II.7DevOps, облако и эксплуатация IT-систем

TechxGenus/starcoder2-3b-instruct — языковая модель семейства StarCoder2, дообученная разработчиком TechxGenus для следования инструкциям по программированию. В README указано обучение на дополнительных 0,7 млрд токенов, связанных с кодом, в течение трёх эпох; архитектура — плотная причинная модель Starcoder2ForCausalLM с 4,2 млрд параметров и контекстом до 16 384 токенов. Модель принимает инструкции в формате Alpaca без системного промпта и генерирует текст, в первую очередь программный код. Её можно применять для генерации и дополнения кода, решения задач программирования и ответов на запросы о коде. В README приведён результат 65,9 pass@1 на HumanEval-Python, но также отмечено, что модель ограниченно тестировалась и может ошибаться или хуже справляться с задачами вне программирования. Лицензия — BigCode OpenRAIL-M.

Tiel-Coder-35B-A3B-GGUF — локальная кодовая модель разработчика peculiar-ragdoll, созданная на базе Ornith-1.5-35B-A3B от Ornith AI. Это пере-квантованная версия с динамической квантизацией, собственной imatrix и встроенным шаблоном диалогов Sharp. Модель распространяется в формате GGUF для llama.cpp и использует MoE-архитектуру с 35 млрд параметров и примерно 3 млрд активных параметров на токен. Модель предназначена прежде всего для агентного программирования, исправления проблем в реальных кодовых базах и длительных многошаговых диалогов. В README заявлены поддержка английского и китайского языков, а также сценарии image-text-to-text и vision, однако подробности о возможностях обработки изображений не приведены. Контекст может использоваться в диапазоне до 131–262 тысяч токенов; при 16-битной точности KV-кэша для контекста 262k требуется менее 5 ГБ оперативной памяти. Сильные стороны модели — высокая скорость для своего класса, хорошая работа в многоходовых диалогах и агентном кодинге, а также возможность запуска с частичной выгрузкой на GPU. В заявленных тестах она исправила 12 из 25 задач SWE-bench-Live и получила 67,2 балла на Claw-Eval. Ограничения — заметно более слабые результаты в викторинах, знаниях и сложном рассуждении: на MMLU-Pro указано 73,7 балла. Качество и требования к памяти зависят от выбранного уровня квантизации; рекомендуемый benchmark-вариант Q4_K_XL занимает около 22,4 ГБ, а более компактные варианты могут существенно терять способности. Модель распространяется по лицензии MIT. Для запуска требуется совместимое ПО, например llama.cpp, и достаточно оперативной памяти и/или видеопамяти; README рекомендует использовать квантизацию не ниже UD-Q4, если это возможно.

Uraion Forge 2B MLX — дообученная Uraion Labs модель на базе openbmb/MiniCPM5-2B, подготовленная для запуска с библиотекой MLX на компьютерах Apple Silicon. Это компактная причинная языковая модель архитектуры LlamaForCausalLM с 2,2 млрд параметров и контекстом до 131 072 токенов. Модель предназначена прежде всего для диалогов, рассуждений, генерации кода и многошаговых сценариев с вызовом инструментов; README описывает режимы с включённым и отключённым рассуждением. Карточка заявляет оптимизацию для локального выполнения на чипах Apple M1–M6 и приводит варианты квантования 4 и 8 бит, а также результаты собственных проверок агентных рабочих процессов, кода и извлечения данных из длинного контекста. Эти показатели относятся к тестам и оборудованию, описанным разработчиком, и не гарантируют такую же скорость или точность в других условиях. Указанный в метаданных формат файлов — safetensors; библиотека — MLX. Лицензия — Apache-2.0. Язык карточки и языковой тег указывают на английский; поддержка других языков в предоставленных данных не подтверждена.

