I.5Создание и редактирование текста

Экспериментальная модифицированная версия DeepSeek-R1-Distill-Llama-8B, подготовленная 3MPER0RR. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, предназначенная для диалоговой генерации текста. Базовая модель была дообучена на данных рассуждений DeepSeek-R1 и рассчитана на математические задачи, программирование и многошаговые рассуждения; в этой версии заявлена модификация abliterated. Модель принимает текст и выдаёт текст. Контекстное окно — 131 072 токена. В репозитории указаны веса Safetensors; модель распространяется по лицензии MIT. README сообщает, что версия экспериментальная и была протестирована и сохранена.

DeepSeek-V4-Flash-0731 — Abliterated — это дообученная и изменённая версия DeepSeek-V4-Flash-0731, разработанного DeepSeek. Модель предназначена для генерации текста, агентного программирования, рассуждений, инструментального вызова и работы с длинным контекстом. Это текстовая модель на архитектуре Mixture-of-Experts с 284 млрд параметров всего и примерно 13 млрд активных параметров. Она содержит 43 слоя, 256 маршрутизируемых экспертов с выбором top-6, одного общего эксперта, гибридное внимание CSA и HCA, Lightning Indexer, mHC-гиперсвязи и встроенную трёхступенчатую DSpark draft head. Нативный контекст составляет 1 048 576 токенов, в указанной конфигурации модель обслуживается с контекстом 262 144 токена. Поддерживаемые языки в README не указаны, модальность — текстовая. Модель сохраняет исходные эксперты, маршрутизаторы, эмбеддинги, нормализации, параметры mHC и компоненты инструментального вызова; изменены только проекции выходов внимания в 46 модулях. По заявлению авторов, это устраняет поведение отказа: в проведённых тестах доля отказов составила 0%, а соответствие вызовам инструментов — 100%. При этом результаты отражают ограниченные выборки и не доказывают абсолютное отсутствие отказов или ошибок. Модель позиционируется как uncensored и может отвечать на потенциально опасные запросы, поэтому требует осторожного применения и локального запуска на контролируемом оборудовании. Размер составляет около 167 ГБ, используется нативная точность FP4 и FP8 без дополнительного квантования; для указанной конфигурации требуется распределённый запуск на двух NVIDIA DGX Spark с vLLM. Лицензия — MIT. Модель ориентирована прежде всего на локальное и исследовательское использование; ограничения по безопасности и ответственность за применение лежат на пользователе.

Madan490/finetuned_multi_news_bart_text_summarisation — дообученная модель семейства BART для суммаризации текстов. Она основана на slauw87/bart_summarisation и обучена на наборе данных Multi-News, предназначенном для суммаризации новостных материалов. Модель содержит 252,8 млн параметров, использует архитектуру BartForConditionalGeneration и принимает контекст длиной до 1024 токенов. Модель подходит для создания краткого пересказа новостных текстов. В README приведены результаты оценки: ROUGE-1 — 0,4038, ROUGE-2 — 0,1389, ROUGE-L — 0,2155, ROUGE-Lsum — 0,2147; средняя длина генерации — около 139 токенов. Язык данных в карточке не указан, поэтому языковую поддержку нельзя определить. Модель опубликована в формате PyTorch под лицензией Apache-2.0.

