I.5Создание и редактирование текста

Nous-Yarn-Llama-2-13b-64k — языковая модель семейства Llama 2, разработанная NousResearch и дополнительно обученная на длинных текстах. Модель содержит 12,9 млрд параметров и рассчитана на контекст до 65 536 токенов. Модель продолжительно обучали на подмножестве набора PG19, чтобы улучшить работу с длинным контекстом. Она предназначена для генерации текста и сценариев, где нужно учитывать большие документы или последовательности текста. Это базовая языковая модель, а не специализированная инструкция-модель. Веса представлены в формате PyTorch; для корректной работы README указывает требование Flash Attention 2. Лицензия в предоставленных данных не указана.

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.

Zion_Alpha_Instruction_Tuned — дообученная для следования инструкциям языковая модель автора SicariusSicariiStuff на архитектуре Mistral 7B. Она предназначена для диалога и генерации текста, включая перевод между английским и ивритом. По карточке модель показала результат 84,05 на SNLI для иврита; автор заявляет, что на момент публикации это был лучший результат среди открытых моделей, однако независимая проверка в карточке не приведена. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка описывает версии FP16 и GGUF; в метаданных указан формат safetensors. Модель рассчитана прежде всего на иврит, также поддерживает английский. Лицензия — Apache 2.0. Автор отмечает, что токенизатор базовой модели не менялся. Карточка содержит ограниченные сведения об обучении и оценке, поэтому заявленный результат не гарантирует качества на других задачах; настройки генерации в README приведены как рекомендация автора.

AfriqueGemma-12B — базовая причинная языковая модель из набора AfriqueLLM, разработанного для улучшения работы с африканскими языками. Она основана на google/gemma-3-12b-pt и адаптирована продолженным предобучением примерно на 26 млрд токенов; размер модели — 12 млрд параметров, нативный контекст — 8192 токена. Модель распространяется в формате safetensors и рассчитана на использование через Transformers. Модель предназначена для генерации текста и диалоговых сценариев на 20 африканских языках, а также сохраняет возможности для высокоресурсных языков, использованных при смягчении катастрофического забывания: английского, французского, португальского и арабского. Обучающие данные включают многоязычные тексты, код, математику и синтетические материалы; среди оценочных задач — понимание, рассуждение и перевод между английским и целевыми языками. Для развёртывания в README упомянуты vLLM и SGLang. Модель подходит для создания многоязычных ассистентов и генерации текста на африканских языках, однако качество может различаться между языками и задачами; опубликованные фрагменты таблиц не дают полной картины результатов. Лицензия — CC BY 4.0.

AIFT-ko-orca-plat-Yi-ko-6b-v1.8 — корейская инструктивная языковая модель семейства Llama, опубликованная AIFT. Модель дообучена методом LoRA на базе открытых наборов KOR-OpenOrca-Platypus и примерно 40 тысяч примеров, собранных или подготовленных для обучения; базовая модель в доступных сведениях не названа. Модель предназначена для генерации ответов на инструкции и задач на корейском языке, включая вопросы по истории, науке и математике, машинное чтение, анализ отзывов, суммаризацию, грамматику и перевод между корейским и английским. В карточке указаны 5,9 млрд параметров, архитектура Llama с плотной causal language model, контекст 2048 токенов и формат safetensors. README сообщает, что обучающие данные закрыты; автор также отмечает, что часть данных MMLU была удалена из-за снижения качества в предыдущей версии. Модель распространяется по лицензии CC-BY-SA-4.0.

AIFT-ko-orca-plat-Yi-ko-6b-v2.1 — корейская инструктивная языковая модель AIFT на архитектуре Llama с 5,9 млрд параметров и контекстом 2048 токенов. Её дообучили методом LoRA на примерно 40 тысячах примеров, отобранных и очищенных из KOR-OpenOrca-Platypus и дополненных собственными данными. Обучение проводилось на двух ускорителях A100 по 40 ГБ. Модель предназначена для ответов на вопросы и выполнения инструкций: в обучающие данные вошли задания по истории, естественным наукам, математике, машинному чтению, анализу отзывов, суммаризации, грамматике и переводу между английским и корейским. Карточка также упоминает вопросы на проверку распространённых заблуждений и простые школьные задания по науке и математике. Репозиторий использует формат safetensors; лицензия — CC BY-SA 4.0. Данные обучения закрыты, поэтому состав и качество примеров независимо проверить нельзя.

