II.7DevOps, облако и эксплуатация IT-систем

Карточка модели manaladan6/codegeex4-all-9b на Hugging Face совпадает с карточкой zai-org/codegeex4-all-9b, поэтому описание составлено по ней. CodeGeeX4-ALL-9B — открытая многоязычная модель генерации кода от команды CodeGeeX, созданная на базе GLM-4-9B путём продолженного обучения. Она предназначена для помощи в разработке программного обеспечения: генерирует и дополняет код, отвечает на вопросы о коде и репозиториях, а также поддерживает сценарии с интерпретатором кода, веб-поиском и вызовом функций. Модель имеет плотную архитектуру семейства ChatGLM и 11,4 млрд параметров; заявленная длина контекста — 131 072 токена. Карточка указывает поддержку китайского и английского языков, а примеры ориентированы на программирование, в том числе на Python. По README, CodeGeeX4-ALL-9B показывает конкурентные результаты на BigCodeBench и NaturalCodeBench и рассчитана на широкий набор задач разработки. Метаданные указывают формат safetensors и лицензию other; конкретные условия лицензии следует проверять в репозитории модели. Результаты для конкретных языков программирования и сценариев могут различаться; сама карточка не приводит подробных ограничений или гарантий качества.

CodeGen2.5-7B-instruct — авторегрессионная языковая модель для генерации программного кода, разработанная Salesforce. Модель содержит 6,7 млрд параметров, построена на плотной архитектуре Llama и обучена на инструкционных данных после CodeGen2.5-7B-mono; контекст — 2048 токенов. Предобучение семейства включало 1,4 трлн токенов StarCoderData. Модель предназначена для создания исполняемого кода по запросам на английском языке, автодополнения фрагментов программ и заполнения пропусков в коде. Она поддерживает несколько языков программирования и формат infilling. Репозиторий содержит веса PyTorch; карточка указывает исследовательское применение. Лицензия в метаданных обозначена как other, поэтому условия использования следует проверять для конкретной версии модели. Модель может воспроизводить фрагменты исходного кода из обучающих данных; лицензия такого кода может требовать указания авторства или соблюдения других условий. Качество, безопасность и корректность результатов не оценены для всех сценариев использования, поэтому сгенерированный код требует проверки.

Code Llama 70B — авторегрессионная языковая модель семейства Llama, разработанная Meta. Этот репозиторий содержит базовую версию модели в формате Transformers с 68,7 млрд параметров; она предназначена для генерации и понимания кода и поддерживает автодополнение кода. Модель принимает текст и генерирует текст, использует плотную архитектуру Transformer и имеет контекстное окно 16 384 токена. Модель подходит для дополнения фрагментов кода и адаптации к задачам синтеза и анализа программ. Это базовая версия: она не настроена для диалогов и следования инструкциям, а специализированная версия для Python и infilling в карточке не отмечены. Модель предназначена для английского языка и языков программирования; README предостерегает от использования на других естественных языках. Возможны неточные или нежелательные ответы, поэтому перед внедрением нужна проверка для конкретного сценария. Использование регулируется лицензией Meta Llama 2, указанной в метаданных; условия лицензии следует соблюдать.

CodeT5+ 6B — модель для работы с кодом из семейства CodeT5+, представленная Salesforce Research и авторами научной статьи о CodeT5+. Это плотная encoder-decoder-модель с 6 млрд параметров, предназначенная для понимания и генерации кода. Архитектура семейства поддерживает режимы encoder-only, decoder-only и encoder-decoder; этот чекпойнт загружается как модель генерации последовательностей через AutoModelForSeq2SeqLM. Модель предварительно обучена на дедуплицированном наборе GitHub-кода с разрешительными лицензиями. В обучающих данных представлены C, C++, C#, Go, Java, JavaScript, PHP, Python и Ruby. Заявленные сценарии семейства включают генерацию кода по текстовому запросу, дополнение кода, поиск соответствий между текстом и кодом и понимание кода. Карточка описывает исследовательскую оценку семейства, но конкретные результаты приведены для других вариантов CodeT5+, поэтому их нельзя напрямую приписывать этому чекпойнту. Модель выпущена по лицензии BSD-3-Clause. Разработчики предупреждают, что её точность, безопасность и справедливость не оценены для всех сценариев; перед применением следует проверять результаты, особенно в ситуациях с высокими последствиями.

