II.7DevOps, облако и эксплуатация IT-систем

MiniCPM5-1B-Claude-Opus-Fable5-Thinking — компактная языковая модель, созданная дообучением openbmb/MiniCPM5-1B на данных Fable 5. Она предназначена для локального диалога, генерации и отладки кода, выполнения инструкций, рассуждений и вызова инструментов в формате MiniCPM5. Модель использует плотную архитектуру Llama, содержит 837,6 млн параметров и принимает контекст до 131 072 токенов. Доступны веса Safetensors для Transformers; для запуска через llama.cpp, Ollama или LM Studio автор указывает отдельную GGUF-версию. Карточка заявляет улучшения в задачах кодирования и следования инструкциям по сравнению с базовой моделью. Модель поддерживает шаблон Thinking, поэтому перед итоговым ответом может выдавать блоки рассуждений, которые приложению может потребоваться убрать. Масштаб 1B ограничивает её возможности в сложных задачах общего рассуждения по сравнению с более крупными моделями. Лицензия — Apache-2.0.

MiniCPM5-1B-Claude-Opus-Fable5-Thinking-GGUF — набор GGUF-квантизаций модели MiniCPM5-1B-Claude-Opus-Fable5-Thinking, разработанной на базе openbmb/MiniCPM5-1B и дообученной на данных Fable 5. Репозиторий подготовлен для локального запуска через llama.cpp, Ollama, LM Studio, jan, KoboldCpp и другие совместимые среды; разработчик производной модели — GnLOLot, базовая модель создана OpenBMB. Это компактная текстовая генеративная модель с режимом рассуждений, предназначенная для следования инструкциям, генерации и отладки кода, а также сценариев разработки программного обеспечения. Модель поддерживает английский и китайский языки, имеет размер 1B параметров и заявленный контекст до 128K токенов. В GGUF встроен собственный chat template MiniCPM5, а для локального развертывания доступны варианты Q4_K_M, Q5_K_M, Q8_0 и F16 размером примерно от 657 МБ до 2,1 ГБ; Q8_0 рекомендован как стандартный вариант. К сильным сторонам относятся небольшой размер, возможность локального запуска, поддержка длинного контекста, программирования и режима рассуждений. Ограничения связаны с масштабом 1B: модель не относится к моделям передового уровня, а фактическая длина доступного контекста зависит от используемого GGUF-рантайма и оборудования. В режиме рассуждений она может выводить блоки рассуждений перед итоговым ответом. Лицензия — Apache-2.0, унаследованная от базовой модели.

Venti MiseAI 1.1 — локальный ИИ-ассистент от Venti Labs, дообученный на базе Qwen/Qwen2.5-Coder-7B. Модель предназначена для генерации и рефакторинга кода, решения технических задач и подготовки документации. По карточке она содержит 7 млрд параметров и распространяется в формате GGUF с квантизацией Q8_0; заявлена поддержка запуска через Ollama, llama.cpp и LM Studio, в том числе на потребительских GPU с 8 ГБ видеопамяти. Модель принимает текстовые запросы и выдаёт текст, включая программный код. Разработчик заявляет, что после загрузки MiseAI работает локально и не отправляет данные в облако. В метаданных указан английский язык карточки, но конкретный набор поддерживаемых естественных языков не описан. Лицензия — Apache-2.0.

Модель goodnessolayinka/oadson-cli-subagent-lora-v2 — дообученная разговорная модель генерации текста на базе unsloth/Qwen2.5-Coder-7B-Instruct-bnb-4bit. Она предназначена для генерации ответов в диалоге и задач, связанных с кодом; метаданные также указывают интерфейс вызова инструментов. Архитектура — плотная Qwen2ForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Поддерживаемый язык карточки — английский. Модель обучена с использованием Unsloth и библиотеки Hugging Face TRL. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает о специфических ограничениях качества или тестирования.

