II.7DevOps, облако и эксплуатация IT-систем

QaptaanLM-0.75B-Instruct-GGUF — набор официальных GGUF-квантизированных форматов модели QaptaanLM-0.75B-Instruct, разработанной kaptaan45. Модель представляет собой компактную foundation programming model с гибридным механизмом линейного внимания и примерно 752 млн параметров, ориентированную на генерацию текста и выполнение инструкций, прежде всего в задачах программирования и синтеза кода. Заявлена поддержка английского языка и кода. Репозиторий предназначен для локального запуска через llama.cpp и Ollama. Доступны варианты от FP16 и BF16 до экстремального Q2_K; рекомендуемым указан Q4_K_M как компромисс между размером, скоростью и качеством рассуждений. Размер файлов составляет примерно 402 МБ–1,45 ГБ, а заявленная потребность в памяти — около 550 МБ–2 ГБ в зависимости от квантизации. Модель подходит для устройств с ограниченными ресурсами, но более сильное сжатие может снижать качество, а небольшой размер ограничивает сложность решаемых задач по сравнению с крупными моделями. Максимальный контекст в README не указан. Распространяется по лицензии Apache 2.0.

Qwen2.5-Coder-7B-Abliterated — производная инструкционная языковая модель семейства Qwen2, созданная Sci4AI на основе Qwen/Qwen2.5-Coder-7B-Instruct. Веса модели изменены методом ablation: из 28 слоёв удалено направление отказа с помощью ортогонализации матриц внимания и MLP. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации кода и диалоговых сценариев, включая запросы, от которых исходная модель могла отказаться, например разработку эксплойтов, вредоносного ПО и сетевые атаки. Карточка указывает английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Изменение поведения отказа снижает действие защитных ограничений исходной модели; ответы на вредоносные запросы могут быть сгенерированы. Результаты требуют проверки, особенно в задачах, где важны корректность и безопасность кода.

Replit Code v1.5 — языковая модель Replit для автодополнения и продолжения программного кода. В этом репозитории размещены файлы модели в формате GGUF; исходная модель основана на архитектуре MPT и содержит 3,3 млрд параметров. Модель обучалась на коде 30 языков программирования, а также на отфильтрованных текстах из Markdown, reStructuredText и Stack Exchange. Контекст составляет 4096 токенов. Она подходит для дополнения кода по его началу и генерации продолжения в редакторах и приложениях для разработки. Веса представлены в вариантах GGUF BF16 и F32. Модель рассчитана на задачи работы с кодом, однако качество вывода может различаться между языками и сценариями. В обучающих данных могли сохраниться оскорбительные или неприемлемые материалы, поэтому результаты требуют проверки перед применением. Лицензия — Apache-2.0; README указывает на возможность прикладной настройки без строгих ограничений коммерческого использования.

SimpleSD-4B-instruct — языковая модель Apple для генерации кода, созданная методом Simple Self-Distillation: модель дообучали на собственных сгенерированных примерах без учителя, функции вознаграждения, верификаторов и обучения с подкреплением. В качестве исходной модели использована Qwen/Qwen3-4B-Instruct-2507. Модель построена на плотной архитектуре Qwen3ForCausalLM, содержит 3,7 млрд параметров и принимает текстовый ввод, выдавая текст. Заявленная длина контекста — до 262 144 токенов. В метаданных отмечена поддержка чата; карточка описывает обучение и оценивание на примерах генерации кода. Это исследовательский чекпойнт для воспроизводимости экспериментов, не оптимизированный выпуск Qwen. Лицензия — Apple AMLR.

laion/tt-x4_temperature-t1p0-45-30B — исследовательский контрольный снимок, опубликованный LAION как шаг 45 эксперимента TaskTrove X4 с температурой генерации 1,0. Это дообучение Qwen/Qwen3-Coder-30B-A3B-Instruct методом GRPO на наборе DCAgent/exp_rpt_multifile с использованием SkyRL и Terminus-2; обучение было ориентировано на многофайловые задачи программирования, а контрольный снимок выбран по скользящему среднему награды. Архитектура — MoE на базе Qwen3; метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов. Модель принимает текст и генерирует текст в диалоговом режиме. Карточка описывает завершённый двухэпоховый эксперимент и сообщает метрики выбранного снимка: среднюю награду 0,2305 и pass@8 0,375. Эти результаты относятся к конкретной экспериментальной настройке и не гарантируют аналогичного качества на других задачах. Модель распространяется по лицензии Apache-2.0.

