II.7DevOps, облако и эксплуатация IT-систем

M2H AI UnSensored 8B — разговорный ИИ-ассистент, созданный Prince Kumar из M2H Web Solution на основе Dolphin 2.9 Llama 3 8B. Это дообученная модель семейства Llama 3 с архитектурой Meta Llama 3; репозиторий содержит GGUF-версию для локального запуска через Ollama и совместимые инструменты. Размер базовой модели — 8 млрд параметров. Модель предназначена для помощи в программировании и веб-разработке, работе с API и Linux, а также для задач кибербезопасности. Она поддерживает диалог и позиционируется автором как модель с менее ограниченными ответами. В карточке указан английский язык; максимальная длина контекста не приведена. Для запуска автор рекомендует локальную среду, совместимую с GGUF, и указывает минимум 16 ГБ оперативной памяти и видеокарту RTX 3050 с 6 ГБ памяти. Модель распространяется на условиях лицензии Meta Llama 3; использование должно соответствовать её условиям и применимому законодательству. Ответы модели могут быть неточными, особенно в задачах кибербезопасности и при выдаче инструкций для командной строки, поэтому результаты требуют проверки.

Parable-Granite-4.1-3B-Claude-Fable-5-heretic — языковая модель для генерации текста, разработанная автором saidutta69 на основе AnkitAI/Parable-Granite-4.1-3B-Claude-Fable-5, которая, в свою очередь, дообучена на ibm-granite/granite-4.1-3b. Модель предназначена для локального диалога, рассуждений, планирования, генерации кода, терминальных сценариев, агентских задач и использования инструментов. Заявлен английский язык, поддерживаются форматы Safetensors и GGUF для запуска через Transformers, vLLM, llama.cpp, Ollama, LM Studio и Jan. Это текстовая causal language model архитектуры GraniteForCausalLM с нативным размером около 3,4 млрд параметров. Версия создана методом abliteration с помощью Heretic v1.4.0: целевые изменения весов в attention output и MLP down-projections подавляют поведение отказа без дополнительного fine-tuning. Модель сохраняет trace-дистиллированные возможности исходной Parable-версии в области рассуждений, планирования и работы с терминалом. Для локального запуска доступны квантизации от Q2_K до Q8_0; вариант Q4_K_M требует около 2,1 ГБ под веса и примерно 1 ГБ дополнительно для контекста. К сильным сторонам относятся малый размер, возможность работы на ноутбуках и CPU, широкий набор GGUF-квантизаций и существенно сниженное число отказов по сравнению с исходной моделью: 5 против 96 на 100 проверенных adversarial-запросов. При этом это не улучшение базовых возможностей, а версия той же модели с удалёнными защитными ограничениями; снижение отказов сопровождается измеримым отклонением от исходного поведения, а заявленные показатели получены на ограниченных тестах. Контекстное окно, точные языковые возможности и дополнительные модальности в карточке не указаны. Распространяется по лицензии Apache-2.0.

saricles/Qwen3-Coder-Next-NVFP4-GB10 — это 4-битная NVFP4-квантизация модели Qwen3-Coder-Next, подготовленная для NVIDIA DGX Spark с GB10. Базовая модель разработана Qwen; это языковая MoE-модель на 79,7 млрд параметров с 512 экспертами, из которых для каждого токена активны 10, и гибридной архитектурой DeltaNet и attention. Квантизацию после обучения выполнили с помощью LLM Compressor; часть слоёв оставлена в BF16, а большая часть весов, включая in_proj_qkvz, переведена в FP4. Модель предназначена для генерации кода и диалогового использования в сценариях разработки. Карточка приводит результаты тестирования на одном DGX Spark с vLLM и сообщает о совместимости с другими видеокартами Blackwell, поддерживающими NVFP4. В описанном тестовом окружении вес модели занимал 42,7 ГиБ; гибридная архитектура обеспечивает заявленную автором стабильную скорость декодирования при увеличении контекста. В метаданных указан английский язык; размер нативного контекста не приведён. Репозиторий распространяется по лицензии 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.

