I.5Создание и редактирование текста

Модель NHNDQ/nllb-finetuned-en2ko разработана Jisu Kim, Juhwan Lee, TakSung Heo и Minsu Jeong. Это дообученная версия facebook/nllb-200-distilled-600M для перевода с английского на корейский язык. Модель основана на архитектуре M2M100 и содержит 463,7 млн параметров. Она принимает текст и генерирует текст; длина контекста составляет 1024 токена. Для обучения использован набор данных AI-hub. В карточке приведён BLEU 33,66 для дообученной модели и 22,83 для DeepL на указанном авторами сравнении. Модель предназначена для перевода англоязычных текстов на корейский. Лицензия CC-BY-4.0 разрешает использование с соблюдением её условий. Карточка также упоминает применение для преобразования текста и расширения корейских данных с помощью обратного перевода.

NorMistral-11b-warm — большая языковая модель семейства NORA.LLM, разработанная Language Technology Group Университета Осло совместно с NORA.LLM. Она инициализирована на базе Mistral-Nemo-Base-2407 и продолжительно предобучена на 250 млрд субтокенов, включая норвежские тексты на Bokmål и Nynorsk, северносаамский, датский, шведский, исландский, фарерский и английский языки, а также программный код. Модель предназначена преимущественно для исследовательских задач, генерации текста и языкового переноса; в README приведён пример применения для zero-shot перевода. Модель использует архитектуру Mistral с 40 трансформерными слоями, 11,4 млрд параметров, скрытым размером 5120, SwiGLU, RMSNorm, rotary positional embeddings и grouped-query attention с 32 query heads и 8 key/value heads. В ней используется специализированный токенизатор на 51 200 токенов, оптимизированный для целевых языков и обеспечивающий более эффективную токенизацию по сравнению с исходной моделью. Благодаря гибридному masked-causal обучению модель может применяться как авторегрессионная генеративная модель и как двунаправленная encoder-модель. Размер контекстного окна в README не указан. Сильными сторонами являются специализация на языках Норвегии и других скандинавских языках, поддержка северносаамского и улучшенная эффективность токенизации. Ограничение заключается в том, что модель обучена на необработанных, преимущественно веб-текстах и не дообучена следовать инструкциям; при неподходящих запросах она может генерировать вредоносное содержимое. Модель выпущена под лицензией Apache-2.0, при этом разработчики отмечают, что не владеют данными обучающей выборки.

OmniDimen-2-20B-Emotion — дообученная модель на базе openai/gpt-oss-20b, разработанная для распознавания эмоций и генерации текста с учётом эмоционального контекста. Это разговорная причинно-языковая модель архитектуры GPT-OSS с MoE; файлы опубликованы в формате safetensors. Метаданные указывают 1,6 млрд параметров и контекст до 131 072 токенов. Модель подходит для эмоционально окрашенных диалогов и создания текстов с заданным тоном, например приветственных писем. В карточке заявлена поддержка китайского и английского языков. Авторы отмечают, что специализация на эмоциях может ограничивать широту возможностей по сравнению с базовой моделью, а указание модели того, как обращаться к пользователю, может снизить галлюцинации в эмоциональном общении. Лицензия — MIT.

Helsinki-NLP/opus-mt-uk-en — модель машинного перевода из семейства Marian, разработанная Helsinki-NLP для перевода с украинского языка на английский. Она обучена на данных OPUS и использует архитектуру Transformer; для предобработки применяются нормализация текста и SentencePiece. Модель содержит 56,7 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Модель подходит для перевода украинских сообщений, документов и других текстов на английский. В README приведены результаты на тестовом наборе Tatoeba.uk.en: BLEU 64,1 и chr-F 0,757. Доступны веса PyTorch и TensorFlow. Лицензия Apache-2.0.