Yi-Coder-1.5B-GGUF — это GGUF-квантизированная версия базовой модели Yi-Coder-1.5B, разработанной компанией 01-ai. Квантизацию выполнил bartowski на основе llama.cpp. Модель предназначена прежде всего для автодополнения и генерации программного кода, а не для диалогового общения; у неё нет встроенного шаблона prompt. Модель обучалась на 52 основных языках программирования и поддерживает контекст длиной до 128 тысяч токенов. В README не указаны точный размер GGUF-файлов, используемый метод или уровень квантизации, а также дополнительные модальности, поэтому её следует рассматривать как текстовую модель для работы с кодом. Длинный контекст может быть полезен при анализе и дополнении крупных исходных файлов, однако как базовая модель она может требовать корректного форматирования входных данных и не гарантирует точность, безопасность или работоспособность сгенерированного кода. Модель распространяется по лицензии Apache-2.0. LM Studio не является её разработчиком или владельцем и не гарантирует полноту, точность, безопасность или пригодность результатов. Для коммерческого и иного использования необходимо учитывать условия лицензии и самостоятельно проверять сгенерированный код.

Zamba-7B-v1 — предварительно обученная языковая модель Zyphra для генерации текста и кода. Она использует гибридную архитектуру: основу из слоёв Mamba с общим слоем внимания Transformer через каждые шесть блоков. Модель обучена предсказанию следующего токена на текстовых и кодовых данных; для токенизации применяется Mistral v0.1. В метаданных указано 16,9 млрд параметров и контекст 4096 токенов. Модель предназначена для продолжения текста и генерации кода. Благодаря архитектуре SSM она снижает затраты памяти на KV-кэш и обеспечивает высокую скорость генерации по сравнению с сопоставимыми моделями 7B–8B. По оценке разработчиков, она уступает ведущим открытым моделям 7B в основном на задачах MMLU и рассуждения. Это базовая модель без модерации, не дообученная для чата, поэтому качество диалоговых ответов не гарантируется. Карточка отмечает повышенную задержку в реализации Hugging Face по сравнению с внутренней реализацией. Лицензия — Apache-2.0.

Salesforce CodeGen-Multi 2B — авторегрессионная плотная языковая модель для синтеза программного кода. Чекпойнт содержит 2 млрд обучаемых параметров и создан на архитектуре CodeGenForCausalLM; для работы использует библиотеку Transformers и формат PyTorch. Вариант Multi сначала инициализировали из CodeGen-NL 2B, затем дополнительно обучили на 119,2 млрд токенов из набора BigQuery с кодом из GitHub на C, C++, Go, Java, JavaScript и Python. Модель предназначена прежде всего для генерации исполняемого кода по подсказкам на английском языке, обычно оформленным как комментарий, а также для продолжения частично написанного кода. Она принимает текстовые подсказки и выдаёт текст, включая код; максимальная длина контекста составляет 2048 токенов. Модель обучена на нескольких языках программирования, но README не заявляет поддержку русского языка как языка естественных запросов. Модель оценивали на HumanEval и MTPB. Это выпуск для исследовательского применения; точность, безопасность и справедливость не оценивались для всех возможных сценариев, поэтому сгенерированный код следует проверять. Лицензия — BSD 3-Clause.

