II.7DevOps, облако и эксплуатация IT-систем

dpankros опубликовал версию Qwen3-Coder-30B-A3B-Instruct, обработанную методом abliteration с помощью Heretic v1.1.0. Это причинная языковая модель семейства Qwen3 MoE для генерации текста и кода в диалоговом режиме; в README указаны 30,5 млрд параметров всего и 3,3 млрд активируемых, 48 слоёв и 262 144 токена контекста. Метаданные каталога указывают 2,6 млрд параметров, поэтому размер стоит считать неоднозначным. Модель предназначена для написания и анализа кода, работы с репозиториями большого размера и сценариев агентного программирования; заявлена поддержка вызова функций. Abliteration снижает частоту отказов: в карточке указано 9 отказов из 100 против 100 из 100 у исходной модели, при этом результат зависит от запросов и не гарантирует качество или поведение в каждом случае. Карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0.

Qwen3 Coder Flash — быстрая и экономичная модель Alibaba, созданная на основе проприетарной Qwen3 Coder Plus. Она предназначена для автономного программирования и работы в роли агента-разработчика с вызовом инструментов. Карточка не сообщает размер, архитектурные детали, поддерживаемые языки программирования, длину контекста или лицензию, поэтому эти характеристики здесь не приводятся.

Это квантизированная в MXFP4 версия модели Mattepiu/Qwen3-Coder-Next-REAP-48B-A3B в формате GGUF. Она предназначена для генерации текста и диалогового использования; название базовой модели указывает на специализацию семейства Qwen3 Coder на задачах программирования. В метаданных задача модели обозначена как text-generation, а среди возможностей указана поддержка чата. В README приведены рекомендованные параметры генерации: temperature=1.0, top_p=0.95 и top_k=40. Квантизация MXFP4 уменьшает точность представления весов; подробности о качестве, требованиях к памяти и ограничениях применения в карточке не раскрыты. Лицензия в предоставленных данных не указана.

Карточка модели tomhu/Qwen3-Coder-Next-SWE-Prune-REAP-70 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.

Rombos-Coder-V2.5-Qwen-7b — дообученная модель для генерации кода, созданная автором Rombodawg на основе Qwen/Qwen2.5-Coder-7B-Instruct. В карточке указано, что instruct-модель была объединена с базовой моделью методом TIES в рамках подхода Continuous Finetuning; метаданные классифицируют результат как дообучение. Модель построена на плотной архитектуре Qwen2 и содержит 7,1 млрд параметров. Она принимает текстовые запросы и генерирует текст, в том числе программный код; контекст — до 32 768 токенов. Карточка заявляет о более высокой производительности по сравнению с исходной instruct- и базовой моделями, однако опубликованных бенчмарков пока нет. Модель предназначена для диалогового применения и задач с кодом. Распространяется под лицензией Apache-2.0.

QuantFactory/stable-code-instruct-3b-GGUF — квантизированная версия модели Stable Code Instruct 3B, созданная QuantFactory с использованием llama.cpp на основе stabilityai/stable-code-instruct-3b от Stability AI. Это авторегрессионная языковая модель с архитектурой Transformer decoder примерно на 2,7 млрд параметров, дообученная из stable-code-3b на общедоступных и синтетических данных с применением Direct Preference Optimization (DPO). Модель ориентирована на английский язык. Модель предназначена для генерации и обсуждения программного кода, общих задач разработки программного обеспечения и генерации SQL. Она поддерживает сценарии диалоговой работы с инструкциями и может использоваться локально в формате GGUF через инструменты экосистемы llama.cpp. В заявленных тестах MultiPL-E оценка pass@1 составила 32,4% для Python, 30,9% для C++, 32,1% для Java и JavaScript, 24,2% для PHP и 23% для Rust; показатели не были подтверждены в метаданных. Заявленная длина контекста и полный перечень поддерживаемых языков программирования не указаны. К сильным сторонам относятся специализация на коде и SQL, инструкционное дообучение, компактный размер и возможность запуска квантизированной версии на локальном оборудовании. Ограничениями являются относительно небольшой размер, английская языковая специализация, отсутствие сведений о длине контекста и неполное покрытие языков программирования; качество результата требует проверки, особенно для критически важного кода. Лицензия указана как Stability AI Community License; для коммерческого использования необходимо ознакомиться с условиями Stability AI и обратиться к коммерческой лицензии Stability AI.