AriannaV6 — мультимодальная модель для диалогов и агентных сценариев, разработанная независимым автором и дообученная на базе Google Gemma 4 12B. QLoRA-адаптер обучен на вызове инструментов, устойчивой идентичности и поведении с долговременной памятью, а затем объединён с весами модели. Архитектура gemma4_unified обрабатывает текст, изображения и аудио; заявленная длина контекста — до 262 144 токенов. Доступны объединённые веса Safetensors и варианты GGUF, включая квантизированные сборки. Модель предназначена для универсального помощника, рабочих процессов с инструментами и роли рассуждающего ядра в мультимодальных системах. По описанию автора, V6 исправляет часть потери знаний и здравого смысла в предыдущих версиях, но уступает базовой Gemma на отдельных проверках знаний и общих рассуждений. Голосовой ввод-вывод и генерация изображений или видео в веса не встроены: для них нужны отдельные компоненты. Лицензия CC-BY-NC-SA-4.0 требует указания авторства и распространения производных на тех же условиях и ограничивает коммерческое использование.

Bloom-1b7-dialogsum-IT-baseline — дообученная инструктивная версия многоязычной авторегрессионной модели BigScience BLOOM-1b7. Модель предназначена для суммаризации диалогов по инструкции и генерирует текст в ответ на текстовый запрос. Архитектура — плотная языковая модель BloomForCausalLM с 2,1 млрд параметров; длина контекста — до 4096 токенов. Карточка указывает на обучение на датасете для суммаризации диалогов, но не приводит подробностей о данных, оценке качества или ограничениях. Модель распространяется под лицензией bigscience-bloom-rail-1.0.

CataLlama-v0.2-Instruct-DPO — языковая модель Laurentiu Petrea на архитектуре Llama 3, дообученная методом DPO на наборе catallama/Catalan-DPO-V2 поверх CataLlama-v0.2-Instruct-SFT. Это авторегрессионный трансформер с 7,5 млрд параметров и контекстом до 8192 токенов, предназначенный для диалогов и выполнения инструкций преимущественно на каталанском языке. Модель подходит для извлечения информации из документов, в том числе в сценариях RAG, распознавания именованных сущностей, перевода между каталанским и английским, краткого и развернутого суммирования, анализа тональности и чата. Карточка сообщает об улучшении владения каталанским языком; также приведены результаты бенчмарков MMLU и GSM8K. Модель использует шаблон запросов Llama 3 Instruct. Модель распространяется по лицензии Llama 3. Авторы указывают, что она создана для демонстрации методов адаптации LLM к новым языкам и сохранения языков с малым числом ресурсов. В карточке также приведено ограничение лицензии Llama 3 на использование модели в языках, отличных от английского, и отдельно отмечено, что разработчики могут дообучать модели для других языков при соблюдении условий лицензии и Acceptable Use Policy.

Smilesjs/chemsmart-qwen2.5-coder-3b-instruct-v7 — дообученная Smilesjs модель семейства Qwen2 для генерации текста. Она основана на unsloth/Qwen2.5-Coder-3B-Instruct-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL. Модель содержит 3,1 млрд параметров, имеет контекст до 32 768 токенов и рассчитана на текстовые диалоги; в метаданных указана поддержка английского языка. Модель можно применять для генерации ответов и кода в интерактивных сценариях. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает специальную химическую настройку, качество на задачах или результаты оценки, поэтому название репозитория само по себе не подтверждает пригодность для химических сценариев.

unsloth/DeepSeek-R1-0528-Qwen3-8B-unsloth-bnb-4bit — это 4-битная версия модели DeepSeek-R1-0528-Qwen3-8B, опубликованная Unsloth и основанная на модели DeepSeek AI. Модель предназначена для диалоговых сценариев и задач, требующих рассуждений, включая математику, программирование и общую логику. Она поддерживает режимы с рассуждением и без него и работает через библиотеку Transformers. Модель имеет размер 8B параметров, однако README не содержит подробностей об архитектуре, поддерживаемых языках, модальностях и размере контекста. По заявленным данным, обновление DeepSeek-R1-0528 улучшает глубину рассуждений и результаты на сложных задачах; в частности, точность на AIME 2025 выросла до 87,5%. Для режима рассуждений не рекомендуется использовать жадное декодирование, поскольку это может снижать качество и приводить к повторениям. Для запуска требуется соблюдать рекомендованный шаблон чата и параметры генерации. Модель распространяется под лицензией MIT. README не приводит подробностей о возможных ограничениях качества, безопасности или применимости в критически важных сценариях.