CodeLlama-13B-MORepair-GGUF — это набор квантизированных моделей в формате GGUF на основе CodeLlama-13B-MORepair, подготовленный пользователем bartowski с использованием llama.cpp и метода imatrix. Исходная модель разработана barty; README не содержит подробной информации о её архитектуре, обучении или поддерживаемых языках. Доступны варианты от полноточного F16 до квантизаций Q8, Q6, Q5, Q4, Q3 и Q2, включая форматы IQ. Размер файлов составляет примерно от 5,36 до 26,03 ГБ. Модель предназначена для локального текстового вывода, прежде всего для задач, связанных с программным кодом и его исправлением, что следует из названия MORepair и базовой модели CodeLlama. GGUF-варианты рассчитаны на запуск через llama.cpp и совместимые приложения, включая LM Studio. Более качественные варианты Q6 и Q5 обеспечивают минимальные потери относительно исходных весов, тогда как Q4 предлагают компромисс между качеством и требованиями к памяти; варианты с более сильным сжатием требуют большей осторожности из-за снижения качества. В README не указаны контекстное окно, точный набор языков программирования, мультимодальные возможности, результаты оценки, системные требования для конкретных конфигураций или рекомендованный формат промпта. Модель распространяется по лицензии Llama 2; условия исходной модели и возможные ограничения её применения следует проверять отдельно.

Модель Yhhhhhhhhh/final-tc-deepseek-coder-1.3b-instruct — дообученная версия DeepSeek Coder 1.3B Instruct, созданная на основе deepseek-ai/deepseek-coder-1.3b-instruct с использованием набора данных, названного в карточке «output dataset». Это плотная авторегрессионная модель семейства Llama с 1,3 млрд параметров, предназначенная для генерации текста в диалоговом формате; каталог отмечает поддержку чата. Модель работает с контекстом до 16 384 токенов и распространяется в формате Safetensors через Transformers. Основной сценарий применения — генерация и дополнение программного кода по запросам и инструкциям. Карточка сообщает значение loss 0,2609 на оценочном наборе, но не описывает его состав и методику оценки, поэтому по этому числу нельзя судить о качестве в конкретных задачах. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

InCoder 6B — авторегрессионная модель семейства XGLM, разработанная командой исследователей во главе с Дэниелом Фридом и Арменом Агажаняном. Это декодерный Transformer с 7,7 млрд параметров, обученный на исходном коде с причинно-маскированной целью. Она поддерживает обычную генерацию продолжения слева направо и заполнение пропусков внутри кода. Модель предназначена для генерации и редактирования программного кода, включая дописывание фрагментов и заполнение пропущенных участков. Обучающие данные включали открытые репозитории GitHub и GitLab с разрешительными лицензиями, а также Stack Overflow; основные языки — Python и JavaScript, всего в данных представлены 28 языков программирования. Контекст модели составляет 2049 токенов. Для запуска доступны веса float32 и float16; README указывает, что версия float16 подходит для инференса на GPU с 16 ГБ памяти при небольшом размере пакета и последовательностях не менее 256 токенов. Репозиторий предоставляет веса PyTorch. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

MOMENT-1-small — компактная модель семейства MOMENT для анализа временных рядов, разработанная Auton Lab при Университете Карнеги — Меллона. Это предобученная модель общего назначения: её можно применять к прогнозированию, классификации, обнаружению аномалий, заполнению пропусков и получению представлений временных рядов, а также дообучать на специализированных данных. Модель рассчитана на работу «из коробки» и может использоваться для прогнозирования без примеров для конкретной задачи или для классификации с небольшим числом примеров. В README приведены руководства и эксперименты для нескольких задач, включая классификацию ЭКГ. Модель распространяется по лицензии MIT. В предоставленных материалах не приведены численный размер модели, длина входного ряда или конкретные ограничения качества.

OLMo-3-7B-Think-LOPD — плотная авторегрессионная языковая модель на 6,9 млрд параметров, созданная дообучением allenai/OLMo-3-7B-Think методом Latent On-Policy Self-Distillation (LOPD). Разработчик сообщает, что дообучение проводилось для генерации кода. Модель предназначена для генерации кода и диалогового взаимодействия. Она работает с текстом, поддерживает контекст до 65 536 токенов и доступна в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка не приводит оценок качества или перечня поддерживаемых языков программирования. Результаты генерации кода могут требовать проверки и тестирования.