DreamFast/gemma-3-12b-it-heretic-v2 — модифицированная версия Google Gemma 3 12B IT, созданная DreamFast с использованием Heretic v1.3.0. Модель предназначена для генерации текста и как текстовый энкодер в видеогенерации, включая сценарии LTX-2 и ComfyUI для text-to-video и image-to-video. Abliteration уменьшает количество отказов модели при сохранении исходного качества; по данным карточки, в выбранном варианте зафиксировано 8 отказов из 100 против 100 из 100 у исходной модели, а KL-дивергенция составляет 0,0801. Модель основана на архитектуре Gemma 3 с 12 млрд параметров и поддерживает текстовую и визуальную составляющие в вариантах для ComfyUI: сохранены vision_model и multi_modal_projector, необходимые для I2V-сценариев. Доступны полная версия bf16 размером около 23 ГБ, а также квантованные варианты FP8, INT8 ConvRot, INT4 W4A4 ConvRot, NVFP4 и MXFP8 размером примерно от 7,7 до 13 ГБ. Квантование выполнено с SVD-guided learned rounding для снижения потери качества; требования к оборудованию зависят от формата, включая поддержку GPU Ada и новее, а для MXFP8 и оптимального NVFP4 требуется Blackwell. В README указан английский язык. Сильные стороны модели — сниженное количество отказов, сохранение качества базовой Gemma 3 12B IT, наличие vision-компонентов и широкий выбор форматов для различных GPU. Ограничения включают зависимость возможностей и производительности от формата квантования, версии ComfyUI и оборудования; для некоторых INT4-слоёв используется bf16 из-за несовместимых размеров. Модель распространяется по лицензии Gemma.

Карточка модели dealignai/Gemma-4-12B-it-qat-MXFP4-CRACK на Hugging Face совпадает с карточкой Ishowbackup/Gemma-4-12B-it-qat-MXFP4-CRACK, поэтому описание составлено по ней. Gemma 4 12B MXFP4 CRACK — мультимодальная модель на базе Google Gemma 4 12B Instruct, опубликованная dealignai. Это дообученная и квантизированная 4-битная версия с архитектурой Gemma4 Unified и гибридным скользящим и глобальным вниманием; автор заявляет поддержку изображений и аудио, многоязычность, рассуждения и генерацию кода. Модель предназначена для диалогов, ответов на вопросы, анализа изображений и аудио, многошаговых рассуждений и генерации кода; интерфейс также поддерживает вызов инструментов. README сообщает об удалении отказов и высокой готовности отвечать на запросы из вредоносных категорий HarmBench, при заявленном сохранении результата MMLU базовой модели. Эти показатели приведены автором и не являются независимой проверкой. Для запуска автор рекомендует vMLX с поддержкой Gemma 4 на Mac с Apple Silicon; стандартные mlx_lm и mlx_vlm, согласно README, поддерживают модель не полностью. Лицензия указана как Gemma; автор позиционирует публикацию как исследовательскую и возлагает на пользователей ответственность за соблюдение законов.

MuXodious/gemma-4-26B-A4B-it-ARA-heresy — дообученная версия мультимодальной Gemma 4 26B A4B IT от Google DeepMind. Автор применил к базовой модели движок Heretic с Arbitrary-Rank Ablation, чтобы сократить число отказов; в карточке указаны 3 отказа из 104 проверок против 103 из 104 у исходной модели. Это диалоговая модель с архитектурой Gemma4, которая принимает текст и изображения и генерирует текст. Её можно использовать для визуальных вопросов и ответов, разбора документов и изображений, диалогов, программирования и рассуждений. README описывает возможности семейства Gemma 4, включая длинный контекст до 256 тысяч токенов и поддержку многих языков, однако не подтверждает отдельными данными, что все эти характеристики проверены именно для этой производной версии. Модель распространяется в формате Safetensors по лицензии Apache 2.0. Уменьшение отказов не гарантирует корректность ответов или пригодность для всех сценариев; результаты ограничены приведённой проверкой.

Gemma 4 31B MXFP4 CRACK — мультимодальная модель на архитектуре Gemma 4, опубликованная dealignai и основанная на google/gemma-4-31b-it. Это дообученная версия с удалёнными отказами, предназначенная для диалогов, ответов на вопросы, многошаговых рассуждений, генерации кода и работы с изображениями. Модель плотная, использует гибридное скользящее и глобальное внимание и квантизацию MXFP4; для запуска автор рекомендует vMLX на Apple Silicon с достаточной общей памятью. В карточке заявлены сохранение возможностей работы с изображениями и проверка генерации кода и рассуждений. По приведённым авторами оценкам, MMLU составляет 82,9% против 88,6% у базовой модели, а соответствие запросам из категорий HarmBench — 95%; это указывает на заметное снижение отказов, в том числе для опасных запросов. Метаданные указывают лицензию Gemma. Автор обозначает модель как исследовательскую; пользователю следует учитывать лицензионные условия Gemma и применимое законодательство.

