II.6Документация и сопровождение разработки

mMiniLM-L6-v2-mmarco-v2 — мультиязычная модель на основе MiniLM, дообученная командой Unicamp-DL на версии набора MS MARCO Passage Ranking на девяти языках. Набор mMARCO содержит переведённые с английского passages; для версии v2 использовался Google Translate. Модель предназначена для оценки текстовых фрагментов в задачах поиска и ранжирования passages по запросу. Её можно применять для сортировки найденных документов по релевантности и построения мультиязычного поиска. Архитектура в метаданных указана как XLM-RoBERTa Sequence Classification, размер — 110,2 млн параметров, максимальный контекст — 514 токенов. Модель доступна в формате PyTorch по лицензии MIT. Обучение на автоматически переведённых данных может влиять на качество для языков и формулировок, отличающихся от обучающего набора; контекст ограничен 514 токенами.

Xenova/mobilebert-uncased-mnli — это версия модели typeform/mobilebert-uncased-mnli с весами в формате ONNX, подготовленная для работы с библиотекой Transformers.js. Разработчик исходной модели — Typeform; репозиторий Xenova адаптирует её для веб-сред и JavaScript-приложений. Модель предназначена для классификации текстов без дополнительного обучения по заранее заданным категориям (zero-shot classification). Она может оценивать, насколько входной текст соответствует меткам, например «positive» и «negative», что подходит для анализа тональности, тематической маршрутизации и других задач классификации с динамическим набором классов. Основная архитектура — MobileBERT; в README не указаны размер модели, максимальная длина контекста, точный набор поддерживаемых языков и модальности, поэтому предполагается работа только с текстом. Ключевое преимущество модели — возможность запуска через Transformers.js и ONNX, в том числе в веб-средах, без использования исходного формата весов. Ограничения включают зависимость от качества и формулировки заданных меток, а также отсутствие в README подробностей о точности, производительности и языковых возможностях. Лицензия в предоставленных данных не указана.

RinKana/ms-marco-MiniLM-L12-v2-cross-lingual-reranker — дообученная cross-encoder-модель на базе cross-encoder/ms-marco-MiniLM-L12-v2, созданная с использованием библиотеки sentence-transformers. Она оценивает пары текстов и выдаёт один числовой балл релевантности, который подходит для повторного ранжирования результатов поиска и семантического поиска. Модель принимает текст; архитектура основана на BERT и имеет около 40 млн параметров. Максимальная длина последовательности — 512 токенов. Карточка называет модель cross-lingual, однако приведённые сведения о данных и примерах относятся к английскому языку, поэтому поддержку других языков подтвердить нельзя. Лицензия в предоставленных данных не указана. Модель подходит для ранжирования пар запроса и найденного фрагмента, но её вход ограничен 512 токенами.

DataOrchestra NP-0.6B — компактная плотная языковая модель семейства Qwen3, разработанная DataOrchestra на базе Qwen/Qwen3-0.6B-Base и дообученная для удаления построчного шума из текстовых документов. Она принимает пронумерованный фрагмент документа в маркерах [DOC] и [/DOC] длиной до 1024 токенов Qwen3 и выдаёт операции удаления целых строк либо команду skip(). Модель предназначена для очистки веб-страниц и других текстовых источников от навигации, рекламы, панелей обмена, шаблонных фрагментов и метаданных каталогов; её можно запускать отдельно или включать в конвейер очистки DataOrchestra. В отличие от систем, которые переписывают текст или удаляют части строк, NP сохраняет все строки, не отмеченные для удаления. Модель содержит около 508 млн параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 32768 токенов; заявленный формат весов — safetensors. Карточка описывает англоязычное применение. Лицензия — Apache-2.0.

Prometheus-13B-v1.0 — языковая модель для детальной оценки ответов больших языковых моделей, разработанная авторами проекта Prometheus. Она основана на Llama-2-Chat и дообучена на 100 тысячах примеров обратной связи из Feedback Collection. Модель принимает инструкцию, оцениваемый ответ, рубрику с критериями и эталонный ответ, после чего генерирует текстовую обратную связь и оценку по заданной шкале. Модель предназначена для автоматизированной оценки длинных ответов по настраиваемым критериям, например читабельности для детей, культурной чувствительности и креативности. Её также можно использовать как reward model в RLHF. Архитектура — плотная LlamaForCausalLM на 12,9 млрд параметров; модель работает с английским языком, контекст составляет 4096 токенов. Для ожидаемого поведения README рекомендует применять шаблон диалога Llama-2-Chat. Лицензия — Apache-2.0.