Crystal (ранее CrystalCoder) — языковая модель с 7 млрд параметров из серии Pebble, разработанной инициативой LLM360. Это плотная GPT-подобная модель на архитектуре, близкой к LLaMA-7B, с модификациями maximal update parameterization (muP). Модель обучена на SlimPajama и StarCoder; в последнем этапе использовались дополнительные данные Python и веб-кода. Репозиторий содержит веса PyTorch, лицензия — Apache 2.0. Модель предназначена для генерации текста и кода, включая дополнение программ и решение задач на программирование. Карточка сообщает о результатах на англоязычных и кодовых тестах MMLU, HumanEval и MBPP. Размер контекста и длина обучения последовательностей составляют 2048 токенов; основной язык — английский. Модель объединяет общие языковые и кодовые возможности, однако её контекст ограничен 2048 токенами, а заявление о превосходстве над LLaMA 2 относится лишь к отдельным задачам и приведённым в карточке оценкам.

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.

Cyber-Tiel-Coder-35B-A3B-MLX-oQ4e — квантованная MLX-версия модели CyberTiel, разработанная peculiar-ragdoll на базе Huihui-Ornith-1.5-35B-A3B-abliterated от huihui-ai. Это MoE-модель класса 35B-A3B с 4-битной квантизацией oMLX oQ4e, адаптированная для Apple Silicon и запуска через MLX. В модель также добавлена голова multi-token prediction (MTP) для ускорения генерации, а веса откалиброваны на специализированном корпусе для задач кибербезопасности и программирования. Указаны английский и китайский языки; README также помечает модель как vision и image-text-to-text, однако подробности поддерживаемых визуальных входов и размер контекста не приведены. Модель предназначена прежде всего для агентного программирования, автономного исправления ошибок в крупных кодовых базах, решения задач SWE и offensive security, включая CTF. По заявлению разработчика, она сочетает высокую способность к решению задач со скоростью, подходящей для маломощного оборудования и ограниченной памяти; размер файла составляет примерно 23 ГБ. Модель abliterated и uncensored, поэтому может генерировать контент, от которого другие модели отказываются, включая потенциально опасные инструкции. Это расширяет применимость в легитимных исследованиях безопасности, но повышает риски и требует изолированной среды, мониторинга и ответственного использования. Сборочные тесты и приведённые численные результаты относятся к другой, GGUF-версии, а не непосредственно к этому MLX-файлу, поэтому их нельзя считать точными измерениями данной сборки. Для запуска с MTP рекомендуется использовать oMLX. MTP-сборка некорректно работает в LM Studio и выдаёт бессмысленные многоязычные токены; для LM Studio следует выбрать GGUF-версию или MLX-сборку без MTP. Распространение разрешено по лицензии MIT.

Darwin-28B-Coder — специализированная на программировании языковая модель семейства Darwin, опубликованная VIDRAFT FINAL-Bench. Это плотная модель на 28 млрд параметров с архитектурой, совместимой с Qwen3.5; карточка сообщает о контекстном окне 32 тыс. токенов. Модель предназначена для генерации кода на уровне функций, работы со сложными библиотеками и вызова инструментов в агентных сценариях. README приводит результаты HumanEval, MBPP, BigCodeBench-Complete и теста вызова функций; часть оценок получена с выбором лучшего из нескольких генераций или голосованием ансамбля, поэтому их нельзя напрямую считать качеством одного случайного ответа. Модель принимает текстовые запросы и генерирует текст, включая код и структурированные вызовы функций. В метаданных указаны английский и корейский языки, набор данных CodeFeedback-Filtered-Instruction и возможности чата, программирования и интерфейса вызова инструментов. Модель распространяется под лицензией Apache-2.0. В метаданных базовой моделью указана VIDraft/Darwin-28B-Opus.

Devstral-Small-2505 — языковая модель для агентной разработки программного обеспечения, созданная Mistral AI совместно с All Hands AI. Версия в этом репозитории дообучена на основе mistralai/Devstral-Small-2505; её архитектура — плотная MistralForCausalLM, размер — 23,4 млрд параметров. Модель принимает и генерирует текст, поддерживает вызов инструментов и контекст до 131 072 токенов. Модель предназначена для программных агентов, которые исследуют кодовые базы, редактируют несколько файлов и помогают решать задачи разработки. В README приведён результат 46,8% на SWE-bench Verified. Заявлена поддержка множества языков, включая русский, английский, французский, немецкий, испанский, китайский и японский; отдельный основной язык не выделен. Репозиторий распространяется под лицензией Apache 2.0, допускающей коммерческое и некоммерческое использование и модификацию. Модель текстовая, без обработки изображений. Для локального запуска и агентного сценария README рекомендует OpenHands и vLLM; фактическая производительность зависит от оборудования и конфигурации запуска.

