II.6Документация и сопровождение разработки

Jeevesh8/multiberts_seed_0_ft_3 — модель классификации текста на базе BERT из семейства Multiberts, опубликованная пользователем Jeevesh8 на Hugging Face. Она предназначена для присвоения входному тексту одного из заранее заданных классов и может использоваться в задачах последовательной классификации через библиотеку Transformers. Модель содержит около 136,7 млн параметров и принимает последовательности длиной до 512 токенов. В метаданных указаны архитектура BERT, поддержка JAX и назначение text classification. Конкретный набор классов, обучающий датасет, языки, лицензия и специализированная предметная область по доступным данным не установлены.

NexteraBERT-Mezzoforte-220M-en — англоязычный двунаправленный энкодер семейства NexteraBERT, разработанный независимым исследователем RikkaBotan. В репозитории указано 212,6 млн параметров, а метаданные Hugging Face сообщают 353,6 млн; архитектура состоит из 18 блоков с несколькими типами смешивания токенов: линейным SnowLily, скользящим вниманием, полным вниманием и NexteraHRA. Модель предобучена методом masked language modeling на 130 млрд токенов; максимальная длина обучения составляла 8 192 токена. Метаданные не содержат значения длины контекста для инференса. Основной сценарий — восстановление замаскированных токенов. Энкодер также можно дообучать для классификации текста, разметки токенов, ответов на вопросы, задач с вариантами ответа, поиска и оценки сходства. Для поиска и сходства требуется отдельное дообучение: автор подчёркивает, что исходная модель не является готовой моделью эмбеддингов. В сравнительных оценках она показывает результаты, сопоставимые с ModernBERT-base на GLUE, MTEB и BEIR. Модель предназначена для английского языка и использует токенизатор ModernBERT с словарём из 50 368 токенов. Для загрузки пользовательского кода требуется trust_remote_code=True; автор сообщает о проверке с Transformers 5.12 и PyTorch 2.12. Лицензия — MIT.

sentence-transformers/nli-bert-large-max-pooling — модель sentence-transformers, обученная командой Sentence Transformers на основе архитектуры BERT. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для поиска семантически близких текстов и кластеризации. Модель поддерживает получение эмбеддингов и оценку сходства предложений; доступна с библиотекой sentence-transformers и в форматах PyTorch, TensorFlow, ONNX и OpenVINO. Максимальная длина контекста — 512 токенов. Лицензия Apache-2.0. Модель помечена авторами как устаревшая: качество её эмбеддингов низкое, поэтому для новых проектов рекомендуется выбрать более современную модель эмбеддингов. Карточка не указывает специальные языковые или предметные ограничения.

OpenMath-Nemotron-14B-GGUF — это квантизированная версия языковой модели OpenMath-Nemotron-14B, разработанной NVIDIA. Квантизацию в формате GGUF выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и решения математических задач, включая сценарии, где требуется локальный запуск через llama.cpp, LM Studio или совместимые проекты. Модель содержит 14 миллиардов параметров, работает с текстом и ориентирована на английский язык. В репозитории доступны варианты от BF16 до низкобитных форматов Q2 и Q3, а также Q4–Q8, что позволяет выбирать баланс между качеством, размером файла и требованиями к оперативной памяти. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5 или Q6; более сильная квантизация обычно сохраняет качество лучше, но требует больше памяти. Размер контекста в README не указан. Сильной стороной модели является специализация на математическом рассуждении и наличие вариантов для эффективного локального вывода на разных конфигурациях оборудования. Ограничения включают ориентацию на английский язык, отсутствие заявленной поддержки изображений или других модальностей, а также возможное снижение качества в наиболее компактных вариантах квантизации. Указанная лицензия — CC BY 4.0.

