II.7DevOps, облако и эксплуатация IT-систем

Vedika-Code-Pro-v1 — языковая модель Veda Labs, предназначенная для программирования и задач рассуждения. В метаданных Hugging Face указаны архитектура VedikaCodeProV1ForCausalLM, плотный тип архитектуры, 44,9 млрд параметров, библиотека Transformers и формат Safetensors. README приводит другие характеристики размера: 1,6 трлн общих параметров и 49 млрд активируемых; это расхождение не позволяет однозначно установить фактический размер модели. Заявлена длина контекста около 1 млн токенов. Модель принимает текст и генерирует текст; README указывает на форматирование сообщений, совместимое с OpenAI, и отдельные скрипты кодирования, поскольку в выпуске нет шаблона чата Jinja. Она рассчитана на помощь в написании кода и рассуждениях, в том числе в сценариях разработки. Язык программирования и поддерживаемые естественные языки в доступных данных не перечислены. Лицензия — MIT.

lilmeaty/abcdef — объединённая языковая модель, созданная автором репозитория с помощью mergekit. В слияние методом passthrough вошли 11 предварительно обученных моделей, включая варианты Llama 3.2 3B, Qwen2.5-3B, Ministral-3b, Stable Code 3B, Granite 3B и корейскую Bllossom. В метаданных указаны архитектура Llama с причинной генерацией текста, 1,6 млрд параметров и контекст до 131 072 токенов. Модель предназначена для генерации текста и ответов на запросы; состав слияния охватывает чатовые, корейские, неконцензурированные и кодовые варианты. Репозиторий использует формат safetensors и библиотеку Transformers. README не сообщает лицензию, поэтому условия использования по имеющимся сведениям определить нельзя.

Absolute_Zero_Reasoner-Coder-14b-GGUF — это квантованная версия языковой модели Absolute_Zero_Reasoner-Coder-14b, разработанной andrewzh. Квантование выполнил bartowski с использованием llama.cpp и метода imatrix; модель распространяется в формате GGUF и предназначена для запуска через llama.cpp, LM Studio и другие совместимые проекты. Модель относится к классу text-generation и ориентирована на задачи рассуждений и генерации программного кода. Известен размер базовой модели — 14 млрд параметров. В карточке не указаны архитектура, поддерживаемые языки, контекстное окно и мультимодальные возможности, поэтому подтвердить эти характеристики нельзя. Доступны варианты от BF16 до различных квантований Q8, Q6, Q5, Q4, Q3 и IQ. Более высокие уровни квантования сохраняют лучшее качество, но требуют больше памяти; варианты Q4 и Q5 описаны как сбалансированные по качеству и размеру, а Q3 предназначены для систем с ограниченным объёмом RAM. Квантованные файлы удобны для локального запуска, однако снижение точности по сравнению с исходной моделью зависит от выбранного варианта. Лицензия в README не указана.

Aurora-Code-1 — языковая модель для программирования, разработанная канадской компанией Perciqa на базе Qwen3.6-35B-A3B. Это дообученная методом LoRA SFT модель архитектуры Transformer с механизмом Mixture-of-Experts: в README указано 35 млрд параметров всего и 3 млрд активируемых на токен; метаданные каталога указывают 2,9 млрд параметров. Модель предназначена для генерации и анализа кода, отладки, ревью и многошаговой работы агентных систем с кодовыми базами. Обучение проводилось на 2 700 инструкционных примерах для задач программирования. README заявляет поддержку более 40 языков программирования и перечисляет Python, TypeScript, Go и Rust. Модель принимает текстовые запросы и выдаёт текст, включая код. Контекстное окно — 262 144 токена. Её можно развернуть на собственной инфраструктуре; указана совместимость с Transformers, vLLM и Ollama. Лицензия — Apache-2.0. Независимые оценки на LiveCodeBench, SWE-bench Verified, HumanEval+ и MBPP+ на момент карточки ещё не опубликованы, поэтому качество на этих тестах не подтверждено. Для запуска README ориентирует примерно на 60–65 ГБ VRAM, например одну карту A100/H100 на 80 ГБ или две карты по 48 ГБ; также упоминается CPU offload.