QuantFactory/starcoder2-15b-instruct-v0.1-GGUF — квантизированная версия модели StarCoder2-15B-Instruct-v0.1, разработанной проектом BigCode и созданной с использованием llama.cpp. Это языковая модель для генерации текста и кода, дообученная методом самосогласования на наборе self-oss-instruct-sc2-exec-filter-50k, где StarCoder2 генерировала пары инструкций и ответов без человеческой разметки и дистилляции из проприетарных моделей. Модель предназначена прежде всего для однократного выполнения инструкций, связанных с программированием: генерации Python-кода, решения задач, исправления программ и предсказания результатов выполнения. Она имеет размер 15 млрд параметров и распространяется в формате GGUF, удобном для запуска через совместимые инструменты на базе llama.cpp. В README указана длина последовательности обучения 1280 токенов; сведения о полном контекстном окне, поддерживаемых языках и конкретном варианте квантизации отсутствуют. Сильной стороной модели является ориентация на код, который можно проверять выполнением; на приведённых тестах она показывает pass@1 72,6% на HumanEval, 75,2% на MBPP и 40,6% на DS-1000. Ограничения включают меньшую надёжность при работе с форматами вывода, другими языками программирования и задачами за пределами распределения обучения; для управления форматом рекомендуется использовать префикс ответа или пример. Модель распространяется по лицензии bigcode-openrail-m.

Georgia Tech Research Institute представил StarCoder GPTeacher-Codegen — модель GPTBigCode для генерации кода по инструкциям. Она создана дообучением bigcode/starcoder на наборе teknium1/GPTeacher-codegen, содержащем пары инструкций и ответов для генерации кода. В README указано 4,5 тыс. пар для дообучения; базовая модель имеет 15,5 млрд параметров и обучалась на коде более чем на 80 языках программирования. Модель принимает текстовые запросы и выдаёт код или текстовые ответы о программировании. Она рассчитана на написание функций и фрагментов кода, а также на технические запросы; карточка рекомендует формат промптов Alpaca. Контекст модели составляет 8192 токена, тогда как дообучение проводилось с длиной контекста 1024 токена. Модель использует архитектуру GPTBigCode с Multi Query Attention и поддерживает Fill-in-the-Middle. Генерируемый код может содержать ошибки, быть неэффективным или небезопасным, а ранняя настройка следования инструкциям может давать нестабильные результаты. Модель распространяется по лицензии BigCode OpenRAIL-M; код, похожий на обучающие данные, может требовать атрибуции или соблюдения других условий исходной лицензии.

SynapseLLM-7B-Mistral-v0.2 — языковая модель WebraftAI на архитектуре Mistral с 7,1 млрд параметров. Это предварительно дообученная версия Mistral 7B v0.1: README описывает обучение на выборке из 140 тысяч примеров, включавшей инструкции по программированию и общие вопросы с ответами. Модель предназначена для диалоговых ответов и генерации кода по текстовым запросам; её можно загрузить через Transformers. Контекст модели составляет 32 768 токенов. Модель принимает текст и генерирует текст. В README заявлена поддержка только английского языка. По карточке обучение было ограниченным: один этап обучения на небольшой по охвату пользовательской выборке, поэтому качество в иных задачах может быть нестабильным. Лицензия — Apache 2.0.

Verus-4B — дообученная на задачах программирования мультимодальная модель компании 8F-ai на архитектуре Qwen3.5. Она принимает текст и изображения и предназначена прежде всего для генерации и анализа кода: помогает писать и отлаживать программы, проводить ревью и отвечать на вопросы о коде. Также может разбирать скриншоты интерфейсов и диаграммы вместе с текстовым запросом. Модель содержит 3,4 млрд параметров, использует формат Safetensors и поддерживает контекст до 262 144 токенов. По карточке, она рассчитана на работу с большими фрагментами кода, спецификациями и переписками; заявлена совместимость с Transformers, vLLM и SGLang. Основной язык — английский, поскольку именно на англоязычных данных преимущественно проводилось дообучение. Модель доступна по лицензии Apache 2.0. Она не оптимизирована для математических доказательств и научных вычислений; качество для языков и сценариев за пределами преимущественно англоязычного кода может быть ниже.

Yi-Coder-9B — открытая языковая модель для программирования от 01.AI. Это плотная авторегрессионная модель семейства Llama с 8,6 млрд параметров; она предназначена для генерации кода и работы с длинными контекстами до 128K токенов. В карточке показан сценарий общения через чат-шаблон и пример генерации алгоритма быстрой сортировки. Модель подходит для написания и дополнения кода, решения задач программирования и анализа длинных фрагментов исходного кода. Серия Yi-Coder поддерживает 52 распространённых языка программирования; сведения о конкретных естественных языках в карточке не приведены. Репозиторий содержит веса Safetensors и рассчитан на использование через Transformers. Лицензия — Apache 2.0.

