II.6Документация и сопровождение разработки

OpenCodeInterpreter-CL-13B — модель для генерации кода из семейства OpenCodeInterpreter, разработанная командой OpenCodeInterpreter. Она объединяет генерацию кода с выполнением и итеративным уточнением по обратной связи, чтобы помогать решать задачи программирования. Модель основана на CodeLlama-13b-Python-hf и использует плотную архитектуру Llama с 12,9 млрд параметров и контекстом до 16 384 токенов. Модель предназначена для написания и улучшения программного кода; в README также описано применение обратной связи от выполнения кода. Она обучена для английского языка и распространяется в формате PyTorch под лицензией Apache-2.0. В README приведены результаты серии OpenCodeInterpreter на HumanEval и MBPP, но численные результаты именно версии CL-13B в доступном фрагменте не указаны.

OpenHands/openhands-lm-1.5b-v0.1 — компактная языковая модель для программирования, разработанная OpenHands. Это плотная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 1,5 млрд параметров, дообученная на основе Qwen/Qwen2.5-Coder-1.5B-Instruct на данных SWE-Gym/SWE-Gym по рецепту OpenHands LM. Модель рассчитана на диалоговое взаимодействие и интерфейс вызова инструментов; её заявленное назначение — speculative decoding. Модель подходит для генерации и анализа кода, а также для работы агента разработки над задачами из GitHub, включая исправление ошибок и решение проблем в репозиториях. Метаданные указывают контекст до 32 768 токенов и английский язык. Модель распространяется в формате safetensors по лицензии MIT. README описывает исходную 32B-модель и её результаты, поэтому приведённые там показатели производительности и контекст 128K не следует переносить на эту версию 1.5B. Карточка предупреждает, что компактная версия предназначена для speculative decoding; её качество может быть ниже на разнообразных задачах разработки, она может повторять шаги и чувствительна к квантизации.

Карточка модели rwiecekgmailcom/qwen35-claude-coder на Hugging Face совпадает с карточкой Dzluck/qwen35-claude-coder-GGUF, поэтому описание составлено по ней. Dzluck опубликовал GGUF-сборку Qwen3.5 Claude Coder — дообученной модели для автономной работы в Claude Code в роли агента-программиста и системного администратора. Репозиторий содержит варианты на 4 и 9 млрд параметров; карточка указывает базовую модель Qwen/Qwen3.5-9B. Модель рассчитана на контекст до 64 тыс. токенов, диалог и вызов инструментов через совместимый с Anthropic API. Она предназначена для локальных задач с кодом, файлами, диском и сетью: README подчёркивает выполнение действий через инструменты и опору на их фактический вывод. Указана лицензия Apache-2.0. Заявления о качестве и скорости основаны на тестировании автора на компьютерах Apple Silicon через Ollama; приведённые результаты не являются независимой оценкой.

Qwen3.8-27B-Uncensored-FP8 — модифицированная версия Qwen/Qwen3.8-27B, опубликованная OrcaRouter. Модель прошла abliteration: из неё удалено направление, связанное с отказами в ответах, после чего веса были офлайн квантизированы в block-FP8. Это плотная модель на 27 млрд параметров с гибридной архитектурой Gated DeltaNet и полнослойного внимания, встроенной vision-language башней и MTP-головой для спекулятивного декодирования. Модель предназначена для исследовательских задач, включая интерпретируемость, анализ механизмов отказа, AI safety, red teaming, оценку устойчивости и контролируемые эксперименты. Она поддерживает работу с текстом и изображениями, языки English и Chinese, рассуждение, function calling и контекст до 262 144 токенов. Архитектура включает 64 слоя: 48 слоёв линейного внимания Gated DeltaNet и 16 слоёв полного внимания. Основные линейные веса используют block-FP8 E4M3 с размером блока 128×128 и динамическими активациями, тогда как vision tower, нормы, router, embeddings и lm_head сохранены в BF16. Сильная сторона модели — сохранение возможностей базовой Qwen3.8-27B, включая мультимодальность, инструменты, reasoning, большой контекст и MTP, при совместимости со схемой обслуживания официальной FP8-версии. Главное ограничение — существенное удаление защитного выравнивания: модель может выполнять вредоносные, неэтичные и незаконные запросы и не имеет значимых встроенных защитных механизмов. Поэтому её не следует использовать напрямую в пользовательских или производственных системах без собственных фильтров, модерации и контроля злоупотреблений. Модель распространяется по лицензии Apache 2.0; использование также должно соответствовать применимым законам и условиям лицензии базовой модели.

