II.7DevOps, облако и эксплуатация IT-систем

sourcepirate/Qwen2.5-Coder-1.5B-Instruct-heretic — дообученная и модифицированная версия Qwen2.5-Coder-1.5B-Instruct, основанная на Qwen/Qwen2.5-Coder-1.5B. Это причинная языковая модель семейства Qwen2 для генерации текста и кода в диалоговом формате; в карточке указана модификация abliteration, снижающая частоту отказов по сравнению с исходной инструкционной моделью. Модель рассчитана на генерацию, анализ и исправление кода, а также на диалоговые сценарии с программированием. Архитектура включает 28 слоёв и групповое внимание GQA; размер — около 1,5 млрд параметров, контекст — до 32 768 токенов. Поддерживаемый язык в метаданных — английский. Формат весов — safetensors, рекомендуемая библиотека — Transformers. В README приведено сравнение на 100 примерах: 3 отказа у этой модели против 95 у оригинала; это ограниченная оценка и не подтверждает качество или безопасность для всех запросов. Лицензия — Apache-2.0.

Qwen2.5-Coder-32B-Instruct-NP-Abliterated-i1-GGUF — квантованная в формате GGUF версия модели Nabbers1999/Qwen2.5-Coder-32B-Instruct-NP-Abliterated, подготовленная mradermacher. Это инструкционная conversational-модель семейства Qwen2.5-Coder с 32 млрд параметров, предназначенная для генерации текста, диалога и задач, связанных с программированием. В репозитории представлены варианты квантования i1, включая IQ- и QK-форматы, с размером файлов примерно от 7,4 до 22,7 ГБ; для баланса скорости и качества рекомендуются i1-Q4_K_M и i1-Q4_K_S. Модель ориентирована преимущественно на англоязычные сценарии, однако README не содержит полного перечня поддерживаемых языков, сведений об архитектуре на уровне компонентов или размера контекстного окна. Квантование позволяет запускать модель с меньшими требованиями к памяти, но более агрессивные варианты могут заметно снижать качество; качество также зависит от выбранного формата. Модель распространяется по лицензии Apache-2.0. README не приводит отдельных результатов тестирования, поэтому делать выводы о фактической точности и преимуществах в конкретных задачах нельзя.

Meohan/Qwen2.5-Coder-3B-Instruct — языковая модель семейства Qwen2, ориентированная на генерацию текста и выполнение инструкций в сценариях, связанных с программированием. Модель опубликована пользователем Meohan на Hugging Face; сведения о разработчике и происхождении в README не приведены. Модель содержит около 3,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Она распространяется для использования через библиотеку Transformers; в метаданных также отмечены форматы safetensors и GGUF. Основной pipeline-тег — text-generation. Модель может применяться для генерации фрагментов программного кода, объяснения кода, помощи при рефакторинге и ответов на технические запросы в диалоговом формате. README не содержит результатов оценки, описания обучающих данных, сведений о языках, лицензии или подтверждённых характеристиках качества, поэтому перед использованием в продуктивных системах необходима самостоятельная проверка.

Это изменённая версия Qwen2.5-Coder-3B-Instruct, созданная автором skilledu методом abliteration — удалением отказов модели. Она предназначена для диалоговой генерации кода и ответов на текстовые запросы о программировании. Модель построена на плотной архитектуре Qwen2 и содержит 3,1 млрд параметров; контекст составляет до 32 768 токенов. В карточке указана поддержка английского языка, а для загрузки в приложениях предлагается библиотека Transformers. Модель может помогать писать, анализировать и исправлять код в разговорном формате. Изменение, направленное на снижение отказов, не гарантирует корректность или безопасность результатов. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и лицензией базовой модели.

continuum-ai/qwen3.5-4b-code-forged — дообученная для программирования модель на базе Qwen3.5-4B от Continuum. Это плотная авторегрессионная языковая модель с 3,4 млрд параметров, рассчитанная на генерацию кода и запуск локально, в том числе на потребительском оборудовании. В карточке указаны обучение на коде в течение 1000 шагов и трёх циклов, а также контекст до 262 144 токенов. Модель предназначена для генерации и дополнения кода в разных языках программирования. README сообщает о снижении perplexity на коде с 3,04 до 2,35; результат HumanEval ещё не приведён. Заявления о бенчмарках отмечены как самоотчётные, поэтому их следует считать предварительными. README также описывает этапы train → quant → eval и криптографическую цепочку происхождения ForgeAlloy. Модель распространяется по лицензии Apache-2.0. Метаданные указывают формат safetensors; README упоминает квантизацию в методологии, но доступные сведения не позволяют однозначно определить, является ли опубликованный чекпойнт только квантизованной версией или содержит дообученные веса. Поддерживаются разные естественные языки, но основные языки общения не определены; назначение модели — код.

