II.7DevOps, облако и эксплуатация IT-систем

roleplaiapp/Qwen2.5-Coder-14B-Instruct-Uncensored-Q4_K_M-GGUF — это квантованная версия модели Qwen2.5-Coder-14B-Instruct-Uncensored, опубликованная Andrew Webby от RolePlai. Модель предназначена для генерации текста и использования в сценариях, где требуется запуск через llama.cpp или другое программное обеспечение, поддерживающее формат GGUF; исходное семейство позиционируется как instruct-модель для задач, связанных с программированием. Модель содержит 14 миллиардов параметров и представлена в формате GGUF с методом квантования Q4_K_M, что уменьшает требования к памяти по сравнению с полноразмерной версией. README не содержит сведений об архитектуре, поддерживаемых языках, размере контекста и мультимодальности. Указание Uncensored означает заявленную особенность исходной модели, однако подробности ограничений и поведения не приведены. Лицензия и точные условия использования в README не указаны. Сильной стороной является сочетание кодировочной instruct-модели с 4-битным квантованием, потенциально удобным для локального запуска, но качество и совместимость зависят от используемого движка и конкретного сценария применения.

alphaduriendur/Qwen2.5-Coder-1.5B-Instruct-Q4_K_M-GGUF — это квантизированная версия Qwen2.5-Coder-1.5B-Instruct, преобразованная в формат GGUF с использованием llama.cpp и сервиса GGUF-my-repo. Модель предназначена для генерации текста и работы с программным кодом в инструкционном и чат-сценариях, включая локальный запуск через llama.cpp. Модель имеет размер 1,5 млрд параметров и использует квантизацию Q4_K_M, что снижает требования к памяти и делает её подходящей для запуска на локальных устройствах. В карточке указана поддержка английского языка и текстовая модальность. Для запуска доступны llama-cli и llama-server; в примере конфигурации сервера используется контекст размером 2048 токенов, однако максимальный размер контекста в карточке отдельно не указан. К сильным сторонам относятся компактность, совместимость с экосистемой llama.cpp и удобство локального инференса. Ограничениями являются небольшой размер модели по современным меркам и возможная потеря качества из-за квантизации; подробные результаты оценки, перечень поддерживаемых языков и характеристики исходной модели в этой карточке не приведены. Модель распространяется по лицензии Apache-2.0.

Qwen3-Zero-Coder-Reasoning-0.8B — компактная модель генерации текста для программирования, созданная DavidAU на платформе Qwen3. По карточке модели, это объединение двух моделей размером 0,6 млрд параметров; метаданные указывают базовые репозитории Qwen/Qwen3-0.6B и suayptalha/Qwen3-0.6B-Code-Expert. Модель имеет плотную архитектуру Qwen3ForCausalLM и содержит около 684 млн параметров. Модель предназначена для генерации кода, подготовки черновиков, обсуждения идей и решения многошаговых задач программирования с рассуждениями. Она поддерживает диалог и интерфейс вызова инструментов; заявленная длина контекста — до 40 960 токенов. README рекомендует контекст от 8 000 до 16 000 токенов, шаблон Jinja или ChatML и настройку параметров генерации под сложность задачи. Карточка заявляет высокую скорость генерации и пригодность как для простых, так и для сложных запросов, однако независимые оценки качества не приведены. Модель работает с текстовыми запросами и выдаёт текст, включая код; язык карточки — английский, а пригодность для других языков отдельно не уточняется. Лицензия — Apache-2.0. Модель распространяется в формате Safetensors; автор также описывает создание квантованных вариантов.