MaTE X Privacy Sentinel v0.1 — дообученная модель enosislabs на основе openai/privacy-filter для локального обнаружения и разметки чувствительных фрагментов текста при фильтрации и маскировании данных. Она предназначена для сценариев приватности и безопасности, включая поиск персональных данных и секретов в строках конфигурации и других текстовых данных; карточка демонстрирует пример с адресом базы данных и учётными данными. Модель построена на архитектуре MoE, содержит 145,4 млн параметров, принимает текст и выдаёт разметку токенов. Контекст составляет до 131 072 токенов. Опубликованные веса представлены в формате Safetensors; лицензия — Apache-2.0. Модель помогает выявлять риски утечки, но не гарантирует соответствие требованиям: перед применением в production следует провести собственную проверку на контрольных примерах.

Карточка модели xingyaoww/CodeActAgent-Llama-2-7b на Hugging Face совпадает с карточкой xingyaoww/CodeActAgent-Mistral-7b-v0.1, поэтому описание составлено по ней. CodeActAgent-Mistral-7b-v0.1 — языковая модель-агент, разработанная авторами CodeAct на базе Mistral-7b-v0.1. Это плотная авторегрессионная модель класса MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов; она обучена на CodeActInstruct и обычных диалогах. Модель формирует ответы и исполняемые действия на Python, которые агент может передавать интерпретатору, получать результаты выполнения и учитывать их в следующих ходах. Модель предназначена для многошаговых агентных задач, особенно для работы с API и инструментами, где действия можно выражать кодом и корректировать после наблюдений. Авторы сообщают об улучшении успешности относительно действий в формате обычного текста или JSON на своих оценках, а также о сохранении общих диалоговых возможностей. Это исследовательская разработка, представленная как готовая модель для применения; в репозитории указана лицензия Apache-2.0.

Myric/KAT-Coder-V2.5-Dev-APEX-GGUF — это GGUF-квантизация модели KAT-Coder-V2.5-Dev, разработанной Kwaipilot, подготовленная Myric. Модель предназначена для генерации кода и агентских сценариев программирования, а также для запуска через совместимые инструменты, включая llama.cpp. Репозиторий содержит APEX-квантизации и матрицу важности imatrix; README также указывает на поддержку архитектуры mixture-of-experts (MoE) и семейства Qwen3.5 MoE. Доступен файл KAT-Coder-V2.5-Dev-APEX-dynamic.gguf размером 11,86 GiB, рассчитанный на видеокарту с 16 ГБ памяти. Указанный вариант не содержит MTP-голову и сам по себе не поддерживает speculative decoding; отдельная связанная сборка переносит обученную MTP-голову Qwen3.6-35B-A3B и заявляет ускорение в 2,03 раза на агентском наборе тестов программирования без снижения корректности. Другие характеристики, включая точное число параметров, размер контекста и перечень поддерживаемых языков, в README не указаны. Модель распространяется по лицензии Apache-2.0.

bartowski/starcoder2-15b-instruct-GGUF — это набор GGUF-квантизаций модели StarCoder2-15B-Instruct, разработанной TechxGenus и опубликованной в формате для запуска через llama.cpp. Квантизацию выполнил bartowski с использованием llama.cpp release b2354. Модель относится к классу text-generation и предназначена прежде всего для генерации и обработки программного кода, включая локальные сценарии запуска с ограниченными ресурсами. Доступны варианты квантизации Q2_K, Q3_K_S, Q3_K_M, Q3_K_L, Q4_0, Q4_K_S, Q4_K_M, Q5_0, Q5_K_S, Q5_K_M, Q6_K и Q8_0. Размер файлов составляет примерно от 6,19 до 16,96 ГБ. Q6_K отмечен как рекомендуемый вариант с очень высоким качеством, Q8_0 обеспечивает максимальное доступное качество, а варианты Q3 и Q2 требуют меньше памяти, но заметно уступают по качеству. Архитектура, поддерживаемые языки программирования, языки естественного языка, модальности и размер контекста в README не указаны. Сильной стороной модели является возможность локального использования в экосистеме llama.cpp с выбором компромисса между качеством и требованиями к памяти. Ограничения связаны с потерями качества при низких уровнях квантизации, а также с отсутствием в представленном README подробностей о возможностях, бенчмарках и контекстном окне. Модель распространяется по лицензии BigCode OpenRAIL-M.