PolyCoder-160M — языковая модель для генерации программного кода, представленная авторами в работе «A Systematic Evaluation of Large Language Models of Code». Модель содержит около 151,9 млн параметров, использует архитектуру GPT-NeoX и принимает текстовый контекст длиной до 2 048 токенов. Модель обучена на 249 ГБ кода на 12 языках программирования и предназначена для продолжения и генерации кода по текстовому запросу или фрагменту программы. Это исследовательский чекпойнт, опубликованный в 2022 году; для запуска авторы указывают Transformers версии 4.23.0 или новее. Сведения о лицензии и языках программирования в карточке не приведены.

Qwen2.5-Coder-0.5B-Instruct-abliterated-GGUF — набор GGUF-квантизаций модели Qwen2.5-Coder-0.5B-Instruct-abliterated. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix; исходная модель связана с huihui-ai. Модель предназначена для генерации текста и кода, диалогового взаимодействия и запуска локально через совместимые среды, включая LM Studio. Модель имеет размер 0,5 млрд параметров и работает с текстовыми и программными запросами. В репозитории доступны варианты от F16 до низкобитных Q3/Q4 и других квантизаций размером примерно от 0,35 до 0,99 ГБ. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5 или Q6; отдельные форматы оптимизированы для ARM и требуют поддержки соответствующих инструкций. Формат prompt использует шаблон ChatML с ролями system, user и assistant. Сильными сторонами являются небольшой размер, возможность локального запуска и наличие большого выбора квантизаций с разным компромиссом между качеством и потреблением памяти. Ограничениями выступают небольшой масштаб модели, неизвестные по представленным данным размер контекста и точные характеристики архитектуры, а также возможное снижение качества в низкобитных вариантах. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-1.5B-Q8_0-GGUF — это квантизированная версия модели Qwen2.5-Coder-1.5B, преобразованная в формат GGUF. Конвертацию выполнила организация ggml-org с использованием llama.cpp и сервиса GGUF-my-repo; исходная модель разработана командой Qwen. Модель предназначена для генерации текста и прежде всего для задач, связанных с программным кодированием, включая работу с кодом через llama.cpp. Модель содержит 1,5 миллиарда параметров и использует квантизацию Q8_0. Доступна в формате GGUF для локального запуска с помощью llama.cpp, включая CLI и серверный режим. В карточке указаны английский язык и текстовая модальность; размер контекста для рекомендуемого серверного запуска составляет 2048 токенов. Архитектура и перечень поддерживаемых языков программирования в README не уточняются. К сильным сторонам относятся компактный размер, возможность локального развертывания и совместимость с llama.cpp. Ограничения связаны с небольшим размером модели, ограниченным контекстом в приведенном сценарии запуска и отсутствием подробных данных о качестве, тестах и возможностях работы с отдельными языками программирования. Модель распространяется по лицензии Apache-2.0.

TobiasLogic (Htfi) разработал эту LoRA-модель на основе базовой Qwen/Qwen2.5-Coder-1.5B. Это текстовая генеративная модель для программирования, ориентированная на прямую генерацию и анализ кода, secure coding, application security и создание инструментов для авторизованного тестирования безопасности, включая сканеры, fuzzing, proof-of-concept и reconnaissance-скрипты. Модель предназначена для разработки ПО, аудита собственных систем, CTF, лабораторных сред и обучения; использовать её следует только на системах, для которых есть разрешение на тестирование. Архитектурно это базовая Qwen2.5-Coder-1.5B без исходного instruction-tuning, дообученная методом QLoRA в 4-битном формате с rank 16 на всех линейных слоях. Обучение проводилось на примерно 1200 синтетических парах инструкций и ответов с использованием Unsloth на одной RTX 3050 Laptop с 4 ГБ памяти. Указаны поддерживаемый язык English, текстовая модальность и шаблон диалога ChatML. Доступны объединённая 16-битная версия, LoRA-адаптер и квантованная версия GGUF Q4_K_M для llama.cpp и Ollama; размер контекста в README не указан. Сильные стороны модели — генерация самостоятельных скриптов и функций на Python, JavaScript, Go и других языках, исправления для безопасного кода и стандартные инструменты разведки, сканирования и веб-тестирования. Ограничения связаны с небольшим размером: модель хуже справляется с крупными многосоставными системами, сложными цепочками эксплуатации и некоторыми низкоуровневыми сетевыми различиями; сгенерированный код необходимо проверять и тестировать. Модель описана как не склонная к отказам и этическим оговоркам, поэтому особенно важно соблюдать законность и контролировать применение. Лицензия — Apache-2.0, с наследованием лицензии базовой модели; дополнительные условия приемлемого использования указаны в USE_POLICY.md.