Nanthasit/sakthai-coder-1.5b — модель от разработчика Nanthasit, дообученная на базе Qwen2.5-Coder-1.5B-Instruct. Она предназначена для генерации и завершения кода, исправления ошибок, небольших рефакторингов, а также формирования JSON для вызова инструментов и функций. Модель имеет около 1,5 млрд параметров и поставляется в формате GGUF с квантизацией Q4_K_M. Она ориентирована на локальный офлайн-запуск на CPU через llama.cpp или llama-cpp-python; заявленный объём памяти составляет менее 1,2 ГБ, а пример конфигурации использует контекст 4096 токенов. В карточке указан английский язык. Рекомендуемые параметры генерации включают temperature 0,2, top_p 0,9 и до 1024 новых токенов. Сильными сторонами являются компактность, возможность работы без GPU и поддержка структурированных tool-calling-ответов: для SakThai Bench v2 заявлены 100% валидных JSON-ответов и 91,2% точности выбора инструмента при корректном формате prompt. Модель также демонстрирует пригодность для типичных задач программирования, однако результаты могут зависеть от формата запроса, а ошибки в анализе логики кода всё ещё возможны, поэтому критические изменения требуют проверки. Модель распространяется по лицензии Apache 2.0.

SFTCodePhi1 — дообученная AdnanRiaz107 модель Microsoft Phi-3-mini-128k-instruct для генерации кода и текста. Она построена на плотной архитектуре Phi-3 с 3,7 млрд параметров и принимает текстовые запросы, выдавая текст. В карточке указаны дообучение на наборе данных APPS и значение loss 0,8314 на оценочной выборке. Модель подходит для генерации кода по описанию и диалоговых сценариев, связанных с программированием. Лицензия — MIT. В метаданных указано контекстное окно 4096 токенов; оно короче заявленного в названии базовой модели контекста 128K.

Starlight Mini — диалоговая языковая модель для генерации текста и помощи с программированием, разработанная arthu1 в подразделении AI компании North ML. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, дообученная на основе arthu1/astrocoder-star-merge; для диалоговой настройки в метаданных указан датасет HuggingFaceH4/ultrachat_200k. Модель рассчитана прежде всего на английский язык, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Разработчик позиционирует её как помощника для задач кодирования и сообщает о результате 60–65% на SWE-Benchmark, но не приводит подробностей методики оценки. Модель можно запускать локально; лицензия — MIT. Карточка описывает её как первую версию проекта и отмечает, что качество ниже Claude Haiku 3.5.

SynapseLLM — серия языковых моделей WebraftAI; этот репозиторий содержит предварительную версию модели, дообученной на базе Mistral 7B v0.1. Это плотный авторегрессионный трансформер с 7,1 млрд параметров и контекстом до 32 768 токенов, предназначенный для генерации текста, диалоговых ответов и выполнения инструкций по программированию. Модель принимает текст и генерирует текст; в карточке заявлена поддержка английского языка. Дообучение проводилось на пользовательском наборе данных с примерами кода и вопросов-ответов общего назначения. README сообщает, что адаптеры QLoRA были объединены с базовой моделью; веса доступны в формате Safetensors для Transformers. Модель выпущена как preview, а обучение описано как ограниченное по объёму, поэтому качество на широком круге задач может быть нестабильным. Лицензия — Apache 2.0.

TAQ Qwen3-Coder-Next outlier_4bit — исследовательский чекпойнт на основе Qwen/Qwen3-Coder-Next, созданный в рамках Tail-Aware Quantization. Архитектура — MoE-декодер для генерации текста; в метаданных указано 2,3 млрд параметров и контекст до 262 144 токенов. Модель ориентирована на задачи кодирования и работу в диалоговом режиме с интерфейсом вызова инструментов. Несмотря на обозначение 4-bit, репозиторий содержит деквантизированные тензоры BF16/FP16 для оценки, а не упакованный 4-битный формат: README не заявляет снижения занимаемого места на диске или VRAM. Для чекпойнта приведено значение PPL 12,38 на WikiText-2; сопоставимые оценки на HumanEval+ и MBPP+ ещё ожидаются. Лицензия — Apache-2.0.