DreamReasoner-8B FineCode any-order CPT — это контрольная точка DreamReasoner-8B, которую zimplex получил продолжением предварительного обучения базовой модели Dream-org/DreamReasoner-8B на наборе FineCode B64. Модель относится к семейству Dream, использует плотную архитектуру DreamForCausalLM и содержит 7,6 млрд параметров; контекст — до 32 768 токенов. Модель предназначена для генерации кода и диалогового взаимодействия по задачам программирования. В README приведены результаты greedy confidence decoding на HumanEval — 85,98% Pass@1, MBPP sanitized — 83,27% и LiveCodeBench Pro — 15,01%; это снимок оценки с лимитом генерации 4096 токенов, а не гарантия качества в других условиях. Для загрузки используются Transformers и пользовательский код модели с параметром trust_remote_code=True. Лицензия — Apache-2.0. Это исследовательская контрольная точка без отдельной оценки безопасности и готовности к развёртыванию.

Dracarys-72B-Instruct — чат-модель Abacus.AI, дообученная на базе Qwen2-72B-Instruct для улучшения результатов в задачах программирования. Это плотная авторегрессионная модель семейства Qwen2 с 71,5 млрд параметров и контекстом до 32 768 токенов; она принимает текст и генерирует текст. В сравнении с исходной Qwen2-72B-Instruct модель показала более высокие результаты на LiveCodeBench по генерации кода, выполнению кода и предсказанию вывода тестов. Модель подходит для генерации и объяснения кода, решения задач программирования и анализа результатов тестирования. В README также приведены оценки на LiveBench по языковым задачам, математике, анализу данных, рассуждениям и следованию инструкциям, однако основной акцент дообучения — программирование. Поддерживаемый язык, указанный в метаданных, — английский. Лицензия обозначена как other; конкретные условия следует проверять на странице модели и базовой модели.

Dream-Coder-v0-Instruct-7B-SM — диффузионная языковая модель для генерации кода, разработанная командой Dream. По карточке, модель обучалась на открытых данных в несколько этапов: адаптация, supervised fine-tuning и обучение с подкреплением. Она предназначена для написания кода и диалоговой работы с запросами о программировании. В README указано значение pass@1 21,4% на LiveCodeBench (2410–2505); это результат конкретного бенчмарка, а не гарантия качества для других задач. Модель содержит 7,1 млрд параметров, использует плотную архитектуру DreamModel и рассчитана на контекст до 32 768 токенов. Репозиторий распространяет веса в формате safetensors; лицензия — Apache-2.0. Карточка не уточняет поддерживаемые языки программирования и естественные языки.

SanctumAI/granite-3b-code-instruct-GGUF — это квантованная версия Granite-3B-Code-Instruct в формате GGUF. Исходную модель разработали IBM Research и команда ibm-granite; она дообучена на базе Granite-3B-Code-Base с использованием набора данных для программирования, математических задач, инструкций, SQL, вызова функций и оценки качества ответов. Квантование выполнено SanctumAI. Модель предназначена для генерации, объяснения и исправления кода, решения задач программирования и математического рассуждения, работы с SQL, следования инструкциям и потенциальных сценариев, связанных с function calling. Заявленный размер исходной модели — около 3 млрд параметров. Указаны результаты HumanEvalPack для Python, JavaScript, Java, Go, C++, Rust в задачах генерации, объяснения и исправления кода, однако соответствующие значения помечены как непроверенные. Модель ориентирована на задачи кодинга и выигрывает от небольшого размера, что может облегчать локальное развертывание в формате GGUF. README не сообщает точный вариант квантования, длину контекста, поддерживаемые языки естественного языка, набор модальностей и требования к аппаратному обеспечению. Поэтому качество за пределами перечисленных сценариев и языков программирования следует проверять отдельно. Для модели указана лицензия Apache-2.0.

