I.5Создание и редактирование текста

T5-Small — компактная текстовая модель семейства Text-To-Text Transfer Transformer, разработанная Колином Раффелом и коллегами. Она представляет задачи обработки естественного языка в формате преобразования текста в текст; в каталоге для этой версии указана задача перевода. Модель содержит 38,5 млн параметров по метаданным, имеет плотную архитектуру T5ForConditionalGeneration и контекст до 512 токенов. Модель предназначена для перевода и может применяться в дообученных сценариях суммаризации, ответов на вопросы, классификации и других задач преобразования текста. Она принимает и генерирует текст; в карточке указаны английский, французский, румынский и немецкий языки. Предобучение проводилось на корпусе C4 и смеси задач, включавшей денойзинг и контролируемые текстовые задачи. Компактный размер упрощает использование модели в ограниченных вычислительных условиях, но может уступать более крупным моделям в качестве и надёжности. Карточка не приводит конкретных оценок качества или подробных ограничений. Лицензия — Apache 2.0.

ubikpt/t5-small-finetuned-cnn-v2 — модель T5-small, дообученная на наборе данных CNN/DailyMail. Она предназначена для суммаризации текстов и может создавать краткие пересказы новостных статей. Модель содержит 38,5 млн параметров, использует архитектуру T5ForConditionalGeneration и файлы PyTorch; максимальная длина контекста — 512 токенов. В README приведены результаты оценки: ROUGE-1 35,154, ROUGE-2 18,683, ROUGE-L 30,8481 и ROUGE-Lsum 32,9638. Модель подходит для автоматического сокращения новостных статей и получения краткого содержания длинных текстов. Указанная лицензия — Apache-2.0. README не описывает языки обучения и ограничения качества, поэтому область подтверждённого применения следует считать связанной с CNN/DailyMail.

Thomson-1.0-Small — модель с открытыми весами от Thomson Reuters для профессиональных и общих задач. Это причинная языковая модель с архитектурой Qwen3.6-35B-A3B и смесью экспертов: всего 35 млрд параметров, из них 3 млрд активируются при обработке запроса. Модель дообучена на базе tri-fair-lab/Snowdon1.1-Small в рамках непрерывного обучения, включавшего дообучение на корпусах Thomson Reuters и последующую настройку поведения. В метаданных репозиторий классифицирован как image-text-to-text и отмечена возможность работы с изображениями; README подробно описывает прежде всего языковые и профессиональные сценарии. Модель предназначена для юридической, налоговой и журналистской работы, а также для общих задач и агентного исследования с использованием инструментов и цитированием источников. Заявленная длина контекста — 262 144 токена. Модель совместима с Hugging Face Transformers, vLLM и SGLang. README не приводит конкретных результатов бенчмарков в доступном фрагменте, поэтому сравнительное качество оценить нельзя. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

MaziyarPanahi/Trinity-Mini-GGUF — набор файлов модели Trinity-Mini в формате GGUF, подготовленный MaziyarPanahi на основе оригинальной модели arcee-ai. Модель разработана Arcee AI и предназначена для генерации текста, рассуждений, а также прикладных сценариев, включая работу с математикой и кодом. Формат GGUF ориентирован на локальный запуск через llama.cpp и совместимые приложения и библиотеки. Trinity-Mini — разреженная Mixture-of-Experts модель архитектуры AfmoeForCausalLM с 26 млрд общих параметров и 3 млрд активных параметров. Она содержит 128 экспертов, из которых одновременно используются 8, а также одного общего эксперта. Контекстное окно составляет 128 тысяч токенов. Модель обучалась на 10 трлн токенов, включая дополнительные данные по математике и программированию. В репозитории доступны варианты квантования с разной разрядностью — от 2 до 8 бит. К сильным сторонам относятся большое контекстное окно, эффективная MoE-архитектура и возможность локального запуска с выбором уровня квантования. README не содержит сведений о поддерживаемых языках, результатах конкретных бенчмарков и ограничениях качества, поэтому эти характеристики нельзя оценить точнее. Для работы требуются совместимые версии llama.cpp или других клиентов, поддерживающих GGUF. Модель распространяется по лицензии Apache 2.0.