zen4-coder-i1-GGUF — это набор GGUF-квантизированных версий модели zenlm/zen4-coder, подготовленный пользователем mradermacher. Модель предназначена прежде всего для генерации и обработки программного кода, а также для сценариев локального запуска через совместимые инструменты, поддерживающие формат GGUF. В метаданных указана поддержка английского языка и библиотека Transformers. Доступны варианты с различными типами и уровнями квантизации — от IQ1 и IQ2 до Q6_K — размером примерно от 16,3 до 65,6 ГБ. README не содержит сведений об архитектуре, общем числе параметров, длине контекста, точных возможностях программирования, результатах тестирования или поддерживаемых модальностях, поэтому эти характеристики нельзя определить достоверно. Варианты различаются компромиссом между размером, скоростью и качеством: наиболее компактные квантизации могут заметно терять в качестве, тогда как Q4_K_M отмечен как быстрый и рекомендуемый, а IQ-варианты часто предпочтительнее сопоставимых по размеру стандартных квантизаций. Модель подходит для локального инференса при наличии достаточного объёма оперативной или видеопамяти, причём требования зависят от выбранного файла. Ограничениями являются возможное ухудшение качества на низких уровнях квантизации и отсутствие подробных данных о базовой модели. В метаданных указана лицензия Apache-2.0; квантизации подготовлены mradermacher.

GetCode-slerp — объединённая языковая модель для генерации кода, созданная с помощью LazyMergekit на основе CodeLlama-7b-Instruct-hf и CodeGen2.5-7B-Multi. Она предназначена для генерации и дополнения кода по текстовым запросам; архитектура — плотная LlamaForCausalLM, размер — 6,6 млрд параметров, контекст — до 16 384 токенов. Модель принимает текст и выдаёт текст. В README указано слияние методом slerp с настройками, различающимися для слоёв self-attention и MLP. Репозиторий содержит веса safetensors, а лицензия — Apache-2.0. Базовая CodeLlama рассчитана на генерацию, дополнение и объяснение кода; для этой конкретной объединённой модели README прямо подтверждает происхождение, но не приводит отдельных результатов оценки качества.

s-batman/Ornith-1.0-9B-NVFP4-MTP-GGUF — набор из трёх GGUF-квантизаций модели Ornith-1.0-9B, разработанной командой DeepReinforce. Исходная модель создана на базе Qwen3.5-9B и дообучена с помощью reinforcement learning для агентного программирования и задач, требующих рассуждений. Эта версия дополнительно оснащена головами Multi-Token Prediction (MTP), заимствованными из Qwen3.5-9B-MTP, для ускорения speculative decoding в llama.cpp. Модель имеет плотную архитектуру Qwen3.5: 32 основных слоя и один встроенный MTP-слой, 9,2 млрд параметров, hidden size 4096 и словарь из 248 320 токенов. Используется гибридная схема внимания с линейным SSM и полным attention в каждом четвёртом слое. В репозитории доступны варианты Q8_0 размером 9,1 ГБ, NVFP4 и MXFP4 размером по 5,1 ГБ. NVFP4 оптимизирован для NVIDIA Blackwell, включая RTX PRO 6000 и DGX Spark, тогда как Q8_0 рассчитан на широкий спектр CPU и GPU. Визуальная башня отсутствует, поэтому практическое применение этой сборки ограничено текстовым выводом, несмотря на сохранённый мультимодальный словарь. Сильные стороны модели — специализация на агентном кодировании и рассуждениях, уменьшенный размер по сравнению с полноразмерной BF16-моделью и возможность ускоренного декодирования с MTP. NVFP4 обеспечивает наиболее эффективный путь на Blackwell, MXFP4 использует стандарт OCP, а Q8_0 служит вариантом с максимальной точностью. Ограничениями являются зависимость преимуществ NVFP4 от оборудования Blackwell, необходимость совместимой поддержки llama.cpp и отсутствие визуального ввода в данной GGUF-сборке. Модель распространяется по лицензии MIT.