noctrex/Qwen3-Coder-Next-REAM-MXFP4_MOE-GGUF — квантованная версия модели Qwen3-Coder-Next-REAM, размещённая пользователем noctrex в формате GGUF. Метаданные связывают её с базовой моделью bknyaz/Qwen3-Coder-Next-REAM; в README указана квантизация MXFP4 и приведены рекомендуемые параметры генерации: temperature=1.0, top_p=0.95 и top_k=40. Модель предназначена для генерации текста в диалоговых сценариях разработки и задачах, связанных с кодом. Она принимает текст и выдаёт текст. Для использования требуется совместимый с GGUF программный стек; сведения о лицензии и длине контекста в предоставленных данных отсутствуют.

Это пакет слоёв GGUF для модели Qwen3-Coder-Next-UD-Q4_K_XL, подготовленный Mesh LLM на основе unsloth/Qwen3-Coder-Next-GGUF. Он распределяет исходную модель по отдельным артефактам слоёв для инференса на локальном кластере Mesh LLM; в метаданных указан формат GGUF и библиотека mesh-llm. Пакет предназначен для локального приватного запуска, распределения вычислений между несколькими машинами, когда модель не помещается на одном хосте, и обслуживания чатов через локальный API, совместимый с OpenAI. Это вариант квантования UD-Q4_K_XL; подробности об архитектуре, размере, контексте, языках и лицензии следует смотреть в карточке исходной модели.

Qwen3-coder-REAP-25B-A3B-Rust-GGUF — это набор высокоточных квантованных версий языковой модели для генерации кода, созданный Em-80 на основе Qwen3-Coder-REAP-25B-A3B от Cerebras Systems и производной Qwen3-Coder-30B-A3B-Instruct от Alibaba Cloud. Модель предназначена прежде всего для генерации, анализа и решения задач программирования, с особым вниманием к Rust; также заявлена поддержка Python, математического и логического рассуждения, а также качественного английского текста. Архитектура модели относится к causal language model и основана на MoE-варианте с Router-weighted Expert Activation Pruning (REAP). В репозитории представлены веса в формате GGUF с несколькими уровнями квантования и файл importance matrix (imatrix), подготовленный на основе набора из 3000 примеров. Калибровочные данные охватывают Rust и Python, математическое рассуждение, логические доказательства и английскую прозу. Точный активный и общий размер модели, количество экспертов, размер контекста и перечень поддерживаемых языков программирования, кроме упомянутых Rust и Python, в README не указаны. Сильной стороной является специализированная imatrix, призванная сохранять качество генерации кода и сложного рассуждения при низкобитном квантовании, а также готовность к запуску через llama.cpp. Ограничения включают отсутствие опубликованных бенчмарков и гарантии качества; модель предоставляется «как есть». Веса и imatrix распространяются по лицензии Apache License 2.0, при этом модификации, квантование и создание imatrix выполнены Em-80.

llamafy/Qwen-Qwen2.5-Coder-1.5B-Instruct-llamafied — конвертированная версия модели Qwen/Qwen2.5-Coder-1.5B-Instruct, опубликованная llamafy. Репозиторий заявляет преобразование в формат Llama для совместимости с программами, поддерживающими этот формат; метаданные указывают на дообучение относительно базовой модели и архитектуру LlamaForCausalLM. Модель предназначена для генерации кода в диалоговом формате и может применяться для ответов на вопросы о коде, его анализа и исправления. Она содержит 1,5 млрд параметров, принимает текст и имеет контекст длиной 4096 токенов. В качестве основного языка указать нельзя: сведения о языках в данных отсутствуют. Веса представлены в формате Safetensors. Лицензия в предоставленных данных не указана.