Gemma 4 E4B Agentic Opus Reasoning GeminiCLI GGUF — это квантованная GGUF-версия модели на базе Gemma 4 E4B, разработанная RavenX AI. Веса объединяют результаты SFT-дообучения с паттернами рассуждений Opus 4.6, Claude Code и Gemini CLI; LoRA-адаптер слит непосредственно с моделью, поэтому отдельный адаптер и дополнительная конфигурация не требуются. Модель предназначена для диалоговых сценариев, программирования, агентных рабочих процессов и использования инструментов или функций. Она поддерживает форматы рассуждений с тегами <think>, структурированные ответы в стиле Claude и tool calling. В README также заявлена поддержка vision и мультимодальности, однако подробности о поддерживаемых типах входных данных не приведены. Указан английский язык. Модель совместима с Ollama, LM Studio и llama.cpp, а также может работать через OpenAI-совместимые локальные API. Доступны варианты квантования Q4_K_M, Q5_K_M, Q8_0 и F16 размером примерно от 2,7 до 8,3 ГБ; Q4_K_M рекомендован как баланс качества и скорости. Сильными сторонами являются встроенное агентное поведение, рассуждения и поддержка вызова инструментов без отдельного адаптера. Ограничения включают отсутствие опубликованных количественных бенчмарков, неполное описание архитектуры и контекстного окна, а также возможные потери качества из-за квантования. Модель распространяется по лицензии Gemma.

GPT-JT-6B-v1 — языковая модель Together, дообученная на базе GPT-J (6B) с использованием децентрализованного алгоритма обучения. Она предназначена для генерации текста по запросу и особенно ориентирована на задачи классификации, например определение тональности. Модель использует архитектуру GPT-J с плотной сетью и цель обучения UL2: входной запрос доступен модели с двунаправленным контекстом, а продолжение генерируется авторегрессионно. Обучение включало 3,53 млрд токенов из The Pile, Natural-Instructions, P3 и данных Chain-of-Thought. Контекст модели — 2048 токенов; в карточке указана поддержка английского языка. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Заявления карточки о сравнении с более крупными моделями относятся к классификационным бенчмаркам и сами по себе не гарантируют качество на других задачах.

GreekT5-umt5-small-greeksum — модель семейства UMT5, разработанная авторами исследования GreekT5 для автоматического составления кратких изложений новостных статей на греческом языке. Она обучена на наборе GreekSum, включающем около 151 тысячи статей из греческого новостного издания News24/7 по темам общества, политики, экономики, культуры и мировых новостей. Модель построена на архитектуре UMT5 для генерации текста по текстовому входу и содержит около 160,6 млн параметров. В опубликованной оценке на GreekSum вариант umt5-small показал ROUGE-1 25,49, ROUGE-2 12,03, ROUGE-L 21,32 и BERTScore 72,86. Эти результаты относятся к оцениванию на описанном наборе данных и сами по себе не гарантируют качество на других жанрах или источниках. Модель распространяется под лицензией Apache-2.0.