blackmlengineer/occucoder-en-venti-v0 — текстовая модель Sentence Transformer на базе архитектуры BERT, обученная для сопоставления предложений и поиска. Она преобразует предложения и абзацы в плотные векторы размерностью 768; для оценки близости используется косинусное сходство. Модель содержит 19,5 млн параметров и принимает текст длиной до 32 токенов. Модель подходит для поиска подходящих текстов по запросу, сравнения семантической близости предложений и построения текстового поиска на основе эмбеддингов. В README приведены обучающие примеры с названиями профессий и похожими категориями; язык этих примеров — английский. Модель обучалась на наборе из 991 580 примеров с якорными, положительными и отрицательными парами с использованием MultipleNegativesRankingLoss. Карточка не указывает лицензию. Короткий контекст в 32 токена ограничивает применение длинных предложений и документов; модель формирует эмбеддинги текста, а не готовые ответы.

PaliGemma-3b-pt-448 — предварительно обученная компактная модель зрения и языка от Google, основанная на визуальном энкодере SigLIP и языковой модели Gemma. Она принимает изображение и текстовый запрос и генерирует текст; версия с разрешением 448 предназначена для переноса на специализированные задачи тонкой настройкой. Модель подходит для описания изображений и коротких видео, ответов на вопросы об изображениях и чтения текста на них. Её также можно дообучить для обнаружения объектов, сегментации, анализа снимков дистанционного зондирования, объяснения элементов интерфейса и других задач с визуальными данными. PaliGemma рассчитана на один обмен запросом и ответом, а не на многоходовый диалог. Для надёжной работы модель следует настраивать под конкретную задачу: качество без дообучения может уступать специализированным системам. Она может ошибаться в фактах и сложных рассуждениях, а также отражать предвзятость обучающих данных. Лицензия — Gemma; при использовании необходимо соблюдать условия этой лицензии и правила допустимого использования Gemma.

Phind-CodeLlama-34B-Python-v1 — языковая модель для генерации кода, разработанная Phind на основе CodeLlama-34B-Python. Модель с плотной архитектурой Llama содержит 33,5 млрд параметров и рассчитана на контекст до 16 384 токенов. Она дообучена на внутреннем наборе примерно из 80 тысяч высококачественных задач по программированию и решений в формате «инструкция — ответ»; обучение проводилось в течение двух эпох без LoRA. Модель предназначена для ответов на задачи по программированию и генерации решений на Python. В README сообщается результат 69,5% pass@1 на HumanEval. Модель частично настроена на следование инструкциям, но не оптимизирована для диалогового чата. Доступны веса PyTorch для Transformers; лицензия указана как llama2. Разработчик предупреждает, что модель прошла ограниченное тестирование и нуждается в дополнительной проверке безопасности перед практическим развёртыванием.

