II.7DevOps, облако и эксплуатация IT-систем

Это квантизированная GGUF-версия языковой модели Ornith-1.5-9B, подготовленная wepiqx методом ASHQ1 с учётом Multi-Token Prediction (MTP). В основе — дообученная Ornith-1.5-9B на архитектуре Qwen3.5-9B: 32 слоя, GQA, SSM и контекст до 262 тыс. токенов. Голова MTP сохранена в Q8_0, а основные слои распределены по уровням квантования для заданного размера; для варианта ASHQ1-6500 README указывает размер около 6,4 ГБ и потребность примерно в 7,5 ГБ VRAM при контексте 8192. Модель предназначена для генерации текста в чат-сценариях, включая программирование и агентные задачи. Репозиторий описывает также компактный вариант ASHQ1-4500, но отмечает для него ухудшение метрик относительно 6500. В приведённом сравнении качество по KLD уступает Remix Quality-36pc; результаты основаны на ограниченной проверке с контекстом 512×64, поэтому они не гарантируют качество на других задачах. Метаданные указывают лицензию Apache-2.0, тогда как README заявляет MIT; лицензионные сведения расходятся, их следует сверить с файлами репозитория перед использованием.

Qwen2.5-Coder-0.5B — базовая предварительно обученная языковая модель для работы с кодом, разработанная командой Qwen. Это причинная языковая модель семейства Qwen2: плотная архитектура Qwen2ForCausalLM с 494 млн параметров и контекстом до 32 768 токенов. В README указаны RoPE, SwiGLU, RMSNorm, смещение в QKV-внимании и связанные эмбеддинги слов; модель содержит 24 слоя и использует GQA. Модель предназначена для генерации и анализа кода, рассуждений о коде, исправления ошибок и задач заполнения фрагментов кода. Она также сохраняет общие языковые и математические возможности базовой Qwen2.5 и может служить основой для дальнейшего дообучения и создания кодовых агентов. Разработчик не рекомендует использовать базовую версию для диалога без постобучения. Модель распространяется по лицензии Apache-2.0.

Elfsong/Qwen2.5-Coder-3B-Instruct-Venus-Cold-Start — дообученная Elfsong модель на базе Qwen2.5-Coder-3B-Instruct, обученная на наборе данных venus_cold_start. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, рассчитанная на генерацию текста в формате чата. Базовая модель ориентирована на генерацию, анализ и исправление кода по текстовым запросам; карточка этой версии не описывает отдельные возможности или специализацию датасета venus_cold_start. Модель принимает текстовые запросы и выдаёт текст. Контекстное окно — 32 768 токенов. В метаданных указана лицензия other, поэтому точные условия использования следует сверить с файлами лицензии репозитория. README не содержит сведений об оценках качества и ограничениях именно этого дообучения.

Qwen2.5-Coder-7B-Instruct-heretic — модификация Qwen2.5-Coder-7B-Instruct, опубликованная пользователем saidutta69 и созданная с помощью Heretic 1.4.0. Это генеративная текстовая модель для программирования, основанная на модели Qwen с нативным размером около 7,6 млрд параметров. Указанный язык — английский; модель предназначена для текстового взаимодействия и генерации кода. Модель ориентирована на локальные coding agents, парное программирование и помощь на уровне репозитория. В ней применена directional ablation, или abliteration: целевые изменения весов в выходных проекциях attention и down-projections MLP подавляют поведение, связанное с отказами, без дообучения. По данным README, это сохраняет знания и следование инструкциям базовой модели; доступны полноточные BF16-веса и GGUF-квантизации Q4_K_M, Q5_K_M, Q6_K и Q8_0 для запуска через llama.cpp, Ollama и другие совместимые инструменты. Главное отличие модели — существенно более редкие отказы на выбранных adversarial-запросах: 3 из 100 против 100 из 100 у базовой модели, при заявленном KL divergence 0,0196. При этом она не является улучшением базовых возможностей и наследует фактические ограничения и предубеждения Qwen2.5-Coder-7B-Instruct. В модели отсутствует дополнительная фильтрация безопасности, поэтому её не рекомендуется размещать за незащищённым публичным интерфейсом. Лицензия унаследована от базовой модели и обозначена как qwen-research; для коммерческого использования необходимо ознакомиться с условиями исходной лицензии.

