II.7DevOps, облако и эксплуатация IT-систем

BenevolenceMessiah/Qwen2.5-Coder-7B-3x-Instruct-TIES-v1.0 — объединённая языковая модель, созданная автором репозитория с помощью mergekit и метода TIES. В качестве основы использована Qwen/Qwen2.5-Coder-7B, в слиянии также участвовали три указанные в карточке модели Qwen Coder и Hammer. Архитектура — плотная Qwen2 causal language model на 7,1 млрд параметров; репозиторий содержит веса в формате safetensors и рассчитан на использование через Transformers. Модель предназначена для генерации текста в диалоговом формате, включая задачи программирования, анализа и исправления кода, унаследованные от базовой модели Qwen2.5-Coder. Метаданные указывают контекст до 32 768 токенов и интерфейс для вызова инструментов. Карточка не приводит отдельных результатов оценки качества, точного перечня языков программирования или инструкции по вызову инструментов. Лицензия в предоставленных данных не указана.

Akahsizrr выпустил объединённый чекпойнт Qwen3.8-27B, дообученный для программирования, рассуждений и вызова инструментов. Веса базовой модели Qwen/Qwen3.8-27B объединены с тремя LoRA-адаптерами; модель плотная, содержит 22,3 млрд параметров и распространяется в формате safetensors для Transformers. Для запуска в README приведён пример с vLLM в формате bfloat16. Модель предназначена для генерации кода и решения задач программирования в диалоге, в том числе с использованием инструментов. В README приведён результат 75,4% на LiveCodeBench v6 для полного стека адаптеров и 76,0% для варианта с двумя адаптерами; эти показатели относятся к описанному тестовому запуску. Контекстная длина по метаданным — 262 144 токена. Лицензия — Apache-2.0.

Puffyn/Qwen3.8-27B-OBLITERATED — текстовая генеративная модель на базе Qwen/Qwen3.8-27B, разработанная для локального запуска и исследовательских сценариев, где требуется минимизация встроенных отказов и защитных ограничений. Согласно README, модель ориентирована на генерацию текста, программного кода, ответы на сложные и потенциально ограниченные запросы, а также на использование в агентских системах, coding agent и фреймворках для тестирования безопасности. Разработчик и точное происхождение производной модели в README явно не раскрыты; указано имя базовой модели Qwen и идентификаторы вариантов OBLITERATED/OBLITERATUS. Модель относится к семейству Qwen3 и имеет размер 27B параметров. Поддерживается текстовая модальность; сведения о языках и максимальной длине контекста в предоставленных данных отсутствуют. Доступны форматы GGUF, Safetensors и MLX. В версии V3 заявлены итеративная модификация весов и метод abliteration, удаляющий направления, связанные с отказами; авторы сообщают о сохранении близкой к исходной производительности, но с потерей 2,1 процентного пункта по MMLU относительно базовой модели. README также заявляет работоспособную генерацию кода в 20 из 20 проверенных сценариев и совместимость с режимом рассуждений. Сильной стороной модели считается снижение жёстких отказов и защитных отговорок при сохранении значительной части возможностей базовой Qwen3.8-27B. Ограничения включают возможное снижение качества по сравнению с исходной моделью, склонность к зацикливанию без правильно настроенного repetition_penalty и потенциальные риски использования модели без встроенных защитных механизмов. Для запуска рекомендуются temperature 0, repetition_penalty 1.15, не менее 2048 новых токенов и пустой системный промпт; для агентских сценариев предлагаются более короткие ответы и периодическое суммирование контекста. Лицензия — Apache-2.0.

