II.8Инженерия данных и аналитика

netcat420/DeepSeek-R1-Distill-Qwen-MFANN-Slerp-7b — языковая модель, созданная разработчиком netcat420 слиянием через SLERP двух предварительно обученных моделей: deepseek-ai/DeepSeek-R1-Distill-Qwen-7B и netcat420/Qwen2.5-Coder-Scholar-7B-Abliterated-MFANN-Slerp-Unretrained. Модель построена на архитектуре Qwen2, содержит 7,1 млрд параметров и доступна в формате safetensors для библиотеки Transformers; заявленная длина контекста — 131 072 токена. Модель предназначена для диалогов и генерации текста. Базовая модель DeepSeek поддерживает многошаговые рассуждения, в том числе математические задачи и программирование; вторая модель в слиянии ориентирована на код и обучение. Метаданные также отмечают интерфейс вызова инструментов, но не содержат примеров или оценок его надёжности. В README не приведены сведения о лицензии, поэтому условия использования по доступным данным определить нельзя. Качество и поведение полученного слияния отдельно не оценены; свойства исходных моделей не гарантируют их сохранения в полном объёме.

DETree Embedding — дообученный энкодер RoBERTa-large для получения векторных представлений предложений. Модель разработана автором репозитория heyongxin233 на основе FacebookAI/roberta-large и формирует эмбеддинги размерности 1024. Модель предназначена для извлечения признаков и представления текста в виде эмбеддингов, которые можно использовать в задачах поиска и сравнения предложений. Максимальная длина последовательности составляет 512 токенов; в метаданных указан контекст 514 токенов. Модель принимает текст и выдаёт векторы. Лицензия — MIT.

eslav_PP-OCRv5_mobile_rec — мобильная модель распознавания строк текста из семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она предназначена для извлечения текста из изображений, особенно на восточнославянских языках, и выдаёт распознанную строку. Модель можно использовать как компонент OCR-конвейера PaddleOCR вместе с обнаружением текста и другими модулями обработки изображений. В README приведена точность 81,6% на наборе данных восточнославянских языков; строка считалась ошибочной при неверном распознавании любого символа, включая пунктуацию. Это мобильный вариант, рассчитанный на эффективное распознавание текста в строках. Репозиторий указывает лицензию Apache-2.0.

EvaByte — авторская байтовая языковая модель на 6,5 млрд параметров, разработанная командой авторов работы EvaByte: Lin Zheng, Xueliang Zhao и соавторами. Она использует плотную архитектуру EvaByteForCausalLM, механизм эффективного внимания EVA и предсказание нескольких байтов за шаг; обучена на 1,5 трлн байт текстов, математических данных и кода. Модель предназначена для генерации текста, работы с кодом и математическими задачами. Размер контекста составляет 32 768 токенов; модель обрабатывает текст на уровне байтов, поэтому отдельный токенизатор не требуется. В README также описан вариант EvaByte-SFT, прошедший supervised fine-tuning, однако представленный репозиторий называется EvaByte. Авторы заявляют, что EvaByte сопоставима с ведущими открытыми токенизаторными языковыми моделями при использовании в пять раз меньшего объёма обучающих данных, особенно сильна в задачах программирования и может декодировать до двух раз быстрее. Эти сравнительные характеристики приведены авторами; независимые результаты оценки в карточке не представлены. Модель выпущена под лицензией Apache-2.0.

Nessrine9/finetuned2-snli-MiniLM-L12-v2 — дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L12-v2. Она кодирует предложения и абзацы в нормализованные плотные векторы размерности 384; архитектура включает BertModel, усреднение токенных представлений и нормализацию. Модель предназначена для оценки семантического сходства по косинусному расстоянию, семантического поиска, поиска перефразировок, кластеризации и классификации текста. В карточке указано обучение на 100 000 пар предложений с оценками сходства; максимальная длина последовательности в README — 128 токенов, а метаданные указывают контекст 512 токенов. Базовая модель англоязычная, поэтому основное применение — англоязычный текст. Модель подходит для создания эмбеддингов коротких текстов и сравнения их смысла, но доступные результаты на SNLI-dev умеренные: Spearman cosine 0,4779. Лицензионные условия в предоставленных данных не описаны.