CAC-v0.1 — языковая модель CodeMate объёмом 6,6 млрд параметров, дообученная на базе deepseek-ai/deepseek-coder-6.7b-base для автодополнения и генерации кода. Она принимает текстовые инструкции в формате Alpaca/Vicuna и выдаёт текст, в том числе фрагменты программного кода. В README указано обучение на внутреннем наборе из 1,8 млрд токенов программных задач и решений; использовалась последовательность длиной 8096 токенов, а для обучения применялась Flash Attention 2. Контекст модели составляет до 16 384 токенов. Модель предназначена для дополнения кода и связанных задач: генерации, суммаризации, перевода и оптимизации кода, ответов на вопросы, отладки и ревью. Заявлена поддержка Python, C/C++, TypeScript, Java и других языков программирования. Это ранняя версия 0.1, находящаяся в разработке, и она прошла ограниченное тестирование. Лицензия в предоставленных данных не указана.

CodeGemma 7B IT — инструкция-дообученная модель для кода, разработанная Google на основе Gemma. Это декодерная языковая модель с 7 млрд параметров, принимающая текстовые запросы и генерирующая код или текст. Она предназначена для ответов на вопросы о коде, генерации программ по описанию на естественном языке и диалогов о программировании и технических задачах. Модель подходит для разговорных помощников по программированию, обучения и практики написания кода, а также для исправления синтаксиса и генерации кода в IDE. Для автодополнения кода в редакторе Google рекомендует предварительно обученные варианты CodeGemma, а не эту инструкционную версию. Модель работает через Transformers и поставляется в формате safetensors; для диалога следует применять шаблон чата из токенизатора. Обучающие данные включают преимущественно англоязычные публичные репозитории кода, открытые математические наборы данных и синтетически созданный код. Модель может ошибаться, поскольку наследует общие ограничения больших языковых моделей и ограничения, описанные для Gemma. Лицензия — Gemma; использование регулируется условиями Google.

Code-Jamba-v0.1 — языковая модель для генерации кода, созданная автором ajibawa-2023 дообучением Jamba-v0.1 от AI21 Labs. Модель содержит 7,2 млрд параметров, использует архитектуру Jamba с Mixture of Experts и предназначена для диалогового взаимодействия в формате ChatML. Модель генерирует код на разных языках программирования, включая Python, Java, JavaScript, Go, C++, Rust, Ruby, SQL, R, Julia и Haskell, а также может объяснять логику решения. Обучение проводилось на наборах Code-290k-ShareGPT и Code-Feedback с применением QLoRA. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Карточка заявляет возможности генерации кода, но не приводит примеров результата и не даёт количественных оценок качества. Языки программирования не следует трактовать как поддержку естественных языков.

Карточка модели TechxGenus/CursorCore-QW2.5-7B 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.

Dolphin 3.0 Qwen 2.5 0.5B — диалоговая языковая модель, дообученная Eric Hartford, Ben Gitter, BlouseJury и Cognitive Computations на базе Qwen/Qwen2.5-0.5B. Она предназначена для локального использования в качестве универсального помощника и может отвечать на вопросы, помогать с кодом и математикой, а также работать с вызовами функций и агентными сценариями. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 494 млн параметров и поддерживает контекст до 32 768 токенов. Для общения применяется шаблон ChatML; системный промпт позволяет задавать тон и правила поведения. В обучении использовались наборы данных для инструкционного диалога, программирования, математики и вызова функций. Карточка модели описывает англоязычное назначение. Веса опубликованы в формате safetensors по лицензии Apache-2.0. Это компактная модель, поэтому её ответы и сложные рассуждения могут уступать более крупным моделям; примеры выводов и результаты оценивания в карточке не представлены.