theresa00l/Qwen3.8-27B-Uncensored-FP8-Q4_K_M-GGUF — это квантизированная версия модели orcarouter/Qwen3.8-27B-Uncensored-FP8, преобразованная в формат GGUF с помощью llama.cpp и сервиса GGUF-my-repo. Модель относится к семейству Qwen3.8 и распространяется под лицензией Apache-2.0. Модель предназначена для локального запуска через llama.cpp, включая использование в командной строке и в серверном режиме. В карточке заявлены сценарии рассуждений, function calling, red-teaming и AI red-teaming. Указана поддержка английского и китайского языков. Архитектура и точное число параметров явно не описаны, однако обозначение модели указывает на размер 27B и квантизацию Q4_K_M из исходного представления FP8. Также заявлена совместимость с vLLM и llama.cpp. К сильным сторонам относятся компактное квантизированное представление GGUF и возможность локального инференса на совместимом оборудовании. Ограничения — отсутствие в README подробностей о контекстном окне, точной архитектуре, результатах оценки, требованиях к памяти и качестве работы с изображениями, несмотря на тег image-text-to-text. Практическое использование требует llama.cpp и подходящей аппаратной конфигурации; заявленная лицензия — Apache-2.0.

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

Qwen3-VL-4B-Instruct-Unredacted-MAX — дообученная мультимодальная модель prithivMLmods на архитектуре Qwen3-VL с 4 млрд параметров. Она принимает текстовые запросы и изображения и формирует текстовые ответы; предназначена для диалога с визуальным контекстом, понимания изображений, генерации описаний и мультимодальных экспериментов. Поддерживает изображения разных разрешений и пропорций и рассчитана на эффективный запуск по сравнению с более крупными моделями. Модель подходит для создания подписей к изображениям и подготовки аннотаций для наборов данных, оценки систем компьютерного зрения с языковым интерфейсом и прототипирования приложений, объединяющих текст и изображения. Выпуск обновляет упаковку и совместимость с Transformers относительно huihui-ai/Qwen3-VL-4B-Instruct-abliterated, сохраняя возможности исходной архитектуры. Репозиторий распространяется по лицензии Apache-2.0. Качество зависит от чёткости изображения и формулировки запроса; интерпретации сложных сцен могут быть неполными или непоследовательными. Для стабильного вывода требуется достаточно видеопамяти, а результаты зависят от настроек декодирования и среды запуска.

le723z/Rearank-7B — модель для повторного ранжирования результатов поиска с использованием пошагового рассуждения. Она создана на базе Qwen2.5-7B-Instruct и дообучена методом GRPO на наборе данных из 179 запросов для задачи reranking; работа описана в статье REARANK: Reasoning Re-ranking Agent via Reinforcement Learning. Модель построена на архитектуре Qwen2, содержит 7,1 млрд параметров и принимает текст; заявленный размер контекста — 32 768 токенов. Модель предназначена для оценки и упорядочивания текстовых кандидатов относительно запроса, например при поиске документов или подготовке контекста для RAG. Основной тег Hugging Face — text-ranking; метаданные также указывают text-generation. Репозиторий использует формат safetensors, библиотеку Transformers и лицензию Apache-2.0. Карточка сообщает об обучении на небольшом наборе из 179 запросов, поэтому качество и переносимость на другие задачи и домены могут быть ограничены.

RoBERTa large — предварительно обученная языковая модель на английском языке, разработанная командой Facebook AI. Это трансформерная модель архитектуры RoBERTa с 454,1 млн параметров, обученная предсказывать замаскированные токены в контексте текста. Она чувствительна к регистру и рассчитана на последовательности длиной до 514 токенов по метаданным. Модель можно использовать для заполнения пропусков в тексте, а также дообучать для классификации последовательностей и токенов, ответов на вопросы и извлечения признаков для других задач обработки английского текста. Она принимает текст и возвращает предсказания токенов. Веса доступны в форматах PyTorch, TensorFlow, Flax, ONNX и Safetensors. Обучение проводилось на корпусах BookCorpus, Wikipedia, CC-News, OpenWebText и Stories. Модель распространяется по лицензии MIT. Данные обучения содержат неотфильтрованный интернет-контент, поэтому предсказания могут отражать его смещения; для прикладных задач модель обычно требуется дообучить.