Ornstein3.6-35B-A3B — мультимодальная дообученная модель DJLougen на базе unsloth/Qwen3.6-35B-A3B для диалогов, рассуждений и агентных сценариев. Она принимает текст и изображения и формирует текстовые ответы; также поддерживает интерфейс вызова инструментов. Модель использует архитектуру Qwen3_5MoeForConditionalGeneration с чередованием линейного и полного внимания. Всего в ней 34,66 млрд параметров, из которых около 3 млрд активны на каждом токене; указаны 256 экспертов и 8 активных экспертов на токен. Длина контекста — 262 144 токена. Репозиторий содержит веса Safetensors и восстановленные компоненты обработки изображений и видео. Модель подходит для диалоговых задач, анализа изображений и агентной работы с инструментами. Это авторский экспериментальный fine-tune из серии Ornstein, обученный на самостоятельно отобранных данных; подробности датасета и результаты сравнительных оценок в карточке не приведены. Лицензия — Apache 2.0.

FesarovLab выпустила Parable-Nanbeige4.2-3B-Claude-Fable-5-heretic — диалоговую модель на архитектуре Nanbeige с 3,2 млрд параметров, полученную подавлением отказов в дообученной модели AnkitAI/Parable-Nanbeige4.2-3B-Claude-Fable-5. Для этого применена абляция направлений отказа и ортогонализация весов с помощью Heretic; автор репозитория указывает, что саму базовую модель не обучал. Модель предназначена для генерации ответов, рассуждений и вызова инструментов в диалоговых сценариях. Она принимает текст и выдаёт текст, поддерживает английский и китайский языки, а её заявленное окно контекста составляет 262 144 токена. В проверках автора доля отказов снизилась с 99 до 8 на 100 тестовых запросов, а результаты MMLU и GSM8K остались близки к исходной модели. Сохранены структурированные блоки рассуждений, JSON и формат вызова инструментов. Для работы требуется Transformers 4.57.x и trust_remote_code=True; на Transformers 5.x, согласно README, генерация работает некорректно. Полное окно контекста требует около 45 ГБ памяти KV-кэша, а качество на контекстах длиннее 32 тысяч токенов не оценивалось. Подавление отказов намеренное, поэтому контроль выдачи должен обеспечиваться при развёртывании. Лицензия — Apache 2.0.

Deepchecks parrot_fluency_model_onnx — ONNX-оптимизированная модель классификации текста, разработанная Deepchecks на основе оригинальной parrot_fluency_model. Она предназначена для оценки беглости и естественности англоязычных предложений и текстовых фрагментов с использованием pipeline text-classification. Модель основана на архитектуре BERT, содержит 136,7 млн параметров и поддерживает входной контекст длиной до 512 токенов. Модель ориентирована на запуск на GPU через ONNX Runtime и может применяться для автоматической фильтрации, проверки качества и ранжирования англоязычных текстов по их fluency. ONNX-формат и интеграция с Optimum упрощают пакетный инференс; в README приведён пример обработки нескольких предложений с размером батча 64. Лицензия — Apache-2.0. Производительность и результаты могут отличаться при запуске на CPU по сравнению с GPU. Модель предназначена для оценки беглости текста, поэтому её выводы не следует автоматически трактовать как полноценную проверку фактической корректности, стиля или содержания.

PEGASUS Indonesian Base Finetune — модель семейства PEGASUS, дообученная автором репозитория на наборах Indosum, Liputan6 и XLSum для суммаризации текстов на индонезийском языке. Она предназначена прежде всего для создания кратких сводок новостных статей. Модель имеет архитектуру PegasusForConditionalGeneration, содержит 66,8 млн параметров, принимает текст и выдаёт текст; максимальная длина контекста составляет 1024 токена. В карточке приведены оценки ROUGE и BERTScore на трёх обучающих наборах. Модель не учитывает регистр, плохо обрабатывает специальные символы, кроме запятой и точки, и может работать хуже на текстах, отличных от новостных статей. Распространяется по лицензии Apache-2.0.

google/pegasus-pubmed — модель семейства PEGASUS, разработанная авторами Jingqing Zhang, Yao Zhao, Mohammad Saleh и Peter J. Liu и поддерживаемая в карточке @sshlei​​fer. Она предназначена для абстрактивного суммирования текста, в частности научных публикаций из области биомедицины. Архитектура — PegasusForConditionalGeneration с 366,8 млн параметров; модель работает с текстом и имеет контекст длиной до 1024 токенов. Вариант основан на подходе PEGASUS с предварительным обучением на пропущенных предложениях; в описании семейства указаны обучающие данные C4 и HugeNews и смешивание сэмплирования пропусков. Подходит для создания кратких пересказов длинных текстов и научных статей. Поддерживаемый язык по метаданным — английский. Лицензия в предоставленных данных не указана.