Карточка модели FuseAI/FuseO1-DeepSeekR1-Qwen2.5-Instruct-32B-Preview на Hugging Face совпадает с карточкой FuseAI/FuseO1-DeepSeekR1-QwQ-SkyT1-32B-Preview, поэтому описание составлено по ней. FuseO1-DeepSeekR1-QwQ-SkyT1-32B-Preview — экспериментальная объединённая языковая модель команды FuseAI. Она создана с помощью слияния трёх моделей для рассуждений: DeepSeek-R1-Distill-Qwen-32B, Qwen/QwQ-32B-Preview и NovaSky-AI/Sky-T1-32B-Preview. Модель основана на плотной архитектуре Qwen2 с 32 млрд параметров и предназначена для генерации текста и диалогов с пошаговыми рассуждениями. Основные сценарии — решение математических задач, рассуждения о программном коде и научные вопросы. В README для версии указаны результаты AIME24: 74,0 Pass@1 и 86,7 Cons@32 при описанной авторами схеме оценки. Модель принимает текст и генерирует текст; метаданные указывают контекстное окно 131 072 токена и интерфейс для вызова инструментов. Языки в карточке явно не перечислены. Модель распространяется в формате safetensors по лицензии Apache-2.0. Это предварительная версия, а опубликованные сравнительные показатели относятся к конкретным настройкам и методике оценки; они не гарантируют аналогичных результатов в других задачах или конфигурациях.

GCM Mark II — дообученная OPENGCM мультимодальная модель на архитектуре Qwen3.5-9B, предназначенная прежде всего для генерации кода и помощи в программировании. Она дообучена методом QLoRA с CPT на части набора Magicoder-Evol-Instruct-110K; в обучении использовано около 2,5 млн токенов. Разработчики нацеливали её на более точное следование ограничениям, обработку граничных случаев и сокращение вымышленных вызовов API. Модель подходит для генерации и исправления кода, а также для общего программирования на Python, JavaScript, Go, C, C++, Java и Rust. Метаданные указывают поддержку изображений и диалогового режима, однако карточка отдельно описывает только задачи программирования. Надёжность генерации фронтенд-кода ограничена. Лицензия — Apache 2.0.

Tachibana-Agent — дообученная на наборе Tachibana 4 модель sequelbox на базе Google Gemma 4 12B Instruct. Это агентная модель для программирования: она предназначена для решения практических задач разработки и инженерного анализа, включая исправление ошибок, автоматизацию и работу с кодом в разных языках программирования. В метаданных указаны плотная архитектура Gemma4Unified, формат safetensors и библиотека Transformers; карточка рекомендует использовать формат запросов Gemma 4 Instruct. Модель ориентирована на разработку серверных и клиентских приложений, системное и распределённое программирование, базы данных, оптимизацию производительности, безопасность, компиляторы и создание инструментов. README называет её экспериментальной reasoning-моделью. Лицензия — Apache-2.0. Подробности о контекстном окне и поддержке мультимодального ввода в карточке не описаны.

MuXodious выпустил дообученную и подвергнутую абляции отказов версию GLM-4.7-Flash-REAP-23B-A3B. Это разреженная причинная языковая модель MoE семейства GLM4-MoE-Lite: в карточке указаны 4,1 млрд параметров, а README описывает исходную конфигурацию REAP как 23 млрд параметров всего и около 3 млрд активируемых на токен. Модель принимает текст и генерирует текст; контекст составляет до 202 752 токенов. Карточка заявляет поддержку английского языка. Модель предназначена для диалогов, генерации кода и агентных сценариев, включая вызов инструментов. README сообщает, что к базовой модели применили pruning экспертов методом REAP и Heretic-abliteration; показатель отказов в описанном тесте снизился с 92/100 до 4/100. Эти результаты не подтверждают качество на широком наборе задач, а сам README отмечает условность классификации «Absolute Heresy». Для работы через Transformers требуется версия 5.0.0 или выше. Лицензия — MIT.