SimplyAI-2B-Uncensored — диалоговая текстовая модель Miiyamoto255, созданная слиянием моделей на основе google/gemma-2-2b-it. Это плотная авторегрессионная архитектура Gemma 2 с 2,7 млрд параметров и контекстом 8192 токена; модель предназначена для генерации текста в диалоге, а автор отдельно отмечает задачи программирования и кибербезопасности. В карточке заявлена «разблокированная» версия, ориентированная на более свободные ответы. Модель принимает текст и генерирует текст. В метаданных указан английский язык; README не сообщает результатов независимых оценок качества. Для работы используется библиотека Transformers и формат safetensors. Лицензия указана как gemma; перед применением следует соблюдать её условия. Модель может выдавать небезопасные или неправомерные инструкции, поэтому ответы требуют соответствующей проверки.

MaziyarPanahi/Topxtral-4x7B-v0.1 — текстовая генеративная модель семейства Mixtral с архитектурой Mixture of Experts, предназначенная для создания ответов и продолжения текста. Карточка содержит пример запроса о плюсах и минусах Docker, что указывает на использование модели для ответов на вопросы и объяснений. Модель имеет 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Репозиторий использует формат Safetensors и библиотеку Transformers; модель опубликована под лицензией Apache-2.0. Метаданные помечают её как merge, однако не указывают базовые модели, поэтому состав слияния установить нельзя.

Jebadiah/Aria-CodeQwen-stone — объединённая языковая модель, созданная с помощью mergekit методом DARE TIES на основе Jebadiah/Aria-7b-128k-v4 с включением Qwen/CodeQwen1.5-7B-Chat. Модель с архитектурой Mistral и примерно 7,1 млрд параметров предназначена для генерации текста, включая диалоговые и связанные с программированием сценарии. В README указаны параметры слияния и формат bfloat16; метаданные сообщают о контексте длиной 32 768 токенов и использовании Transformers. Модель может применяться для генерации и объяснения кода, исправления программ и преобразования запросов в SQL — эти возможности следуют из описания базовой CodeQwen. Карточка не содержит оценок качества самого слияния или детальных результатов тестирования, поэтому пригодность для конкретного проекта следует проверять отдельно. Репозиторий не указывает лицензию.

BagOClownCoders-ties-7B — объединённая языковая модель на архитектуре Mistral, созданная автором репозитория методом TIES с помощью mergekit. В качестве базовой использована beowolx/MistralHermes-CodePro-7B-v1; в объединение также вошли beowolx/CodeNinja-1.0-OpenChat-7B и teknium/OpenHermes-2.5-Mistral-7B. Модель предназначена для генерации текста в диалоговом формате и задач программирования, включая написание и дополнение кода. Она содержит 7,1 млрд параметров, использует плотную архитектуру Mistral, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors для Transformers. В метаданных указана возможность чата. Языки в предоставленных данных не перечислены. Качество и ограничения модели отдельно не описаны. Лицензия в предоставленных данных не указана.

claude-yolo-vibes-v4 — промежуточный чекпойнт supervised fine-tuning модели Qwen2.5-Coder-7B-Instruct, разработанный davidnichols-ops. Модель предназначена для генерации кода в диалоговом формате и добавляет к базовой модели индивидуальный стиль общения. Это этап до DPO-выравнивания; автор указывает, что итоговая DPO-версия предназначена для использования в производстве. Модель имеет плотную архитектуру Qwen2 с 7,1 млрд параметров, принимает текст и выдаёт текст. Контекстное окно — 32 768 токенов; в метаданных указан английский язык. Автор сообщает результат 88,4% pass@1 на HumanEval как для базовой модели, так и для этого SFT-чекпойнта, однако это значение приведено в README и не сопровождается описанием методики оценки. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Code-290k-6.7B-Instruct — языковая модель для генерации кода и пояснений, созданная ajibawa-2023 полным дообучением DeepSeek-Coder-6.7B-Instruct. Модель основана на плотной архитектуре Llama и содержит около 6,6 млрд параметров; репозиторий предоставляет веса в формате safetensors. Для общения используется шаблон Alpaca. Модель обучалась на наборе Code-290k-ShareGPT примерно из 290 тысяч примеров кода с подробными объяснениями. Она предназначена для генерации и объяснения кода на Python, Java, JavaScript, Go, C++, Rust, Ruby, SQL, MySQL, R, Julia, Haskell и других языках программирования. Контекст составляет до 16 384 токенов. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели и у базовой модели. Оценки в карточке охватывают лишь часть общих бенчмарков и не гарантируют корректность сгенерированного кода; результаты следует проверять, особенно перед запуском или использованием в критичных системах.

