II.7DevOps, облако и эксплуатация IT-систем

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

CodeGen2 — авторегрессионная языковая модель Salesforce для синтеза программного кода. Эта версия содержит 3,7 млрд параметров, построена на плотной архитектуре CodeGenForCausalLM и работает с контекстом до 2048 токенов. Модель принимает текстовые подсказки на естественном языке и фрагменты кода, продолжает код и умеет заполнять пропуски внутри него. Модель обучена на очищенном наборе Stack v1.1 и рассчитана на генерацию исполняемого кода по подсказкам на английском языке, а также на дополнение существующих фрагментов. В карточке перечислены C, C++, C#, Dart, Go, Java, JavaScript, Kotlin, Lua, PHP, Python, Ruby, Rust, Scala, Shell, SQL, Swift, TypeScript и Vue. Веса доступны в формате PyTorch; лицензия — Apache 2.0. Результаты генерации следует проверять: модель может выдавать ошибочный или небезопасный код, а авторы рекомендуют оценивать точность и риски перед внедрением. Карточка указывает исследовательское назначение выпуска; это само по себе не означает, что чекпойнт является промежуточным исследовательским экспериментом.

Salesforce CodeGen-NL 6B — авторегрессионная языковая модель для синтеза программного кода. Это вариант семейства CodeGen с плотной архитектурой CodeGenForCausalLM и примерно 6 млрд обучаемых параметров; модель опубликована Salesforce в рамках исследования о диалоговом подходе к синтезу программ. Она предварительно обучена на корпусе The Pile, содержащем в том числе данные с кодом, и принимает текстовые запросы с инструкциями на естественном языке или незавершённый код. Основное применение — генерация исполняемого кода по англоязычному описанию, желательно оформленному как комментарий, а также продолжение фрагментов программы. Контекст составляет 2048 токенов. Модель может извлекать признаки из текста на естественном языке и языках программирования и оценивать их правдоподобие; качество и безопасность результата необходимо проверять перед использованием. Модель выпущена для исследовательских целей и не оценивалась для всех практических сценариев. Лицензия — BSD 3-Clause.

Code Llama 13B — базовая авторегрессионная языковая модель Meta для генерации и понимания кода. Это модель с 13 млрд параметров на оптимизированной архитектуре Transformer, представленная в формате Transformers; она принимает текст и генерирует текст. Модель поддерживает автодополнение кода и заполнение пропусков в коде, но не предназначена для следования инструкциям или диалогового использования. Модель подходит для генерации фрагментов кода и помощи при редактировании программ. Она рассчитана на английский язык и языки программирования; README не приводит отдельный перечень поддерживаемых языков программирования. Модель обучена на статическом офлайн-наборе данных, а её ответы могут быть неточными или нежелательными, поэтому перед внедрением в приложение требуется проверка и настройка под конкретный сценарий. Модель разработала Meta. Использование регулируется лицензией Meta Llama 2; README указывает, что доступна специальная коммерческая лицензия, поэтому условия следует сверять с лицензионным соглашением.

Карточка модели TechxGenus/CursorCore-Yi-1.5B 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 Coder 1.3B Instruct — это набор квантованных версий модели deepseek-ai/deepseek-coder-1.3b-instruct, подготовленных в формате GGUF с использованием imatrix. Модель предназначена для генерации текста и прежде всего ориентирована на задачи программирования: написание, дополнение и объяснение кода, включая запросы на реализацию алгоритмов, например быстрой сортировки на Python. Поддерживаемый язык в карточке указан как английский. Известный размер исходной модели — 1,3 млрд параметров. Это instruction-tuned causal language model с поддержкой диалогового шаблона; конкретные варианты квантования, архитектурные детали и размер контекста в README не указаны. К сильным сторонам относятся специализация на коде и возможность использования более компактных квантованных сборок в GGUF-совместимых средствах инференса. Ограничения — небольшой по современным меркам размер, потенциальное снижение качества из-за квантования и отсутствие подтверждённых сведений о качестве, дополнительных языках и контекстном окне. Лицензия указана как other, без дополнительных условий в представленном README.