BTL-4 — 35-миллиардная мультимодальная модель, разработанная badtheorylabs и представленная в формате GGUF с квантованиями от bartowski. Модель предназначена для работы с текстом и изображениями; для обработки изображений требуется отдельный файл mmproj. В описании также заявлены сценарии агентной работы, использования инструментов, программирования и решения задач, требующих рассуждений. Модель запускается через llama.cpp и доступна в вариантах от BF16 до низкобитных квантований Q8, Q6, Q5, Q4 и Q3, включая форматы IQ. Размер файлов составляет примерно от 14,87 до 69,38 ГБ, поэтому выбор варианта позволяет балансировать между качеством, скоростью и требованиями к памяти. Для большинства сценариев рекомендуется Q4_K_M размером 21,39 ГБ, а для более высокого качества — Q5 или Q6. В README не указаны архитектура, поддерживаемые языки и размер контекста; также отсутствуют результаты бенчмарков. К сильным сторонам относятся поддержка текста и изображений, ориентация на код, tool use и reasoning, а также широкий выбор квантований. Ограничениями являются значительные требования к памяти, возможное снижение качества в низкобитных вариантах и необходимость совместимого рантайма llama.cpp, а для мультимодальной работы — файла mmproj. Распространение указано по лицензии Apache-2.0.

BerkeliumGPT2-Coder-3b — дообученная на коде модель генерации текста на архитектуре Qwen2.5 с 3,1 млрд параметров. Разработчик обучал её на наборе BerkeliumCoding, составленном из 176 репозиториев с разрешительными лицензиями. Модель предназначена для генерации кода и диалоговой работы с запросами о программировании. Модель распространяется в формате SafeTensors с точностью bfloat16 и поддерживает запуск через Apple MLX и Transformers; в метаданных также указана совместимость с vLLM. Карточка README указывает контекст 4096 токенов, тогда как метаданные каталога — 32768 токенов, поэтому фактическую длину контекста следует проверять для используемой конфигурации. Лицензия — Apache-2.0.

Blitzar-Coder-4B-F.1 — языковая модель для программирования, разработанная prithivMLmods на основе дообучения Qwen3-4B-ft-bf16. Это плотная авторегрессионная архитектура Qwen3 с 3,7 млрд параметров, рассчитанная на контекст до 40 960 токенов и работу через библиотеку Transformers. Модель обучалась на трассах решения задач по программированию и ориентирована на более чем десять языков программирования, включая Python, Java, C#, C++, Go, JavaScript, TypeScript и Rust; основной естественный язык карточки — английский. Модель предназначена для генерации и объяснения кода, отладки, анализа и рефакторинга, оптимизации алгоритмов, перевода кода между языками, а также подготовки документации, спецификаций API и конфигурационных файлов. Её размер рассчитан на использование в инструментах разработчика, IDE и CI/CD-сценариях с ограниченными вычислительными ресурсами. Поддерживается диалоговый интерфейс; метаданные также отмечают интерфейс вызова инструментов. Карточка предупреждает, что модель может уступать в обычном разговоре, а большой кодовый контекст может быть сложен для анализа; творческие и общие задачи не являются её сильной стороной. Модель распространяется по лицензии Apache-2.0.

Chama29929/chamindu-ai-7b-16bit — дообученная языковая модель разработчика Chama29929 на базе unsloth/Qwen2.5-Coder-7B-Instruct-bnb-4bit. Это плотная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста в диалоговом формате; метаданные также указывают интерфейс вызова инструментов. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 32 768 токенов. Её можно применять для диалогов, генерации кода и задач с инструментами, унаследованных от базовой модели. Репозиторий содержит веса в формате Safetensors; заявлена лицензия Apache-2.0.

dolphin-2.8-mistral-v02-2x7b — языковая модель Mixture of Experts (MoE), созданная с помощью LazyMergekit путём объединения cognitivecomputations/dolphin-2.8-mistral-7b-v02 и OpenPipe/mistral-ft-optimized-1227. Она предназначена для генерации текста в формате чата: один набор экспертов ориентирован на диалог, ответы и объяснения, другой — на программирование и алгоритмы. Модель имеет архитектуру MixtralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Модель подходит для создания чат-ассистентов, объяснения тем и помощи с кодом. В карточке не приведены результаты оценок качества или сведения о поддерживаемых естественных языках, поэтому качество и языковой охват по этим данным определить нельзя.

