II.7DevOps, облако и эксплуатация IT-систем

MiMo-7B-SFT — плотная языковая модель Xiaomi, обученная с нуля и прошедшая supervised fine-tuning на базе MiMo-7B-Base. Модель предназначена для диалогов и задач рассуждения, особенно решения математических задач и написания кода; поддерживает интерфейс вызова инструментов. Она содержит 7 млрд параметров, использует архитектуру MiMoForCausalLM и принимает контекст до 32 768 токенов. В README описана серия MiMo-7B, ориентированная на усиление способностей к рассуждению через предварительное обучение и последующее обучение. Для этой версии заявлено обучение SFT; результаты по математике и коду, приведённые в карточке, относятся преимущественно к RL-версиям семейства и не должны автоматически считаться показателями MiMo-7B-SFT. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — MIT.

senseable/moe-x33 — модель генерации текста для помощи в программировании, опубликованная пользователем senseable. README описывает её как модель для понимания и создания кода, включая генерацию фрагментов и скриптов, отладку и ответы на вопросы о программировании. Примеры применения включают работу с Python и другими языками программирования. В метаданных указаны архитектура Mixtral MoE с классом MixtralForCausalLM, 33,1 млрд параметров и контекстное окно 16 384 токена. Репозиторий содержит веса в формате safetensors; модель предназначена для текстового ввода и генерации текста. Метаданные связывают её обучение с наборами синтетических задач извлечения информации и инструкций по программированию Magicoder-Evol-Instruct-110K. README называет модель основанной на Llama, что расходится с архитектурой Mixtral в метаданных, поэтому базовую модель установить нельзя. Лицензия — Apache-2.0. README заявляет поддержку разных языков программирования, но не перечисляет их; метаданные указывают английский как язык карточки. Приведённые в карточке результаты нескольких тестов не позволяют оценить качество на конкретных языках программирования или сценариях. Сгенерированный код следует проверять перед использованием.

NodeShift_7b_v0.1 — объединённая языковая модель, созданная с помощью mergekit методом TIES на основе DeepSeek Coder. В объединение вошли deepseek-ai/deepseek-coder-6.7b-base, deepseek-ai/deepseek-coder-6.7b-instruct и m-a-p/OpenCodeInterpreter-DS-6.7B. Модель имеет архитектуру LlamaForCausalLM, около 6,6 млрд параметров и контекстное окно до 16 384 токенов; файлы представлены в формате safetensors и рассчитаны на работу через Transformers. Модель предназначена для генерации текста и работы с программным кодом, включая дополнение и объяснение кода. Карточка не содержит сведений о лицензии или сравнительных результатах качества, поэтому условия коммерческого применения и преимущества относительно исходных моделей по имеющимся данным установить нельзя.

OpenCodeInterpreter-SC2-15B — модель генерации кода из семейства OpenCodeInterpreter, разработанная авторами проекта OpenCodeInterpreter. Она основана на StarCoder2-15B и предназначена для создания кода с возможностью интеграции выполнения и итеративного уточнения по обратной связи от исполнения. Модель имеет плотную архитектуру Starcoder2ForCausalLM, содержит 21,7 млрд параметров и поддерживает контекст до 16 384 токенов. Модель подходит для генерации и интерпретации кода, а также для сценариев, где результат можно выполнить и затем доработать с учётом полученной обратной связи. В карточке приведены результаты серии OpenCodeInterpreter на HumanEval и MBPP, однако конкретные показатели этой версии из таблицы не видны. Метаданные указывают английский язык и формат safetensors. Лицензия — Apache-2.0.

OsaurusAI/Ornith-1.5-9B-MXFP8 — это 8-битная сборка модели Ornith 1.5-9B, подготовленная для MLX Джихо Джангом на основе модели Ornith AI. Она предназначена для агентного программирования, рассуждений и работы с инструментами. Архитектура Qwen3.5 сочетает gated-delta linear attention с полным вниманием в соотношении 3:1; модель имеет 27-слойную башню зрения. Размер файлов сборки — 9,45 GiB. Модель принимает текст, изображения и видео и выдаёт текст. Режим рассуждений включён по умолчанию; доступен вариант генерации без содержимого блока рассуждений. В карточке приведены результаты SWE-bench Verified 79 и Terminal-Bench 2.1 67,8. Сборка служит 8-битным эталоном качества для вариантов JANG. Лицензия — MIT.