Это 7,1-миллиардная мультимодальная модель семейства Qwen2.5-VL, подготовленная сообществом mlx-community из Qwen/Qwen2.5-VL-7B-Instruct и преобразованная в формат MLX с точностью 6 бит. Она принимает текст и изображения и генерирует текст; предназначена для диалога, ответов на вопросы по изображениям и других задач визуального анализа. Архитектура — плотная Qwen2_5_VLForConditionalGeneration, поддерживается контекст до 128 000 токенов и интерфейс вызова инструментов. Карточка указывает библиотеку Transformers и преобразование с помощью mlx-vlm 0.1.11. Лицензия — Apache-2.0.

t-firefly/qwen3.5-27b-rknn3-rk1828 — сборка модели Qwen3.5-27B, подготовленная t-firefly для запуска на Rockchip RK1828 через LlamaPi. Исходную модель разработала команда Qwen; это мультимодальная модель генерации текста по текстовым и визуальным входам с архитектурой Qwen3.5 и гибридной конструкцией Gated Delta Networks со разреженной смесью экспертов. В репозитории указаны форматы GGUF и safetensors, а метаданные отмечают поддержку диалогов, зрения и интерфейса вызова инструментов. Модель предназначена для диалогов, рассуждений и анализа изображений на совместимом устройстве RK1828. Исходная модель поддерживает 201 язык и диалект, имеет контекст 262 144 токена с возможностью расширения до 1 млн токенов. Лицензия — Apache-2.0. README описывает сборку для LlamaPi, но не приводит измерений качества или подробностей о точности и квантовании файлов этой версии.

Qwen3.8-27B-Opus-Abliterix-Reasoning-BF16 — мультимодальная модель на базе Qwen/Qwen3.8-27B, выпущенная автором timteh673. Это слитый BF16-чекпойнт для Transformers: модель принимает текст и изображения и генерирует текст. В конфигурации указаны текстовая часть на 27 млрд параметров, визуальный энкодер и максимальный диапазон позиций 262 144 токена. Модель дообучили с помощью QLoRA на наборе примеров для рассуждений, затем применили Abliterix для снижения склонности к отказам. Она предназначена для диалогов, анализа изображений и многошаговых задач; README описывает её как практичный личный вариант, а не универсально лучший чекпойнт. Выпущена по лицензии Apache-2.0. В локальных тестах авторов модель показала меньше отказов и улучшение ряда метрик рассуждений и анализа изображений, но уступила контрольной модели в HumanEval и полном тесте кода. Также отмечены повышенная несвязность, повторения, утечки текста запросов и проблемы с завершением генерации кода из-за ограничения в 512 токенов. Результаты получены на локальном наборе тестов и могут не переноситься на другие условия; ответы требуют проверки.

Qwen3.8-27B-Uncensored-oQ4e-fp16-mtp — это мультимодальная версия модели семейства Qwen3.8 с архитектурным типом qwen3_5 и примерно 27 млрд параметров. Артефакт создан pyros-vault как deployment-конверсия модели orcarouter/Qwen3.8-27B-Uncensored для Apple MLX с использованием oMLX 0.6.1 и смешанной квантизации oQ. Модель предназначена для диалоговых сценариев и обработки текста вместе с визуальными данными; в репозитории сохранены ресурсы Vision, обработчики изображений и видео, а также один слой MTP для потенциального speculative decoding. Основной формат хранения использует аффинную квантизацию Q4/G64 с 166 переопределениями тензоров Q5/G64. Размер тензорного содержимого составляет около 16,66 ГиБ в четырёх Safetensors-фрагментах; вспомогательные MTP-тензоры частично сохранены в F16, поэтому суффикс fp16 не означает полностью FP16-голову MTP. Конфигурация заявляет максимальный контекст 262 144 токена, однако этот предел не тестировался. Калибровка выполнялась на 128 последовательностях по 512 токенов с набором oqe_code_multilingual, но конкретный список поддерживаемых языков не указан. Модель ориентирована на запуск через oMLX на компьютерах Apple Silicon с macOS. Она не предназначена для непосредственного использования как GGUF-, Transformers- или CUDA-артефакт, а размещённая на Hugging Face инфраструктура не предоставляет для неё готовый hosted inference. Скорость, потребление памяти, качество Vision, работа MTP и фактическая пригодность длинного контекста зависят от версии oMLX, клиента и чипа Apple; качество может отличаться из-за квантизации, а заявка Uncensored унаследована от исходной модели и отдельно не проверялась. Для upstream-модели указана лицензия Apache-2.0; дополнительные условия следует сверять с исходной карточкой модели.