Qwen2.5-CoderX-7B-v0.5-i1-GGUF — это набор квантованных файлов в формате GGUF для модели oscar128372/Qwen2.5-CoderX-7B-v0.5. Квантизацию выполнил mradermacher. Модель основана на семействе Qwen2.5 и имеет размер 7 миллиардов параметров. Модель предназначена для генерации текста и кода, следования инструкциям, проектирования алгоритмов и задач, связанных с Python и физическим моделированием. В описании указана поддержка английского языка. Доступны варианты квантизации от крайне компактных IQ1 до более качественного Q6_K размером примерно от 2,0 до 6,4 ГБ, что позволяет выбирать между требованиями к памяти, скоростью и качеством. Сильной стороной являются разнообразные GGUF-варианты, включая imatrix-квантизации, совместимые с экосистемой локального запуска GGUF. Ограничения зависят от выбранного варианта: низкобитные версии могут заметно терять в качестве, а некоторые прямо помечены как имеющие очень низкое качество. Размер контекста, мультимодальность, результаты оценивания и подробности архитектуры в README не указаны. Лицензия модели — Apache-2.0.

Continuum AI представила производную Qwen3.5-27B, обрезанную по головам внимания на 30% и дообученную для задач программирования. Модель предназначена для генерации и дополнения кода в диалоговом режиме; в карточке также заявлены работа с агентными сценариями и вызовом функций. Архитектура — плотная причинная языковая модель Qwen3.5; в метаданных указано 22,3 млрд параметров и контекст до 262 144 токенов. Репозиторий описывает конвейер prune → train → quant и вариант MLX 4-bit, хотя карточка также упоминает GGUF-квантизацию и тесты в fp16. Заявленное улучшение perplexity на коде с 3,07 до 2,96 основано на одном самоотчётном бенчмарке, поэтому его следует считать предварительным. Лицензия — Apache-2.0.

Qwen3.5-28B — производная модель 0xSero на архитектуре Qwen3.5 MoE, созданная из Qwen/Qwen3.5-35B-A3B методом REAP (Router-weighted Expert Activation Pruning). Из 256 экспертов сохранены 205, то есть удалено около 20%; модель содержит 28 млрд параметров и распространяется в формате BF16. Лицензия — Apache-2.0. Модель предназначена для диалоговой генерации текста, рассуждений и задач программирования. В карточке приведены результаты на HumanEval, MMLU и WikiText-2; по сравнению с исходной моделью после pruning показатели на этих тестах снизились. Основное заявленное преимущество — меньший объём памяти: около 53 ГБ вместо 71 ГБ у исходной BF16-модели. Измерения пропускной способности показывают, что ускорение зависит от размера пакета и может отсутствовать.

koreallmdev разработала koreallmdev/qwen3.8-27b-korean-uncensored-merged — полную модель Qwen3.8 с объединёнными весами базовой модели BF16 и корейского LoRA-адаптера. Это плотная авторегрессионная модель для генерации текста, доступная в формате Safetensors и рассчитанная на запуск через Transformers или vLLM. После загрузки подключать адаптер отдельно не требуется; при публикации модели новое обучение не проводилось. Модель предназначена для диалогов на корейском языке, технических вопросов, помощи с кодом и экспериментов с локальными LLM. В метаданных указаны 22,3 млрд параметров, контекст до 262 144 токенов и поддержка корейского и английского языков. Обозначение «uncensored» отражает название и происхождение базовой модели и не гарантирует безусловных ответов на любые запросы. Лицензия в предоставленных материалах не указана.