Hypa-Llama3.1-8b-SFT — созданная Hypa Intelligence многоязычная модель генерации текста на базе Meta Llama 3.1 8B Instruct. Это продолжение дообучения предыдущего чекпойнта Hypa-Llama методом SFT с LoRA/QLoRA; адаптер объединён с весами в 16-битном формате. Модель содержит 7,5 млрд параметров, использует архитектуру Llama и библиотеку Transformers. Лицензия — Apache-2.0. Модель предназначена для перевода между английским, французским, испанским и четырнадцатью языками Нигерии, определения языка, словарных объяснений, многоязычного следования инструкциям и вызова инструментов в формате Llama. В карточке перечислены 17 поддерживаемых языков; контекст обучения составляет 2048 токенов, хотя базовая конфигурация унаследовала более длинное окно контекста. К сильным сторонам относятся поддержка ряда малоресурсных языков и структурированный вывод в Markdown или JSON. Качество может заметно различаться между языками, поэтому для редких языков ответы следует проверять с носителями; JSON иногда требует исправления. Модель не проходила дополнительную настройку безопасности после SFT и не предназначена для самостоятельного применения в медицинских, юридических, финансовых и психологических сценариях.

JOSIE-1.1-4B-Thinking — плотная языковая модель с 3,7 млрд параметров, разработанная Gökdeniz Gülmez на основе Qwen3-4B-Thinking-2507. Это полновесное дообучение для многошаговых рассуждений, математики, научно-технических задач и творческого письма. Модель поддерживает чат и генерацию текста; в карточке указана работа с 13 языками, включая русский, английский, испанский, французский, немецкий, китайский и японский. Метаданные указывают контекст до 262 144 токенов, а README — до 65 536 токенов, поэтому заявленная длина контекста расходится между источниками. Модель предназначена для решения логических задач, математических вычислений, технического анализа и работы с длинными документами. В описании заявлены последовательные рассуждения и прямой стиль ответов без излишней угодливости. Лицензия — MIT. Модель не имеет встроенной фильтрации контента и может выдавать неподходящие ответы. Результаты в узкоспециализированных областях могут быть нестабильны; критически важные ответы следует проверять. README также предупреждает, что для вывода требуется достаточно мощное оборудование.

Модель Linkbricks-Horizon-AI-Nous-Hermes-3-Llama3.1-Korean-cpt-8b разработана Саксоном (Джи Юнсон), специалистом по данным компании Linkbricks. Это корейская языковая модель на архитектуре Llama, полученная продолжением предварительного обучения базовой NousResearch/Hermes-3-Llama-3.1-8B на корейских корпусах, включая около 50 миллионов новостных материалов; примерно 25% параметров были перенастроены. Модель содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена как базовая корейская модель для дальнейшей адаптации с помощью SFT и DPO. Её можно использовать для генерации текста и диалога на корейском, а также для перевода, суммаризации, ответов на вопросы и вызова инструментов. Карточка указывает на поддержку корейского function calling и tool calling. Токенизатор унаследован от базовой модели без расширения словаря. Модель распространяется в формате safetensors по лицензии Apache-2.0. Как базовый CPT-чекпойнт, она может требовать дополнительной настройки под конкретный сценарий; README не приводит количественных оценок качества или подробных результатов бенчмарков.

Llama3-DocChat-1.0-8B-GGUF — это квантизированная GGUF-версия языковой модели Llama3-DocChat-1.0-8B, разработанной Cerebras. Модель предназначена для генерации текста и диалога по содержимому документов, включая сценарии document chat. Указан английский язык. Базовый размер модели — 8B параметров; доступны варианты от F16 до различных форматов квантизации Q8, Q6, Q5, Q4, Q3 и Q2. Квантизация выполнена bartowski с использованием llama.cpp и imatrix, поддерживается запуск в LM Studio и через совместимые инструменты llama.cpp. Главное преимущество — широкий выбор вариантов с разным соотношением качества, размера и требований к оперативной памяти: версии Q6 и Q5 обеспечивают очень высокое качество, Q4 предлагают более компактный компромисс, а некоторые варианты Q4_0 оптимизированы для ARM и CPU-инференса. Ограничения README не раскрывает: не указаны размер контекста, результаты сравнительных тестов, поддержка дополнительных языков или мультимодальных входов. Лицензия обозначена как other, но её конкретные условия не приведены, поэтому перед использованием необходимо проверить лицензию исходной модели Cerebras.