Qwen3-Blitzar-Coder-F1-6B-Brainstorm20x — текстовая инструктивная модель для генерации кода, созданная DavidAU на основе дообученной модели prithivMLmods/Blitzar-Coder-4B-F.1 с применением адаптера Brainstorm 20x. Модель рассчитана на генерацию и доработку кода по подробным инструкциям, в том числе на пошаговое решение сложных задач и мозговой штурм. Модель использует архитектуру Qwen3ForCausalLM и содержит 5,4 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — до 40 960 токенов. В карточке указана поддержка английского языка. Автор описывает Brainstorm 20x как модификацию, направленную на улучшение связности рассуждений, детализации и следования инструкциям, однако отмечает, что повышение интеллекта модели не было целью или предметом оценки. Исходные веса доступны в формате safetensors и могут использоваться напрямую или конвертироваться в другие форматы. Для работы требуется шаблон Jinja или ChatML. Лицензия — Apache 2.0. Практическое качество на сложных задачах зависит от настроек генерации и используемой точности; README рекомендует более высокие квантизации для многошагового решения задач.

Карточка модели deadmouserr/Qwen3-Coder-Next на Hugging Face совпадает с карточкой Qwen/Qwen3-Coder-Next, поэтому описание составлено по ней. Qwen3-Coder-Next — открытая модель семейства Qwen3 от команды Qwen, предназначенная для кодирующих агентов и локальной разработки. Это причинная языковая модель архитектуры MoE с гибридным сочетанием Gated DeltaNet и Gated Attention. В README указано 80 млрд параметров всего и 3 млрд активных; метаданные каталога указывают 2,3 млрд параметров, поэтому точный размер расходится между источниками. Модель рассчитана на генерацию и изменение кода, многошаговые задачи разработки, вызов инструментов и восстановление после ошибок выполнения. Контекстное окно — 262 144 токена; поддерживаются чат и интерфейс вызова инструментов. README описывает её как пригодную для интеграции с CLI и IDE, а также локального развёртывания. Модель работает только в режиме без reasoning и, согласно README, не генерирует блоки ````. Карточка не перечисляет поддерживаемые естественные языки, поэтому языковые коды не включены. Лицензия — Apache-2.0.

SynapseLLM 7B Mistral v0.4 Preview3 — языковая модель WebraftAI, дообученная на Mistral-7B-v0.1. Это плотный декодерный трансформер с 7,1 млрд параметров и контекстом до 32 768 токенов; веса доступны в формате safetensors для Transformers. Модель принимает текст и генерирует текст, поддерживает диалоговый формат Mistral Instruct и ориентирована на английский язык. Модель предназначена для ответов на вопросы, математических инструкций и генерации кода, включая Python. Дообучение выполнено на ограниченном наборе данных из 770 тысяч примеров с помощью QLoRA; опубликованная модель объединена с обученными адаптерами. Разработчик предупреждает, что ответы могут содержать фактические ошибки, модель может не следовать системным инструкциям и иногда ошибочно представляться как GPT. Лицензия — Apache 2.0.

Ternary-Bonsai-27B-antidoom-DSpark — текстовая генеративная модель, разработанная на основе prism-ml/Ternary-Bonsai-27B и доработанная Danny-Dasilva с применением antidoom и DSpark. Она предназначена для локальной генерации текста, включая программный код, с запуском через специализированный форк llama.cpp и CUDA-ядра для гибридного внимания. Модель ориентирована на сценарии, где важны компактность, высокая скорость вывода и устойчивость к зацикливанию на повторяющихся фрагментах. В основе лежит гибридная attention-архитектура Qwen3.5-27B с тернарной 2-битной квантизацией Q2_0, плотностью около 2,125 бит на вес и контекстом до 16 384 токенов в приведённой конфигурации. Указан английский язык. В комплект входят основная модель размером около 7 ГБ, DSpark-драфтер в формате Q4_1 для speculative decoding и vision projector Q8_0, что указывает на поддержку мультимодального сценария через проектор, хотя подробности о визуальных возможностях не приведены. К сильным сторонам относятся малый размер, высокая скорость на RTX 5090 и ускорение speculative decoding: в описанном тесте скорость выросла с 129,2 до 184,6 токена в секунду. Antidoom-настройка снижает склонность к продолжению уже начавшихся повторов, однако её эффект частично ослабляется агрессивной 2-битной квантизацией. Скорость DSpark зависит от характера запроса и может снижаться на задачах с низкой долей принятых черновых токенов; для работы требуется совместимый форк llama.cpp и подходящее CUDA-оборудование. Модель распространяется по лицензии Apache-2.0.