FiditeNemini/Unhinged-Qwen2.5-R1-1M-Uncensored-BF16 — объединённая модель автора FiditeNemini, полученная методом TIES из huihui-ai/DeepSeek-R1-Distill-Qwen-14B-abliterated-v2 и mkurman/Qwen2.5-14B-DeepSeek-R1-1M. Это плотная причинно-языковая модель семейства Qwen2 с 14 млрд параметров, предназначенная для диалогов и генерации текста, включая код; интерфейс модели также поддерживает вызов инструментов. Репозиторий содержит веса Safetensors и версию для MLX в точности bfloat16. Метаданные указывают контекст до 1 010 000 токенов, тогда как README приводит 4096 токенов; фактическая поддержка столь длинного контекста может зависеть от конфигурации и используемого преобразования. В тегах указан английский язык. Модель позиционируется как uncensored и основана на вариантах с ослабленными отказами, поэтому её ответы могут включать нежелательный контент. Лицензия — Apache 2.0.

Salience-1.5-Pro — мультимодальная модель класса vision-language, разработанная vectionlabs и представленная в GGUF-квантизациях автором bartowski. Она предназначена для работы с текстом и изображениями, задач рассуждения, программирования, software engineering, агентских сценариев и использования инструментов. В карточке также заявлены архитектура mixture-of-experts (MoE), поддержка длинного контекста и язык English; точный размер исходной модели и максимальная длина контекста не указаны. Модель содержит MTP-слои (Multi-Token Prediction), которые могут использоваться в llama.cpp для self-speculative decoding и ускорения генерации с параметром --spec-type draft-mtp. Доступны варианты от BF16 размером 71,07 ГБ до более компактных квантизаций Q8_0, Q6, Q5, Q4 и Q3; рекомендуемые варианты различаются балансом между качеством и требованиями к памяти. Ограничения включают зависимость от совместимого программного обеспечения и возможную необходимость обновления llama.cpp или других приложений при поддержке новой архитектуры. Распространение указано по лицензии Apache-2.0. Квантизации рассчитаны на запуск через llama.cpp и совместимые приложения, включая LM Studio, KoboldCpp, Jan AI и Text Generation Web UI.

Yi-9B-200K — базовая языковая модель, разработанная компанией 01.AI и обученная с нуля. Это плотная авторегрессионная модель семейства Yi на архитектуре Transformer, совместимой с реализацией Llama; веса Llama в обучении не использовались. Модель содержит 8,6 млрд параметров и поддерживает контекст до 262 144 токенов. Модель предназначена для генерации текста, понимания языка, ответов на вопросы, чтения и рассуждений. Семейство Yi рассчитано прежде всего на английский и китайский языки и обучено на многоязычном корпусе. Эта карточка описывает базовую модель, а не диалоговую настройку, поэтому качество ответов в чате может требовать дополнительного дообучения или инструкции в промпте. Модель распространяется в формате safetensors по лицензии Apache 2.0. Длинный контекст и относительно компактный размер семейства позволяют применять её для анализа больших текстовых фрагментов, однако фактические требования к памяти и скорость зависят от оборудования и настроек инференса.

Карточка модели cocoirun/Yi-Ko-6B-instruct-v1.5-DPO на Hugging Face совпадает с карточкой cocoirun/Yi-Ko-6B-instruct-v1.5, поэтому описание составлено по ней. Yi-Ko-6B-instruct-v1.5 — инструктивная языковая модель, дообученная автором cocoirun на базе семейства Llama. По карточке, модель прошла SFT на примерно 110 тысячах примеров: использовались самостоятельно подготовленные корейские данные по истории, естественным наукам, математике, машинному чтению, анализу отзывов и грамматике, а также материалы Open-Orca-Ko, KoBEST и AIHub. Обучение выполнялось с помощью LoRA. Модель предназначена для генерации ответов и выполнения инструкций в задачах на корейском и английском языках, включая вопросы и ответы, машинное чтение, суммаризацию, перевод и анализ отзывов. Это плотная архитектура LlamaForCausalLM примерно на 5,9 млрд параметров с контекстом 2048 токена; репозиторий содержит веса Safetensors. Лицензия — CC BY-SA 4.0. Карточка не приводит количественных оценок качества. Данные обучения закрыты, поэтому состав и воспроизводимость SFT ограничены доступной информацией; контекст 2048 токена ограничивает работу с длинными документами.

