I.5Создание и редактирование текста

GLM-5.3-Flash-UD-Q4_K_XL-layers — пакет GGUF-слоёв для распределённого запуска GLM-5.3-Flash в кластере Mesh LLM. Пакет создан на основе unsloth/GLM-5.3-Flash-GGUF: исходное распределение модели разделено на артефакты по слоям. В метаданных указаны библиотека mesh-llm и возможность чатового взаимодействия. Модель предназначена для локального приватного инференса, распределения вычислений между несколькими машинами, когда полный GGUF слишком велик для одного узла, и предоставления локального API, совместимого с OpenAI Chat Completions. Указан вариант UD-Q4_K_XL; репозиторий содержит GGUF-пакет слоёв. Языки и размер контекста в предоставленных данных не описаны. Лицензия — MIT. Для запуска требуется Mesh LLM; характеристики и рекомендации по использованию исходной модели следует сверять с карточкой unsloth/GLM-5.3-Flash-GGUF.

kl3m-004-correction-001 — языковая модель ALEA Institute для исправления текста на английском языке, особенно в юридических и финансовых документах. Она предназначена для устранения опечаток, орфографических ошибок, типичных ошибок OCR и проблем форматирования, а также для нормализации текста и посимвольных преобразований. Модель использует архитектуру LlamaForCausalLM и содержит около 545,3 млн параметров по метаданным; в README указано 478,2 млн. Для обработки применяется регистрозависимый BPE-токенизатор kl3m-004-char-8k-cased с токенами длиной от одного до трёх символов. Контекст ограничен 512 токенами. Модель обучена на предсказании следующего токена со специальными токенами для коррекции и рассчитана на работу через Transformers. К сильным сторонам относятся мелкозернистая обработка символов и ориентация на OCR- и форматные ошибки в специализированных документах. Модель в основном рассчитана на английский язык, имеет небольшой контекст и может не справляться со сложными смысловыми ошибками или коррекциями, требующими широкого контекста. Она не предназначена для перевода или свободной генерации контента. Лицензия — CC-BY-4.0.

L3.1-70Blivion-v0.1-rc1-70B — экспериментальная модель от invisietch, созданная слиянием Sao10K/L3.1-70B-Euryale-v2.2 и nvidia/Llama-3.1-Nemotron-70B-Instruct-HF с последующим дообучением QLoRA на двух эпохах. Модель относится к семейству Llama 3.1, имеет плотную архитектуру примерно на 69,5 млрд параметров и предназначена для генерации текста, творческого письма и ролевых диалогов. Карточка рекомендует формат запросов Llama 3 Instruct; метаданные указывают контекст до 131 072 токенов и поддержку интерфейса вызова инструментов. Модель выпущена как кандидат в релиз, а автор сообщает, что для готовой версии требуется дальнейшее обучение. Среди отмеченных проблем — частичное воспроизведение системного промпта и непоследовательность при генерации тяжёлого или тревожного контента; степень ограничений снижена относительно одной из базовых моделей, но модель не полностью свободна от цензуры. Доступны веса Safetensors, лицензия — Llama 3.1 Community License Agreement. Автор предупреждает, что модель может генерировать откровенные, тревожные или оскорбительные ответы.

unsloth/LFM2.5-1.2B-Instruct-GGUF — квантизированная GGUF-версия текстовой instruction-tuned модели LFM2.5-1.2B-Instruct, разработанной Liquid AI и подготовленной для локального развёртывания с использованием Unsloth. Модель предназначена для llama.cpp и совместимых инструментов, оптимизирована для CPU-инференса и работы на периферийных устройствах с ограниченными ресурсами. Модель содержит 1,17 млрд параметров, 16 слоёв, включая 10 double-gated LIV convolution blocks и 6 GQA blocks, поддерживает контекст до 32 768 токенов и словарь из 65 536 токенов. Это текстовая модель без поддержки изображений или аудио; заявлены английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Она рекомендована для агентских сценариев, извлечения данных и RAG, поддерживает вызов функций и ChatML-подобный шаблон диалога. К сильным сторонам относятся небольшой размер, низкие требования к памяти, высокая скорость инференса на CPU и мобильных NPU, а также возможность запуска менее чем с 1 ГБ памяти. Модель не рекомендуется для задач, требующих обширных фоновых знаний, и для программирования. Репозиторий указывает лицензию lfm1.0; формат GGUF снижает требования к ресурсам, но является квантизированной версией исходной модели.