gte-base-zh — модель текстовых эмбеддингов семейства General Text Embeddings (GTE), разработанная Alibaba DAMO Academy на основе архитектуры BERT. Она предназначена для получения векторных представлений китайских текстов и подходит для информационного поиска, сравнения смысловой близости предложений и ранжирования текстов. Модель содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов; более длинные тексты обрезаются. Метаданные указывают на векторные представления и задачи извлечения признаков и сравнения предложений. Репозиторий содержит веса PyTorch и Safetensors. Модель распространяется по лицензии MIT.

gte-en-mlm-base — англоязычный текстовый энкодер GTE-v1.5, разработанный Institute for Intelligent Computing группы Alibaba. Модель основана на энкодере Transformer++: BERT с RoPE и GLU; для токенизации используется словарь bert-base-uncased. Веса содержат 136,7 млн параметров, максимальная длина входа — 8192 токена. Модель обучена на английской части C4 методом masked language modeling и предназначена для кодирования текста. Она входит в серию обобщённых энкодеров GTE для представления текста и задач поиска и ранжирования; в опубликованной таблице для этой версии приведён результат GLUE 85,61. Репозиторий предоставляет веса в формате safetensors. Лицензия — Apache 2.0.

vivekkopthsd/hinglish-st-33m — модель Sentence Transformers на архитектуре BERT, обученная создавать плотные текстовые эмбеддинги размерностью 384. Она кодирует предложения и абзацы для сравнения семантической близости с помощью косинусного сходства; README также указывает сценарии семантического поиска, поиска перефразирований, классификации и кластеризации. Обучение проводилось на 4 000 примерах с anchor, positive и negative, используя MultipleNegativesRankingLoss. Модель принимает текст. README сообщает максимальную длину последовательности 192 токена, тогда как метаданные указывают родной контекст длиной 512 токенов. Лицензия и конкретные языки в доступных данных не описаны; название модели указывает на Hinglish, но этого недостаточно, чтобы установить языковую поддержку. Карточка не сообщает результаты бенчмарков, поэтому качество для конкретных сценариев следует оценивать на собственных данных.

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.

Indonesia Islamic Sentence-BERT — модель Sentence Transformers, дообученная автором ramadita на firqaaa/indo-sentence-bert-large. Она преобразует предложения и абзацы на индонезийском языке в плотные векторы размерностью 2048 для поиска по смыслу, сравнения сходства предложений, поиска перефразировок, классификации и кластеризации текста. Архитектура основана на BERT с пуллингом CLS- и средних токеновых представлений; максимальная длина входа — 512 токенов. Для сравнения векторов рекомендуется косинусное сходство. Модель рассчитана на индонезийский язык и опубликована в форматах safetensors и ONNX. В README приведены результаты TripletEvaluator на dev и test наборах, однако метрики зависят от этих данных. Лицензия — Apache-2.0.

Jan-Code-4B — компактная модель для генерации кода, разработанная Jan. Это code-tuned-версия, построенная на базе Jan-v3-4B-base-instruct и представленная в формате GGUF для локального запуска. Модель относится к классу text-generation и предназначена прежде всего для англоязычных сценариев. Модель подходит для генерации, редактирования, рефакторинга и отладки кода, а также для выполнения чётко ограниченных подзадач в агентских системах. Её можно использовать как лёгкого worker-модель или субагента, который создаёт патчи и тесты, пока более крупная модель занимается планированием. Jan-Code-4B ориентирована на практическую работу с низкими требованиями к вычислительным ресурсам и небольшой задержкой. Ключевой характеристикой является размер около 4 миллиардов параметров; сведения о точной архитектуре, поддерживаемых языках программирования, длине контекста и мультимодальных возможностях в README не указаны. Среди сильных сторон — компактность, скорость и пригодность для локального развёртывания, включая Jan Desktop и llama.cpp. Ограничением является меньшая способность обрабатывать сложные или широко поставленные задачи по сравнению с крупными моделями. Модель распространяется по лицензии Apache 2.0.

