II.7DevOps, облако и эксплуатация IT-систем

Dolphin 2.8 Experiment26 7B — языковая модель, разработанная Eric Hartford и дообученная на базе Experiment-26 от Yam Peleg. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для диалогов и генерации кода. Она принимает запросы в формате ChatML и поддерживает контекст до 32 768 токенов по метаданным; в README для базовой модели указано 16 тысяч токенов. Для обучения использовались QLoRA и Axolotl, а среди датасетов указаны наборы для диалогов и программирования. Модель подходит для помощи в написании и объяснении кода, а также для обычных текстовых диалогов на английском языке. Доступны веса PyTorch, лицензия Apache-2.0 разрешает коммерческое использование. README помечает модель как экспериментальную; опубликованных оценок качества в карточке нет.

Карточка модели elyza/ELYZA-japanese-CodeLlama-7b на Hugging Face совпадает с карточкой elyza/ELYZA-japanese-CodeLlama-7b-instruct, поэтому описание составлено по ней. ELYZA-japanese-CodeLlama-7b-instruct — компания ELYZA дообучила на базе Code Llama дополнительным предварительным обучением, чтобы расширить поддержку японского языка. Это плотная авторегрессионная модель семейства Llama для генерации текста, включая ответы на инструкции и создание кода. Модель содержит 6,6 млрд параметров и поддерживает контекст длиной до 16 384 токенов. В карточке указаны японский и английский языки. Модель подходит для генерации и объяснения кода, а также для ответов на текстовые запросы на японском и английском языках. Модель распространяется в формате safetensors по лицензии Llama 2. Карточка не приводит оценки качества или подробные ограничения; результаты генерации кода и фактические ответы следует проверять.

FuseO1-DeepSeekR1-Qwen2.5-Coder-32B-Preview-GGUF — GGUF-квантизированная версия текстовой генеративной модели FuseO1-DeepSeekR1-Qwen2.5-Coder-32B-Preview. Квантизацию выполнил bartowski с использованием llama.cpp версии b4514 и метода imatrix. Модель предназначена для генерации текста, включая сценарии программирования и работы с кодом; запуск возможен, в частности, через LM Studio и совместимые инструменты llama.cpp. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4 и Q3, что позволяет выбирать баланс между качеством, размером файла и требованиями к памяти. Размер полной BF16-версии составляет около 65,54 ГБ, а варианты квантизации занимают примерно от 17,69 ГБ и выше. Для корректного общения README рекомендует специальный формат промпта с маркерами начала последовательности, пользователя и ассистента. Модель имеет сильные стороны в виде большого размера 32B, нескольких вариантов квантизации и поддержки локального запуска. При этом README не содержит точных сведений о контекстном окне, языках, мультимодальности, результатах оценки или ограничениях исходной модели. Репозиторий сохраняет старую версию весов; обновлённые веса опубликованы отдельно. Лицензия в предоставленных данных не указана.

Elio2151/Gemma-2-9B-Instruct-TechnicalAgentFineTuned-Merged_5 — дообученная чат-модель Elio2151 на архитектуре Gemma 2. В качестве основы использована unsloth/gemma-2-9b-it-bnb-4bit; модель обучали с использованием Unsloth и библиотеки TRL от Hugging Face. Модель предназначена для диалоговой генерации текста и может использоваться для ответов на вопросы, составления текстов и помощи в технических задачах. Она содержит около 9 млрд параметров, принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 8192 токена. В репозитории указаны веса safetensors. Модель распространяется по лицензии Apache 2.0. README не описывает конкретный набор обучающих данных, результаты оценки качества или специальные ограничения применения.

mondk/GGUF.chatgpt-gpt-codex-V2 — языковая модель для генерации текста, ориентированная прежде всего на диалоговые сценарии и работу с программным кодом. Модель разработана пользователем или организацией mondk; в качестве базовой модели указана mondk/Safetensors.chatgpt-gpt-gpt5.1-thinking. Заявлены более чистая генерация кода и более быстрые ответы, однако отмечается небольшое снижение точности кода. Модель обучалась с использованием наборов данных mondk/chatgpt-gpt-chat-jsonl, mondk/joke-redteam-safety-dataset, TeichAI/gpt-5.1-codex-max-1000x и TeichAI/glm-4.7-350x. README не содержит сведений об архитектуре, размере, поддерживаемых языках, модальностях и длине контекста, поэтому эти характеристики оценить нельзя. Указана лицензия Apache-2.0; модель распространяется в формате GGUF, а связанная реализация использует библиотеку PEFT.