Llama-3.05-Nemotron-Tenyxchat-Storybreaker-70B — объединённая модель на базе Llama 3.1 Nemotron 70B Instruct от NVIDIA и Llama-3-TenyxChat-DaybreakStorywriter-70B от Envoid. Автор карточки объединил их методом SLERP в пропорции 40/60; модель имеет плотную архитектуру LlamaForCausalLM, 69,5 млрд параметров и контекст до 131 072 токенов. Модель предназначена для ролевого общения и творческого письма, включая продолжение диалога с сохранением его темпа и стиля. Она также может работать как разговорный помощник и поддерживает интерфейс вызова инструментов. В режиме помощника модель предупреждает перед генерацией чувствительного контента, однако автор отмечает, что после слияния возможны нежелательные особенности поведения. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Typhoon T1 3B (Research Preview) — открытая языковая модель рассуждений, разработанная SCB 10X на основе Typhoon 2 3B Instruct. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров, предназначенная для диалога, следования инструкциям и решения задач, где полезно рассуждать перед выдачей ответа. Модель поддерживает контекст до 131 072 токенов и работает с текстом на английском и тайском языках. Модель рассчитана на математические и научные вопросы, задачи общего рассуждения и широкий круг запросов; авторы сообщают об улучшениях на GPQA, MMLU Pro и математических бенчмарках относительно базовой Typhoon 2 3B Instruct. В версии от 1 февраля 2025 года добавлена генерация рассуждений на тайском и улучшено следование инструкциям. Доступен интерфейс вызова инструментов. Лицензия — Llama 3.2 Community License. Это исследовательская предварительная версия; как и другие генеративные модели, она может иногда выдавать небезопасные или ошибочные ответы, а поведение при рассуждениях требует дальнейшей оценки.

Llama-3-Groq-8B-Tool-Use-GGUF — набор GGUF-квантизированных версий модели Llama-3-Groq-8B-Tool-Use, разработанной Groq на базе Llama 3. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста на английском языке, включая сценарии tool use и function calling, где требуется взаимодействие с внешними инструментами или API. Это текстовая модель без заявленной поддержки изображений или других модальностей. Модель содержит около 8 млрд параметров и распространяется в вариантах от F32 до Q2_K и IQ2_M с размером файлов примерно от 2,95 до 32,13 ГБ. Доступны различные уровни квантизации, включая рекомендуемые Q4, Q5 и Q6, позволяющие выбирать баланс между качеством и требованиями к оперативной памяти. Для запуска предлагается использовать llama.cpp или LM Studio; README также указывает специальный формат промпта с ролями system, user и assistant и служебными токенами Llama 3. Размер контекста в предоставленных данных не указан. Сильными сторонами являются специализация на использовании инструментов, широкий выбор квантизированных вариантов и возможность локального запуска. Более агрессивная квантизация уменьшает требования к памяти, но может снижать качество ответов; варианты с низким битрейтом прямо характеризуются как низкокачественные или не рекомендуемые. Лицензия указана как llama3.