Valdemardi/DeepSeek-R1-Distill-Llama-70B-AWQ — квантованная версия модели DeepSeek-R1-Distill-Llama-70B, основанной на DeepSeek-R1 и разработанной командой DeepSeek AI. Модель относится к большим языковым моделям для задач рассуждения и создана посредством дистилляции: в меньшую плотную модель перенесены образцы и паттерны рассуждений, полученные от DeepSeek-R1. В README также указано, что семейство DeepSeek-R1 ориентировано на задачи математики, программирования и общего логического рассуждения, а исходная модель демонстрировала результаты, сопоставимые с OpenAI o1 в этих направлениях. Представленная сборка использует 4-битное AWQ-квантование, выполненное с помощью AutoAWQ 0.2.8, с group size 128, zero point и режимом GEMM. Это снижает требования к памяти и делает запуск крупной 70B-модели более доступным, однако может сопровождаться потерей точности по сравнению с полноразмерной версией; конкретные результаты для этой сборки в README не приведены. Архитектура, размер контекста, поддерживаемые языки и модальности отдельно не указаны, поэтому подтверждённо описать можно только текстовый LLM-сценарий. Модель распространяется по лицензии llama3.3; README также ссылается на Model Agreement для лицензии модели. Условия лицензии следует проверить перед коммерческим или иным ответственным использованием.

SirSahOl подготовил конверсию DeepSeek-R1-Distill-Qwen-1.5B в формат MLX для запуска на компьютерах Apple Silicon. Это плотная причинно-языковая модель семейства Qwen2 с 1,5 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие. Исходная модель дообучена DeepSeek на примерах рассуждений; её сильные стороны включают решение задач на рассуждение, математику и программирование. Заявленная длина контекста — 131 072 токена. Репозиторий содержит веса safetensors в 16-битном представлении и использует библиотеку MLX. Версия 16-bit рассчитана на устройства Apple Silicon с большим объёмом памяти; для компактных систем автор README рекомендует варианты с меньшей разрядностью. В README приведены замеры на Apple M1 с 8 ГБ памяти, но эти результаты относятся к указанной конфигурации. Модель распространяется по лицензии MIT.

DeepSeek-R1-Distill-Qwen-32B-3MPER0RR-abliterated — экспериментально модифицированная версия модели DeepSeek-R1-Distill-Qwen-32B от 3MPER0RR. Это плотная авторегрессионная языковая модель семейства Qwen2 для генерации текста и диалогового взаимодействия. В метаданных указаны 32 млрд параметров и контекст до 131 072 токенов; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации ответов и ведения диалога. Автор сообщает, что модель модифицирована методом «abliteration», протестирована и сохранена; подробности метода, тестирования и измерений качества в карточке не раскрыты. Основа — DeepSeek-R1-Distill-Qwen-32B, дистиллированная модель на базе Qwen2.5, ориентированная на рассуждения, математику и программирование. Лицензия — MIT.

DeepSeek-R1-Distill-Qwen-7B-bnb-4bit — это 4-битно квантованная версия модели DeepSeek-R1-Distill-Qwen-7B, опубликованная Unsloth и основанная на базовой модели deepseek-ai/DeepSeek-R1-Distill-Qwen-7B. Модель относится к семейству плотных языковых моделей Qwen, дистиллированных из DeepSeek-R1, и предназначена для исследовательских и прикладных задач, требующих рассуждений, включая решение математических задач, программирование, анализ и генерацию текста. В README также упоминается применение для диалоговых сценариев и текстового завершения через экосистему Transformers и инструменты Unsloth. Модель имеет размер 7B параметров и поддерживает английский язык; другие языки и мультимодальные возможности в предоставленных данных не указаны. Суффикс bnb-4bit указывает на 4-битное представление в формате, связанном с bitsandbytes, что снижает требования к памяти и делает запуск доступнее на ограниченных по ресурсам GPU, однако может сопровождаться компромиссом между качеством и точностью по сравнению с полной точностью. Архитектурные детали и размер контекста в README не приведены. Сильной стороной модели являются возможности рассуждения, унаследованные от DeepSeek-R1 и дистиллированные в компактную 7B-модель, а также более экономичное потребление памяти благодаря квантованию. Ограничения включают возможные ошибки, недостаточную читаемость или смешение языков, характерные для reasoning-моделей и упомянутые в контексте исходного семейства; конкретные результаты для этой версии не указаны. Модель распространяется по лицензии Apache-2.0.