Карточка модели cosmicGuy/GLM-5.1 на Hugging Face совпадает с карточкой zai-org/GLM-5.1, поэтому описание составлено по ней. GLM-5.1 — флагманская модель Z.ai для агентной разработки и инженерных задач. Это языковая модель с архитектурой GLM MoE DSA и 30,4 млрд параметров; она доступна в формате safetensors и совместима с Transformers. Модель принимает текст и предназначена для генерации кода, решения задач по разработке программного обеспечения и работы с инструментами в длительных сессиях. GLM-5.1 рассчитана на сложные и неоднозначные задачи: она может разбивать работу на этапы, проводить эксперименты, анализировать результаты и менять стратегию в ходе многократных итераций. Разработчик сообщает о сильных результатах на SWE-Bench Pro, NL2Repo и Terminal-Bench 2.0. Модель поддерживает английский и китайский языки и контекст до 202 752 токенов. Для локального запуска перечислены SGLang, vLLM, xLLM, Transformers и KTransformers. Модель распространяется по лицензии MIT. Описание подчёркивает её возможности в агентных сценариях и бенчмарках, но не приводит независимых оценок качества или гарантий результата; практическая работа с инструментами зависит также от используемой системы запуска.

GLM-5.1 — флагманская модель Z.ai для агентной разработки и инженерных задач. Это языковая модель с архитектурой GLM MoE DSA и 30,4 млрд параметров; она доступна в формате safetensors и совместима с Transformers. Модель принимает текст и предназначена для генерации кода, решения задач по разработке программного обеспечения и работы с инструментами в длительных сессиях. GLM-5.1 рассчитана на сложные и неоднозначные задачи: она может разбивать работу на этапы, проводить эксперименты, анализировать результаты и менять стратегию в ходе многократных итераций. Разработчик сообщает о сильных результатах на SWE-Bench Pro, NL2Repo и Terminal-Bench 2.0. Модель поддерживает английский и китайский языки и контекст до 202 752 токенов. Для локального запуска перечислены SGLang, vLLM, xLLM, Transformers и KTransformers. Модель распространяется по лицензии MIT. Описание подчёркивает её возможности в агентных сценариях и бенчмарках, но не приводит независимых оценок качества или гарантий результата; практическая работа с инструментами зависит также от используемой системы запуска.

Карточка модели midorin-Linux/gpt-oss-20b-Coding-Distill на Hugging Face совпадает с карточкой midorin-Linux/gpt-oss-20b-Coding-Distill-GGUF, поэтому описание составлено по ней. Это GGUF-версия дообученной модели gpt-oss-20b-Coding-Distill от midorin-Linux. Автор сообщает, что модель основана на GPT-OSS-20B и обучалась с помощью Unsloth на данных диалогов, преобразованных в формат OpenAI Harmony. В обучении использовались примеры кодирования и рассуждений, связанные с GPT-5.2 Codex Max, GPT-5.2, Claude 4.5 Opus и Claude 4.5 Sonnet. Модель предназначена для генерации текста в диалогах, прежде всего для помощи с программированием и сложными рассуждениями. Репозиторий содержит веса в формате GGUF, а указанная лицензия — Apache-2.0. Карточка предупреждает, что некоторые ответы могут не соответствовать спецификации OpenAI Harmony.