Fischerboot/LLama3-Lexi-Aura-3Some-SLERP-SLERP-Function-calling-SLERP — объединённая модель на архитектуре Llama 3, созданная автором карточки с помощью mergekit и метода SLERP из двух языковых моделей. Она предназначена для диалоговой генерации текста и вызова функций в сценариях, где языковая модель должна формировать ответы и взаимодействовать с инструментами через структурированные вызовы. Веса представлены в формате Safetensors, размер модели — 7,5 млрд параметров, заявленная длина контекста — 8192 токена. В карточке отмечено наличие вызова функций, но автор не уверен, сохранилась ли у модели исходная степень «uncensored» поведения. Язык обучения или основной язык отдельно не заявлен. Лицензия в предоставленных данных не указана.

jacob-ml/LS-Bert-67m — немецкоязычный классификатор на базе DistilBERT, разработанный для определения, соответствует ли текст стандартам Leichte Sprache — простого немецкого языка. Он различает тексты на простом и сложном немецком, включая различие между Leichte Sprache и Einfacher Sprache. Модель обучена на более чем 11 000 примерах текстов, которые оценили как понятные проверяющие; синтетические данные не использовались. Классификатор возвращает метки yes и no: yes означает высокое сходство с проверенными текстами на Leichte Sprache. Модель предназначена для проверки доступности немецких текстов и предварительной оценки их соответствия Leichte Sprache. Это дообучение distilbert/distilbert-base-german-cased для классификации последовательностей; используется библиотека Transformers, контекст ограничен 512 токенами. По README, классификатор доступен для бесплатных онлайн-проб. Лицензия репозитория — Apache-2.0.

Это модель машинного перевода на базе архитектуры MarianMT, дообученная авторами huggingface-course на наборе данных KDE4 для перевода с английского на французский. Она содержит 55,6 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. На указанном в карточке наборе оценки получены Loss 0,8559 и BLEU 52,9416. Модель подходит для перевода текстов с английского на французский; лицензия — Apache-2.0.

Модель v-25/mbart-ru-kaz — дообученная версия mBART-50 от разработчика v-25 для межъязыковой суммаризации с русского на казахский. Она принимает текст на русском и генерирует его краткое изложение на казахском. По README, модель обучена на 3 465 выровненных парах и оценивалась на тестовом наборе из 347 пар; автор сообщает о результатах ROUGE-1 0,848, ROUGE-2 0,791 и ROUGE-L 0,845, а также о превосходстве над указанными системами kazRush и NLLB-200 в сравнении. В репозитории указаны архитектура mBART, 457,4 млн параметров по метаданным и контекст до 1 024 токенов. README приводит для базовой модели размер 610 млн параметров. Модель предназначена для краткого изложения русскоязычных материалов на казахском, особенно в сценариях с ограниченными языковыми ресурсами. Лицензия — MIT. Результаты основаны на небольшом параллельном корпусе и тестовом наборе; качество на других типах текстов и темах из этих данных не следует.

mend-flan-t5-small — модель на базе T5, разработанная daltonoscar0 и дообученная на google/flan-t5-small для преобразования диктовки в связный письменный текст. Она удаляет слова-паразиты и заполненные паузы, разрешает самопоправки, восстанавливает заглавные буквы и пунктуацию. Для вызова требуется префикс «clean up: »; вход рекомендуется подавать в нижнем регистре и без знаков пунктуации по краям. Модель содержит 45,8 млн параметров, использует библиотеку Transformers и формат safetensors; максимальный контекст — 512 токенов. Она обучалась на синтетических примерах и реальных англоязычных репликах Switchboard. В оценке на отложенных разговорах показала точность полного совпадения 0,616 и F1 удаления слов-паразитов 0,955. Модель предназначена для постобработки текстовых транскриптов диктовки и разговорной речи. Она не принимает аудио и не исправляет ошибки распознавания речи; качество может снижаться при отличающихся от Switchboard правилах транскрибирования. Около половины реальных самопоправок остаются неразрешёнными, а оборванные слова модель не обрабатывает. Лицензия — MIT.

