты на SWE-bench Verified, SWE-bench Multilingual, SWE-bench Pro и Terminal-Bench 2.0. Она принимает и выдаёт текст; сведения о конкретных поддерживаемых естественных языках не приведены. Для запуска указана поддержка vLLM, SGLang и Transformers. Лицензия — Apache 2.0, допускающая коммерческое и некоммерческое использование и модификацию.

JANGQ-AI/Laguna-S-2.1-JANG_6M — квантованная для Apple Silicon сборка текстовой MoE-модели Poolside Laguna-S-2.1, подготовленная Jinho Jang и предназначенная для запуска в vMLX. Модель имеет 118 млрд параметров, из которых активно около 8 млрд; архитектура включает 48 слоёв, 256 маршрутизируемых экспертов с выбором top-10 и общий эксперт. Заявленный контекст — до 1 048 576 токенов. Сборка использует 6-битное AWQ-квантование основных весов экспертов, а attention, router, общий эксперт и нормализации оставлены в высокой точности. По данным README, на M5 Max модель показала скорость декодирования 30,7 токена в секунду; автор также сообщает о полном совпадении top-1 при проверке кэша длинного контекста на указанном тестовом проходе. Модель ориентирована на агентное программирование, диалог и длительные задачи разработки с вызовом инструментов. README описывает шаблон рассуждений GLM-style с переключателем thinking. В карточке указаны английский язык и интерфейс вызова инструментов; основной сценарий — генерация текста для разработки и агентных рабочих процессов. Модель унаследовала базовую Poolside Laguna-S-2.1 и распространяется по лицензии OpenMDW-1.1. Для запуска требуются совместимый MLX/vMLX-стек и загрузчик, учитывающий настройки квантования по модулям; приведённые показатели производительности относятся к указанной конфигурации Apple Silicon.

Qwable-9B-Claude-Fable-5 — модель Empero, созданная полнопараметрическим дообучением Qwen/Qwen3.5-9B. Это плотная модель семейства Qwen3.5 с гибридным стеком внимания; дообучение проводилось на текстовых трассах рассуждений, программирования и агентных задач от Claude Fable 5 и GPT-5.5 terminal agent. Модель предназначена прежде всего для помощи в программировании, выполнения многошаговых задач в терминале и агентных сценариях, а также для рассуждений и объяснений. Основной язык — английский. Базовая архитектура мультимодальная, но зрительный компонент при дообучении оставался замороженным и не оценивался. В качественной проверке README отмечает сильные результаты на задачах программирования и работы с терминалом, а также хорошее следование инструкциям; полные количественные бенчмарки ещё готовятся. Ответы начинаются с блока рассуждений, который может потребовать удаления перед показом пользователю. Для открытых запросов модель может генерировать длинные ответы; общие фактические сведения следует проверять. Дополнительного защитного дообучения сверх базовой модели не проводилось. Лицензия — Apache-2.0, унаследованная от базовых весов; в README отдельно упоминается оговорка о происхождении обучающих данных.

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.

Qwen2.5-Coder-32B-Instruct-3MPER0RR-abliterated — доработанная исследователем 3MPER0RR версия Qwen2.5-Coder-32B-Instruct. Это плотная языковая модель на 32 млрд параметров для диалоговой генерации текста, ориентированная на код: базовая модель предназначена для генерации, анализа и исправления кода, а также создания кодовых агентов. Модель принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Модель описана как протестированная и сохранённая, однако подробности её изменений и результаты испытаний не приведены. Лицензия — Apache 2.0.

Qwen2.5-Coder-32B-Instruct-abliterated-GGUF — это GGUF-квантизированная версия инструкционной модели Qwen2.5-Coder-32B-Instruct-abliterated, опубликованная пользователем bartowski и основанная на модели huihui-ai. Квантизация выполнена с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и прежде всего для задач программирования, работы с кодом и диалогового взаимодействия. В README указан английский язык; сведения о поддерживаемых языках, длине контекста и точной архитектуре не приведены. Доступны варианты от полноточного F16 размером 65,54 ГБ до квантизаций Q8_0, Q6, Q5, Q4, Q3 и IQ4 объёмом примерно от 17,7 до 34,8 ГБ. Варианты Q6_K_L, Q6_K, Q5 и Q4 отмечены как рекомендуемые благодаря сочетанию качества и размера; Q4_K_M обозначен как вариант стандартного размера для большинства сценариев. Отдельные варианты Q4_0 оптимизированы для ARM и требуют соответствующей аппаратной поддержки, поэтому их совместимость с Mac и Windows ограничена. Модель может использоваться локально через llama.cpp и LM Studio при наличии значительных ресурсов оперативной или видеопамяти. Более сильные квантизации сохраняют высокое качество, но требуют больше памяти, тогда как компактные варианты экономичнее, однако могут заметно уступать по качеству. README не содержит независимых оценок производительности, сведений о мультимодальности, ограничениях безопасности или подробностей обучения. Указана лицензия Apache-2.0.