OpenCodeInterpreter-CL-13B — модель для генерации кода из семейства OpenCodeInterpreter, разработанная командой OpenCodeInterpreter. Она объединяет генерацию кода с выполнением и итеративным уточнением по обратной связи, чтобы помогать решать задачи программирования. Модель основана на CodeLlama-13b-Python-hf и использует плотную архитектуру Llama с 12,9 млрд параметров и контекстом до 16 384 токенов. Модель предназначена для написания и улучшения программного кода; в README также описано применение обратной связи от выполнения кода. Она обучена для английского языка и распространяется в формате PyTorch под лицензией Apache-2.0. В README приведены результаты серии OpenCodeInterpreter на HumanEval и MBPP, но численные результаты именно версии CL-13B в доступном фрагменте не указаны.

OpenCoder-8B-Instruct — диалоговая языковая модель для работы с кодом из семейства OpenCoder, разработанного командой OpenCoder-LLM. Это дообученная версия OpenCoder-8B-Base с архитектурой LlamaForCausalLM и плотной конфигурацией; в репозитории указано 7,4 млрд параметров и контекст до 8192 токенов. Модель принимает текстовые запросы и генерирует текст, включая код и ответы на инструкции. Модель предназначена для генерации и дополнения кода, решения задач программирования и ответов на вопросы по коду. Она поддерживает английский и китайский языки. В README приведены результаты на HumanEval(+), MBPP(+) и BigCodeBench, а обучение описано как продолжение предобучения на коде с последующим supervised fine-tuning на более чем 4,5 млн примеров. Лицензия в метаданных обозначена как other, поэтому условия использования следует сверять с лицензией и материалами проекта.

Карточка модели bielquants/OpenThinkerAgent-32B на Hugging Face совпадает с карточкой open-thoughts/OpenThinkerAgent-32B, поэтому описание составлено по ней. OpenThinkerAgent-32B — модель агентного программирования, созданная проектом OpenThoughts. Она дообучена полнопараметрическим SFT на базе Qwen/Qwen3-32B с использованием 100 тысяч примеров OpenThoughts-Agent-SFT-100K. Модель имеет плотную архитектуру Qwen3ForCausalLM и 29,7 млрд параметров; в репозитории представлены веса safetensors. Контекст составляет до 40 960 токенов. Модель предназначена для диалоговой работы над задачами разработки ПО и выполнения многошаговых агентных сценариев, включая работу в терминале и решение задач из SWE-Bench. В README приведены результаты оценки в terminus-2 и на семи агентных бенчмарках; для SWE-Bench-Verified указана точность 54,0, а для Terminal-Bench 2.0 — 26,2. Метаданные отмечают поддержку чата и кода. Данных о мультимодальном вводе или выводе нет. Модель унаследовала языковые возможности Qwen3-32B, но карточка не перечисляет конкретные естественные языки. Обучающая выборка включает траектории агентов из SWE-Smith, StackExchange SuperUser, StackExchange Tezos и IssueTasks. Модель распространяется по лицензии Apache-2.0.

Карточка модели schwyzquants/OpenThinkerAgent-32B на Hugging Face совпадает с карточкой open-thoughts/OpenThinkerAgent-32B, поэтому описание составлено по ней. OpenThinkerAgent-32B — модель агентного программирования, созданная проектом OpenThoughts. Она дообучена полнопараметрическим SFT на базе Qwen/Qwen3-32B с использованием 100 тысяч примеров OpenThoughts-Agent-SFT-100K. Модель имеет плотную архитектуру Qwen3ForCausalLM и 29,7 млрд параметров; в репозитории представлены веса safetensors. Контекст составляет до 40 960 токенов. Модель предназначена для диалоговой работы над задачами разработки ПО и выполнения многошаговых агентных сценариев, включая работу в терминале и решение задач из SWE-Bench. В README приведены результаты оценки в terminus-2 и на семи агентных бенчмарках; для SWE-Bench-Verified указана точность 54,0, а для Terminal-Bench 2.0 — 26,2. Метаданные отмечают поддержку чата и кода. Данных о мультимодальном вводе или выводе нет. Модель унаследовала языковые возможности Qwen3-32B, но карточка не перечисляет конкретные естественные языки. Обучающая выборка включает траектории агентов из SWE-Smith, StackExchange SuperUser, StackExchange Tezos и IssueTasks. Модель распространяется по лицензии Apache-2.0.