Qwen3.8-27B-Uncensored-GPTQ-Int4-sym-G128-MTP-BF16 — это квантизированная версия модели JonathanColetti/Qwen3.8-27B-Uncensored, созданная на базе Qwen/Qwen3.8-27B. Модель предназначена для генерации текста, включая программирование, работу с прозой и вызов инструментов. Она разработана для эффективного запуска на видеоускорителях Intel Arc через vLLM XPU и поддерживает speculative decoding благодаря сохранённой в формате BF16 MTP-голове. Модель использует GPTQ-квантизацию до 4 бит с симметричными группами размера 128; 400 тензоров весов представлены в целочисленном формате I32, а 15 MTP-тензоров сохранены в BF16. Размер репозитория составляет около 19 ГБ. Заявлены языки English и Chinese. Архитектура основана на гибридной GDN/Mamba-конфигурации Qwen3.8, максимальный проверенный контекст — 120 532 токена, при заявленном лимите до 131 072 токенов. Сильные стороны модели — существенно меньшие требования к памяти по сравнению с BF16-версией, поддержка Intel Arc/XPU, длинного контекста, MTP и высокая измеренная скорость генерации на Intel Arc Pro B70: до 68,5 токена в секунду для кода и 52,4 токена в секунду для прозы. Ограничения включают отсутствие формальных оценок качества, калибровку без примеров кода, необходимость специальных патчей vLLM и режима с одной последовательностью при использовании MTP. Префиксное кэширование не даёт выигрыша, а FP8 KV-кэш обязателен для контекста 128K на GPU с 32 ГБ памяти. Поведение «uncensored» унаследовано от исходной модели и не проходило количественной проверки. Указана лицензия Apache-2.0.

lexi-coder-v4.4-i1-GGUF — это набор квантизированных GGUF-версий модели reallexi/lexi-coder-v4.4, подготовленный пользователем mradermacher. Модель относится к текстовым генеративным моделям и предназначена прежде всего для задач генерации кода и другого текста. В README указана поддержка английского языка, а также наличие fine-tuning и LoRA в исходной модели, однако подробности архитектуры, количества параметров, размера контекста и используемых языков программирования не приведены. Набор включает варианты квантизации i1 с форматами IQ и Q, размером примерно от 1,3 до 3,3 ГБ. Это позволяет выбирать между меньшим потреблением памяти, скоростью работы и качеством, причём README рекомендует i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S называет оптимальным по соотношению размера, скорости и качества. Более агрессивные варианты могут заметно снижать качество, что является основным ограничением квантизации. Доступен также файл imatrix для создания собственных квантов. Лицензия обозначена как other и требует соблюдения условий базовой модели и датасета; конкретные условия в README не раскрыты. Для использования необходима совместимая среда, поддерживающая GGUF.

Это квантованная версия MiMo-V2.6-Distill-Qwen-9B от Xiaomi MiMo, подготовленная FreedomAISVR в формате GGUF MXFP4 для запуска через llama.cpp. Исходная модель — дообученная методом SFT мультимодальная модель на 9 млрд параметров на основе Qwen3.5-9B; репозиторий распространяет её веса в более компактном формате. Модель сочетает слои Mamba-2 и полного внимания, включает визуальный энкодер и поддерживает контекст до 262 144 токенов. Для обработки изображений и видео требуется отдельный файл mmproj. Модель предназначена для агентного программирования и инженерии ПО, работы с инструментами и автоматизацией, анализа интерфейсов и изображений, связанных с кодом, а также задач кибербезопасности. README приводит результаты Xiaomi на кодовых бенчмарках, но они не были независимо проверены для этой сборки. Это исследовательская SFT-модель, представленная как отправная точка для дальнейшего обучения агентному поведению, а не как готовое производственное решение. Лицензия — MIT. К известным ограничениям относятся отсутствие весов MTP, включённый по умолчанию режим рассуждения и высокая потребность в памяти KV-кэша при длинном контексте. MXFP4 снижает точность представления весов; на GPU, отличных от NVIDIA Blackwell, производительность может быть ниже. Данных о поддерживаемых естественных языках в использованных источниках нет.

