II.9Статистика, эксперименты и причинный анализ

Rnj-1 — открытая плотная языковая модель примерно на 8,3 млрд параметров, обученная с нуля командой Essential AI. Она предназначена прежде всего для генерации и понимания кода, задач STEM и диалогового использования с вызовом инструментов. Модель поддерживает контекст до 32 768 токенов и загружается через Transformers; веса доступны в формате safetensors. В README заявлены генерация и дополнение кода, решение математических и научно-технических задач, а также агентные сценарии разработки: исправление ошибок, анализ производительности и работа с инструментами. Модель относится к семейству Gemma 3 Text и поддерживает интерфейс вызова инструментов. Описанные в карточке результаты бенчмарков относятся также к варианту rnj-1-instruct и не должны автоматически считаться результатами именно этой базовой модели. Лицензия — Apache-2.0. README рекомендует для запуска на ноутбуке llama.cpp и ссылается на предварительно квантованный вариант, однако указанные в метаданных веса этой модели представлены в safetensors.

Mungert/OpenReasoning-Nemotron-14B-GGUF — GGUF-квантованная версия большой языковой модели OpenReasoning-Nemotron-14B, производной от Qwen2.5-14B-Instruct. Модель разработана на базе семейства OpenReasoning-Nemotron; данный репозиторий содержит конвертацию в формат GGUF, выполненную с использованием llama.cpp. Указанный вариант предназначен для локального запуска и генерации текста, кода и решений с применением совместимых инструментов GGUF и llama.cpp. Модель ориентирована на рассуждения в задачах математики, программирования и естественных наук. Для исходной версии заявлена оценка с длиной вывода до 64K токенов. Это текстовая, англоязычная модель с размером 14B параметров; мультимодальные возможности не указаны. Для квантования применён подход с выборочным повышением точности отдельных важных слоёв, что, по описанию автора, может улучшать точность при сохранении преимуществ уменьшенного размера файла, хотя увеличивает его размер. Конкретный тип квантования и характеристики отдельных файлов GGUF в README не приведены. Сильными сторонами являются специализация на сложном reasoning, математике, коде и научных задачах, а также возможность эффективного локального использования в квантованном формате. Ограничения включают зависимость качества и требований к ресурсам от выбранного варианта квантования, а также отсутствие подробных данных о контекстном окне, скорости, аппаратных требованиях и поддерживаемых языках помимо английского. Использование разрешено для коммерческих и некоммерческих исследовательских целей на условиях Creative Commons Attribution 4.0 International (CC-BY-4.0); дополнительно упоминается Apache 2.0 для базовой модели Qwen2.5.

Карточка модели Openintelligent123/Phi-4-reasoning на Hugging Face совпадает с карточкой microsoft/Phi-4-reasoning, поэтому описание составлено по ней. Phi-4-reasoning — открытая по весам языковая модель Microsoft Research, дообученная на базе Phi-4 с помощью supervised fine-tuning на примерах цепочек рассуждений и обучения с подкреплением. Она предназначена для диалоговых генеративных приложений, где важны рассуждения и логика, а также ограничены вычислительные ресурсы или допустимая задержка. Основные области обучения и оценки — математика, наука и программирование; модель рассчитана прежде всего на английский язык. Модель использует плотный декодерный Transformer архитектуры Phi-3 с 14,1 млрд параметров и контекстом до 32 768 токенов. При инференсе рекомендуется ChatML-шаблон; для более сложных запросов авторы советуют выделять больше токенов на генерацию. Модель может ошибаться и не проходила оценку для всех прикладных сценариев, поэтому ответы следует проверять, особенно при использовании в задачах с высокими последствиями. Лицензия — MIT.

Модель lordx64/Qwen3.6-35B-A3B-Kimi-K2.6-Reasoning-Distilled — дообученная методом дистилляции версия Qwen3.6-35B-A3B, созданная автором lordx64. Она обучена на примерно 7,8 тыс. примеров рассуждений Kimi K2.6 и воспроизводит более подробный, пошаговый стиль ответов с явными блоками рассуждений. Архитектура — разреженная Mixture-of-Experts с 35 млрд параметров, из которых около 3 млрд активны на каждом токене; заявленная длина контекста — 64 тыс. токенов. Модель предназначена для сложных STEM-задач, конкурсной математики, пошагового анализа кода, логических задач и агентного планирования. Она принимает текст и генерирует текст; карточка указывает английский язык. Длинные цепочки рассуждений могут увеличить задержку и расход токенов, а дистилляция не добавляет знаний сверх возможностей базовой модели. Автор предупреждает, что приведённые в README результаты оценки зависят от используемого конвейера и для ряда тестов ненадёжны. Дополнительное обучение безопасности не проводилось. Лицензия Apache-2.0 разрешает коммерческое и исследовательское применение.