Qwen3.8-Flash-Next-Uncensored-MLX-Serve-mixed-4-8bit — это проверенная копия весов Qwen3.8-Flash-Next-Uncensored, созданная на основе модели Qwen/Qwen3.8-Flash-Next. Репозиторий поддерживается yomie4343 и содержит локальные изменения и проверки для специализированного движка mlx-serve; модель не переобучалась и не является новой схемой квантизации. Исходные веса происходят от orcarouter, а сам пакет байт-в-байт совпадает с существующим пакетом ARC4NUM. Модель предназначена для локального инференса на устройствах Apple Silicon через пропатченный mlx-serve. Она ориентирована на генерацию текста, а исходные vision-веса сохранены, поэтому заявлена мультимодальная поддержка, однако пакет нельзя считать универсальным checkpoint для Transformers, mlx-lm или mlx-vlm. Архитектура использует маршрутизируемые MoE-эксперты, MTP-компонент и N-gram-таблицу. Вариант применяет смешанную точность: MoE-эксперты, токеновые embeddings и MTP head квантизованы в 4-bit, остальные подходящие проекции — в 8-bit; используется group size 64, а для N-gram-таблицы — 32. Размер пакета составляет около 107 ГБ, требуется отдельный файл ngram_table.bin и быстрый SSD. Основное преимущество — ориентированный на качество компромисс между размером и точностью при локальном запуске, а также наличие подготовленного runtime-патча и проверок на Mac Studio M3 Ultra с 96 ГБ unified memory. Ограничения включают высокие требования к памяти и хранилищу, зависимость от конкретной версии пропатченного mlx-serve и отсутствие гарантии одинаковой производительности или качества на другом оборудовании, контексте и рабочих нагрузках. В README приведена консервативная конфигурация с контекстом 32768 токенов, но это параметр запуска, а не обязательно максимальный контекст модели. Лицензия указана как qwen-community-1.0; подробные условия находятся в файле LICENSE.

Tien-THM/Qwen3-VL-4B-Instruct-Q4_K_M-GGUF — это квантованная версия модели Qwen/Qwen3-VL-4B-Instruct, преобразованная пользователем Tien-THM в формат GGUF с помощью llama.cpp и сервиса GGUF-my-repo. Модель предназначена для задач image-text-to-text, то есть для обработки изображений и текста с генерацией текстовых ответов в диалоговом или инструкционном формате. Модель имеет размер 4B параметров и использует квантизацию Q4_K_M, что делает её более подходящей для локального запуска при ограниченных ресурсах по сравнению с полноразмерной версией. Для работы предусмотрена интеграция с llama.cpp через CLI или серверный режим; в README приведён пример контекста 2048 токенов, однако максимальный размер контекста, поддерживаемые языки, точные возможности обработки изображений и результаты оценки не указаны. К сильным сторонам относятся компактный GGUF-формат, возможность локального запуска и совместимость с экосистемой llama.cpp. Ограничениями являются потеря части точности из-за квантизации, а также отсутствие в карточке подробных сведений о производительности, языковой поддержке, аппаратных требованиях и качестве работы с различными типами изображений. Указана лицензия Apache-2.0.

ScreenVLM — компактная мультимодальная модель понимания изображений и текста, разработанная IBM Research Zurich и ETH Zurich. Она предназначена для полного разбора снимков веб-страниц: находит видимые элементы интерфейса, определяет их тип и положение, а также распознаёт текст внутри них. Модель построена на архитектуре Idefics3, с визуальным энкодером siglip2-base-patch16-512 и языковой основой Granite 165M. На вход подаётся изображение экрана, а на выходе — структурированное представление ScreenTag с метками для 55 классов элементов, координатами ограничивающих рамок и текстовым содержимым. Модель обучена на наборе ScreenParse v2 с разметкой снимков веб-страниц; карточка указывает английский язык. ScreenVLM подходит для извлечения структуры веб-страниц, анализа интерфейсов и подготовки данных для автоматизации браузера. Она оптимизирована для снимков веб-страниц, поэтому качество на мобильных и настольных интерфейсах приложений может отличаться; на перегруженных и динамичных экранах возможны ошибки. Для автоматизации с высокими требованиями к надёжности следует проверять координаты и распознанный текст. Лицензия — Apache 2.0.