Pink Elephant 48B — языковая модель с архитектурой Mixture-of-Experts от Pink Elephant Limited, дообученная на инструкциях по программированию и математическим рассуждениям. В карточке указаны 47,7 млрд параметров общей ёмкости и около 14,7 млрд активных на токен; метаданные Hugging Face указывают 8,6 млрд параметров. Модель использует восемь экспертов на слой и маршрутизацию к двум из них для каждого токена. Контекст — 16 384 токена. Модель предназначена для генерации кода, следования инструкциям по разработке ПО и решения математических задач с пошаговыми рассуждениями. Это объединённая версия с уже встроенными адаптерами экспертов и обученным маршрутизатором; для инференса не требуется отдельно подключать адаптеры. Поддерживаются текстовый ввод и генерация текста, заявлен английский язык. Модель основана на MoE-базе Pink Elephant 48B, созданной путём расширения плотной модели Pink Elephant 14B. Обучение включало около 100 тысяч примеров по коду и математике. По заявлению карточки, специализация на этих задачах ограничивает широту общих знаний; длинные агентные сценарии могут требовать дополнительного обучения использованию инструментов. Результаты следует проверять перед применением в регулируемых и критически важных областях. Лицензия — MIT.

ProCreations_grug-9b-GGUF — квантизированная версия модели grug-9b, разработанной ProCreations и подготовленной в формате GGUF пользователем bartowski с использованием llama.cpp. Модель основана на датасете ProCreations/grug-think; в карточке указаны направления применения, связанные с кодом, агентами, использованием инструментов, рассуждениями и эффективным выводом. Pipeline обозначен как image-text-to-text, однако подробности о поддерживаемых визуальных возможностях не приведены. Модель имеет размер 9 млрд параметров в исходной версии. Доступны варианты от BF16 до различных уровней квантования, включая Q8_0, Q6_K, Q5_K_M, Q4_K_M и более компактные форматы. Квантизация выполнена с применением imatrix, что позволяет выбирать компромисс между качеством, размером файла и требованиями к оперативной памяти. Для запуска указаны llama.cpp, LM Studio, KoboldCpp, Jan, Text Generation Web UI и другие совместимые приложения; используется специальный шаблон prompt с системными и пользовательскими сообщениями и секцией рассуждений. Сильными сторонами являются широкий выбор квантованных вариантов, возможность локального запуска и ориентация на задачи программирования, агентное взаимодействие и tool use. Качество зависит от выбранного формата: высокобитные варианты ближе к исходной модели, а самые компактные экономят память ценой снижения качества. Данные о языках, размере контекста, точных архитектурных характеристиках, результатах тестирования и ограничениях безопасности в README отсутствуют. Лицензия — MIT.

mlx-community/Qwen2.5-Coder-1.5B-Instruct-8bit — конвертированная в формат MLX 8-битная версия Qwen2.5-Coder-1.5B-Instruct от сообщества mlx-community. Это плотная авторегрессионная модель семейства Qwen2, предназначенная для генерации кода в диалоговом формате и доступная для запуска через mlx-lm. Модель содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка указывает английский язык; метаданные также отмечают возможности работы с кодом и интерфейс вызова инструментов. Репозиторий создан 18 сентября 2024 года. Модель подходит для генерации и продолжения кода, помощи в программировании и диалоговых сценариев с кодом. Её компактный размер удобен для локального запуска на оборудовании Apple Silicon через MLX, однако карточка не приводит результатов бенчмарков или более подробных гарантий качества. Лицензия — Apache-2.0.

Это дообученная модель Jongbin-kr на основе Jongbin-kr/qwen2.5-coder-7b-verireason-official-settings-reasoning-jongbin. Модель семейства Qwen2 с плотной архитектурой Qwen2ForCausalLM содержит 7,1 млрд параметров и предназначена для генерации текста в диалоговом формате. В карточке приведён пример генерации ответа на вопрос пользователя. Модель можно применять для диалоговых ответов и задач генерации текста; в названии и базовой модели заявлена специализация на коде и рассуждениях. Используется библиотека Transformers, веса представлены в формате safetensors, заявленная длина контекста — 32 768 токенов. Языки и лицензия в предоставленных данных не обозначены.