Tiel-Coder-35B-A3B-GGUF-MTP — локальная модель для агентного программирования, разработанная peculiar-ragdoll на основе Ornith-1.5-35B-A3B. Это динамически переквантованная версия с собственной imatrix и шаблоном диалогов Sharp, встроенными в формат GGUF. Модель предназначена для запуска через llama.cpp и поддерживает MTP для speculative decoding. Основной сценарий применения — исправление реальных проблем в кодовых базах и поддержание длительных многошаговых диалогов. По данным README, модель особенно сильна в SWE-задачах и многоходовом взаимодействии, но заметно слабее подходит для викторин, экзаменационных вопросов и задач, требующих широких знаний или сложного рассуждения. В SWE-bench-Live она решила 12 из 25 задач, а в Claw-Eval получила результат 67,2; на MMLU-Pro показала 73,7. Модель имеет архитектуру MoE и обозначение 35B-A3B; доступны GGUF-квантизации от 2 до 8 бит размером примерно от 12,7 до 38,8 ГБ. Заявлена поддержка английского и китайского языков, а также контекста до 262 тысяч токенов. Благодаря MoE она рассчитана на высокую скорость, включая запуск с частичным offload на небольших GPU. Для агентного программирования рекомендуется использовать контекст 131–262 тысячи токенов и KV-кэш не ниже q8_0, если хватает совокупной RAM и VRAM. README также указывает теги vision и image-text-to-text, однако подробности мультимодальных возможностей не приведены. Модель распространяется по лицензии MIT. Ограничения включают существенное падение качества на самых низких уровнях квантизации, а также более слабые результаты в знаниях и рассуждении по сравнению с рядом альтернатив. Для запуска требуется подобрать вариант GGUF с учётом доступной совокупной памяти и желаемого размера контекста.

Tiel-Coder-35B-A3B-MLX-oQ6e-MTP — это квантованная версия Ornith-1.5-35B-A3B от ornith-ai, подготовленная пользователем peculiar-ragdoll для запуска через MLX. Модель ориентирована прежде всего на агентное программирование, исправление реальных проблем в кодовых базах и длительные многоходовые диалоги. Она основана на архитектуре MoE с заявленными 35B общих параметров и 3B активных параметров, использует 6-битное динамическое смешанное квантование oQ6e с imatrix, шаблон чата Sharp и обученную голову multi-token prediction (MTP) для ускоренного декодирования. Поддерживаются текст и изображения, а заявленные языки — английский и китайский. Встроенный vision-проектор поставляется в той же папке, отдельно загружать его не требуется. Сильными сторонами модели являются скорость, эффективность в задачах программирования и качество многоходового общения. В README она описывается как особенно подходящая для практической работы с кодом, тогда как для викторин, экзаменационных знаний и сложного общего рассуждения рекомендуется использовать другие модели. Приведённые результаты SWE-bench и других тестов относятся к сборке GGUF, а не непосредственно к этому MLX-файлу, поэтому их нельзя считать точными измерениями данной версии. Для запуска рекомендуется oMLX, который поддерживает MTP. Версия несовместима с ML Studio: его MLX-движок некорректно исполняет MTP и генерирует бессмысленный многоязычный текст. Для LM Studio следует использовать сборку GGUF или вариант MLX без MTP. Модель распространяется по лицензии MIT.