DeepSeek-R1-0528-Qwen3-8B — плотная языковая модель с 7,6 млрд параметров, размещённая Unsloth и основанная на Qwen3 8B Base. По README, модель получена дообучением на цепочках рассуждений DeepSeek-R1-0528; метаданные указывают базовую модель deepseek-ai/DeepSeek-R1-0528-Qwen3-8B и архитектуру Qwen3ForCausalLM. Репозиторий содержит веса safetensors и поддерживает диалоги и интерфейс вызова инструментов. Модель предназначена для генерации текста и диалогов с многоэтапными рассуждениями, в частности для решения математических и логических задач, программирования и помощи при написании кода. Её контекст составляет до 131 072 токенов. README сообщает об улучшении результатов на отдельных математических и общих бенчмарках, но эти результаты не гарантируют качество на других задачах. Лицензия — MIT.

Minotaur 15B 8K — инструктивно дообученная модель OpenAccess AI Collective на базе StarCoderPlus. Она предназначена для диалоговых запросов в формате USER:/ASSISTANT:, генерации и объяснения кода, ответов на вопросы, решения задач по математике и естественным наукам, а также краткого пересказа текста. Модель имеет плотную архитектуру GPTBigCodeForCausalLM с 15 млрд параметров и контекстом до 8192 токенов; она принимает и генерирует текст, включая программный код. Обучение проводилось методом QLoRA на открытых наборах инструкций, кода, математики и научных задач. Модель рассчитана прежде всего на английский язык и программный код. Карточка указывает, что она не проходила RLHF и не использует фильтрацию ответов, поэтому может выдавать проблемный контент по запросу. Генерируемый код может содержать ошибки, быть неэффективным или уязвимым; также возможны предвзятость и дословное воспроизведение фрагментов обучающих данных с лицензионными условиями. Лицензия в предоставленных сведениях не указана.

Mira — разработанная SmilyAI разговорная языковая модель для генерации текста, дообученная на базе Nova-2-Large. В карточке указана линия происхождения от Qwen3-14B через слияние DARE-TIES и Nova-2-Large с последующим LoRA-дообучением. Модель имеет плотную архитектуру семейства Qwen3 и около 14,8 млрд параметров; заявленная длина контекста — 40 960 токенов. Для работы описаны Transformers и вычисления в bfloat16. Модель предназначена для программирования, математики, многошаговых рассуждений, технических объяснений и общего диалога. Она может помогать отлаживать и рецензировать код, разбирать задачи и объяснять решения; в карточке также описан необязательный игровой режим критики кода. Заявлен разговорный стиль с дружелюбной и энергичной подачей. Основной язык в метаданных — английский. Mira может ошибаться, выдавать неполный или некорректный код, допускать математические ошибки и уверенно сообщать неверные сведения; рассуждения не гарантируют правильности, поэтому важные результаты следует проверять. Состав обучающих данных и параметры LoRA не раскрыты. Лицензия обозначена как «other», поэтому конкретные условия использования следует уточнить в репозитории модели.

Beyonder-4x7B-v2 — языковая модель в архитектуре Mixture of Experts (MoE), созданная mlabonne с помощью mergekit на основе четырёх моделей: OpenChat 3.5, CodeNinja, PiVoT и WizardMath. Она предназначена для диалогов и генерации текста, включая задачи программирования и математики. В модели около 7,1 млрд параметров, рекомендуемая длина контекста — 8 тысяч токенов; репозиторий содержит веса в формате safetensors. Автор сообщает, что модель показывает результаты, сопоставимые с Mixtral-8x7B-Instruct-v0.1 и сильными дообученными моделями большего размера на ряде бенчмарков. Эти оценки не гарантируют качество на конкретных пользовательских задачах. В метаданных указана лицензия other; точные условия использования следует проверять в карточке модели и лицензиях базовых моделей.