Grug v2 9B — дообученная модель ProCreations на архитектуре Qwen3.5 с 9 млрд параметров. Это полный объединённый чекпойнт, предназначенный для диалогов, рассуждений, генерации кода и работы с инструментами через XML-вызовы. README описывает исправление стиля внутренних рассуждений и сохранение навыков программирования и выбора инструментов; приведены результаты тестов HumanEval, MBPP и наборов действий с инструментами. Модель дообучена на базе ProCreations/grug-9b с использованием датасетов Grug; в описании также указаны 4 096 токенов контекста для этапа коррекции стиля. Репозиторий содержит веса safetensors и требует Transformers с поддержкой Qwen3.5. Лицензия — MIT. Хотя архитектура поддерживает обработку изображений, карточка не подтверждает соответствующий сценарий применения этой версии; метаданные указывают генерацию текста.

Hemlock2-Coder-7B-GRPO — дообученная методом GRPO модель для генерации кода, разработанная на основе hemlang/Hemlock2-Coder-7B. Во время обучения ответы модели выполнялись в изолированной среде интерпретатора Hemlock и оценивались по совпадению стандартного вывода с проверенным эталоном. Используется архитектура Qwen2ForCausalLM с 7,1 млрд параметров; контекст — до 32 768 токенов. Доступны веса safetensors и квантованный вариант GGUF Q8_0. Модель предназначена для генерации и исправления кода, в том числе задач с проверкой результата выполнением. В описанном тесте Hembench она улучшила pass@1 с 28,9% до 36,8% относительно базовой модели; наибольший прирост отмечен для синтаксиса и системного кода с конкурентностью. Лицензия — Apache-2.0. README сообщает о тестировании на небольшом наборе примеров (n=5), поэтому приведённые показатели не гарантируют аналогичного качества на других задачах.

Josiefied-Qwen2.5-Coder-7B-Instruct-abliterated-v1 — дообученная Гёкденизом Гюльмезом модель семейства Qwen2 для генерации кода и диалогов с инструкциями. В её основе Qwen/Qwen2.5-Coder-7B-Instruct: плотная причинно-языковая архитектура Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель поддерживает английский и немецкий языки, а в метаданных также заявлены чат и интерфейс вызова инструментов. Автор описывает её как abliterated-модель, дополнительно дообученную на собственном наборе данных для менее ограниченных ответов. Упомянуты варианты квантования GGUF и MLX, однако метаданные этого репозитория указывают формат safetensors. Применять модель можно для генерации и редактирования кода, а также диалоговых задач; заявленная настройка на менее ограниченные ответы не гарантирует точности или безопасности результатов. Модель опубликована под лицензией Apache-2.0. Автор предупреждает использовать её на свой риск; конкретные ограничения качества или результаты оценки в карточке не приведены.

Карточка модели shobhatiwari925059/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Карточка модели Snenn/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Карточка модели bearzi/Kimi-K2.7-Code-JANGTQ2 на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

JANGQ-AI Laguna-S-2.1-JANG_2L — квантованная сборка модели Poolside Laguna-S-2.1, подготовленная Jinho Jang для запуска на Apple Silicon. Это MoE-модель для генерации текста, агентного программирования и длительных задач разработки; базовая архитектура LagunaForCausalLM содержит 48 слоёв, 256 маршрутизируемых экспертов и один общий эксперт. Исходная модель имеет 118 млрд параметров, около 8 млрд из них активны при обработке токена; размер сборки на диске — 44,3 ГБ. Веса адаптированы для Apple Silicon с применением AWQ к маршрутизируемым экспертам, тогда как внимание, общий экспертный путь, маршрутизатор и нормализации сохранены в высокой точности. Модель рассчитана на контекст до 1 048 576 токенов, поддерживает диалог и интерфейс вызова инструментов. README рекомендует запускать её в vMLX; заявленная лицензия — OpenMDW-1.1, унаследованная от исходной модели.