Silver Retriever Base v1 — плотная модель эмбеддингов на базе BERT, разработанная Пётром Рыбаком из Института информатики Польской академии наук. Она кодирует польские предложения и абзацы в векторы размерности 768 и предназначена для поиска документов и семантического поиска, в частности для подбора фрагментов по вопросам на польском языке. Модель создана на основе HerBERT-base и дообучена в течение 15 000 шагов на наборах PolQA и MAUPQA. Для входных данных рекомендуется сохранять формат обучения: добавлять к вопросу префикс «Pytanie:», а к тексту passage — заголовок и текст, разделённые специальным токеном. Хотя при обучении использовалось скалярное произведение, автор отмечает, что на практике модель обычно лучше работает с косинусным расстоянием. В репозитории указаны архитектура BERT, 151,6 млн параметров и контекст длиной 514 токенов; доступны веса PyTorch и Safetensors. Для использования требуется корректное объединение токенных представлений в вектор (pooling), если модель применяется без Sentence-Transformers. Лицензия — CC BY-SA 4.0.

Модель amazon/sm-hackathon-actionability-9-multi-outputs-setfit-model-v0.1 разработана Amazon и предназначена для классификации текста. Это модель SetFit, обученная методом few-shot: сначала Sentence Transformer дообучается с контрастивным обучением, затем на его признаках обучается классификационная голова. Архитектура основана на MPNet, число параметров — 136,7 млн, контекст — до 514 токенов. Модель принимает текст и выдаёт класс текста; также каталог указывает поддержку извлечения признаков и оценки сходства предложений. Она может быть полезна для классификации при ограниченном количестве размеченных примеров. Распространяется по лицензии Apache-2.0.

sparse-encoder-testing/splade-bert-tiny-nq-onnx — компактная англоязычная модель разреженных текстовых представлений семейства SPLADE на архитектуре BERT, опубликованная пользователем или организацией sparse-encoder-testing. Модель реализована для библиотеки Sentence Transformers, доступна в формате ONNX и содержит около 4,4 млн параметров; максимальная длина входа составляет 512 токенов. Обучение выполнено с использованием SpladeLoss на наборе sentence-transformers/natural-questions размером около 99 000 примеров. Модель преобразует запросы и документы в разреженные векторные представления, пригодные для семантического поиска, информационного поиска и построения retrieval-компонента RAG-систем. Она ориентирована на английский язык и может применяться для сопоставления пользовательских вопросов с релевантными фрагментами документов. Формат ONNX удобен для быстрого или кроссплатформенного инференса при наличии совместимого runtime. Модель не генерирует ответы и не предназначена для обычной классификации или генерации текста; её результаты требуют последующего поиска и ранжирования. Качество может снижаться на русском и других языках, на текстах, существенно отличающихся от материалов Natural Questions, а также при превышении контекста в 512 токенов. Модель распространяется по лицензии Apache-2.0.

StructLM-7B — языковая модель TIGER-Lab для задач привязки запросов к структурированным знаниям. Это дообученная для следования инструкциям плотная модель семейства Llama с 6,6 млрд параметров и контекстом до 16 384 токенов. Она принимает текстовые инструкции и линеаризованные структурированные данные, например таблицы, тройки знаний и схемы графов знаний, и генерирует ответ в заданном формате. Модель предназначена для вопросов и рассуждений по структурированным данным: ответов на вопросы по таблицам и графам знаний, проверки фактов и генерации структурированных ответов. Для обучения использованы набор SKGInstruct с 19 задачами структурированного grounding и SlimOrca. В карточке приведены результаты оценки на задачах ToTTo, GrailQA, Spider, TabFact и других; показатель зависит от конкретной задачи и набора данных. Модель распространяется под лицензией MIT. Авторы указывают, что она предназначена для исследований и может уступать в качестве при обычном диалоге и других сценариях общего назначения.