airoboros-13b-gpt4-1.1 — дообученная модель семейства LLaMA с 12,9 млрд параметров, созданная Jon Durbin на синтетических данных, сгенерированных GPT-4. Она предназначена для диалоговой генерации текста и отвечает на вопросы, выполняет рассуждения и решает задачи по программированию, математике, викторинам, тестам с выбором ответа и заданиям на заполнение пропусков. Особенность версии 1.1 — улучшенные инструкции для работы с контекстом и около тысячи дополнительных примеров по программированию. В режиме ответов по заданному контексту модель обучена опираться на предоставленные сведения и ограничивать ответ ими, что может помогать снижать галлюцинации. Для этого используется формат с явными разделителями блоков контекста и инструкций. Модель использует шаблон диалога Vicuna 1.1 и имеет контекстное окно 2048 токенов. Модель принимает текст и генерирует текст; карточка не заявляет поддержку конкретных естественных языков. Автор отмечает, что математические рассуждения остаются слабой стороной. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

bhenrym14/airoboros-33b-gpt4-1.4.1-lxctx-PI-16384-fp16 — текстовая модель семейства LLaMA, созданная bhenrym14 на основе Airoboros 33B GPT4 1.4.1. Это дообучение QLoRA на синтетических данных Airoboros GPT4 1.4.1 с дополнительным предварительным обучением на последовательностях длиной 8192 токена и RoPE-масштабированием для расширения контекста. Модель содержит 32,3 млрд параметров и использует формат safetensors; метаданные указывают нативный контекст 2048 токенов, а в карточке заявлена теоретическая длина до 16384 токенов. Модель предназначена для диалоговых ответов, ответов по предоставленному контексту, генерации кода, ролевого общения, шуток и загадок. В README приведены примеры кода на десяти языках программирования, но естественные языки обучения или поддержки не указаны. По тестам на perplexity автор сообщает улучшение относительно модели Airoboros 33B PI-8192 на проверенных длинах 512–2048 токенов; поведение при длине контекста свыше 8192 токенов не проверено. Для запуска карточка описывает использование Transformers либо GPTQ-весов через text-generation-webui и ExLlama с настройками max_seq_len=16384 и compress_pos_emb=8. Лицензия в предоставленных данных не указана. В исходной карточке сказано, что модель не отказывает в ответах независимо от законности или моральной приемлемости запроса, поэтому её ответы требуют соответствующего контроля.

abdalrahmanshahrour/arabartsummarization — модель для суммаризации текста на арабском языке, опубликованная разработчиком abdalrahmanshahrour. Это плотная encoder-decoder модель семейства mBART с примерно 95 млн параметров, обученная для генерации краткого содержания по входному тексту. В карточке указаны суммаризация арабских новостей, создание заголовков и перефразирование; основная задача модели — суммаризация. Модель обучалась на наборе XL-Sum: в карточке указано 42,21 тыс. примеров, из них 37,52 тыс. для обучения и 4,69 тыс. для оценки. Максимальная длина контекста — 1024 токена. Модель принимает текст и генерирует текст; доступные веса представлены в формате PyTorch. Лицензия — Apache-2.0. Карточка приводит метрики Loss и ROUGE, но не описывает предполагаемые ограничения и сообщает, что для сведений об использовании нужно больше информации. Поэтому качество для конкретных жанров и текстов стоит оценивать на собственных данных; контекст ограничен 1024 токенами.