CodeCalc-Mistral-7B — объединённая модель на базе Mistral, созданная sethuiyer методом TIES из uukuguy/speechless-code-mistral-7b-v1.0 и upaya07/Arithmo2-Mistral-7B. Она предназначена для генерации текста в формате инструкций, включая написание программного кода и решение математических задач. Модель имеет плотную архитектуру Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; для работы используются Transformers и веса в формате Safetensors. В карточке приведены результаты тестов, в том числе GSM8K: автор сообщает об улучшении результата на этом наборе по сравнению с одной из базовых моделей при сопоставимых показателях на других перечисленных бенчмарках. Модель выпущена под лицензией Apache-2.0. Карточка не приводит подробных сведений о качестве на реальных задачах или ограничениях, поэтому результаты тестов не гарантируют точность ответов и генерируемого кода.

CodeGemma 1.1 7b Instruct — языковая модель Google, представленная в формате GGUF. Квантизацию выполнил bartowski на базе llama.cpp. Модель создана как помощник программиста для генерации кода и решения задач разработки; в качестве примера использования указано написание функций на Python. Рекомендуемый шаблон запросов — Google Gemma Instruct с маркерами начала и конца хода диалога. Модель основана на Gemma 7B и дополнительно обучена на веб-документах, математике и исходном коде: заявлено соотношение 80% кода и 20% естественного языка. Instruct-версия дообучалась на математических наборах данных, синтетически сгенерированном коде и обратной связи от другой LLM, что должно улучшать генерацию кода и математическое рассуждение. Указан размер исходной модели 7B, а для сборки в LM Studio — около 8B параметров; поддерживаемые языки, длина контекста и точные параметры GGUF в README не указаны. Сильными сторонами модели являются специализация на программировании, локальный запуск через GGUF и небольшие заявленные улучшения генерации кода по сравнению с исходной версией CodeGemma. Ограничения включают возможные неточности, а также отсутствие в README данных о производительности, языковом покрытии, конкретном варианте квантизации и мультимодальности; модель предназначена для работы с текстом и кодом. Использование регулируется лицензией Google Gemma; для доступа к оригинальной модели на Hugging Face требуется принять условия Google.

Это преобразованная версия CodeGen2-1B от Salesforce, подготовленная Майклом Файлем для FauxPilot. Веса CodeGen2 представлены в архитектуре GPT-J и доступны в форматах PyTorch и Safetensors; модель относится к семейству GPT-J с плотной архитектурой GPTJForCausalLM. Контекст составляет 2048 токенов. Модель предназначена для генерации кода по текстовым подсказкам и продолжения незавершённых фрагментов, включая заполнение пропусков внутри кода. README указывает поддержку C, C++, C#, Dart, Go, Java, JavaScript, Kotlin, Lua, PHP, Python, Ruby, Rust, Scala, Shell, SQL, Swift, TypeScript и Vue. Обучение проводилось на разрешающей подвыборке дедуплицированного Stack v1.1; для infilling используются специальные токены CodeGen2. Качество генерации и корректность кода требуют проверки; заявленное назначение — программный синтез, особенно по подсказкам на английском языке. Лицензия — Apache-2.0.

Code Llama 34B Instruct — авторегрессионная языковая модель Meta на основе оптимизированного Transformer, предназначенная для генерации и понимания кода. Это версия Instruct с 34 млрд параметров в формате Transformers; она поддерживает дополнение кода и диалоговое выполнение инструкций. Модель принимает текст и генерирует текст, включая код, и рассчитана на применение в помощниках-разработчика и инструментах генерации кода. Модель предназначена для работы на английском языке и с языками программирования. Её можно применять для написания фрагментов кода, ответов на вопросы по программированию и помощи при разработке. Репозиторий содержит веса PyTorch и Safetensors. Использование регулируется лицензией Meta Llama 2; условия лицензии следует учитывать при коммерческом или исследовательском использовании. Модель обучалась на статическом офлайн-наборе данных. Возможны неточные или нежелательные ответы; перед внедрением требуется оценить её поведение в целевом сценарии. README указывает, что тестирование проводилось на английском языке, а использование на других естественных языках не входит в заявленную область применения.