SWE-agent-LM-32B GGUF — языковая модель для задач программной инженерии, разработанная в рамках проекта SWE-smith командой SWE-bench. Модель создана на базе Qwen/Qwen2.5-Coder-32B-Instruct и дообучена на 5 тысячах траекторий, сгенерированных SWE-agent и Claude 3.7 Sonnet. Представленная версия подготовлена в формате GGUF с использованием llama.cpp и совместима с фреймворком SWE-agent. Модель предназначена для работы программных агентов, решающих задачи разработки и исправления программного кода, включая сценарии, связанные с SWE-bench. Она ориентирована на генерацию текста и кода на английском языке. Известно, что модель содержит 32 миллиарда параметров; сведения о поддерживаемых модальностях, размере контекста и конкретном варианте квантования в README не указаны. Сильными сторонами являются специализация на программной инженерии, обучение на агентных траекториях и возможность локального запуска через совместимые инструменты. Ограничения включают отсутствие в предоставленных данных подробных результатов бенчмарков, характеристик производительности, требований к аппаратному обеспечению и описания поведения за пределами задач разработки ПО. Указана лицензия Apache-2.0.

bakrianoo/t5-arabic-base — компактная модель семейства T5, разработанная для задач на арабском и английском языках. Это модель типа encoder-decoder с 126 млн параметров, реализованная для PyTorch и использующая формат text-to-text: входные и выходные данные представляются текстом. Модель можно применять как основу для генерации и преобразования текста на арабском и английском языках, а также как более компактную альтернативу google/mt5-base. Карточка не уточняет конкретные задачи, показатели качества или длину контекста. Модель распространяется по лицензии Apache-2.0.

Это точечная модель-реранкер для оценки релевантности пары «запрос — фрагмент документа». Её разработали на базе Qwen3-8B с использованием инструментария Tevatron 3.0; модель имеет плотную архитектуру Qwen3ForSequenceClassification с 7,6 млрд параметров и дообучена методом contrastive с помощью LoRA, веса которой объединены с базовой моделью. Модель принимает запрос и заголовок с текстом фрагмента в формате «query: … passage: …», добавляет EOS и выдаёт один регрессионный логит как оценку релевантности. Её можно применять для переупорядочивания результатов поиска и ранжирования фрагментов при информационном поиске. Максимальная длина контекста — 32 768 токенов; основная область применения — англоязычные запросы и документы, указанные в обучающей карточке. Для загрузки используется AutoModelForSequenceClassification. Лицензия — Apache-2.0.

pragmaticcs/Triumvirate-GGUF — это набор квантованных GGUF-файлов модели pragmaticcs/Triumvirate, созданной методом объединения нескольких моделей с использованием depth-modulated DARE-TIES. Модель предназначена прежде всего для агентного программирования, работы с терминалом и многошаговых сценариев в репозиториях: генерации точечных изменений кода, обработки сообщений об ошибках, вызова инструментов и поддержания состояния окружения без отклонения от задачи. В состав объединения входят KAT-Coder-V2.5-Dev, Ornith-1.5 и Qwen-AgentWorld. Модель имеет архитектуру Qwen 35B-A3B MoE примерно с 34,1 млрд параметров, из которых около 3,1 млрд активны на каждом токене. Она включает 40 декодерных слоёв, 256 маршрутизируемых экспертов с маршрутизацией Top-8 и одного общего эксперта. Используется гибридное внимание: 30 слоёв Gated DeltaNet с линейным вниманием и 10 слоёв полного self-attention. Размер скрытого представления — 2048, словарь содержит 248 320 токенов. Заявленные языки — английский и китайский; модель относится к задачам генерации текста и поддерживает сценарии кодинга и рассуждений. Доступны варианты квантования Q4_K_M, APEX-High-Quality, Q5_K_M, Q8_0 и BF16. Q4_K_M ориентирован на системы с ограниченной видеопамятью, Q5_K_M обозначен как рекомендуемый компромисс для качественных изменений кода, а BF16 требует около 69,4 ГБ. Сильными сторонами являются низкая частота синтаксических ошибок при вызове инструментов, строгий формат патчей, обработка терминального feedback и пригодность для автономных агентных циклов. Ограничения включают высокие требования к памяти и вычислительным ресурсам, особенно для менее сжатых вариантов; конкретные данные о контекстном окне и результаты независимых бенчмарков в представленном README не указаны. Модель распространяется по лицензии Apache 2.0.