Alpaca Dragon 72B V1 — плотная языковая модель семейства Llama на 71 млрд параметров, созданная автором карточки дообучением Smaug 72B v0.1 на наборе данных Alpaca с примерами планирования и рассуждений. Она предназначена для генерации текста и разбиения сложных запросов на последовательные шаги и логический план, в том числе при планировании технических и разработческих задач. Модель принимает текст и выдаёт текст; карточка описывает её как англоязычную, а метаданные указывают контекст до 32 768 токенов. В карточке приведены результаты оценок, включая ARC Challenge и HellaSwag, однако заявленное улучшение отдельных тестов отмечено автором как неожиданное, а подробностей о методике обучения и лицензии нет. Репозиторий содержит веса в формате safetensors. Метаданные указывают лицензию other; условия использования следует сверить с файлами репозитория.

AReaL-boba-2-32B — языковая модель для генерации текста и диалогов, разработанная командой RL Lab исследовательской организации Ant Research в рамках проекта AReaL. Она построена на архитектуре Qwen3 и содержит 29,7 млрд параметров. Модель обучена с помощью обучения с подкреплением в асинхронной системе AReaL-boba²; базовая модель — Qwen3, точный идентификатор исходного репозитория в предоставленных данных не указан. Модель предназначена для задач рассуждения, прежде всего математических задач и программирования, а также для диалогового и агентного применения. Метаданные указывают поддержку интерфейса вызова инструментов. Контекстное окно составляет 40 960 токенов; модель работает с текстом и опубликована в формате PyTorch для Transformers. В README приведены результаты семейства AReaL-boba² на бенчмарках программирования, однако отдельные результаты для версии 32B не указаны. Модель распространяется по лицензии Apache-2.0.

BTL-3 Compact — компактная локальная текстовая модель Bad Theory Labs для программирования, рассуждений и работы с инструментами. Она основана на Qwen3.6-27B и выпущена в виде файла GGUF размером 8,39 ГБ с архитектурой из 64 слоёв и сжатым представлением AVQ2/UniSVQ, дополненным точечными более точными тензорами и коррекциями поведения. Модель предназначена для локального запуска через llama.cpp, включая сценарии с агентами, репозиториями и OpenAI-совместимым сервером. Карточка сообщает о поддержке структурированного и многошагового вызова инструментов и приводит внутреннюю оценку сохранения 62 из 63 проверенных вариантов поведения; это не публичный бенчмарк. Рекомендованный режим — без включённого рассуждения: экспериментальный режим с ним может зацикливаться или не завершать ответ, а проверка для задач программирования в этом режиме не пройдена. Контекст зависит от памяти устройства, KV-кэша и ресурсов среды выполнения. Проверена работа на macOS arm64 с Metal; поддержка Linux arm64 и CUDA обозначена как предварительная. Лицензия — Apache-2.0.

AmberYifan/capsd-marin-8b-base-code_cap_b16000_s0 — дообученная модель семейства Llama на базе marin-community/marin-8b-base. По карточке, обучение проводилось на наборе capsd_marin-8b-base-n80000-opc__mix_code_cap_b16000_s0, что указывает на адаптацию для генерации текста и кода. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM, формат safetensors и библиотеку Transformers; максимальный контекст — 4096 токенов. Модель подходит для генерации и продолжения текста, включая сценарии с кодом и диалоговым интерфейсом. Базовая модель описана как англоязычная, однако README не уточняет языковые возможности именно этой версии. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория и базовой модели. README не содержит результатов оценки или подробных рекомендаций по применению.

Chronos-T5 Small — модель прогнозирования временных рядов из семейства Chronos, разработанного Amazon. Она преобразует числовые ряды в последовательности токенов с помощью масштабирования и квантования, а затем autoregressive-модель на архитектуре T5 генерирует возможные продолжения ряда. Выборка нескольких траекторий позволяет получить вероятностный прогноз и оценить распределение будущих значений. Модель предназначена для прогнозирования на основе исторических наблюдений и может применяться к различным временным рядам. Она обучалась на общедоступных данных временных рядов и синтетических данных, созданных с помощью гауссовских процессов. В README для варианта Small указано 46 млн параметров, тогда как метаданные репозитория сообщают 24,1 млн; поэтому размер модели противоречив. Указанный в метаданных контекст составляет 512 токенов. Лицензия — Apache-2.0.