ATX-Swift-Qwen3.8-27B-Uncensored-IQ4_XS-M-GGUF — это квантизированная GGUF-модель, разработанная JakeATX на основе d0xin/Swift-Qwen3.8-27B-Uncensored-BF16. Исходная модель является uncensored, abliterated-производной Swift-Qwen3.8-27B от UkisAI: из неё намеренно удалено исходное поведение отказа от ответов. Модель предназначена для генерации текста, включая программирование, агентские сценарии, работу с длинным контекстом и локальный запуск через llama.cpp. Модель содержит около 27,32 млрд параметров, 866 текстовых и MTP-тензоров и поддерживает только текстовую модальность, без vision tower. Используется смешанная квантизация ATX-IQ4_XS-M: основная часть весов представлена в IQ4_XS, отдельные важные тензоры повышены до Q5_0, Q6_K или Q8_0. Размер файла — около 14,5 GiB, эффективная точность — 4,56 бит на вес. Включена MTP speculative head, рассчитанная на спекулятивное декодирование. Рецепт ориентирован на видеокарты RTX 3090/3090 Ti с 24 ГБ памяти и позволяет работать с контекстом до 200 тыс. токенов при 8-битном key cache, однако точный лимит зависит от runtime и конфигурации. Сильными сторонами являются высокая эффективность по памяти, оптимизация под SM86 и длинный контекст, а также заявленный результат pass@1 89,25 на выбранной 100-задачной подвыборке LiveCodeBench v6. Модель не имеет встроенных ограничений на отказ и может генерировать контент, который исходная версия отклоняла, поэтому её ответы требуют проверки. В README не указаны точные языки и полный набор оценок качества. Для запуска рекомендуется llamAmpere; модель также совместима со stock TurboQuant+ и основной веткой llama.cpp, но с меньшим запасом по контексту. Лицензия указана как swift-open-license-1.0.

facebook/bart-base — базовая англоязычная модель семейства BART, разработанная командой Facebook AI и впервые опубликованная в этом репозитории. Это трансформерная encoder-decoder модель типа seq2seq: двунаправленный энкодер сочетается с авторегрессионным декодером. Модель содержит 95,2 млн параметров, обучена восстанавливать исходный текст после его искажения и поддерживает контекст до 1024 токенов. Модель предназначена прежде всего для извлечения признаков и дообучения на текстовых задачах. После дообучения BART применяют для суммаризации, перевода, классификации текста и ответов на вопросы; исходная модель также подходит для заполнения пропусков в тексте. Репозиторий содержит веса в форматах PyTorch, TensorFlow и Flax, включая safetensors. Лицензия — Apache 2.0.

BharatGPT-3B-Indic — языковая модель CoRover.ai, дообученная для генерации текста на индийских языках. Она предназначена для перевода, суммаризации, продолжения текста и диалоговых сценариев, в том числе для систем S-RAG, где ответы опираются на собственную базу знаний. Модель работает с хинди, пенджаби, маратхи, малаялам, ория, каннада, гуджарати, бенгальским, урду, тамильским и телугу; в метаданных также указан английский. Для загрузки используется Transformers, веса опубликованы в формате safetensors. Разработчик рекомендует дообучать модель на собственных данных или использовать её с поиском по документам, а не как самостоятельного чат-бота: знания модели могут быть устаревшими. В README приведены результаты оценки на многоязычных тестах и RAG-сценариях, однако они не заменяют проверку на данных конкретного применения. Указана лицензия для некоммерческого использования и академических исследований; для коммерческого применения требуется обратиться к CoRover.ai.

CataLlama-v0.1-Instruct-SFT — чат-модель на архитектуре Llama 3, разработанная Лаурентиу Петреа и дообученная методом SFT на наборе catallama/Catalan-Instruct. Это второй этап обучения CataLlama; модель получила около 445 млн новых токенов за три этапа обучения. Она предназначена прежде всего для работы с каталонским языком: извлечения сведений из документов, распознавания именованных сущностей, перевода между каталонским и английским, краткого и подробного пересказа, анализа тональности и диалогов по инструкциям. Модель имеет 7,5 млрд параметров, использует авторегрессионный трансформер и принимает текстовые запросы; длина контекста составляет 8192 токена. В карточке приведены результаты MMLU 55,28 и GSM8K 51,63, а также validation loss 0,8528 после двух эпох; автор отмечает, что модель создана для демонстрации адаптации LLM к новым языкам, а не для лидерства в бенчмарках. Лицензия — Llama 3 Community License. README содержит ограничение на использование не на английском языке, хотя модель специально дообучена для каталонского; перед применением следует учитывать условия лицензии и политики использования Llama 3.