Карточка модели mergekit-community/mergekit-slerp-bzasjyl на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

Карточка модели mergekit-community/mergekit-slerp-flctqsu на Hugging Face совпадает с карточкой mergekit-community/mergekit-slerp-gmjabaw, поэтому описание составлено по ней. mergekit-community/mergekit-slerp-gmjabaw — объединение языковых моделей, созданное сообществом с помощью mergekit и метода SLERP. В него вошли NousResearch/Hermes-2-Pro-Mistral-7B и WizardLMTeam/WizardMath-7B-V1.1; конфигурация использует Hermes в начальных и конечных слоях, а WizardMath — в средних. Модель основана на плотной архитектуре Mistral, содержит 7,1 млрд параметров и принимает текст для генерации текста в диалоговом формате. Заявленная длина контекста — 32 768 токенов. Модель подходит для диалогов, выполнения инструкций и математических запросов, сочетая возможности входящих в объединение моделей. В метаданных указана библиотека Transformers и формат safetensors. Лицензия в предоставленных сведениях не указана.

mergekit-community/mergekit-slerp-gmjabaw — объединение языковых моделей, созданное сообществом с помощью mergekit и метода SLERP. В него вошли NousResearch/Hermes-2-Pro-Mistral-7B и WizardLMTeam/WizardMath-7B-V1.1; конфигурация использует Hermes в начальных и конечных слоях, а WizardMath — в средних. Модель основана на плотной архитектуре Mistral, содержит 7,1 млрд параметров и принимает текст для генерации текста в диалоговом формате. Заявленная длина контекста — 32 768 токенов. Модель подходит для диалогов, выполнения инструкций и математических запросов, сочетая возможности входящих в объединение моделей. В метаданных указана библиотека Transformers и формат safetensors. Лицензия в предоставленных сведениях не указана.

Карточка модели mergekit-community/mergekit-slerp-mpovshq на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

Это объединённая языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная сообществом mergekit-community методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLMTeam/WizardMath-7B-V1.1. Конфигурация смещает вклад Hermes к входным и выходным слоям, а WizardMath — к средним слоям. Модель предназначена для генерации текста и диалогов, в том числе для сочетания инструкционного общения с математическими задачами. Она принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия и отдельные результаты оценки качества в предоставленных данных не описаны. Как и у других объединённых моделей, качество может различаться между задачами и требует проверки на целевом сценарии.

Карточка модели mergekit-community/mergekit-slerp-ryidhrq на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

MiniCPM5-1B-Agentic-Tooluse-v3-Merged-FP16-GGUF — это компактная языковая модель для генерации текста и агентских сценариев с использованием инструментов. Модель основана на ewin-reg/MiniCPM5-1B-Agentic-Tooluse-v3-Merged-FP16 и дополнительно представлена в формате GGUF; квантованные версии подготовлены mradermacher. В метаданных также указана связь с семейством MiniCPM5 и тег OpenBMB, однако конкретный разработчик базовой модели явно не описан. Модель предназначена для диалоговых приложений, локального запуска и задач tool calling, включая вызов функций и взаимодействие с внешними инструментами в форматах XML и JSON. Она обучалась с использованием набора данных Team-ACE/ToolACE и заявлена для английского языка. Размер модели — около 1 млрд параметров, но сведения об архитектуре, размере контекста и поддержке дополнительных модальностей отсутствуют; по представленным данным это текстовая модель. Основные преимущества — небольшой размер, возможность работы на локальных и периферийных устройствах, а также наличие вариантов GGUF с разной степенью квантования: от Q2_K до Q8_0 и версии f16. Более компактные варианты требуют меньше памяти, но могут терять в качестве; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как вариант с лучшим качеством среди указанных. Лицензия модели — Apache-2.0.

csebuetnlp разработала эту модель на основе mT5 и дообучила её на многоязычных парах датасета CrossSum. Она предназначена для суммаризации текстов, написанных на разных языках, с выдачей краткого содержания на упрощённом китайском языке. Модель использует архитектуру mT5 с 291,2 млн параметров и принимает текст, генерируя текстовую сводку. В метаданных перечислены поддерживаемые языки, включая китайский, английский, русский, арабский, хинди, японский, корейский и другие. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Модель hosseinmhmdkhani/mt5-small-finetuned-persian-news-summarization-with-additional-hyperparameters — дообученная версия Google mT5-small для суммаризации новостных текстов на персидском языке. Это плотная модель архитектуры mT5 с 157,4 млн параметров, предназначенная для преобразования текста в текст. Модель можно применять для создания кратких пересказов персидских новостных материалов. Модель распространяется в формате safetensors по лицензии Apache-2.0. В README не приведены сведения о датасете, качестве суммаризации или конкретных ограничениях; поэтому результаты на целевых новостных источниках стоит оценивать отдельно.