Это финальная модель, подготовленная для инференса и предназначенная для генерации кода после supervised fine-tuning. Она основана на Qwen3-1.7B-Base и содержит 1,7 млрд параметров; архитектура — плотная авторегрессионная Qwen3ForCausalLM. Обучение включало данные для кодирования и равномерное воспроизведение обучающих примеров; указан шаг оптимизатора 102. Модель принимает текст и генерирует текст, в том числе код, а контекст составляет до 32 768 токенов. Модель подходит для генерации фрагментов кода и ответов на запросы по программированию. В карточке указаны Transformers и формат Safetensors. Условия лицензии в предоставленных данных не описаны.

TelperionAI/Qwen3.8-27B-MLA — это производная от Qwen/Qwen3.8-27B модель с плотной гибридной архитектурой: 48 слоёв линейного внимания Gated DeltaNet и 16 слоёв полного внимания. Разработчик заменил представление ключей и значений в кэше внимания на низкоранговое латентное представление с Multi-head Latent Attention (MLA). Преобразование выполнено без обучения и уменьшает KV-кэш примерно вдвое; веса модели, включая башню зрения и голову MTP, поставлены целиком. Модель предназначена для диалогов, программирования и длинных контекстов; она также сохраняет работу с изображениями, как базовая модель. В парном тестировании SWE-bench Verified модель получила 0,421 против 0,395 у исходной версии, используя на 12% меньше выходных токенов; на HELMET при контексте 64k средний результат составил 77,93 против 77,43. Эти результаты относятся к указанным тестам и настройкам. Для запуска требуется экспериментальный плагин qwen-mla-vllm: модель не загружается в Transformers или стандартный vLLM. README сообщает о проверке с vLLM 0.27.1 на RTX PRO 6000 и отмечает, что без nvcc и ninja запуск использует более медленные Triton-ядра. Проверка ограничена SWE-bench Verified и HELMET при 64k; другие области и существенно более длинные контексты не оценивались. Лицензия — Apache-2.0.

Youssofal/Qwen3.8-27B-MTPLX-Bare-Speed-FP16 — это MLX-сборка модели Qwen3.8-27B, подготовленная для запуска через MTPLX на компьютерах Mac с Apple Silicon. Модель предназначена для локального текстового общения и генерации, включая задачи программирования, приоритетом является высокая скорость генерации в коротких диалогах и быстрых ответах. Разработчик базовой модели — Qwen, сборку и оптимизацию MTPLX выполнил Youssofal для работы на Apple Silicon. Модель имеет размер 27B параметров, использует FP16 для части плавающих тензоров и поддерживает контекст до 262 144 токенов. В MTPLX применяется speculative decoding с multi-token prediction глубиной 3, что позволяет ускорять генерацию без изменения результата относительно обычного декодирования при указанных условиях. Размер загрузки составляет 16 ГБ; для работы требуется Mac с чипом M1–M5 и не менее 32 ГБ unified memory. Эта версия оптимизирована прежде всего для M1 и M2, тогда как для M3 и новее рекомендуется родительская сборка. Сильная сторона модели — высокая скорость генерации и эффективный локальный запуск на совместимых Mac; заявлены до 65,2 токена в секунду на тесте программирования, измеренном на M5 Max, хотя показатели для M1 и M2 отдельно не опубликованы. Ограничения — более низкое качество и меньшая скорость на длительных задачах программирования по сравнению с вариантами, ориентированными на качество, а также зависимость от оборудования Apple Silicon и MTPLX. Модель распространяется по лицензии Apache-2.0.

zzzmahesh/starcoder2-3b-instruct — дообученная модель генерации кода на архитектуре StarCoder2, опубликованная пользователем zzzmahesh. Модель обучали на дополнительных 0,7 млрд токенов, связанных с кодом, в течение трёх эпох. Она принимает инструкции в формате Alpaca без системного промпта и предназначена для генерации и дополнения программного кода по запросу. В README указан результат 65,9 pass@1 на HumanEval-Python. Модель содержит 4,2 млрд параметров, работает с контекстом до 16 384 токенов и доступна в формате safetensors для Transformers. Лицензия — BigCode OpenRAIL-M. Карточка предупреждает, что модель может ошибаться и выдавать вводящий в заблуждение результат, слабо справляться с задачами вне программирования и прошла ограниченное тестирование; перед реальным применением рекомендуется дополнительная проверка безопасности.