Это контрольная точка BigBird-Pegasus от Immich для суммаризации совещаний. Модель обучена на подходящей части AMI Meeting Corpus с seed 73; вариант pipeline рассчитан на суммаризацию всей встречи или на иерархический процесс с сегментацией, извлечением ключевой информации и генерацией итогового текста. Модель содержит 366,8 млн параметров, принимает текст и поддерживает контекст до 4096 токенов. Репозиторий содержит веса в формате safetensors; README показывает загрузку через Transformers как Seq2Seq-модель. Лицензия — MIT. Модель подходит для подготовки кратких итогов совещаний и суммирования диалогов. Карточка не приводит результатов оценки качества, поэтому качество на других типах разговоров и языках не подтверждено; сведения указывают на обучение на AMI, но не называют язык корпуса.

Poro-34B — базовая авторегрессионная языковая модель семейства Poro, созданная SiloGen (Silo AI), группой TurkuNLP Университета Турку и High Performance Language Technologies. Модель основана на архитектуре BLOOM и содержит 34,2 млрд параметров по README; в метаданных Hugging Face указано 45,3 млрд параметров. Она обучена на смеси финского и английского текстов, а также кода, примерно на 1 трлн токенов. Для токенизации используется словарь BLOOM на 128 тыс. токенов; ALiBi позволяет экстраполировать длину контекста при инференсе, однако точный размер контекста в источниках не приведён. Модель предназначена для продолжения текста и генерации на финском и английском языках, работы с кодом и базового перевода между финским и английским. Это базовый чекпойнт, которому для большинства прикладных сценариев требуется дополнительное дообучение. Разработчики отмечают, что модель не обладает значимыми навыками в других языках. Лицензия — Apache 2.0.

Psyonic-Cetacean-20B — экспериментальная объединённая модель на основе Llama 2, опубликованная jebcarter в виде весов FP16. Она создана методом stack merge из KoboldAI/PsyFighter-2-13b и microsoft/Orca-2-13b; архитектура — плотная LlamaForCausalLM, размер — 19,8 млрд параметров, исходный контекст — 4096 токенов. Автор сообщает об испытаниях с расширением контекста до 16000 токенов с помощью RoPE scaling. Модель предназначена прежде всего для написания историй и текстовых приключений, а также поддерживает сценарии ассистента и чата. По описанию автора, она особенно хорошо справляется с научной фантастикой и космической оперой, неплохо — с фэнтези и слабее — с хоррором; модель хорошо следует тону и стилю и лучше работает с простором для импровизации, чем с чрезмерно подробными инструкциями. Модель может создавать откровенный NSFW-контент и жестокие сцены по запросу. Лицензия указана как other, поэтому условия использования следует проверять в материалах репозитория; сведений о конкретной лицензии в доступных данных нет.

Qwen2.5-Coder-0.5B-Instruct-GGUF — это набор GGUF-квантизированных версий инструкционной модели Qwen2.5-Coder-0.5B-Instruct. Исходную модель разработала команда Qwen, а квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и кода, диалогового взаимодействия и работы в локальных приложениях, поддерживающих llama.cpp, включая LM Studio. Модель содержит 0,5 млрд параметров и доступна в вариантах от F16 до низкобитных квантов Q8_0, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 0,34 до 0,99 ГБ. Указан английский язык; мультимодальность не заявлена. В README не указаны архитектура исходной модели, размер контекстного окна и полный перечень поддерживаемых языков. К сильным сторонам относятся небольшой размер, возможность локального запуска на устройствах с ограниченными ресурсами и несколько вариантов компромисса между качеством, скоростью и потреблением памяти. Более высокое качество ожидается у F16, Q8_0 и Q6, а низкобитные варианты подходят для систем с небольшим объёмом оперативной памяти, но могут заметнее терять качество. Версии Q4_0_8_8, Q4_0_4_8 и Q4_0_4_4 оптимизированы для ARM и требуют соответствующих аппаратных возможностей; некоторые из них не рекомендуются для Mac и Windows. Модель распространяется под лицензией Apache-2.0.