HOS-OSS-3.08B — компактная причинная языковая модель от Hyggshi-AI для генерации текста и кода. Она основана на Qwen2.5-Coder-3B-Instruct и, согласно карточке, адаптирована или дистиллирована; метаданные классифицируют её как дообучение. Архитектура — плотный decoder-only трансформер семейства LLaMA, около 3,3 млрд параметров; модель поставляется в формате safetensors и работает с Transformers. Модель предназначена для генерации кода, выполнения инструкций, диалоговых ответов и локального ассистента. В карточке заявлены быстрая генерация, умеренные требования к ресурсам и запуск на GPU начального уровня или в Kaggle и Colab. Естественный язык, указанный в метаданных, — английский. Контекст составляет 2048 токенов. Лицензия — Apache-2.0.

INTELLECT-1-step-88000 — промежуточный чекпойнт языковой модели INTELLECT-1 от Prime Intellect и сообщества участников. Модель обучалась с нуля как плотная авторегрессионная модель семейства Llama примерно на 10 млрд параметров; в метаданных указаны 9,7 млрд параметров и контекст до 8192 токенов. Обучение проводилось на триллионе токенов английского текста и кода, включая веб-тексты, математические материалы и код. Модель предназначена для генерации продолжений текста и кода на английском языке. Этот чекпойнт соответствует шагу обучения 88000 и является промежуточным состоянием, а не финальной или инструкционной версией INTELLECT-1. Модель выпущена под лицензией Apache 2.0.

Карточка модели IQuestLab/IQuest-Coder-V1-14B-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.

Карточка модели IQuestLab/IQuest-Coder-V1-7B-Base 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.

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.

RedHatAI/Llama-3.2-1B-FP8 — это FP8-квантизированная версия базовой языковой модели Llama 3.2 1B. Репозиторий опубликован Red Hat AI, а исходная модель разработана Meta. Это авторегрессионная текстовая модель для генерации текста и кода; она не является мультимодальной и не относится к instruction-tuned версии. Модель содержит около 1,23 млрд параметров и использует оптимизированную Transformer-архитектуру Llama с Grouped-Query Attention: 16 слоёв, 32 attention heads и 8 key-value heads. В конфигурации репозитория указано контекстное окно до 131 072 токенов. Официально поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. FP8-представление весов и активаций предназначено для снижения требований к памяти и ускорения инференса на совместимом оборудовании. Сильными сторонами являются небольшой размер, возможность локального развертывания и повышенная эффективность по сравнению с полноточной версией. Ограничения включают меньшую ёмкость по сравнению с более крупными моделями, возможные потери качества из-за квантизации и отсутствие в карточке репозитория собственных подробных оценок качества или описания ограничений. Для исходной Llama 3.2 указана Llama 3.2 Community License — специальная коммерческая лицензия Meta; условия применения производной FP8-модели следует проверять по лицензии базовой модели и файлам репозитория.

Llama-3-8B-Instruct-Coder — дообученная модель на основе Llama 3 8B Instruct от Meta, опубликованная rombodawg. Она обучалась на наборах CodeFeedback и Code Feedback Filtered Instruction и предназначена для генерации кода и ответов на запросы о программировании в диалоговом формате. Модель использует плотную архитектуру LlamaForCausalLM с 7,5 млрд параметров и контекстом до 8192 токенов. В карточке указано обучение методом Qalore, сочетающим QLoRA и приёмы GaLore для снижения требований к видеопамяти. Поддерживается английский язык; модель доступна в форматах PyTorch и safetensors. Для использования действует лицензия Llama 3. Карточка не приводит результатов оценки качества или подробных ограничений; качество ответов следует проверять на целевых задачах, особенно при использовании сгенерированного кода.

Llama-Engineer-Evol-7B — языковая модель на архитектуре Llama 2, созданная дальнейшим дообучением чат-модели Meta с настройкой для следования инструкциям. Разработчик дообучил её на более чем 80 тысячах примеров по программированию из наборов Evol-Instruct-Code-80k-v1, CodeAlpaca-20k и GPTeacher-CodeInstruct; QLoRA-адаптер затем объединили с базовой моделью. Модель содержит 6,6 млрд параметров, работает с контекстом до 4096 токенов и рассчитана на генерацию текста на английском языке. Модель предназначена для ответов на вопросы по программированию, объяснения кода и помощи в решении задач разработки. Для взаимодействия рекомендуется формат запросов Llama 2 с инструкцией для программного ассистента. README отмечает, что формальных оценок качества не проводилось, поэтому возможности модели не подтверждены систематическими бенчмарками. Лицензия — CC BY-SA 4.0.