cl-nagoya/ruri-large-v2 — японская модель эмбеддингов предложений, разработанная командой cl-nagoya и построенная как Sentence Transformer на базе cl-nagoya/ruri-pt-large-v2. Она преобразует текстовые фрагменты в векторы размерностью 1024; сходство между ними можно оценивать косинусной мерой. Модель основана на архитектуре BERT, содержит 436,2 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для поиска по смыслу, сравнения предложений и других задач, где нужно сопоставлять тексты по семантической близости. В README приведена оценка 74,55 в среднем по JMTEB, а также результаты по поиску, семантическому сходству, классификации, ранжированию и кластеризации. Разработчики отмечают, что доступны более новые модели Ruri v3 и рекомендуют их для дальнейшего использования. Модель ориентирована на японский язык. Распространяется под лицензией Apache 2.0.

Self-instruct-starcoder — модель генерации кода, созданная дообучением StarCoder на наборе инструкций Self-instruct-starcoder. Она рассчитана на ответы на запросы в формате «Question: … Answer: …» и на выполнение заданий по программированию. Модель построена на архитектуре GPTBigCode, использует причинную генерацию текста и поддерживает контекст до 8192 токенов. Модель подходит для генерации и дополнения кода по инструкциям. В карточке указана библиотека Transformers и формат весов PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

Table Transformer (TATR) — модель Microsoft для распознавания структуры таблиц в документах, обученная на FinTabNet.c. Она основана на DETR и использует Transformer-архитектуру обнаружения объектов с нормализацией перед self-attention и cross-attention. Модель предназначена для поиска элементов таблиц на изображениях документов и может применяться в системах извлечения табличных данных. Модель содержит 6,3 млн параметров и опубликована в формате safetensors. Лицензия — MIT. Карточка не сообщает о распознавании текста внутри ячеек: модель обнаруживает структуру и объекты таблицы, а извлечение текста требует отдельного этапа обработки.

Tinytron TinyLlama Instruct Code Python Spanish English Assistant 16Bit V2 — чат-модель для генерации кода, опубликованная Francisco Angulo de Lafuente (Agnuxo) в экосистеме P2PCLAW. Это плотная авторегрессионная модель семейства Llama с примерно 1 млрд параметров и контекстом 2048 токенов; веса представлены в формате safetensors и предназначены для локального запуска. Модель ориентирована на помощь с программированием: в карточке заявлены Python, JavaScript, TypeScript, Rust, Go и C++, научные вычисления с NumPy, SciPy и Pandas, а также задачи машинного обучения с PyTorch, TensorFlow и JAX. README называет английский и испанский языки; метаданные подтверждают языковые коды en и es. Указана лицензия Apache-2.0. Компактный размер подходит для локального использования, однако контекст ограничен 2048 токенами; независимые результаты оценки качества в предоставленных данных отсутствуют.

UniNER-7B-definition — модель извлечения сущностей и понятий, разработанная авторами UniNER и дообученная на базе LLaMA-7B. Обучающие примеры подготовлены из корпуса Pile-NER-definition с помощью GPT-3.5-turbo-0301: модель училась находить сущности и понятия в отрывках и кратко определять тип каждой найденной единицы, без использования человеческой разметки. Модель предназначена для распознавания именованных сущностей и понятий, в том числе когда тип задан кратким текстовым определением или перефразирован. На вход подаётся текст, а на выходе ожидаются найденные сущности с определениями их типов. Архитектура — плотная LLaMA с 6,6 млрд параметров; длина контекста — 2048 токенов. В метаданных указан английский язык. Авторы отмечают лучшую устойчивость к перефразированию определений типов по сравнению с UniNER-7B-type; при этом версия UniNER-7B-type лучше на стандартных наборах NER с короткими распространёнными метками. Лицензия — CC BY-NC 4.0.