Fuse-1 Lite v2 — чат-модель для генерации текста и помощи с программированием, разработанная auryn-macmillan. Это дообученное продолжение Akahisrr/fuse-1-Lite: к базовой модели добавлен экспертный путь для кода с мостовыми слоями, маршрутизатором, масштабированием экспертов и кодовым вентилем. В карточке указаны архитектура Fuse3V2ForCausalLM, около 2,6 млрд параметров и контекст до 131 072 токенов. Модель генерирует ответы в диалоге и код; при необходимости кодовый путь можно отключить и использовать основной путь LFM2.5-2.6B. Для загрузки требуется Transformers с выполнением пользовательского кода из репозитория через trust_remote_code=True. Модель обучалась 550 шагов, в том числе с KL-дистилляцией к LiquidAI/LFM2.5-2.6B; сведения о тренировочных данных и оценках качества не приведены. Лицензия — Apache-2.0.

Gemma-4-12B-Coder-fable5-composer2.5-4bit — 4-битная MLX-квантизированная версия модели yuxinlu1/gemma-4-12B-coder-fable5-composer2.5-v1, созданная на базе google/gemma-4-12B-it. Конвертацию и публикацию выполнило сообщество MLX. Модель предназначена для генерации текста, программного кода и решения задач, требующих рассуждений, включая локальное использование в чат-режиме через библиотеку mlx-lm. Указана текстовая специализация; поддерживаемые языки, контекстное окно и дополнительные модальности в README не раскрыты. Архитектура описана как Gemma-4 с размером 12 млрд параметров, а 4-битная квантизация снижает требования к памяти при заявленном сохранении почти исходных возможностей рассуждения и программирования. Основное преимущество — оптимизация для локального запуска на компьютерах Apple Silicon с использованием MLX и возможность свободного использования, изменения и распространения. Ограничения включают зависимость от экосистемы MLX и Apple Silicon для целевого сценария, а также потенциальные потери качества, связанные с квантизацией; фактические показатели производительности и качества в README не приведены. Лицензия — Apache 2.0.

Это объединённая модель семейства Gemma 4 Unified, созданная автором репозитория tepirale с помощью mergekit. В качестве основы использована google/gemma-4-12B-it; методом DARE TIES объединены также модели tepirale/gemma-4-12B-coder-fable5-composer2.5-v1-safetensors-yuxinlu1 и tepirale/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-safetensors-yuxinlu1. Веса сохранены в формате safetensors, тип данных — bfloat16. Модель предназначена для генерации текста по текстовым и визуальным входам, включая сценарии, сочетающие агентные возможности и генерацию кода. Метаданные указывают поддержку image-text-to-text и vision; базовая Gemma 4 поддерживает диалог, анализ изображений, видео и аудио, однако README этой объединённой модели не подтверждает отдельно все эти возможности. Для модели не приведены результаты оценки качества или подробные инструкции по применению. Лицензия в предоставленных данных не указана.

Granite-20B-Code-Instruct-8K — языковая модель IBM Research с 20 млрд параметров, дообученная на основе Granite-20B-Code-Base-8K. Она предназначена для выполнения инструкций по программированию и создания помощников для разработки; обучение включало данные о коммитах, примеры инструкций по коду и вызову функций, математические задачи и общие инструкции. Модель использует архитектуру GPTBigCode и поддерживает контекст до 8192 токенов. Модель может помогать с написанием и объяснением кода, решением задач по программированию, запросами SQL и задачами на математические рассуждения. Карточка отмечает, что качество может снижаться для языков программирования за пределами обучающих данных; перед применением в критически важных системах рекомендуется проверка безопасности и настройка под целевую задачу. Новые проекты IBM направляет к более свежим моделям Granite. Лицензия — Apache 2.0.