unsloth/DeepSeek-V3-0324-GGUF-UD — это набор динамически квантованных версий DeepSeek-V3-0324, подготовленный Unsloth на базе модели deepseek-ai/DeepSeek-V3-0324 в формате GGUF. Модель предназначена для локального запуска через llama.cpp, LM Studio, Open WebUI и другие совместимые фреймворки инференса. В метаданных указано, что основной язык модели — английский. Доступны варианты с эффективной разрядностью от 1,78 до 4,5 бит и размером файлов примерно от 192 до 384 ГБ. Квантизация Dynamic v2.0 выполняется выборочно; в README заявлено, что это позволяет сохранить более высокую точность по сравнению со стандартными методами квантизации. Модель использует архитектуру MoE, что отражено в описании разрядности компонентов смеси. Версии 2,42 бит IQ2_XXS и 2,71 бит Q2_K_XL рекомендованы как наиболее удачные по соотношению производительности и размера; для запуска желательно иметь не менее 180 ГБ совокупной VRAM и RAM. Сильными сторонами являются возможность локального использования крупной модели в распространённых GGUF-фреймворках и оптимизированная динамическая квантизация. Ограничениями выступают чрезвычайно высокие требования к памяти и большой объём файлов. Варианты IQ1_S и IQ1_M обозначены как предварительные: по результатам тестирования они обычно работают нормально, но иногда хуже справляются с генерацией кода. В метаданных указана лицензия MIT.

Sachin21112004/distilbart-news-summarizer — англоязычная модель для создания кратких пересказов новостных статей, разработанная на базе DistilBART и дообученная на новостных и финансовых текстах. Она предназначена для автоматического суммирования журналистских материалов, рыночных новостей, отчетов о доходах и экономических публикаций. Модель использует архитектуру encoder-decoder BART с 252,8 млн параметров и контекстом до 1024 токенов. Карточка указывает на обучение на данных CC-News и наборах финансовых новостей; README описывает ее как ориентированную на новостной стиль и финансовую терминологию. Она формирует краткий текстовый пересказ, однако заявления README о размере обучающих данных, точности и скорости не подтверждены метаданными. Лицензия репозитория — AGPL-3.0.

Ektome-Qwen2.5-Coder-7B-Instruct-PristinelyUncensored — текстовая instruction-модель, разработанная Zynerji на основе Qwen/Qwen2.5-Coder-7B-Instruct. Она предназначена для генерации текста и решения задач программирования, следования инструкциям, рассуждений, арифметики и работы с общими знаниями. В README указана поддержка английского языка и размер 7B параметров; сведения о длине контекста и мультимодальности не приведены. Модель подвергнута процедуре Ektome, которая, согласно описанию, удаляет компонент, связанный с отказами, без дополнительного обучения и с сохранением общих возможностей. Для неё заявлен сертифицированный результат PASS в сравнении с исходной моделью на 2800 примерах: проверялись арифметика, следование инструкциям, знания и рассуждения, при пределе ухудшения 3%. Доступны GGUF-квантизации от 3 до 8 бит, включая варианты с imatrix. Модель является uncensored и по замыслу не отказывается от запросов, поэтому не предоставляет встроенных гарантий безопасности; ответственность за применение лежит на пользователе. Сертификат подтверждает только сохранение возможностей и не гарантирует безопасность, фактическую точность или пригодность для конкретных задач. Для модели не записаны отдельные проверки качества генерации и receipt по compliance/MMLU. Лицензия — Apache-2.0.

EVA-Qwen2.5-72B-v0.0 — плотная языковая модель на 71,5 млрд параметров, созданная Kearm и Auri полным дообучением Qwen/Qwen2.5-72B. Она предназначена для ролевых диалогов и написания историй, а также подходит для творческой генерации и структурированного письма. В обучении использованы синтетические и естественные данные, включая наборы для инструкций, письма и ролевых персонажей. Модель принимает текст и генерирует текст, поддерживает ChatML и контекст до 131 072 токенов. Карточка рекомендует обычный KV-кэш f16: квантованный KV-кэш может ухудшать качество вывода. При слишком высоких значениях штрафов иногда появляются повторяющиеся последовательности символов «â€”»; автор предлагает блокировать токен 158. Лицензия указана как other, конкретные условия в карточке не приведены.