StableCode-Completion-Alpha-3B — авторегрессионная модель для автодополнения кода, разработанная Stability AI. Она принимает контекст программы и генерирует продолжение: одну или несколько строк кода на разных языках программирования. Модель построена на архитектуре GPT-NeoX с декодером-трансформером и содержит около 3,5 млрд параметров. Контекстное окно составляет 16 384 токена. Обучение включало данные StarCoder из распространённых языков программирования и этап расширения контекста. Модель рассчитана на использование в инструментах разработки, например в редакторе кода. Она может воспроизводить фрагменты из обучающих данных, поэтому при использовании следует проверять совпадения и при необходимости указывать их происхождение. Веса распространяются по лицензии Apache 2.0.

ASTRA-14B-Thinking-v1 — дообученная командой проекта ASTRA модель на базе Qwen/Qwen3-14B, предназначенная для многошаговых задач с использованием инструментов. Это плотная авторегрессионная языковая модель семейства Qwen3 на 14 млрд параметров; она поддерживает диалог и интерфейс вызова инструментов. Для обучения применялись supervised fine-tuning на траекториях работы с инструментами и многошаговое обучение с подкреплением по проверяемым наградам. Контекстное окно составляет 133 120 токенов. Модель рассчитана на планирование действий, построение цепочек вызовов инструментов и структурированные рассуждения в агентных сценариях. В README сообщается о высоком результате на многоходовой подзадаче BFCL-V3 среди моделей сопоставимого размера. Поддерживаемые языки в карточке не перечислены; модель предназначена для работы с текстом и выдаёт текст, включая вызовы инструментов. Лицензия — Apache-2.0. README указывает исследовательское и образовательное назначение; это ограничение само по себе не определяет зрелость модели.

Horus Cyber Nano 1.0 — компактная мультимодальная модель с открытыми весами от TokenAI, предназначенная для задач кибербезопасности и инженерной работы. В README указана архитектура vision-language модели с причинным декодером Mixture-of-Experts; метаданные относят её к семейству Kimi VL и указывают реализацию KimiVLForConditionalGeneration. Модель принимает текст и изображения и формирует текстовые ответы. Модель предназначена для проверки исходного кода на уязвимости, анализа и устранения проблем безопасности, рассуждений о разрешённых red-team проверках, работы с терминалом и анализа скриншотов, кода и вывода команд. Метаданные также указывают поддержку чата и кода. README приводит результаты тестов, но отмечает, что протоколы оценки могут различаться между поставщиками. Указана лицензия TokenAI Custom License (в метаданных — other); перед использованием следует проверить её условия. README не приводит размер модели и длину контекста. Модель может галлюцинировать или давать непоследовательные ответы о собственной идентичности; технические выводы и предложения по исправлению следует проверять.

