II.7DevOps, облако и эксплуатация IT-систем

JackOD-9B-Coder — текстовая модель для многошагового агентного программирования, созданная объединением нескольких моделей на основе Qwen/Qwen3.5-9B. В README описана схема слияния omnimerge_v2 с весами 0,55 для DeltaCoder-9B, 0,30 для Qwopus3.5-9B-Coder и 0,15 для Ornith-1.5-9B; метаданные классифицируют результат как дообучение Qwen/Qwen3.5-9B. Архитектура — плотная Qwen 3.5, около 9 млрд параметров по базовой модели; формат репозитория — safetensors, библиотека — Transformers. Модель принимает и выдаёт текст. Заявленная область применения — продолжительная работа над задачей программирования в диалоге с вызовами инструментов. В README приведены результаты нескольких кодовых бенчмарков, но автор отдельно предупреждает, что раннее тестирование агентного сценария ограничено и проверка harness ещё продолжается. Модель предназначена для генерации и исправления кода, решения сложных задач программирования и работы агента, который продолжает задачу между ходами и вызовами инструментов. README сообщает, что у модели нет vision tower и весов visual.*, поэтому, несмотря на унаследованную конфигурацию мультимодальной архитектуры и связанные теги, изображениями она не обрабатывает. В качестве ограничений указаны ограниченные для её размера общие знания и предварительный характер оценки агентной надёжности. Лицензия — Apache-2.0.

Laguna XS.2 — разработанная Poolside языковая модель для агентного программирования и длительных задач разработки ПО. Она предназначена для работы в локальной среде и поддерживает диалоговый режим, рассуждения между вызовами инструментов и управление режимом рассуждений в запросах. Архитектура — Mixture-of-Experts: в README указаны 33 млрд параметров всего и 3 млрд активных на токен, 40 слоёв и 256 экспертов с одним общим экспертом. В 30 слоях применяется скользящее оконное внимание, в остальных — глобальное; окно внимания составляет 512 токенов. Контекст — 262 144 токена. Модель текстовая, обучалась в несколько этапов, включая предварительное обучение, постобучение и обучение с подкреплением. Карточка приводит результаты на SWE-bench и Terminal-Bench; эти оценки получены в конкретных условиях тестирования и не гарантируют аналогичной производительности в других сценариях. Модель доступна в формате safetensors и поддерживается Transformers, vLLM, SGLang и другими средствами локального запуска, в том числе Ollama. По README, для запуска на Mac рекомендуется система с 36 ГБ оперативной памяти. Лицензия Apache 2.0 разрешает коммерческое и некоммерческое использование с соблюдением лицензионных условий и политики допустимого использования Poolside.

OsaurusAI/Laguna-XS.2-JANGTQ — квантизированная версия языковой MoE-модели Laguna-XS.2 от Poolside, подготовленная Jinho Jang для запуска на компьютерах Apple Silicon через MLX. Модель предназначена для агентного программирования и продолжительных задач разработки ПО; поддерживает генерацию текста и диалоговый режим. Архитектура включает 40 слоёв, 256 маршрутизируемых экспертов с выбором восьми экспертов на токен и один общий эксперт. Используется гибридное внимание с полным и скользящим окном, групповое внимание запросов и контекст до 131 072 токенов. Веса экспертов квантизированы TurboQuant до 2 бит, ряд других линейных слоёв — до 8 бит; нормы и некоторые компоненты маршрутизатора сохранены в FP16. Репозиторий содержит веса в формате safetensors и предназначен для MLX. Для работы требуется совместимый JANGTQ runtime sidecar jangtq_runtime.safetensors, соответствующий параметрам квантизации модели. Базовая модель — poolside/Laguna-XS.2; лицензия — Apache-2.0. Квантизация может снижать точность относительно исходной модели, а запуск описан для Apple Silicon.