Mungert/granite-3b-code-instruct-2k-GGUF — это GGUF-версия инструкционно дообученной языковой модели Granite-3B-Code, разработанной на базе IBM Granite. Модель предназначена для генерации текста и ориентирована прежде всего на задачи программирования: создание, объяснение и исправление кода, работу с инструкциями, математическими задачами, SQL и вызовами функций. Контекст модели составляет 2K токенов, размер — около 3 миллиардов параметров, модальность — текстовая. Модель обучалась с использованием наборов данных для программирования, математических рассуждений, инструкций, SQL, диалогов с кодовым ассистентом и оценки полезности ответов. В бенчмарке HumanEvalPack она тестировалась для Python, JavaScript, Java, Go, C++ и Rust; заявленные результаты pass@1 зависят от типа задачи и языка. Например, для синтеза кода показатель составляет 51,2% для Python и 43,9% для JavaScript, а для исправления кода — 33,5% для Java и 31,7% для C++. Файлы созданы с помощью llama.cpp и распространяются в формате GGUF, что позволяет запускать модель в совместимых локальных инструментах. Автор также применял выборочное повышение точности отдельных слоёв при квантовании, чтобы улучшить сохранение качества на низких битностях, хотя это увеличивает размер файла. Ограничениями являются небольшой контекст, специализация на текстовых задачах и вариативное качество между языками и сценариями; приведённые результаты помечены как непроверенные. Лицензия — Apache 2.0.

Grug v1.1 — диалоговая модель ProCreations на базе Qwen3.8-27B, дообученная на корпусе из 1 млн примеров и скорректированная LoRA-адаптером ранга 32, применённым с силой 0,5. Она предназначена для генерации текста с рассуждениями и работы в агентных сценариях, особенно для выбора подходящего инструмента. Автор сообщает о сокращении числа токенов рассуждения на некоторых тестах и высоких результатах выбора инструмента; для модели рекомендуется средний уровень reasoning_effort. README также описывает оценки на задачах программирования и математики и тесты на повторения. Модель использует плотную архитектуру семейства Qwen3.5 с 27 млрд параметров; в репозитории указаны веса SafeTensors и библиотека Transformers. Метаданные указывают английский язык карточки. Базовая модель мультимодальна, а README упоминает GGUF-вариант с mmproj для зрения, однако у этой модели в метаданных отмечена только генерация текста, поэтому мультимодальные возможности самого указанного репозитория не подтверждены. Среди ограничений автор указывает снижение результата на GSM8K относительно базовой модели, более слабое восстановление выбора инструмента после сбоя по сравнению с предыдущей версией и дополнительные затраты токенов на MBPP. Результаты в README получены на конкретных наборах и настройках, а агентные тесты проводились при температуре 0,6; они не гарантируют аналогичного качества в других сценариях. Лицензия — Apache-2.0.

Dax1211/horizon-corebreach-coder-3b-16bit — дообученная модель генерации текста на базе Qwen2.5-Coder-3B-Instruct. Разработчик указывает, что обучение выполнялось с помощью Unsloth и библиотеки TRL от Hugging Face. Модель содержит 3,1 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате и задач, связанных с кодом; в метаданных также заявлен интерфейс вызова инструментов. Карточка не уточняет конкретные языки программирования или сценарии, на которых проводилось дообучение. Модель распространяется в формате safetensors под лицензией Apache-2.0.

INTELLECT-1-step-28600 — промежуточный чекпойнт языковой модели INTELLECT-1, созданной Prime Intellect совместно с Arcee AI и независимыми участниками сообщества. Это плотная авторегрессионная модель семейства Llama с 9,7 млрд параметров; в карточке указаны 42 слоя и 32 головы внимания. Чекпойнт получен на шаге 28 600 обучения модели с нуля на корпусах английского текста и кода, включая образовательные материалы, веб-текст, код и математические данные. Модель предназначена для генерации текста и кода на английском языке. Контекст составляет 8192 токена. Обучение INTELLECT-1 проводилось распределённо на вычислительных узлах в нескольких регионах с применением отказоустойчивой инфраструктуры; этот репозиторий содержит именно промежуточную точку обучения, а не финальную или instruct-версию. Лицензия — Apache 2.0.