CataLlama-v0.2-Instruct-SFT — авторегрессионная плотная языковая модель семейства Llama 3 с 7,5 млрд параметров, разработанная Лауренциу Петреа на основе CataLlama-v0.2-Base от catallama и дообученная методом SFT на наборе Catalan-Instruct-V2. Контекст модели составляет 8192 токена; она распространяется в формате safetensors и предназначена для диалогового взаимодействия и генерации текста по инструкциям. Модель ориентирована прежде всего на работу на каталанском языке: извлечение информации для RAG, распознавание именованных сущностей, перевод между каталанским и английским, краткое и развёрнутое суммирование, анализ тональности и чат. В карточке сообщается об улучшении относительно CataLlama-v0.1 на перечисленных задачах и приведены результаты тестов MMLU и GSM8K, однако эти показатели не гарантируют качество в прикладных сценариях. Лицензия — Llama 3 Community License. Карточка указывает, что базовые условия Llama 3 ограничивают предполагаемое применение английским языком, но также допускают дообучение для других языков при соблюдении лицензии и Acceptable Use Policy; поэтому условия использования каталанской версии следует сверять с актуальными положениями лицензии.

DanSumT5-base — модель на базе mT5-base, дообученная для абстрактивного суммирования новостных статей на датском языке. Она предназначена для создания краткого связного пересказа статьи и может применяться для подготовки сводок датских новостей. Для дообучения использована абстрактивная часть датасета DaNewsroom с категориями плотности, применявшимися в Newsroom. Модель содержит 291,2 млн параметров, построена на архитектуре MT5ForConditionalGeneration и распространяется в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

Это англоязычная модель DeBERTa V3 Base, разработанная на основе microsoft/deberta-v3-base и дообученная для оценки читаемости текста. Она принимает текст и предсказывает примерный класс обучения в американской школьной системе, соответствующий уровню понимания; более высокое значение означает более сложный текст. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 для классификации последовательностей и рассчитана на контекст до 512 токенов. Модель подходит для оценки сложности англоязычных отрывков в образовательных и редакторских сценариях. Обучение проводилось на 105 тысячах абзацев из разных источников; на отложенной выборке указана RMSE 0,5038. Точность может снижаться на текстах, заметно отличающихся от обучающих данных. Оценка опирается на текстовые закономерности и не учитывает знакомство читателя с темой или культурный контекст, поэтому её не следует использовать как единственное основание для определения пригодности текста аудитории. Лицензия — Apache-2.0.

mobiuslabsgmbh выпустила DeepSeek-R1-ReDistill-Qwen-1.5B-v1.1 — повторно дистиллированную версию DeepSeek-R1-Distill-Qwen-1.5B для повышения качества генерации текста и рассуждений. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров и контекстом до 131 072 токенов; веса представлены в формате safetensors. Модель подходит для диалогов и решения задач, в том числе по математике и программированию. В README приведены сравнительные результаты на ARC, HellaSwag, MMLU, GPQA, MMLU PRO и MUSR: версия v1.1 показывает более высокие значения, чем исходная DeepSeek-R1-Distill-Qwen-1.5B, на перечисленных тестах. Модель распространяется по лицензии MIT. В карточке не приведены сведения о языковом охвате и подробные ограничения; качество ответов следует проверять для конкретного сценария.