Sherry 35B-A3B 0.1 Preview — экспериментальная модель для генерации текста, разработанная Valendra на основе Qwen/Qwen3.6-35B-A3B. Это дообученная методом SFT и GRPO модель семейства Qwen3.5 MoE с 35 млрд параметров; веса объединены, отдельный PEFT-адаптер для инференса не нужен. Модель поддерживает чат и интерфейс вызова инструментов. Главная особенность — управляемый уровень усилий рассуждения: low, medium или high задаёт компромисс между глубиной ответа, задержкой и расходом токенов. Модель предназначена для математических и научных задач, задач на рассуждение и экспериментов с программированием. В описанной авторами оценке показала 97,1% math_verify на MATH-500 и 78,3% exact match на GPQA-Diamond; эти результаты получены в одном контролируемом запуске и не гарантируют аналогичного качества в других условиях. Это предварительная версия: результат AIME 2025 находится на пересмотре, а поведение за пределами оценённых областей изучено ограниченно. Возможны ошибки, поэтому ответы следует проверять, особенно в высокозначимых сценариях. Модель распространяется по лицензии Apache-2.0.

ShiningValiant3 — дообученная Valiant Labs модель Qwen3-1.7B для научных и общих рассуждений, проектирования систем ИИ, решения задач и диалогов. Она предназначена для исследователей и разработчиков, которым нужны ответы на научные вопросы, помощь в работе с современными технологиями ИИ, анализ и генерация идей, а также выполнение инструкций и написание кода. Модель имеет плотную архитектуру Qwen3ForCausalLM с 1,7 млрд параметров, принимает текст и генерирует текст. Контекст — до 40 960 токенов. В карточке заявлены дообучение на научных данных рассуждений, созданных с помощью DeepSeek R1 0528, и улучшения в общих и творческих рассуждениях. README рекомендует включать режим рассуждений для диалогов. Модель рассчитана на локальный запуск на настольных компьютерах и мобильных устройствах, а также на быстрый серверный инференс. Лицензия — Apache-2.0. Карточка указывает английский язык; многоязычные возможности базовой Qwen3 не означают, что для этой доработки подтверждён основной язык помимо английского. Качество отдельных ответов и фактическая точность могут зависеть от запроса; численные оценки в карточке не приведены.

Jackrong/Qwen3.5-4B-Neo-GGUF — reasoning-ориентированная дообученная версия Qwen3.5-4B, разработанная Jackrong с использованием Unsloth, SFT и LoRA. Модель обучалась на данных Step-3.5-Flash-SFT и специализированной смеси наборов для рассуждений, программирования и следования инструкциям. Заявленные языки — английский, китайский и корейский; лицензия — Apache-2.0. Формат GGUF предназначен для локального и офлайн-запуска, однако конкретный размер файла и требования к памяти в README не указаны. Модель рассчитана на аналитические задачи, программирование, соревновательное программирование на Python, математику и задачи, требующие последовательного логического рассуждения. Она обучена формировать рассуждения в тегах <think>...</think> перед итоговым ответом. По заявленным результатам на сбалансированной выборке из 250 вопросов MMLU-Pro модель получила 82,00% pass@1 против 80,40% у базовой версии, одновременно сократив среднюю длину цепочки рассуждений с 6962 до 3955 символов, а медианную — с 4600 до 1951 символа. Сильной стороной модели является сочетание конкурентной точности и более компактного стиля рассуждений, что может снизить расход токенов в задачах с интенсивным анализом. Ограничения включают риск галлюцинаций, возможные усечения при чрезмерно сложных задачах и отставание от базовой модели в категории физики. Приведённые показатели получены на подвыборке MMLU-Pro и не обязательно отражают результаты на полном тесте. Модель позиционируется как тестовая версия для обучения, демонстраций, академических исследований и технических экспериментов.

Notbad v1.0 Mistral 24B — языковая модель для диалогов и генерации текста, разработанная на основе Mistral-Small-24B-Instruct-2501 и дообученная командой Notbad с помощью обучения с подкреплением на математических и программных задачах. Модель содержит 23,4 млрд параметров, использует плотную архитектуру Mistral и принимает контекст длиной до 32 768 токенов. Модель предназначена для решения математических задач, написания и анализа кода на Python, а также для получения более коротких и структурированных рассуждений в диалоге. В карточке приведены результаты сравнительных тестов по математике, программированию, общим знаниям и следованию инструкциям; они показывают сильные результаты на HumanEval и математическом бенчмарке, но более низкий результат на IFEval по сравнению с перечисленными моделями. Модель распространяется по лицензии Apache-2.0. Как и другие генеративные языковые модели, она может ошибаться в вычислениях и коде; результаты бенчмарков не гарантируют точность в конкретных задачах.