Карточка модели IQuestLab/IQuest-Coder-V1-14B-Base на Hugging Face совпадает с карточкой IQuestLab/IQuest-Coder-V1-7B-Instruct, поэтому описание составлено по ней. IQuest-Coder-V1-7B-Instruct — модель генерации кода из семейства IQuest-Coder-V1, разработанного IQuestLab для помощи в программировании и анализа кода. Версия Instruct предназначена для выполнения инструкций и повседневных задач кодирования; модель также рассчитана на работу с инструментами и CLI-агентами. Модель имеет плотную авторегрессионную архитектуру IQuestCoderForCausalLM и содержит 7,2 млрд параметров. Вариант 7B использует 14 слоёв и Grouped Query Attention; заявленная длина контекста — 128 тыс. токенов. Модель принимает текст и генерирует текст, включая код; карточка описывает поддержку интерфейса вызова инструментов, а также предварительную генерацию HTML и SVG. В README сообщается о специализированном обучении на эволюции репозиториев и о результатах на бенчмарках кодирования, но также отмечаются ограничения следования инструкциям, управления длинным контекстом и многошаговыми вызовами инструментов. Сгенерированный код модель не исполняет, а точность может снижаться на специализированных и проприетарных фреймворках. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели.

Карточка модели IQuestLab/IQuest-Coder-V1-14B-Thinking на Hugging Face совпадает с карточкой IQuestLab/IQuest-Coder-V1-7B-Instruct, поэтому описание составлено по ней. IQuest-Coder-V1-7B-Instruct — модель генерации кода из семейства IQuest-Coder-V1, разработанного IQuestLab для помощи в программировании и анализа кода. Версия Instruct предназначена для выполнения инструкций и повседневных задач кодирования; модель также рассчитана на работу с инструментами и CLI-агентами. Модель имеет плотную авторегрессионную архитектуру IQuestCoderForCausalLM и содержит 7,2 млрд параметров. Вариант 7B использует 14 слоёв и Grouped Query Attention; заявленная длина контекста — 128 тыс. токенов. Модель принимает текст и генерирует текст, включая код; карточка описывает поддержку интерфейса вызова инструментов, а также предварительную генерацию HTML и SVG. В README сообщается о специализированном обучении на эволюции репозиториев и о результатах на бенчмарках кодирования, но также отмечаются ограничения следования инструкциям, управления длинным контекстом и многошаговыми вызовами инструментов. Сгенерированный код модель не исполняет, а точность может снижаться на специализированных и проприетарных фреймворках. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели.

Карточка модели IQuestLab/IQuest-Coder-V1-40B-Loop-Thinking на Hugging Face совпадает с карточкой IQuestLab/IQuest-Coder-V1-7B-Instruct, поэтому описание составлено по ней. IQuest-Coder-V1-7B-Instruct — модель генерации кода из семейства IQuest-Coder-V1, разработанного IQuestLab для помощи в программировании и анализа кода. Версия Instruct предназначена для выполнения инструкций и повседневных задач кодирования; модель также рассчитана на работу с инструментами и CLI-агентами. Модель имеет плотную авторегрессионную архитектуру IQuestCoderForCausalLM и содержит 7,2 млрд параметров. Вариант 7B использует 14 слоёв и Grouped Query Attention; заявленная длина контекста — 128 тыс. токенов. Модель принимает текст и генерирует текст, включая код; карточка описывает поддержку интерфейса вызова инструментов, а также предварительную генерацию HTML и SVG. В README сообщается о специализированном обучении на эволюции репозиториев и о результатах на бенчмарках кодирования, но также отмечаются ограничения следования инструкциям, управления длинным контекстом и многошаговыми вызовами инструментов. Сгенерированный код модель не исполняет, а точность может снижаться на специализированных и проприетарных фреймворках. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели.