CodeGemma 1.1 7B IT — инструкция-дообученная языковая модель Google из семейства Gemma, предназначенная для программирования. Это декодерная модель с 7 млрд параметров; она принимает текстовые запросы и генерирует код или ответы на естественном языке. Модель рассчитана на диалог о коде, выполнение инструкций и генерацию программ по текстовому описанию. Модель подходит для ответов на вопросы по фрагментам кода, генерации кода по описанию, обсуждения технических задач и интерактивного обучения программированию. Для использования в диалоге следует применять встроенный шаблон чата токенизатора. В README указано, что для автодополнения кода в IDE рекомендуются предварительно обученные варианты CodeGemma. Модель обучена на базе Gemma и дополнительно на данных из открытых репозиториев кода, математических наборов данных и синтетически созданного кода; обучающие данные преимущественно англоязычные. Лицензия — Gemma. Как и другие большие языковые модели, она может ошибаться; подробности ограничений отсылаются к карточке Gemma.

unsloth/codegemma-7b-it — разговорная версия CodeGemma от Google, представленная Unsloth в виде модели для генерации текста. Репозиторий содержит плотную авторегрессионную модель Gemma с 8,2 млрд параметров, рассчитанную на диалог и дополнение текста; максимальный контекст составляет 8192 токена. В метаданных указана поддержка английского языка и формат safetensors. Модель подходит для диалоговых приложений и генерации продолжений текста, в частности в сценариях, связанных с кодом, для которых предназначено семейство CodeGemma. Карточка Unsloth описывает ноутбуки для дообучения Gemma и форматы шаблонов ChatML и Vicuna, но не приводит результатов оценки качества именно этого чекпойнта. Модель распространяется по лицензии Apache-2.0.

CodeGen2.5-7B-mono — авторегрессионная модель для генерации программного кода, разработанная Salesforce. Она обучена на корпусе StarCoderData объёмом 1,4 трлн токенов, а затем дополнительно обучена на данных Python. Модель содержит 6,7 млрд параметров, использует архитектуру Llama и имеет контекст 2048 токенов. Модель предназначена для генерации исполняемого кода по подсказкам на естественном языке, автодополнения частично написанного кода и заполнения пропусков внутри фрагмента. Поддерживает несколько языков программирования; карточка особо указывает дополнительное обучение на Python. Для генерации по описанию README рекомендует формулировать подсказки на английском в виде комментария. Модель может воспроизводить фрагменты исходного кода из обучающих данных, поэтому перед использованием сгенерированного кода следует проверять его происхождение и применимые условия лицензии. Указана лицензия Apache-2.0; разработчики также рекомендуют проверять точность, безопасность и соответствие предполагаемому сценарию применения.

Code-Mistral-7B — дообученная ajibawa-2023 модель для генерации кода и диалоговых ответов. Она основана на плотной архитектуре MistralForCausalLM с 7,1 млрд параметров и обучена в формате qLoRA на наборах Code-290k-ShareGPT, Code-Feedback, orca-math-word-problems-200k и OpenHermes. Для общения используется шаблон ChatML; заявленная длина контекста — 32 768 токенов. Модель предназначена прежде всего для написания и объяснения кода, а также может отвечать на математические вопросы. Автор отмечает хорошие результаты в программировании, но указывает, что математические ответы бывают нестабильными. Репозиторий содержит веса PyTorch и safetensors; для использования доступны также отдельные квантованные варианты GGUF и Exllama v2. Лицензия модели — Apache-2.0.

CrowQwen3.5 4B Agent Heretic GGUF — компактная локальная агентная сборка от dawncr0w на базе Qwen/Qwen3.5-4B. Модель предназначена для текстовой генерации в llama.cpp-совместимых средах и ориентирована на заметки по программированию, планы рефакторинга, разбор ошибок, рабочие процессы с shell-командами и двуязычные технические запросы на корейском и английском языках. Модель содержит около 4 млрд параметров и распространяется в формате GGUF с 31 вариантом квантования — от Q1_0 до F16. В шаблоне чата заявлена поддержка форматирования вызовов инструментов, что делает сборку подходящей для локальных агентных сценариев. Рекомендуемый сбалансированный вариант — Q4_K_M; более высокие уровни квантования сохраняют больше точности, а низкие требуют меньше памяти. Размеры файлов варьируются примерно от 0,97 до 7,85 GiB. Сильными сторонами являются компактность, возможность локального запуска, ориентация на задачи разработки и поддержка корейских, английских и программных запросов. Ограничения включают отсутствие заявленных benchmark-результатов: приведённые smoke-проверки подтверждают только локальную загрузку и короткую генерацию. Качество и требования к памяти зависят от выбранного варианта квантования. Модель распространяется по лицензии Apache 2.0.