deepseek-ai/deepseek-coder-5.7bmqa-base — базовая языковая модель для кода от DeepSeek. Это плотная архитектура Llama с Multi Query Attention и 5,6 млрд параметров; модель обучена с нуля на 2 трлн токенов, состоящих из кода и естественного языка. В метаданных указано окно контекста 16 384 токена. Модель предназначена для генерации и дополнения кода, вставки пропущенных фрагментов и работы с кодом на уровне проекта или репозитория. Обучение включало задачу fill-in-the-blank и данные на английском и китайском языках; карточка описывает результаты на нескольких бенчмарках генерации кода. Это базовая, а не чат-модель, поэтому для диалоговых сценариев может потребоваться дополнительная настройка. Веса опубликованы в формате PyTorch; лицензия обозначена как other, конкретные условия следует проверить в репозитории.

DocsGPT-40B-Falcon — дообученная командой Arc53 языковая модель на базе Falcon-40B, предназначенная для ответов по документации и данным, переданным в контексте. Её можно применять в системах поиска и поддержки, где документы сначала извлекаются, а затем подаются модели вместе с вопросом. Модель использует архитектуру RefinedWeb с причинно-языковой генерацией; в карточке указано 65 млрд параметров и библиотека Transformers. Для дообучения применялся LoRA на 50 тысячах примеров. Рабочий шаблон запроса разделяет инструкцию, контекст и ответ. Карточка ориентирует модель на английский язык. Лицензия Apache-2.0 допускает коммерческое использование.

GLM-5.3-Flash Spark Q2XL MTP — это GGUF-квантизация модели zai-org/GLM-5.3-Flash, подготовленная автором репозитория для запуска на NVIDIA DGX Spark / GB10 с 128 ГБ памяти. Веса общим объёмом около 105 ГиБ используют смешанную точность: матрицы внимания и общие эксперты сохранены с большей точностью, а матрицы маршрутизируемых экспертов сжаты сильнее. Калибровка выполнена с использованием importance matrix; предусмотрено спекулятивное декодирование MTP. Модель предназначена для генерации текста в диалогах и локальных задачах программирования. В тестах автора на одном DGX Spark она показала 159/164 на HumanEval и 153/164 на HumanEval+ Mini; результаты получены на одном примере для каждой задачи и при настройке reasoning_effort=low, поэтому их не следует считать независимой всесторонней оценкой качества. Для работы автор проверял сборку GLM5-Next на базе llama.cpp с включённым native MTP и контекстом 32 768 токенов. Репозиторий распространяется по лицензии MIT.

minosu/godot_dodo_4x_60k_llama_7b — модель генерации текста, дообученная по инструкциям на основе LLaMA. Она разработана для выполнения пользовательских инструкций; в карточке отдельно упоминается оценка на запросах по программированию. Модель обучена в апреле 2023 года на наборе из 60 тысяч строк с инструкциями. Это плотная авторегрессионная архитектура LlamaForCausalLM объёмом 6,6 млрд параметров с контекстом 2048 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

gpt-oss-20b-Code-xCloud-GGUF — модель для генерации кода, созданная 云碩科技 (xCloudinfo) на базе openai/gpt-oss-20b. Это дообученная методом LoRA модель семейства GPT-OSS с архитектурой MoE: в README указаны 21 млрд параметров всего и 3,6 млрд активных. Репозиторий распространяет веса в формате GGUF с квантизацией MXFP4; заявленный размер файла — около 14 ГБ. Модель предназначена для понимания требований и генерации исполняемых решений, в частности на Python, с сохранением пошагового рассуждения. По заявлению разработчика, обучение включало дистилляцию и отбор примеров по результатам выполнения скрытых тестов; для HumanEval указан результат pass@1 87,2% на 164 заданиях. Это заявление README, а не независимая проверка качества. Модель можно запускать локально через llama.cpp и использовать для автономной разработки и генерации кода. Указанная лицензия — Apache-2.0, коммерческое использование допускается на её условиях. В README нет сведений о длине контекста; оценка на HumanEval ограничена указанным набором и не гарантирует аналогичного качества на других задачах.