WaveCoder Ultra 1.1 6.7B — это языковая модель для генерации и обработки программного кода, разработанная Microsoft. Представленная версия — GGUF-квантизации оригинальной модели microsoft/wavecoder-ultra-6.7b, подготовленные пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для выполнения инструкций, связанных с программированием, включая генерацию кода и задачи, оцениваемые на наборе HumanEval. Модель имеет около 6,7 млрд параметров, работает в формате GGUF и поддерживает англоязычные сценарии. Для взаимодействия рекомендуется шаблон инструкций с секциями «Instruction» и «Response». Доступны варианты квантизации от Q8_0 до IQ1_S, различающиеся размером файлов и качеством: Q6_K, Q5_K_M, Q5_K_S, Q4_K_M и Q4_K_S обозначены как рекомендуемые, а Q8_0 обеспечивает максимально доступное качество при большем размере. Основное преимущество этой версии — возможность локального запуска с выбором компромисса между качеством и требованиями к памяти; наиболее компактные варианты занимают менее 2 ГБ, тогда как Q8_0 — около 7,16 ГБ. Более низкие уровни квантизации снижают качество и могут быть пригодны только при ограниченных ресурсах. Архитектура, размер контекста, поддерживаемые языки программирования и мультимодальные возможности в README не указаны. Распространение заявлено по лицензии MIT.

WizardCoder-15B-V1.0 — языковая модель для генерации кода, разработанная командой WizardLM. Модель основана на StarCoder, дообученном на 78 тысячах инструкций по программированию, расширенных методом Evol-Instruct для задач кодирования. Модель предназначена для генерации решений задач программирования и ответов на инструкции, связанные с кодом. В карточке приведён результат 57,3 pass@1 на HumanEval; также описана оценка на MBPP. Архитектура — GPTBigCodeForCausalLM, формат весов — PyTorch, контекст — 8192 токена. Метаданные указывают поддержку кода, но не перечисляют естественные языки. Модель может помогать с написанием кода по текстовому запросу, однако качество следует проверять: результаты карточки относятся к конкретным тестам и режимам генерации. Лицензия — BigScience OpenRAIL-M.

XLM-Align — предобученная многоязычная модель на архитектуре XLM-RoBERTa, представленная авторами исследования ACL 2021 «Improving Pretrained Cross-Lingual Language Models via Self-Labeled Word Alignment». Она использует саморазмеченное выравнивание слов для улучшения межъязыковых представлений и поддерживает 94 языка. Модель содержит 305,2 млн параметров, принимает текст и рассчитана на контекст до 514 токенов. Модель подходит для заполнения пропусков в тексте и как основа для межъязычных задач понимания языка, включая распознавание именованных сущностей, разметку частей речи и ответы на вопросы. В приведённой оценке XTREME XLM-Align превосходит XLM-R_base по среднему результату и по всем перечисленным задачам. Доступный формат — PyTorch; лицензия в предоставленных данных не указана.

sentence-transformers/xlm-r-bert-base-nli-mean-tokens — модель Sentence-Transformers, обученная командой sentence-transformers на основе XLM-RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, кластеризации и сравнения текстов. Модель содержит 305,2 млн параметров и принимает текстовые последовательности длиной до 514 токенов; поддерживаемые форматы включают PyTorch, TensorFlow, ONNX и OpenVINO. В README модель помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать более новые модели для получения векторов предложений. Лицензия — Apache-2.0.

XLM-RoBERTa-XL — крупная многоязычная модель на архитектуре RoBERTa, разработанная авторами статьи Naman Goyal, Jingfei Du, Myle Ott, Giri Anantharaman и Alexis Conneau. Она предварительно обучена на 2,5 ТБ отфильтрованных данных CommonCrawl на 100 языках с целью masked language modeling: модель восстанавливает замаскированные слова, используя контекст с обеих сторон. Число параметров — 4,4 млрд, максимальная длина контекста — 514 токенов. Модель подходит для заполнения пропусков в тексте и извлечения многоязычных представлений для дообучения под классификацию последовательностей и токенов, а также ответы на вопросы. Она предназначена прежде всего для задач, анализирующих предложение целиком; для генерации связного текста README рекомендует авторегрессионные модели. Модель распространяется под лицензией MIT.

liuyanyi/AlignScore-large-hf — версия AlignScore Large в формате Hugging Face, подготовленная для запуска через Transformers без пакета alignscore. Это производная от yzha/AlignScore модель объёмом 454,1 млн параметров; в репозитории указаны архитектура AlignscoreModel и веса safetensors. Модель предназначена для классификации текста и оценки согласованности между текстовыми фрагментами, например для проверки, подтверждает ли контекст заданное утверждение. Контекст модели — 514 токенов. Модель принимает текст и выдаёт классификационную оценку. Карточка указывает лицензию MIT. README содержит мало сведений о методике использования и качестве, поэтому конкретные метрики и дополнительные сценарии применения подтвердить нельзя.