Карточка модели TechxGenus/CursorCore-QW2.5-1.5B-LC 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.

DBRX Base — базовая большая языковая модель Databricks, обученная с нуля для продолжения текста. Это декодерный Transformer с архитектурой смеси экспертов: всего 132 млрд параметров, из которых для каждого входа активируются 36 млрд; модель выбирает 4 из 16 экспертов. Она обучена предсказанию следующего токена на 12 трлн токенов текста и кода, использует RoPE, GLU, grouped-query attention и токенизатор GPT-4 из tiktoken. Максимальная длина контекста — 32 768 токенов; модель принимает и выдаёт только текст. Модель предназначена для генерации продолжений на английском языке и коде, а также для дальнейшей тонкой настройки под специализированные задачи. Это базовая completion-модель, не обученная для интерактивного чата и не имеющая встроенных мультимодальных возможностей или вызова функций. Большая часть обучающих данных — на английском; Databricks не проверяла качество для других языков. Знания модели ограничены данными с отсечкой по декабрь 2023 года; ответы могут быть неточными, неполными, предвзятыми или оскорбительными. Лицензия — Databricks Open Model License с отдельной Acceptable Use Policy; модель заявлена для коммерческого и исследовательского применения с учётом этих условий.

DeepMagiCoder-6.7B-DS-Base — языковая модель для генерации кода, созданная слиянием DeepSeek Coder 6.7B Instruct и Magicoder-DS-6.7B с помощью LazyMergekit. В README указано слияние методом SLERP; модель построена на плотной архитектуре семейства Llama и содержит около 6,6 млрд параметров. Модель предназначена для генерации и дополнения программного кода в диалоговом формате. Она принимает текстовые запросы и выдаёт текст, а нативный контекст составляет 16 384 токена. В метаданных указан формат Safetensors. В README и метаданных не указана лицензия, поэтому условия использования по этим источникам определить нельзя. Оценки качества и сведения о поддерживаемых языках программирования не приведены.

Flex-code-2x7B-1T — языковая модель семейства FlexOlmo от Allen Institute for AI (AI2), предназначенная для генерации текста с акцентом на программный код. Это вариант архитектуры Mixture-of-Experts: в карточке модели описана система из экспертов, обученных на разных типах данных, включая код; в метаданных для этой модели указаны 6,9 млрд параметров и архитектура FlexOlmoForCausalLM. Модель поддерживает диалоговый режим, принимает текст и генерирует текст. Карточка сообщает об обучении кодового эксперта на специализированных данных, но не приводит отдельной оценки качества именно этой версии. Модель можно применять для генерации и продолжения кода, а также для диалоговой помощи при решении задач программирования. Метаданные указывают поддержку английского языка и контекст до 4096 токенов. Для работы требуется Transformers версии 4.57.0 или новее. Модель распространяется по лицензии Apache-2.0.

Grug 27B v2 — диалоговая модель для программирования и работы с инструментами, разработанная ProCreations на базе Qwen/Qwen3.8-27B. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration; основные веса дообучены на примерах кода, математики, исправления ошибок и вызовов инструментов. Репозиторий содержит веса safetensors и встроенную обученную MTP-голову для ускорения генерации при поддержке со стороны среды выполнения. Модель предназначена для генерации и исправления кода, решения агентных задач с инструментами и диалогового взаимодействия. В README приведены результаты на небольших поднаборах HumanEval, MBPP, BFCL и SWE-bench Verified; авторы отдельно подчёркивают, что это не полные лидерборды и они не гарантируют преимущество на всех задачах. Доступны уровни reasoning_effort low, medium и xhigh, по умолчанию medium. Для запуска с MTP автор проверял vLLM 0.29.0; ускоряющая голова уже включена в чекпойнт, но её поддержку необходимо включить в рантайме. В README указана оценка на ограниченном наборе 12 задач SWE-bench Verified: при стандартных для каждого уровня лимитах модель решила 9, 10 и 11 задач на low, medium и xhigh соответственно. На поднаборе MATH результат Grug v2 ниже базовой Qwen. Автор также сообщает о незавершённых циклах рассуждения, возможном снижении точности при более длительном рассуждении и зависимости качества вызовов инструментов от правильной настройки парсеров и шаблона. Заявленная длина контекста в README не приводится; 65 536 токенов упомянуты как условие отдельного сравнительного запуска, а в примере настройки vLLM задан предел 24 576 токенов. Лицензия — Apache-2.0.