Seed-Coder-8B-Reasoning — языковая модель для генерации кода, разработанная ByteDance Seed и представленная в формате GGUF сообществом Unsloth. Она предназначена для решения задач программирования, включая генерацию, анализ и доработку кода, а также для сценариев, требующих многошагового рассуждения, таких как соревновательное программирование. Модель обучалась на общедоступных данных в этапах предварительного и последующего обучения с применением reinforcement learning для усиления способностей к рассуждению. Это causal language model примерно на 8 млрд параметров с контекстом до 65 536 токенов. В README не указаны поддерживаемые языки программирования и естественные языки, а также конкретная архитектура или модальности, поэтому модель следует рассматривать как текстовую. К сильным сторонам относятся заявленная высокая эффективность среди открытых моделей сопоставимого размера и хорошие результаты в competitive programming; по данным разработчиков, она превосходит QwQ-32B и DeepSeek-R1 на IOI 2024 и сопоставима с o1-mini по рейтингу ELO на соревнованиях Codeforces. Ограничения и требования к аппаратным ресурсам в README подробно не описаны. Лицензия проекта — MIT.

SWE-Dev-32B-GGUF — это GGUF-квантизированная версия модели SWE-Dev-32B, основанной на Qwen2.5-Coder-32B-Instruct. Модель разработана командой THUDM для задач программной инженерии и создания открытых агентных систем, а GGUF-файлы подготовлены Mungert с использованием llama.cpp. Она предназначена для генерации и анализа кода, локализации ошибок, работы с GitHub-репозиториями, создания тестов и решения задач, связанных с разработкой программного обеспечения. Модель относится к текстовым autoregressive-моделям для генерации текста и кода; её размер базовой модели — 32 миллиарда параметров. Формат GGUF ориентирован на запуск через llama.cpp и совместимые инструменты, в том числе на локальных системах. В README не указаны поддерживаемые языки, размер контекстного окна и конкретные варианты квантования. Автор применяет дополнительное повышение точности отдельных важных слоёв, что, по его утверждению, может улучшать качество при низкой разрядности ценой увеличения размера файла. В исходной карточке SWE-Dev-32B заявлен результат 36,6% на SWE-bench-Verified при масштабировании вывода до 75 раундов; это указывает на пригодность модели для агентных сценариев разработки, но не гарантирует аналогичные результаты в каждом окружении. Ограничениями являются возможная потеря качества из-за квантования, повышенные требования к ресурсам по сравнению с меньшими моделями и отсутствие в README подробных сведений о производительности, языках и контексте. Указанная лицензия — MIT.

SynapseLLM — языковая модель WebraftAI, дообученная на базе Mistral-7B-v0.1 для диалоговых вопросов и ответов, математических инструкций и задач программирования. Это плотный decoder-only Transformer с 7,1 млрд параметров, рассчитанный на генерацию текста; метаданные указывают контекст до 32 768 токенов и поддержку чата и кода. Модель принимает текст и генерирует текст, основной язык — английский. Это предварительная версия дообучения на пользовательском наборе данных. В README указаны 150 шагов обучения и один эпох, а также применение QLoRA-адаптера, объединённого с базовой моделью. SynapseLLM подходит для ответов на вопросы, решения математических задач и генерации кода на английском языке. Разработчик предупреждает, что ответы могут содержать фактические ошибки, модель может не следовать системным инструкциям и иногда выдавать себя за GPT. Лицензия — Apache 2.0.

SynapseLLM-7B-Mistral-v0.5-preview2 — предварительная версия языковой модели WebraftAI, дообученной на базе Mistral-7B-v0.1. Это плотный декодерный трансформер с 7,1 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors для библиотеки Transformers. При дообучении использовался QLoRA, затем адаптеры были объединены с основной моделью. Модель предназначена для диалоговых вопросов и ответов, математических инструкций и генерации кода, включая Python. В README указано, что обучение проводилось на англоязычных данных, а метаданные отмечают английский язык. Модель распространяется по лицензии Apache 2.0. Это preview-чекпойнт, обученный на ограниченном по охвату наборе данных. Разработчики предупреждают о возможных фактических ошибках, слабом следовании системным инструкциям и смещениях в ответах; у модели нет встроенной памяти.