Jebadiah/Tess-coder-ruby-p4 — объединённая модель для генерации текста и кода, созданная с помощью mergekit. В качестве базовой использована Jebadiah/Tess-Qwen-ruby-p3, в слияние также включена rombodawg/Llama-3-8B-Instruct-Coder; применён метод DARE linear. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для диалоговой генерации и помощи с программированием, включая создание и дополнение кода. Она доступна в формате safetensors для использования с Transformers. Лицензия в предоставленных данных не указана.

VibeThinker-3B-GGUF — GGUF-версия языковой модели VibeThinker-3B, разработанной WeiboAI на основе Qwen2.5-Coder-3B. Это текстовая autoregressive-модель примерно на 3 млрд параметров, ориентированная на рассуждения и генерацию текста. Модель обучалась с использованием двухэтапного curriculum-based SFT, reinforcement learning по нескольким доменам с методом MaxEnt-Guided Policy Optimization, offline self-distillation и instruct RL. Заявленный основной язык — английский. Модель предназначена прежде всего для решения математических задач, программирования, STEM-задач, reasoning и instruction-following, особенно в сценариях с проверяемыми ответами: соревновательная математика, coding contests и задачи на алгоритмы. Для инференса рекомендуются vLLM или SGLang; заявлены temperature 1.0, top_p 0.95 и поддержка до 102K выходных токенов. Репозиторий содержит варианты GGUF с точностями от Q2_K до Q8_0, а также BF16, F16 и F32, что позволяет выбирать между размером файла, требованиями к памяти и качеством. Сильной стороной модели является специализация на проверяемом рассуждении при компактном размере; в README также заявлены высокие результаты на бенчмарках по математике и программированию. Ограничение состоит в том, что модель оптимизирована для задач с ясными критериями проверки и может уступать более крупным универсальным моделям в широких open-domain сценариях и работе с общими знаниями. Указана лицензия MIT.

Ziya-Coding-15B-v1 — разработанная IDEA-CCNL предварительно обученная и дообученная модель для задач программирования на основе StarCoderBase с 15,5 млрд параметров. Она принимает инструкции и генерирует, продолжает и исправляет код, объясняет его, выполняет перевод кода и задачи NL2SQL; также обучалась на общих инструкциях на китайском языке. Модель рассчитана на работу с текстом и кодом, поддерживает китайский и английский языки и имеет контекст длиной 8192 токена. Для улучшения понимания китайского и следования инструкциям разработчики продолжили обучение StarCoderBase на корпусе из китайского, английского и кода, а затем провели трёхэтапное supervised fine-tuning на общих и кодовых инструкциях, включая данные с обратной связью компилятора. В README приведены результаты HumanEval и MBPP, однако они не гарантируют качество на других языках программирования и прикладных задачах. Модель распространяется по лицензии GPL-3.0.

Ziya Coding 34B v1.0 — это языковая модель для генерации и дополнения программного кода, разработанная Fengshenbang-LM (IDEA-CCNL). Представленная версия распространяется в формате GGUF и квантована TheBloke для запуска через llama.cpp и совместимые интерфейсы и библиотеки, включая text-generation-webui, LM Studio и llama-cpp-python. Модель основана на архитектуре Llama и имеет 34 млрд параметров. Она предназначена прежде всего для завершения функций по их docstring и других задач генерации кода. В заявленных языках указаны китайский и английский. Модель относится к текстовым, поэтому сведений о поддержке изображений, аудио или других модальностей нет. Размер контекста в README не указан. Основное преимущество версии GGUF — наличие вариантов квантования от 2 до 8 бит, что позволяет выбирать баланс между качеством, потреблением памяти и скоростью инференса на CPU и GPU. Ограничения включают возможную потерю качества при сильном квантовании, а также отсутствие в README подробных результатов тестирования и информации о фактической эффективности на разных языках программирования. Для использования указаны лицензия GPL-3.0 исходной модели и дополнительные условия Meta Llama 2; из-за заявленного двойного лицензирования следует отдельно проверить совместимость условий для конкретного сценария.