WithinUsAI/Opus4.7-GODs.Ghost.Codex-4B.GGuF — компактная специализированная на программировании языковая модель, разработанная WithinUsAI на базе Qwen/Qwen3.5-4B. Модель распространяется в формате GGUF и предназначена для локального запуска через совместимые среды, включая llama.cpp и LM Studio. Заявленный объём — около 4 миллиардов параметров; для работы требуется примерно 3–8 ГБ оперативной памяти в зависимости от уровня квантования Q4_K_M, Q5_K_M или Q8_0. Указан английский язык, а поддержка контекста в README приведена как рекомендуемый размер 8192 токенов. Основные сценарии применения — генерация, объяснение, отладка и рефакторинг кода, проектирование алгоритмов, написание скриптов, обучение программированию и интеграция в локальные AI-IDE. В качестве сильных сторон заявлены структурированное рассуждение, пошаговое объяснение логики и возможность эффективного запуска на локальном оборудовании без обращения к облачной инфраструктуре. Модель ориентирована прежде всего на задачи разработки и лучше работает с чёткими структурированными промптами; фактическое качество для конкретных языков и задач в README не подтверждено результатами тестирования. В README не указана точная лицензия модели. Предполагается наследование лицензии базовой модели, однако перед коммерческим или иным распространением необходимо проверить условия в репозитории.

Orca-SOLAR-4x10.7b — объединение четырёх инструктивных дообученных моделей Solar-10.7B, опубликованное пользователем macadeliccc. Модель построена на архитектуре Mixtral с разреженной экспертной структурой MoE; метаданные указывают 10,6 млрд параметров и контекст до 4096 токенов. Она предназначена для генерации текста в диалоговом формате и особенно ориентирована на задачи программирования: автор отмечает, что на вопросы о коде модель может отвечать развёрнутыми фрагментами кода. Модель принимает текст и генерирует текст. В карточке указан английский язык, а также набор данных Intel/orca_dpo_pairs. В README заявлена возможность запуска на бесплатном CPU-оборудовании через GGUF, хотя в репозитории указаны файлы safetensors. Лицензия — Apache-2.0. Результаты таблицы Open LLM Leaderboard приведены в README, но полные сведения об оценке в предоставленном тексте отсутствуют.

Blarfursnarg/OxCoder-9B-mlx — версия модели OrionLLM/OxCoder-9B, преобразованная для формата MLX с помощью mlx-lm 0.31.3. Метаданные указывают на дообучение базовой модели, архитектуру семейства Qwen 3.5 с плотной структурой и размером 9 млрд параметров; доступен интерфейс чата. Модель предназначена для генерации текста в диалоговом формате и, согласно описанию базовой модели, для агентного программирования, работы с кодовыми базами и задач в терминале. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Карточка не приводит сведений о длине контекста или поддерживаемых естественных языках.

Phind-CodeLlama-34B-v1 — языковая модель для генерации кода, разработанная Phind и дообученная на базе CodeLlama-34B. Это плотная decoder-only архитектура Llama с 33,5 млрд параметров; репозиторий содержит веса PyTorch, а нативная длина контекста составляет 16 384 токена. Модель предназначена для ответов на задачи по программированию и генерации решений по инструкциям. Она была дообучена на внутреннем наборе примерно из 80 тысяч пар «инструкция — ответ» с задачами и решениями по программированию; авторы сообщают результат 67,6% pass@1 на HumanEval. Модель частично настроена на инструкции, но не обучена как чат-модель. Модель принимает текст и генерирует текст, в том числе код. README предупреждает, что проверки безопасности были ограниченными, поэтому перед внедрением в реальные системы нужна дополнительная оценка. Лицензия репозитория указана как Llama 2.