OpenReasoning-Nemotron-14B — языковая модель NVIDIA для генерации решений и рассуждений в задачах математики, программирования и естественных наук. Это дообученная методом supervised fine-tuning плотная decoder-only Transformer-модель семейства Qwen2.5 с 14 млрд параметров. Модель принимает и выдаёт текст, поддерживает диалоговый режим и предназначена для разработчиков и исследователей, работающих со сложными задачами, включая соревновательную математику, написание кода и научные вопросы. В README указана оценка генерации до 64 тысяч выходных токенов; метаданные указывают контекст до 131 072 токенов. Для режима GenSelect можно объединять несколько параллельных генераций и выбирать лучшее решение. Модель обучена на математических, программных и научных данных, включая синтетические ответы DeepSeek-R1-0528; README приводит результаты на наборах тестов по рассуждениям, математике и коду. Карточка указывает готовность к коммерческому и некоммерческому исследовательскому применению. Лицензия — CC BY 4.0. Модель оптимизирована для GPU-систем NVIDIA; результаты могут зависеть от сценария и режима вывода.

d3LLM-Dream — диффузионная языковая модель, разработанная командой d3LLM. Это дообученная версия Dream-org/Dream-v0-Instruct-7B с 7,1 млрд параметров, предназначенная для генерации текста и диалогов. Модель использует дистилляцию псевдотраекторий при обучении и энтропийное многоблочное декодирование при выводе, чтобы ускорить генерацию с параллельной обработкой токенов. Модель ориентирована на математические рассуждения и программирование. В README заявлена скорость до 235,34 токена/с на H100 на GSM8K-CoT; также сообщается об ускорении относительно авторегрессионной Qwen-2.5-7B в 4,5 раза на H100 и в 2,5 раза на A100. Метаданные указывают контекст до 131 072 токенов, поддержку чата и интерфейс для вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0.

DASD-30B-A3B-Thinking-Preview — предварительная языковая модель Alibaba Apsara на архитектуре Qwen3 MoE, предназначенная для рассуждений с длинной цепочкой вывода, решения математических и научных задач и генерации кода. Модель дообучена на основе Qwen3-30B-A3B-Instruct-2507 и дистиллирована из gpt-oss-120b методом распределённо-согласованной последовательной дистилляции. В README указано обозначение 30B-A3B, тогда как метаданные каталога сообщают 2,6 млрд параметров. Модель принимает текст и генерирует текст; поддерживает контекст до 262 144 токенов. Карточка описывает её как специализированную на математике, программировании и научных рассуждениях, но не приводит список поддерживаемых естественных языков. Для работы авторы рекомендуют включать системный промпт, использованный при обучении, и задавать Temperature=1.0 и TopP=1.0. Это предварительный исследовательский артефакт, обученный только на первой стадии рецепта с примерно 105 тысячами примеров и без дополнительного RL. README указывает, что модель не интегрирована с инструментами и не может взаимодействовать с исполнителями кода или API; при этом метаданные каталога отмечают интерфейс вызова инструментов. Использовать следует с учётом этого расхождения. Лицензия — Apache-2.0.

Fireball-Meta-Llama-3.1-8B-Instruct-Agent-0.003-128K-code-math — экспериментальная дообученная языковая модель от EpistemeAI на архитектуре Llama 3.1. Она предназначена для диалогового применения в задачах математики, программирования и работы в роли агента; заявлены сценарии с поиском, калькулятором и подходом ReAct, а также интеграция с LangChain, LlamaIndex и Ollama, в том числе для RAG. Модель содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. В README рекомендуется использовать отдельный механизм проверки безопасности входов и выходов; приведённые результаты оценки ограничены отдельными бенчмарками и не гарантируют качество в конкретных задачах. Модель лицензирована по Apache-2.0.