Apollo Raines представляет Llama-3.1-8B-Instruct-Uncensored-Complete — вариант Llama-3.1-8B-Instruct, изменённый инструментом jBlaze. По README, модель создана без дополнительного обучения: поведенческие изменения внесены непосредственно в веса. Это плотная авторегрессионная языковая модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она принимает текст и генерирует текст; метаданные указывают контекст до 131 072 токенов и английский язык. Модель предназначена для диалогов и генерации ответов, включая прямые ответы без обычных отказов и оговорок. Примеры в карточке показывают ответы на общие вопросы, простые вычисления, написание кода и практические инструкции. В README заявлено подавление многословности, уклончивости, токсичности и отказов; это описание поведения автора, а не независимая оценка качества. Карточка сообщает, что известных проблем не наблюдалось, но не приводит результатов систематической оценки. Модель распространяется в формате safetensors и использует лицензию Llama 3.1 (llama3.1).

Llama 3.1 Future Code Ja — языковая модель примерно на 7,5 млрд параметров, разработанная на основе Meta Llama 3.1. Она предназначена прежде всего для генерации и дополнения кода: модель прошла продолжительное предобучение на данных с кодом и преимущественно японским текстом, затем была объединена с instruct-вариантом Llama 3.1 и дообучена на инструкциях по программированию с помощью SFT и DPO. Модель поддерживает японский и английский языки, более 40 языков программирования, а также заполнение пропусков в коде с учётом контекста до и после пропуска (Fill-in-the-Middle). Контекст составляет до 131 072 токенов. Модель также справляется с общими инструкциями и задачами на японском и английском языках. В карточке приведены результаты тестирования генерации кода и языковых задач; они показывают сильные результаты в ряде сценариев, но не гарантируют качество для конкретного проекта. Модель не обучалась на специфичных данных организаций и нестандартных задачах разработки; её ответы могут содержать ошибки и требуют проверки. Для таких задач авторы рекомендуют дополнительное дообучение. Лицензия — Llama 3.1.

Llama 3.1 Pro Coder v1 — дообученная HemanthKari модель на базе Meta Llama 3.1 8B Instruct, предназначенная для генерации и помощи с кодом. Это плотная авторегрессионная модель семейства Llama с примерно 7,5 млрд параметров, рассчитанная на контекст до 131 072 токенов. Карточка сообщает о поддержке Python, Java, JavaScript, SQL и других языков программирования, а также о результате 68,3% pass@1 на HumanEval в описанной авторами оценке. Модель подходит для автодополнения и генерации кода, реализации функций по описанию, исправления ошибок, обзора и объяснения кода, документирования, реализации алгоритмов и создания модульных тестов. Авторы отмечают улучшенную обработку граничных случаев и возможность локального запуска; заявленная лицензия — Llama 3.1, с условиями атрибуции «Built with Llama» и другими ограничениями, изложенными в лицензии. Для сложного проектирования систем, нишевых библиотек и многошаговых рассуждений авторы указывают на преимущество более крупных моделей; перед внедрением и использованием сгенерированного кода нужна проверка человеком.

Nondzu/Mistral-7B-codealpaca-lora — адаптер LoRA для Mistral-7B, разработанный для помощи в программировании. Модель генерирует код и ответы на инструкции по шаблону Alpaca; карточка связывает обучение с набором theblackcat102/evol-codealpaca-v1 и приводит результаты оценки HumanEval+. Архитектура — плотная MistralForCausalLM на 7,1 млрд параметров с контекстом до 32 768 токенов; метаданные указывают форматы PyTorch и safetensors и лицензию Apache-2.0. Модель подходит для генерации и дополнения кода, ответов на вопросы разработчиков и решения задач программирования в диалоговом интерфейсе. Опубликованные результаты оценки свидетельствуют о проверке на задачах HumanEval+, но карточка не описывает подробные условия тестирования или гарантии качества. Для запуска адаптера может потребоваться совместимая базовая модель.

Nondzu/Mistral-7B-Instruct-v0.2-code-ft — дообученная авторами репозитория языковая модель для помощи в программировании и работы в формате чат-ассистента. В основе лежит mistralai/Mistral-7B-Instruct-v0.2; модель дообучена методом QLoRA на диалоговом датасете ajibawa-2023/Code-74k-ShareGPT. Архитектура — плотная авторегрессионная MistralForCausalLM с 7,1 млрд параметров; метаданные указывают контекст до 32 768 токенов. Модель предназначена для генерации кода, ответов на вопросы по программированию и сценариев помощника-разработчика. Карточка приводит результат Eval Plus 0,421, но не уточняет методику и условия оценки. Для запуска доступны веса PyTorch и Safetensors; указан шаблон диалога ChatML. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных материалов на условиях лицензии.