BenevolenceMessiah/Qwen2.5-Coder-32B-Instruct-abliterated-Q5_K_M-GGUF — это квантизированная версия в формате GGUF модели Qwen2.5-Coder-32B-Instruct-abliterated. Репозиторий содержит конвертацию исходной модели, выполненную с помощью llama.cpp через сервис GGUF-my-repo. В метаданных указана лицензия Apache-2.0, а базовой моделью названа huihui-ai/Qwen2.5-Coder-32B-Instruct-abliterated. Модель предназначена для генерации текста и диалогового использования, прежде всего для задач, связанных с программированием: написания, объяснения и обработки кода. Она рассчитана на запуск через llama.cpp в командной строке или в режиме сервера и может применяться локально при наличии совместимого оборудования. В README также отмечена поддержка английского языка. Ключевые характеристики — архитектура семейства Qwen2.5-Coder, размер 32B параметров и квантизация Q5_K_M в формате GGUF. README не содержит сведений о точном размере контекста, поддерживаемых модальностях помимо текста, результатах тестирования, требованиях к памяти и производительности. Вариант abliterated позиционируется как менее ограниченный, однако подробности метода его создания и практические ограничения не описаны. Для использования требуется совместимая сборка llama.cpp; условия лицензии указаны как Apache-2.0.

Qwen-32B-Syntactic-Exploit-Core-BF16 — 32-миллиардная плотная языковая модель для генерации текста, собранная автором из Qwen/QwQ-32B и Qwen/Qwen2.5-Coder-32B-Instruct. Карточка заявляет слияние весов методом SLERP и изменение поведения отказов; эти заявления не сопровождаются проверяемыми результатами, поэтому их следует считать описанием автора, а не подтверждёнными свойствами. Модель использует архитектуру Qwen2ForCausalLM и формат safetensors; заявленная длина контекста — 32 768 токенов. Модель предназначена прежде всего для генерации и анализа кода, отладки и проектирования программных систем, а также для текстовых задач рассуждения. Поддерживаемые языки в метаданных не перечислены. Модель распространяется по лицензии Apache-2.0. Карточка не приводит воспроизводимых бенчмарков или подробностей оценки качества, поэтому заявленные преимущества в кодировании и рассуждении нельзя считать независимо подтверждёнными.

Карточка модели Basementup/Qwen3.6-35B-A3B на Hugging Face совпадает с карточкой Qwen/Qwen3.6-35B-A3B, поэтому описание составлено по ней. Qwen3.6-35B-A3B — открытая модель весов от Qwen, представленная как языковая модель с энкодером изображений и архитектурой смеси экспертов. В ней 35 млрд параметров, из которых при генерации активируются около 3 млрд; конфигурация включает 40 слоёв и 256 экспертов. Модель предназначена для диалогов, программирования и работы с изображениями, а также поддерживает вызов инструментов через соответствующий интерфейс. Основные сценарии — агентное программирование, анализ репозиториев, создание веб-интерфейсов и итеративная разработка с сохранением контекста рассуждений между сообщениями. Модель принимает текст и изображения и генерирует текст. Нативное окно контекста составляет 262 144 токена, с расширением до 1 010 000 токенов. В README приведены англоязычные и китайскоязычные примеры оценки веб-разработки; полная таблица поддерживаемых языков опущена. Веса доступны в формате Safetensors и совместимы с Transformers, vLLM, SGLang и другими указанными средами. Для работы с длинным контекстом требуются значительные вычислительные ресурсы; README рекомендует уменьшать окно при нехватке памяти и современные серверные движки для производительных нагрузок. Лицензия — Apache 2.0.

Карточка модели dshive/Qwen3.6-35B-A3B на Hugging Face совпадает с карточкой Qwen/Qwen3.6-35B-A3B, поэтому описание составлено по ней. Qwen3.6-35B-A3B — открытая модель весов от Qwen, представленная как языковая модель с энкодером изображений и архитектурой смеси экспертов. В ней 35 млрд параметров, из которых при генерации активируются около 3 млрд; конфигурация включает 40 слоёв и 256 экспертов. Модель предназначена для диалогов, программирования и работы с изображениями, а также поддерживает вызов инструментов через соответствующий интерфейс. Основные сценарии — агентное программирование, анализ репозиториев, создание веб-интерфейсов и итеративная разработка с сохранением контекста рассуждений между сообщениями. Модель принимает текст и изображения и генерирует текст. Нативное окно контекста составляет 262 144 токена, с расширением до 1 010 000 токенов. В README приведены англоязычные и китайскоязычные примеры оценки веб-разработки; полная таблица поддерживаемых языков опущена. Веса доступны в формате Safetensors и совместимы с Transformers, vLLM, SGLang и другими указанными средами. Для работы с длинным контекстом требуются значительные вычислительные ресурсы; README рекомендует уменьшать окно при нехватке памяти и современные серверные движки для производительных нагрузок. Лицензия — Apache 2.0.