Qwen3.8-27B-Abliterated-GGUF — это квантизированная GGUF-сборка модели windowsxp811203/Qwen3.8-27B-Abliterated, основанной на Qwen/Qwen3.8-27B. Модель предназначена для локального запуска через llama.cpp и ориентирована на генерацию текста без стандартных отказов по запросам, связанных с удалённым механизмом отказа. В поставку включены MTP draft head для speculative decoding и vision projector для обработки изображений. Доступны варианты квантизации от IQ4_XS размером 15,3 ГБ до Q8_0 размером 29 ГБ; для видеокарт с 24 ГБ памяти рекомендуется Q4_K_M размером 16,8 ГБ. Поддерживаются текстовая и визуальная модальности, английский и китайский языки, режим рассуждений, контекст до 256K токенов в пределах заявленного максимума, а также MTP-ускорение без отдельной draft-модели. Проверки показывают близкое к BF16 качество на perplexity-тестах, работоспособность обработки изображений и извлечения данных из длинного контекста, однако результаты за пределами 256K являются экстраполяцией. Ключевое преимущество модели — практически полное отсутствие отказов на наборах AdvBench и HarmBench safety categories даже в 4-битных вариантах, что делает её подходящей для исследовательских, экспериментальных и локальных сценариев, где требуется более свободная генерация. Ограничения включают необходимость значительного объёма памяти, зависимость визуального режима от отдельного файла mmproj, возможные особенности поведения базовой модели в длинных сессиях и отсутствие обычных защитных отказов. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Cold-Fusion-GAIN-V1.1-NInfer — это конверсия модели DavidAU/Qwen3.8-27B-Cold-Fusion-GAIN-V1.1, основанной на Qwen/Qwen3.8-27B. Артефакт подготовлен в формате .ninfer проектом pyros-vault для специализированного runtime NInfer-4090 и видеокарт NVIDIA RTX 4090 с архитектурой sm_89. Это deployment-конверсия без дополнительного обучения; в пакет включены смешанно-точные веса и ресурсы токенизации, генерации, чат-шаблона и обработки изображений и видео. Модель предназначена для генерации текста и мультимодальных сценариев с текстом и изображениями через совместимый runtime NInfer. Версия использует квантование groupwise-int с вариантами 4-, 5-, 6- и 8-битных весов, имеет размер около 27 млрд параметров, занимает 16,96 GiB в виде файла и поддерживает speculative decoding с MTP. В проверенных режимах резидентные веса занимали примерно 15,92 GiB для текста, 16,19 GiB с Vision и 16,67 GiB с MTP; профиль проверки использовал контекст и KV-ёмкость 4096 токенов. Сильные стороны артефакта — компактное смешанно-точное представление, поддержка текстового и визуального ввода, MTP-ускорение и адаптация под 24 ГБ VRAM RTX 4090. Ограничения связаны с жёсткой привязкой формата к зарегистрированному runtime и конкретной архитектуре GPU: файл не предназначен для Transformers, llama.cpp или сторонних форков NInfer. Заявления об улучшении качества и сокращении числа токенов рассуждений относятся к upstream-модели и отдельно в этой карточке не подтверждены. Лицензия — Apache-2.0.

Qwen3-8B TMax AENV v39b, итерация 79 — чекпойнт языковой модели, опубликованный willamazon1. Это продолжение обучения с подкреплением модели willamazon1/qwen3-8b-tmax-sft-v3-iter353, изначально дообученной на основе Qwen/Qwen3-8B. Модель использует плотную архитектуру Qwen3ForCausalLM и содержит 7,6 млрд параметров; контекст — до 40 960 токенов. Для работы доступны веса в формате safetensors с точностью bfloat16. Чекпойнт получен с помощью group-relative policy optimization на асинхронных многошаговых взаимодействиях с агентными средами. Он предназначен для диалоговой генерации текста и сценариев использования инструментов; метаданные также отмечают интерфейс tool calling. Итерация 79 — одна из опубликованных точек обучения, позволяющих сравнивать динамику обучения с подкреплением. Лицензия — Apache-2.0. Карточка не приводит результаты оценивания качества, поэтому пригодность для конкретной среды и устойчивость поведения с инструментами следует проверять отдельно.

Qwen3.8 Flash-Next Uncensored NVFP4 + MTP — мультимодальная модель класса Mixture-of-Experts, разработанная на основе чекпойнта mazinb/Qwen3.8-Flash-Next-Uncensored-NVFP4 и опубликованная пользователем aday777. Она предназначена для высокопроизводительной генерации текста со speculative decoding на GPU NVIDIA Blackwell, включая длинный контекст, мультимодальные сценарии, tool calling и reasoning-каналы. Модель относится к pipeline text-generation и поддерживает английский язык. Модель содержит примерно 125 млрд параметров, из которых около 6 млрд активируются на один токен. Целевые MoE-эксперты и эксперты MTP квантизованы в NVFP4, общие эксперты целевой модели используют BF16; применяются MTP speculative depth 3 и контекст до 131 072 токенов. В квалификационном тесте на NVIDIA RTX PRO 6000 Blackwell 96 GB была достигнута скорость 161,12 выходного токена в секунду, однако для работы требуется современная совместимая сборка vLLM с поддержкой Qwen4-Exp/Flash-Next, Blackwell NVFP4 MoE, MTP и выгрузки PLE на CPU. Сильными сторонами являются высокая пропускная способность, поддержка длинного контекста, мультимодальности и спекулятивного декодирования, а также детерминированная конвертация и опубликованные контрольные суммы файлов. Ограничения включают зависимость от специфической аппаратной и программной конфигурации, возможную несовместимость со старыми версиями vLLM и необходимость самостоятельно проверять качество и безопасность. Модель намеренно uncensored и abliterated, поэтому может выполнять небезопасные, незаконные, неточные или вредоносные запросы; README прямо возлагает ответственность за контроль доступа и применение на пользователя. Модель распространяется по лицензии Apache-2.0. Указанная лицензия относится к карточке модели; дополнительные риски и условия использования следует оценивать с учетом происхождения базового чекпойнта и применимого законодательства.