AndesVL-2B-Thinking — мультимодальная языковая модель из линейки AndesVL, разработанной для эффективного запуска на мобильных и периферийных устройствах. Она построена на языковой модели Qwen3-1.7B и визуальном энкодере AIMv2-Large; общий размер составляет около 2,055 млрд параметров. Модель принимает изображения и текст и предназначена для диалоговых задач с визуальным вводом, включая ответы на вопросы по изображениям, анализ нескольких изображений, рассуждения, работу с насыщенными текстом изображениями и интерфейсами GUI. В карточке описаны оптимизация для edge-развёртывания и семейная архитектура «1+N» LoRA с фреймворком QALFT для адаптации задач и сжатия. Для конкретного чекпойнта указана лицензия Apache-2.0. В метаданных Hugging Face основная задача помечена как image-text-to-text; также отмечена поддержка text-generation. Заявленные характеристики относятся к линейке AndesVL и не содержат отдельных результатов бенчмарков именно для версии 2B-Thinking.

Модель nickprock/bert-finetuned-ner-ontonotes — англоязычная модель распознавания именованных сущностей, разработанная на основе google-bert/bert-base-cased и дообученная на наборе OntoNotes 5. Она выполняет токенную классификацию и подходит для выделения сущностей в тексте, в том числе в текстах деловой тематики. Модель содержит 135,5 млн параметров, использует архитектуру BERT и принимает контекст длиной до 512 токенов. На оценочной выборке указаны F1 0,8702, точность 0,8567 и полнота 0,8842. Модель распространяется по лицензии Apache-2.0. Показатели получены на OntoNotes 5; качество на других доменах и типах текста может отличаться.

Augmented SBERT STSb — модель cross-encoder на основе BERT, представленная как демонстрационный пример в курсе NLP for Semantic Search. Она предназначена для оценки семантического сходства пары предложений и примеров поиска по смыслу; в README модель используется в главе о расширении внутридоменного набора данных с помощью BERT. Модель содержит 136,7 млн параметров, принимает текстовые пары, обрабатывает последовательности длиной до 512 токенов и выдаёт оценку сходства. Для работы используются PyTorch и архитектура BertForSequenceClassification. Модель пригодна для ранжирования кандидатов по сходству с запросом и поиска похожих предложений, но предназначена прежде всего для демонстрации и не является универсальной чат-моделью. В карточке не приведены сведения о лицензии и поддерживаемых естественных языках.

CodeFuse-QWen-14B — языковая модель для генерации кода, выпущенная командой CodeFuse и дообученная методом QLoRA на базе QWen-14B на нескольких задачах, связанных с кодом. Она предназначена для генерации и продолжения кода по запросу в формате диалога. Модель построена на плотной архитектуре QWen и содержит 21,8 млрд параметров; размер 14B в названии карточки расходится с этим числом из метаданных. Контекст составляет 8192 токена. README сообщает результат 48,78% pass@1 на HumanEval при жадном декодировании. Карточка описывает многоязычные задачи с кодом, но конкретные языки программирования не перечисляет. Для запуска README указывает PyTorch, Transformers 4.32.0, SentencePiece и CUDA 11.4. Лицензия в метаданных обозначена как other, поэтому конкретные условия следует сверить с файлами лицензии репозитория.

CodeGen2.5-7B-mono — авторегрессионная модель для генерации программного кода, разработанная Salesforce. Она обучена на корпусе StarCoderData объёмом 1,4 трлн токенов, а затем дополнительно обучена на данных Python. Модель содержит 6,7 млрд параметров, использует архитектуру Llama и имеет контекст 2048 токенов. Модель предназначена для генерации исполняемого кода по подсказкам на естественном языке, автодополнения частично написанного кода и заполнения пропусков внутри фрагмента. Поддерживает несколько языков программирования; карточка особо указывает дополнительное обучение на Python. Для генерации по описанию README рекомендует формулировать подсказки на английском в виде комментария. Модель может воспроизводить фрагменты исходного кода из обучающих данных, поэтому перед использованием сгенерированного кода следует проверять его происхождение и применимые условия лицензии. Указана лицензия Apache-2.0; разработчики также рекомендуют проверять точность, безопасность и соответствие предполагаемому сценарию применения.