Dream-Coder-v0-Instruct-7B — диффузионная языковая модель для генерации кода, разработанная Dream-org. Модель на 7,1 млрд параметров обучалась на открытых данных в несколько этапов: адаптация, обучение по инструкциям и обучение с подкреплением. Она предназначена для диалогового взаимодействия и решения задач программирования; заявленный результат на LiveCodeBench (2410–2505) составляет 21,4% pass@1. Модель использует плотную архитектуру семейства Dream и принимает текст, выдавая текст. Контекстное окно — 32 768 токенов. В README приведён пример запуска через Transformers; метаданные также указывают интерфейс для вызова инструментов. Модель доступна по лицензии Apache-2.0. Заявленный результат LiveCodeBench не гарантирует аналогичного качества на других задачах или наборах данных.

Это GGUF-версия модели llmfan46/gemma-4-12B-coder-fable5-composer2.5-v1-uncensored-heretic, разработанная независимым автором llmfan46 на базе gemma-4-12B-coder-fable5-composer2.5-v1-GGUF. Модель предназначена прежде всего для генерации и анализа кода, рассуждений и текстовых ответов в сценариях, где требуется сниженное количество отказов. Точная архитектура, поддерживаемые языки, размер контекста и набор модальностей в README не указаны; из идентификатора следует размер порядка 12B параметров и специализация на задачах программирования. Модель создана с использованием Heretic v1.4.0 и варианта метода Magnitude-Preserving Orthogonal Ablation (MPOA), применённого к компонентам attn.o_proj и mlp.down_proj. По заявленным данным, она демонстрирует 9 отказов из 100 против 100 из 100 у исходной модели при KL divergence 0.0467, что указывает на существенное снижение склонности к отказам при относительно небольшом отклонении поведения. Для исходной модели также приведён результат MMLU: точность 75,72%, однако отдельный результат именно этой модификации не указан. К ограничениям относятся отсутствие подробной информации о языках, контекстном окне, формате квантования, системных требованиях и результатах независимого тестирования. Снижение ограничений безопасности может привести к генерации нежелательного или рискованного содержания, поэтому модель требует осторожного применения. Указанная лицензия — Apache-2.0.

GLM-5.2-Demolition-q4a4-soul-MLX — локальная MLX-версия модели GLM-5.2 от zai-org, подготовленная Philip John Basile. Это экспериментальная разреженная и квантованная сборка Mixture-of-Experts: исходная модель имеет 744 млрд параметров при 39 млрд активных, а в данном варианте сохранено около 23% экспертов. Корневые веса занимают примерно 104,89 ГБ и используют 4-битное квантование; модель рассчитана на запуск на одном Apple M5 Max с 128 ГБ памяти через MLX. Основное назначение — генерация и анализ кода в Python, TypeScript, JavaScript, Rust, Go, HTML, CSS, SQL и Postgres без привязки к фреймворкам. Поддерживаются дополнительные LoRA-адаптеры («souls») для искусства, музыки, дизайна, парфюмерии, науки, безопасности, разработки игр, full-stack-разработки, математики, визуализации данных, прозы, архитектуры и исследований. Заявленный язык модели — английский; размер контекста в карточке не указан. Сильные стороны модели — специализированная работа с ванильным кодом, возможность подключать предметные адаптеры и относительно компактный для исходной архитектуры запуск на одном Apple Silicon-компьютере. На HumanEval-164 заявлен результат pass@1 69,5% (114 из 164) в однократном запуске с проверкой скрытыми тестами. Ограничения включают намеренное ухудшение способностей к общим знаниям и trivia из-за pruning, экспериментальный характер рецепта, отсутствие доказательств превосходства над полноразмерной моделью и скорость около 11–14 токенов в секунду. Лицензия — MIT.

IQuest-Coder-V1-40B-Instruct — инструктивная модель для программирования из семейства IQuest-Coder-V1, разработанного IQuestLab. Она предназначена для помощи в разработке программного обеспечения: генерации и изменения кода, ответов на вопросы о коде и работы с инструментами в диалоговом режиме. Модель содержит 39,4 млрд параметров и использует плотную архитектуру IQuestCoderForCausalLM с Grouped Query Attention. Она поддерживает контекст до 131 072 токенов и представлена в формате safetensors для Transformers. Семейство обучалось по многоэтапной парадигме code-flow на данных об изменениях репозиториев и преобразованиях кода. В README приведены результаты семейства на SWE-Bench Verified, BigCodeBench и LiveCodeBench; эти показатели не следует считать отдельной оценкой именно данного чекпойнта. Модель ориентирована на код, а метаданные карточки указывают английский язык. Она генерирует код, но не исполняет его; результат может быть ошибочным, особенно для узкоспециализированных или проприетарных технологий, поэтому его следует проверять. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