Ternary Bonsai 2 27B Abliterated PQ2_0 MTP — это производная от prism-ml/Ternary-Bonsai-2-27B-gguf модель на основе семейства Qwen, опубликованная BoldingBuilds в формате GGUF. Веса упакованы с тернарным квантованием PQ2_0 примерно до 2,13 бит на вес; модель изменена методом abliteration, который убирает поведение отказа. Вариант MTP дополнен головой multi-token prediction для спекулятивного декодирования. Модель предназначена для локальной генерации текста и диалогов, в том числе ответов на запросы, от которых исходная модель отказывается. При подходящих нагрузках MTP ускоряет генерацию, например для кода, JSON и рассуждений; на свободной прозе ускорения нет и возможна небольшая просадка. Для MTP-файла требуется исправленная сборка llama.cpp; файл без MTP работает без этого патча. README сообщает о сохранении качества на MMLU относительно исходной тернарной версии, но приводит снижение pass@1 на HumanEval с 0,890 до 0,872, статистически незначимое в описанном измерении. У варианта v1 также отмечена проблема режима рассуждений: ответы на часть запросов не завершаются; измерения качества и отказов проводились с выключенным режимом thinking. Лицензия — Apache-2.0. Модель не имеет встроенного поведения отказа и требует отдельного защитного слоя перед пользовательским применением.

The-Trinity-Coder-7B — языковая модель для генерации кода, созданная слиянием трёх моделей: CodeNinja-1.0-OpenChat-7B, NeuralExperiment-7b-MagicCoder-v7.5 и Speechless-Zephyr-Code-Functionary-7B. Слияние выполнено методом TIES; модель использует плотную архитектуру Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации и дополнения кода, помощи в программировании, логических рассуждений и решения математических задач. В карточке заявлена поддержка языков программирования, включая Python, C, C++, Rust, Java и JavaScript. Модель работает с текстовыми запросами и выдаёт текст, в том числе код. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результаты сравнительной оценки качества; практическая точность и качество кода могут зависеть от задачи и формулировки запроса.

OliviaRossi/UltiMerge-Q5_K_M-GGUF — это квантованная версия модели OliviaRossi/UltiMerge в формате GGUF, подготовленная разработчиком OliviaRossi с использованием llama.cpp и сервиса GGUF-my-repo от ggml.ai. Модель предназначена для генерации текста и может применяться в задачах программирования, рассуждений, создания агентных сценариев и локального запуска через llama.cpp или совместимые инструменты, включая vLLM. В карточке указаны поддерживаемые языки English и Chinese, а также код. Модель относится к text-generation и отмечена как MoE; также заявлены связи с семействами и методами Qwen3.5, Qwen3.6, model merge, DARE, STAR и DeltaNet. Используется квантование Q5_K_M, однако точный размер модели, архитектурные параметры и исходные характеристики UltiMerge в README не приведены. Для запуска приведён контекст 2048 токенов. К сильным сторонам относятся компактный GGUF-формат, возможность локального инференса и поддержка сценариев, ориентированных на код и рассуждения. Ограничения — отсутствие подробных результатов оценки, точных сведений о размере, производительности, мультимодальности и дополнительных языках. Лицензия указана как Apache-2.0; подробные условия и характеристики следует уточнять в карточке исходной модели OliviaRossi/UltiMerge.