Карточка модели IQuestLab/IQuest-Coder-V1-40B-Thinking на Hugging Face совпадает с карточкой IQuestLab/IQuest-Coder-V1-7B-Instruct, поэтому описание составлено по ней. IQuest-Coder-V1-7B-Instruct — модель генерации кода из семейства IQuest-Coder-V1, разработанного IQuestLab для помощи в программировании и анализа кода. Версия Instruct предназначена для выполнения инструкций и повседневных задач кодирования; модель также рассчитана на работу с инструментами и CLI-агентами. Модель имеет плотную авторегрессионную архитектуру IQuestCoderForCausalLM и содержит 7,2 млрд параметров. Вариант 7B использует 14 слоёв и Grouped Query Attention; заявленная длина контекста — 128 тыс. токенов. Модель принимает текст и генерирует текст, включая код; карточка описывает поддержку интерфейса вызова инструментов, а также предварительную генерацию HTML и SVG. В README сообщается о специализированном обучении на эволюции репозиториев и о результатах на бенчмарках кодирования, но также отмечаются ограничения следования инструкциям, управления длинным контекстом и многошаговыми вызовами инструментов. Сгенерированный код модель не исполняет, а точность может снижаться на специализированных и проприетарных фреймворках. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели.

Laguna-S-2.1 · Winnow keep-75 — это производная текстовая MoE-модель для генерации кода и агентных задач разработки, созданная на основе poolside/Laguna-S-2.1. Разработчик уменьшил внутреннюю ширину каналов маршрутизируемых экспертов на 25% методом variable-width expert pruning; общие эксперты, внимание и эмбеддинги не затронуты. После обрезки заявлено 89,2 млрд параметров вместо 118 млрд у исходной модели; переобучение после обрезки не проводилось. Модель предназначена для генерации и анализа кода, а также для автономного выполнения задач разработки в диалоговом режиме. В README приведены результаты на кодовом корпусе и качественная проверка на задачах Terminal-Bench 1.0; при контексте обслуживания 16 тыс. токенов основным источником неудач называлось исчерпание контекста. Метаданные указывают нативный контекст до 1 048 576 токенов, но для описанной конфигурации обслуживания приведён лимит 16 384 токена. Репозиторий содержит веса safetensors и предполагает запуск через Transformers или специализированный плагин vLLM для поддержки экспертов переменной ширины. Для serving в INT8 README указывает потребность примерно в двух GPU по 80 ГБ или четырёх по 40 ГБ; обычное разделение tensor parallelism не поддерживается. Сохраняется лицензия базовой модели OpenMDW-1.1.

LosslessMegaCoder-Falcon-40b-mini — языковая модель для генерации текста и кода, созданная Rombodawg в сотрудничестве с Andreaskoepf, аффилированным с Open Assistant. Это плотная авторегрессионная модель семейства Falcon с архитектурой FalconForCausalLM и примерно 65 млрд параметров. Модель дообучена на отфильтрованной версии датасета LosslessMegaCodeTrainingV2_1m_Evol_Uncensored; из выборки удаляли примеры короче 100 токенов. README указывает, что использованный набор данных отличается от LosslessMegaCodeTrainingV3_MINI. Модель предназначена для генерации кода и диалогового взаимодействия в шаблоне ChatML; также приведены шаблоны для GPT4All и Text-Generation-WebUI. В репозитории представлены веса Safetensors. Карточка не сообщает поддерживаемые естественные языки и длину контекста. Лицензия — Apache-2.0. README отмечает ранний этап фильтрации обучающих данных и не приводит результатов оценки качества.

LeroyDyer/Mixtral_AI_Cyber_4.0 — объединённая автором LeroyDyer языковая модель для генерации текста и диалогов. В слияние вошли пять моделей серии Mixtral_AI_Cyber, включая версии 3.m1 и 3.1_SFT; автор описывает исходные модели как интенсивно обученные на задачах программирования. Архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель рассчитана на текстовый ввод и текстовый вывод; в метаданных указан английский язык и поддержка чата. Репозиторий опубликован в формате safetensors, библиотека для работы — Transformers. Лицензия — MIT. Модель можно использовать для генерации и продолжения кода, помощи в программировании и диалоговых запросов на английском языке. Метаданные также отмечают теги biology, chemistry и medical, но README не приводит проверок качества или подробностей специализации в этих областях. Характеристики и ограничения унаследованных моделей, кроме описания их как моделей для программирования, не раскрыты; качество ответов и корректность кода следует проверять отдельно.