CodeFuse-Mixtral-8x7B — языковая модель для программирования, разработанная CodeFuse и дообученная методом QLoRA на базе Mixtral-8x7B-v0.1. В метаданных указаны архитектура Mixtral с механизмом смеси экспертов (MoE), 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации кода и решения связанных с программированием задач в формате текстового запроса и ответа. README приводит результат 56,1% pass@1 на HumanEval при жадном декодировании. Модель использует формат запросов с метками ролей; для подсказок по коду также применяются метки языка, например Python. В карточке указана лицензия «other», без уточнения конкретных условий. Результат HumanEval отражает один тестовый набор и сам по себе не гарантирует качество на других языках программирования и задачах.

CodeLlama-13b-Python-hf — языковая модель Meta из семейства Code Llama, представленная в формате Transformers. Это авторегрессионный плотный трансформер на 12,9 млрд параметров, рассчитанный на генерацию и понимание кода с особым упором на Python; модель принимает текст и генерирует текст. Она поддерживает автодополнение кода, но не предназначена для диалога или выполнения инструкций. Контекст составляет 16 384 токена. README указывает английский язык и языки программирования, в частности Python; метаданные отдельно перечисляют код как язык карточки, поэтому языки программирования не включены в поле естественных языков. Модель выпущена Meta в 2023 году и является Python-специализированной производной базовой Code Llama-13B. Для использования действует лицензия Meta Llama 2 с условиями коммерческого применения, изложенными в соглашении Meta.

shareAI/CodeLLaMA-chat-13b-Chinese — китайская версия CodeLlama для многоходового диалога, предназначенная для ответов на вопросы по программированию и работы в роли помощника по коду. Модель разработала shareAI; карточка описывает её как специализированную на коде, в отличие от ChineseLLaMa общего языкового назначения. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 12,9 млрд параметров. Она работает через Transformers, принимает текст и генерирует текст; заявленный контекст составляет 16 384 токена. Метаданные указывают китайский и английский языки, а обучение связано с наборами ShareGPT-Chinese-English-90k и CodeChat. Модель подходит для диалога о коде, ответов на вопросы по программированию и генерации программного текста. Лицензия — OpenRAIL; перед использованием следует учитывать её условия. Карточка не сообщает конкретные результаты оценки качества или ограничения по языкам программирования.

CodeLoxa-4B — компактная языковая модель для генерации кода, представленная frameai. Это плотная авторегрессионная модель семейства Llama на 4 млрд параметров, доступная в формате safetensors и рассчитанная на работу с контекстом до 131 072 токенов. Модель поддерживает диалоговый режим и интерфейс вызова инструментов. Она предназначена для помощи в разработке: генерации шаблонного кода, рефакторинга и оптимизации существующих фрагментов, а также обучения программированию. В карточке заявлена точность 96%, но методика и набор тестов не приведены, поэтому результат следует проверять и тестировать. Метаданные указывают английский язык. Модель распространяется по проприетарной лицензии согласно README; условия следует уточнить у разработчика.

CodeNinja — дообученная методом supervised fine-tuning модель beowolx на базе OpenChat 3.5-1210, предназначенная для помощи в программировании. Она обучалась на наборах glaiveai/glaive-code-assistant-v2 и TokenBender/code_instructions_122k_alpaca_style, включающих около 400 тысяч инструкций по коду. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров. Модель генерирует ответы и код по запросам на естественном языке, помогает с дополнением кода и повседневными задачами разработки. В README перечислены Python, C, C++, Rust, Java и JavaScript, а метаданные указывают английский язык. Контекст составляет 8192 токена; для диалогов используется формат запросов OpenChat 3.5. Модель доступна в формате safetensors, распространяется по лицензии MIT. Качество и полнота поддержки отдельных языков программирования могут различаться.

jd3 — дообученная модель для генерации текста на основе deepseek-ai/deepseek-coder-1.3b-base, созданная автором репозитория stojchet и обученная на наборе данных generator. Она использует плотную архитектуру LlamaForCausalLM и содержит 1,3 млрд параметров. Модель предназначена для генерации продолжения текста и кода; базовая модель поддерживает автодополнение и заполнение пропусков в коде. Контекст — до 16 384 токенов. Веса представлены в формате Safetensors. Лицензия указана как other, поэтому конкретные условия использования по этим данным определить нельзя.