Модель mayank-mishra/granite-3b-code-glaive-20k — дообученная Mayank Mishra языковая модель для генерации текста в задачах программирования и помощи с кодом. Она основана на ibm-granite/granite-3b-code-base и обучена на подмножестве из 20 тысяч примеров набора Glaive Code Assistant v3. Модель имеет плотную архитектуру LlamaForCausalLM с 3,5 млрд параметров и контекстом 2048 токенов. Она принимает текст и генерирует текст; карточка не задаёт конкретные языки программирования или естественные языки. Распространяется в формате Safetensors под лицензией Apache-2.0.

Granite-3B-Code-Instruct-128K — языковая модель с 3,5 млрд параметров, разработанная IBM Research. Это плотная авторегрессионная модель семейства Llama, дообученная на основе ibm-granite/granite-3b-code-base-128k для выполнения инструкций по программированию и работы с длинным контекстом до 128 000 токенов. Модель предназначена для создания кодовых помощников: она может генерировать код и отвечать на инструкции по программированию, в том числе с учётом длинных входных материалов, например содержимого репозитория. Обучение включало короткие и длинные примеры, задачи по математике, SQL и вызову функций. Карточка не перечисляет поддерживаемые естественные языки; модель ориентирована на программный код. IBM не рекомендует применять эту версию в новых проектах и предоставляет её для исторических и научных целей, поскольку более новые модели Granite превосходят её в задачах программирования. Для языков программирования вне обучающего распределения качество может быть ниже; перед использованием в критических приложениях нужны проверка безопасности и целевая настройка. Лицензия — Apache 2.0.

Huihui-OmniCoder-9B-abliterated — версия Tesslate/OmniCoder-9B от huihui-ai с ослабленным отказом от ответов с помощью метода abliteration. Это экспериментальная модель на архитектуре Qwen3.5 с 9 млрд параметров, предназначенная для генерации кода и многошаговых задач разработки ПО; также поддерживает диалог и обработку изображений вместе с текстом. В карточке указано использование через Ollama и Transformers. Ослабление фильтров безопасности может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты требуют проверки. Автор характеризует реализацию как грубую проверку концепции. Модель распространяется по лицензии Apache-2.0.

Josiefied-Qwen2.5-Coder-14B-Instruct-abliterated-v1 — дообученная Gökdeniz Gülmez модель Qwen2.5-Coder-14B-Instruct с архитектурой Qwen2ForCausalLM и 14 млрд параметров. Она предназначена для генерации кода и диалогового взаимодействия; автор описывает её как модель, дополнительно дообученную на пользовательском наборе данных для менее ограниченных ответов. Модель принимает текст и генерирует текст, поддерживает английский и немецкий языки. Заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса safetensors; в README также упоминаются квантизированные версии GGUF. Лицензия — Apache 2.0. Модель может давать менее ограниченные ответы, поэтому результаты требуют проверки. Автор отдельно предупреждает об использовании на собственный риск; подробности набора данных и оценки качества в карточке не приведены.

Это объединённый чекпойнт jakeroxs на основе KAT-Coder V2.5 Dev 35B-A3B: к варианту Philadelphia Class с изменённым поведением отказов добавлены совместимые веса слоя Multi-Token Prediction (MTP). Базовая модель разработана KwaiPilot; вариант Philadelphia Class подготовил KridgeDookie, а MTP-голову — Myric. Модель предназначена для генерации кода и локальных сценариев программирования и работы coding-агентов. Архитектура — Qwen3.5 MoE, около 35,51 млрд параметров при примерно 3 млрд активных; репозиторий содержит веса safetensors. Добавленный MTP-слой предназначен для экспериментов со спекулятивным декодированием. Карточка также указывает разговорное применение и английский и китайский языки. Abliteration направлена на снижение склонности к отказам, но не гарантирует определённого поведения. Чекпойнт предлагается для дальнейшей конвертации или квантизации, а для прямого использования с llama.cpp автор рекомендует связанный GGUF-репозиторий. Лицензия — Apache-2.0.