QuantFactory/LLaMAX3-8B-Alpaca-GGUF — квантованная версия модели LLaMAX3-8B-Alpaca, созданная QuantFactory с использованием llama.cpp. Базовая модель разработана командой LLaMAX и основана на Llama 3 с размером около 8 миллиардов параметров. Модель предназначена для генерации текста, следования инструкциям и многоязычного машинного перевода. Модель обучалась на данных для 102 языков с целью расширить языковые возможности Llama и сохраняет способности к выполнению инструкций, полученные при дообучении на датасете Alpaca. Она поддерживает перевод между более чем 100 языками, включая русский, английский, китайский, арабский, немецкий, французский, испанский, японский и многие другие. Основная модальность — текст; размер контекста в README не указан. К сильным сторонам относятся широкое языковое покрытие и улучшенные по сравнению с LLaMA3-8B-Alpaca показатели перевода на наборе Flores-101: среднее улучшение spBLEU превышает 5 баллов. Ограничения включают отсутствие сведений о точных параметрах квантования, размере контекста и качестве для задач, не связанных с переводом; результаты также могут различаться в зависимости от языка и направления перевода. Модель распространяется по лицензии MIT.

LSG-BART-base-4096 — модель семейства BART, разработанная авторами реализации LSG и адаптированная из BART-base для задач с последовательностями текста большой длины. Она использует архитектуру encoder-decoder с локальным, разреженным и глобальным вниманием (LSG), сохраняя число параметров, слои и токенизатор исходной модели. Размер модели — 95,2 млн параметров, контекст — до 4096 токенов; реализация работает на PyTorch и для загрузки через Transformers требует доверия к пользовательскому коду репозитория. Модель предназначена для задач преобразования текста, в том числе суммаризации и классификации, и может применяться в сценариях, где входной текст длиннее обычного контекста BART. README отмечает более эффективную обработку длинных последовательностей по сравнению с Longformer (LED) и BigBird (Pegasus) из Hub. Для работы с длинными входами применяются блоки внимания; параметры блоков и шаблон разреженного внимания настраиваются, а вход автоматически дополняется до нужной длины. В карточке приведена лицензия? Условия использования не обозначены в предоставленных данных.

mskayacioglu/mbart50-xlsum — многоязычная модель для абстрактивного суммирования новостных статей, разработанная в рамках проекта samurAI. Она дообучена на 15 языковых поднаборах GEM/xlsum на основе facebook/mbart-large-50-many-to-many-mmt и использует архитектуру MBartForConditionalGeneration; размер — 457,4 млн параметров. Модель предназначена для создания кратких сводок новостей и интеграции в конвейеры обработки новостных лент с проверкой человеком. Модель поддерживает арабский, китайский, английский, французский, хинди, индонезийский, японский, корейский, персидский, португальский, русский, испанский, турецкий, украинский и вьетнамский языки. Контекст — до 1024 токенов, однако при обучении и оценке статьи обрезались до 512 токенов. Весовые файлы доступны в формате safetensors. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных материалов на той же лицензии, но запрещает коммерческое использование. Модель подходит для подготовки черновых сводок новостных статей и сравнительных исследований многоязычного суммирования. Она может выдумывать факты, имена, даты, числа и причинно-следственные связи; результаты оценки охватывают 11 языков, поэтому качество на остальных языках этими результатами не подтверждено. Перед публикацией сводки следует сверять с исходной статьёй; качество может снижаться на текстах вне новостного корпуса BBC и в специализированных областях.