OpenThinker3-1.5B — языковая модель с 1,5 млрд параметров, разработанная командой Open Thoughts. Это плотная авторегрессионная модель семейства Qwen2, дообученная методом SFT на Qwen/Qwen2.5-1.5B-Instruct с использованием набора OpenThoughts3-1.2M. Она предназначена для генерации текста с пошаговыми рассуждениями, особенно при решении математических и научных задач, а также задач программирования. В обучающий набор входят 850 тысяч математических вопросов, 250 тысяч вопросов по коду и 100 тысяч научных вопросов; трассы рассуждений для данных создавались с помощью QwQ-32B. Модель принимает текст и поддерживает контекст до 32 768 токенов. В README приведены результаты оценки на математических, научных и кодовых бенчмарках; конкретные результаты зависят от задачи и протокола оценки. Модель доступна в формате safetensors и распространяется по лицензии Apache 2.0.

Code-290k-6.7B-Instruct — языковая модель для генерации кода и пояснений, созданная ajibawa-2023 полным дообучением DeepSeek-Coder-6.7B-Instruct. Модель основана на плотной архитектуре Llama и содержит около 6,6 млрд параметров; репозиторий предоставляет веса в формате safetensors. Для общения используется шаблон Alpaca. Модель обучалась на наборе Code-290k-ShareGPT примерно из 290 тысяч примеров кода с подробными объяснениями. Она предназначена для генерации и объяснения кода на Python, Java, JavaScript, Go, C++, Rust, Ruby, SQL, MySQL, R, Julia, Haskell и других языках программирования. Контекст составляет до 16 384 токенов. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели и у базовой модели. Оценки в карточке охватывают лишь часть общих бенчмарков и не гарантируют корректность сгенерированного кода; результаты следует проверять, особенно перед запуском или использованием в критичных системах.

DavidAU представляет дообученную 7,5-миллиардную модель Llama 3.3 8B Instruct для диалогов, следования инструкциям и генерации текста с режимом рассуждений. Она обучена в течение трёх эпох на наборе TeichAI/claude-4.5-opus-high-reasoning-250x; автор описывает её как гибрид instruct/thinking. Модель использует архитектуру LlamaForCausalLM, принимает текст и поддерживает контекст до 131 072 токенов. В карточке перечислены английский, русский, французский, немецкий, испанский, итальянский, португальский, китайский, японский и корейский языки. Модель предназначена для ответов на вопросы с подробными объяснениями, творческого письма, сюжетов и ролевых диалогов. Режим рассуждений может включаться по формулировке запроса; README отмечает, что поведение зависит от параметров генерации, а низкобитные квантизации могут ухудшать рассуждения и их активацию. Модель поставляется в safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Автор утверждает, что исходная версия Llama 3.3 8B не была публично выпущена; происхождение базовых весов в README описано не вполне ясно, тогда как метаданные указывают базовую модель allura-forge/Llama-3.3-8B-Instruct.

Mythos-nano — независимая открытая модель проекта squ11z1, дообученная на базе WeiboAI/VibeThinker-3B. Это текстовая авторегрессионная модель для генерации текста, ориентированная прежде всего на рассуждения, математические задачи и программирование. Указан английский язык; модель также позиционируется для задач на знания и следование инструкциям. Модель содержит около 3 млрд параметров и относится к семейству Qwen2 согласно тегам репозитория. В README не указаны точная архитектура, размер контекста и данные обучения. По приведённым результатам она демонстрирует сильные показатели на соревновательной математике и задачах программирования, включая LeetCode, а также хорошие результаты на отдельных тестах следования инструкциям и знаний. Для сложных задач рекомендуется генерировать до 40960 токенов с температурой 0,6–1,0. Модель не обучалась на данных для tool calling и агентского программирования, поэтому не рекомендуется для вызова функций, оркестрации API и автономных coding-агентов. В README также указано снижение защитных ограничений: удалено направление отказа, поэтому модель может не отклонять запросы, которые обычно блокируются моделями с настройкой безопасности. Доступны форматы для Transformers и GGUF, включая варианты для llama.cpp и Ollama. Лицензия MIT.