MyAwesomeModel — модель из репозитория пользователя hwefa, опубликованная для использования через библиотеку Transformers и отмеченная тегами PyTorch, BERT и feature-extraction. Метаданные Hugging Face классифицируют её как модель извлечения признаков, а README описывает обновлённую версию с улучшенными рассуждениями, логическим выводом, математикой, программированием, диалогами, суммаризацией, классификацией, переводом и поддержкой function calling. README также заявляет о снижении частоты галлюцинаций и рекомендует использовать системный промпт и температуру 0.6.

MythoMaid-13B — слитая языковая модель семейства Llama, созданная объединением KatyTheCutie/EstopianMaid-13B и Undi95/X-MythoChronos-13B методом SLERP с помощью mergekit. Модель предназначена для генерации текста; описание базовой модели указывает на сценарии ролевых диалогов, следования карточкам персонажей и создания сюжетов. Модель содержит 12,9 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors. Нативная длина контекста — 4096 токенов. Для работы заявлена библиотека Transformers. Лицензия в предоставленных данных не указана.

Это опубликованный Positron AI контрольный чекпойнт модели openai/gpt-oss-20b: веса исходного выпуска в MXFP4 преобразованы в bf16 без дополнительной квантизации. Архитектура — GPT-OSS с разреженной экспертной моделью (MoE); в метаданных указано 1,6 млрд параметров и контекст до 131 072 токенов. Репозиторий содержит веса в safetensors и поддерживает диалоговое применение через text-generation. Чекпойнт предназначен прежде всего для использования как bf16-эталон или базовая точка сравнения с квантизованными сборками openai/gpt-oss-20b. Он подходит для генерации текста и диалогов, а также для оценки различий между точностью bf16 и квантизованными вариантами. Языки, на которые модель рассчитана, в предоставленных данных не перечислены. Применяются лицензия Apache-2.0 и ограничения использования исходной модели.

OPT-13B-Nerys-v2 — дообученная KoboldAI модель на архитектуре OPT для генерации текста. Она создана на основе OPT компании Facebook и обучена на корпусе примерно из 2500 электронных книг разных жанров, наборе CYOA (выбери своё приключение) и 50 азиатских ранобэ. Для части обучающих текстов использовались пометки жанра. Модель подходит для продолжения художественных текстов и создания сюжетной прозы, в том числе приключений с выбором развития событий. В карточке приведён пример генерации через Transformers; результат зависит от настроек выборки. Модель имеет около 17 млрд параметров и контекст длиной до 2048 токенов, принимает и выдаёт текст; в метаданных указан английский язык. Возможны смещения по гендеру, профессии, расе и религии, характерные для NLP-моделей. Лицензия указана как other, поэтому условия использования следует проверить в карточке модели и связанных материалах.

Helsinki-NLP/opus-mt-en-fr — модель машинного перевода, разработанная Helsinki-NLP в рамках проекта OPUS. Она переводит текст с английского на французский и предназначена для автоматического перевода отдельных текстов и интеграции в системы перевода. Модель построена на архитектуре Transformer-align с использованием MarianMT; число параметров — 55,6 млн, максимальный контекст — 512 токенов. При обучении применялись нормализация текста и SentencePiece, а в карточке приведены результаты оценки на нескольких тестовых наборах OPUS. Модель поддерживает только направление перевода en→fr. Весы доступны в форматах PyTorch, TensorFlow и Flax. Лицензия — Apache-2.0.