Code Llama 7B — базовая авторегрессионная языковая модель Meta с оптимизированной архитектурой Transformer, предназначенная для генерации и понимания кода. Это версия на 7 млрд параметров в формате для Hugging Face Transformers; модель принимает текст и генерирует текст. Модель подходит для автодополнения кода и заполнения пропусков в коде. Она рассчитана на английский язык и языки программирования; режим следования инструкциям и чат для этой базовой версии не предусмотрены. Для специализированной работы с Python и диалогового помощника существуют отдельные варианты семейства. Модель выпущена под лицензией Meta Llama 2. Возможны неточные или нежелательные результаты, поэтому перед внедрением требуется проверка поведения в целевом сценарии.

CodeT5+ 2B — модель семейства CodeT5+, разработанная Salesforce Research для понимания и генерации кода. Это плотная модель с архитектурой encoder-decoder; семейство также поддерживает режимы encoder-only и decoder-only. Чекпойнт загружается как Seq2Seq-модель через Transformers и использует токенизатор CodeGen. Модель предназначена для генерации кода по текстовому описанию, автодополнения, поиска и сопоставления кода с текстом, а также других задач понимания кода. При предобучении использовались денойзинг фрагментов, причинное языковое моделирование, контрастивное обучение и сопоставление текста с кодом. Обучающие примеры кода взяты из разрешительной подвыборки GitHub Code; среди поддерживаемых языков программирования указаны C, C++, C#, Go, Java, JavaScript, PHP, Python и Ruby. В репозитории опубликованы веса PyTorch. Лицензия — BSD 3-Clause. Авторы отмечают, что модель выпущена для исследовательских целей и не оценивалась для всех вариантов применения; перед использованием следует проверять точность и учитывать риски ошибок и смещений.

Карточка модели TechxGenus/CursorCore-Yi-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.

Карточка модели TechxGenus/CursorCore-Yi-9B 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.

DeepSeek-V4-Flash-Vision-Exp — экспериментальная мультимодальная модель семейства DeepSeek-V4, созданная разработчиками DeepSeek на основе DeepSeek-V4-Flash с добавлением визуальных модулей и дополнительным обучением. Она предназначена для понимания изображений и работы с мультимодальными агентными задачами, сохраняя сопоставимые возможности базовой версии в текстовых агентных сценариях. В карточке приведены результаты на отдельных текстовых агентных тестах, включая Terminal Bench 2.1 и NL2Repo. Модель имеет плотную архитектуру DeepseekV4ForCausalLM, содержит 10,7 млрд параметров и принимает изображения вместе с текстом, выдавая текст. Заявленная длина контекста — 1 048 576 токенов. Репозиторий включает веса safetensors в формате FP8, токенизатор и минимальную реализацию инференса; в README также описано использование с vLLM и SGLang. Лицензия — MIT.

Everyone-Coder-33b-v2-Base — общественная модель для задач программирования из серии EveryoneLLM. Она создана на основе дообученных версий DeepSeek Coder 33B и объединена методом task arithmetic; карточка заявляет об улучшении результатов программирования по сравнению с первой версией серии. Это плотная авторегрессионная модель семейства Llama с 33,1 млрд параметров, рассчитанная на генерацию текста с контекстом до 16 384 токенов. В README указан шаблон запросов Alpaca. Модель подходит для генерации и дополнения кода, а также для ответов на инструкции, связанные с программированием. Метаданные указывают формат safetensors и лицензию other; конкретные условия лицензии в предоставленных данных не раскрыты. README не называет языки программирования, наборы данных или состав объединённых моделей, поэтому качество для конкретных языков и сценариев по этим сведениям оценить нельзя.

GemCod-R-Sapphire-270M — компактная текстовая модель для генерации кода, созданная DireDreadlord на базе Gemma 3 и дообученная методом SFT на наборе Code-Reasoning-4k. Она предназначена для генерации фрагментов и более длинных программ по инструкциям на естественном языке, а также для пояснений к коду и ответов на вопросы по программированию. Модель использует плотную архитектуру Gemma3ForCausalLM, содержит около 257 млн параметров и поддерживает контекст до 32 768 токенов. Карточка заявляет поддержку основных языков программирования и описывает её как пригодную для запуска на ноутбучных GPU; основной язык карточки — английский. Модель распространяется по лицензии Gemma. Это экспериментальная модель: заявленные в карточке улучшения рассуждений и снижение галлюцинаций не подкреплены приведёнными оценками, поэтому сгенерированный код и объяснения нужно проверять. Карточка прямо рекомендует экспериментальное использование.