lexi-coder-v4.2 — дообученная Reallexi модель для генерации текста и кода на основе Microsoft Phi-4-mini-instruct. LoRA-адаптер объединён с базовыми весами, поэтому запускать отдельный PEFT-адаптер не требуется. Модель содержит около 3,85 млрд параметров, использует архитектуру Phi-3 для авторегрессионной генерации и обучена на контекстном окне 2048 токенов; метаданные каталога указывают нативный контекст 4096 токенов. Модель рассчитана на диалоговое использование и задачи кодирования, однако README не приводит результатов оценки, перечня поддерживаемых языков или подробного описания обучения. Репозиторий содержит веса safetensors; лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии на странице модели.

Petrouil/LFM2.5-Mosaic-900M-A500M-Base — агентный текстовый ассистент на архитектуре Mixture-of-Experts, разработанный на основе замороженной базовой модели LiquidAI/LFM2.5-350M-Base. В модель добавлены десять MoE-слоёв; карточка указывает 921 млн параметров всего и около 543 млн активных на токен, тогда как метаданные каталога сообщают 444,6 млн параметров. Модель рассчитана на вызов инструментов, функции и многошаговые диалоги с инструментами, а также обычное общение и следование инструкциям в цикле ассистента с подключёнными инструментами. Она генерирует структурированные вызовы инструментов в JSON или в нативном формате LFM2.5. Модель принимает и генерирует текст, поддерживает английский язык и имеет контекстное окно 128 000 токенов. Она дообучена на данных для агентных сценариев, включая траектории вызова инструментов, обслуживание клиентов и поиск в интернете, а также на наборах разговоров и инструкций. Слабые стороны — ограниченные общие знания и рассуждения на длинном горизонте, возможные повторы в длинной генерации и мягкая маршрутизация между экспертами. Указана пользовательская лицензия; перед коммерческим распространением следует проверить её условия.

Sakana AI разработала Llama-3-8B-Instruct-Coding-Expert — экспериментальную авторегрессионную языковую модель семейства Llama на 7,5 млрд параметров, основанную на Llama-3-8B-Instruct. Модель предназначена для генерации текста в диалоговом режиме и ориентирована на задачи программирования; в README указаны обучающие данные Magicoder-Evol-Instruct-110K и Magicoder-OSS-Instruct-75K. Модель принимает текст и генерирует текст. Метаданные указывают английский язык и контекст до 8192 токенов. В README модель представлена как один из экспертных компонентов набора Llama-3-CycleQD. Это экспериментальный прототип для исследований и разработки: авторы не рекомендуют коммерческое использование и развертывание в критически важных средах, а качество результатов не гарантируется. Лицензия — Meta Llama 3 Community License.

Magicdeep_7b_ultimite_chatbot — объединённая модель генерации кода, созданная с помощью mergekit на основе DeepSeek Coder 6.7B Instruct и Magicoder-DS-6.7B. Она использует плотную архитектуру LlamaForCausalLM и содержит около 6,6 млрд параметров. Модель предназначена для диалоговой генерации и дополнения программного кода, а также для ответов на вопросы и объяснения кода. Контекст составляет 16 384 токена. Веса представлены в формате safetensors; модель распространяется по лицензии Apache-2.0. Карточка не сообщает результаты оценки качества или конкретный перечень поддерживаемых языков программирования. Практическое качество может зависеть от задачи и формулировки запроса.