Code Llama 7B — базовая авторегрессионная языковая модель Meta с оптимизированной архитектурой Transformer, предназначенная для генерации и понимания кода. Это версия на 7 млрд параметров в формате для Hugging Face Transformers; модель принимает текст и генерирует текст. Модель подходит для автодополнения кода и заполнения пропусков в коде. Она рассчитана на английский язык и языки программирования; режим следования инструкциям и чат для этой базовой версии не предусмотрены. Для специализированной работы с Python и диалогового помощника существуют отдельные варианты семейства. Модель выпущена под лицензией Meta Llama 2. Возможны неточные или нежелательные результаты, поэтому перед внедрением требуется проверка поведения в целевом сценарии.

code-think-o7b-20260908 — исследовательская версия языковой модели Allen Institute for AI (Ai2), полученная дообучением allenai/Olmo-3-1025-7B на трассах рассуждений Qwen3-30B-A3B-Thinking-2507 и объединением LoRA-адаптера с основными весами. Это плотная авторегрессионная модель семейства OLMo 3 с 6,9 млрд параметров; она принимает текст и генерирует текст, в том числе код. Контекст модели — до 65 536 токенов, обучение проводилось с контекстом 32 768 токенов. Модель предназначена для генерации программного кода и пошагового решения задач программирования в режиме рассуждений. На диагностическом dev-разбиении из 256 задач, производном от LiveCodeBench, она получила 56 решений pass@1 при одном seed; результат не является рейтингом или оценкой на широком наборе задач. В тесте 149 генераций достигли лимита длины около 32 тысяч токенов. Веса доступны в формате Safetensors, для инференса PEFT не требуется; репозиторий также содержит LoRA-адаптер. Лицензия — Apache-2.0. Авторы характеризуют чекпойнт как исследовательский, а не готовый продукт; опубликованная оценка основана на одном запуске и имеет диагностический характер.

code-think-q8b-20260908 — это исследовательская версия Qwen3-8B-Base, дообученная modrill методом LoRA на трассах рассуждений Qwen3-30B-A3B-Thinking-2507 и затем объединённая в полные веса. Модель имеет плотную авторегрессионную архитектуру Qwen3ForCausalLM, около 7,6 млрд параметров и контекст до 32 768 токенов; для запуска объединённых весов PEFT не требуется. Чекпойнт предназначен для генерации кода и его решения с пошаговым рассуждением в режиме thinking. В оценке на 256 задачах LiveCodeBench-derived DEV256 он решил 81 задачу с pass@1; результат получен на одном seed и не является сопоставимой оценкой на лидерборде. В 130 генерациях сработал лимит длины в 32 тыс. токенов. Модель принимает текст и выдаёт текст, включая код. Лицензия — Apache-2.0, унаследованная от базовой модели.

Cogito-0.9.1-15B — разговорная аналитическая модель на 14 млрд параметров, разработанная ozaa77 и основанная на архитектуре Qwen3. Она предназначена для генерации ответов с проверкой предпосылок вопроса, поиском противоречий и оценкой уверенности; поддерживает интерфейс вызова инструментов. Модель принимает текст и генерирует текст, включая структурированные рассуждения и ответы. В README приведены результаты на задачах знаний и рассуждений: MMLU-Pro, GPQA Diamond и MATH-500. Доступны веса safetensors для запуска через Transformers и совместимые среды. Контекстное окно составляет 40 960 токенов. Карточка описывает англоязычное применение; метаданные указывают английский язык. Модель может помогать анализировать аргументы, решать математические и научные задачи и отвечать на вопросы с оговоркой об уверенности. Результаты бенчмарков из README не гарантируют качество в конкретном применении. Лицензия — Apache-2.0.

Это пакет GGUF для распределённого запуска DeepSeek-R1-Distill-Llama-70B-UD-Q4_K_XL, подготовленный Mesh LLM на основе unsloth/DeepSeek-R1-Distill-Llama-70B-GGUF. Веса разделены на артефакты по слоям, чтобы запускать модель на локальном кластере из нескольких машин, когда целый файл слишком велик для одного узла. Модель предназначена для локального приватного чат-инференса и интеграции с приложениями через локальный API Mesh LLM, совместимый с OpenAI Chat Completions. Это вариант UD-Q4_K_XL в формате GGUF; исходная модель относится к семейству DeepSeek и имеет 70 млрд параметров согласно идентификатору, однако описание пакета не приводит независимых сведений об архитектуре, языках или длине контекста. Пакет упрощает распределение вычислений между узлами, но для работы требует Mesh LLM и доступных машин кластера. Лицензия и подробные рекомендации по шаблону чата, настройкам генерации и качеству приведены в карточке исходной модели; в этом README условия лицензии не указаны.