Qwen3.5-9B-DS9-USS-Defiant — созданная Nightmedia модель на архитектуре Qwen3.5 с 9 млрд параметров. Это слияние нескольких моделей Qwen3.5, ориентированных на художественное письмо, создание сюжетов и uncensored-генерацию; среди компонентов указаны варианты Qwopus Writer и Polar Rev1. Модель задумана для локального запуска и диалоговых сценариев, включая продолжение сцен, написание историй и многоперспективный анализ. В метаданных также заявлена поддержка изображений, но README подробно описывает прежде всего текстовое творчество. Для репозитория указана лицензия Apache-2.0; доступны файлы safetensors.

Blackfrost-AI/Qwen3.8-27B-ABLITERATED-NVFP4 — исследовательский производный чекпойнт, разработанный Blackfrost на базе официальной Qwen/Qwen3.8-27B. Это не дообученная модель, а модифицированная на уровне весов версия с уменьшенной поверхностью отказов, предназначенная для исследований, red teaming, анализа безопасности, программирования, рассуждений, работы с инструментами и мультимодальными сценариями. Модель имеет плотную гибридную архитектуру Qwen3.8-27B с Gated DeltaNet и полным attention, содержит 27 млрд параметров и использует квантование NVIDIA ModelOpt W4A4 NVFP4, ориентированное на GPU NVIDIA Blackwell. Она принимает текст, изображения и видео, генерирует текст и поддерживает контекст до 262 144 токенов; практический размер контекста зависит от доступной памяти и уровня параллелизма. Для запуска рекомендуется SGLang или другой совместимый движок, а валидированным оборудованием указан NVIDIA B200. К сильным сторонам относятся сохранение возможностей зрения, рассуждений, инструментального использования и длинного контекста при компактном квантованном формате, а также deployment-ориентированная конструкция. Ограничения включают исследовательский статус, отсутствие гарантий сохранения всех характеристик исходной модели после модификации и квантования, а также намеренно сниженную склонность к отказам: результаты безопасности, программирования, мультимодальности и работы с инструментами требуют осторожной интерпретации. В репозитории указана лицензия Apache-2.0; модель опубликована как общедоступный, не требующий допуска research preview и не предназначена для продажи.

Qwen3.8-27B-AEON-ULTIMATE-U-BF16 — экспериментальная ранняя версия модели Qwen3.8-27B, подготовленная denyzhirkov. Это дообученная и аблитерированная BF16-версия с уменьшенным числом отказов; базовая модель — Qwen/Qwen3.8-27B. Плотная мультимодальная архитектура поддерживает диалог, следование инструкциям, вызов инструментов и работу с изображениями. В README описана проверка на NVIDIA H200 через vLLM; при тестировании использовалось окно 16 384 токена, а автор указывает, что базовая модель поддерживает контекст до 262 000 токенов. Модель рассчитана на прямые ответы, творческое письмо, исследования безопасности, red-team-тестирование и работу с запросами, которые базовая модель могла бы отклонить. Снятие части отказов может сделать ответы более доступными, но не гарантирует точности или безопасности. README предупреждает о повторениях и потере связности на очень длинных запросах; модель может выдавать опасный или незаконный контент. Лицензия — Apache-2.0.