Agents-A1-4B-Fable-Preview-heretic — текстовая чат-модель на архитектуре Qwen3.5, подготовленная авторами hotdogs путём абляции модели hotdogs/Agents-A1-4B-Fable-Preview с помощью heretic. Веса представлены в формате BF16 для Transformers; метаданные указывают 3,4 млрд параметров и контекст до 262 144 токенов. Модель предназначена для агентных сценариев: многошагового рассуждения, планирования и вызова инструментов в формате Hermes/Qwen. Также заявлены помощь с кодом и ведение многоходового диалога. README сообщает о поддержке английского и тайского языков и снижении частоты отказов, однако это заявление автора, а не независимая оценка. Модель принимает текст и генерирует текст. README предупреждает, что из-за снятия защитных механизмов ответы могут быть оскорбительными, вредными или неуместными. Лицензия — AGPL-3.0.

BTL-4 — языковая модель с 35 млрд параметров от Bad Theory Labs, дообученная на базе Ornith-1.0-35B на корпусе рассуждений, отобранных по успешному выполнению кода и прохождению тестов. Модель построена на архитектуре Qwen 3.5 MoE и предназначена для генерации текста в сценариях использования инструментов, разработки ПО и длительной работы агентных систем. Среди заявленных результатов — 73,5% на BFCL v4 AST, 66,1% на LiveCodeBench v6 и 78,4% на SWE-bench Verified. Модель поддерживает контекст до 262 144 токенов; для сложных задач ей требуется большой бюджет генерации. Это специализированная модель рассуждений, а не обычный чат-бот: ответы могут быть многословными, а при запуске в агентном цикле необходимо корректно отделять рассуждения от основного текста, иначе качество длительных сессий снижается. Для обслуживания README приводит пример настройки vLLM и рекомендует доверенную загрузку удалённого кода. Лицензия — Apache-2.0.

Code-13B — полноценно дообученная модель Ajibawa на базе Llama 2 для генерации кода и подробных объяснений к нему. Модель содержит 12,9 млрд параметров, использует плотную архитектуру Llama и принимает запросы в текстовом формате Vicuna/ShareGPT; родной контекст — 4096 токенов. Модель обучена на наборе Code-74k-ShareGPT, включающем примерно 74 тысячи примеров с кодом и диалогами. В карточке названы Python, Java, JavaScript, Go, C++, Rust и другие языки программирования. Модель подходит для создания фрагментов кода с пояснениями и ответов на вопросы по программированию. Модель распространяется под лицензией CC BY-NC-ND 4.0, которая запрещает коммерческое использование и распространение производных версий. Генерация кода может содержать ошибки, поэтому результаты следует проверять; обучение и оценка не гарантируют корректность кода для конкретной задачи.

Карточка модели TechxGenus/CursorCore-QW2.5-1.5B-SR 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.

Devple-8B — дообученная на основе Meta Llama 3.1 8B Instruct языковая модель для задач разработки программного обеспечения. Она предназначена для генерации и проверки кода, рефакторинга и других задач, связанных с разработкой, с акцентом на качество и безопасность результатов. Модель обучена методом ORPO на синтетических данных, подготовленных с помощью GPT-4o и Llama 3. Модель построена на архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и работает с текстом в формате диалога. Поддерживает английский и русский языки; заявленная длина контекста — 131 072 токена. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Llama 3.1 Community License.

EVA-QwQ-32B-Coder-Preview — объединённая языковая модель, созданная автором win10 с помощью mergekit и метода TIES на базе EVA-Qwen2.5-32B-v0.2. В слияние также вошли Qwen/QwQ-32B-Preview и Qwen/Qwen2.5-Coder-32B-Instruct. Модель построена на архитектуре Qwen2, содержит 32 млрд параметров и предназначена для генерации текста в диалоговом формате. Каталог указывает контекст до 131 072 токенов. Вклад Qwen2.5-Coder предполагает пригодность для генерации и анализа кода, однако README не описывает отдельные результаты или проверенные сценарии для этой объединённой модели. Модель распространяется в формате safetensors и использует библиотеку Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