LosslessMegaCoder-llama2-13b-mini — языковая модель для генерации кода, созданная Rombodawg совместно с Andreaskoepf, участником Open Assistant. Это плотная авторегрессионная модель семейства Llama 2 с 12,9 млрд параметров, опубликованная в формате PyTorch; для неё указан контекст до 2048 токенов. Модель обучена на отфильтрованной версии набора LosslessMegaCodeTrainingV2_1m_Evol_Uncensored: из данных удаляли примеры короче 100 токенов. Она предназначена для генерации и продолжения кода, а также для диалогового взаимодействия по шаблону ChatML. В README приведён результат 0,29 на HumanEval+; также показаны результаты Open LLM Leaderboard, но они не гарантируют качество на конкретных задачах. В карточке указана лицензия Llama 2. Короткий контекст ограничивает работу с большими файлами и длинными запросами. Данные обучения описаны как uncensored, поэтому ответы могут требовать дополнительной проверки и фильтрации.

LycheeAI-coder-2b-II-pro-f16 — компактный программный ассистент на 2,2 млрд параметров, созданный независимым разработчиком на основе openbmb/MiniCPM5-2B. Модель дообучена методом LoRA и предназначена для написания и отладки кода, объяснения технических понятий и работы с инструментами через вызовы в виде JSON. Этот репозиторий содержит веса safetensors в варианте f16; README описывает также отдельную MLX 4-bit сборку, поэтому её размер и формат не следует переносить на данный вариант. Модель поддерживает китайский, английский и кантонский языки. Базовая модель рассчитана на контекст до 512K токенов, однако длинный контекст у этой доработанной версии практически не проверен. Сильная сторона — компактность и устойчивый формат JSON для одношаговых и многошаговых вызовов инструментов. Ограничения включают слабое сложное рассуждение, ошибки в арифметике без инструмента и возможные сбои в ответах о собственной идентичности при некоторых системных инструкциях. Лицензия — Apache 2.0.

JANGQ-AI/MiniMax-M3-REAP22-Coder — производная модель MiniMax-M3, подготовленная JANG для программирования и агентных сценариев и предназначенная для запуска через vMLX на устройствах Apple Silicon. В основе — 60-слойная MoE-архитектура MiniMax-M3 с GQA, частичным RoPE и механизмами MSA Lightning Indexer; сохранена поддержка изображений. README не указывает размер контекста этой сборки, а описание базовой модели в метаданных сообщает контекст до 1 млн токенов. Модель сочетает JANG affine-mixed-квантизацию с AWQ и удалением части экспертов REAP: в каждом MoE-слое оставлено 100 из 128 маршрутизируемых экспертов. Для калибровки использованы Vera agentic-coder и GSM8K; автор README приводит результат HumanEval pass@1 81/81 на скремблированной половине набора и примерно 7/7 на небольшом арифметическом пробнике. Эти результаты получены на ограниченных проверках и не гарантируют аналогичного качества на других задачах. Для загрузки требуется vMLX версии 1.5.67 или новее с JANG-загрузчиком и runtime MiniMax-M3; обычные загрузчики Transformers, vLLM и MLX модель не поддерживают. Репозиторий занимает около 107 ГБ на диске. Лицензия указана как other, поэтому конкретные условия следует проверять в карточке модели и лицензии базовой модели.

NextCoder-32B — модель для редактирования и генерации кода, разработанная Microsoft на базе Qwen2.5-Coder-32B-Instruct с постобучением методом SeleKT. Она предназначена для внесения изменений в существующий код, исправления ошибок и выполнения других задач разработки; также поддерживает диалоговый режим и интерфейс вызова инструментов. Модель имеет архитектуру Qwen2 с причинным языковым моделированием и содержит 32 млрд параметров. Поддерживает контекст до 32 768 токенов и работает с текстом, включая исходный код. В карточке заявлены улучшения на задачах редактирования кода и сохранение способности к обобщению; среди языков указан английский. Модель распространяется по лицензии MIT. Как и базовая модель, она может реагировать на вредоносные запросы и генерировать небезопасный код; результаты следует проверять вручную и запускать в изолированной среде.