Qwen3.8-27B-ASCII-Condensed — текстовая GGUF-модель, созданная bsaleh03 на основе Qwen/Qwen3.8-27B и квантованной сборки unsloth/Qwen3.8-27B-GGUF. Это не дообучение, дистилляция или повторное квантование: из квантованной модели удалены строки словаря для не-ASCII-токенов, а токенизатор адаптирован к сокращённому словарю. Модель предназначена для генерации текста и работы с длинным контекстом через llama.cpp, прежде всего на одной видеокарте с 16 ГБ памяти. Словарь уменьшен с 248 320 до 129 006 строк, при этом остальные 864 из 866 тензоров побитово идентичны базовой квантованной модели. На RTX 5070 Ti с 16 ГБ заявлена поддержка до 135 168 токенов контекста при использовании q4_0 для KV-кэша; максимальная длина зависит от типов KV-кэша и доступной видеопамяти. Модель сохраняет MTP-голову для спекулятивного декодирования, а на ASCII-тексте токенизация совпадает с базовой моделью. Основное преимущество — экономия видеопамяти и увеличение доступного контекста без изменения большинства весов. Ограничение — ASCII-ориентированный словарь: английский язык, код и ASCII-пунктуация обрабатываются без дополнительных затрат, но символы с диакритикой, кириллица, CJK и другие не-ASCII-тексты требуют больше токенов; для работы преимущественно на неанглийских языках сборка не рекомендуется. Модель поддерживает только текстовый режим, файл mmproj отсутствует, а смешанные типы KV-кэша требуют пропатченной версии llama.cpp. Распространяется по лицензии Apache 2.0, унаследованной от базовой модели.

Это пакет слоёв GGUF для запуска Qwen3-8B-Q4_K_M в распределённой системе Mesh LLM. Пакет подготовлен Mesh LLM на основе unsloth/Qwen3-8B-GGUF и разбивает модель на артефакты по слоям, чтобы распределять вычисления между несколькими локальными машинами. Используется для локального приватного инференса и чат-запросов через совместимый с OpenAI интерфейс Mesh LLM. Вариант модели — Q4_K_M; исходные веса распространяются в формате GGUF. В метаданных Hugging Face указаны библиотека mesh-llm и возможность чата. Условия лицензии и подробные параметры архитектуры предлагается уточнять по карточке исходной модели unsloth/Qwen3-8B-GGUF; в доступных данных они не приведены.

Qign Qwen3-VL-8B-Instruct-abliterated-v2-GGUF — это GGUF-версия мультимодальной модели prithivMLmods, основанной на Qwen3-VL-8B-Instruct от Alibaba. Модель содержит около 8 млрд параметров и предназначена для задач image-text-to-text: анализа изображений, подробного описания визуального содержимого, следования инструкциям и мультимодального рассуждения. Доступны варианты квантования от Q2_K до Q8_0, а также F16; размер файлов составляет примерно от 3,28 до 16,4 ГБ, отдельно предоставляются мультимодальные проекционные файлы mmproj в форматах Q8_0 и F16. Заявлены поддержка механизма Interleaved-MRoPE, контекста длиной до 262 тысяч токенов, OCR на 32 языках, различных разрешений и соотношений сторон, видео и сложных макетов. Основным языком считается английский, при этом заявлена возможность мультиязычного использования. Вариант abliterated модифицирован для снижения или удаления отказов и защитных ограничений базовой модели, что может быть полезно для исследований безопасности, red-teaming, творческих и технических сценариев, но одновременно повышает риск генерации нежелательного, небезопасного или неточного контента. Для запуска рекомендуются инструменты llama.cpp, Transformers или vLLM; требования к памяти зависят от выбранного варианта квантования. Модель распространяется по лицензии Apache-2.0.

Reflection Llama-3.1 70B — языковая модель на архитектуре Llama 3.1, разработанная Matt Shumer и дообученная методом Reflection-Tuning на синтетических данных Glaive. Она предназначена для диалогов и генерации ответов, в том числе для задач, где полезно перепроверять ход решения и исправлять обнаруженные ошибки. Модель содержит 69,5 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. При генерации модель оформляет рассуждение и итоговый ответ специальными токенами; в ходе рассуждения она может обозначать исправление ошибки. Для взаимодействия используется формат чата Llama 3.1. В карточке указана лицензия Llama 3.1. Автор предупреждает о проблеме в первоначальной загрузке и рекомендует пользователям, столкнувшимся с плохими результатами, повторить попытку с исправленной версией. README предлагает параметры temperature 0,7 и top_p 0,95, но не приводит независимых подтверждений заявлений о качестве и превосходстве модели.