fuse-1 Lite — языковая модель для генерации текста с усиленными возможностями программирования, разработанная Akahsizrr. Она объединяет базовую модель LiquidAI/LFM2.5-2.6B с перенесёнными экспертами для кода из Qwen/Qwen3.6-35B-A3B и обучаемым маршрутизатором, который выбирает экспертов для токенов, связанных с программированием. В метаданных указано 2,6 млрд параметров, а в README — 5,72 млрд; README описывает архитектуру Fuse3 с экспертными дополнениями, тогда как в метаданных архитектура обозначена как dense. Контекст — до 131 072 токенов; модель доступна в формате safetensors и рассчитана на работу через Transformers. Модель предназначена для генерации кода, помощи при программировании и агентных сценариев. README сообщает, что базовые веса и эксперты заморожены, а обучались только маршрутизатор и масштабы экспертных слоёв на 55 примерах, поэтому качество маршрутизации может быть нестабильным на разнообразных задачах. Для загрузки требуется доверенное выполнение пользовательского кода модели (`trust_remote_code=True`); README также отмечает ограничения совместимости с vLLM и необходимость специальной поддержки для вариантов GGUF. Лицензия — Apache-2.0.

GPT-5.1-Codex-Max — агентная модель OpenAI для задач разработки программного обеспечения. README описывает её как модель для длительных задач программирования с большим контекстом, основанную на обновлённом стеке рассуждений GPT-5.1 и обученную для агентной работы. Модель предназначена для использования в сценариях, где агенту нужно вести работу над программным обеспечением в течение продолжительного времени. Карточка не содержит подробностей об архитектуре, числе параметров, поддерживаемых языках программирования или лицензии, поэтому эти характеристики не приводятся.

Grok Build 0.1 — модель SpaceXAI для ускорения разработки программного обеспечения в агентных рабочих процессах. Она предназначена для интерактивного программирования и принимает текстовые и графические входные данные, выдавая текст. Данных о размере, архитектуре, языках программирования и лицензии в доступных источниках нет.

Huihui4-8B-A4B-GGUF — облегчённая разговорная MoE-модель, разработанная Huihui-ai на основе google/gemma-4-26B-A4B-it. Модель создана с помощью pruning экспертов и supervised fine-tuning на более чем 500 высококачественных диалоговых примерах, извлечённых из данных о предпочтениях в программировании. В README также указана поддержка сценария image-text-to-text, однако подробные характеристики мультимодальных возможностей не приведены. Архитектура включает 32 эксперта вместо исходных 128, при этом для каждого токена активируются 8 экспертов, что сохраняет масштаб активаций A4B. Модель ориентирована на диалоговые ассистенты для программирования, понимание контекста кода, лёгкое планирование задач, локальное развёртывание и эксперименты с pruning и объединением MoE-моделей. Рекомендуемые инструменты запуска — vLLM, llama.cpp и HuggingFace Transformers; заявленные требования составляют менее 18 ГБ VRAM для FP16 и примерно 6–9 ГБ для INT4/INT8-квантизации. К сильным сторонам относятся сниженные вычислительные требования, пригодность для потребительского оборудования и заявленная устойчивость логики, следования инструкциям и работы с кодом после pruning. Предварительная оценка perplexity на 100 образцах при максимальной длине 8192 токена показала улучшение после SFT: для варианта с 32 экспертами perplexity снизилась с 2,4826 до 1,0035 на поздних этапах обучения. Ограничения включают предварительный характер оценки, отсутствие подробных данных о языках, точном размере контекста, качестве мультимодальной обработки и полноценных сравнительных тестах. Модель распространяется по лицензии Apache-2.0.

Карточка модели IQuestLab/IQuest-Coder-V1-7B-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.