Qwen3-VL-32B-Instruct-MLX-8bit — это 8-битно квантованная версия мультимодальной модели Qwen3-VL-32B-Instruct, разработанной командой Qwen. Квантование выполнено командой LM Studio с использованием MLX и mlx-vlm; модель оптимизирована для запуска на устройствах Apple Silicon. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Она может использоваться в сценариях, требующих совместного анализа визуальной и текстовой информации, однако README не содержит подробностей о поддерживаемых языках, размере контекстного окна и конкретных возможностях исходной модели Qwen3-VL-32B-Instruct. Ключевая характеристика этой версии — 8-битное квантование, которое снижает требования к памяти по сравнению с полноразмерной моделью и делает её более подходящей для локального запуска на Apple Silicon. При этом квантование может влиять на точность по сравнению с исходной версией. README не приводит результаты тестирования, сведения о производительности и ограничения мультимодального ввода, поэтому их нельзя оценить точнее. Модель распространяется по лицензии Apache-2.0.

Qwopus3.6-27B-Fusion-BF16 — экспериментальная 27-миллиардная плотная модель Кайла Хесслинга, объединяющая навыки рассуждения Qwopus3.6-27B-v2 и написания кода Qwopus3.6-27B-Coder на базе Qwen/Qwen3.6-27B. Модель использует гибридную архитектуру Qwen 3.5 с линейным и периодическим полным вниманием, содержит 64 слоя и поставляется в формате safetensors с точностью BF16. Заявленный нативный контекст — 262 144 токена; чистая работа проверена на последовательностях до 60 000 токенов. Модель предназначена для агентного программирования в цикле «спланировать, написать, запустить и исправить», а также для задач рассуждения и генерации кода. По README, включённый по умолчанию режим thinking помогает ей самостоятельно разбирать ошибки и дорабатывать приложения. Сохранён визуальный энкодер базовой модели, и ввод изображений проверен на чтении текста со скриншотов, однако качество работы с изображениями отдельно не оценивалось. В README приведены результаты HumanEval, MBPP и GSM8K, но автор отмечает, что модель ещё не прошла строгую комплексную оценку. На сложных агентных задачах она может чрезмерно долго рассуждать и достигать лимита генерации; README рекомендует ограничивать max_tokens примерно 8 тысячами. Для запуска BF16-весов объёмом около 55,6 ГБ потребуется несколько GPU или выгрузка части вычислений на CPU. Лицензия указана как other, конкретные условия в предоставленных данных не описаны.