TechxGenus starcoder2-7b-instruct — дообученная для следования инструкциям модель генерации кода на архитектуре StarCoder2. В README указано, что StarCoder2-7B обучили ещё на 0,7 млрд токенов, связанных с кодом, в течение трёх эпох; размер модели в метаданных — 9,9 млрд параметров. Модель использует формат инструкций Alpaca без системного промпта и рассчитана на контекст до 16 384 токенов. Модель предназначена для генерации и дополнения кода по инструкциям, а также решения задач программирования. Авторы сообщают результат 73,2 pass@1 на HumanEval-Python. В README отмечены ограниченное тестирование, возможные ошибки и вводящие в заблуждение ответы, а также трудности с задачами вне программирования. Лицензия — BigCode OpenRAIL-M.

laion/tt-x1_lr-lr8e6-60-30B — чекпойнт шага 60, созданный LAION в рамках эксперимента TaskTrove X1 по подбору скорости обучения. Это дообучение инструктивной модели Qwen/Qwen3-Coder-30B-A3B-Instruct с архитектурой Qwen3 MoE, выполненное методом GRPO на наборе DCAgent/exp_rpt_multifile с использованием SkyRL и Terminus-2. Модель предназначена для генерации текста в диалоговом формате, в частности для задач программирования и работы с несколькими файлами. Для выбора чекпойнта использовали скользящую экспоненциальную среднюю награды за последние пять шагов; шаг 60 показал наивысшее значение среди сохранённых вариантов. Обучение остановили на шаге 71 из 80 из-за роста энтропии, поэтому результат не отражает завершённый цикл обучения. Контекст модели составляет 262 144 токена; в метаданных указано 2,6 млрд параметров. Лицензия — Apache-2.0.

XORTRON — мультимодальная диалоговая модель семейства Qwen3.5, опубликованная darkc0de. По метаданным, это результат слияния coder3101/Qwen3.5-27B-heretic и двух моделей XORTRON; она поддерживает анализ изображений, диалог и интерфейс вызова инструментов. Автор позиционирует её как uncensored-модель с сильными возможностями программирования и агентной работы, рассчитанную на быстрые ответы при локальном запуске. Модель принимает текст и изображения и выдаёт текст. Репозиторий использует Transformers и формат Safetensors. Лицензия — WTFPL. В карточке заявлены общие возможности, но подробных оценок качества, требований к оборудованию и результатов тестирования нет.

Agnuxo/Agente-Llama-3.1-Asistant-16bit-v2 — локальная чат-модель для генерации текста и сценариев автономного агента, опубликованная независимым исследователем Франсиско Ангуло де ла Фуэнте. По метаданным, это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; заявленная длина контекста — 131 072 токена. Репозиторий содержит веса Safetensors, а карточка описывает запуск через Ollama и Transformers. Модель позиционируется для диалога, декомпозиции задач, генерации кода и научных текстов, а также координации агентов через MCP и A2A. В карточке заявлены навыки работы с Python, JavaScript, TypeScript, Rust, Go и C++, но эти заявления не сопровождаются описанием обучения или результатами оценки. Указаны английский и испанский языки. Лицензия — Apache-2.0.