JeremiahZ/roberta-base-cola — модель классификации текста на базе RoBERTa, дообученная на наборе GLUE CoLA для оценки грамматической приемлемости английских предложений. Архитектура — RobertaForSequenceClassification; модель содержит около 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Модель подходит для автоматической проверки того, насколько английское предложение грамматически корректно, например при анализе примеров в учебных материалах или языковых приложениях. На оценочной выборке CoLA указана корреляция Мэттьюса 0,6232. Доступны веса в форматах PyTorch и safetensors; лицензия — MIT. Карточка не описывает дополнительные ограничения или сценарии применения.

Suchinthana/Sinhala-Translate-and-Dolly-Llama-7b — дообученная автором модель семейства Llama для генерации текста, перевода между сингальским и английским языками и ответов в формате инструкций. В карточке указано обучение на Dolly 3k в течение одной эпохи, затем на 20 тысячах примеров перевода с сингальского на английский и повторно на том же наборе для перевода с английского на сингальский. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 6,6 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 2048 токенов. Репозиторий использует форматы PyTorch и Safetensors, лицензия — Llama 2. Карточка не приводит оценок качества перевода, поэтому результаты для конкретных текстов могут требовать проверки.

kenpeter123/small-1b-dpo — языковая модель семейства Llama, разработанная автором репозитория и дообученная методом Direct Preference Optimization на базе kenpeter123/small-1b-sft. Она предназначена для генерации текста по запросам; метаданные также отмечают поддержку генерации кода. В README описана архитектура Transformer с 32 слоями, 12 головами внимания и группированным запросом внимания (GQA, 4 KV-головы); число параметров в метаданных — 956,3 млн, а контекст — 8192 токена. DPO-обучение использует пары предпочтений: правильное эталонное решение выбирается вместо ошибочного или повторяющего запрос ответа базовой SFT-модели. Репозиторий содержит веса в формате safetensors, библиотека — Transformers. Лицензия Apache-2.0. Карточка описывает обучающий чекпойнт, но не приводит оценки качества или подробностей о поддерживаемых языках помимо английского в метаданных.

Sugoi-32B-Ultra-GGUF — квантизированная GGUF-версия языковой модели Sugoi LLM 32B Ultra, разработанная на базе Qwen/Qwen2.5-32B-Instruct. Модель ориентирована прежде всего на задачи перевода и работу с японским и английским языками. Из доступных данных известно, что модель относится к классу instruction-tuned LLM с размером около 32 млрд параметров и распространяется в формате GGUF, предназначенном для локального запуска совместимыми инструментами. Заявлено развитие предыдущей модели Sugoi 32B, однако подробные характеристики архитектуры, поддерживаемый контекст, конкретные варианты квантизации, результаты тестирования и практические ограничения не указаны. Лицензия — Apache 2.0.

Swallow-MX-8x7b-NVE-v0.1 — языковая модель команды Swallow из лабораторий Okazaki и YOKOTA Токийского технологического института. Она прошла дополнительное непрерывное предобучение на базе Mixtral-8x7B-Instruct-v0.1 с добавлением японских данных; архитектура — Mixtral MoE. В метаданных указаны 7,1 млрд параметров и контекст 4096 токенов. Модель предназначена для генерации текста на японском и английском языках, включая ответы на вопросы, обобщение и перевод. В приведённых оценках Swallow показывает сильные результаты на ряде японских тестов, но результаты на английских тестах ниже показателей Llama 2 7B в этой таблице. Разработчики отмечают, что модель находится на ранней стадии исследований и не настроена для следования человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

Модель utrobinmv/t5_translate_en_ru_zh_large_1024_v2 — дообученный трансформер T5 для машинного перевода между русским, китайским и английским языками. Она поддерживает все шесть направлений перевода между этими языками; язык назначения задаётся префиксом «translate to :», а исходный язык можно не указывать, в том числе если текст смешанный. Модель содержит 419 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0. Версия обучена на более шумных данных с функцией снижения шума. Помимо перевода, модель может восстанавливать отсутствующую пунктуацию, что полезно для текстов после распознавания речи, а также переводить небольшие Markdown-файлы с сохранением разметки и HTML-тегов. Карточка не приводит результатов оценки качества, поэтому точность перевода для конкретных тематик и длинных текстов по ней определить нельзя.