Карточка модели HotOpenSourcing/OmniCoder-9B на Hugging Face совпадает с карточкой Tesslate/OmniCoder-9B, поэтому описание составлено по ней. OmniCoder-9B — языковая модель Tesslate на 9 млрд параметров, дообученная на базе Qwen/Qwen3.5-9B для задач программирования и работы в роли кодового агента. Модель использует гибридную архитектуру с Gated Delta Networks и стандартными слоями внимания, поддерживает контекст до 262 144 токенов и режим рассуждений. Модель обучена на более чем 425 тысячах траекторий агентной разработки ПО: написании и изменении кода, работе с инструментами и терминалом, разборе ошибок и многошаговых задачах. Она рассчитана на интеграцию в среды кодовых агентов; формат вызова инструментов гибкий, но лучше работает со scaffolding-паттернами, похожими на те, что представлены в обучающих данных. В репозитории указана поддержка архитектуры VLM Qwen3.5, однако карточка описывает прежде всего применение для программирования. В карточке приведены результаты на GPQA Diamond, AIME 2025 и Terminal-Bench 2.0; они не гарантируют аналогичное качество в других задачах. Небольшой объём оценки неанглоязычных задач ограничивает выводы о работе за пределами английского. Модель распространяется по лицензии Apache 2.0.

Open-Instruct Code Alpaca 7B — модель Allen Institute for AI, полученная дообучением LLaMA на наборе инструкций Code Alpaca. Это плотная авторегрессионная языковая модель семейства LLaMA примерно на 6,6 млрд параметров, рассчитанная на генерацию текста по инструкциям, в том числе на помощь с задачами программирования. Карточка сообщает, что это diff-модель: для её использования требуется исходная модель LLaMA в формате Hugging Face. Контекст составляет 2048 токенов, основной язык — английский. Модель исследовалась в работе «How Far Can Camels Go? Exploring the State of Instruction Tuning on Open Resources». В приведённых результатах Codex-Eval Pass@1 составляет 16,5, а Pass@10 — 29,2; эти оценки относятся к указанным в статье условиям тестирования. Репозиторий распространяется по лицензии AI model license вместе с исходной лицензией LLaMA, поэтому при использовании необходимо учитывать обе лицензии.

Pearl-3x7B — языковая модель Louis Brulé Naudet для диалогов, программирования и математических задач. Это объединение трёх моделей в архитектуре Mixture of Experts на основе Mixtral, примерно 7,1 млрд параметров; репозиторий содержит веса Safetensors, модель рассчитана на контекст до 32 768 токенов и использует библиотеку Transformers. Модель предназначена для ответов в чате, генерации и объяснения кода, а также решения математических задач. В карточке указан английский язык. Модель выпущена под лицензией Apache-2.0. README заявляет специализацию на анализе данных, однако не приводит результатов оценки, поэтому качество на конкретных задачах не подтверждено.

Это дообученная версия Qwen2.5-Coder-0.5B-Instruct, опубликованная пользователем matildtahoo в рамках Gensyn Swarm. Модель относится к семейству Qwen2 и использует плотную авторегрессионную архитектуру для генерации текста; исходная модель разработана командой Qwen. В репозитории указаны 494 млн параметров, формат safetensors и контекст до 32 768 токенов. Модель предназначена для генерации кода и диалоговых ответов по инструкциям, включая написание и дополнение фрагментов кода. Карточка производной версии автоматически сгенерирована и не описывает обучение Swarm, оценку качества или отдельные ограничения. Исходная модель распространяется по лицензии Apache-2.0; применимость этой лицензии к дообученной версии следует проверять по её репозиторию.