mlx-community/Laguna-M.1-bf16 — конвертированная в формат MLX версия текстовой MoE-модели Laguna-M.1 от Poolside. Модель предназначена для генерации текста и диалогового взаимодействия; базовая Laguna M.1 ориентирована на программирование, работу с кодом и длительные агентные задачи с инструментами. Модель содержит 17,1 млрд параметров и поддерживает контекст до 262 144 токенов. Репозиторий использует safetensors, а README указывает на преобразование исходной модели с помощью mlx-vlm 0.6.3. Лицензия — Apache-2.0. README отсылает к карточке исходной модели за подробностями и не описывает отдельные оценки качества или ограничения этой конвертированной версии.

DuoNeural выпустила GGUF-квантизацию диалоговой модели DuoNeural/LFM2.5-8B-A1B-Abliterated на базе Liquid AI LFM 2.5-8B-A1B. Веса распределены по разным схемам квантования: для проекций внимания и shortconv используются IQ2_XS, для тензоров MoE-экспертов — IQ3_XS и Q3_K_M. По заявлению авторов, такая конфигурация сохраняет компактность и повышает точность в задачах программирования по сравнению с их версией 2.72 bpw; модель предназначена для локальной генерации текста, диалогов, кода и вызовов инструментов. В карточке указаны результаты на HumanEval, GSM8K и Hermes function calling, а также тесты производительности на RTX 4080 Super. Это заявления авторов, и они не гарантируют аналогичного качества или скорости на другом оборудовании и при иных настройках. Модель ориентирована на английский язык; размер контекста в доступных данных не указан. Репозиторий распространяется по лицензии Apache-2.0.

Empower Functions Model v1.1 — большая языковая модель семейства Empower Functions от empower.dev, предназначенная для диалогов с вызовом инструментов и функций. Это плотная авторегрессионная модель архитектуры Llama с 69,5 млрд параметров, дообученная на базе meta-llama/Meta-Llama-3.1-70B-Instruct. Она поддерживает контекст до 131 072 токенов и совместима с Transformers в формате safetensors. Модель может сама выбирать между ответом пользователю и вызовом инструмента, выполнять параллельные и последовательные вызовы функций, работать в потоковом режиме и вести длинные диалоги. В README заявлены высокие результаты на Berkeley Function Calling Leaderboard; это утверждение разработчика для оценки, зафиксированной 10 сентября 2024 года. Для запуска версии large разработчик указывает конфигурацию из четырёх GPU A100 с 80 ГБ памяти в режиме fp16. Модель распространяется по лицензии Apache-2.0. README не сообщает конкретные языки обучения или поддержки, поэтому языковую область здесь нельзя уточнить.

Macaron-V1-Venti — модель MindLab Research для персонального помощника, работы с инструментами, программирования и генерации интерфейсов через код. Она построена на GLM-5.2 с архитектурой Mixture of LoRA: маршрутизатор выбирает одного из четырёх специалистов, предназначенных для диалога, задач персонального агента, программирования и Generative UI. В README указано 748 млрд параметров; метаданные Hugging Face сообщают 30,4 млрд параметров. README поясняет, что эти числа используют разные способы подсчёта: 748 млрд — заявленная характеристика выпуска, а объём сохранённых тензоров адаптеров приводит к оценке около 774,8 млрд логических параметров. Модель поддерживает контекст до 1 048 576 токенов, работает с Transformers и распространяется в формате safetensors. Модель предназначена для диалогов, агентских рабочих процессов с вызовом инструментов, задач программирования и генерации пользовательских интерфейсов. В карточке заявлены оценки на наборах для диалога, агентных задач, терминала и GenUI, однако они характеризуют систему целиком и не позволяют установить вклад отдельных специалистов или маршрутизатора. Поддерживаемые языки — английский и китайский. Лицензия — MIT. Ограничения включают слабые места при последовательных вызовах, зависящих от результатов предыдущих действий, и качественное ухудшение стабильности характера в очень длинных сессиях. Маршрутизатор выбирает одного специалиста на весь ход пользователя, поэтому смешанные намерения могут обрабатываться неудовлетворительно. Отдельная оценка безопасности отсутствует; модель не рекомендуется для самостоятельных решений в медицинских, юридических и финансовых сценариях.