replit-code-v1-3b — языковая модель Replit, Inc. с архитектурой MPT и примерно 2,7 млрд параметров, предназначенная прежде всего для автодополнения кода. Она обучена на 525 млрд токенов из смеси данных, основанной на очищенной дедуплицированной версии The Stack; среди языков и форматов в обучающей смеси указаны Python, JavaScript, Java, TypeScript, SQL, C++, Rust, Go, HTML и Markdown. Модель использует токенизатор SentencePiece Unigram с кодо-ориентированным словарём на 32 768 токенов и позиционные встраивания ALiBi. Модель подходит как базовая для прикладной тонкой настройки и для дополнения фрагментов кода в редакторах и инструментах разработчика. В README отмечены возможные неподходящие или оскорбительные фрагменты в обучающих данных и рекомендация проверять результаты перед использованием в производственных системах. Лицензия — CC BY-SA 4.0.

RivetCoder-9B-A4B — экспериментальная модель генерации кода от HCHs, построенная на замороженной 30-слойной основе LiquidAI/LFM2.5-2.6B с добавленными 480 замороженными FFN-экспертами из zai-org/GLM-5.3-Flash. Для каждого слоя основы выбираются четыре из 16 кандидатов на токен; маршрутизаторы, токеновые гейты и ограниченные масштабы остаточных связей обучались отдельно. Модель рассчитана на диалоговую генерацию кода и агентные сценарии. Она имеет 2,6 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. В README описана проверка маршрутизации на небольшом наборе кодовых диалогов, но результаты стандартных бенчмарков не приведены. Для загрузки нужен Transformers с пользовательским кодом репозитория и параметром trust_remote_code=True. BF16/FP32-смешанный чекпойнт занимает около 16,3 ГиБ; на GPU с 16 ГиБ обычно потребуется выгрузка частей модели в CPU или на диск. Архитектура экспериментальная: перенос экспертов использует фиксированный, необучаемый мост представлений, сопоставление слоёв основано на глубине, а выполнение экспертов на CPU существенно медленнее специализированного ядра. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

QuantFactory/starcoder2-7b-GGUF — квантованная версия модели StarCoder2-7B, разработанной проектом BigCode и преобразованной с использованием llama.cpp. Модель предназначена для генерации и дополнения программного кода, включая сценарии автодополнения, редактирования кода и работы с фрагментами в режиме Fill-in-the-Middle. Она не является instruction-моделью, поэтому плохо подходит для выполнения команд, сформулированных как обычные инструкции на естественном языке. Модель содержит около 7 млрд параметров и обучена более чем на 3,5 трлн токенов из набора The Stack v2, включая данные на 17 языках программирования; также использовались отдельные материалы из Arxiv и Wikipedia. Она использует Grouped Query Attention, контекстное окно 16 384 токена и sliding window attention размером 4 096 токенов. Квантование снижает требования к памяти по сравнению с полноразмерной версией, что упрощает локальный запуск, однако конкретные характеристики зависят от варианта квантования. В README приведены результаты на задачах генерации и понимания кода, включая HumanEval, HumanEval+, DS-1000, CruxEval-I и RepoBench. К ограничениям относятся слабая пригодность для диалогового следования инструкциям, возможные ошибки и небезопасные или неэффективные фрагменты кода, а также потери качества, связанные с квантованием. Для модели указана лицензия bigcode-openrail-m.

Tess-Coder-7B-Mistral-v1.0 — модель генерации кода на архитектуре Mistral, опубликованная migtissera. Она предназначена для создания программного кода по текстовым запросам. В README указана оценка 41,64% на HumanEval pass@1. Модель содержит 7,1 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. Доступны веса в формате PyTorch. Репозиторий распространяется по лицензии Apache-2.0. README и метаданные не позволяют установить языки программирования, на которых модель показывает наилучшие результаты, или подробные ограничения её применения.