Trinity-2-Codestral-22B — специализированная для программирования языковая модель из серии Trinity, созданной Migel Tissera; вычислительные ресурсы для модели предоставила KindoAI. Это дообученная версия Codestral-22B-v0.1 от Mistral AI с плотной архитектурой MistralForCausalLM и 22 млрд параметров. Модель предназначена для генерации кода и диалоговых запросов, поддерживает контекст до 32 768 токенов и использует формат промптов ChatML. В репозитории опубликованы веса safetensors. В README приведены результаты Open LLM Leaderboard: средний балл 21,82, IFEval — 42,02, BBH — 36,41; остальных строк таблицы недостаточно для оценки. Метаданные указывают лицензию other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория. Модель может ошибаться в коде и ответах; перед применением результаты стоит проверять.

TripleTrouble V1 — диалоговая языковая модель с разреженной архитектурой MoE, созданная OliviaRossi слиянием трёх специализированных моделей семейства Qwen 35B-A3B: KAT-Coder-V2.5-Dev, Ornith-1.5-35B-A3B и Qwen-AgentWorld-35B-A3B. Она предназначена для генерации и анализа кода, многошагового планирования вызовов инструментов и моделирования переходов состояния в средах вроде ОС, веба и Android. Модель поддерживает чат и интерфейс вызова инструментов; заявленный контекст — 262 144 токена. В README указано 34,7 млрд общих параметров и около 3,3 млрд активных на токен; метаданные каталога приводят 2,9 млрд параметров. Это текстовая модель, ориентированная прежде всего на английский и китайский языки. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. Заявления README о качестве и скорости не сопровождаются приведёнными результатами независимой оценки; на практике качество вызова инструментов и программирования следует проверять на целевых задачах.

AceInstruct-1.5B — языковая модель NVIDIA для диалогов и выполнения инструкций, дообученная на базе Qwen2.5-1.5B-Base методом supervised fine-tuning. Она предназначена для генерации кода, решения математических задач и ответов на вопросы общего характера. Модель имеет плотную архитектуру Qwen2, содержит 1,5 млрд параметров и поддерживает контекст до 131 072 токенов; принимает и генерирует текст, в том числе в чат-сценариях. В приведённых в карточке тестах AceInstruct-1.5B показывает результаты выше Qwen2.5-1.5B-Instruct по отдельным задачам кодирования и математики. Это компактная модель общего назначения, поэтому качество может уступать более крупным моделям, а заявленные результаты бенчмарков не гарантируют точность в конкретном сценарии. Карточка указывает английский язык. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

AlchemistCoder-DS-6.7B-GGUF — набор GGUF-квантизаций модели AlchemistCoder-DS-6.7B, первоначально разработанной командой InternLM. Квантизации подготовлены пользователем bartowski с помощью llama.cpp релиза b3024 и метода imatrix. Модель предназначена прежде всего для генерации и обработки программного кода, включая сценарии локального запуска через llama.cpp и совместимые инструменты. README не содержит сведений о поддерживаемых языках программирования и естественных языках. В набор входят варианты с разной точностью и размером: от Q8_0 объёмом 7,16 ГБ до IQ2_XS объёмом 2,03 ГБ. Более высокие уровни квантизации обычно обеспечивают лучшее качество, тогда как низкие требуют меньше RAM или VRAM, но сильнее теряют в качестве; в README рекомендуются, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS. Архитектура, размер контекста, модальности и другие параметры исходной модели не указаны. Распространение заявлено по лицензии Apache-2.0. Для работы необходимо учитывать формат промпта, приведённый в README, и выбирать файл с учётом доступной памяти. Ограничения включают зависимость качества от уровня квантизации и отсутствие в доступных данных подробных характеристик, результатов оценки и описания исходного обучения.