Mistral_Pro_8B_v0.1 — плотная авторегрессионная языковая модель семейства Mistral, разработанная лабораторией Tencent ARC. По описанию разработчиков, модель расширяет Mistral-7B добавлением блоков Transformer и дообучена на корпусах кода и математики; в метаданных указаны 8,9 млрд параметров, контекст до 32 768 токенов и формат Safetensors. Модель предназначена для генерации текста и широкого круга языковых задач, с особым акцентом на программирование, математику и общие языковые запросы. Она принимает текст и генерирует текст; в карточке указаны английский язык и датасеты по математике, коду и общим текстам. Разработчики приводят результаты сравнительных бенчмарков, но они не гарантируют качество на конкретных пользовательских задачах. Модель распространяется по лицензии Apache-2.0. Она может ошибаться, особенно в узкоспециализированных областях, и наследует возможные смещения обучающих данных.

NextCoder-14B — языковая модель для редактирования и генерации кода, разработанная Microsoft на базе Qwen2.5-Coder-14B-Instruct. Модель дообучена методом SeleKT и предназначена для внесения разнообразных изменений в код, анализа запросов разработчика и диалоговой помощи при работе с программами. Это плотная авторегрессионная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM, размером около 14 млрд параметров и контекстом до 32 768 токенов. Она поддерживает чат и интерфейс вызова инструментов; опубликованные веса представлены в формате safetensors. В карточке указана поддержка английского языка. Модель ориентирована на задачи редактирования кода и сохраняет возможности базовой инструкционной модели для генерации и анализа кода. Она может быть восприимчива к вредоносным запросам и генерировать опасный код; результаты следует проверять и выполнять в изолированной среде. Лицензия — MIT.

NextCoder-7B-Finetuned-i1-GGUF — это квантизированная в формате GGUF версия модели NextCoder-7B-Finetuned, разработанной FBogaerts и подготовленной к квантизации пользователем mradermacher. Модель предназначена для генерации текста и программного кода, включая сценарии, связанные с внедрением уязвимостей и исследованиями безопасности. В README указана поддержка английского языка. Модель содержит около 7 миллиардов параметров и распространяется в различных вариантах квантизации, включая IQ-, Q2-, Q3-, Q4-, Q5- и Q6-варианты. Размер файлов составляет примерно от 2,0 до 6,4 ГБ; вариант i1-Q4_K_M отмечен как быстрый и рекомендуемый, а i1-Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Доступен также imatrix-файл для самостоятельного создания квантизаций. К сильным сторонам относятся специализация на генерации кода и ориентация на задачи анализа безопасности и уязвимостей, а разнообразие вариантов квантизации позволяет выбирать компромисс между качеством, скоростью и требованиями к памяти. Ограничения связаны с потерей качества у низкобитных вариантов; некоторые из них в README прямо отмечены как низкокачественные. Архитектура, длина контекста, дополнительные модальности и точные возможности многоязычной работы не указаны. Модель распространяется по лицензии MIT.

Norns-Qwen2.5-Coder-7B-v0.1 — модель генерации текста на архитектуре Qwen2, созданная разработчиком win10 слиянием моделей методом TIES с помощью mergekit. В слиянии использованы Qwen/Qwen2.5-Coder-7B и win10/Urdandi-Qwen2.5-7B; модель содержит 7,1 млрд параметров и работает с контекстом до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате и может применяться для задач с кодом, поскольку одной из базовых моделей является Qwen2.5-Coder-7B, ориентированная на генерацию, анализ и исправление программного кода. Репозиторий содержит веса в формате safetensors; библиотека для работы — Transformers. Лицензия в предоставленных данных не указана. Карточка описывает способ слияния, но не сообщает о результатах оценки качества или конкретных ограничениях модели.

Olmo-3-7B-Instruct-OPSA-Code — дообученная модель семейства OLMo 3, разработанная на основе allenai/Olmo-3-7B-Instruct с применением метода On-Policy Self-Adaptation (OPSA). Это полноразмерный чекпойнт с 6,9 млрд параметров в формате BF16 Safetensors, предназначенный для генерации текста в кодовых сценариях и диалогового использования. Модель работает через Transformers и имеет контекстное окно до 65 536 токенов. Модель наследует Apache 2.0 базовой модели. В карточке указан ранний чекпойнт: шаг 119, соответствующий 120 обновлениям оптимизатора; README не приводит сравнительных результатов или подробной оценки качества кода.