MiniCPM5-1B-Claude-Opus-Fable5-V2-Thinking — компактная языковая модель GnLOLot, дообученная на базе openbmb/MiniCPM5-1B с использованием данных Fable 5. Это плотная авторегрессионная модель архитектуры LlamaForCausalLM с 837,6 млн параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; заявленная длина контекста — 131 072 токена. Модель предназначена для локальных помощников и сценариев, где нужны вызов инструментов в формате XML или функций, генерация и отладка кода, следование инструкциям и рассуждения в режиме Thinking. По README, версия V2 усиливает вызов инструментов и улучшает программирование и выполнение инструкций по сравнению с базовой моделью и предыдущей версией; в карточке приведены результаты BFCL, API-Bank и Tau-Bench. Поддерживаемые языки по метаданным — английский и китайский. Модель принимает текст и генерирует текст. README предупреждает, что ответы в режиме Thinking могут содержать блоки рассуждений перед итоговым ответом, которые приложению может потребоваться скрыть. Компактный размер подходит для локального развёртывания, но модель не рассчитана на уровень передовых крупных систем в общих задачах рассуждения. Лицензия — Apache-2.0.

Mistral-NeMo-Minitron-8B-Base-CODE-Python-i1-GGUF — это квантизированная версия базовой модели Agnuxo/Mistral-NeMo-Minitron-8B-Base-CODE-Python, подготовленная mradermacher в формате GGUF. Модель ориентирована на генерацию кода, прежде всего на задачи, связанные с Python, и может использоваться в локальных AI-приложениях, ассистентах программирования и сценариях научных исследований. Заявлена поддержка английского и испанского языков. Модель имеет размер 8B параметров в базовой версии; точные сведения об архитектуре, размере контекстного окна и мультимодальности в карточке не указаны. Репозиторий содержит множество вариантов квантизации i1, включая IQ- и Q-схемы с размером файлов примерно от 2,2 до 5,5 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Для создания собственных вариантов также предоставлен imatrix-файл. Сильными сторонами являются специализация на генерации кода, возможность локального запуска и широкий выбор уровней квантизации; для некоторых вариантов в карточке отмечены предпочтительное соотношение размера, скорости и качества или более низкое качество. Ограничения включают отсутствие подробных результатов тестирования, сведений о контекстном окне и гарантий корректности сгенерированного кода, поэтому результаты требуют проверки. Модель распространяется по лицензии Apache-2.0.

Moe-4x7b-reason-code-qa — языковая модель NextAI Team для генерации ответов и кода. Она использует архитектуру Mixture of Experts на базе Mixtral и содержит 7,1 млрд параметров; модель доступна в формате Safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для помощи разработчикам и специалистам по данным: она может отвечать на технические вопросы, генерировать код, помогать с его проверкой и поддерживать обучение программированию. В карточке заявлено обучение на технической документации, открытом коде и вопросах с ответами Stack Overflow; среди языков в метаданных указан английский. Ответы могут зависеть от полноты контекста и формулировки запроса, а модель может воспроизводить смещения обучающих данных. Сгенерированный код и технические рекомендации требуют проверки. Лицензия — Apache-2.0.

Mungert/OlympicCoder-32B-GGUF — это GGUF-версия 32-миллиардной модели для генерации текста и программного кода, созданная на основе Qwen/Qwen2.5-Coder-32B-Instruct. В метаданных указаны датасет open-r1/codeforces-cots, английский язык, библиотека Transformers и лицензия Apache-2.0. README не содержит подробного описания дообучения, поэтому назначение модели следует оценивать прежде всего как применение возможностей базовой instruct-модели в формате GGUF. Модель предназначена для генерации и работы с текстом и кодом, включая сценарии разработки, решения алгоритмических задач и запуск локального вывода на устройствах с ограниченными ресурсами. Основная особенность сборки — применение ультранизкобитного динамического квантования IQ-DynamicGate с распределением точности по слоям. Для наиболее чувствительных компонентов используются более точные форматы, а значительная часть слоёв может храниться в 1–2 битах, что снижает требования к памяти. Сильная сторона модели — возможность размещения крупной 32B-модели в условиях ограниченного GPU VRAM, на CPU или edge-устройствах. При этом ультранизкая битность неизбежно создаёт компромисс между размером, скоростью и точностью; README приводит результаты DynamicGate для Llama-3-8B, но не предоставляет сопоставимых бенчмарков именно для OlympicCoder-32B. Поэтому фактическое качество и скорость этой сборки зависят от выбранного GGUF-кванта, оборудования и программного движка. Контекстное окно, точный набор поддерживаемых языков и конкретный размер файлов для данной модели в README не указаны.