Карточка модели unsloth/QwQ-32B на Hugging Face совпадает с карточкой Qwen/QwQ-32B, поэтому описание составлено по ней. QwQ-32B — reasoning-модель семейства Qwen от команды Qwen, основанная на Qwen2.5-32B и дообученная с supervised fine-tuning и reinforcement learning. Это плотная причинная языковая модель на 32 млрд параметров для генерации текста и диалогов, рассчитанная на сложные задачи, где полезны рассуждения, в частности решение математических задач и ответы на трудные вопросы. Поддерживает интерфейс вызова инструментов. Архитектура Qwen2 использует RoPE, SwiGLU, RMSNorm и смещение в QKV attention; в модели 64 слоя и grouped-query attention с 40 головами Q и 8 головами KV. README заявляет контекст до 131 072 токенов, тогда как метаданные указывают нативный контекст 40 960 токенов. Для входов длиннее 8 192 токенов README рекомендует включать YaRN; статическое масштабирование в vLLM может снижать качество на коротких текстах. Модель описана как конкурентоспособная с другими reasoning-системами, но конкретные результаты оценки в карточке не приведены. Модель принимает текст и генерирует текст. Карточка указывает английский язык. Для снижения повторов README рекомендует не использовать жадное декодирование и настраивать параметры sampling; при повышении presence penalty возможны смешение языков и небольшое снижение качества. Лицензия — Apache-2.0.

Agnuxo публикует Mamba-Codestral-7B-Instruct_CODE_Python-Spanish_English_GGUF_16bit — локально запускаемую модель генерации кода на 7 млрд параметров. Карточка описывает её как помощника для написания кода и указывает семейство Mistral; репозиторий содержит веса в формате GGUF F16. В метаданных Hugging Face основная задача обозначена как text-generation, а языки карточки — английский и испанский. Модель предназначена для генерации и помощи с кодом, включая Python, JavaScript, TypeScript, Rust, Go и C++, а также научные вычисления и машинное обучение с библиотеками NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. README также заявляет навыки координации агентов и интеграции MCP/A2A. Модель можно запускать локально через Ollama; лицензия — Apache-2.0. Ограничения: README не приводит результатов тестирования, подробностей об обучении или точного контекста. Перечисленные языки программирования и агентные возможности заявлены в карточке, но не подтверждены метаданными или оценками.

OpenR1-Distill-7B — языковая модель с 7,1 млрд параметров, разработанная командой Open-R1 на основе Qwen2.5-Math-7B с расширенной частотой RoPE. Модель дообучена методом supervised fine-tuning на Mixture-of-Thoughts — наборе из 350 тысяч проверенных цепочек рассуждений, дистиллированных из DeepSeek-R1. Архитектура — плотная Qwen2, модель для генерации текста с поддержкой диалогового режима и контекстом до 32 768 токенов. Модель предназначена для пошаговых рассуждений на английском языке в задачах математики, программирования и науки, а также для исследований вычислений на этапе вывода и обучения с проверяемыми вознаграждениями. В опубликованных оценках указаны результаты на AIME 2024, MATH-500, GPQA Diamond и LiveCodeBench; сравнение зависит от протокола выборки ответов. Модель распространяется под лицензией Apache 2.0. Она ориентирована прежде всего на английский язык, а результаты в бенчмарках не гарантируют точность на произвольных запросах; для задач, требующих достоверных ответов, выводы следует проверять.

Tinytron-ORCA-7B-TinyLlama-Instruct_CODE_Python-extra_small_quantization_GGUF_3bit — локальная модель генерации кода, опубликованная Francisco Angulo de Lafuente под именем Agnuxo. В карточке она описана как помощник по программированию на базе семейства Llama; метаданные указывают плотную архитектуру LlamaForCausalLM, 6,6 млрд параметров и контекст до 4096 токенов. README заявляет версию GGUF с 3-битной квантизацией и рекомендует запуск через Ollama. Модель предназначена для генерации кода и помощи с задачами научных вычислений и машинного обучения. В README перечислены Python, JavaScript, TypeScript, Rust, Go и C++, а также NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. Метаданные указывают английский и испанский языки; модель принимает текстовые запросы и генерирует текст, включая код. Репозиторий описывает модель как локального помощника по программированию, однако подробные результаты оценки качества не приведены. README указывает лицензию Apache-2.0; из названия и карточки следует, что это квантизованная версия модели TinyLlama Instruct, но точный идентификатор исходной модели в метаданных не приведён.