Apollo-v1-7b — языковая модель на архитектуре Mistral с 7,1 млрд параметров, представленная nextai-team. Она создана на основе Mistral-7b-Instruct-0.2 и предназначена для ответов на вопросы и запросы, связанные с программированием. Модель принимает текст и генерирует текст; максимальная длина контекста составляет 32 768 токенов. Модель подходит для помощи в написании и проверке кода, технической поддержки и обучения программированию. Карточка указывает на слияние моделей семейства Mistral, но метаданные классифицируют происхождение как дообучение базовой модели. Доступна по лицензии CC BY-NC 4.0, которая не разрешает коммерческое использование. Модель может наследовать предвзятости обучающих данных и хуже отвечать на вопросы за пределами своей области обучения. Результаты следует критически проверять, особенно при использовании в чувствительных или критически важных сценариях.

Code-290k-13B — полноразмерная дообученная языковая модель от Ajibawa, созданная на базе Llama 2 и ориентированная на генерацию программного кода с подробными объяснениями. Модель обучена на примерно 290 тысячах наборов кода и диалогов в формате Vicuna/ShareGPT; обучающая выборка включает Python, Java, JavaScript, Go, C++, Rust, Ruby, SQL, MySQL, R, Julia и Haskell. По метаданным, это плотная архитектура LlamaForCausalLM с 12,9 млрд параметров, контекстом 4096 токенов и поддержкой английского языка. Модель подходит для генерации кода по запросу, объяснения решений и диалоговой помощи при программировании. Репозиторий содержит веса PyTorch; в карточке также упомянуты отдельные квантизованные варианты GPTQ, GGUF и AWQ. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных материалов на её условиях.

duyntnet/codegeex4-all-9b-imatrix-GGUF — набор GGUF-квантизаций модели CodeGeeX4-ALL-9B, разработанной THUDM. Это авторегрессионная языковая модель для генерации текста и кода, ориентированная на задачи программирования: ответы на вопросы о коде и компьютерах, написание исполняемого кода, объяснение решений и автодополнение. Модель поддерживает диалоговый режим с системными и пользовательскими сообщениями, а также infilling — заполнение фрагментов кода между заданными префиксом и суффиксом. Доступны варианты запуска через llama.cpp, JanAI, KoboldCPP, text-generation-webui, Ollama и GPT4All. В README указано, что исходную модель можно запускать с Transformers версий 4.39.0–4.40.2; сведения о точной архитектуре, размере контекста и поддерживаемых языках программирования не приведены. Сильными сторонами являются специализация на программировании, поддержка диалога и заполнения кода, а также наличие GGUF-квантизаций для локального запуска в совместимых приложениях. Ограничения включают отсутствие в README результатов оценки качества, требований к ресурсам и подробностей о вариантах квантизации. Лицензия обозначена как other, без дополнительных условий использования.

CodeLlama 7B-Python fp16 — преобразованная в формат Transformers/Hugging Face версия модели Meta Code Llama 7B-Python, подготовленная TheBloke. Это авторегрессионная плотная трансформерная языковая модель на 6,6 млрд параметров, специализирующаяся на Python; веса опубликованы в fp16 и safetensors. Репозиторий содержит конверсию исходных весов Meta, а не отдельное дообучение TheBloke. Модель предназначена для генерации и понимания кода на Python: она может дополнять код, помогать с его написанием и разбором. Принимает и выдаёт текст. По метаданным нативная длина контекста составляет 16 384 токена; карточка модели также описывает обучение до 16K токенов и поддержку более длинного контекста при инференсе. Семейство Code Llama рассчитано на английский язык и языки программирования; вариант Python ориентирован прежде всего на код на Python. Для корректной загрузки этой fp16-конверсии README требует включить trust_remote_code=True из-за изменения значения RoPE Theta. Модель может выдавать неточный или нежелательный код и требует проверки результата и тестирования безопасности перед внедрением. Указана лицензия llama2; README ссылается на лицензию Code Llama с коммерческими условиями.