LFM2.5-Embedding-350M — модель для построения векторных представлений текста, разработанная LiquidAI и экспортированная командой Software Mansion для запуска на устройствах через React Native ExecuTorch. Она предназначена прежде всего для семантического поиска и задач sentence similarity, включая сопоставление поисковых запросов с документами и passages непосредственно на устройстве. В основе модели — двунаправленный backbone LFM2.5-350M с гибридной архитектурой, сочетающей свёрточные слои и attention; размер скрытого представления составляет 1024. Модель формирует embedding размерностью 1024, применяет CLS pooling и L2-нормализацию, поэтому для сравнения векторов используется cosine similarity, эквивалентная скалярному произведению нормализованных embedding. Для лучшего качества retrieval рекомендуется использовать асимметричные префиксы «query: » для поисковых запросов и «document: » для индексируемых текстов. Языки и максимальная длина контекста в README не указаны. Репозиторий содержит готовые ExecuTorch-программы в форматах MLX int4 и XNNPack 8da4w, что позволяет выбирать между доступными backend и вариантами точности. Файлы опубликованы для ExecuTorch v1.4.1; обратная совместимость с более старыми версиями не гарантируется. Вариант Core ML экспортирован, но не опубликован из-за проблем, описанных в отдельной заметке. Указана лицензия lfm1.0; подробные условия следует уточнять в файле лицензии upstream-модели.

camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_7 — модель sentence-transformers на архитектуре RoBERTa, обученная Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости, семантического поиска и кластеризации. Модель содержит 151,8 млн параметров, принимает текст и имеет контекст до 514 токенов. В README версия помечена как устаревшая: качество векторных представлений низкое, поэтому для новых систем рекомендуется выбрать более качественную модель эмбеддингов. Распространяется по лицензии Apache-2.0.

RoBERTa base — предварительно обученная языковая модель FacebookAI на архитектуре Transformer-энкодера, содержащая 151,8 млн параметров. Она обучена на англоязычных текстах методом masked language modeling: восстанавливает скрытые токены в контексте, используя информацию как слева, так и справа. Модель чувствительна к регистру и принимает последовательности длиной до 514 токенов. Модель подходит для заполнения пропусков в английском тексте и как основа для дообучения под задачи классификации последовательностей и токенов, а также ответа на вопросы. Для свободной генерации текста она не предназначена. Обучающие данные включают BookCorpus, Wikipedia, CC-News, OpenWebText и Stories; их интернет-содержимое может приводить к предвзятым предсказаниям. Лицензия — MIT.

Ruri-Small — компактная модель Sentence Transformer, разработанная cl-nagoya для получения векторных представлений японских предложений и оценки их семантического сходства. Она дообучена на базе line-corporation/line-distilbert-base-japanese с использованием cl-nagoya/ruri-dataset-ft и предназначена для задач поиска и сравнения японских текстов. Модель использует архитектуру DistilBERT, формирует эмбеддинги размерности 768 и обрабатывает последовательности длиной до 512 токенов. Для оценки сходства применяется косинусная мера. В README приведены результаты JMTEB по поиску, семантическому сходству, классификации, переранжированию, кластеризации и классификации пар. Модель распространяется по лицензии Apache 2.0.

Nanthasit/sakthai-coder-1.5b — модель от разработчика Nanthasit, дообученная на базе Qwen2.5-Coder-1.5B-Instruct. Она предназначена для генерации и завершения кода, исправления ошибок, небольших рефакторингов, а также формирования JSON для вызова инструментов и функций. Модель имеет около 1,5 млрд параметров и поставляется в формате GGUF с квантизацией Q4_K_M. Она ориентирована на локальный офлайн-запуск на CPU через llama.cpp или llama-cpp-python; заявленный объём памяти составляет менее 1,2 ГБ, а пример конфигурации использует контекст 4096 токенов. В карточке указан английский язык. Рекомендуемые параметры генерации включают temperature 0,2, top_p 0,9 и до 1024 новых токенов. Сильными сторонами являются компактность, возможность работы без GPU и поддержка структурированных tool-calling-ответов: для SakThai Bench v2 заявлены 100% валидных JSON-ответов и 91,2% точности выбора инструмента при корректном формате prompt. Модель также демонстрирует пригодность для типичных задач программирования, однако результаты могут зависеть от формата запроса, а ошибки в анализе логики кода всё ещё возможны, поэтому критические изменения требуют проверки. Модель распространяется по лицензии Apache 2.0.