Ternary Bonsai 2 27B Abliterated v2 — производная 27-миллиардная текстовая модель, представленная BoldingBuilds в формате GGUF PQ2_0 с дополнительным вариантом MTP для спекулятивного декодирования. В README описаны изменения относительно исходной модели: удаление отказов и корректировка одной строки выходного слоя, призванная помочь модели завершать рассуждение и выдавать ответ. По карточке, файлы рассчитаны на запуск через форк llama.cpp от PrismML; стандартные сборки llama.cpp, Ollama и LM Studio без поддержки PQ2_0 их не загрузят. Модель предназначена для локальной генерации текста и диалогов, включая сложные запросы, рассуждения, математические и программные задачи. В сравнительных тестах она близка к исходной Bonsai 2 на математике и HumanEval, но результаты зависят от бюджета токенов и параметра reasoning_effort; в README рекомендован уровень medium. Вариант MTP, по заявлению автора, ускоряет декодирование примерно на 40%. Модель лишена обычного поведения отказа и может отвечать на запросы, которые исходная модель отклонила бы. Автор указывает исследование устойчивости выравнивания и локальное использование без фильтрации как сценарии применения, а также предостерегает от пользовательского развертывания без собственного слоя безопасности. В README также отмечено статистически значимое снижение MMLU относительно исходной модели. Лицензия репозитория — Apache-2.0.

T-lite-0.1 — языковая модель на 7,5 млрд параметров, разработанная T-Bank AI на основе архитектуры Llama и предназначенная для дальнейшего дообучения. Это модель продолженного предварительного обучения, ориентированная на генерацию текста на русском языке и создание русскоязычных приложений с учётом языкового и культурного контекста России. Модель принимает текст и генерирует текст; в карточке указаны поддержка чата и контекст до 8192 токенов. Архитектура — плотный декодер Llama с RMSNorm, SwiGLU, RoPE и grouped-query attention. Обучение проводилось в bf16; веса доступны в формате safetensors. В обучающих данных преобладает русский язык, также сохранена часть английских данных и увеличена доля кода. В опубликованной оценке модель превзошла Llama-3-8B по общему результату бенчмарка MERA, но авторы отмечают снижение результатов на английских тестах после адаптации к русскому языку. Модель не позиционируется как готовый разговорный помощник: для прикладного использования предполагаются дополнительное дообучение и контроль качества и безопасности ответов. Лицензия в предоставленных данных не указана.

HPLT MT release v1.0 — модель машинного перевода с английского на хинди, разработанная HPLT и обученная на данных OPUS и HPLT. Это плотная Transformer-base модель на архитектуре Marian с токенизатором SentencePiece Unigram; размер составляет 57,9 млн параметров, максимальный контекст — 512 токенов. Доступны веса в форматах Marian и Hugging Face; метаданные репозитория указывают формат PyTorch и совместимость с Transformers. Модель предназначена для перевода англоязычных текстов на хинди. В README приведены результаты на FLORES200 и NTREX: BLEU 34,5 и 27,7 соответственно. Для запуска через Transformers авторы рекомендуют версию 4.28: из-за известной проблемы конвертации чекпойнт несовместим с Transformers 4.30. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

WindyTranslate/translate-en-uk — модель машинного перевода Windstorm Labs, дообученная на параллельном корпусе OPUS-100 на основе Helsinki-NLP/opus-mt-en-uk. Она переводит текст с английского на украинский и подходит для автоматического перевода фраз и документов. Модель построена на архитектуре MarianMT, содержит 56,7 млн параметров, принимает текст и работает с контекстом до 512 токенов. Репозиторий содержит веса в формате safetensors для Transformers. В README приведена оценка FLORES-200 dev на 48 предложениях: chrF++ 41,49 и BLEU 16,48; авторы относят результат к уровню «Usable» и подчёркивают, что это предварительная проверка, а не публикационный результат. Поддерживается только направление с английского на украинский, поэтому качество на других направлениях не заявлено. Модель распространяется по лицензии Apache-2.0.