Qwen2.5-Coder-0.5B-Instruct-GGUF — это квантизированная в формате GGUF версия инструкционной модели Qwen2.5-Coder-0.5B-Instruct, разработанной Qwen. Квантизацию выполнил bartowski на основе llama.cpp. Модель предназначена для генерации текста и программного кода, диалогового взаимодействия и использования в code agent-сценариях. Модель содержит около 0,5 млрд параметров и поддерживает контекст до 32 000 токенов. При обучении использовалось до 5,5 трлн токенов, включая исходный код, данные для выравнивания текста и кода и синтетические данные. В README указан английский язык; другие языки и поддерживаемые модальности не заявлены. Формат GGUF ориентирован на локальный запуск средствами, совместимыми с llama.cpp, включая LM Studio. К сильным сторонам относятся специализация на программировании, поддержка длинного контекста и относительно небольшой размер, облегчающий локальное использование. Ограничением является малый масштаб модели по сравнению с более крупными кодовыми моделями, поэтому качество сложного анализа, генерации и исправления кода может быть ниже. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-ASCII-Condensed — текстовая GGUF-модель, созданная bsaleh03 на основе Qwen/Qwen3.8-27B и квантованной сборки unsloth/Qwen3.8-27B-GGUF. Это не дообучение, дистилляция или повторное квантование: из квантованной модели удалены строки словаря для не-ASCII-токенов, а токенизатор адаптирован к сокращённому словарю. Модель предназначена для генерации текста и работы с длинным контекстом через llama.cpp, прежде всего на одной видеокарте с 16 ГБ памяти. Словарь уменьшен с 248 320 до 129 006 строк, при этом остальные 864 из 866 тензоров побитово идентичны базовой квантованной модели. На RTX 5070 Ti с 16 ГБ заявлена поддержка до 135 168 токенов контекста при использовании q4_0 для KV-кэша; максимальная длина зависит от типов KV-кэша и доступной видеопамяти. Модель сохраняет MTP-голову для спекулятивного декодирования, а на ASCII-тексте токенизация совпадает с базовой моделью. Основное преимущество — экономия видеопамяти и увеличение доступного контекста без изменения большинства весов. Ограничение — ASCII-ориентированный словарь: английский язык, код и ASCII-пунктуация обрабатываются без дополнительных затрат, но символы с диакритикой, кириллица, CJK и другие не-ASCII-тексты требуют больше токенов; для работы преимущественно на неанглийских языках сборка не рекомендуется. Модель поддерживает только текстовый режим, файл mmproj отсутствует, а смешанные типы KV-кэша требуют пропатченной версии llama.cpp. Распространяется по лицензии Apache 2.0, унаследованной от базовой модели.

CADD-Base-7B — языковая модель для генерации кода на основе дискретной диффузии с маскированными токенами, разработанная Apple. Метод Continuously Augmented Discrete Diffusion (CADD) добавляет к представлениям замаскированных токенов непрерывный сигнал flow matching, который направляет процесс пошагового восстановления текста. Для генерации можно выбрать способ оценки чистого представления и стратегию раскрытия токенов; доступны варианты argmax и weighted, а также entropy, origin, maskgit_plus и topk_margin. Модель содержит 7,1 млрд параметров, использует архитектуру Dream и принимает текст для генерации кода. Она создана на основе Qwen/Qwen2.5-Coder-7B-Instruct и дообучена с методом CADD. В метаданных указан контекст до 131 072 токенов. Репозиторий содержит веса safetensors. Лицензия — apple-amlr; перед использованием следует проверить её условия, особенно применительно к коммерческому использованию.

deepseek-ai/deepseek-coder-33b-base — базовая языковая модель для кода, разработанная DeepSeek и обученная с нуля. Она содержит 33,1 млрд параметров, использует плотную архитектуру Llama с Grouped-Query Attention и принимает контекст длиной до 16 384 токенов. Модель обучена на 2 трлн токенов: 87% корпуса составляют программный код, а 13% — естественный язык на английском и китайском. Предназначена для генерации и продолжения кода, заполнения пропусков и дополнения кода на уровне проекта. README сообщает о результатах на HumanEval, MultiPL-E, MBPP, DS-1000 и APPS, но эти результаты не гарантируют качество для конкретного языка программирования или сценария. Модель распространяется в форматах PyTorch и Safetensors. В метаданных лицензия указана как «other»; условия использования следует сверить с лицензией в репозитории DeepSeek-Coder.

distilbert-secret-masker-v3.3a-RS — модель AndrewAndrewsen на базе DistilBERT с классификационной головой для разметки токенов. Она находит учётные данные, токены, ключи и пароли в исходном коде и связанном с ним тексте, а затем возвращает символьные интервалы для маскирования. Для длинных входов предусмотрена обработка скользящими окнами; указанное в карточке рабочее пороговое значение — τ = 0,99. Модель предназначена для обнаружения секретов в исходном коде как дополнение к сканерам на правилах. На отложенных наборах реального кода строгая F1-метрика по точному совпадению интервала и строки составляла 0,63–0,70; результаты зависят от корпуса и сценария применения. Лицензия весов — Apache-2.0, кода SecMask — MIT. Основное ограничение — ложные срабатывания на похожие на секреты UUID и хеши, а также пропуски некоторых секретов без характерных префиксов, особенно паролей. На чате, логах и неанглоязычном тексте качество ниже, чем на исходном коде; модель не гарантирует обнаружение всех секретов и не заменяет сканеры на правила.