NVIDIA-Nemotron-3-Nano-4B — компактная языковая модель NVIDIA для диалога, рассуждений и агентных сценариев. Репозиторий unsloth содержит дообученную версию базовой модели nvidia/NVIDIA-Nemotron-3-Nano-4B-BF16. В карточке указаны 6,4 млрд параметров и гибридная архитектура Nemotron-H с Mamba-2, MLP и четырьмя слоями Attention; модель принимает и генерирует текст, поддерживает контекст до 262 144 токенов и имеет интерфейс для вызова инструментов. Модель предназначена для локальных голосовых помощников, игровых NPC-компаньонов и автоматизации IoT, а также для задач программирования и работы агента на устройствах с ускорением NVIDIA. Карточка заявляет английский как поддерживаемый язык; в описании обучения также перечислены многоязычные данные, в том числе русский, но это не гарантирует одинаковое качество на всех языках. Модель может формировать рассуждения перед ответом; отключение этого режима может снизить точность на сложных запросах. Для запуска описана поддержка Transformers, vLLM и TensorRT-LLM, а также других движков инференса. README называет модель пригодной для коммерческого использования, однако метаданные указывают лицензию «other», поэтому перед внедрением следует проверить условия лицензии репозитория.

Карточка модели unsloth/NVIDIA-Nemotron-3-Nano-4B-FP8 на Hugging Face совпадает с карточкой unsloth/NVIDIA-Nemotron-3-Nano-4B, поэтому описание составлено по ней. NVIDIA-Nemotron-3-Nano-4B — компактная языковая модель NVIDIA для диалога, рассуждений и агентных сценариев. Репозиторий unsloth содержит дообученную версию базовой модели nvidia/NVIDIA-Nemotron-3-Nano-4B-BF16. В карточке указаны 6,4 млрд параметров и гибридная архитектура Nemotron-H с Mamba-2, MLP и четырьмя слоями Attention; модель принимает и генерирует текст, поддерживает контекст до 262 144 токенов и имеет интерфейс для вызова инструментов. Модель предназначена для локальных голосовых помощников, игровых NPC-компаньонов и автоматизации IoT, а также для задач программирования и работы агента на устройствах с ускорением NVIDIA. Карточка заявляет английский как поддерживаемый язык; в описании обучения также перечислены многоязычные данные, в том числе русский, но это не гарантирует одинаковое качество на всех языках. Модель может формировать рассуждения перед ответом; отключение этого режима может снизить точность на сложных запросах. Для запуска описана поддержка Transformers, vLLM и TensorRT-LLM, а также других движков инференса. README называет модель пригодной для коммерческого использования, однако метаданные указывают лицензию «other», поэтому перед внедрением следует проверить условия лицензии репозитория.

OmniCoder-9B-Claude-Opus-High-Reasoning-Distill — дообученная модель разработчика armand0e на базе Tesslate/OmniCoder-9B. Это плотная мультимодальная модель семейства Qwen3.5, представленная в формате safetensors; при обучении использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для диалоговой генерации текста и изображений в ответ на текстовые запросы, в том числе для сценариев разработки ПО и работы с инструментами. Базовая модель описана как модель для генерации кода и многошаговых задач разработки; карточка этой версии не приводит отдельных результатов оценки или подробного описания обучения. Модель распространяется по лицензии Apache-2.0. В метаданных заявлены английский язык, визуальный ввод, чат и интерфейс вызова инструментов; размер параметров и длина контекста в предоставленных сведениях не приведены.

opencsg/opencsg-CodeLlama-34b-v0.2 — это дообученная OpenCSG модель для генерации программного кода. Она основана на Meta CodeLlama-34b-hf, использует архитектуру Llama с плотной авторегрессионной языковой моделью и содержит 33,5 млрд параметров. Модель прошла полное дообучение всех параметров; в репозитории представлены веса Safetensors. Модель предназначена для генерации и автодополнения кода, в том числе решения задач по программированию. В README указано, что обучающая выборка охватывает несколько языков программирования; для оценки семейства использовался HumanEval на Python, однако приведённые значения относятся к версиям 7B и не характеризуют непосредственно эту версию 34B. Контекст модели составляет до 16 384 токенов. Лицензия — Llama 2 Community License; её условия следует учитывать при использовании и распространении модели.