llmfan46/Ornith-1.0-35B-uncensored-heretic — версия модели Ornith-1.0-35B, подготовленная независимым автором карточки методом abliteration для уменьшения отказов. Базовая модель разработана Ornith AI и предназначена для агентного программирования; по метаданным это модель семейства Qwen 3.5 MoE с архитектурой Qwen3_5MoeForConditionalGeneration, доступная в формате safetensors и используемая через Transformers. Размер указан в названии как 35B. Модель рассчитана на генерацию кода, работу с репозиториями, агентные сценарии и вызов инструментов в чате. В приведённом сравнении доля отказов снизилась с 89 до 9 из 100 запросов, а точность на MMLU составила 81,71% против 82,64% у исходной версии; это результаты тестов автора карточки и не гарантия качества в других сценариях. В README также указана доступная GGUF-версия в отдельном репозитории. Лицензия — MIT. Поскольку модель специально изменена для снижения отказов, её ответы могут слабее следовать ограничениям безопасности; проверяйте результаты и учитывайте это при применении.

Ornith-1.0-9B — плотная языковая модель примерно на 9 млрд параметров от команды Ornith, разработанная для агентного программирования. Она дообучена на базе Qwen 3.5 с применением обучения с подкреплением: модель учится планировать траектории поиска и генерировать решения для задач разработки. Версия 9B предназначена для эффективного запуска на одной GPU и хранится в формате safetensors; для обслуживания авторы приводят рецепты на vLLM, SGLang и Transformers. Модель подходит для программирования через терминальные агентные интерфейсы, работы с кодовыми базами, автоматизации задач разработки и вызова инструментов. В README заявлены результаты на Terminal-Bench 2.1, SWE-Bench, NL2Repo и других бенчмарках, однако численные результаты в предоставленном тексте опущены. Примеры конфигурации используют контекст до 262 144 токенов; это значение указано как параметр запуска, а не как подтверждённая нативная длина контекста. Лицензия — MIT. README не сообщает поддерживаемые естественные языки.

Ornith-1.0-9B-heretic — вариант модели trohrbaugh на основе Ornith-1.0-9B от deepreinforce-ai. Это плотная модель семейства Qwen 3.5 примерно на 9 млрд параметров, предназначенная для генерации кода и работы в агентных сценариях. Модель поддерживает чат и вызов инструментов; её можно использовать в терминальных coding-агентах и подключать через совместимые с OpenAI API серверы. README описывает abliteration: в приведённом тесте модель не отказала ни в одном из 100 запросов, тогда как у исходной модели было 100 отказов из 100. Модель принимает текст и выдаёт текст, включая код и вызовы инструментов. README приводит оценки исходной линейки Ornith на задачах Terminal-Bench, SWE-Bench и NL2Repo, но не отдельные результаты heretic-варианта. Для запуска описаны Transformers, vLLM и SGLang; исходная карточка рекомендует одиночную GPU с 80 ГБ памяти для модели в bf16 и упоминает контексты 128K–400K в бенчмарках. Лицензия — MIT. Поскольку вариант специально создан для снижения отказов, его ответы могут включать контент, который исходная модель отклонила бы.