hbfreed выпустил вариант Poolside Laguna-S-2.1, в котором методом winnow удалено 50% каналов промежуточного слоя маршрутизируемых экспертов. Это MoE-модель для генерации текста с архитектурой WinnowLagunaForCausalLM: из исходных 118 млрд параметров осталось 60,8 млрд; 80% экспертов сохранены с уменьшенной переменной шириной, а общий эксперт, внимание и эмбеддинги не изменялись. В README приведён размер 60,8 млрд параметров, тогда как метаданные указывают 6,8 млрд; это расхождение требует проверки. Модель использует формат safetensors и рассчитана на контекст до 1 048 576 токенов. Модель предназначена для генерации и продолжения кода, диалогового программирования, агентных задач разработки и взаимодействия с инструментами. В описанном тесте HumanEval она показала pass@1 89,6%, однако результат получен с определённым протоколом извлечения ответа и INT8-подачей экспертов и не сопоставим напрямую с опубликованными результатами других тестов. README сообщает, что для serving с INT8-масштабированием нужны три GPU по 24 ГБ и специальный плагин vLLM для winnow; обычный tensor parallelism не поддерживается. Производная сохраняет лицензию OpenMDW-1.1 базовой модели.

OpenAssistant/llama2-13b-megacode2-oasst — дообученная плотная языковая модель семейства Llama 2 с 12,9 млрд параметров, разработанная при участии andreaskoepf; для обучения использовался тренер epfLLM/Megatron-LLM. Модель предназначена для генерации текста, в том числе ответов в формате диалога ChatML, и задач, связанных с кодом: обучение включало набор LosslessMegaCodeTrainingV2_1m_Evol_Uncensored. Модель принимает текст и генерирует текст. В README приведён шаблон диалога с ролями user и assistant; нативный контекст составляет 2048 токенов. Доступен формат PyTorch. В метаданных указана лицензия other, поэтому условия использования следует сверять с карточкой модели и её лицензией. README не содержит оценок качества или подробных результатов тестирования.

mrm8488/mamba-coder — языковая модель для генерации кода и ответов на инструкции, основанная на архитектуре Mamba, разработанной как альтернатива трансформерам на основе пространства состояний. Модель содержит 6 млрд параметров и распространяется в формате PyTorch; в метаданных указана библиотека Transformers. Модель дообучена на наборе CodeAlpaca_20K из 20 тысяч примеров инструкций для задач программирования. Она подходит для генерации фрагментов кода, помощи в написании и изменении программ, а также ответов на вопросы о коде. Карточка не приводит результатов оценки качества. Лицензия — WTFPL.

OpenCodeInterpreter-SC2-3B — модель генерации кода из семейства OpenCodeInterpreter, разработанная как система для создания, выполнения и итеративного уточнения кода. Она основана на StarCoder2-3B и использует плотную авторегрессионную архитектуру Starcoder2ForCausalLM; в метаданных указано 4,2 млрд параметров и контекст до 16 384 токенов. Модель предназначена для генерации кода и помощи в программировании. Семейство OpenCodeInterpreter исследует использование обратной связи от выполнения кода для его уточнения; README приводит результаты серии моделей на HumanEval и MBPP, но не указывает отдельные результаты именно этой версии. Карточка описывает англоязычную модель. Веса доступны в формате safetensors, лицензия — Apache-2.0.