q31p7bsftshuffled — готовая к инференсу модель для генерации кода, созданная дообучением Qwen/Qwen3-1.7B-Base. Это плотная причинная языковая модель семейства Qwen3 с 1,7 млрд параметров; обучение с supervised fine-tuning на кодовых данных завершено на шаге оптимизатора 102. Данные обучения перемешаны, стратегия replay не использовалась. Модель предназначена для генерации кода и диалогового взаимодействия с кодовыми запросами. Она принимает текст и выдаёт текст; контекстное окно — до 32 768 токенов. В карточке указана библиотека Transformers и формат весов safetensors. Базовая модель поддерживает генерацию текста; отдельные языки программирования в карточке не перечислены. Это ранний чекпойнт обучения, поэтому качество и устойчивость модели могут быть ограничены, особенно за пределами кодовых запросов. Условия лицензирования в предоставленных данных не указаны.

Qwen3-32B-R2EGYM-256-3epochs — плотная языковая модель на 29,7 млрд параметров, созданная командой LAION дообучением Qwen/Qwen3-32B методом обучения с подкреплением. Обучение проводилось с асинхронным PPO в SkyRL на задачах программирования и рассуждений из бенчмарка R2EGYM; использовалось 256 задач и агент Terminus-2, работающий в терминальной среде с песочницей Docker. Контекст модели — 40 960 токенов. Модель предназначена для генерации кода, решения задач программирования и многошагового рассуждения в диалоговом формате. Авторы позиционируют её как замену Qwen3-32B с улучшенными возможностями в программировании и рассуждениях. Карточка указывает лицензию Apache-2.0. Результаты могут зависеть от задачи и условий запуска; обучение на ограниченном наборе из 256 задач не гарантирует улучшения на других задачах.

Qwen3.5-9B-Coder — экспериментальная дообученная модель разработчика armand0e на основе Qwen/Qwen3.5-9B. Она предназначена для программирования и агентных сценариев: ведения диалога, работы с кодом и использования инструментов. Дообучение проводилось примерно четыре часа на смесях трасс рассуждений и действий различных моделей; автор указывает, что рассуждения базовой модели оставили без изменений. Модель имеет плотную архитектуру Qwen3.5 на 9 млрд параметров, поддерживает обработку изображений и интерфейс вызова инструментов. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Это экспериментальный чекпойнт, и карточка не приводит сравнительных оценок качества или подробных ограничений.

AM014/qwen-cpp-optimized-16bit — дообученная языковая модель AM014 на базе unsloth/qwen2.5-coder-7b-instruct-bnb-4bit. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. В карточке указано, что обучение выполнялось с помощью Unsloth и библиотеки TRL; модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 32 768 токенов. Модель подходит для генерации и продолжения кода, помощи с программированием и ответов на запросы в чате. Опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Поскольку описание не приводит результатов оценки или подробностей дообучения, качество на конкретных языках программирования и задачах не установлено.

Модель llamafy/Qwen-Qwen2.5-Coder-0.5B-Instruct-llamafied — преобразованная версия Qwen/Qwen2.5-Coder-0.5B-Instruct, подготовленная для совместимости с программами, поддерживающими формат Llama. Это плотная авторегрессионная модель для генерации текста в диалоговом режиме, ориентированная на задачи программирования: написание и объяснение кода, а также помощь с исправлением ошибок. В метаданных указаны 494 млн параметров, контекст до 4096 токенов и формат весов safetensors. Модель принимает текстовые запросы и выдаёт текст; заявлена совместимость с ПО, поддерживающим Llama. Это преобразование формата, поэтому базовая модель — Qwen/Qwen2.5-Coder-0.5B-Instruct. Лицензия в предоставленных данных не указана.