Mellum-4b-sft-all — дообученная JetBrains языковая модель для задач, связанных с кодом. Она основана на плотной архитектуре LLaMA и содержит 3,7 млрд параметров; контекст — до 8192 токенов. Модель предназначена прежде всего для контекстного автодополнения кода, включая дополнение фрагментов с учётом контекста проекта, а также для генерации кода и создания помощников для разработки. Модель дообучена на коде на многих языках программирования, включая Python, Java, C++, JavaScript, TypeScript, Go, Rust, SQL и другие. Её можно применять в IDE, облачном или локальном инференсе, а также в образовательных и исследовательских проектах. Репозиторий содержит веса в формате safetensors; карточка также сообщает о сохранении bf16 точности. Модель распространяется по лицензии Apache-2.0. Представленные в карточке тесты оценивают заполнение кода и показывают результаты на RepoBench, SAFIM и HumanEval Infilling. Модель может воспроизводить особенности и предвзятости публичных кодовых баз, а предложенный код необходимо проверять: он может содержать уязвимости.

iitzprakhar/my-custom-code-ai — дообученная автором iitzprakhar языковая модель для генерации текста, созданная на основе unsloth/qwen2.5-coder-1.5b-instruct-bnb-4bit. Это плотная причинная архитектура Qwen2 размером 1,5 млрд параметров с контекстом до 32 768 токенов; модель сохранена в формате safetensors и поддерживает диалоговый режим и интерфейс вызова инструментов. В карточке указано, что обучение проводилось с Unsloth и библиотекой TRL; модель ориентирована на сценарии генерации кода и общения с кодовым ассистентом, унаследованные от базовой Qwen2.5-Coder-Instruct. Модель принимает текст и генерирует текст. В метаданных указан английский язык, а лицензия — Apache 2.0. Карточка не приводит результаты оценки качества и подробностей о собственных данных или специализации дообучения, поэтому качество на конкретных языках программирования и задачах следует проверять отдельно.

Olmo 3.1 7B RL-Zero Code — авторегрессионная трансформерная языковая модель Allen Institute for AI (Ai2), дообученная на базовой allenai/Olmo-3-1025-7B с обучением по проверяемым вознаграждениям на наборе Dolci-RL-Zero-Code-7B, содержащем запросы по программированию. Это экспериментальная модель семейства RL-Zero для исследования методов RLVR, ориентированная на генерацию кода и ответы на запросы о программировании. Модель имеет 6,9 млрд параметров, использует архитектуру Olmo3ForCausalLM и принимает текст, выдавая текст; заявленная длина контекста — 65 536 токенов. README указывает английский язык. Для использования доступна библиотека Transformers версии 4.57.0 или выше. Модель может генерировать неточный код и неверные утверждения, а отсутствие фильтрации безопасности допускает вредоносные или чувствительные ответы. Лицензия — Apache 2.0; Ai2 указывает исследовательское и образовательное назначение в соответствии с руководством по ответственному использованию.

Это 4-битная версия модели OpenCodeInterpreter-DS-33B, преобразованная сообществом mlx-community из m-a-p/OpenCodeInterpreter-DS-33B в формат MLX для запуска на устройствах Apple Silicon с помощью mlx-lm. Модель основана на плотной архитектуре Llama и содержит 33,1 млрд параметров; длина контекста — 16 384 токена. Модель предназначена для диалоговой генерации текста и помощи с программированием на английском языке. Её можно использовать для написания, объяснения и отладки кода в сценариях общения с ассистентом. README отсылает к исходной карточке OpenCodeInterpreter-DS-33B за подробностями о возможностях. Это преобразование и квантизация до 4 бит для MLX, что снижает требования к памяти при запуске, но может повлиять на точность относительно исходной модели. Модель распространяется по лицензии исходного репозитория; сведения о лицензии в предоставленных данных отсутствуют.