Карточка модели TechxGenus/CursorCore-DS-1.3B-SR на Hugging Face совпадает с карточкой TechxGenus/CursorCore-DS-1.3B, поэтому описание составлено по ней. CursorCore-DS-1.3B — модель из серии CursorCore, разработанной Hao Jiang, Qi Liu, Rui Li, Shengyu Ye и Shijin Wang для помощи в программировании. Она дообучена на базе deepseek-ai/deepseek-coder-1.3b-base и предназначена для генерации кода и диалоговой поддержки в сценариях AI-помощника программиста, включая редактирование кода, встроенный чат и автодополнение. Модель использует плотную архитектуру семейства LLaMA с причинно-следственной языковой моделью на 1,3 млрд параметров. Она принимает текстовые запросы и контекст с кодом и генерирует текст, включая программный код; заявленная длина контекста — 16 384 токена. README показывает сценарии обычного чата и взаимодействия с кодом, но примеры для конкретной модели частично используют другие модели CursorCore. Лицензия указана как other, поэтому условия использования следует сверять с карточкой модели.

d7 — дообученная модель для генерации кода, созданная на основе deepseek-ai/deepseek-coder-1.3b-base и обученная на наборе данных generator. Она использует плотную архитектуру LlamaForCausalLM и содержит 1,3 млрд параметров. Модель предназначена для генерации текста и кода; базовая модель поддерживает продолжение, автодополнение и заполнение пропусков в коде. Контекст — до 16 384 токенов. В репозитории представлены веса в формате safetensors. Лицензия в доступных данных не указана.

DeepSeek Coder 1.3B Instruct — языковая модель для программирования, разработанная DeepSeek. Это плотная модель архитектуры Llama с 1,3 млрд параметров, дообученная на 2 млрд токенов инструкционных данных на основе deepseek-ai/deepseek-coder-1.3b-base. Репозиторий содержит веса в форматах PyTorch и Safetensors. Модель предназначена для генерации и дополнения кода, заполнения пропусков в коде и диалоговых запросов о программировании. Семейство DeepSeek Coder обучалось на корпусе из кода и естественного языка на английском и китайском языках; окно контекста модели составляет 16 384 токена. Лицензия указана как other, поэтому условия использования следует сверить с лицензией в репозитории.

Devstral Small 1.1 — языковая модель для агентных задач в разработке программного обеспечения, созданная в сотрудничестве Mistral AI и All Hands AI. Модель предназначена для работы с программными кодовыми базами: она умеет исследовать проекты с помощью инструментов, редактировать несколько файлов и служить основой программных агентов. Рекомендуемый сценарий использования — интеграция с OpenHands; также доступны API и локальное развертывание. Модель дообучена на базе Mistral-Small-3.1 и содержит 24 млрд параметров. Она работает только с текстом: визуальный энкодер был удалён до этапа дообучения. Поддерживается контекст до 128 тысяч токенов, используется токенизатор Tekken со словарём размером 131 тысяча токенов, а также формат function calling Mistral. В метаданных README указана поддержка языков от английского и французского до русского, китайского, японского, арабского и других языков. Сильные стороны модели — специализация на агентном программировании, улучшение относительно Devstral Small 1.0 и возможность запуска на одной RTX 4090 или Mac с 32 ГБ оперативной памяти. В SWE-Bench Verified она получила 53,6% при использовании OpenHands Scaffold. Ограничения включают текстовую, а не мультимодальную обработку и необходимость учитывать ресурсы для локального запуска. Модель распространяется по лицензии Apache 2.0, допускающей коммерческое и некоммерческое использование и модификацию.