Ngixdev/OmniCoder-Qwen3.5-9B-Claude-4.6-Opus-Uncensored-v2-GGUF — это GGUF-модель на базе Qwen/Qwen3.5-9B, разработанной Alibaba Cloud. Она создана путём объединения модели Qwen3.5-9B-Uncensored-HauhauCS-Aggressive, Qwen3.5-9B-Claude-4.6-Opus-Reasoning-Distilled-v2 и OmniCoder-9B-GGUF; при слиянии изменялись только дообученные веса, подготовленные с помощью Unsloth, в формате float32. В карточке заявлены языки English, Chinese и Korean, а также поддержка сценариев image-text-to-text, хотя подробности о визуальной архитектуре не приведены. Модель ориентирована на рассуждения, решение математических и логических задач, работу с инструкциями, общими знаниями и программированием. Версия v2 обучалась более чем на 14 000 образцах рассуждений в стиле Claude 4.6 Opus и оптимизировалась для сокращения избыточной длины цепочек рассуждений при сохранении или повышении точности. В README приведены заявленные результаты HumanEval и HumanEval+, включая более высокую эффективность рассуждений по сравнению с официальной Qwen3.5-9B, однако независимое подтверждение этих результатов отсутствует. Ключевые ограничения — неизвестные размер контекста и точные характеристики модальностей, а также возможное некоторое ухудшение широких универсальных возможностей из-за преимущественно общего, а не специализированного набора данных. Модель позиционируется как uncensored и может иметь минимальное количество отказов, что требует осторожности при использовании в чувствительных сценариях. Для работы рекомендуются LM Studio и специальные параметры генерации, но они не являются обязательными. Лицензия — Apache-2.0.

Mungert/OpenCodeReasoning-Nemotron-7B-GGUF — квантизированная версия модели на базе Qwen/Qwen2.5-7B-Instruct, связанная с датасетом NVIDIA OpenCodeReasoning. Модель предназначена для генерации текста и решения задач, связанных с программированием и рассуждениями по коду; формат GGUF ориентирован на запуск через llama.cpp и совместимые инструменты. Модель относится к классу 7B и поддерживает английский язык. Доступны варианты с различной точностью квантизации, включая низкобитные форматы IQ и стандартные варианты GGUF. Низкобитные конфигурации уменьшают требования к памяти и подходят для CPU, устройств с ограниченной VRAM и edge-сценариев, однако могут снижать точность. В README приведены результаты для DynamicGate-квантизации на Llama-3-8B, но они не являются прямым бенчмарком данной модели. Размер контекста для этой модели явно не указан. Сильными сторонами являются компактность, возможность локального запуска и выбор между точностью и эффективностью благодаря нескольким вариантам квантизации. Ограничения включают потенциальную потерю качества в низкобитных версиях, зависимость производительности от аппаратного ускорения и отсутствие подробных характеристик целевой модели, включая точный контекст и результаты профильного тестирования. Указанная лицензия — Apache 2.0.

OpenCoderPlus — языковая модель для генерации кода из серии OpenChat, разработанной командой OpenChat. Она дообучена на базе StarCoderPlus и предназначена для продолжения и генерации кода, а также для диалога в формате User/Assistant. Модель использует архитектуру GPTBigCodeForCausalLM, принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. Карточка сообщает об оценках на Vicuna GPT-4 и AlpacaEval, однако не приводит подробностей методики для задач программирования. Для диалогов используется шаблон с маркерами User, Assistant и специальным токеном конца хода. Репозиторий содержит веса PyTorch. README рекомендует загружать модель в формате bfloat16. Лицензия в предоставленных данных не указана.

OPSD-PI Qwen3.5-9B Strong Trailing — update 4 — это непосредственно загружаемый объединённый чекпойнт семейства Qwen3.5, опубликованный LSW142857. Репозиторий содержит плотную модель класса Qwen3_5ForConditionalGeneration в формате safetensors; в метаданных указана библиотека Transformers и задача text-generation. Модель прошла четыре обновления оптимизатора на запуске Strong PI trailing_user с 1024 строками на восьми RTX A6000. Чекпойнт объединяет экспертную SFT-инициализацию, обновления LoRA основной модели и MTP, а также обученные тензоры full-MTP; дополнительный адаптер или шаг слияния для загрузки не требуется. Модель предназначена для генерации текста в диалоговом режиме и задач с кодом. В README описаны происхождение и структура весов, но не приведены результаты на отложенных наборах данных; автор рекомендует оценивать студента без PI на задачах, не входивших в обучающие 1024 строки. Лицензия в предоставленных сведениях не указана.