Карточка модели Wudiam/Qwen3.6-35B-A3B на Hugging Face совпадает с карточкой Qwen/Qwen3.6-35B-A3B, поэтому описание составлено по ней. Qwen3.6-35B-A3B — открытая модель весов от Qwen, представленная как языковая модель с энкодером изображений и архитектурой смеси экспертов. В ней 35 млрд параметров, из которых при генерации активируются около 3 млрд; конфигурация включает 40 слоёв и 256 экспертов. Модель предназначена для диалогов, программирования и работы с изображениями, а также поддерживает вызов инструментов через соответствующий интерфейс. Основные сценарии — агентное программирование, анализ репозиториев, создание веб-интерфейсов и итеративная разработка с сохранением контекста рассуждений между сообщениями. Модель принимает текст и изображения и генерирует текст. Нативное окно контекста составляет 262 144 токена, с расширением до 1 010 000 токенов. В README приведены англоязычные и китайскоязычные примеры оценки веб-разработки; полная таблица поддерживаемых языков опущена. Веса доступны в формате Safetensors и совместимы с Transformers, vLLM, SGLang и другими указанными средами. Для работы с длинным контекстом требуются значительные вычислительные ресурсы; README рекомендует уменьшать окно при нехватке памяти и современные серверные движки для производительных нагрузок. Лицензия — Apache 2.0.

Esper 3.1 — дообученная Valiant Labs модель на базе Qwen3.6-35B-A3B, предназначенная для рассуждений о программировании, архитектуре систем и DevOps. Она ориентирована на помощь разработчикам и инженерам: решение сложных задач по коду, проектирование инфраструктуры, настройку CI/CD и работу с MLOps и AI-системами. Модель построена на архитектуре Qwen MoE; в метаданных указано 2,9 млрд параметров и контекст до 262 144 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Карточка также указывает поддержку анализа изображений наряду с генерацией текста. Модель рассчитана прежде всего на английский язык. Модель распространяется по лицензии Apache-2.0. Карточка позиционирует её как специалиста по коду, архитектуре и DevOps, но не приводит независимых оценок качества; её ответы и сгенерированные конфигурации следует проверять перед применением.

hellohazime/Qwen3.8-2.4T-A95B-REAP-512GB-GGUF — GGUF-сборка модели Qwen3.8-2.4T-A95B, основанная на unsloth/Qwen3.8-2.4T-A95B-GGUF и подготовленная автором hellohazime. Это MoE-модель с 512 экспертами в каждом слое, из которых сохранены 304, выбранные по частоте маршрутизации на англоязычном веб-корпусе и коде. Ширина модели не изменялась, а исходная квантизация UD-IQ2_XXS сохранена без повторной квантизации. Размер файла составляет около 404 ГБ (376 GiB), что позволяет полностью разместить модель в памяти Mac с 512 ГБ и использовать её через стандартный llama.cpp. Модель предназначена прежде всего для генерации текста, работы с английским языком и программным кодом, включая агентские сценарии с использованием инструментов и длительные задачи разработки. Заявлено окно контекста 262 144 токена; в проверках использовался контекст до 131 072 токенов. По сравнению с исходной некроппированной квантизированной моделью сборка сохранила 89,7% маршрутизаций экспертов, показала совпадение наиболее вероятного токена 87,6% на английском тексте и 90,0% на коде, а также продемонстрировала загрузку и генерацию в stock llama.cpp. Сильными сторонами являются высокая точность относительно исходной Q2-квантизации, отсутствие необходимости в специальном runtime и пригодность для локального запуска на системе с 512 ГБ памяти. Ограничения связаны с экспертным pruning: отбор калибровался на английском веб-контенте и коде, поэтому неанглоязычные языки и задачи за пределами этих доменов могут пострадать. Производительность и качество за пределами проверенных режимов, включая более длинные контексты и иные распределения данных, не подтверждены. Лицензия указана как other, license_name — qwen3.8-max; ссылка ведёт на лицензию Qwen3.8-2.4T-A95B.

Qwen3-Coder-480B-A35B-Instruct-MLX-4bit — это 4-битная версия модели Qwen3-Coder-480B-A35B-Instruct, разработанной Qwen. Квантизация выполнена командой LM Studio с использованием MLX — фреймворка Apple для машинного обучения. Модель предназначена для генерации текста и оптимизирована для запуска на устройствах с Apple Silicon через LM Studio 0.3.20 или более поздней версии. Модель ориентирована прежде всего на сценарии, поддерживаемые исходной Qwen3-Coder-480B-A35B-Instruct, однако в представленном README не указаны её подробные архитектурные характеристики, языки, размер контекста, модальности, специализированные возможности программирования или результаты тестирования. Ключевое преимущество данной версии — 4-битное представление и оптимизация под MLX, что делает её более подходящей для локального запуска на Apple Silicon по сравнению с полноразмерной версией, но конкретные требования к памяти и производительности не приведены. Модель распространяется по лицензии Apache-2.0.