VibeThinker-3B-GGUF — GGUF-версия языковой модели VibeThinker-3B, разработанной WeiboAI на основе Qwen2.5-Coder-3B. Это текстовая autoregressive-модель примерно на 3 млрд параметров, ориентированная на рассуждения и генерацию текста. Модель обучалась с использованием двухэтапного curriculum-based SFT, reinforcement learning по нескольким доменам с методом MaxEnt-Guided Policy Optimization, offline self-distillation и instruct RL. Заявленный основной язык — английский. Модель предназначена прежде всего для решения математических задач, программирования, STEM-задач, reasoning и instruction-following, особенно в сценариях с проверяемыми ответами: соревновательная математика, coding contests и задачи на алгоритмы. Для инференса рекомендуются vLLM или SGLang; заявлены temperature 1.0, top_p 0.95 и поддержка до 102K выходных токенов. Репозиторий содержит варианты GGUF с точностями от Q2_K до Q8_0, а также BF16, F16 и F32, что позволяет выбирать между размером файла, требованиями к памяти и качеством. Сильной стороной модели является специализация на проверяемом рассуждении при компактном размере; в README также заявлены высокие результаты на бенчмарках по математике и программированию. Ограничение состоит в том, что модель оптимизирована для задач с ясными критериями проверки и может уступать более крупным универсальным моделям в широких open-domain сценариях и работе с общими знаниями. Указана лицензия MIT.

TalTechNLP дообучила мультиязычную модель OpenAI Whisper large-v3-turbo для автоматического распознавания речи. Обучение включало 1400 часов аудио с вручную подготовленными дословными транскрипциями на эстонском языке, около 4000 часов эстонских новостных аудиозаписей с автоматически созданными транскрипциями и контекстной подсказкой, а также около 500 часов англоязычных подкастов и видео YouTube. Модель особенно рассчитана на эстонскую речь с английскими терминами и фрагментами, например в технических подкастах. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration и 905,2 млн параметров. Она принимает аудио и выдаёт текст; использовать её можно через Transformers, а опубликованный вариант в формате GGML — с инструментами на базе whisper.cpp. Лицензия — MIT. Карточка не сообщает отдельные метрики качества или гарантии точности распознавания.

Wichtelchen-Qwen3.5-9B — модель schneewolflabs на архитектуре Qwen3.5-9B, дообученная для локальной работы с инженерными задачами и делегирования работы кодовому агенту. Она поддерживает диалог, работу с кодом и изображениями; в метаданных указан формат safetensors и библиотека Transformers. README сообщает о результатах 56,1% на hembench и 10/10 по делегированию в тесте egirl, однако это результаты внутренних бенчмарков разработчика. Модель предназначена для сценариев, где ассистент использует инструменты и передаёт инженерные задачи агенту egirl. README характеризует использование инструментов как одноходовое и привязанное к схеме инструментов egirl. Лицензия — Apache-2.0.

sentence-transformers/xlm-r-bert-base-nli-stsb-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 семантически близких текстов, кластеризации и сравнения сходства. Модель принимает текст и выдаёт векторные представления; максимальная длина контекста составляет 514 токенов. Доступны варианты весов в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель многоязычная благодаря основе XLM-RoBERTa, однако README предупреждает, что качество её эмбеддингов низкое и модель устарела, поэтому для новых задач рекомендуются более современные модели эмбеддингов. Лицензия — Apache-2.0.