unsloth/DeepSeek-V3-0324-GGUF — это набор динамически квантованных GGUF-версий модели DeepSeek-V3-0324, подготовленный Unsloth на основе базовой модели deepseek-ai/DeepSeek-V3-0324. Модель предназначена для локального запуска в llama.cpp, LM Studio, Open WebUI и других фреймворках инференса, включая задачи генерации текста и кода. В README указан английский язык; сведения о других языках и мультимодальных возможностях отсутствуют. Доступны варианты с квантованием от 1,78 до 4,5 бит и размером файлов примерно от 186 до 405 ГБ. Используется динамическое селективное квантование, призванное сохранить более высокую точность по сравнению со стандартными вариантами. Рекомендуются конфигурации IQ2_XXS 2,42 бит и Q2_K_XL 2,71 бит как удачный баланс размера и производительности; версия Q4_K_XL 4,5 бит получила наивысшую оценку качества. Для запуска желательно иметь не менее 180 ГБ совокупной VRAM и RAM. Ограничения включают очень высокие требования к памяти, а предварительные версии 1,78 и 1,93 бит могут хуже справляться с некоторыми задачами программирования. Лицензия модели — MIT.

DeepSeek-V4-Flash-0731-CRACK-NVFP4 — дообученная и модифицированная версия deepseek-ai/DeepSeek-V4-Flash-0731, опубликованная Dealign.ai. Это текстовая генеративная MoE-модель для диалогов, рассуждений, программирования, вызова инструментов и многошаговых сценариев. Модель позиционируется как исследовательский артефакт с удалёнными защитными отказами, поэтому требует ответственного и законного применения. Архитектура включает 43 слоя, 256 маршрутизируемых и одного общего эксперта, MLA, sliding-window attention и контекст примерно до 1 млн токенов с YaRN. Сохранены native-квантизация FP8 для attention и общих экспертов, FP4 класса NVFP4 для маршрутизируемых экспертов, DSpark MTP head, управляемое усилие рассуждения и спекулятивное декодирование. Чекпойнт занимает около 167 ГБ и рассчитан на tensor parallel между двумя узлами NVIDIA GB10 или DGX Spark; в README также указана конфигурация обслуживания с контекстом до 393216 токенов. Заявлены английский и китайский языки, интеграция с vLLM и поддержка OpenAI-совместимых инструментальных вызовов. К сильным сторонам относятся сохранённые знания и способности к рассуждению, высокая заявленная точность на MMLU и HumanEval, производительность 45–49 токенов в секунду в однопоточном режиме, prefix caching и высокая ёмкость GPU KV cache. Основное ограничение — отсутствие защитных отказов: модель может согласиться с вредоносными, незаконными или опасными запросами. Для запуска требуются совместимые сборки vLLM, две системы GB10/DGX Spark, tensor parallel и специализированная инфраструктура. Модель распространяется по лицензии MIT с наследованием условий upstream DeepSeek-V4-Flash; перед использованием необходимо проверить применимые условия лицензии.

DeepSeek V4 Flash REAP K150 Mixed NVFP4 — производная версия DeepSeek V4 Flash, подготовленная sleepyeldrazi на основе официального чекпойнта deepseek-ai/DeepSeek-V4-Flash. Это текстовая MoE-модель для генерации текста и диалогов. REAP удаляет наименее активные эксперты: в слоях 3–42 оставлено по 150 маршрутизируемых экспертов из исходного набора, что соответствует сокращению примерно на 41%; первые три слоя сохранены без такого сокращения. Дообучения не проводилось. Веса упакованы в смешанном формате: NVFP4 для gate/up проекций маршрутизируемых экспертов, Q2_K для down проекций, Q8_0 для внимания, общих экспертов и выходной головы; эмбеддинги сохранены в F16. Конверсия MXFP4 в NVFP4 описана как преобразование формата шкал без изменения значений весовых нибблов. Репозиторий содержит GGUF, однако для запуска требуется специальный движок ds4 с пользовательскими CUDA-ядрами; стандартные сборки llama.cpp и другие обычные GGUF-рантаймы модель не загружают. Калибровка ориентирована на код, вызов инструментов, исследования и поиск знаний. Карточка приводит бюджет памяти для DGX Spark, включая запуск с контекстом до 1 млн токенов при использовании FP8 KV-кэша, но точная длина контекста в метаданных не указана. Лицензия — MIT.