Это инструкционно дообученная модель Qwen2.5-Coder-1.5B, опубликованная Unsloth на основе Qwen/Qwen2.5-Coder-1.5B-Instruct. Она предназначена для генерации, анализа и исправления кода в диалоговом формате, а также может применяться для задач математики и общего общения. Модель содержит около 1,5 млрд параметров, использует архитектуру Qwen2 с причинной языковой моделью и работает через библиотеку Transformers. Метаданные указывают контекст до 32 768 токенов; в README описана поддержка длинного контекста до 131 072 токенов с настройкой YaRN. Модель принимает текст и генерирует текст. Её компактный размер подходит для локального прототипирования и кодовых помощников с ограниченными ресурсами, при этом она сохраняет навыки генерации и рассуждения о коде. Карточка описывает семейство Qwen2.5-Coder, но не приводит подробный перечень поддерживаемых языков программирования или языков общения; метаданные отмечают английский язык. Лицензия — Apache-2.0.

kepom/Qwen2.5-Coder-1.5B-Instruct-abliterated — версия Qwen2.5-Coder-1.5B-Instruct, обработанная методом abliteration для снижения отказов на запросы. Модель основана на Qwen2.5-Coder-1.5B-Instruct и предназначена для генерации кода и диалогового взаимодействия. Она имеет плотную архитектуру Qwen2ForCausalLM, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов; для работы с ней можно использовать Transformers. В README приведены результаты повторной оценки на IF_Eval, MMLU Pro и TruthfulQA: показатели отличаются от исходной модели и меняются в зависимости от теста. Репозиторий распространяется по лицензии Apache-2.0. Снижение отказов может ослаблять защитное поведение модели; результаты тестов не гарантируют качество для конкретных задач.

Shaurya-saini дообучил модель unsloth/Qwen2.5-Coder-7B-Instruct-bnb-4bit на архитектуре Qwen2.5 Coder. Это плотная авторегрессионная модель с 7,1 млрд параметров, предназначенная для генерации текста в диалоговом формате; базовая модель ориентирована на задачи программирования. Модель принимает текст и формирует текстовые ответы, поддерживает контекст до 32 768 токенов и английский язык. Модель подходит для диалоговых сценариев с запросами по коду и генерацией текста. В карточке не описаны обучающие данные и конкретная специализация дообучения, поэтому качество для отдельных задач и отличие от базовой модели оценить нельзя. Распространяется по лицензии Apache-2.0.

Refact-1.6B-fim — плотная авторегрессионная языковая модель Refact AI для генерации и дополнения кода. Она предназначена прежде всего для заполнения пропусков в коде по контексту до и после места вставки (Fill-in-the-Middle), например в IDE; также поддерживает диалоговый формат для вопросов о программировании. Модель содержит 1,6 млрд параметров, построена на архитектуре GPTRefact с multi-query attention, ALiBi и LayerNorm и принимает контекст длиной до 4096 токенов. Модель дообучена на синтетических примерах и отфильтрованных наборах инструкций для кода; в карточке отмечены датасеты The Stack Dedup и CommitPackFT. По заявлению авторов, настройка улучшила генерацию коротких, однострочных и многострочных дополнений, в том числе пустых. Основной язык обучающих текстовых данных — английский, хотя в комментариях к коду встречаются другие языки; качество на неанглийском языке ниже. Лицензия — BigScience OpenRAIL-M.

Refact-1.6B — компактная модель генерации исходного кода, представленная в формате GGUF под идентификатором Mungert/Refact-1_6B-fim-GGUF. Разработчик в предоставленном README явно не указан. Модель предназначена для автодополнения и генерации кода, включая сценарии fill-in-the-middle, а также для исправления, документирования и объяснения программного кода. Размер модели составляет 1,6 млрд параметров. В README не указаны точная архитектура, размер контекста, поддерживаемые языки в полном объёме и модальности; приведены результаты для Python, JavaScript, Java, C++, Go и Rust. Для обучения использовались, среди прочего, The Stack, GitHub-код с разрешительной лицензией, книги, arXiv, C4, Wikipedia и наборы commitpackft. В HumanEval заявлены pass@1 32,0 при температуре 0,01 и pass@100 76,9 при температуре 0,8, однако все приведённые метрики помечены как непроверенные. Сильная сторона модели — специализация на задачах программирования при относительно небольшом размере, что может упростить локальное развертывание. Ограничения включают отсутствие подробных сведений об архитектуре, контекстном окне и языковом покрытии, а также непроверенный статус опубликованных оценок; качество генерации следует дополнительно проверять тестами. Лицензия — BigScience OpenRAIL-M.