Salesforce CodeGen-NL 6B — авторегрессионная языковая модель для синтеза программного кода. Это вариант семейства CodeGen с плотной архитектурой CodeGenForCausalLM и примерно 6 млрд обучаемых параметров; модель опубликована Salesforce в рамках исследования о диалоговом подходе к синтезу программ. Она предварительно обучена на корпусе The Pile, содержащем в том числе данные с кодом, и принимает текстовые запросы с инструкциями на естественном языке или незавершённый код. Основное применение — генерация исполняемого кода по англоязычному описанию, желательно оформленному как комментарий, а также продолжение фрагментов программы. Контекст составляет 2048 токенов. Модель может извлекать признаки из текста на естественном языке и языках программирования и оценивать их правдоподобие; качество и безопасность результата необходимо проверять перед использованием. Модель выпущена для исследовательских целей и не оценивалась для всех практических сценариев. Лицензия — BSD 3-Clause.

crossencoder-mMiniLMv2-L12-mmarcoFR — французский cross-encoder, разработанный Antoine Louis. Он оценивает релевантность пары «запрос — фрагмент текста», совместно обрабатывая оба текста и выдавая оценку от 0 до 1. Модель предназначена для повторного ранжирования результатов семантического поиска после первичного отбора, например BM25 или плотным би-энкодером. Модель основана на дистиллированной многоязычной XLM-RoBERTa mMiniLMv2-L12-H384 и дообучена на французских данных mMARCO с трудными негативными примерами. В репозитории указано 124,3 млн параметров; максимальная длина входа по метаданным — 514 токенов, а в описании обучения для склеенной пары использовалось ограничение в 256 токенов. Поддерживается французский язык; для инференса указана библиотека Sentence-Transformers. Модель подходит для сортировки найденных фрагментов по релевантности, но сама не выполняет первичный поиск и не генерирует ответы. Обучение и оценка проводились на данных mMARCO-fr; результаты могут зависеть от домена, качества первичного поиска и длины текстовых пар. Лицензия — MIT.

DeepCoder-1.5B-Preview — языковая модель для генерации и рассуждения над программным кодом, разработанная проектом Agentica. Она создана на основе DeepSeek-R1-Distill-Qwen-1.5B и дообучена с использованием распределённого reinforcement learning, включая улучшенный алгоритм GRPO+ и поэтапное увеличение длины контекста. Модель предназначена для решения задач программирования, генерации кода и задач с проверяемыми тестами. В обучении использовались наборы Taco-Verified, PrimeIntellect SYNTHETIC-1 и LiveCodeBench; заявленный язык — английский. Размер модели — 1,5 млрд параметров. Она относится к текстовым моделям и поддерживает контекст до 64K токенов при инференсе, хотя обучение проводилось с длиной до 32K. Модель можно разворачивать через vLLM, Hugging Face TGI, SGLang и TensorRT-LLM с поддержкой формата OpenAI Chat Completions API. По приведённым оценкам, DeepCoder-1.5B-Preview показывает лучшие результаты, чем исходная DeepSeek-R1-Distill-Qwen-1.5B, на LiveCodeBench v5, Codeforces и HumanEval+. Сильными сторонами являются кодовое рассуждение, работа с длинным контекстом и открытая исследовательская направленность. Ограничения включают статус Preview, меньший размер по сравнению с крупными моделями и отсутствие в README подробностей о фактическом качестве на других языках программирования, системных требованиях и характеристиках именно GGUF-сборки. Проект распространяется по лицензии MIT.

pestova/deepseek-coder-1.3b-function-calling-v1 — компактная языковая модель для генерации текста и кода, опубликованная пользователем pestova на Hugging Face. По названию модели она ориентирована на сценарии function calling, то есть формирование структурированных вызовов функций или инструментов.