Ziya-Coding-34B-v1.0 — языковая модель для генерации кода, разработанная командой Fengshenbang исследовательского института IDEA. Это плотная авторегрессионная модель семейства LLaMA с 33,5 млрд параметров и контекстом 16 384 токена; она работает через Transformers и принимает текстовые инструкции на китайском и английском языках, выдавая текст, в том числе программный код. Модель дообучена в два этапа на примерно 450 тысячах инструкций по программированию, затем дополнительно настроена на 46 тысячах сложных инструкций с фильтрацией по компиляции и проверкой unit-тестами. Модель предназначена для генерации кода по естественно-языковому описанию и решения разнообразных задач программирования. В README приведён результат 75,5% pass@1 на HumanEval при жадной генерации; это оценка на конкретном бенчмарке и не гарантирует корректность кода в реальном проекте. Репозиторий содержит веса PyTorch, а лицензия — GPL-3.0.

ajan-embed-q — модель векторных представлений предложений, созданная Ranked Technologies Limited для проекта Ajanlar. Она предназначена прежде всего для семантического поиска и извлечения документов на турецком языке, в том числе для RAG-систем и ИИ-агентов, отвечающих по корпоративным документам. Модель принимает текст и выдаёт эмбеддинги; для поиска рекомендуется добавлять префиксы «query: » и «passage: » и нормализовать векторы. Это дообученная методом дистилляции модель на базе intfloat/multilingual-e5-base с архитектурой XLM-RoBERTa и примерно 305 млн параметров по метаданным. Студент обучен воспроизводить эмбеддинги учителя BAAI/bge-m3 на 500 тысячах турецких предложений; дополнительный Dense-слой проецирует размерность 768 в 1024. Контекст составляет 514 токенов. Модель опубликована в формате safetensors под лицензией Apache-2.0. На тесте TurHistQuad модель показала NDCG@10 0,465, выше multilingual-e5-base и multilingual-e5-small; на общих задачах сопоставления предложений уступает семейству E5. Поэтому её сильная сторона — поиск на турецком, а не универсальное измерение семантического сходства. Оценка основана на ограниченном наборе турецких задач без доверительных интервалов; перед промышленным переобучением авторы рекомендуют фиксировать снимок корпуса и фильтровать персональные данные и дубликаты.

bartowski/all-hands_openhands-lm-1.5b-v0.1-GGUF — это набор GGUF-квантизаций модели openhands-lm-1.5b-v0.1, разработанной all-hands и подготовленной bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, прежде всего для задач программирования и агентных сценариев, связанных с разработкой программного обеспечения. В качестве датасета указана SWE-Gym/SWE-Gym. Модель имеет размер 1,5 млрд параметров, поддерживает текстовый ввод и вывод и ориентирована на английский язык. README не содержит сведений об архитектуре исходной модели и размере контекста. Доступны варианты от BF16 до квантизаций Q8_0, Q6, Q5, Q4, Q3 и IQ; размеры файлов составляют примерно от 0,76 до 3,09 ГБ. Квантизированные версии можно запускать через LM Studio, llama.cpp и совместимые проекты. Более высокие уровни квантизации обычно обеспечивают лучшее качество, тогда как варианты Q3 и некоторые низкобитные форматы экономят оперативную память за счёт снижения качества. Модель распространяется по лицензии MIT. README не приводит результатов бенчмарков, подробных сведений о сильных и слабых сторонах исходной модели, поддерживаемых языках помимо английского или максимальной длине контекста, поэтому эти характеристики нельзя надёжно оценить по имеющимся данным.

AReaL-boba-2-8B-Open — открытая текстовая модель для генерации кода и решения задач программирования, представленная проектом AReaL от RL Lab, Ant Research. Это версия Qwen3-8B, обученная с помощью асинхронного обучения с подкреплением; в карточке указано 7,6 млрд параметров и контекст до 40 960 токенов. Модель поддерживает диалоговый режим и интерфейс вызова инструментов. Модель предназначена для генерации программного кода и рассуждений при решении задач программирования. В README приведены результаты на LiveCodeBench v5, Codeforces и CodeContests. Указанный для 8B версии результат LiveCodeBench v5 — 62,0, а CodeContests — 41,4. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Данные карточки не описывают поддерживаемые естественные языки и конкретные ограничения качества; результаты бенчмарков сами по себе не гарантируют точность в пользовательских проектах.

