# Model catalog for coding

Практический каталог моделей для code-задач в локальном и гибридном сценарии.

Базовые команды `ollama pull` и обслуживание: [local-llm-ollama.md](local-llm-ollama.md).

> Важно: "лучшая модель" зависит от языка проекта, длины контекста, формата задач и вашего железа.

## 1) Рекомендуемые семейства

| Модель | Класс | Сильные стороны | Когда брать | Пример формата |
| --- | --- | --- | --- | --- |
| Qwen2.5-Coder | 7B / 14B / 32B | Сильный coding baseline, хорошая универсальность | Python/JS/TS/Go/Rust, код-ревью, рефакторинг | Ollama, GGUF, GPTQ/EXL2 |
| DeepSeek-Coder (V2 / distill) | 16B+ / MoE варианты | Часто сильная логика в code reasoning | Сложные задачи и агентные цепочки, если есть ресурсы | Ollama/HF квантизованные |
| Codestral (Mistral) | ~22B класс | Хороший автокомплит и редактирование | IDE-автодополнение и правки среднего размера | GGUF/GPTQ |
| StarCoder2 | ~15B класс | Стабильная альтернатива для инлайна | Нужен второй/резервный профиль | GGUF/Ollama сборки |

## 2) Где брать

- **Самый простой путь:** `ollama pull <model:tag>`
- **Гибкий путь:** Hugging Face (квантизованные сборки, ручной контроль формата)

Популярные издатели квантизованных сборок на HF:

- `bartowski`
- `MaziyarPanahi`
- `TheBloke`

## 3) Рекомендуемые стартовые профили

- **weak-server**: `qwen2.5:3b`
- **balanced**: `qwen2.5-coder:7b`
- **quality**: `qwen2.5-coder:14b` (или аналог) при наличии достаточного GPU VRAM

## 4) Практика выбора

1. Начните с одной быстрой и одной "качественной" модели.
2. Прогоните одинаковый benchmark-набор задач.
3. Сравните:
   - токены/сек
   - количество правок до прохождения тестов
   - число ошибок в multi-file изменениях
4. Зафиксируйте победителя как default-профиль.