opus-mt-tr-en — модель машинного перевода из проекта OPUS-MT, построенная на архитектуре Transformer-align и реализованная как MarianMTModel. Она переводит текст с турецкого языка на английский; в карточке указаны нормализация и токенизация SentencePiece, а метаданные сообщают о 57,1 млн параметров и контексте до 512 токенов. Модель подходит для перевода предложений и текстовых фрагментов с турецкого на английский. В README приведены результаты BLEU 24,7–27,6 и chr-F 0,530–0,548 на нескольких тестовых наборах новостных текстов. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-zh-en — модель машинного перевода, разработанная группой Language Technology Research Group Хельсинкского университета. Она переводит текст с китайского языка на английский и предназначена для прямого использования в задачах перевода и генерации текста по тексту. Модель построена на архитектуре Marian и содержит 58,4 млн параметров. Для подготовки текста используются нормализация и SentencePiece с отдельными словарями размером 32 тыс. токенов; длина контекста составляет 512 токенов. В тесте Tatoeba-test.zho.eng указаны оценки BLEU 36,1 и chr-F 0,548. Модель поддерживает только направление китайский → английский. В README отмечены возможные смещения и риски распространения стереотипов, а качество перевода может зависеть от тематики и контекста. Лицензия — CC-BY-4.0.

Ozan-v1-12B — модель на 12,1 млрд параметров, разработанная Arbaz Siddiqui для создания художественной прозы и длинных рассказов с меньшим количеством шаблонных оборотов, характерных для текстов LLM. Это дообученная на базе Mistral-Nemo-Instruct-2407 модель архитектуры Mistral, обученная с помощью QLoRA на отобранных примерах прозы и затем настроенная методом DPO на предпочтение реальной книжной прозы. Модель предназначена для написания сцен и рассказов, развития персонажей и следования творческим инструкциям в диалоговом формате. Модель принимает текстовые запросы и генерирует текст; поддерживает контекст длиной до 131 072 токенов и рассчитана прежде всего на английский язык. В описании приведены результаты оценки художественного мастерства и метрики повторяющихся шаблонных формулировок; модель сильна в голосе и тоне, связности, следовании инструкциям и образности. Среди отмеченных слабых сторон — эмоциональная сложность и неожиданность. Распространяется в формате safetensors по лицензии Apache-2.0; карточка также указывает отдельную GGUF-версию для запуска в совместимых локальных приложениях.

Parable-Granite-4.1-3B-Claude-Fable-5-heretic — языковая модель для генерации текста, разработанная автором saidutta69 на основе AnkitAI/Parable-Granite-4.1-3B-Claude-Fable-5, которая, в свою очередь, дообучена на ibm-granite/granite-4.1-3b. Модель предназначена для локального диалога, рассуждений, планирования, генерации кода, терминальных сценариев, агентских задач и использования инструментов. Заявлен английский язык, поддерживаются форматы Safetensors и GGUF для запуска через Transformers, vLLM, llama.cpp, Ollama, LM Studio и Jan. Это текстовая causal language model архитектуры GraniteForCausalLM с нативным размером около 3,4 млрд параметров. Версия создана методом abliteration с помощью Heretic v1.4.0: целевые изменения весов в attention output и MLP down-projections подавляют поведение отказа без дополнительного fine-tuning. Модель сохраняет trace-дистиллированные возможности исходной Parable-версии в области рассуждений, планирования и работы с терминалом. Для локального запуска доступны квантизации от Q2_K до Q8_0; вариант Q4_K_M требует около 2,1 ГБ под веса и примерно 1 ГБ дополнительно для контекста. К сильным сторонам относятся малый размер, возможность работы на ноутбуках и CPU, широкий набор GGUF-квантизаций и существенно сниженное число отказов по сравнению с исходной моделью: 5 против 96 на 100 проверенных adversarial-запросов. При этом это не улучшение базовых возможностей, а версия той же модели с удалёнными защитными ограничениями; снижение отказов сопровождается измеримым отклонением от исходного поведения, а заявленные показатели получены на ограниченных тестах. Контекстное окно, точные языковые возможности и дополнительные модальности в карточке не указаны. Распространяется по лицензии Apache-2.0.