Seed-Coder-8B-Instruct — инструкционно настроенная языковая модель для кода, размещённая Unsloth на Hugging Face и основанная на ByteDance-Seed/Seed-Coder-8B-Instruct. Это плотная причинная модель архитектуры Llama с 7,6 млрд параметров, предназначенная для генерации, объяснения и редактирования кода по запросам на естественном языке. Карточка описывает предварительное и последующее обучение на открытых и синтетических данных; контекст составляет 32 768 токенов. Модель подходит для помощи при программировании, рассуждений о коде и задач программной инженерии. В README заявлены сравнительные результаты среди открытых моделей сопоставимого размера на тестах кода. Репозиторий использует формат safetensors и библиотеку Transformers; указана лицензия MIT.

speechless-codellama-34b-v2.0 — дообученная модель для генерации кода, созданная на базе CodeLlama-34B. В README указано, что авторы использовали 153 013 примеров из наборов Airoboros, OpenOrca, Open-Platypus и WizardLM, отобранных для задач программирования, рассуждений и планирования. Модель построена на авторегрессионной архитектуре Llama и содержит 33,5 млрд параметров; контекст — до 16 384 токенов. Модель предназначена для генерации и дополнения кода, заполнения пропусков в коде, а также задач по SQL и программированию по инструкциям в формате Alpaca. README приводит результаты HumanEval pass@1 75,61% и SQL-EVAL 125 из 175. Репозиторий содержит веса PyTorch; в карточке также описаны варианты квантизации AWQ, GPTQ и GGUF для инференса на GPU или CPU+GPU. Разработчик исходного семейства Code Llama — Meta; конкретное дообучение опубликовано под именем uukuguy. Основной язык карточки — английский. Указана лицензия llama2. Как и другие языковые модели, модель может выдавать неточный или нежелательный код; перед использованием в приложениях её следует проверять и адаптировать к сценарию.

uukuguy выпустил дообученную модель speechless-codellama-dolphin-orca-platypus-34b на основе Phind/Phind-CodeLlama-34B, используя наборы Dolphin, Orca и Platypus. Это плотная авторегрессионная Transformer-модель семейства Llama с 33,5 млрд параметров и контекстом 16 384 токена; репозиторий содержит веса PyTorch для Transformers. Модель предназначена для генерации и понимания кода, включая автодополнение и заполнение пропусков в коде. В README приведён результат 70,12 на HumanEval-Python pass@1. Модель принимает и генерирует текст; данные каталога указывают английский язык. Лицензия — llama2, а использование производной модели регулируется условиями лицензии Llama 2. Как и другие языковые модели, она может выдавать ошибочный или нежелательный код; перед применением в продукте её следует проверить и настроить для конкретного сценария.

Triumvirate — объединённая модель pragmaticcs, предназначенная для агентного программирования, работы с терминалом и многошаговых задач в репозиториях. Она построена на архитектуре Qwen3.5 MoE: в README указано около 34,1 млрд параметров и 3,1 млрд активных параметров на токен, а метаданные каталога сообщают 2,9 млрд параметров; заявленная длина контекста — 262 144 токена. Модель принимает текстовые запросы и выдаёт текст, включая код и вызовы инструментов. При слиянии KAT-Coder-V2.5-Dev служит базовой опорой для генерации кода и локальных правок, Ornith-1.5 добавляет алгоритмическое рассуждение, а Qwen-AgentWorld — отслеживание состояния среды и восстановление после ошибок инструментов. README описывает метод DARE-TIES с модуляцией вкладов по слоям. Модель ориентирована на агентные оболочки: она должна формировать точные изменения кода, разбирать сообщения об ошибках терминала и сохранять ход многошаговой работы. В метаданных указаны английский и китайский языки; подтверждения поддержки русского нет. Лицензия — Apache-2.0.

laion/tt-x4_temperature-t0p7-45-30B — экспериментальный чекпойнт модели, созданный в рамках гиперпараметрического перебора TaskTrove. Он получен дообучением Qwen/Qwen3-Coder-30B-A3B-Instruct методом GRPO на наборе DCAgent/exp_rpt_multifile с использованием SkyRL и Terminus-2; контроль кампании применял shaping по pass_ratio. В метаданных указана архитектура Qwen3 MoE для генерации текста, поддержка чата, 2,6 млрд параметров и контекст до 262 144 токенов. Модель ориентирована на генерацию кода и работу с многофайловыми задачами; README описывает выбор шага 45 как лучшего сохранённого чекпойнта по скользящей EMA награды. Обучение остановили на шаге 66 из 80 из-за роста энтропии политики; шаг 45 предшествует этому ухудшению, но результат обучения не достиг полного горизонта. Данных о языках, кроме английского в карточке, недостаточно для вывода о более широкой языковой поддержке. Лицензия — Apache-2.0.