Fireball-Meta-Llama-3.1-8B-Instruct-Agent-0.005-128K-code-COT — дообученная EpistemeAI языковая модель на архитектуре Llama 3.1 с 7,5 млрд параметров. Она предназначена для генерации текста и кода, выполнения агентных задач и пошагового рассуждения. В карточке заявлены встроенные сценарии поиска, калькулятора и ReAct, а также применение в RAG-системах и интеграция с LangChain и LlamaIndex. Модель принимает текст и генерирует текст; заявленное контекстное окно составляет 131 072 токена. Карточка указывает на обучение на наборе данных с кодом и Glaive's CoT Tasks; язык карточки — английский. Модель может подойти для прототипирования кодирующих агентов, которые разбивают задачи на действия, используют поиск или калькулятор, а также для диалоговых приложений с длинным контекстом. Указана лицензия Apache-2.0. Модель обозначена как экспериментальная, а функция самообучения — как находящаяся в разработке; фактическое качество и безопасность выполнения кода требуют проверки в целевом приложении.

Карточка модели manaladan6/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.

grug-35b-v2 — разговорная модель для генерации текста и диалогов, разработанная ProCreations на базе Ornith-1.0-35B от DeepReinforce. Это дообученная модель семейства Qwen3.5 MoE; по карточке, обучение использовало LoRA для attention, DeltaNet и общие пути, затем веса были объединены в bf16 и продолжено дообучение на данных для длинных агентных сессий и сложных рассуждений. Метаданные указывают формат safetensors и поддержку чата. Модель формирует внутренние рассуждения в стиле grug между специальными разделителями, а итоговые ответы — на обычном английском. Она предназначена для генерации кода и решения математических задач с меньшим расходом токенов, а также для агентных сценариев с вызовом инструментов. В README приведены результаты HumanEval, MBPP, GSM8K и MATH-500, а также сравнительные замеры числа токенов; это результаты автора и они зависят от использованного тестового окружения. В описании отмечены снижение точности относительно базовой модели на HumanEval и MBPP, а также меньшая частота выбора вызова инструмента: при сделанном вызове автор сообщает о высокой корректности аргументов и выбора инструмента. Указана лицензия Apache-2.0. Для запуска автор приводит пример с vLLM и ограничением контекста в 32768 токенов; это параметр команды запуска, а не заявленная максимальная длина контекста модели.

INTELLECT-1-step-69200 — промежуточный чекпойнт языковой модели INTELLECT-1 от Prime Intellect и сообщества участников, включая Arcee AI и Hugging Face. Это плотная авторегрессионная модель семейства Llama примерно на 9,7 млрд параметров, обученная с нуля на триллионе токенов английских текстов и кода; данный вариант соответствует шагу обучения 69 200. В архитектуре указаны 42 слоя и 32 головы внимания, максимальный контекст — 8192 токена. Модель предназначена для генерации продолжений текста и кода на английском языке. Она создавалась с распределённым обучением на нескольких континентах; для обмена градиентами применялись пользовательские int8 all-reduce-ядра. В README этот файл обозначен как промежуточный чекпойнт, поэтому его качество и стабильность могут уступать финальной версии INTELLECT-1. Модель распространяется по лицензии Apache 2.0.

Ttimms/KAT-Coder-V2.5-Dev-REAP-50-NVFP4-W4A4 — это квантизированная модель для генерации кода и агентных сценариев программирования, разработанная Ttimms на базе Kwaipilot/KAT-Coder-V2.5-Dev и собственного промежуточного чекпойнта KAT-Coder-V2.5-Dev-REAP-50-bf16. Модель предназначена для интерактивной генерации, дополнения и рефакторинга кода, а также задач, связанных с автоматизированной разработкой ПО. В карточке не указаны поддерживаемые языки программирования и размер контекста. В основе используется MoE-архитектура Qwen3.5 с исходными 256 экспертами; после pruning REAP-50 осталось 128 экспертов, также была выполнена перенормировка роутера. Из модели удалена vision tower и 333 необученных тензора. Применена нативная NVFP4-квантизация W4A4: веса и активации представлены в 4-битном формате, что позволяет использовать FP4×FP4 tensor-core kernels на совместимом оборудовании Blackwell. Опубликованный вариант рассчитан прежде всего на запуск через vLLM и требует поддержки соответствующих NVFP4-ядер. По измерениям на RTX 5070 Ti модель показала медианные результаты 93,90% на HumanEval, 89,63% на HumanEval+ и 89,68% на MBPP+. Скорость декодирования составила 14,5 токена/с в eager-режиме и 119,2 токена/с в production-конфигурации PIECEWISE при batch size 1. Сильными сторонами являются компактное 4-битное представление, возможность нативных FP4-вычислений и высокое качество на тестах программирования. Ограничения — зависимость от совместимого оборудования и vLLM, более низкая скорость по сравнению с родственным вариантом NVFP4A16 на указанной конфигурации, а также заметная вариативность результатов между запусками из-за особенностей непрерывной пакетной обработки и FP4-вычислений. Модель распространяется по лицензии Apache-2.0.