deepseek-coder-6.7B-kexer-GGUF — это набор GGUF-квантизированных версий модели deepseek-coder-6.7B-kexer, основанной на deepseek-ai/deepseek-coder-6.7b-base. Модель связана с датасетом JetBrains/KExercises; квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Предназначена прежде всего для генерации и решения задач программирования, включая сценарии разработки на Kotlin. Размер базовой модели составляет 6,7 млрд параметров. Доступны варианты квантизации от Q8_0 до IQ1_M с размером файлов примерно от 7,16 до менее 2 ГБ, что позволяет выбирать между качеством и требованиями к памяти. В README не указаны архитектурные детали, размер контекстного окна, полный перечень поддерживаемых языков и мультимодальные возможности. В качестве ориентира приведён результат pass@1 55,28 на MultiPL-HumanEval (Kotlin). Сильной стороной модели является специализация на коде и наличие широкого выбора квантизаций для локального запуска, однако более компактные варианты могут заметно уступать по качеству старшим версиям. Для работы рекомендуется проверить корректность шаблона запросов: в карточке отмечено, что chat template не задан, а приведённый формат может быть неточным. Модель распространяется по лицензии Apache-2.0.

Квантизированная GGUF-сборка модели DeepSeek-V4-Flash-180B, разработанной DeepSeek и опубликованной в этой форме пользователем kingjones777. Модель предназначена для локальной генерации текста и запуска через llama.cpp-подобный сервер на системах с AMD Strix Halo, включая Ryzen AI Max+ 395 с графикой gfx1151. В README также указана работа с tool calling в проверенной конфигурации. Сборка основана на MXFP4-релизе и преобразована в формат Q4_0_ROCMFP4_STRIX_LEAN. Доступны варианты примерно на 90 ГБ без MTP-тензоров и на 92 ГБ с сохранёнными MTP-тензорами для экспериментов со speculative decoding. Контекст в примере запуска установлен на 32 768 токенов, однако это значение не обязательно является предельным. Сведения об архитектуре, языках и мультимодальности не приведены. Главное преимущество — адаптация FP4-квантизации под unified-memory-системы AMD Strix Halo при существенно меньшем размере по сравнению с полноразмерными весами. Ограничения включают высокие требования к памяти, необходимость специальной сборки ROCmFPX с поддержкой ROCmFP4 для gfx1151 и несовместимость со стандартным llama.cpp. В README отмечено, что MTP-вариант в одном родственном тесте показал замедление примерно до 0,78×, поэтому его эффективность необходимо проверять на конкретном оборудовании. Репозиторий распространяется по лицензии Apache-2.0. Форматы ROCmFP4 и соответствующий форк ROCmFPX имеют лицензию MIT; лицензия и права на базовую модель определяются её авторами.

donut-handball-pv3 — дообученная модель Bienvenu2004 на основе Bienvenu2004/donut-handball-pv2. Она использует архитектуру vision-encoder-decoder и преобразует изображения в текст; модель подходит для сценариев, где нужно извлечь текстовую информацию из изображений. В карточке указано обучение на датасете imagefolder, а веса доступны в формате safetensors. Модель распространяется по лицензии MIT. Карточка не описывает конкретные типы изображений, формат результата, поддерживаемые языки или оценку качества, поэтому эти свойства нельзя уточнить. По имеющимся данным нельзя определить, насколько модель надёжно справляется с изображениями вне обучающей выборки.

DynamicRAG-8B — дообученная модель на базе Meta Llama 3 8B, разработанная авторами проекта DynamicRAG для динамического ранжирования документов в системах генерации с дополнением извлечёнными данными (RAG). Она меняет порядок и количество документов для каждого запроса, используя обратную связь от языковой модели; обучение включает supervised fine-tuning и оптимизацию с подкреплением. Модель предназначена для выбора наиболее полезного контекста перед генерацией ответа. В README описана оценка на семи бенчмарках и использование корпуса англоязычной Википедии 2018 года. Это плотная архитектура Llama с 7,5 млрд параметров, контекстом до 8192 токенов и форматом весов safetensors. Метаданные указывают английский язык и задачи генерации текста и question answering; для пользовательского применения основной сценарий — ранжирование контекста в RAG. Модель распространяется по лицензии Apache 2.0. Для обучения в README указано требование не менее восьми GPU A100 с 80 ГБ памяти; результаты и качество зависят от используемого генератора, корпуса и конфигурации поиска.