Athene CodeGemma 2 7B v1.3 — языковая модель EpistemeAI для программирования, дообученная на базе EpistemeAI/Athene-codegemma-2-7b-it-alpaca-v1.1 на наборах данных по программированию с supervised fine-tuning. Это плотная decoder-only модель семейства Gemma с архитектурой GemmaForCausalLM, примерно 8,2 млрд параметров и контекстом 8192 токена. Модель принимает текстовые запросы и выдаёт код или естественный язык. Она предназначена для генерации кода по описанию на естественном языке, ответов на вопросы о фрагментах кода и диалога о программировании и технических задачах. Для использования в режиме чата следует применять встроенный шаблон диалога токенизатора. Карточка рекомендует для автодополнения кода в IDE использовать предварительно обученные варианты CodeGemma вместо instruction-tuned модели. Модель рассчитана прежде всего на английский язык и распространяется под лицензией Apache-2.0. Она доступна в форматах PyTorch и Safetensors. Карточка не приводит результатов систематической оценки качества; качество генерации может зависеть от формулировки запроса и используемого шаблона диалога.

Code-Llama-3-8B — полноразмерная дообученная модель ajibawa-2023 на базе Llama-3-8B от Meta. Она предназначена для генерации кода и ответов на математические задачи; модель также может объяснять логику и решения. Обучение проводилось на наборах Code-290k-ShareGPT, CodeFeedback, CodeFeedback-Filtered-Instruction и orca-math-word-problems-200k. Модель поддерживает диалоговый формат ChatML и имеет контекст длиной 8192 токена; размер составляет 7,5 млрд параметров. Модель ориентирована на код на Python, Java, JavaScript, Go, C++, Rust, Ruby, SQL, MySQL, R, Julia и Haskell. Разработчик отмечает хорошие результаты в генерации кода и математике, однако независимые количественные оценки в карточке не приведены. Доступна лицензия Llama 3; перед использованием следует учитывать её условия.

DeepSeek V4 Flash REAP K128 Mixed NVFP4 — это экспериментальная производная модели DeepSeek, подготовленная sleepyeldrazi на основе deepseek-ai/DeepSeek-V4-Flash. Это текстовая MoE-модель для генерации текста и диалогов; в ней оставлено 128 маршрутизируемых экспертов на слой, что соответствует примерно 50% сокращению экспертов. Дообучение не проводилось: модель создана структурным удалением части экспертов и преобразованием формата весов. Веса экспертов gate и up представлены в NVFP4 после заявленного в карточке преобразования шкал из MXFP4, down-эксперты — в Q2_K; внимание и общие эксперты используют Q8_0. Репозиторий распространяется в формате GGUF, но для запуска необходимы специализированный движок ds4 и NVFP4 CUDA-ядра: стандартные среды llama.cpp и GGUF модель не загружают. Автор ориентирует сборку на DGX Spark с GB10 Blackwell и заявляет поддержку контекста до 1 млн токенов при использовании FP8 KV-кэша. Карточка указывает английский язык и лицензию MIT. Практические сценарии включают программирование, вызовы инструментов, исследовательские и справочные диалоги; характеристики качества в README описаны без независимых оценок.

Fwizzer-R1-3B-RU-v2 — русско- и англоязычная генеративная языковая модель команды Fwizzer, дообученная на базе Ministral-3B для пошагового рассуждения. Она предназначена для математических задач, алгоритмического и обычного программирования, а также сложных текстовых вопросов. По карточке, модель формирует цепочку рассуждений и затем выдаёт ответ; заявлены адаптация языка ответа к языку запроса и возможность локального запуска, в том числе с квантованными GGUF-весами. Модель использует плотную архитектуру семейства Mistral 3; в карточке указано около 3 млрд параметров. Доступны файлы safetensors и GGUF, а метаданные подтверждают поддержку чата и кода. Лицензия — Apache-2.0. Заявленные показатели и требования к ресурсам приведены автором карточки и здесь независимо не проверялись.

Gallium-350M — компактная языковая модель для генерации кода и рассуждений о программировании, созданная на базе LiquidAI/LFM2.5-350M. Это плотная авторегрессионная модель семейства LFM2; метаданные указывают 443,4 млн параметров, формат safetensors и контекст до 128 000 токенов. Модель принимает текстовые запросы и выдаёт текстовые ответы в диалоговом формате. Модель дообучена на наборе Banaxi-Tech/Deepseek-V4-Reasoning-Code-2500 с помощью SFT, затем дополнительно обучена методом GRPO. Она предназначена для генерации фрагментов и длинных программ по описанию на естественном языке, выполнения инструкций, ответов на вопросы по программированию и рассуждений над кодом. Карточка заявляет поддержку основных языков программирования, но естественный язык в метаданных указан как английский. Разработчик характеризует модель как экспериментальную и предупреждает, что её следует использовать с учётом этого статуса. Заявления о повышении качества и снижении галлюцинаций исходят из карточки модели и не сопровождаются здесь независимыми оценками. Лицензия указана как other; конкретные условия использования следует сверить с лицензией репозитория.

Gemma 2 2B Instruct — компактная языковая модель Google из семейства Gemma, представленная в формате GGUF для запуска через llama.cpp и LM Studio. Квантизацию выполнил bartowski на основе релиза llama.cpp b3496. Модель предназначена для генерации текста и диалоговых сценариев общего назначения, а также может использоваться для автодополнения и черновой генерации на устройствах с ограниченными ресурсами и низким энергопотреблением. Модель содержит около 2 миллиардов параметров и обучена на 2 триллионах токенов, включавших веб-документы, программный код и математические материалы. Она поддерживает работу с текстом; в README отдельно отмечены крупный словарь Gemma 2, потенциальные преимущества для многоязычных задач и программирования, однако точный список языков и размер контекстного окна не указаны. Для корректного диалога требуется шаблон Google Gemma Instruct; системный промпт не поддерживается. Сильными сторонами модели являются небольшой размер, пригодность для локального запуска и специализация на общих текстовых, кодовых и математических задачах. Ограничениями выступают меньшая емкость по сравнению с крупными моделями, отсутствие мультимодальности и неподдержка системных инструкций; модель также может генерировать неточные, вредные или неуместные ответы. Доступ регулируется лицензией Google Gemma: на Hugging Face требуется ознакомиться с условиями и принять лицензию.

IBM-Grok4-UltraFast-Coder-1B-GGUF — это набор GGUF-квантизаций модели IBM-Grok4-Ultra.Fast.Coder-1B, разработанной WithinUsAI и опубликованной в формате GGUF пользователем mradermacher. Модель ориентирована на генерацию текста и кода, а также на сценарии программирования. В метаданных указан английский язык. README перечисляет обучающие наборы, связанные с кодом, математикой, логикой, творческими задачами, торговыми и визуальными промптами, однако точные возможности работы с изображениями не подтверждены для данной версии. Размер базовой модели — 1 млрд параметров; в описании также указаны full fine-tune, PyTorch, multi-GPU и архитектурный тег granite. Доступны варианты от Q2_K до Q8_0, IQ4_XS и f16 размером примерно от 0,8 до 3,4 ГБ. Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант с очень хорошим качеством, а Q8_0 — как наиболее качественный среди быстрых вариантов. Более сильное квантование уменьшает требования к памяти, но может снижать качество. Основное преимущество модели — компактность и наличие множества вариантов квантования для локального запуска. При этом README не содержит данных о длине контекста, точной архитектуре, мультимодальности, результатах оценивания, системных требованиях или дополнительных ограничениях качества. Лицензионные условия в представленном описании не указаны.

InfiR-1B-Instruct — англоязычная инструктивная языковая модель от InfiX, дообученная на базе meta-llama/Llama-3.2-1B. Это плотная авторегрессионная модель семейства Llama с 1,2 млрд параметров; метаданные указывают контекст до 131 072 токенов. Модель предназначена для диалогов и генерации текста, в частности для математических рассуждений, написания кода и ответов с пошаговым рассуждением. Обучение включает продолженное предобучение на коде и веб-текстах, а также настройку инструкциями на смесях данных, среди которых Infinity-Instruct, Orca-AgentInstruct-1M и NuminaMath. В README приведены результаты на MMLU, GSM8K и MATH, но модель уступает крупным моделям на сложных задачах рассуждения. Оценивание сосредоточено на английских тестах, а многоязычная устойчивость не проверена; знания ограничены примерно серединой 2023 года. Лицензия — Llama 3.2.

jk6 — дообученная модель для генерации текста, созданная на основе deepseek-ai/deepseek-coder-1.3b-base. Веса представлены в формате safetensors; модель имеет 1,3 млрд параметров и контекст до 16 384 токенов. В метаданных указана архитектура семейства Llama.