Карточка модели Wjwiiwi/Qwen2.5-Coder-0.5B на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-0.5B, поэтому описание составлено по ней. Qwen2.5-Coder-0.5B — базовая предварительно обученная языковая модель для работы с кодом, разработанная командой Qwen. Это причинная языковая модель семейства Qwen2: плотная архитектура Qwen2ForCausalLM с 494 млн параметров и контекстом до 32 768 токенов. В README указаны RoPE, SwiGLU, RMSNorm, смещение в QKV-внимании и связанные эмбеддинги слов; модель содержит 24 слоя и использует GQA. Модель предназначена для генерации и анализа кода, рассуждений о коде, исправления ошибок и задач заполнения фрагментов кода. Она также сохраняет общие языковые и математические возможности базовой Qwen2.5 и может служить основой для дальнейшего дообучения и создания кодовых агентов. Разработчик не рекомендует использовать базовую версию для диалога без постобучения. Модель распространяется по лицензии Apache-2.0.

Карточка модели vy22215/Qwen2.5-Coder-0.5B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-0.5B-Instruct, поэтому описание составлено по ней. Qwen2.5-Coder-0.5B-Instruct — инструктивно дообученная языковая модель для кода от команды Qwen. Она предназначена для генерации и исправления кода, рассуждений о коде и диалоговых сценариев для разработчиков, включая использование в кодовых агентах. Модель также сохраняет общие языковые и математические способности семейства Qwen2.5. Это плотная авторегрессионная модель архитектуры Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. В архитектуре используются RoPE, SwiGLU, RMSNorm и группированное внимание; модель работает с текстом и выдаёт текст, в том числе код. Репозиторий содержит веса Safetensors, загрузка поддерживается библиотекой Transformers. Модель компактна для локальных экспериментов и интеграции в инструменты разработчика, но её малый размер может ограничивать качество сложной генерации и рассуждений по сравнению с более крупными моделями. Лицензия — Apache-2.0.

ypszn/Qwen2.5-Coder-0.5B-Instruct-Gensyn-Swarm-dormant_omnivorous_walrus — компактная текстовая генеративная модель из семейства Qwen2.5-Coder, опубликованная на Hugging Face пользователем ypszn. По метаданным, она содержит около 494 млн параметров, работает через библиотеку Transformers и поддерживает контекст длиной до 32 768 токенов. Модель предназначена для инструкционного текстового вывода, включая сценарии, связанные с генерацией и обработкой программного кода.

jubaerrr/Qwen2.5-Coder-0.5B-Instruct-Gensyn-Swarm-screeching_iridescent_butterfly — компактная instruction-tuned causal language model, опубликованная пользователем jubaerrr и основанная на семействе Qwen2.5-Coder, разработанном командой Qwen компании Alibaba Cloud. По идентификатору модели и доступным сведениям, она представляет собой вариант Qwen2.5-Coder-0.5B-Instruct, дообученный в рамках Gensyn Swarm. Модель предназначена прежде всего для генерации, понимания и исправления программного кода, а также для диалогового выполнения инструкций, связанных с программированием. Она использует архитектуру Transformer и содержит около 0,5 млрд параметров; поддерживает текстовую генерацию и контекст до 32 768 токенов. Компактный размер облегчает запуск в ограниченных по ресурсам средах, но предполагает более слабые возможности по сравнению с крупными моделями, особенно на сложных задачах программирования. Точный набор языков, результаты оценки, ограничения безопасности и лицензия для этого производного варианта в доступных источниках не указаны.