AkshithAI разработала project-828-gpt-base — авторегрессионную языковую модель на базе decoder-only Transformer с причинным декодированием и MoE-слоями. В модели 398,7 млн параметров, из которых около 286 млн активны при обработке каждого токена; маршрутизатор выбирает два из четырёх специализированных экспертов и использует общего эксперта. Модель рассчитана на генерацию кода и технические рассуждения, а также обучалась на данных общего назначения, математики и инженерии. В архитектуре применяются GQA, нормализация QK, SwiGLU и RoPE с расширением контекста YaRN: базовая длина контекста — 2048 токенов, с расширением — до 8192. Карточка указывает поддержку английского языка и способность работать с кодом. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. README не приводит результаты сравнительных оценок качества, поэтому пригодность для конкретного языка программирования или сложных технических задач следует проверять на собственных примерах.

ImposterOnline/Pyrex-8B — текстовая генеративная модель для программирования и технических вопросов. По карточке README, модель Pyrut 8B разработана командой ImposterOnline и дообучена на специализированной базовой модели для кода; метаданные указывают архитектуру Qwen2, около 7,1 млрд параметров и контекст до 32 768 токенов. Модель поддерживает диалоговый формат и интерфейс вызова инструментов. Модель предназначена для генерации и исправления кода, ответов на технические вопросы и сценариев с использованием инструментов. В README описано дообучение методом QLoRA/SFT на смеси очищенных примеров кода и общих инструкций. Для версии Inferno указаны 38 тысяч примеров в рецепте и результат 41,5% pass@1 на HumanEval; README также приводит более высокий результат 42,1% для предыдущего выпуска. Модель позиционируется как uncensored, то есть рассчитана на прямые ответы без отказов. Метаданные указывают лицензию Apache-2.0. README содержит расхождение в именовании и идентификаторах: в запросе указан Pyrex-8B, тогда как карточка описывает Pyrut 8B и примеры загрузки ссылаются на ImposterOnline/Pyrut; поэтому детали версии следует трактовать с осторожностью.

QaptaanLM-0.75B-Instruct — компактная текстовая причинно-следственная языковая модель для программирования и технических задач, разработанная kaptaan45 на базе QaptaanLM-0.75B. Это плотная архитектура Qaptaan с числом параметров 581,4 млн по метаданным; README приводит другое значение — 752 млн. Модель дообучена на KapInstruct-100M с форматом Qwen ChatML и маскированием функции потерь только на ответах ассистента. Указана длина контекста 262 144 токена. Модель предназначена для генерации кода на разных языках программирования, алгоритмических рассуждений, отладки, исправления ошибок и следования инструкциям с ограничениями. В обучающих данных также представлены математика, общий диалог, STEM и научные вопросы. Поддерживает текстовый диалог и интерфейс вызова инструментов; карточка указывает поддержку английского языка. Репозиторий использует формат Safetensors, лицензия — Apache-2.0. Компактный размер удобен для локального применения, однако качество и надёжность ответов на сложных задачах требуют проверки.

Модель RL-Forgetting-Experiments-3/qwen2.5-3b-code-sft-replay-uniform-lam1-step102 — готовый к инференсу чекпойнт для генерации кода, созданный в ходе экспериментов RL-Forgetting-Experiments-3. Это дообучение Qwen/Qwen2.5-3B методом supervised fine-tuning; модель имеет плотную архитектуру Qwen2, около 3,1 млрд параметров и принимает текст, выдавая текст. Чекпойнт обучен на данных qwen3b_code_sft_data_s300 с упорядоченной последовательностью примеров и равномерным воспроизведением данных (uniform replay, lambda 1.0). Он предназначен для генерации кода и связанных диалоговых сценариев; контекстное окно составляет 32 768 токенов. Карточка не сообщает о специальной лицензии, поэтому условия использования следует сверять с лицензией базовой модели и репозитория.