Это плотная языковая модель Qwen3 с 29,7 млрд параметров, дообученная командой laion на датасете open-athena/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning. Она предназначена для генерации текста в диалоговом режиме, в частности для ответов на технические вопросы и задач, связанных с содержимым Stack Exchange и Stack Overflow. Модель использует архитектуру Qwen3ForCausalLM, распространяется в формате safetensors и поддерживает контекст до 40 960 токенов. Модель принимает текст и генерирует текст. Карточка не приводит оценки качества или подробностей обучения и применения. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели и её базовой модели Qwen/Qwen3-32B.

granite-8b-code-instruct-4k-GGUF — квантованная версия Q4_K_M модели granite-8b-code-instruct-4k, разработанной IBM и распространяемой под лицензией Apache 2.0. Модель предназначена для генерации и обработки программного кода, включая написание, объяснение и исправление кода, а также решения задач, связанных с SQL, математикой и вызовом функций. Версия основана на ibm-granite/granite-8b-code-base-4k и рассчитана на контекст до 4K токенов. Модель содержит 8 миллиардов параметров, работает в текстовом режиме и ориентирована на сценарии программирования с использованием llama.cpp и формата GGUF. В опубликованных тестах HumanEvalPack показатели pass@1 составили 57,9% для синтеза Python, 52,4% для JavaScript, 58,5% для Java, 43,3% для Go, 48,2% для C++ и 37,2% для Rust; результаты для объяснения и исправления кода различаются в зависимости от языка. Показатели помечены как непроверенные. Ключевое ограничение — устаревший статус: разработчик не рекомендует модель для новых проектов и предлагает использовать более современные модели семейства Granite. README не содержит сведений о точной архитектуре, языковом охвате и дополнительных ограничениях, поэтому эти характеристики нельзя определить по предоставленным данным.

Hemlock-Jan-code-4B-i1-GGUF — это GGUF-квантизированная версия языковой модели Hemlock-Jan-code-4B, разработанной nbeerbower и дополнительно квантизированной mradermacher. Модель обучалась с применением supervised fine-tuning на наборе данных hemlang/Hemlock-SFT и предназначена для генерации текста, прежде всего для задач, связанных с программированием и обработкой англоязычных запросов. Модель имеет заявленный размер около 4 млрд параметров и поддерживает текстовую модальность. В репозитории представлены варианты квантизации i1 с разными форматами и размерами файлов — примерно от 1,3 до 3,7 ГБ, включая IQ и Q-варианты. Это позволяет выбирать между скоростью, требованиями к памяти и качеством, причём автор рекомендует i1-Q4_K_M как быстрый вариант и отмечает i1-Q4_K_S как сбалансированный по размеру, скорости и качеству. К сильным сторонам относятся компактность, возможность локального запуска на ограниченных ресурсах и наличие множества уровней квантизации. Ограничения включают потенциальное снижение качества у наиболее агрессивно сжатых вариантов, отсутствие в README сведений об архитектуре, размере контекста, точных возможностях программирования и результатах benchmark-тестов. Лицензия модели в предоставленных данных не указана.

Instruct-codegen-16B — модель генерации кода, разработанная на основе Salesforce CodeGen-16B-multi и дообученная на 250 тысячах примеров с инструкциями в формате Alpaca. Она предназначена для генерации кода по текстовым запросам и выполнения инструкций, связанных с программированием. Модель использует архитектуру CodeGenForCausalLM; размер — 16 млрд параметров, контекст — до 2048 токенов. В README указан результат 37,1% pass@1 на бенчмарке HumanEval. Модель принимает текстовые инструкции и выдаёт текст, в том числе код. Данные для дообучения, согласно карточке, не генерировались коммерческими LLM API. Репозиторий содержит веса PyTorch и распространяется по лицензии BSD-3-Clause. Языки программирования и показатели качества на других задачах в карточке не перечислены.