Qwen2.5-Coder-1.5B-4bit — языковая модель семейства Qwen2, преобразованная mlx-community в формат MLX из Qwen/Qwen2.5-Coder-1.5B с помощью mlx-lm 0.18.1. Каталог связывает её с Qwen/Qwen2.5-1.5B как с базовой моделью, дообученной для генерации текста. Модель содержит 1,5 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации кода и диалогового взаимодействия; метаданные также указывают интерфейс вызова инструментов. Карточка сообщает о 4-битном варианте MLX, а репозиторий содержит веса safetensors. Поддерживаемый язык карточки — английский. Модель распространяется по лицензии Apache-2.0. Компактный размер удобен для локального запуска на совместимом оборудовании Apple через MLX; точность и качество ответов могут быть ограничены размером модели и 4-битным представлением весов.

ApolloRaines/Qwen2.5-Coder-3B-Instruct-Jbliterated — дообученная инструктивная языковая модель на архитектуре Qwen2 с 3,1 млрд параметров, созданная на основе Qwen/Qwen2.5-Coder-3B-Instruct. Она предназначена для генерации текста и кода по запросам, а также для диалогового взаимодействия. Модель принимает текст и поддерживает контекст до 32 768 токенов; в карточке указаны английский и китайский языки. Автор сообщает, что изменены все слои трансформера, базовый формат весов — bfloat16, а выпуск является демонстрационной версией с намеренно ограниченной силой возможностей. Карточка также описывает запуск на маломощной видеокарте с переносом слоёв между GPU, оперативной памятью и диском; это характеристика заявленного способа запуска, а не отдельная возможность самой модели. Репозиторий распространяется по лицензии Apache-2.0.

OliviaRossi/Qwen3.5-9B-C3SM-SDM-Agentic-Coder — плотная авторегрессионная языковая модель для программирования, рассуждений и работы с инструментами. В README описан метод слияния C3SM-SDM, сочетающий веса нескольких моделей; метаданные указывают семейство Qwen3.5, архитектуру Qwen2ForCausalLM и формат Safetensors. Размер по метаданным — 7,2 млрд параметров, контекст — до 262 144 токенов. Модель предназначена для генерации и рефакторинга кода, агентных сценариев и многошагового диалога с вызовом инструментов. В README названы источники слияния: XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B, ornith-ai/Ornith-1.5-9B, Jackrong/Qwopus3.5-9B-Coder, OrionLLM/OxCoder-9B и empero-ai/Qwen3.8-9B-Distill. Метаданные отмечают английский и китайский языки, чат и интерфейс вызова инструментов. README сообщает, что мультимодальные проекции удалены для получения стандартной причинной языковой модели. Карточка описывает метод слияния, но не приводит независимых результатов оценки качества. Модель распространяется по лицензии MIT.

Карточка модели AnonimXxx/Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive 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.

mondk/Safetensors.Claude-Qwen3.5-4B-Reasoning — дообученная модель семейства Qwen3.5, созданная на основе TeichAI/Qwen3.5-4B-Claude-Opus-Reasoning-Distill. Это плотная модель с архитектурой Qwen3_5ForConditionalGeneration, опубликованная в формате Safetensors и лицензированная по Apache-2.0. Поддерживает диалог, интерфейс вызова инструментов и работу с изображениями; в карточке указаны английский, китайский и вьетнамский языки. Модель ориентирована прежде всего на рассуждения и помощь в программировании. Для дообучения использованы наборы трасс Claude Code и примеры рассуждений Claude Sonnet и Claude Opus. В описанном автором небольшом тесте модель прошла 5 из 5 простых, 8 из 8 средних и 5 из 7 сложных задач; это результаты конкретного набора вопросов, а не независимая оценка качества. Автор также сообщает об улучшении результата для задач программирования на 23%, не уточняя методику сравнения.