BruceNju/finetuned-t5-cnn_dailymail — компактная модель T5, дообученная на наборе CNN/DailyMail 3.0.0 для создания кратких пересказов новостных статей. Она содержит 38,5 млн параметров, построена на архитектуре T5ForConditionalGeneration и принимает текст длиной до 512 токенов, выдавая текстовое резюме. На оценочной выборке указаны ROUGE-1 34,68, ROUGE-2 13,99, ROUGE-L 24,78 и ROUGE-Lsum 32,05. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Карточка не сообщает о поддерживаемых языках и дополнительных ограничениях качества или применения.

philschmid/flan-t5-base-samsum — модель на базе google/flan-t5-base, дообученная разработчиком philschmid на наборе диалогов SAMSum. Она предназначена для суммаризации переписок и разговоров: на вход подаётся текст диалога, на выходе — краткое резюме. Модель использует архитектуру T5 и содержит 123,8 млн параметров; максимальная длина контекста — 512 токенов. Доступны веса PyTorch. На оценочном наборе указаны значения ROUGE-1 47,24, ROUGE-2 23,51 и ROUGE-L 39,63. Карточка не описывает поддержку языков и не приводит иных ограничений или рекомендаций по применению. Лицензия — Apache-2.0.

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.

Gemma 4 31B JANG4M CRACK — это модифицированная версия Gemma 4 31B IT от dealignai. Модель представляет собой плотную 60-слойную мультимодальную архитектуру с чередованием скользящего и глобального внимания; она предназначена для диалога, рассуждений, генерации кода и обработки изображений. В README автор сообщает о сохранении визуальных возможностей и результатов MMLU на уровне 86,8% после модификации, а также о значительном снижении отказов на тестах HarmBench. Веса представлены в формате Safetensors с квантизацией JANG_4M: 8-битное внимание и 4-битные MLP. Для запуска автор рекомендует vMLX с поддержкой Gemma 4 на Mac с Apple Silicon и достаточным объёмом объединённой памяти; стандартные mlx_lm и mlx_vlm поддерживают модель не полностью. Лицензия — Gemma. README позиционирует выпуск как исследовательский и возлагает на пользователей ответственность за соблюдение применимых законов.

Gemma-4-31B-JANG_4M-Uncensored — модифицированная dealignai модель Gemma 4 Dense на 31 млрд параметров, созданная на основе google/gemma-4-31b-it. По README, авторы применили abliteration для снижения отказов и смешанную точность: веса внимания и эмбеддинги хранятся в 8 битах, а большинство весов MLP — в 4 битах; заявленный размер — около 18 ГБ. Архитектура включает 60 слоёв и гибридное скользящее и глобальное внимание. В README также сказано, что vision encoder сохранён в float16, однако карточка позиционирует модель как генеративную чат-модель. Модель предназначена для диалогов, написания кода и ответов на общие вопросы; авторы отдельно демонстрируют выполнение запросов по кибербезопасности и другим темам, на которые обычные модели могут отказывать. Для запуска указаны vMLX или совместимый MLX движок с поддержкой Gemma 4; README рекомендует Apple Silicon с 24 ГБ или более объединённой памяти. Внутренние тесты авторов показывают высокую долю выполнения запросов из HarmBench, но это результаты самого разработчика, и они не гарантируют качество или поведение на других запросах. Лицензия указана как gemma; подробные условия следует сверить с лицензией Gemma.

Glistening-Gem-31B-v2.1 — творческая мультимодальная модель на 31 млрд параметров, созданная sophosympatheia как слияние нескольких моделей Gemma 4 и их производных. Она предназначена прежде всего для диалогов и создания выразительной прозы; поддерживает работу с изображениями и текстом. Репозиторий использует архитектуру Gemma4ForConditionalGeneration, формат safetensors и библиотеку Transformers. Модель подходит для творческого письма, ролевых диалогов и генерации художественного текста. По карточке, в сравнении с предыдущей версией она улучшает креативность и прозу. Иногда модель соединяет слова без пробела или допускает опечатки; режим рассуждений Gemma 4 автор не рекомендует из-за возможного ухудшения связности. Распространяется по лицензии Apache 2.0.