FlowState — модель временных рядов, выпущенная IBM Research; эта карточка содержит коммерческую версию Granite. Она предназначена для прогнозирования временных рядов без дообучения на конкретном ряду и поддерживает временные масштабы с разной частотой выборки. Архитектура сочетает энкодер на основе модели пространства состояний (SSM) с декодером на функциональном базисе, который строит непрерывный прогноз. Для версии r1.1 указаны 18,5 млн параметров и контекст предварительного обучения длиной 4096; чтобы загрузить её, нужно явно выбрать revision=r1.1, иначе используется версия 1.0. Модель адаптирует длину контекста и прогноза к характеристикам ряда и может выдавать несколько последовательных патчей параллельно. Для настройки масштаба рекомендуется определить сезонность данных и подобрать scale factor; качество прогнозов снижается при горизонте более 30 сезонов. FlowState поддерживает только прогнозирование без дообучения. Предварительное обучение проводилось на подмножествах Gift-Eval Pretrain и Chronos Pretraining Data Corpus. Лицензия — Apache-2.0.

Llama-3.1-8B-Instruct_Causal-Tracer — вариант Llama-3.1-8B-Instruct, созданный Apollo Raines с помощью инструмента jBlaze для изменения поведения модели через правку весов. Дополнительное обучение или дообучение не проводилось. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров по метаданным; карточка указывает формат safetensors и контекст до 131 072 токенов. Модель предназначена для генерации текста и диалога с акцентом на отслеживание потоков данных от источника к получателю, причинно-следственных цепочек и происхождения информации в системах. Она принимает текст и генерирует текст; в метаданных также указаны интерфейс вызова инструментов и поддержка английского языка. Автор описывает выпущенную версию как демонстрационную и намеренно ослабленную. Лицензия — Llama 3.1; применимость её условий следует проверять перед использованием.

Это готовая к инференсу модель для генерации кода, дообученная методом supervised fine-tuning на базе meta-llama/Llama-3.2-3B-Instruct. В карточке указаны обучение на наборе llama3b_code_sft_data, упорядоченная подача данных и стратегия replay hard с коэффициентом 1,0; представлена контрольная точка на шаге оптимизатора 65. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 3,2 млрд параметров и рассчитана на контекст до 131 072 токенов. Она принимает текстовые запросы и генерирует текст, в том числе код; библиотека запуска — Transformers, веса опубликованы в формате safetensors. Языковая специализация в карточке не уточнена. Карточка называет модель готовой к инференсу, но не приводит оценок качества или подробностей о поддерживаемых языках программирования. Лицензия в предоставленных данных не указана.

Ornith-1.0-9B-GGUF — компактная открытая языковая модель семейства Ornith-1.0, разработанная командой Deep Reinforce. Модель ориентирована на агентное программирование и предназначена для эффективного развёртывания на одной GPU. Это 9B-Dense-вариант, созданный на базе Gemma 4 и Qwen 3.5 с последующим обучением методом reinforcement learning. Поддержка формата GGUF указана в идентификаторе модели. Ключевая особенность Ornith-1.0 — самоулучшаемое обучение, при котором модель оптимизирует не только последовательность действий для решения задачи, но и scaffold, управляющий этим решением. Такой подход нацелен на улучшение поисковых траекторий и качества выполнения сложных задач разработки программного обеспечения. По заявленным результатам модель показывает высокую эффективность среди открытых моделей сопоставимого размера: 43,1 на Terminal-Bench 2.1 с Terminus-2, 40,6 с Claude Code, 69,4 на SWE-bench Verified и 42,9 на SWE-bench Pro. Сильными сторонами являются специализация на агентном кодинге, сравнительно небольшой размер и возможность локального запуска на одной GPU. Ограничения связаны с тем, что README не содержит сведений о размере контекста, поддерживаемых языках, мультимодальности, точных требованиях к оборудованию и качестве вне задач программирования; заявленные показатели также зависят от используемого агентного окружения. Модель распространяется по лицензии MIT и заявлена как доступная без региональных ограничений.