EryriLabs (Dwain Barnes) собрала эту мультимодальную модель как TIES-слияние Ornith-1.5-35B-A3B, BigBang-v1 и Qwen3.6-35B-A3B. Модель семейства Qwen3.5 MoE принимает текст и изображения и предназначена для диалогов, агентного программирования, следования инструкциям и анализа изображений. В репозитории указаны веса Safetensors и совместимость с Transformers; в README описана замена случайно инициализированной MTP-головы Ornith на обученную голову Qwen3.6 для спекулятивного декодирования. Авторы сообщают о приёме 55–75% черновых токенов в небольших локальных замерах с llama.cpp, но отмечают, что проверка ограничена и не является полноценным бенчмарком. Модель выпущена по лицензии MIT с указанием авторства трёх родительских моделей.

Ornith-1.5-35B-A3B-MXFP8 — модельный пакет MLX от OsaurusAI на основе Ornith-1.5-35B-A3B от Ornith AI. Это мультимодальная MoE-модель семейства Qwen3.5 с гибридной архитектурой линейного gated-delta attention и полного attention в соотношении 3:1, а также визуальным энкодером из 27 слоёв. Пакет занимает около 34,95 ГиБ и содержит веса в safetensors, подготовленные для MLX с применением калиброванной квантизации. Модель предназначена для агентного программирования, рассуждений и диалога; она принимает текст, изображения и видео. В README указаны поддержка нативного видео, включённый по умолчанию режим рассуждений, интерфейс вызова инструментов и сохранённая голова MTP для спекулятивного декодирования. Основной язык карточки — английский. Заявленные в README результаты на SWE-bench Verified и Terminal-Bench характеризуют исходную модель и не являются отдельной оценкой этого пакета. Репозиторий представляет собой квантизованный MLX-вариант дообученной базовой модели и распространяется по лицензии MIT. Он ориентирован на Apple silicon и требует совместимого окружения MLX; README отмечает, что часть тензоров визуального энкодера остаётся в fp16. В настройках рассуждений есть особенности: выключение thinking оставляет пустой закрытый блок, а уровней reasoning_effort нет.

Pink Elephant 48B-S — разреженная языковая модель с архитектурой Mixture-of-Experts, разработанная Pink Elephant. В ней 47,7 млрд параметров, из которых на каждом токене активны около 14,66 млрд; используются 8 экспертов с маршрутизацией top-2. Модель создана на основе Pink Elephant 14B: плотную модель преобразовали в MoE, затем дообучили на примерах по программированию и математике и объединили обученные адаптеры с основными весами. Репозиторий содержит веса в формате safetensors; заявленная длина контекста — 16 384 токена. Модель предназначена для генерации текста, диалогов, написания и анализа кода, а также решения математических задач. В README приведены результаты HumanEval 70,12%, MATH-500 38,40%, GSM8K 68,5% и MMLU 60,0%; выборки GSM8K и MMLU для проверки были небольшими. Модель поддерживает английский язык. По данным карточки, лицензия — MIT. Для загрузки автор рекомендует Transformers и указывает trust_remote_code=True.

Qwen-32B-Syntactic-Exploit-Core-BF16 — 32-миллиардная плотная языковая модель для генерации текста, собранная автором из Qwen/QwQ-32B и Qwen/Qwen2.5-Coder-32B-Instruct. Карточка заявляет слияние весов методом SLERP и изменение поведения отказов; эти заявления не сопровождаются проверяемыми результатами, поэтому их следует считать описанием автора, а не подтверждёнными свойствами. Модель использует архитектуру Qwen2ForCausalLM и формат safetensors; заявленная длина контекста — 32 768 токенов. Модель предназначена прежде всего для генерации и анализа кода, отладки и проектирования программных систем, а также для текстовых задач рассуждения. Поддерживаемые языки в метаданных не перечислены. Модель распространяется по лицензии Apache-2.0. Карточка не приводит воспроизводимых бенчмарков или подробностей оценки качества, поэтому заявленные преимущества в кодировании и рассуждении нельзя считать независимо подтверждёнными.