Starcoder-2-chat — дообученная по инструкциям модель для генерации кода, созданная на базе bigcode/starcoder2-7b с помощью LoRA. В качестве обучающих данных использован набор glaiveai/glaive-code-assistant-v2. Модель построена на архитектуре StarCoder2 и содержит 9,9 млрд параметров; она принимает текстовые запросы и выдаёт текст, включая код. Контекстное окно составляет 16 384 токена. Модель предназначена для общения с помощником по программированию: она может генерировать код по инструкциям и отвечать на вопросы о коде. В README приведены результаты оценок HumanEval, HumanEvalPlus и Instruct-HumanEval. Модель рассчитана прежде всего на английский язык. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Tiel-Coder-35B-A3B-MLX-oQ4e — мультимодальная vision-language модель для программирования, разработанная peculiar-ragdoll на базе Ornith-1.5-35B-A3B. Модель предназначена прежде всего для агентного программирования: исправления проблем в существующих кодовых базах, объяснения кода, многошаговых диалогов и анализа изображений, включая скриншоты. Заявлены поддерживаемые языки English и Chinese. Модель использует архитектуру Mixture-of-Experts с конфигурацией 35B-A3B и поставляется в формате MLX для Apple Silicon. Это динамически смешанное 4-битное квантование oQ4e с применением imatrix; размер сборки заявлен примерно 21 ГБ. Vision-компоненты включены в тот же каталог, отдельный projector-файл не требуется. В чекпойнт встроен Sharp chat template. Контекстное окно и точное число активных параметров не указаны. Сильными сторонами модели считаются агентное программирование, скорость работы и поддержание качества в длинных многоходовых диалогах. По приведённым результатам она показала 12 успешных решений из 25 задач SWE-bench-Live и высокий результат в Claw-Eval, однако эти числа измерены на сборке GGUF с другим квантованием и не являются прямыми измерениями данного MLX-файла. Ограничением является заметно более слабое качество в задачах на общие знания и экзаменационное рассуждение; авторы также отмечают, что модель хуже задаёт уточняющие вопросы, чем базовая Ornith-1.5. Модель распространяется по лицензии MIT. Для запуска рекомендуется использовать mlx-vlm или oMLX; загрузка через mlx-lm не подходит для этого vision-language чекпойнта. Модель не содержит обученной multi-token-prediction head.

Trinity-33B-v1.0 — языковая модель общего назначения для генерации кода от WhiteRabbitNeo. В карточке заявлен результат 70 баллов на HumanEval. По метаданным это плотная decoder-only модель семейства Llama с архитектурой LlamaForCausalLM и 33,1 млрд параметров; она принимает текст и генерирует текст. Нативная длина контекста — 16 384 токена. Модель предназначена прежде всего для генерации кода и помощи в задачах программирования. Лицензия в метаданных обозначена как other; README содержит условия использования, отказ от гарантий и требование к пользователю нести ответственность за результаты применения модели. Карточка не уточняет поддерживаемые языки программирования и ограничения качества за пределами заявленного результата HumanEval.

WaveCoder Ultra 1.1 6.7B — это языковая модель для генерации и обработки программного кода, разработанная Microsoft. Представленная версия — GGUF-квантизации оригинальной модели microsoft/wavecoder-ultra-6.7b, подготовленные пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для выполнения инструкций, связанных с программированием, включая генерацию кода и задачи, оцениваемые на наборе HumanEval. Модель имеет около 6,7 млрд параметров, работает в формате GGUF и поддерживает англоязычные сценарии. Для взаимодействия рекомендуется шаблон инструкций с секциями «Instruction» и «Response». Доступны варианты квантизации от Q8_0 до IQ1_S, различающиеся размером файлов и качеством: Q6_K, Q5_K_M, Q5_K_S, Q4_K_M и Q4_K_S обозначены как рекомендуемые, а Q8_0 обеспечивает максимально доступное качество при большем размере. Основное преимущество этой версии — возможность локального запуска с выбором компромисса между качеством и требованиями к памяти; наиболее компактные варианты занимают менее 2 ГБ, тогда как Q8_0 — около 7,16 ГБ. Более низкие уровни квантизации снижают качество и могут быть пригодны только при ограниченных ресурсах. Архитектура, размер контекста, поддерживаемые языки программирования и мультимодальные возможности в README не указаны. Распространение заявлено по лицензии MIT.