mlx-community/bigcode-starcoder2-15b-fp32 — конвертированная в формат MLX модель StarCoder2-15B, опубликованная mlx-community. Она предназначена для генерации и автодополнения программного кода по текстовому контексту, в том числе для заполнения пропусков внутри кода. В карточке указано, что исходная модель bigcode/starcoder2-15b преобразована с помощью mlx-lm 0.21.1; метаданные описывают архитектуру StarCoder2ForCausalLM и 21,7 млрд параметров. Модель принимает текстовый контекст и генерирует код или продолжение текста. Поддерживает контекст до 16 384 токенов. В метаданных указана лицензия BigCode OpenRAIL-M; перед использованием следует учитывать её условия и ограничения. Конкретные языки программирования и результаты оценки качества для этой сборки в карточке не приведены.

TechxGenus/CodeGemma-7b — модель генерации кода, созданная дообучением Gemma-7b на 0,7 млрд дополнительных высококачественных токенов, связанных с программированием, в течение трёх эпох. Модель использует плотную архитектуру GemmaForCausalLM, содержит 8,2 млрд параметров и рассчитана на контекст до 8192 токенов. Для запросов применяется формат инструкций Alpaca без системного сообщения. Модель предназначена для генерации и дополнения кода по текстовым инструкциям. В README указана оценка 67,7 pass@1 на HumanEval-Python. Она работает через библиотеку Transformers и хранится в формате safetensors. Карточка отмечает ограниченную проверку: ответы могут содержать ошибки и вводить в заблуждение, а качество на задачах вне программирования может быть слабым. Лицензия указана как other; конкретные условия использования следует сверить с лицензией базовой модели и карточкой репозитория.

Bud Code Millenials 13B — языковая модель для генерации кода, разработанная Bud Ecosystem и дообученная для задач программирования. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, рассчитанная на контекст до 16 384 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель предназначена для генерации фрагментов кода по текстовому описанию и помощи в программировании. В README заявлен результат 76,21 pass@1 на HumanEval; это показатель из карточки разработчика, приведённый без независимой проверки. Модель может ошибаться и хуже справляться с задачами вне программирования. Лицензия — Llama 2.

vikp/column_detector — модель на базе LayoutLMv3, предназначенная для определения числа колонок на изображениях страниц PDF. Она используется в Marker для анализа структуры страницы и может помогать выбирать подходящую схему чтения при извлечении содержимого документа. Модель имеет 151,8 млн параметров, реализована на PyTorch и принимает входные данные длиной до 514 токенов. Модель относится к классификации текста по метке Hugging Face, а её архитектура — LayoutLMv3ForSequenceClassification. Для работы с изображениями страниц она использует информацию о макете документа. README не уточняет набор выходных классов, метрики качества и лицензию, поэтому их нельзя описать точнее.

DeepControl-Qwen2.5-3B — исследовательский чекпойнт разговорной модели Qwen2.5-3B-Instruct, разработанный для агента глубокого поиска в работе «Adaptive Information Control for Search-Augmented LLM Reasoning». Модель дообучена для рассуждений с использованием поиска и предназначена для сценариев, где генерация текста сочетается с поиском информации. В метаданных указаны плотная архитектура Qwen2, 3,1 млрд параметров, контекст до 32 768 токенов, поддержка английского языка и формат Safetensors. Модель доступна под лицензией Apache-2.0 и запускается, в частности, через vLLM. README приводит пример с ограничением контекста до 8192 токенов при запуске. Карточка не описывает качество на бенчмарках, конкретный поисковый интерфейс или ограничения поведения; для использования в агентной системе потребуется соответствующая поисковая инфраструктура.

DMax-Coder-16B — модель генерации кода на основе диффузионной языковой модели LLaDA-2.0-mini, разработанная авторами проекта DMax. Она дообучена на траекториях генерации кода и предназначена для создания программного кода с параллельным декодированием. В README описаны механизм самопересмотра ошибочных предсказаний и мягкое параллельное декодирование; заявлены показатели 6,6 TPF на задачах кода при сохранении точности. Модель использует MoE-архитектуру LLaDA2 и принимает текстовые запросы, выдавая текст, включая код. Размер по метаданным — 1,2 млрд параметров, контекст — до 16 384 токенов. Доступна в формате safetensors для Transformers. Лицензия — Apache-2.0.