jina-embeddings-v5-omni-nano-clustering-GGUF — мультимодальная модель эмбеддингов, разработанная Jina AI и представленная в формате GGUF для llama.cpp. Это квантованный вариант jinaai/jina-embeddings-v5-omni-nano-clustering с текстовой, визуальной и аудиокомпонентами; модель преобразует текст, изображения, видео и аудио в 768-мерные векторы единого пространства. Благодаря этому документы можно индексировать с использованием текста, а выполнять поиск или сопоставление — по любой поддерживаемой модальности без переиндексации. Модель предназначена прежде всего для кластеризации мультимодальных данных и поддерживает контекст до 8192 токенов. Она использует pooling по последнему токену, содержит около 0,95 млрд параметров и поддерживает Matryoshka-размерности эмбеддингов 32, 64, 128, 256, 512 и 768. Заявлены входы в распространённых форматах изображений, видео и аудио, а также PDF. Доступны F16 и 13 уровней int-квантизации текстовой части; мультимодальные проекторы поставляются в F16. Сильные стороны модели — единое векторное пространство для нескольких модальностей, компактный размер, возможность локального запуска через llama.cpp и уменьшения размерности вектора под требования приложения. Ограничения связаны с тем, что для мультимодального режима требуются специальные патчи Jina AI для llama.cpp, которые, согласно README, ещё не включены в upstream-версию; также численные бенчмарки и дополнительные ограничения вынесены в отдельную документацию. Лицензия — CC BY-NC 4.0, допускающая использование с ограничениями, включая некоммерческий характер лицензии.

Aashraf995/KaLM-embedding-multilingual-mini-instruct-v2.5-Q8_0-GGUF — это версия мультиязычной instruct-модели для создания эмбеддингов, преобразованная из KaLM-Embedding/KaLM-embedding-multilingual-mini-instruct-v2.5 в формат GGUF. Конвертацию выполнил автор репозитория с использованием llama.cpp и сервиса GGUF-my-repo от ggml.ai. Модель предназначена для задач извлечения признаков, семантического поиска и retrieval, оценки семантического сходства текстов (STS), классификации, кластеризации и reranking. В README указана поддержка английского и китайского языков, а также интеграция с библиотекой Sentence Transformers, llama.cpp и vLLM. Точный размер модели, архитектура исходной модели, размерность эмбеддингов и максимальная длина контекста в карточке не приведены; параметр контекста 2048 указан только в примере запуска llama.cpp. Квантование Q8_0 в формате GGUF ориентировано на локальный запуск и совместимость с экосистемой llama.cpp, однако README не содержит результатов бенчмарков или подробных сведений о преимуществах и ограничениях качества. Модель распространяется по лицензии Apache-2.0. Для использования доступны llama.cpp CLI и серверный режим; также приведены ссылки на инструкции исходной модели и llama.cpp.

Карточка модели RedHatAI/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Карточка модели shobhatiwari925059/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Это модель Sentence Transformer от snunlp для получения векторных представлений корейских предложений и абзацев. Она основана на BERT с 144,3 млн параметров и формирует плотные эмбеддинги размерности 768; вектор предложения строится усреднением токенных представлений. Максимальная длина входа — 512 токенов, сходство векторов можно оценивать косинусной мерой. Модель обучена на корейском наборе klue/klue и предназначена для оценки семантической близости текстов, семантического поиска, поиска перефразировок, кластеризации и получения признаков для классификации. В README приведён результат Spearman 0,8765 на sts-dev. Она принимает текст на корейском языке и выдаёт векторы; классификацию и кластеризацию следует выполнять отдельным алгоритмом поверх эмбеддингов. Лицензия в предоставленных данных не указана.