Qwen2.5-Coder-14B-Instruct-Uncensored-Patched — модель для генерации и анализа программного кода, созданная AIOpsInSpace на базе Qwen/Qwen2.5-Coder-14B-Instruct от команды Qwen. Она ориентирована на локальные сценарии разработки, работу в качестве coding assistant и интеграцию с IDE-плагинами. Заявлена оптимизация для видеокарт с 16 ГБ VRAM и исправление проблем с обработкой токенов автодополнения и зависанием IDE-плагинов. Модель представляет собой плотную текстовую модель размером 14 млрд параметров и распространяется в формате GGUF. В карточке указана поддержка английского языка, а основная специализация — задачи программирования и текстовая генерация. Сведения о длине контекста, точной архитектуре, поддерживаемых языках программирования и мультимодальности не приведены, поэтому эти характеристики нельзя подтвердить. К сильным сторонам относятся ориентация на генерацию кода, возможность локального развертывания и заявленная совместимость с IDE-сценариями. Ограничения включают отсутствие подробных независимых бенчмарков и неполные сведения о производительности, контексте и языковой поддержке. Лицензия указана как Apache-2.0.

unsloth/Qwen2.5-Coder-1.5B — версия базовой языковой модели Qwen2.5-Coder, подготовленная Unsloth. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, предназначенная прежде всего для генерации, анализа и исправления кода, а также для рассуждений о коде и задач с дополнением кода. В README указаны 28 слоёв, механизм RoPE, SwiGLU, RMSNorm и групповое внимание; модель находится на стадии предобучения и не настроена для диалогов. Модель принимает текст и генерирует продолжение текста. В конфигурации репозитория задано контекстное окно 32 768 токенов; для более длинных текстов README описывает применение YaRN, а предельную длину семейства указывает как 131 072 токена. Модель обучена на коде и текстовых данных и сохраняет общие возможности Qwen2.5, включая математику. Карточка не называет разработчика этой конкретной версии явно; README описывает семейство Qwen2.5-Coder, а репозиторий опубликован в пространстве Unsloth. Лицензия — Apache-2.0. Для диалогового применения рекомендуется последующее дообучение; поддержка длинного контекста требует настройки YaRN, а статическое масштабирование может снизить качество на коротких запросах.

Qwen2.5-Coder-1.5B-Instruct-MLX-8bit — это компактная инструкционная языковая модель для генерации текста и работы с исходным кодом. Базовую модель разработала команда Qwen, а MLX-квантизацию в формате 8-bit подготовил bartowski на основе инструментов mlx-examples. Модель предназначена для запуска на компьютерах Mac с Apple Silicon. Модель ориентирована на программирование, взаимодействие в формате чата и использование в code agents. Она обучалась с применением до 5,5 триллиона токенов, включая исходный код, данные для выравнивания текста и кода и синтетические данные. Поддерживается контекст до 32 тысяч токенов; в README явно указан английский язык. Архитектура и точное число параметров в карточке не описаны, однако из названия следует размер класса 1,5B. К сильным сторонам относятся специализация на коде, инструкционный режим, поддержка длинного контекста и оптимизация MLX для Apple Silicon. Ограничения связаны с компактным размером модели, возможными ошибками или неточностями при генерации кода и отсутствием заявленной поддержки других языков в предоставленных данных. Модель распространяется по лицензии Apache 2.0.

Qwen2.5-Coder-3B-GGUF — базовая языковая модель для работы с исходным кодом, созданная командой Qwen. Это GGUF-квантизация оригинальной модели Qwen2.5-Coder-3B, подготовленная bartowski на основе llama.cpp. Модель предназначена прежде всего для генерации и автодополнения текста и кода, а не для диалогового использования в формате instruct или chat. Модель имеет около 3 миллиардов параметров и поддерживает контекст длиной до 32 000 токенов. При обучении использовано 5,5 триллиона токенов. В метаданных указана поддержка английского языка и сценарии, связанные с программированием. Формат GGUF и совместимость с llama.cpp делают модель подходящей для локального запуска в приложениях и инструментах, поддерживающих этот формат. К сильным сторонам относятся специализация на коде, большой контекст и возможность локального использования в компактном размере. Ограничение состоит в том, что это базовая модель: она не оптимизирована для обычного общения и выполнения инструкций в диалоговом режиме, поэтому для таких задач может потребоваться дополнительное форматирование запросов или другая модель. Указанная лицензия — qwen-research; перед использованием следует ознакомиться с условиями лицензии по ссылке на оригинальную модель.