IlyaGusev/mbart_ru_sum_gazeta — русскоязычная модель автоматического суммирования новостных статей, портированная из fairseq. Она основана на архитектуре mBART и содержит 457,4 млн параметров; модель принимает текст и генерирует краткое текстовое изложение. Обучение и оценка проводились на новостном датасете Gazeta, с максимальной длиной входа 600 токенов в указанных экспериментах и контекстным окном 1024 токена по метаданным. Модель предназначена прежде всего для суммирования статей Gazeta.ru. В тестах на версиях датасета Gazeta она показала ROUGE-1 F1 32,4 и 28,7 соответственно. На материалах других изданий возможно ухудшение качества из-за различий домена. Лицензия — Apache-2.0.

knkarthick/MEETING-SUMMARY-BART-LARGE-XSUM-SAMSUM-DIALOGSUM — модель на архитектуре BART, созданная дообучением facebook/bart-large-xsum. Она предназначена для суммаризации встреч и диалогов, в том числе в сценариях, связанных с датасетами SAMSum и DialogSum. Модель содержит 252,8 млн параметров и принимает текст с контекстом до 1024 токенов, выдавая краткое текстовое резюме. Модель ориентирована на англоязычные входные данные. Репозиторий включает веса PyTorch и SafeTensors, а также формат TensorFlow. Лицензия — Apache-2.0. Карточка сообщает о дообучении базовой модели, но не приводит оценок качества или подробностей о данных обучения и поведении на длинных либо иных языковых входах.

Карточка модели openbmb/MiniCPM-2B-sft-fp32-llama-format на Hugging Face совпадает с карточкой openbmb/MiniCPM-2B-sft-fp32, поэтому описание составлено по ней. MiniCPM-2B-sft-fp32 — версия языковой модели MiniCPM-2B после instruction fine-tuning (SFT), представленная в формате FP32. Её разработали ModelBest и лаборатория обработки естественного языка Университета Цинхуа. Модель построена на архитектуре MiniCPMForCausalLM, содержит 2,7 млрд параметров и предназначена для генерации текста и диалоговых ответов на английском и китайском языках. Максимальная длина контекста — 4096 токенов. Модель подходит для диалоговых систем, ответов на вопросы, а также генерации текстов, кода и решений математических задач. Разработчики отмечают её компактный размер и возможность развёртывания на устройствах с ограниченными ресурсами после квантизации; этот репозиторий содержит веса FP32. В карточке указана лицензия other, а README сообщает об открытых весах для академических исследований и ограниченного коммерческого использования. Известные ограничения — склонность к галлюцинациям, зависимость ответов от формулировки запроса и вариативность результатов при повторных попытках; знания модели могут быть неточными. Качество генерации в Transformers, по сообщению авторов, может быть ниже, чем при использовании vLLM.

Dingdust/MiniCPM5-1B-heretic — текстовая генеративная модель на базе MiniCPM5-1B, изменённая методом abliteration для снижения склонности к отказам. В карточке приведено сравнение: доля отказов снизилась с 97 до 7 из 100, а KL-дивергенция относительно исходной модели составляет 0,0253. Модель сохраняет архитектуру LlamaForCausalLM и контекстное окно 131 072 токена; метаданные указывают 837,6 млн параметров и формат Safetensors. Модель предназначена для локальных диалоговых ассистентов, генерации кода, рассуждений и сценариев с использованием инструментов. Исходная карточка MiniCPM5-1B описывает режимы быстрого ответа и пошагового рассуждения, однако метаданные этого репозитория подтверждают только генерацию текста и чат; отдельная проверка tool calling для данной версии не приведена. Языковые теги — английский и китайский. Репозиторий распространяется по лицензии Apache-2.0. Снижение отказов может повысить вероятность ответа на запросы, на которые исходная модель отказалась бы отвечать, но не гарантирует точность или безопасность результата. Модель может выдавать неточную, предвзятую или небезопасную информацию; ответы следует проверять, особенно перед применением в ответственных сценариях.