Huginn-0125 — экспериментальная языковая модель исследовательской группы TomG Group при University of Maryland. Это плотная decoder-only модель на 3,5 млрд параметров, обученная с нуля на 800 млрд токенов и реализованная как рекуррентная модель с латентной глубиной: при генерации можно задавать число итераций вычислений num_steps, увеличивая глубину обработки без фиксированного числа слоёв. Модель работает с текстом, поддерживает диалоговый шаблон и ориентирована на генерацию текста, рассуждения, математические задачи и код. Модель обучалась 47 000 шагов на открытых данных и не проходила дообучение или постобучение, хотя в предварительное обучение включались инструкции. Авторы характеризуют её как proof of concept; увеличение num_steps улучшает результаты на бенчмарках примерно до 64 шагов, а при числе меньше четырёх ответы становятся грубыми. Для инференса рекомендуется bfloat16; для кэширования KV требуется специальная реализация HuginnDynamicCache, которая может быть чувствительна к обновлениям Transformers. Доступна по лицензии Apache-2.0.

Index-Translate-2B — компактная мультиязычная модель перевода с 2 млрд параметров от команды Index, построенная на архитектуре Qwen3.5. Она переводит текст между 150 языками и следует инструкциям о терминологии, стиле, контексте, формате и длине результата. Модель предназначена для перевода предложений, статей, субтитров, структурированных данных и выражений из интернет-сообществ, включая мемы и нестандартное написание. Модель также поддерживает перевод изображений в текст без отдельного внешнего OCR, используя визуальные энкодеры mmproj. Для перевода можно задавать строгие глоссарии и сохранять JSON, CSV, Markdown, блоки кода и заполнители. В техническом отчёте приведены результаты сравнительных оценок на переводческих тестах; они относятся к указанным наборам данных и условиям проверки. Модель опубликована в формате safetensors под лицензией Apache-2.0. В описании указано, что она основана на Qwen3.5 и прошла специализированное обучение для перевода, включая настройку с учётом следования инструкциям и целевую дистилляцию.

Index-Translate-35B-A3B-preview — предварительная многоязычная модель перевода семейства Index-Translate, разработанная IndexTeam на базе Qwen3.5. Это модель типа mixture-of-experts с 35 млрд общих и примерно 3 млрд активных параметров. Она предназначена для перевода текстов между 150 языками и учитывает инструкции о терминологии, стиле, контексте, форматировании, структуре и длине ответа. Модель подходит для перевода статей, субтитров, структурированных данных и культурно обусловленных выражений, включая мемы и разговорные варианты написания. Вариант с визуальными энкодерами mmproj поддерживает перевод текста на изображениях без отдельного внешнего OCR; наличие этих энкодеров в данном репозитории не подтверждено. В техническом отчёте модель показывает высокие результаты на нескольких тестах перевода, но приведённые оценки относятся к указанным наборам данных и настройкам. Карточка описывает preview-версию и не приводит конкретные ограничения её практического применения. Лицензия — Apache-2.0.

IndicBART — предобученная многоязычная модель последовательность-в-последовательность от AI4Bharat, основанная на архитектуре mBART. Она предназначена для создания приложений генерации текста на индийских языках и английском; модель можно дообучать на размеченных данных для машинного перевода, суммаризации и генерации вопросов. Веса содержат около 166,2 млн параметров, модель обучена на корпусе IndicCorp из 452 млн предложений и 9 млрд токенов, а длина контекста составляет 1024 токена. Модель поддерживает ассамский, бенгальский, гуджарати, хинди, каннада, малаялам, маратхи, ория, пенджаби, тамильский, телугу и английский языки. Все языки, кроме английского, представлены в деванагари для переноса знаний между родственными языками; для работы с другими индийскими письменностями README рекомендует преобразовывать текст в деванагари и затем возвращать исходную письменность. По сравнению с mBART и mT5-base модель компактнее и требует меньше вычислений при дообучении и генерации. Лицензия в предоставленных данных не указана.

INTELLECT-1-step-28600 — промежуточный чекпойнт языковой модели INTELLECT-1, созданной Prime Intellect совместно с Arcee AI и независимыми участниками сообщества. Это плотная авторегрессионная модель семейства Llama с 9,7 млрд параметров; в карточке указаны 42 слоя и 32 головы внимания. Чекпойнт получен на шаге 28 600 обучения модели с нуля на корпусах английского текста и кода, включая образовательные материалы, веб-текст, код и математические данные. Модель предназначена для генерации текста и кода на английском языке. Контекст составляет 8192 токена. Обучение INTELLECT-1 проводилось распределённо на вычислительных узлах в нескольких регионах с применением отказоустойчивой инфраструктуры; этот репозиторий содержит именно промежуточную точку обучения, а не финальную или instruct-версию. Лицензия — Apache 2.0.