Magicoder-DS-6.7B — языковая модель для генерации кода, разработанная Юсяном Вэем, Чжэ Вангом, Цзяьвэем Лю, Ифэном Дином и Линмином Чжаном. Это плотная авторегрессионная модель семейства Llama, дообученная на базе deepseek-ai/deepseek-coder-6.7b-base с использованием набора Magicoder-OSS-Instruct-75K, созданного методом OSS-Instruct на основе фрагментов открытого исходного кода. Модель предназначена прежде всего для задач программирования: генерации кода по инструкциям и помощи в диалоговых сценариях разработки. Использует текстовый ввод и выдаёт текст, включая код; поддерживает контекст до 16 384 токенов. Размер — около 6,6 млрд параметров, формат весов — Safetensors, для работы применяется Transformers. Модель может ошибаться и создавать вводящий в заблуждение код, а также хуже справляться с задачами вне программирования. В карточке указана лицензия DeepSeek; README рекомендует учитывать условия OpenAI для синтетических данных и обучающего набора.

Mimans M1 v1 — плотная авторская языковая модель примерно на 514 млн параметров, разработанная Ankush Thakur и обученная с нуля как decoder-only Transformer для генерации кода, математического и технического текста. Архитектура включает GQA, SwiGLU, RMSNorm и механизм AttnRes Skip Gating; репозиторий содержит веса safetensors. Модель обучалась на 5,01 млрд токенов с использованием TileLang и гибридной оптимизации Muon + AdamW. Модель предназначена для продолжения и генерации кода и технических текстов; в карточке показан пример генерации кода через Hugging Face Transformers. Контекст в README указан как 4 096 токенов с максимумом 8 192, а метаданные каталога указывают native context 8 192 токена. В качестве естественного языка заявлен английский. Лицензия — Apache-2.0. Небольшой размер и ограниченный объём обучения могут сказываться на качестве сложной генерации; оценки бенчмарков в предоставленных материалах отсутствуют.

MonarchCoder-7B — языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная abideen слиянием методом SLERP моделей Tess-Coder-7B-Mistral-v1.0 и AlphaMonarch-7B с помощью LazyMergekit. Модель предназначена для генерации кода, диалога и рассуждений; автор сообщает об улучшенных результатах на бенчмарках OpenLLM, Nous и HumanEval по сравнению с исходными моделями в описанных задачах. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и рассчитана прежде всего на английский язык. Доступны веса в формате safetensors для Transformers. Лицензия — Apache-2.0. Заявления о сравнительных результатах основаны на оценках автора; конкретные значения в доступном тексте карточки опущены.

NEXUS-Coder — специализированная разговорная модель для программирования из экосистемы FableForge AI, основанная на Qwen/Qwen2.5-1.5B-Instruct. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов; она принимает текст и генерирует текст в формате чата. Модель предназначена для генерации и объяснения кода, отладки, задач разработки ПО и работы с командами оболочки. В карточке также заявлены работа с общими рассуждениями и инструментами, однако подробности оценки приведены лишь для внутреннего теста на 30 запросах.