Карточка модели emhltbkars/xxx на Hugging Face совпадает с карточкой ornith-ai/Ornith-1.0-9B, поэтому описание составлено по ней. 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.

AlchemistCoder-DS-6.7B — разговорная модель для генерации кода из семейства AlchemistCoder, разработанного авторами исследования «AlchemistCoder: Harmonizing and Eliciting Code Capability by Hindsight Tuning on Multi-source Data». Это плотная авторегрессионная модель архитектуры LlamaForCausalLM с 6,6 млрд параметров и контекстом до 16 384 токенов; она предназначена для генерации кода и выполнения инструкций, связанных с кодом. Модель дообучена на разнотипных источниках данных объёмом 200 млн токенов. В обучении использовались специальные подсказки для согласования стилей и качества данных, а также задания на понимание кода, развитие инструкций, фильтрацию данных и ревью кода. Авторы сообщают о результатах на тестах генерации кода и общих способностей; эти заявления приведены в README и сами по себе не гарантируют качество на конкретных задачах. Модель распространяется в формате PyTorch по лицензии Apache-2.0. README не уточняет базовую модель, поддерживаемые языки программирования и языки естественного общения.

Это набор GGUF-квантизаций модели braindao/iq-code-evmind-v2-llama3-code-8b-instruct, подготовленный командой featherless-ai-quants. Модель относится к классу text-generation и предназначена для генерации текста, прежде всего для задач, связанных с программным кодом, в формате instruct-взаимодействия. Базовая модель построена на архитектуре Llama 3 и имеет около 8 миллиардов параметров. В репозитории представлены варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0 размером примерно от 3 до 8 ГБ. Это позволяет выбирать компромисс между требованиями к памяти, скоростью работы и потенциальным качеством генерации. Поддерживаются только текстовые входы и выходы; сведения о языках, размере контекста, результатах тестирования и конкретных языках программирования в README не приведены. Сильной стороной модели является возможность локального запуска через совместимые с GGUF инструменты при выборе подходящего уровня квантизации. Ограничения включают возможные потери качества из-за квантизации и отсутствие подтверждённых данных о производительности, мультиязычности и применимости к конкретным сценариям. Лицензия модели в README не указана.

Cipher-20B — плотная причинная языковая модель на 19,8 млрд параметров семейства Qwen2, представленная HelpingAI. Она предназначена прежде всего для генерации кода и работы в формате диалога с техническими запросами. Модель обучена на коде, задачах программирования и технической документации, а также дообучена для работы с несколькими языками программирования, включая Python, JavaScript и C++. Cipher-20B может создавать код, находить и исправлять распространённые ошибки и объяснять фрагменты кода. Модель принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Метаданные указывают на интерфейс вызова инструментов. Язык карточки — английский, а теги также отмечают поддержку английского. Возможные ограничения: ответы могут быть многословными, длинная генерация кода может упереться в лимит токенов, а неоднозначные запросы могут приводить к неполным или ошибочным решениям. README заявляет, что модель избегает вредоносного кода. Лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории модели.

CodeGeeX2-6B — многоязычная модель генерации кода от команды CodeGeeX, построенная на архитектуре ChatGLM2 и основанная на ChatGLM2-6B. После дополнительного предварительного обучения на 600 млрд токенов кода модель насчитывает около 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Она принимает запросы на китайском и английском языках и предназначена для генерации, дополнения и исправления кода; авторы сообщают о поддержке более 100 языков программирования. Модель подходит для автодополнения кода, в том числе между файлами, объяснения и перевода кода, отладки и создания комментариев или документации. В карточке приведены результаты HumanEval-X и указано, что квантованный вариант может запускаться примерно с 6 ГБ видеопамяти; это относится к квантованной версии, тогда как в репозитории указаны веса PyTorch. Для академических исследований веса открыты, а коммерческое использование требует подачи заявки.