Kwaipilot_KAT-Coder-V2.5-Dev-GGUF — это квантизированная версия модели KAT-Coder-V2.5-Dev, разработанной Kwaipilot. Сборка выполнена bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Модель предназначена для генерации кода, задач программирования и агентных сценариев, включая agentic coding. В карточке указано, что модель относится к архитектурам MoE и поддерживает английский и китайский языки. Точный размер исходной модели, максимальная длина контекста, набор поддерживаемых языков сверх указанных и сведения о дополнительных модальностях не приведены. Доступны варианты от BF16 до различных уровней квантизации, поэтому можно выбирать между качеством генерации, размером файла и требованиями к памяти; размер файлов составляет примерно от 16,9 до 69,38 ГБ. Сильной стороной являются специализированная направленность на программирование и широкий выбор квантизированных вариантов, пригодных для запуска через llama.cpp, LM Studio, KoboldCpp, Jan AI и другие совместимые инструменты. Ограничения связаны с потерями качества в более компактных вариантах квантизации, высокими требованиями к памяти и отсутствием в карточке подробных результатов тестирования. Модель распространяется по лицензии Apache-2.0.

L3.1-Moe-4x8B-v0.1 — языковая модель с архитектурой Mixture of Experts, собранная разработчиком moeru-ai с помощью mergekit-moe. Она объединяет четыре модели на базе Llama 3.1, предназначенные для диалогов, творческого письма, работы с кодом и математикой. Модель содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов; файлы опубликованы в формате safetensors. Для работы используется библиотека Transformers. Модель предназначена для генерации текста и диалогового общения, включая ролевые сценарии, а также для задач с кодом и математикой. В README приведены результаты оценки на Open LLM Leaderboard, в том числе средняя оценка 19,15 и результат IFEval 43,47. Модель распространяется по лицензии Llama 3.1; следует соблюдать её условия.

LENS-d8000 — модель эмбеддингов на основе большой языковой модели, представленная в проекте LENS. Она формирует лексиконные представления текста: каждая из 8000 размерностей связана с кластером семантически близких токенов. Модель предназначена для извлечения признаков из текста и получения векторных представлений, которые можно использовать для поиска и сравнения текстов по смыслу. Модель имеет плотную архитектуру семейства Mistral и содержит 7,1 млрд параметров. Максимальный контекст составляет 32 768 токенов. Веса опубликованы в формате safetensors под лицензией Apache-2.0. В README приведено название технического отчёта о методе LENS, но сведения о поддерживаемых языках и результатах оценки не описаны.

SCUT-DLVCLab/lilt-roberta-en-base — базовая модель LiLT, разработанная SCUT-DLVCLab и представленная в работе Wang и соавторов о языково-независимом трансформере для понимания структурированных документов. Она объединяет предварительно обученный англоязычный RoBERTa с трансформером LiLT, который обрабатывает структуру и расположение элементов документа. Модель содержит 151,8 млн параметров, принимает текст вместе с информацией о компоновке и имеет контекст до 514 токенов. Модель предназначена для дообучения под классификацию изображений документов, разбор документов и ответы на вопросы по документам. LiLT позволяет сочетать языковый энкодер RoBERTa с обработкой макета, однако этот вариант использует именно англоязычный RoBERTa; поддержка других языков зависит от выбранного языкового энкодера. В репозитории доступны веса PyTorch и Safetensors. Лицензия — MIT.

Lite-Whisper large-v3 — сжатая версия мультиязычной модели распознавания речи Whisper, разработанная авторами LiteASR на основе openai/whisper-large-v3. Модель принимает аудио и преобразует речь в текст; её можно применять для транскрибации записей и других сценариев автоматического распознавания речи. В карточке указаны 905,2 млн параметров, архитектура LiteWhisperForConditionalGeneration и формат Safetensors. В сравнении на наборах ESB средняя частота ошибок слов (WER) составляет 10,2; для Whisper large-v3 в той же таблице указано 10,1. Модель распространяется по лицензии Apache-2.0.