TIMPS-Coder-7B — созданная разработчиком sandeeprdy1729 модель для генерации программного кода. Она дообучена на Qwen2.5-Coder-7B-Instruct в три этапа: SFT, GRPO и DPO. Модель имеет плотную архитектуру Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов; для запуска в карточке приведён пример с Transformers и шаблоном чата. Модель предназначена для генерации кода по запросам на естественном языке и других сценариев программирования. В README приведены результаты HumanEval и MBPP, однако показатели MBPP заметно расходятся с указанными для базовой модели, поэтому результаты бенчмарков следует проверять самостоятельно. Модель распространяется под лицензией Apache-2.0.

Yi-Coder-1.5B-Chat-GGUF — это набор GGUF-квантизованных версий чат-модели Yi-Coder-1.5B-Chat, разработанной 01.AI и подготовленной пользователем bartowski. Модель предназначена для генерации текста и преимущественно ориентирована на задачи, связанные с программированием, включая работу в локальных приложениях и запуск через llama.cpp или LM Studio. В README также указан специальный шаблон промпта с ролями system, user и assistant, а среди изменений отмечено исправление токенизатора. Модель содержит около 1,5 млрд параметров; точные сведения об архитектуре, поддерживаемых языках, модальностях и размере контекста в README не приведены. Доступны варианты от F16 размером 2,95 ГБ до компактных квантизаций Q2 и IQ3 размером менее 1 ГБ. Варианты с более высокой точностью обеспечивают лучшее качество, а низкобитные версии требуют меньше оперативной памяти; отдельные варианты оптимизированы для ARM-инференса и требуют соответствующей поддержки процессора. Качество и практическая пригодность зависят от выбранного типа квантизации. Модель распространяется по лицензии Apache-2.0. README не содержит подробных оценок качества, перечня языков программирования или ограничений исходной модели, поэтому её возможности в конкретных сценариях следует проверять отдельно.

DeepCoder-1.5B-Preview-GGUF — это GGUF-квантизированная версия языковой модели DeepCoder-1.5B-Preview, разработанной agentica-org и подготовленной квантизатором bartowski с использованием llama.cpp. Модель предназначена для генерации текста и прежде всего ориентирована на задачи программирования, включая решение проверяемых задач на написание кода. При обучении использовались наборы PrimeIntellect/verifiable-coding-problems, likaixin/TACO-verified и livecodebench/code_generation_lite. Модель содержит 1,5 млрд параметров, поддерживает английский язык и работает в текстовой модальности. Доступны варианты от BF16 до различных форматов квантования Q2–Q8 и IQ, размером примерно от 0,92 до 3,56 ГБ. Это позволяет запускать её локально, в том числе через LM Studio, llama.cpp и другие совместимые проекты; конкретное качество и требования к памяти зависят от выбранного варианта. Рекомендуемый шаблон запроса указан в README. Сильными сторонами модели являются небольшой размер, возможность локального запуска и специализация на генерации кода. Ограничениями выступают относительно малое число параметров, поддержка только английского языка и неизбежное снижение качества в более агрессивных вариантах квантования; точные характеристики контекста и архитектуры в README не указаны. Модель распространяется по лицензии MIT.

CDLM-0.5B — компактная языковая модель для генерации и исправления кода, созданная на основе fredzzp/open-dcoder-0.5B авторами проекта Corrective Diffusion Language Models. Модель содержит около 494 млн параметров, использует архитектуру Qwen2 с маскированной диффузией и двунаправленным вниманием; её дообучили на 2 000 шагов с целью, учитывающей уверенность модели в видимых искажённых токенах. Для работы требуется реализация диффузионной модели из репозитория проекта: обычная загрузка через AutoModelForCausalLM даст некорректные результаты. Модель предназначена для генерации и корректировки программного кода по текстовым запросам. В метаданных указано контекстное окно 32 768 токенов; карточка также связывает обучение с набором данных NVIDIA Nemotron Pretraining SFT v1. README описывает особенности вычисления градиентов в использованном обучающем коде, которые могут влиять на эффект весов целевой функции. Модель распространяется по лицензии MIT.