Shark-Coder-9b — слитая модель на архитектуре Mistral, созданная powermove72 с помощью LazyMergekit из powermove72/Shark-1 и S-miguel/The-Trinity-Coder-7B. Она предназначена для генерации и дополнения кода, а также ответов на запросы по программированию в формате текстового диалога. Модель содержит 8,9 млрд параметров и поддерживает контекст длиной до 32 768 токенов; веса опубликованы в формате safetensors. Слияние выполнено методом passthrough с объединённым токенизатором; в конфигурации указана точность float16. В доступных материалах не описаны результаты оценки качества, конкретные языки программирования или поддержка вызова инструментов. Лицензия не указана в предоставленных данных.

SimpleSD-30B-instruct — исследовательская языковая модель Apple, созданная методом Simple Self-Distillation: модель дообучили на собственных сгенерированных примерах без учителя, функции вознаграждения, верификаторов и обучения с подкреплением. Для инициализации использована Qwen3-30B-A3B-Instruct-2507; архитектура — Qwen3 MoE, веса опубликованы в формате safetensors. В метаданных указано 2,6 млрд параметров и контекст до 262 144 токенов. Модель предназначена прежде всего для генерации кода и диалогового выполнения инструкций. Её можно применять для генерации фрагментов кода и исследования само-дистилляции языковых моделей. В README приведены параметры сэмплирования для обучения и оценки, а также пример загрузки через Transformers. Это исследовательский чекпойнт для воспроизводимости экспериментов, не оптимизированный релиз Qwen. Лицензия — Apple AMLR; перед использованием следует учитывать её условия.

uukuguy разработал speechless-tora-code-7b-v1.0 — дообученную для программирования, рассуждений и планирования плотную авторегрессионную модель семейства Llama на 6,6 млрд параметров. Она принимает инструкции в формате Alpaca и предназначена для генерации кода и ответов на связанные с программированием запросы. В карточке указано дообучение на наборах данных с примерами кода, инструкций и рассуждений; для Python приведён результат HumanEval 51,829. Модель рассчитана на текстовый ввод и генерацию текста, поддерживает английский язык и контекст до 16 384 токенов. В репозитории представлены исходный формат PyTorch, а также варианты AWQ, GPTQ и GGUF для GPU или CPU+GPU-инференса. Лицензия — Llama 2.

StarChat-β — диалоговая языковая модель и помощник по программированию, разработанный HuggingFaceH4. Это вторая модель серии StarChat, дообученная на базе bigcode/starcoderplus на варианте набора openassistant-guanaco без встроенного выравнивания. Модель построена на архитектуре GPTBigCode, содержит 16 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для диалогов и помощи с задачами программирования, включая генерацию кода. Основной естественный язык — английский; обучение StarCoderPlus охватывало более 80 языков программирования, а диалоговый набор включал более 35 естественных языков, что не означает одинакового качества на всех из них. Отсутствие выравнивания и фильтрации может приводить к проблемным ответам. Сгенерированный код может быть ошибочным, небезопасным или не компилироваться, а URL могут быть вымышленными. Лицензия BigCode Open RAIL-M v1; авторы рекомендуют использовать модель в образовательных и исследовательских целях.

abacaj/starcoderbase-1b-sft — дообученная модель семейства GPTBigCode для генерации текста и кода. В карточке указано, что при обучении использован набор данных theblackcat102/evol-codealpaca-v1; модель работает в формате PyTorch и поддерживает контекст до 8192 токенов. Её можно применять для генерации фрагментов кода и текстовых ответов на инструкции, связанных с кодом. Карточка не содержит сведений о размере модели, результатах оценки качества или условиях лицензии, поэтому эти характеристики нельзя подтвердить. README также не описывает ограничения и конкретные языки программирования, на которых модель работает лучше всего.