Grug-35b — дообученная модель семейства Qwen3.5 MoE от ProCreations, созданная на основе deepreinforce-ai/Ornith-1.0-35B. Это чат-модель для генерации текста, написания кода и работы в роли агента с вызовами инструментов. По README, разработчик восстановил исходный шаблон чата без стилевых инструкций и дообучил веса, чтобы лаконичный стиль Grug и рассуждения проявлялись при обычных запросах и агентских сценариях с инструментами. Модель хранится в формате SafeTensors и использует архитектуру Qwen3_5MoeForConditionalGeneration; README описывает BF16 LoRA-дообучение с замороженными MoE-экспертами. В README приведены результаты локальных тестов: 80,5% на HumanEval, 88% на MBPP и до 95% правильных действий в широком тесте выбора инструментов. Автор отмечает компромисс: после корректировки стиля результат HumanEval снизился, а MBPP и выбор инструментов улучшились. Лицензия — MIT. Длина контекста и список естественных языков в доступных данных не указаны.

Карточка модели IQuestLab/IQuest-Coder-V1-7B-Base-Stage1 на Hugging Face совпадает с карточкой IQuestLab/IQuest-Coder-V1-7B-Instruct, поэтому описание составлено по ней. IQuest-Coder-V1-7B-Instruct — модель генерации кода из семейства IQuest-Coder-V1, разработанного IQuestLab для помощи в программировании и анализа кода. Версия Instruct предназначена для выполнения инструкций и повседневных задач кодирования; модель также рассчитана на работу с инструментами и CLI-агентами. Модель имеет плотную авторегрессионную архитектуру IQuestCoderForCausalLM и содержит 7,2 млрд параметров. Вариант 7B использует 14 слоёв и Grouped Query Attention; заявленная длина контекста — 128 тыс. токенов. Модель принимает текст и генерирует текст, включая код; карточка описывает поддержку интерфейса вызова инструментов, а также предварительную генерацию HTML и SVG. В README сообщается о специализированном обучении на эволюции репозиториев и о результатах на бенчмарках кодирования, но также отмечаются ограничения следования инструкциям, управления длинным контекстом и многошаговыми вызовами инструментов. Сгенерированный код модель не исполняет, а точность может снижаться на специализированных и проприетарных фреймворках. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели.

Empower Functions v1.1 — плотная причинная языковая модель семейства Llama, разработанная Empower и дообученная на базе Meta Llama 3.1 8B Instruct для использования функций и инструментов в диалоге. Модель содержит около 7,5 млрд параметров, принимает текст, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Модель подходит для автоматического выбора момента вызова инструмента, формирования вызовов функций, параллельных и последовательных вызовов нескольких инструментов, а также обычного общения между вызовами. Предусмотрена потоковая генерация; карточка отмечает применение в длинных разговорах. Модель можно запускать локально или через размещённый API; для версии FP16 разработчик указывает проверку на одном A100 с 40 ГБ памяти, а для GGUF — на MacBook M2 Pro с 32 ГБ ОЗУ. README заявляет высокие результаты на Berkeley Function Calling Leaderboard по оценке от 10 сентября 2024 года, но не приводит численных метрик. Указанные возможности относятся к работе с инструментами через текстовый интерфейс; карточка не подтверждает мультимодальный ввод. Язык модели отдельно не указан в предоставленных метаданных и README.

aryyanthakrr/mergekit-linear-hvabxqs — объединённая языковая модель, созданная методом линейного слияния mergekit на основе Qwen2.5-Coder-0.5B-Instruct с добавлением Qwen2.5-0.5B-Instruct. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 494 млн параметров и распространяется в формате safetensors; для работы предусмотрена библиотека Transformers. Модель предназначена для генерации текста и диалогов, а также может применяться для задач программирования благодаря включению кодовой модели. Метаданные указывают контекст до 32 768 токенов и интерфейс вызова инструментов. В README описано равное линейное слияние двух моделей в формате float16. Качество и поведение конкретного слияния отдельно не оценены в предоставленной карточке. Лицензия в доступных данных не указана.