ChatTS-14B-0801 — разработанная командой ByteDance Research мультимодальная модель для понимания и анализа временных рядов с помощью диалога и рассуждений. Она дообучена на Qwen/Qwen2.5-14B-Instruct и предназначена для работы с многомерными рядами переменной длины и размерности. Модель принимает временные ряды и отвечает на вопросы о закономерностях и числовых значениях, в том числе на статистические вопросы о величине пика в заданный момент времени. Она сохраняет исходные числовые значения ряда и поддерживает интерактивный диалог; интегрируется с конвейерами LLM, включая vLLM. В метаданных указаны 14 млрд параметров и контекст 32768 токенов. Карточка приводит лицензию Apache-2.0.

Salesforce CodeGen-NL 350M — авторегрессионная плотная языковая модель семейства CodeGen для синтеза программ. Вариант NL с 350 млн обучаемых параметров предварительно обучен на корпусе The Pile, включающем данные с кодом; архитектура модели — CodeGenForCausalLM, формат весов — PyTorch, контекст — до 2048 токенов. Модель предназначена прежде всего для генерации исполняемого кода по подсказкам на английском языке, оформленным как комментарии, а также для продолжения частично написанного кода. Она может извлекать признаки и оценивать вероятность последовательностей естественного языка и языков программирования. Модель опубликована Salesforce в рамках исследовательской работы по синтезу программ; карточка рекомендует оценивать точность и безопасность перед применением. Лицензия — BSD 3-Clause.

dpo5k3 — дообученная модель на базе deepseek-ai/deepseek-coder-1.3b-base, созданная с использованием набора данных generator. Это плотная авторегрессионная модель семейства Llama с 1,3 млрд параметров, предназначенная для генерации текста; базовая модель ориентирована на продолжение и автодополнение кода, а также заполнение пропусков в коде. Модель опубликована в формате safetensors и поддерживает контекст до 16 384 токенов. Карточка не уточняет сценарии дообучения, оценку качества или ограничения. Лицензия указана как other, поэтому перед использованием следует проверить условия лицензии в репозитории модели.

Dream-Coder-v0-Base-7B — базовая модель Dream Coder 7B, разработанная для генерации кода. Это открытая диффузионная языковая модель на 7,1 млрд параметров с архитектурой DreamModel, предназначенная для работы с текстом и кодом. Модель поддерживает контекст до 32 768 токенов и распространяется в формате safetensors для Transformers. Модель подходит для генерации и дополнения кода в диалоговых сценариях. В карточке заявлена высокая производительность, но сравнительные оценки и конкретные поддерживаемые языки программирования не приведены. Лицензия Apache-2.0 разрешает использование на её условиях.

GLM-5.3-Flash-CYBERSECURITY-W4A16 — модификация модели GLM-5.3-Flash, разработанная dealignai на базе zai-org/GLM-5.3-Flash. Это текстовая и vision-language модель для генерации ответов, работы с изображениями и видео, рассуждений, многошаговых агентных сценариев и вызова инструментов. Название указывает на ориентацию на задачи кибербезопасности, однако подробная специализация и результаты тестирования в README не приведены. Модель использует архитектуру MoE и квантование W4A16, сохраняет vision tower и Multi-Token Prediction (MTP), а также поддерживает режимы рассуждений. В связке с vLLM заявлена совместимость с OpenAI-совместимыми tool calls, prefix caching и спекулятивным декодированием MTP, что может повысить производительность в агентных нагрузках. Размер модели, длина контекста и список поддерживаемых языков не указаны. К сильным сторонам относятся сохранённые возможности рассуждений и мультимодальности, поддержка инструментов и сниженная точность весов для более эффективного размещения. Ограничения связаны с требованиями к настройке сервинга: для корректной обработки рассуждений нужен соответствующий reasoning parser, режимы reasoning_effort ограничены значениями low и high, а глубокий режим требует большого бюджета токенов. Параметры обработки изображений и видео зависят от версии vLLM; ошибочная настройка fps может привести к сбою движка. Модель распространяется по лицензии MIT.