WizardCoder-33B-V1.1 — языковая модель для генерации кода, разработанная командой WizardLM и обученная на базе deepseek-coder-33b-base с применением Code Evol-Instruct к данным Code-Alpaca. Это плотная causal language model семейства Llama с 33,1 млрд параметров, рассчитанная на контекст до 16 384 токенов; веса опубликованы в формате safetensors и предназначены для использования через Transformers. Модель отвечает на инструкции по программированию: пишет код по описанию, решает задачи на программирование и помогает с типовыми изменениями кода. В README приведены результаты на HumanEval, HumanEval-Plus, MBPP и MBPP-Plus. Для воспроизведения ответов авторы рекомендуют использовать указанный в карточке формат системного промпта. Модель ориентирована на код; поддержка конкретных естественных языков отдельно не заявлена. Известное ограничение: авторы не гарантируют точность квантованных версий. Лицензия в предоставленных данных не указана.

WizardCoder-Python-13B-V1.0 — языковая модель семейства Llama, предназначенная для генерации кода Python по инструкциям. Модель содержит 12,9 млрд параметров, имеет контекст до 16 384 токенов и представлена в формате PyTorch для Transformers. Карточка описывает семейство WizardCoder, обученное с использованием Evol-Instruct, но не приводит отдельные сведения о тренировочных данных и результатах именно этой версии 13B. Модель подходит для написания фрагментов Python-кода по текстовым запросам, помощи с программированием и генерации ответов на инструкции о коде. Она принимает текст и генерирует текст; языки естественного общения не заявлены, поскольку в метаданных указан только код. Лицензия — Llama 2; условия её применения определяются этой лицензией.

Yi-Coder-1.5B-Chat-GGUF — квантизированная в формате GGUF версия чат-модели Yi Coder 1.5B-Chat, разработанной компанией 01-ai. Квантизацию выполнил bartowski на базе llama.cpp; модель предназначена для генерации текста и диалога по вопросам программирования. Модель имеет около 1,5 млрд параметров, поддерживает контекст длиной до 128 тыс. токенов и обучена работе с 52 языками и форматами, включая Python, JavaScript, TypeScript, C/C++, C#, Java, Go, Rust, SQL, HTML, CSS, JSON, YAML, Shell и другие. Большое контекстное окно подходит для анализа крупных исходных кодов и репозиториев. Для работы в LM Studio рекомендуется использовать шаблон ChatML. Сильными сторонами модели являются компактный размер, широкий охват языков программирования и возможность обрабатывать большие объёмы кода в одном запросе. Модель настроена именно для общения и ответов на вопросы о программировании, поэтому не оптимизирована для автодополнения кода. Как и другие языковые модели, она может генерировать неточные или неподходящие ответы, которые требуют проверки. Лицензия — Apache 2.0.

BenevolenceMessiah/Yi-Coder-9B-Chat-Instruct-TIES-MoE-v1.0 — экспериментальная MoE-модель генерации текста, созданная сообществом BenevolenceMessiah с помощью mergekit. В README описано объединение моделей Yi-Coder-9B, Yi-Coder-9B-Chat и производных от них; карточка и метаданные указывают архитектуру MixtralForCausalLM, 8,6 млрд параметров и контекст до 131 072 токенов. Модель предназначена прежде всего для генерации кода на разных языках программирования и диалоговой помощи при разработке: например, для создания фрагментов кода и решений по подробным техническим запросам. Метаданные указывают задачу text-generation, библиотеку Transformers и формат Safetensors. Естественные языки, специально поддерживаемые моделью, не перечислены. Автор README характеризует проект как экспериментальный и предполагаемые преимущества объединения — сочетание навыков генерации кода и диалога — как гипотетические. Поэтому качество, безопасность и готовность сгенерированного кода к эксплуатации следует проверять. Лицензия — Apache-2.0.