Dolphin-2.9.2-Phi-3-Medium-abliterated-GGUF — это квантованное в формате GGUF семейство версий языковой модели Dolphin-2.9.2-Phi-3-Medium-abliterated. Исходная модель опубликована cognitivecomputations, а квантование выполнено bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста в диалоговых и инструкционных сценариях, включая программирование, решение математических задач, работу с агентскими инструкциями и обычный чат. Указан английский язык; сведения о поддержке других языков отсутствуют. Модель основана на unsloth/Phi-3-mini-4k-instruct и обучалась на наборах Dolphin-2.9.2, OpenHermes-2.5, CodeFeedback-Filtered-Instruction, dolphin-coder, samantha-data, Orca Math, Agent-FLAN и других. Доступны варианты квантования от Q8_0 до Q2_K и IQ2/IQ3/IQ4; размер файлов составляет примерно от 4,19 до 14,83 ГБ. Более высокие уровни квантования обычно сохраняют лучшее качество, а низкие уменьшают требования к памяти ценой качества. Архитектура, точное число параметров, модальности и фактический размер контекста в README не указаны, однако название базовой модели указывает на вариант с контекстом 4K. Сильными сторонами являются локальный запуск через llama.cpp, широкий набор инструкционных и кодовых данных, а также выбор вариантов квантования для разного объёма доступной памяти. Ограничения включают возможное снижение качества у низкобитных вариантов и отсутствие подтверждённых характеристик производительности или безопасности; обозначение abliterated также указывает на модификацию исходной модели, поэтому ответы требуют проверки. Модель распространяется по лицензии MIT.

ryanu/EEVE-10.8-BOOK-v0.1 — 10,6-миллиардная плотная языковая модель семейства Llama для генерации текста. Модель дообучена методом QLoRA на 5000 примерах для краткого пересказа материалов по общественным и техническим наукам, философии, праву, искусству и другим книжным темам. В README приведены сравнения по ROUGE для задач пересказа книг и научных статей, а также таблица результатов для вопросов и ответов с использованием RAG. Модель принимает текст и генерирует текст; метаданные указывают на разговорные возможности и контекст до 4096 токенов. README предлагает шаблон для краткого пересказа главных аргументов в 3–5 предложениях без повторяющихся формулировок. Модель опубликована в формате safetensors. Лицензия и базовая модель в предоставленных сведениях не указаны.

Модель stillerman/fdt-disfluency-distilbert-66m-v3 — теггер для очистки расшифровок разговорной речи от запинок, разработанный в рамках проекта FluencyAI. Она присваивает каждому слову один из тегов KEEP, DELETE, KEEP_STRIP_COMMA или KEEP_CAPITALIZE, после чего простая процедура реконструкции собирает очищенный текст. Модель основана на DistilBERT base cased и содержит 65,2 млн параметров; контекст — до 512 токенов. Модель предназначена для обработки потоковых и готовых транскриптов: удаления слов-паразитов, повторов и других речевых сбоев с сохранением исходных формулировок, имён и чисел. В README приведены exact-match 0,9787 и DELETE-F1 0,9952; для браузерного запуска доступен квантованный int8 ONNX-вариант для transformers.js, с указанной скоростью около 10–50 мс на высказывание. Лицензия репозитория — Apache-2.0, однако обучение частично использовало DailyDialog с лицензией CC BY-NC-SA; автор рекомендует считать модель исследовательским артефактом и не применять её для коммерческого развёртывания без дополнительной проверки прав.