opencsg-starcoder-v0.1 — языковая модель для генерации и дополнения кода, созданная исследовательской командой OpenCSG. Это полнопараметрическая донастройка StarCoder с 15,5 млрд параметров, обученной на данных более чем с 80 языков программирования из The Stack v1.2; для версии opencsg-starcoder-v0.1 указан контекст 8192 токена и архитектура GPTBigCode. Модель предназначена для генерации кода по текстовым запросам и продолжения фрагментов программ. В README приведён результат HumanEval для Python: Pass@1 42,68% при жадном декодировании и оценке только по исходным условиям задач. Этот результат не гарантирует аналогичного качества на других языках и практических задачах разработки. Модель распространяется по лицензии BigCode OpenRAIL-M.

Ornith-1.0-35B-GGUF — открытая модель семейства Ornith-1.0, разработанная deepreinforce-ai и представленная в формате GGUF при участии Unsloth. Это 35-миллиардная MoE-модель, ориентированная на агентное программирование и эффективный запуск на одной GPU. Модель обучалась с применением обучения с подкреплением и самоулучшающегося подхода, при котором оптимизируются как траектории решения, так и scaffolding, управляющий их построением. Модель предназначена для автономных задач разработки ПО, включая работу с терминалом, исправление ошибок и решение инженерных задач в репозиториях. В README заявлены результаты 64,2 на Terminal-Bench 2.1 (Terminus-2), 62,8 на Terminal-Bench 2.1 (Claude Code) и 75,6 на SWE-bench Verified. К сильным сторонам относятся высокая эффективность в агентном кодировании и возможность локального развертывания на одной GPU. Данные о поддерживаемых языках, размере контекста и мультимодальности не указаны; по назначению модель относится к текстовой генерации. Модель распространяется по лицензии MIT и заявлена как доступная без региональных ограничений. Поскольку это GGUF-квантизация, фактические требования к памяти и качество зависят от конкретного варианта квантизации, однако сведения о доступных уровнях квантизации в представленном README отсутствуют.

Ornith-1.0-9B — плотная языковая модель примерно на 9 млрд параметров из семейства Ornith, разработанная DeepReinforce AI и опубликованная в формате safetensors. Это компактный вариант семейства для запуска на одной GPU; карточка указывает дообучение на базе deepreinforce-ai/Ornith-1.0-9B и позиционирует семейство как модели для агентного программирования с обучением методом RL. Модель принимает текстовые запросы и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Модель предназначена для терминальных coding-агентов: анализа кодовых баз, решения задач разработки и автоматизации работы через инструменты. В карточке приведены результаты оценок на Terminal-Bench, SWE-Bench, NL2Repo и других бенчмарках. Для инференса описаны vLLM, SGLang и Transformers; для Transformers требуется версия не ниже 5.8.1. Примеры запуска используют контекст до 262144 токенов, но это параметр конфигурации запуска, а не подтверждённая метаданными нативная длина контекста. Модель распространяется по лицензии MIT. Для работы с кодом и агентными сценариями она требует подходящей инфраструктуры и корректной настройки шаблона чата, парсера рассуждений и вызова инструментов; результаты бенчмарков зависят от используемого окружения и конфигурации.

Seed-Coder-8B-Base — базовая предварительно обученная модель для генерации кода, разработанная ByteDance Seed. Это причинная плотная языковая модель архитектуры Llama с 7,6 млрд параметров, обученная на 6 трлн токенов из данных GitHub и других материалов о программировании в интернете. Модель поддерживает дополнение кода и заполнение пропусков методом Fill-in-the-Middle в контексте до 32 768 токенов. Модель предназначена для генерации и продолжения кода, в том числе восстановления пропущенной части между заданными фрагментами. В README сообщается о сравнительных результатах на бенчмарках генерации и дополнения кода, но они не гарантируют качество на конкретных языках и задачах. Это базовая, а не настроенная на инструкции версия: для диалога и следования пользовательским запросам разработчик предлагает отдельную инструктивную модель. Веса опубликованы в формате safetensors и распространяются по лицензии MIT.