bartowski/zed-industries_zeta-2-GGUF — это набор GGUF-квантизаций модели zed-industries/zeta-2, подготовленный bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, а также сценариев edit prediction и next-edit-suggestion, включая поддержку интеллектуальных подсказок при редактировании кода. Указан английский язык; исходная модель относится к семейству zeta-2, но сведения об архитектуре, количестве параметров, размере контекста и точном назначении базовой модели в README не приведены. Набор можно запускать через llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Доступны варианты от BF16 размером 16,51 ГБ до квантизаций Q2–Q8 размером примерно от 4,06 до 8,77 ГБ, что позволяет выбирать баланс между качеством и требованиями к памяти. Наиболее качественными и рекомендуемыми названы варианты Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S и Q4_K_M; малые варианты экономят память, но могут заметно уступать по качеству. Сильные стороны набора — локальный запуск в формате GGUF, широкий выбор уровней квантизации и оптимизация imatrix. Ограничения — отсутствие в README шаблона промпта, подробных характеристик архитектуры, контекстного окна и результатов оценки; для уточнения формата взаимодействия рекомендуется обратиться к странице исходной модели. Для набора указана лицензия Apache-2.0.

A2-Coder-i1-GGUF — это набор GGUF-квантизаций модели A2-Coder, разработанной nbeerbower и дополнительно квантизированной mradermacher. Модель основана на nbeerbower/A2-Coder и дообучалась методом supervised fine-tuning на датасете schneewolflabs/DenkerCode-SFT. Модель предназначена прежде всего для генерации текста, связанного с программированием: написания, дополнения и преобразования кода, а также работы с англоязычными запросами. Доступно множество вариантов квантизации i1 с различным размером от примерно 3,1 до 10,2 ГБ, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством. Для некоторых вариантов README отмечает предпочтительность IQ-квантизаций или рекомендует A2-Coder.i1-Q4_K_M как быстрый вариант. Архитектура, количество параметров, размер контекстного окна, поддерживаемые модальности и условия лицензирования в README не указаны. Качество зависит от выбранного типа квантизации: наиболее компактные варианты могут заметно уступать по качеству, тогда как более крупные обычно требуют больше памяти. Модель представлена только для текстовой генерации; сведения о мультиязычности ограничены указанием английского языка.

AReaL-boba-2-14B-Open — открытая разговорная языковая модель на 14 млрд параметров, разработанная лабораторией RL Lab компании Ant Research в рамках проекта AReaL. Это плотная модель семейства Qwen3 для генерации текста и диалога; карточка указывает контекст до 40 960 токенов, а интерфейс модели поддерживает вызов инструментов. Модель обучена с помощью асинхронного обучения с подкреплением на базе Qwen3 и предназначена прежде всего для рассуждений при генерации кода и решения задач программирования. В README приведены результаты на LiveCodeBench v5, Codeforces и CodeContests; для 14B-версии указаны 67,3, 1990 и 46,2 соответственно. Модель может использоваться для написания и анализа кода, а также в диалоговых агентных сценариях с инструментами. README также описывает экспериментальную поддержку многошагового обучения агентных моделей, но это относится к системе обучения AReaL, а не гарантирует характеристики каждого сценария применения чекпойнта. Модель распространяется по лицензии Apache-2.0. Доступны веса PyTorch. Показатели на бенчмарках не гарантируют качество на произвольных задачах; README не сообщает о поддерживаемых естественных языках.

AutoDev Coder — разговорная модель для генерации кода, представленная в репозитории unit-mesh/autodev-coder. Согласно README, она основана на DeepSeek-Coder-6.7B-Instruct, который дообучен на 2 млрд токенов инструкционных данных и восходит к DeepSeek-Coder-6.7B-Base. В метаданных указаны архитектура LlamaForCausalLM, плотная модель на 6,6 млрд параметров и контекст до 16 384 токенов. Модель предназначена для диалога и генерации текста, прежде всего для задач программирования: например, написания и дополнения кода по инструкциям. В README нет конкретных результатов оценки или списка поддерживаемых языков программирования и естественных языков. Репозиторий содержит веса в формате Safetensors; лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория.