II.7DevOps, облако и эксплуатация IT-систем

ManniX-ITA/Qwen3.6-27B-A3B-Coder — производная от Qwen/Qwen3.6-35B-A3B модель для генерации программного кода. В исходной MoE-модели число экспертов сокращено с 256 до 184 на слой по карте компетенций, ориентированной на задачи программирования; число активных экспертов сохранено на уровне A3B. В конфигурации по умолчанию задана маршрутизация top-10. По карточке, дообучение и дистилляция не применялись. Модель сохраняет архитектурные компоненты базовой модели, включая vision tower, но в метаданных основная задача указана как text-generation. Модель предназначена для генерации кода и задач программирования, в том числе на Rust, Java и JavaScript. В карточке приведены результаты HumanEval, LiveCodeBench и MultiPL-E; также сообщается о снижении показателей в отдельных общих и агентных задачах. Лицензия — Apache-2.0. Результаты MultiPL-E измерены с top-8, тогда как опубликованная конфигурация использует top-10; оценка использования инструментов затронута известной ошибкой оценщика и включает safety-critical failures.

seldonium-2x7b-MoE-v0.1 — языковая модель архитектуры Mixture of Experts (Mixtral), созданная объединением Locutusque/Hercules-4.0-Mistral-v0.2-7B и Open-Orca/Mistral-7B-OpenOrca с помощью LazyMergekit. В метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате и сочетает специализацию компонентов на программировании, логических задачах и анализе. Её можно использовать для написания функций и алгоритмов, работы со структурами данных, решения логических задач и оценки аргументов. Базовая модель Open-Orca ориентирована на инструкции и генерацию текста на английском языке; карточка этой модели не подтверждает отдельную поддержку других языков. Репозиторий содержит веса Safetensors. Лицензия — Apache-2.0.

SkyCode — открытая модель для генерации кода, выпущенная компанией Singularity-AI (奇点智源). Она обучена на большом объёме кода и предназначена для автодополнения, генерации программ и решения задач по программированию. Модель поддерживает более десяти языков программирования, включая Python, Java, JavaScript, C, C++, Go, PHP, Swift и shell, и, по заявлению разработчиков, лучше понимает китайские комментарии. В README указано 2,6 млрд параметров и приведено сравнение результатов на HumanEval; авторы сообщают о высоких показателях решения задач относительно некоторых открытых моделей. Метаданные классифицируют архитектуру как GPT-2 и указывают контекст длиной 2048 токенов; README описывает структуру как GPT-3. Это авторские заявления и сведения каталога, а независимая проверка приведённых результатов в карточке не представлена. Модель распространяется по лицензии MIT.

nisten/tqwendo-36b — экспериментальная объединённая модель семейства Qwen2, созданная автором репозитория методом passthrough с помощью mergekit. В объединение вошли Qwen/Qwen2.5-Coder-32B-Instruct, Qwen/Qwen2.5-Coder-32B и huihui-ai/Qwen2.5-32B-Instruct-abliterated. По метаданным, модель имеет плотную архитектуру Qwen2ForCausalLM, около 34,9 млрд параметров и контекст до 32 768 токенов; веса опубликованы в формате safetensors, библиотека — Transformers. Модель предназначена для генерации текста и кода в диалоговом формате, включая создание, анализ и исправление кода. Автор сообщает, что слияние было задумано для уменьшения повторов, характерных для abliterated-варианта, и приводит пример генерации интерфейса чата с кодом Python, HTML, стилями и вызовами API. Метаданные также отмечают интерфейс для вызова инструментов. Автор описывает модель как экспериментальную и предлагает сочетать её с отдельной 4-битной 7B-моделью для спекулятивного декодирования и рассуждений, однако это назначение не следует трактовать как гарантированное качество или встроенную возможность. Поддерживаемый язык естественного языка отдельно не заявлен; карточка указывает код как язык. Лицензия — MIT.

Ziya-Coding-34B-v1.0 — языковая модель для генерации кода, разработанная командой Fengshenbang исследовательского института IDEA. Это плотная авторегрессионная модель семейства LLaMA с 33,5 млрд параметров и контекстом 16 384 токена; она работает через Transformers и принимает текстовые инструкции на китайском и английском языках, выдавая текст, в том числе программный код. Модель дообучена в два этапа на примерно 450 тысячах инструкций по программированию, затем дополнительно настроена на 46 тысячах сложных инструкций с фильтрацией по компиляции и проверкой unit-тестами. Модель предназначена для генерации кода по естественно-языковому описанию и решения разнообразных задач программирования. В README приведён результат 75,5% pass@1 на HumanEval при жадной генерации; это оценка на конкретном бенчмарке и не гарантирует корректность кода в реальном проекте. Репозиторий содержит веса PyTorch, а лицензия — GPL-3.0.

AlchemistCoder-L-7B — языковая модель для генерации кода из семейства Llama, представленная авторами исследования AlchemistCoder. Модель дообучена на разнородных источниках данных: авторы описывают 200 млн токенов шести типов данных, согласование инструкций с ответами с помощью AlchemistPrompts и включение задач на понимание кода, фильтрацию данных и ревью кода. Модель предназначена для генерации кода по инструкциям и улучшения работы с задачами программирования. Также авторы сообщают об оценке общих возможностей на MMLU, BBH и GSM8K. Размер по метаданным — 6,6 млрд параметров, контекст — до 16 384 токенов; архитектура — плотная LlamaForCausalLM. Репозиторий содержит веса в формате safetensors. Модель выпущена под лицензией Apache-2.0. README сообщает о результатах на кодовых бенчмарках, но не приводит подробностей по поддерживаемым языкам программирования, отдельным языкам общения или практическим ограничениям качества.

Jebadiah/Aria-diamond-ruby-v1 — модель генерации текста семейства Llama, созданная автором Jebadiah линейным слиянием предварительно обученных моделей Jebadiah/Aria-p1-sand-stone и Jebadiah/Tess-coder-ruby-p7 с помощью mergekit. Она содержит 7,5 млрд параметров, построена на архитектуре LlamaForCausalLM и предназначена для диалоговой генерации текста и кода, включая Ruby. Модель принимает текст и выдаёт текст; поддерживает контекст до 8192 токенов и рассчитана на использование с библиотекой Transformers. В карточке и метаданных не описаны специальные домены или языки, поэтому они не уточняются. Репозиторий распространяет веса в формате safetensors. Лицензия в предоставленных данных не указана.

AutoCoder — языковая модель для генерации кода, построенная на архитектуре Llama и содержащая 33,1 млрд параметров. По README, её разработчики заявляют результат 90,9% на базовом наборе HumanEval против 90,2% у GPT-4 Turbo (апрель 2024 года). Карточка также описывает возможность по запросу устанавливать необходимые пакеты и запускать сгенерированный код с повторными попытками до обнаружения ошибок. Модель предназначена для генерации кода и диалогового взаимодействия. Она принимает текст и выдаёт текст; заявленная базовая модель — deepseeker-coder. Контекст составляет 16 384 токена, файлы весов опубликованы в формате Safetensors. Лицензия — Apache-2.0. README не раскрывает подробности проверки результата HumanEval и реализации запуска кода.

CodeShell-7B-Chat — чат-модель для программирования, разработанная Knowledge Computing Lab Пекинского университета совместно с AI-командой Sichuan Tianfu Bank. Это плотная авторегрессионная модель семейства CodeShell на 7 млрд параметров, построенная на архитектуре GPT-2 с Grouped-Query Attention и позиционным кодированием RoPE. По данным карточки, базовую модель CodeShell обучали на 500 млрд токенов; контекст составляет около 8 тысяч токенов. Репозиторий содержит веса в формате PyTorch. Модель предназначена для генерации и обсуждения кода, а также для сценариев помощника разработчика, включая работу в IDE. В карточке сообщается о результатах на HumanEval и MBPP, но эти оценки не гарантируют такого же качества на других языках программирования и задачах. Данные указывают на поддержку китайского и английского языков; отдельные ограничения качества и условия лицензии в предоставленной карточке не описаны.

code-think-q8b-20260908 — это исследовательская версия Qwen3-8B-Base, дообученная modrill методом LoRA на трассах рассуждений Qwen3-30B-A3B-Thinking-2507 и затем объединённая в полные веса. Модель имеет плотную авторегрессионную архитектуру Qwen3ForCausalLM, около 7,6 млрд параметров и контекст до 32 768 токенов; для запуска объединённых весов PEFT не требуется. Чекпойнт предназначен для генерации кода и его решения с пошаговым рассуждением в режиме thinking. В оценке на 256 задачах LiveCodeBench-derived DEV256 он решил 81 задачу с pass@1; результат получен на одном seed и не является сопоставимой оценкой на лидерборде. В 130 генерациях сработал лимит длины в 32 тыс. токенов. Модель принимает текст и выдаёт текст, включая код. Лицензия — Apache-2.0, унаследованная от базовой модели.

d3LLM-LLaDA — диффузионная языковая модель, разработанная авторами проекта d3LLM. Она получена дообучением GSAI-ML/LLaDA-8B-Instruct методом дистилляции псевдотраекторий, который помогает модели раньше определять токены, готовые к декодированию. Для генерации применяется многоблочное декодирование на основе энтропии с обновлением KV-кэша. Модель предназначена для быстрой генерации текста, особенно в задачах программирования и математических рассуждений. В README заявлено ускорение в 5 раз относительно Qwen-2.5-7B-it на GPU H100 и в 3,5 раза на A100; результат зависит от оборудования и режима инференса. По карточке и метаданным это диалоговая модель семейства LLaDA с 8 млрд параметров, принимающая текст и выдающая текст. Поддерживаемые языки и длина контекста в доступных данных не описаны. Репозиторий распространяется по лицензии Apache-2.0. Для запуска README рекомендует официальный код d3LLM и его зависимости; модельный репозиторий содержит веса в формате safetensors.

DreamOn-v0-7B — языковая модель Dream-org на архитектуре Dream, построенная как плотная модель на 7,1 млрд параметров. Она использует дискретную диффузию для генерации текста и предназначена прежде всего для дополнения пропусков в коде: во время вывода модель динамически расширяет или сокращает маскируемые области, позволяя управлять длиной результата без заранее заданного размера холста. Модель принимает токены и генерирует текст; в карточке также заявлены диалоговый режим и интерфейс для вызова инструментов. README указывает ограничение контекста в 2048 токенов, включая вход и выход, и отмечает, что число новых токенов должно быть не меньше числа масок в запросе. Основные проверки проводились с одним переносимым токеном на шаг; другие настройки этого параметра проверены не полностью. Модель распространяется под лицензией Apache-2.0.

nightmedia/granite-4.1-8B-TNG-Coder-V11-3000-Heretic-BF16 — диалоговая языковая модель на архитектуре Granite, созданная nightmedia на основе Granite-4.1-8B и производных чекпойнтов. По карточке модель дообучалась на задачах серверной разработки; автор также сообщает об использовании синтетических трасс Qwen3.6-35B-A3B и Claude и о режиме рассуждений, включённом по умолчанию. Модель предназначена для генерации кода и помощи в backend-разработке, а также для диалоговых запросов. Она содержит 8,4 млрд параметров, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors. В метаданных указаны текстовая генерация и чат-возможности; базовая Granite-4.1-8B описана как многоязычная модель для текста, кода и вызова инструментов. Лицензия — Apache-2.0. Карточка приводит результаты нескольких бенчмарков, но не описывает подробно методику обучения или пределы качества; специализация модели на backend-разработке не гарантирует корректность сгенерированного кода.

Kwai-Coder-DS-V2-Lite-Base — базовая языковая модель для кода, разработанная Kwai и построенная на DeepSeek-V2-Lite-Base. Модель прошла дополнительное предобучение на 800 млрд токенов: 70% обучающих данных составлял код, 20% — математика и 10% — текст, включая материалы о программировании. Архитектура DeepSeek-V2 имеет 16 млрд параметров и 2,4 млрд активируемых параметров по README; метаданные репозитория указывают 2,5 млрд параметров. Модель принимает текст и генерирует текст, поддерживает английский и китайский языки. Метаданные указывают контекстное окно 163 840 токенов и совместимость с Transformers и PyTorch; веса доступны в формате Safetensors. Модель предназначена для генерации и дополнения кода, вставки фрагментов кода, а также задач по математике и программированию. В README приведены результаты на HumanEval, HumanEval+, MBPP, MBPP+, BigCodeBench, MATH и GSM8K, но они не гарантируют аналогичное качество на пользовательских задачах. Это базовая модель, поэтому готовое поведение чат-ассистента или следование инструкциям не следует считать подтверждённым. Лицензия — MIT.

lexi-coder-v4.4 — языковая модель Reallexi LLC, созданная на платформе Reallexi AI Model Builder для генерации кода и диалогового взаимодействия. Это плотная авторегрессионная модель семейства Phi-3 с 3,85 млрд параметров; README описывает дообучение LoRA с последующим объединением адаптера с базовыми весами, поэтому отдельный PEFT-адаптер при запуске не требуется. Базовая модель — reallexi/lexi-coder-v4.3. Модель принимает текст и генерирует текст. В README указана обученная длина контекста 2 048 токенов, тогда как метаданные каталога указывают нативный контекст 4 096 токенов. Репозиторий содержит веса Safetensors и GGUF Q4_K_M. Примеры сравнивают ответы на программные запросы до и после обучения, но прямо обозначены как иллюстрации, а не бенчмарк. Лицензия обозначена как other; README указывает авторские права Reallexi LLC, но не приводит подробных условий лицензии. Оценка качества на независимых тестах и гарантии пригодности для конкретных сценариев не представлены.

Agnuxo публикует локальную GGUF-модель для генерации кода и помощи с Python. В README указана поддержка Python, JavaScript, TypeScript, Rust, Go и C++, а также научных вычислений с NumPy, SciPy и Pandas и задач машинного обучения с PyTorch, TensorFlow и JAX. Модель основана на плотной архитектуре семейства Mistral и доступна в формате GGUF F16; карточка предлагает запуск через Ollama и Transformers. Модель предназначена для генерации и сопровождения кода, в том числе для научных вычислений и машинного обучения. README также упоминает координацию агентских задач через MCP и A2A, но не приводит результатов оценки качества или параметров модели. Репозиторий лицензирован по Apache-2.0.

SC117/Nex-N2-mini-template-fix-APEX-GGUF — неофициальная сборка Nex-N2-mini от SC117 в формате GGUF с квантованием APEX и изменённым шаблоном чата. Она предназначена для запуска в стандартной версии llama.cpp, когда нужен режим рассуждений без передачи шаблона отдельным файлом; модель также поддерживает работу с изображениями через mmproj. Исходная Nex-N2-mini — агентная MoE-модель Nex-AGI на базе Qwen3.5, рассчитанная на программирование, вызов инструментов и выполнение продолжительных задач с обратной связью от среды. APEX применяет смешанную точность с учётом типов тензоров и их чувствительности, а в репозитории представлены варианты GGUF BF16 и F16. Разработчик исходной модели рекомендует использовать оригинальный шаблон чата с пропатченной версией llama.cpp: модификация шаблона может снизить качество ответов. Сборка помечена как временная и неофициальная; лицензия — Apache-2.0.

Это пакет слоёв GGUF для запуска NVIDIA Nemotron 3 Ultra 550B A55B в распределённой среде Mesh LLM. Его подготовила команда Mesh LLM на основе unsloth/NVIDIA-Nemotron-3-Ultra-550B-A55B-GGUF; вариант UD-Q4_K_S разбивает исходную модель на артефакты по слоям для распределённого вывода на нескольких локальных машинах. Пакет предназначен для локального приватного чат-инференса и сценариев, в которых полная модель слишком велика для одного узла. Mesh LLM может обслуживать запросы через совместимый с OpenAI API, включая endpoint /v1/chat/completions. Модель принимает текст и генерирует текст; в метаданных заявлена задача text-generation и возможность chat. Репозиторий содержит layer-package в формате GGUF и ссылается на квантованный вариант UD-Q4_K_S исходной модели. Размер исходной модели — 550B параметров по её идентификатору, но точный размер пакета и длина контекста в предоставленных данных не указаны. Лицензионные условия следует сверить с карточкой исходной модели, на которую ссылается README.

Это квантованная версия Qwen2.5-Coder-1.5B-Instruct, подготовленная для запуска в формате GGUF с помощью llama.cpp. Компактная инструкционная модель на 1,5 млрд параметров предназначена для генерации и анализа кода в диалоговом формате; веса Q4_K_M занимают около 0,94 ГиБ и рассчитаны на запуск на оборудовании с ограниченной видеопамятью. Заявленная длина контекста — 32 768 токенов. Модель подходит для написания функций, отладки, объяснения алгоритмов и простого рефакторинга. Она отвечает без обязательного пошагового рассуждения, что удобно для интерактивных помощников. Небольшой размер ограничивает её возможности при работе со сложными задачами и крупными кодовыми базами. Лицензия — Apache-2.0.

Это готовая к использованию модель Qwen3 с 1,7 млрд параметров, созданная в проекте RL-Forgetting-Experiments-3 на основе Qwen/Qwen3-1.7B-Base. Она дообучена методом supervised fine-tuning на данных для программирования; указаны упорядоченная последовательность обучения и шаг оптимизатора 102. Модель построена на плотной архитектуре Qwen3ForCausalLM и предназначена для генерации текста, в том числе кода и ответов в диалоговом формате. Она принимает текст и выдаёт текст, а максимальный контекст составляет 32 768 токенов. Модель подходит для генерации фрагментов кода, решения задач программирования и диалоговой помощи при разработке. Карточка не приводит оценок качества или подробностей о языках программирования и лицензии, поэтому выводы о точности и условиях коммерческого использования сделать нельзя.

Это квантованный GGUF-чекпойнт модели Qwen3.5-35B-A3B, подготовленный mtrpires для локального запуска на Raspberry Pi 5 с 16 ГБ памяти. Базовая модель Alibaba — архитектура Mixture of Experts с 35 млрд параметров всего и примерно 3,3 млрд активных на токен. Для инференса используется ik_llama.cpp; смешанная схема IQK сохраняет повышенную точность для слоёв внимания и общих экспертов, сильнее сжимая маршрутизируемые эксперты. Размер файла — около 11,38 ГиБ, заявленный расход памяти — около 12,5 ГБ. Модель предназначена для генерации текста и диалога в локальном помощнике: она может помогать с кодом, обработкой документов и вызовами инструментов. Автор приводит результаты тестирования на Raspberry Pi 5: около 30,85 токена/с при обработке промпта и 4,53 токена/с при генерации. Карточка указывает контексты калибровки, связанные с чатом, кодом и вызовами инструментов, но не перечисляет отдельные поддерживаемые языки сверх меток en и pt. Для практического запуска на Raspberry Pi 5 рекомендуется окно контекста 16 тыс. токенов и активное охлаждение при длительной нагрузке; устройство с 8 ГБ памяти не подходит. Форматы IQ4_KS и IQ2_KS специфичны для ik_llama.cpp, поэтому модель не будет корректно работать в стандартных llama.cpp и Ollama. Репозиторий распространяется по лицензии Apache-2.0.

Seed 2.1 Turbo — мультимодальная модель команды ByteDance Seed для программирования и длительных агентных сценариев. Она предназначена для сквозной разработки программного обеспечения и выполнения многошаговых задач. Каталог относит модель к задаче image-text-to-text, а карточка описывает понимание визуальной информации. Доступная часть карточки не раскрывает архитектуру, размер, контекст, языки или лицензию, поэтому эти характеристики здесь не приводятся. По описанию модель принимает текст и визуальную информацию и предназначена для агентных рабочих процессов; подробности о доступных инструментах и качестве выполнения задач не указаны.

Jebadiah/Tess-Qwen-ruby-p3 — слитая авторами модель на архитектуре Llama для генерации текста в формате диалога. Она создана методом DARE linear с помощью mergekit на основе Jebadiah/Tess-gradient-ruby-p2 с добавлением ajibawa-2023/Code-Llama-3-8B; размер составляет 7,5 млрд параметров, нативный контекст — 8192 токена. Каталог связывает базовые модели со сценариями генерации программ, объяснения кода и решения математических задач. Модель предназначена для диалоговых текстовых запросов и генерации ответов, в том числе по задачам программирования и математике. Использует библиотеку Transformers и распространяется в формате safetensors. В карточке указана лицензия не была, поэтому условия использования по доступным сведениям определить нельзя. Модель поддерживает только текстовый ввод и текстовый вывод.

laion/tt-x2_clip-hi0p05-10-30B — это исследовательский контрольный чекпойнт модели Qwen3-Coder-30B-A3B-Instruct, дообученной командой TaskTrove с помощью GRPO на наборе DCAgent/exp_rpt_multifile. Модель семейства Qwen3 MoE предназначена для генерации текста в диалоговом режиме, включая программирование и многофайловые агентные задачи. По метаданным, контекст достигает 262 144 токенов; репозиторий содержит веса Safetensors, библиотека запуска — Transformers. Выбран шаг 10 по скользящей EMA награды; README приводит pass@8 0,4516 для этого чекпойнта. Обучение остановили на шаге 76 из 80 после роста энтропии политики и снижения награды, поэтому выбранный чекпойнт не является результатом полного горизонта обучения. Лицензия — Apache-2.0.

WaveCoder-DS-6.7B — языковая модель для задач программирования из семейства WaveCoder, разработанная авторами проекта WaveCoder. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров, предназначенная для выполнения инструкций по коду. Она обучена на синтетических данных, созданных с помощью генератора и дискриминатора на основе больших языковых моделей и сформированных из части CodeSearchNet. Данные охватывают генерацию кода, его краткое изложение, перевод между языками программирования и исправление ошибок. Модель подходит для генерации и объяснения кода, перевода и ремонта программ. В README приведены результаты на HumanEval и MBPP, а также оценки для исправления и объяснения кода на HumanEval; результаты зависят от сценария и не гарантируют качество для конкретного проекта. Контекст составляет 16 384 токена, загрузка и запуск предусмотрены через Transformers и PyTorch. Карточка указывает лицензию MIT. README также обращает внимание на условия OpenAI при использовании модели и наборов данных, созданных синтетически с помощью моделей OpenAI.

WizardCoder-33B-V1.1 — языковая модель для генерации кода, опубликованная под именем WizardCoder и представленная в этом репозитории как зеркало. Модель содержит 33,1 млрд параметров, использует плотную архитектуру Llama и загружается через Transformers; доступные веса сохранены в формате safetensors. Контекст — до 16 384 токенов. Модель дообучена на базе deepseek-ai/deepseek-coder-33b-base с использованием подхода Evol-Instruct. Она предназначена для генерации программ по инструкциям и решения задач программирования; в карточке приведены результаты на HumanEval, HumanEval-Plus, MBPP и MBPP-Plus. README задаёт формат запроса с секциями Instruction и Response и предупреждает, что для воспроизведения результатов важно использовать рекомендованный системный промпт. Лицензия указана в метаданных как WTFPL. Результаты бенчмарков не гарантируют корректность кода в реальных задачах; сгенерированные программы требуют проверки. README отдельно не гарантирует точность количественно сжатых версий.

CodeFuse-CodeLlama-34B — языковая модель для программирования, разработанная CodeFuse AI. Это плотная авторегрессионная модель семейства Llama с 33,5 млрд параметров, дообученная методом QLoRA на базе CodeLlama-34b-Python на наборах инструкций для разных задач программирования. Она предназначена для генерации кода и ответов на инструкции, связанные с кодом; в карточке приведён результат 74,4% HumanEval pass@1 при жадном декодировании. Модель принимает текстовые запросы в специальном последовательном формате диалога system/human/bot и генерирует текст, включая код. Длина контекста, использованная при дообучении, составляла 4 тыс. токенов; метаданные указывают нативный контекст 16 384 токена. В тегах карточки перечислены английский и китайский языки. Для запуска карточка описывает стек Transformers и PyTorch. Модель рассчитана на помощь при написании кода, решении задач программирования и ответах на инструкции по коду. Карточка указывает лицензию «other», поэтому конкретные условия использования следует сверить с файлами лицензии репозитория перед применением. Показатель HumanEval приведён разработчиками и сам по себе не гарантирует качество на иных задачах.

Модель trollek/danube2-1.8b-CodeFeedback — дообученная разговорная языковая модель для генерации текста и помощи с программированием. Её разработчик дообучил h2oai/h2o-danube2-1.8b-base методом BAdam на наборах CodeFeedback-Filtered-Instruction и Code-Feedback с помощью Llama-Factory. Модель построена на плотной архитектуре MistralForCausalLM и содержит 1,7 млрд параметров. Модель принимает текстовые инструкции в шаблоне ChatML и генерирует текстовые ответы; в карточке указана длина контекста 8192 токена и поддержка английского языка. Она предназначена для диалоговой помощи при написании кода и ответов на инструкции по программированию. Распространяется под лицензией Apache-2.0.

daVinci-Agency — языковая модель от GAIR, дообученная на базе GLM-4.6 от Zhipu AI для длительных агентных задач, особенно связанных с разработкой программного обеспечения. Она обучалась на траекториях реальных цепочек GitHub Pull Request и рассчитана на работу с многошаговыми процессами: декомпозицией задач, сохранением последовательности действий, использованием инструментов и итеративным улучшением результатов. Модель имеет архитектуру GLM-4 MoE и 23,4 млрд параметров. Контекстное окно составляет около 200 тысяч токенов; в метаданных указано 202 752 токена. Основные сценарии — автономное программирование, планирование и выполнение сложных рабочих процессов, анализ обратной связи и самокоррекция. В README сообщается о приросте на Toolathlon относительно базовой модели, однако приведённых результатов недостаточно для оценки качества во всех сценариях. Модель принимает текст и генерирует текст, включая ответы в чат-формате и вызовы инструментов. В карточке заявлена поддержка английского языка. Лицензия — MIT.

ori-ai-fabric/ds-trinity-7b-v1 — объединённая языковая модель на базе DeepSeek Coder, созданная методом TIES с помощью mergekit. В объединение вошли deepseek-ai/deepseek-coder-6.7b-instruct и m-a-p/OpenCodeInterpreter-DS-6.7B; базой служит deepseek-ai/deepseek-coder-6.7b-base. Модель содержит 6,6 млрд параметров, использует архитектуру Llama с причинной языковой моделью и работает через Transformers. Нативный контекст — 16 384 токена. Модель предназначена для генерации кода и диалоговых сценариев, связанных с программированием: например, для написания и дополнения фрагментов кода, ответов на вопросы о коде и его объяснения. Информация о конкретных языках программирования и сравнительных преимуществах в карточке отсутствует. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не указана.