LFM2.5-2.6B-Fable5-Coding-Agent-heretic — компактная языковая модель для генерации текста и работы в роли coding agent. Она создана автором RACER IS OP как decensored-вариант модели AyoubChLin/lfm2.5-2.6b-fable5-coding-agent, которая, в свою очередь, является полноразмерной SFT-модификацией LiquidAI/LFM2.5-2.6B на датасете saidutta69/fable-5-premium. Модель предназначена для генерации кода, многошагового диалога, следования инструкциям и формирования tool calls. Модель содержит около 2,6 млрд параметров и использует гибридную архитектуру LFM2 с комбинацией свёрточных и attention-компонентов. Указана поддержка английского языка и текстовой модальности. Доступны веса в форматах GGUF, включая F16 и варианты квантования от Q2_K до Q8_0; модель рассчитана на локальный запуск через llama.cpp, Ollama, LM Studio или Transformers. Заявленная особенность — подавление отказов с помощью направленной абляции весов в attention output и MLP down-projections без дополнительного fine-tuning. По данным README, доля отказов в тесте снижена с 96 до 7 из 100 при KL-дивергенции 0,014. Сильными сторонами являются небольшой размер, быстрый локальный inference, поддержка генерации кода, tool-use и многоходового поведения ассистента. При этом это не улучшение базовых возможностей, а та же модель с удалёнными защитными ограничениями. В README прямо предупреждается, что дополнительной фильтрации безопасности нет и модель может выполнять опасные или нежелательные запросы, поэтому ответственность за применение и развёртывание лежит на пользователе. Лицензия обозначена как other; приведена ссылка на лицензию базовой модели LiquidAI/LFM2.5-2.6B.

LFM-2.5-Coder-2.6B — облегчённая дообученная языковая модель для генерации кода и решения задач программирования с пошаговым рассуждением. Модель разработана Schnuckade на основе LiquidAI/LFM2.5-2.6B и дообучена с использованием Unsloth на датасете Banaxi-Tech/Deepseek-V4-Reasoning-Code-2500. Модель ориентирована на генерацию программного кода, анализ и решение задач, связанных с программированием, при сохранении общей полезности базовой модели. Заявлены английский язык и поддержка сценариев локального развёртывания. Доступны веса в форматах FP16 и BF16 Safetensors, а также квантизированная версия GGUF Q4_K_M. В примере интеграции указан контекст до 2048 токенов и загрузка в 4-битном режиме, однако это не обязательно отражает максимальный контекст модели. Размер модели — 2,6 млрд параметров; архитектура унаследована от LiquidAI/LFM2.5-2.6B, но её подробные характеристики в README не приведены. Сильными сторонами являются компактность, акцент на код и рассуждение, а также наличие форматов для локального запуска. Ограничения включают заявленную ориентацию на английский язык и отсутствие в представленных данных подробных результатов бенчмарков, перечня поддерживаемых языков программирования и оценки качества. Модель распространяется по лицензии Apache-2.0.

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

LosslessMegaCoder-llama2-7b-mini — языковая модель для генерации кода, созданная Rombodawg совместно с Andreaskopf. Это плотная авторегрессионная модель семейства Llama 2 с 6,6 млрд параметров и контекстом до 4096 токенов, распространяемая в формате PyTorch. Модель обучена на отфильтрованной версии набора LosslessMegaCodeTrainingV2_1m_Evol_Uncensored: из данных удаляли примеры короче 100 токенов. Она предназначена для генерации кода по текстовым запросам и диалогового взаимодействия с кодовым помощником; в карточке приведены результаты оценки на общих языковых бенчмарках. README характеризует её как сильную для своего размера, но не приводит подробной методики оценки качества кода. Для диалога предлагается шаблон ChatML. Лицензия — Llama 2; применяйте модель с учётом условий этой лицензии. README предупреждает, что модель не обучалась на датасете LosslessMegaCodeTrainingV3_MINI, несмотря на сходство названий.