Open-MOPD-SmolLM3-3B-Final — англоязычная плотная языковая модель BytedTsinghua-SIA для генерации текста, дообученная методом онлайн-дистилляции с несколькими учителями. Модель основана на BytedTsinghua-SIA/Open-MOPD-SmolLM3-3B-MixSFT и имеет около 3,1 млрд параметров; архитектура — SmolLM3ForCausalLM. Репозиторий содержит веса safetensors, а карточка указывает лицензию Apache-2.0. Модель предназначена для решения математических задач, генерации кода и выполнения инструкций в диалоговом формате. Обучение использовало отдельных RL-учителей для этих трёх областей и маршрутизацию запросов к соответствующему учителю. Указанная длина контекста — 65 536 токенов; в оценивании использовалось до 32 768 токенов. В карточке приведены результаты на наборах AIME24/25, LiveCodeBench v5/v6, IFEval и IFBench_test. Модель поддерживает английский язык. Бенчмарк-карточка отмечает, что одиночная генерация с жадным декодированием не сопоставима с опубликованными результатами: для их воспроизведения требуется описанный протокол семплирования. Приведённые оценки отражают тестовые наборы и протокол карточки, а не гарантируют качество на других задачах.

OpenThinkerAgent-32B — модель агентного программирования, созданная проектом OpenThoughts. Она дообучена полнопараметрическим SFT на базе Qwen/Qwen3-32B с использованием 100 тысяч примеров OpenThoughts-Agent-SFT-100K. Модель имеет плотную архитектуру Qwen3ForCausalLM и 29,7 млрд параметров; в репозитории представлены веса safetensors. Контекст составляет до 40 960 токенов. Модель предназначена для диалоговой работы над задачами разработки ПО и выполнения многошаговых агентных сценариев, включая работу в терминале и решение задач из SWE-Bench. В README приведены результаты оценки в terminus-2 и на семи агентных бенчмарках; для SWE-Bench-Verified указана точность 54,0, а для Terminal-Bench 2.0 — 26,2. Метаданные отмечают поддержку чата и кода. Данных о мультимодальном вводе или выводе нет. Модель унаследовала языковые возможности Qwen3-32B, но карточка не перечисляет конкретные естественные языки. Обучающая выборка включает траектории агентов из SWE-Smith, StackExchange SuperUser, StackExchange Tezos и IssueTasks. Модель распространяется по лицензии Apache-2.0.

SC117 выпустил экспериментальный вариант Ornith-1.5-35B-A3B, предназначенный для генерации текста, агентного программирования и работы с инструментами. Это производная MoE-модель на базе Ornith-1.5-35B-A3B, объединяющая выбранный LoRA-адаптер Heretic Trial 62 с весами BF16 и заменённой головой MTP; репозиторий содержит версии GGUF, полученные с помощью MoE-ориентированной смешанной квантизации APEX. Модель рассчитана на текстовые и мультимодальные сценарии с изображениями через проектор mmproj и требует свежей сборки llama.cpp с поддержкой Qwen3.5 MoE MTP. README приводит пример контекста в 131072 токена. Вариант предназначен для агентных задач программирования и диалоговой генерации. Замена MTP-головы улучшает основу для спекулятивного декодирования; для запуска с черновым MTP предлагается параметр --draft-mtp. Отказ-модифицированная модель может вести себя иначе, чем исходная, поэтому автор рекомендует оценить её перед развёртыванием. Лицензия — MIT.