Модель flan-t5-large-stacked-samsum-1024 разработана на основе google/flan-t5-large и дообучена для суммаризации на наборе stacked-summaries/stacked-samsum-1024. Это текстовая модель архитектуры T5 с 385,2 млн параметров; для разделения выделенных в сводке смысловых блоков используется маркер [NEXT_CONCEPT]. Метаданные указывают контекст 512 токенов, а карточка модели заявляет максимум 1024 токена на входе и выходе. Модель предназначена для создания кратких сводок диалогов и текстов с выделением самостоятельных концепций. В карточке приведены метрики оценки на тестовой выборке SAMSum: ROUGE-1 57,96, ROUGE-2 28,74, ROUGE-L 44,38 и ROUGE-Lsum 54,04. Автор предупреждает, что SAMSum не является оптимальным набором для универсальной суммаризации, поэтому качество на других жанрах текстов может отличаться. Модель распространяется по лицензии Apache-2.0.

thealper2/flan-t5-small-sentence-compression — дообученная пользователем модель Google Flan-T5-Small для сжатия английских предложений. Она построена на архитектуре T5 encoder-decoder и решает задачу преобразования текста в более короткий текст; по метаданным, модель содержит 45,8 млн параметров, а максимальная длина контекста составляет 512 токенов. README указывает, что модель обучалась на 180 тысячах примеров датасета sentence-transformers/sentence-compression и требует префикс «compress sentence: ». Модель предназначена для создания коротких, похожих на заголовки вариантов новостных предложений. На валидационной выборке автор сообщает ROUGE-1 77,68, ROUGE-2 63,47 и ROUGE-L 77,35; в отдельном сравнении средний коэффициент сжатия составил 0,319. Эти показатели не подтверждают фактическую точность сокращений. Модель рассчитана на английский язык и стиль обучающих примеров; вход длиннее 256 токенов, включая префикс, обрезается. Распространяется по лицензии Apache-2.0.

Модель oliverguhr/fullstop-punctuation-multilingual-sonar-base разработана для восстановления знаков препинания в тексте, в том числе в расшифровках устной речи. Это многоязычная модель XLM-RoBERTa для классификации токенов с 305,2 млн параметров и контекстом до 514 токенов. Она предсказывает точки, запятые, вопросительные знаки, дефисы и двоеточия для английского, немецкого, французского, итальянского и нидерландского языков. Модель подходит для расстановки пунктуации в транскриптах и текстах без пунктуации. В карточке приведены F1-оценки для отдельных классов и отмечено, что качество зависит от знака препинания: дефисы и двоеточия часто можно заменить запятой или точкой. Обучение проводилось на политических выступлениях из Europarl, а для нидерландского использовался SoNaR, поэтому на текстах других тематик результаты могут отличаться. Лицензия — MIT.

Akahsizrr/fuse-1-Lite-MLX — сборка модели fuse-1 Lite в формате MLX для запуска на компьютерах Apple Silicon. Это разговорная модель для генерации текста и задач программирования; карточка указывает библиотеку MLX и объём 2,6 млрд параметров. Модель создана слиянием Akahsizrr/fuse-1-Lite, LiquidAI/LFM2.5-2.6B и Qwen/Qwen3.6-35B-A3B. Для запуска требуются Mac с Apple Silicon и пакет mlx-lm; в README предлагается загрузка с trust_remote_code=True. Указанная длина контекста — 131 072 токена. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает качество на конкретных задачах или подробности архитектуры и ссылается за ними на карточку основной модели.

Fx-Work — мультимодальная языковая модель класса 35B для профессиональных задач в средах с файлами и инструментами. Она разработана командой Endless Frontier на базе Qwen3.6-35B-A3B и дообучена на 20 тысячах траекторий взаимодействия с инструментами. Модель интерпретирует рабочие материалы разных типов, учитывает операционные ограничения, при необходимости формирует вызовы инструментов и создаёт результаты по заданным требованиям. Модель рассчитана на агентные рабочие сценарии: анализ документов и других материалов, выполнение последовательных задач и подготовку профессиональных результатов. Поддерживает изображения и видео вместе с текстом; карточка указывает английский язык. В README для запуска приведён контекст до 262 144 токенов. Заявленные результаты сравнительных оценок относятся к конкретным бенчмаркам и не гарантируют такого же качества в других задачах. Для работы с инструментами требуется окружающая агентная инфраструктура; сервер модели выдаёт текст и, при настройке, ответы с вызовами инструментов. Модель распространяется по лицензии Apache-2.0.