OpenThinkerAgent-8B-RL — модель для программной разработки и агентных задач от проекта OpenThoughts-Agent. Это финальный чекпойнт рецепта SFT→RL: модель Qwen3-8B сначала прошла холодное SFT-обучение, затем дообучалась методом обучения с подкреплением на задачах из OpenThoughts-Agent-RL-5K. В метаданных указаны 7,6 млрд параметров, архитектура Qwen3ForCausalLM и контекстное окно 40 960 токенов; веса опубликованы в формате safetensors, библиотека — Transformers. Модель предназначена для работы в среде terminus-2 как агент, который использует терминал, анализирует его вывод и выполняет задачи программной инженерии. Обучение с подкреплением проводилось на задачах набора pymethods2test-large, где решения проверялись тестами в изолированной среде. Лицензия — Apache-2.0. Модель может ошибаться в рассуждениях и командах, включая команды оболочки. Её обучение было ориентировано на распределение задач pymethods2test/SWE-Smith, поэтому качество на других типах задач может быть неравномерным; проверенные результаты бенчмарков для этого чекпойнта не опубликованы.

moelanoby/phi-3-M3-coder — дообученная модель на базе Microsoft Phi-3 Mini Instruct, предназначенная для генерации кода и диалогового взаимодействия. Это плотная причинная языковая модель архитектуры Phi-3 с 3,7 млрд параметров и контекстом до 4096 токенов; карточка указывает поддержку кода и чата, а также языки Arabic, English, German, French, Portuguese и Polish. Модель рассчитана на написание и исправление программного кода, в том числе с экспериментальным режимом самокоррекции в несколько проходов. В README приведены результаты на HumanEval и других тестах, однако отдельные показатели заявлены самим автором и могут не отражать качество на иных задачах. Карточка рекомендует проверять баланс между числом проходов самокоррекции, связностью и точностью. Указана лицензия Apache 2.0, допускающая коммерческое использование.

Это экспериментальная квантизированная версия Qwen2.5-Coder-32B-Instruct, подготовленная автором репозитория tzervas. Модель сохраняет архитектуру Qwen2 плотностью 32 млрд параметров и предназначена для генерации кода в диалоговом и инструктивном режиме, а также для анализа и исправления кода. Указанный размер контекста — 32 768 токенов; в карточке заявлена поддержка английского и китайского языков. Веса квантизированы до троичных значений {-1, 0, +1} с групповым масштабированием и упаковкой четырёх значений в байт. Репозиторий содержит SafeTensors и экспериментальный GGUF TQ2_0; основной заявленный формат — SafeTensors. Для троичных весов требуется специальная среда выполнения, обычный Transformers их не поддерживает. Качество не проходило формальную оценку и может заметно уступать исходной модели; автор не рекомендует использовать её в production без предварительной проверки. Лицензия — Apache-2.0.

QwOpus-4.6-Coder-3B — компактная языковая модель для генерации текста и программного кода, разработанная пользователем ryzdfm на базе Qwen2.5-Coder-3B-Instruct от команды Qwen. Модель дообучена методом supervised fine-tuning с LoRA на 3 209 примерах рассуждений, дистиллированных из наборов данных с траекториями Claude Opus и другими образцами пошагового reasoning. Она ориентирована на локальный запуск на потребительском оборудовании и поддерживает формирование структурированных рассуждений в тегах <think> перед итоговым ответом. Модель предназначена прежде всего для генерации и объяснения кода, решения алгоритмических, математических и логических задач, а также сценариев, где важны пошаговый анализ и проверка решения. Заявлены Python и JavaScript, однако полный перечень поддерживаемых языков не указан. Это текстовая autoregressive-модель с параметрами масштаба 3B и максимальной длиной последовательности 4096 токенов. Для запуска доступны варианты квантования Q4_K_M, Q3_K_M и Q8_0; версия Q4_K_M требует около 2,1 ГБ видеопамяти и, по данным README, обеспечивает примерно 88 токенов в секунду на RTX 3050 4GB. Сильные стороны модели — небольшой размер, высокая скорость, возможность приватного локального использования и выраженный стиль структурированного reasoning. Ограничения связаны с масштабом 3B: модель может испытывать трудности при генерации длинного многoфайлового кода и проектировании сложных систем; глубина рассуждений уступает более крупным моделям, а ответы могут содержать ошибки и требуют проверки. В метаданных указаны английский язык и лицензия Apache-2.0.