Карточка модели falloutxvats/Aero-DeepSeek-R1-Distill-Qwen-32B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

FluentlyQwen3 Coder 4B — языковая модель от Project Fluently, дообученная для генерации кода. Это плотный causal language model на архитектуре Qwen3ForCausalLM с примерно 3,7 млрд параметров; в карточке указаны 36 слоёв и grouped-query attention с 32 головами Q и 8 головами KV. Модель обучали с помощью SFT и GRPO, а затем последовательно объединяли версии. Она поддерживает контекст до 40 960 токенов по метаданным; README также указывает 32 768 токенов нативно и до 131 072 с YaRN. Модель предназначена для написания и дополнения кода в диалоговом режиме. README также сообщает об улучшениях в общении, переводе и математике. Есть режим с рассуждением и возможность его отключить; для генерации и общения используются текстовые входы и выходы. Карточка указывает английский и русский языки, а также код. Модель распространяется по лицензии Apache-2.0. Рекомендации README по параметрам генерации различаются для режимов с рассуждением и без него; для первого не рекомендуется жадное декодирование из-за возможного ухудшения качества и повторов.

bergr7f/mathcoder-mistral-7B — объединённая языковая модель на архитектуре Mistral, созданная методом TIES с помощью mergekit. В основу слияния вошла mistralai/Mistral-7B-v0.1; также объединены WizardLM/WizardMath-7B-V1.1 и codellama/CodeLlama-7b-Instruct-hf. Модель предназначена для генерации текста с уклоном в математические задачи и программирование. Она содержит 7,1 млрд параметров, работает через библиотеку Transformers и поддерживает контекст до 32 768 токенов. В метаданных указана задача text-generation. Лицензия в предоставленных данных не указана. Поскольку модель объединяет несколько базовых моделей, условия использования следует сверять с лицензиями исходных компонентов. Данных о качестве на конкретных наборах задач нет.

Tinytron-ORCA-3B-TinyLlama-Instruct_CODE_Python-extra_small_quantization_GGUF_3bit — локальная разговорная модель для генерации кода, опубликованная Francisco Angulo de Lafuente под именем Agnuxo. В README указана специализация на Python и научных вычислениях, а также заявлена работа с JavaScript, TypeScript, Rust, Go, C++, NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. Метаданные указывают на плотную архитектуру семейства Llama с классом LlamaForCausalLM, 1 млрд параметров и контекст 2048 токенов; README заявляет 3 млрд параметров, поэтому размер модели описан противоречиво. Модель предназначена для диалоговой генерации кода и помощи при решении задач программирования. Карточка рекомендует запускать её локально через Ollama и упоминает интеграции с MCP и A2A. Метаданные указывают языки en и es, но README не уточняет языковую поддержку. Идентификатор и README описывают вариант TinyLlama Instruct с 3-битной квантизацией GGUF, то есть производную модель. В метаданных базовая модель не указана, поэтому её идентификатор нельзя надёжно установить. Лицензия — Apache-2.0. Практические ограничения: контекст 2048 токенов, а заявленный размер расходится с метаданными; качество генерации не подтверждено приведёнными сведениями.

WizardCoder-Python-13B-V1.0 — языковая модель семейства Llama, предназначенная для генерации кода Python по инструкциям. Модель содержит 12,9 млрд параметров, имеет контекст до 16 384 токенов и представлена в формате PyTorch для Transformers. Карточка описывает семейство WizardCoder, обученное с использованием Evol-Instruct, но не приводит отдельные сведения о тренировочных данных и результатах именно этой версии 13B. Модель подходит для написания фрагментов Python-кода по текстовым запросам, помощи с программированием и генерации ответов на инструкции о коде. Она принимает текст и генерирует текст; языки естественного общения не заявлены, поскольку в метаданных указан только код. Лицензия — Llama 2; условия её применения определяются этой лицензией.

EpistemeAI/Math-Code-Llama3.1-8B — дообученная EpistemeAI модель на архитектуре Llama 3.1, разработанная для генерации текста и помощи в задачах математики и программирования. Это плотная авторегрессионная трансформерная модель класса LlamaForCausalLM с 7,5 млрд параметров и контекстом до 131 072 токенов; веса доступны в форматах PyTorch и Safetensors. Модель подходит для генерации и объяснения кода, решения математических задач и диалоговой помощи по этим темам. В карточке указаны возможности базового семейства Llama 3.1: текстовый ввод и вывод, поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Специальные результаты или бенчмарки именно этой производной модели не приведены. Для репозитория указана лицензия Apache 2.0. Ограничения качества и безопасности генеративных ответов следует учитывать при использовании; карточка также предупреждает, что базовая модель статична и обучена на офлайн-данных.