KALYPSO v1.1L — открытая модель для генерации кода из семейства KALYPSO, разработанная GENOMA Labs. Она основана на Qwen2.5-Coder-14B-Instruct и дообучена с использованием LoRA на наборе Kraken-Public, содержащем 18 049 очищенных от пересечений с тестами записей, производных от кодинговых данных NVIDIA Nemotron. После обучения LoRA-адаптер объединён с полноразмерными весами в формате fp16. Модель предназначена для агентного программирования: многошаговых задач разработки, сценариев вызова инструментов, а также рабочих процессов с предварительным планированием и последующей реализацией. Основные языки — Python, C++ и SQL; заявлена поддержка английского языка. Это плотная модель на 14 млрд параметров с текстовой модальностью, стандартным шаблоном чата Qwen2.5 и контекстом до 32 000 токенов. Для развёртывания рекомендуется vLLM, также поддерживается Transformers. По данным EvalPlus, модель показывает результаты, близкие к базовой Qwen2.5-Coder-14B-Instruct: 87,8 на HumanEval, 82,9 на HumanEval+, 84,7 на MBPP и 70,4 на MBPP+. Её основное преимущество — ориентация на агентные сценарии и планирование, а не превосходство в однократном завершении кода. Ограничения включают отсутствие заметного выигрыша над базовой моделью в задачах чистого кодогенерирования и неизвестную эффективность за пределами заявленных сценариев. Модель распространяется по лицензии Apache-2.0; в описании также отмечено, что происхождение части обучающих данных может быть связано с условиями лицензий Qwen и DeepSeek.

Kraken — модель и архитектура для генерации текста, созданная совместно Cognitive Computations, VAGO Solutions и Hyperspace.ai. В разработке участвовали Fernando Fernandes Neto, David Golchinfar, Lucas Atkins и Eric Hartford. Она использует Transformers и маршрутизацию запросов между несколькими причинными языковыми моделями, выбирая эксперта по содержанию входного текста. В набор экспертов входят модели для рассуждений, вызова функций, Python, SQL и немецкого языка. Конфигурация Kraken позволяет подключать модели, токенизаторы и шаблоны форматирования. Архитектура описана как расширяемая и рассчитана на сценарии, где специализированная модель может дать более подходящий ответ. Репозиторий содержит веса в формате safetensors; метаданные указывают английский язык. Лицензия и размер модели в предоставленных данных не приведены.

LIMI — агентная языковая модель, разработанная GAIR и дообученная на базе GLM-4.5 с помощью компактного набора тщательно отобранных данных. Она предназначена для диалоговых агентных сценариев: вызова инструментов, выполнения инструкций, соблюдения спецификаций и исправления ошибок в многошаговых взаимодействиях. Модель использует архитектуру GLM-4 MoE, содержит 23,4 млрд параметров и поддерживает контекст до 131 072 токенов. В карточке заявлены английский язык и формат диалогов OpenAI messages с опциональными вызовами функций и инструментов. LIMI подходит для создания ассистентов, которые работают с инструментами и длинными диалоговыми траекториями. Авторы сообщают об оценке агентных возможностей на AgencyBench; в README приведены результаты для моделей LIMI на базе GLM-4.5, GLM-4.5-Air и GLM-4.5-Code, но не отдельные численные результаты именно этой 23,4-миллиардной версии. Модель распространяется под лицензией Apache-2.0. Она может ошибаться в аргументах вызова инструментов и переобучаться на часто встречающиеся схемы; для чувствительных областей необходимы защитные механизмы и контроль.

Merlin-Agent — модель-агент для программирования от Merlin Research, созданная на базе deepreinforce-ai/Ornith-1.0-9B. Это плотная причинная языковая модель семейства Qwen 3.5 с 7,2 млрд параметров и контекстом до 262 144 токенов. Модель дообучена с добавлением замороженного компонента весов, построенного на измерениях OTOC, полученных на квантовом процессоре IBM Heron; опубликованные веса являются обычными классическими весами и работают без квантового оборудования. Модель предназначена для помощи в написании и изменении кода, а также для решения задач разработки ПО, включая SWE-bench. В README заявлены результаты 69,4% на SWE-bench Verified и 41,4 на Terminal-Bench 2.1; авторы указывают, что возможности сопоставимы с базовой моделью. Поддерживаются чат и генерация кода; карточка перечисляет английский, испанский, немецкий, финский, шведский, французский, датский и турецкий языки. Модель распространяется под лицензией Apache-2.0.