MJPansa/MiniMax-M2.7-REAP-172B-A10B-AutoRound-W4A16 — экспериментальная сжатая и квантизированная версия модели семейства MiniMax-M2, разработанная на основе MiniMaxAI/MiniMax-M2.7. Это текстовая генеративная модель для продолжения текста, диалогов, программирования и других задач обработки естественного языка; предусмотрена интеграция с vLLM и Hugging Face Transformers. Заявленный язык — английский. Модель использует архитектуру Mixture-of-Experts: 62 трансформерных слоя, 192 эксперта на слой после сокращения исходных 256 экспертов на 25%, top-8 маршрутизацию, скрытый размер 3072, 48 attention heads и 8 KV heads. Всего около 172 млрд параметров, из которых примерно 10 млрд активируются на токен. REAP применён для pruning экспертов, а AutoRound — для квантизации весов в формате W4A16 с 4-битными весами, 16-битными активациями и group size 128. Размер checkpoint составляет около 86 GiB; заявлена поддержка контекста до 32768 токенов при использовании соответствующей конфигурации сервера. Сильная сторона модели — существенно уменьшенный размер и возможность запуска на одной NVIDIA GB10/DGX Spark с 128 GiB unified memory, а также на CUDA GPU с kernels Marlin или GPTQ-Marlin W4A16. Ограничения связаны с экспериментальным статусом: pruning и калибровка выполнены всего на 64 последовательностях длиной 512 токенов из evol-codealpaca-v1, поэтому качество ещё оценивается и может уступать исходной модели. Для Transformers требуется trust_remote_code=True. Модель распространяется по лицензии MiniMax M2.7, обозначенной в README как minimax-m2.7-license.

Модель разработана Labagaite и представляет собой дообученную инструктивную Mistral 7B для суммаризации французских транскрипций аудиоподкастов. Она предназначена для создания кратких изложений транскриптов и может применяться в инструментах подготовки отчётов по встречам. Обучение проводилось на наборе fr-summarizer-dataset объёмом 1,97 тыс. обучающих и 440 проверочных примеров в формате диалога ChatML. Модель построена на архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и имеет контекст до 32 768 токенов. Это текстовая модель: она принимает текст транскрипта и генерирует текстовое резюме. Опубликованные веса представлены в safetensors; модель дообучена от unsloth/mistral-7b-instruct-v0.2-bnb-4bit и загружена как 16-битная версия. Лицензия — Apache-2.0.

BoddyGus/mt5-small-finetuned-books-summarization — модель, дообученная на базе многоязычной Google mT5-small для суммаризации книг. Она использует архитектуру MT5ForConditionalGeneration и содержит 157,4 млн параметров; веса опубликованы в формате Safetensors. Модель предназначена для преобразования текста книги в краткое изложение. В карточке приведены результаты оценки: Loss 3,4465, ROUGE-1 10,6276, ROUGE-2 3,4285, ROUGE-L 10,246 и ROUGE-Lsum 10,2954. Датасет для дообучения обозначен как None, поэтому по карточке нельзя установить, на каких данных обучалась модель. Лицензия — Apache-2.0.

Это дообученная модель Google mT5-small для суммаризации персидских новостей. Она построена на архитектуре encoder-decoder MT5 и содержит 157,4 млн параметров; модель принимает текст и генерирует его краткое изложение. Базовая модель — google/mt5-small, а веса доступны в формате safetensors. Модель предназначена для автоматического составления кратких пересказов новостных текстов на персидском языке. Она распространяется по лицензии Apache-2.0. В карточке не приведены сведения о контексте, обучающих данных и оценке качества, поэтому результат стоит проверять на целевых новостных материалах.

Nemotron-Flash-1B — базовая языковая модель компании NVIDIA из семейства компактных гибридных моделей Nemotron-Flash. Она использует плотную архитектуру NemotronFlashForCausalLM с гибридными операторами, подобранными эволюционным поиском, и нормализацией весов на этапе обучения; размер модели — 520,1 млн параметров, длина контекста — до 36 000 токенов. Модель предназначена для генерации текста и применения в сценариях, где важны задержка и пропускная способность, включая математические задачи, программирование и рассуждения на общеизвестные темы. В README NVIDIA сообщает о сравнительных результатах на задачах математики, кода и здравого смысла, а также об ускорении инференса относительно некоторых небольших моделей. Для запуска приведены примеры с Transformers и CUDA Graph; в README также упоминается интеграция с TRT-LLM AutoDeploy. Это базовая модель, а не вариант Instruct, поэтому её поведение в диалоге может требовать дополнительной настройки. В метаданных указана лицензия other; конкретные условия использования следует сверить с лицензией и документами репозитория.

NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16 — языковая модель общего назначения от NVIDIA для диалога, рассуждений и генерации текста. Это эталонные веса в формате BF16, предназначенные прежде всего для дообучения, адаптации к предметным областям, исследований и подготовки собственных квантованных вариантов. Модель готова к коммерческому использованию; в карточке лицензия указана как other. Архитектура — гибридная Mixture-of-Experts с чередованием слоёв Mamba-2 и MoE и отдельными слоями Attention; также используются слои Multi-Token Prediction. В README заявлены 30 млрд параметров всего и 3 млрд активных, а в метаданных каталога — 1,9 млрд параметров. Модель поддерживает контекст до 262 144 токенов по метаданным; README указывает до 1 млн токенов для отдельных конфигураций оборудования. Основной язык — английский; также поддерживаются испанский, французский, немецкий, итальянский и японский, а README дополнительно описывает посттренировочные данные на китайском. Модель предназначена для настройки под пользовательские данные с помощью SFT, RL или дистилляции, а также для оценки и генерации текста в чат- и агентных сценариях. Полноточный вариант требует значительных ресурсов для инференса: README приводит 256K контекста для одной H100 80 GB и конфигурации до 1 млн токенов на более мощном оборудовании. Для более быстрой производственной генерации NVIDIA рекомендует отдельную NVFP4-версию.

Orion T2 Mini SFT — экспериментальный диалоговый ассистент Project Prism на архитектуре Orion T2, опубликованный Refract Labs. Это плотная причинно-языковая модель примерно на 219 млн параметров, дообученная методом SFT на 700 тысячах примеров: 60% общих и диалоговых, 20% математических и 20% связанных с программированием. Модель предназначена для генерации ответов, следования инструкциям, общения, решения математических задач и помощи с кодом. Для диалога используется встроенный шаблон чата Transformers с текстовыми маркерами ролей. В текущем слое совместимости Transformers кэширование отключено, поэтому при генерации каждого токена префикс вычисляется заново. Модель экспериментальная; заявленные архитектурные особенности следует оценивать на сопоставимых тестах. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

palmyra-mini-thinking-AIO-GGUF — набор GGUF-вариантов семейства Palmyra Mini, разработанного Writer и опубликованного в формате GGUF пользователем или организацией prithivMLmods. В состав входят варианты palmyra-mini, palmyra-mini-thinking-a и palmyra-mini-thinking-b с разными уровнями квантования: от Q2_K до Q8_0, а также BF16, F16 и F32. Модель предназначена для генерации текста, программирования и решения математических задач на английском языке. Сильной стороной семейства является рассуждение в задачах с пошаговым решением: заявлены результаты 0,818 на GSM8K и MATH500, а также 0,6 на AMC23. Это делает модели подходящими для учебной математики, количественного анализа, ответов на вопросы и задач, связанных с кодом. Доступны файлы размером примерно от 676 МБ до 7,11 ГБ в зависимости от варианта и точности. README не содержит сведений об архитектуре, числе параметров, размере контекста, поддерживаемых дополнительных модальностях или сравнении качества между вариантами, поэтому эти характеристики нельзя определить. Распространение указано по лицензии Apache-2.0.

mhmdrza9789/pegasus-samsum-summarizer — модель на архитектуре Pegasus, дообученная на наборе SAMSum на базе google/pegasus-cnn_dailymail. Она предназначена для создания кратких сводок повседневных диалогов на английском языке. Модель решает задачу суммаризации текста и доступна в формате safetensors; окно контекста составляет 1024 токена. Лицензия — MIT.