PlumCode — слитая языковая модель, созданная автором репозитория sequelbox с помощью mergekit на основе Meta Llama 3.1 8B Instruct и моделей Llama3.1-8B-ShiningValiant2 и Llama3.1-8B-Enigma. Используется архитектура LlamaForCausalLM с плотной сетью примерно на 7,5 млрд параметров; веса опубликованы в формате safetensors. Контекстное окно составляет 131 072 токена. Модель предназначена для генерации текста и диалогов по инструкциям, включая помощь с кодом и техническими темами. В тегах указаны Python, информатика, естественные науки и инженерия; карточка не подтверждает отдельные специализированные возможности сверх генерации текста. Лицензия — llama3.1. README приводит результаты Open LLM Leaderboard, но не содержит полного набора оценок.

LRAT Qwen3-Embedding-0.6B Clean-v1 — плотная модель для создания текстовых эмбеддингов и поиска релевантных фрагментов по веб-запросу. Чекпойнт подготовлен для соревнования XIR/LRAT и дообучен на официальном наборе Yuqi-Zhou/LRAT-Train на базе Qwen/Qwen3-Embedding-0.6B. Это полная модель с архитектурой Qwen3 и примерно 508 млн параметров, а не LoRA-адаптер. Модель кодирует запросы и пассажи в векторы размерности 1024; сходство вычисляется по косинусной мере после L2-нормализации. Для запросов требуется заданная в карточке инструкция, пассажи кодируются без неё. При обучении использовалась максимальная длина 512 токенов для запросов и пассажей; базовая модель поддерживает контекст до 32 768 токенов. Веса сохранены в FP32, возможна загрузка в BF16. Чекпойнт обучен на 96 503 парах данных LRAT в течение двух эпох с контрастивной функцией потерь. Карточка не приводит результатов на лидерборде, поэтому качество в соревновании не подтверждено. Модель распространяется по лицензии Apache-2.0.

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

Magicdeep_7b_ultimite_chatbot — объединённая модель генерации кода, созданная с помощью mergekit на основе DeepSeek Coder 6.7B Instruct и Magicoder-DS-6.7B. Она использует плотную архитектуру LlamaForCausalLM и содержит около 6,6 млрд параметров. Модель предназначена для диалоговой генерации и дополнения программного кода, а также для ответов на вопросы и объяснения кода. Контекст составляет 16 384 токена. Веса представлены в формате safetensors; модель распространяется по лицензии Apache-2.0. Карточка не сообщает результаты оценки качества или конкретный перечень поддерживаемых языков программирования. Практическое качество может зависеть от задачи и формулировки запроса.

Magicoder S DS 6.7B GGUF — квантизированная версия языковой модели Magicoder S DS 6.7B, разработанной Intellligent Software Engineering (iSE) и подготовленной в формате GGUF пользователем TheBloke. Модель предназначена прежде всего для генерации кода и работы в роли интеллектуального ассистента программиста: она обучена следовать инструкциям и отвечать на запросы, связанные с написанием и обработкой программного кода. В качестве обучающих данных указаны наборы Magicoder-OSS-Instruct-75K и Magicoder-Evol-Instruct-110K. Модель основана на архитектуре DeepSeek, содержит 6,7 млрд параметров и работает в режиме text-generation. Поддерживаются GGUFv2-файлы с различными уровнями квантизации от 2 до 8 бит, что позволяет запускать модель с разными компромиссами между качеством, потреблением памяти и скоростью на CPU и GPU. Формат совместим с llama.cpp и рядом сторонних интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Языки и размер контекстного окна в README не указаны. Сильными сторонами модели являются специализация на задачах программирования, возможность локального запуска и широкий выбор вариантов квантизации. Ограничения включают потенциальное снижение качества при использовании более агрессивной квантизации, а также отсутствие в предоставленных данных подробных характеристик производительности, поддерживаемых языков и контекста. Указана лицензия DeepSeek с типом «other»; точные условия лицензии следует уточнять в оригинальном репозитории модели.