Ornith-1.0-35B — модель семейства Ornith от DeepReinforce AI, дообученная для агентного программирования и генерации кода. Это вариант на 35 млрд параметров архитектуры Qwen 3.5 MoE; веса опубликованы в формате safetensors. Модель поддерживает диалог и интерфейс вызова инструментов, поэтому её можно подключать к агентным фреймворкам и терминальным coding CLI через совместимый с OpenAI API сервер. Модель предназначена для решения задач разработки ПО: анализа кодовых баз, выполнения задач в терминале, исправления ошибок и создания репозиториев. В README заявлены результаты на бенчмарках Terminal-Bench, SWE-Bench, NL2Repo и других тестах агентного программирования. Для запуска описаны vLLM и SGLang; приведённая конфигурация рассчитана на узел с восемью GPU по 80 ГБ. В README указаны контекстные окна до 400K токенов в отдельных тестовых конфигурациях и 262144 токена в примере запуска через vLLM. Модель распространяется по лицензии MIT. Её специализация на коде и агентных сценариях не гарантирует корректность сгенерированных изменений или действий инструментов; для практического применения следует проверять результаты.

Ornith-1.5-27B-A3B-Coder — языково-модельный чекпойнт для генерации кода, созданный ManniX-ITA на основе Ornith-1.5-35B-A3B. Это разрежённая MoE-модель семейства Qwen3.5, полученная сокращением числа экспертов с 256 до 184 в каждом из 40 слоёв; активируются 3B параметров, а общий размер составляет около 26,7B. Маршрутизатор, механизм внимания, нормализации и голова MTP для спекулятивного декодирования сохранены без изменений. Веса представлены в BF16 и формате safetensors. Модель предназначена прежде всего для генерации и дополнения кода. В описанных разработчиком тестах она показала улучшение относительно исходной модели на ряде кодовых бенчмарков, но снижение результата на GPQA; README рекомендует для выбора между этой моделью и родственной CoderX начать с CoderX. Также заявлены возможности чата и интерфейс вызова инструментов, однако точность параметров при формировании структурированных вызовов инструментов отмечена как слабое место. Контекстная длина и конкретный набор поддерживаемых языков программирования в предоставленных данных не приведены. Лицензия — Apache-2.0. README называет модель исследовательским чекпойнтом и отмечает ограничения измерений: большинство результатов получены в одном прогоне, а для некоторых сравнений использовалась разная измерительная база.

OBLITERATUS/Ornith-1.5-9B-OBLITERATED — это модифицированная версия модели Ornith-1.5-9B, разработанной DeepReinforce. Модель создана командой OBLITERATUS с применением precision abliteration surgery: из неё удалено исходное поведение отказа от потенциально вредных запросов при сохранении возможностей кодирования, рассуждений и агентных задач. Она предназначена для генерации текста, программирования, исследовательского анализа механизмов отказа и red-teaming-сценариев, где требуется более неограниченное поведение модели. Модель имеет архитектуру Qwen3.5 hybrid, объединяющую Gated DeltaNet и полное внимание, и содержит около 9 млрд параметров. Указан английский язык, поддерживается текстовая генерация и режим рассуждений; в поставке также присутствует vision encoder, однако возможности мультимодального применения явно не описаны. Доступны веса bf16 и варианты GGUF от Q8_0 до Q2_K. Для большинства сценариев рекомендуется отключать thinking mode, а для максимального сохранения свойств abliteration — использовать Q8_0 или Q6_K. По сравнению с исходной моделью версия демонстрирует более высокую готовность отвечать на ограниченные запросы и сохраняет результаты в генерации кода, однако её показатель MMLU снизился с 78,82% до 74,82%. Частично ухудшена поддержка function calling, а на низких уровнях квантования возможны дополнительные отказы или уклончивые ответы. Как модель с 9 млрд параметров, она может галлюцинировать в сложных химических и синтетических задачах, поэтому технические сведения требуют независимой проверки. Лицензия — MIT.

Карточка модели Chanithu/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.

mlx-community/Qwen2.5-Coder-1.5B-bf16 — версия Qwen2.5-Coder-1.5B, преобразованная сообществом mlx-community в формат MLX с помощью mlx-lm 0.18.1. Это плотная авторегрессионная модель семейства Qwen2 для генерации текста и кода; она содержит 1,5 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель подходит для генерации и продолжения кода, а также для диалогового взаимодействия на английском языке. Лицензия — Apache 2.0. Карточка описывает преобразование формата, а метаданные связывают модель с Qwen/Qwen2.5-1.5B; README указывает исходный Qwen/Qwen2.5-Coder-1.5B. Поэтому точную базовую модель для преобразованных весов установить по этим данным нельзя.