I.5Создание и редактирование текста

grimjim/rogue-enchantress-32k-7B — это объединённая модель генерации текста, созданная разработчиком grimjim с помощью mergekit и метода SLERP. В объединение вошли grimjim/zephyr-wizard-kuno-royale-BF16-merge-7B и grimjim/cuckoo-starling-7B; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, формат весов — safetensors. Модель рассчитана на контекст до 32 768 токенов. Модель предназначена для диалогов и творческого письма по инструкциям и описаниям персонажей: она учитывает детали контекста, следует заданному формату и может применять рассуждения для развития сюжета. В README отмечено, что при склоняющем к этому запросе модель иногда чрезмерно продолжает повествование. Она тестировалась с инструкциями в формате ChatML, температурой 1,0 и minP 0,02. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства на некоммерческих условиях.

sophiebui/ru-en_mtmodel — дообученная Sophie Bui модель машинного перевода на основе многоязычной encoder-decoder архитектуры M2M-100 от Meta. Модель рассчитана на перевод между русским и английским языками; карточка сообщает о дообучении на наборе данных, название которого не приведено. Для оценки указан результат BLEU 70,991 на evaluation set. Модель содержит 332,5 млн параметров, использует библиотеку Transformers и формат весов safetensors. Длина контекста — 1024 токена. Лицензия — MIT. Карточка не описывает ограничения или условия оценки подробнее.

Stable-Platypus2-13B — языковая модель, созданная объединением Platypus2-13B и StableBeluga-13B. В карточке указаны Platypus2-13B от Cole Hunter и Ariel Lee и StableBeluga-13B от StabilityAI. Модель построена на авторегрессионной архитектуре LLaMA 2, содержит 12,9 млрд параметров и имеет контекст до 4096 токенов. Модель предназначена для генерации текста по инструкциям на английском языке. Её можно применять для ответов на вопросы, решения задач по STEM и логике, а также для генерации объяснений и другого текста. В карточке приведена оценка на тестах ARC, HellaSwag, MMLU и TruthfulQA. Модель может выдавать неточные, предвзятые или нежелательные ответы; испытания проводились на английском языке и не охватывают все сценарии. Лицензия репозитория — CC BY-NC-SA 4.0, поэтому коммерческое использование ограничено её условиями.

Synth 2.5 Pro Preview — экспериментальная текстовая чат-модель от LucidityAI, дообученная методом SFT на базе Gemma 4 26BA4B. В модели 26 млрд общих параметров, из них активно используются 4 млрд. Она предназначена прежде всего для творческой генерации и диалогов; поддерживает гибридный режим рассуждений, а для этой предварительной версии авторы рекомендуют творческие задачи в режиме без рассуждений. Модель опубликована в формате safetensors. Это ранняя версия до применения RLAIF, поэтому её качество может быть ниже качества финального Synth 2.5 Pro. По отзывам пользователей, модель может быть нестабильной при высоких значениях температуры и выдавать предсказуемые ответы. Она способна создавать вредный, незаконный и откровенный контент, поэтому для практического развертывания авторы рекомендуют использовать модерацию. Условия лицензии в предоставленных данных не описаны.

minhtoan/t5-small-vietnamese-news — компактная модель суммаризации новостных текстов на вьетнамском языке, разработанная Phan Minh Toan. Это encoder-decoder модель семейства T5 на базе Transformers, обученная на вьетнамских новостях; в метаданных указаны датасеты Vietnews и WikiLingua. Модель предназначена для создания краткого пересказа статьи по входному тексту. При обучении использовались входы длиной до 512 токенов и целевые сводки длиной до 150 токенов. Число параметров — 157,4 млн; доступны веса в формате PyTorch. Модель распространяется по лицензии MIT. README характеризует её как лёгкую, но не приводит сравнительных оценок качества.

Tai — большая языковая модель Metaspectral, дообученная на LLaMA 2 70B. Она предназначена для генерации текста и ответов на вопросы общего характера, с акцентом на STEM-дисциплины. Модель использует плотную архитектуру LLaMA и поддерживает контекст до 4096 токенов. Tai принимает текстовые запросы и генерирует текст. Карточка приводит формат диалога с ролями SYSTEM, USER и ASSISTANT. Модель выпущена в формате PyTorch по лицензии Llama 2.

Tema_Q-X6-Thinking — созданная TemaQants доработка большой языковой модели Agent A1 от InternScience для агентных сценариев. Она предназначена для генерации ответов и рассуждений в составе Tema_Q Agent, включая работу со сложными запросами и вызов инструментов. Модель основана на архитектуре семейства Qwen 3.5 MoE, распространяется в формате safetensors и доступна в 2-битном представлении. В карточке заявлена устойчивость при контексте свыше 16 тысяч токенов. Поддерживаются японский, английский и китайский языки. Модель ориентирована на гибкие ответы для агентных задач; заявленные возможности включают следование инструкциям и интерфейс вызова инструментов. README запрещает использовать её для дискриминации, травли, насилия, незаконных и иных вредоносных целей. Лицензия в предоставленных данных не указана.

WindyTranslate/translate-fr-de — модель машинного перевода от Windstorm Labs для перевода текста с французского на немецкий. Она основана на Helsinki-NLP/opus-mt-fr-de: к базовой модели применили LoRA дообучение на параллельных данных и объединили адаптер с основными весами. Модель использует архитектуру Marian, содержит 56,5 млн параметров и принимает текстовый ввод с контекстом до 512 токенов. Модель предназначена для перевода предложений и материалов вроде новостных текстов. В проверке на 48 предложениях из FLORES-200 dev результат составил chrF++ 51,78 и BLEU 24,06; это предварительная оценка, а не публикационный результат. Поддерживается только направление перевода с французского на немецкий. Репозиторий распространяется по лицензии Apache-2.0.

KordAI разработала Typhoon Gemma 3 KordTranslate EN-TH 4B — двунаправленную модель машинного перевода между английским и тайским языками. Это дообученная методом supervised instruction tuning модель typhoon-ai/typhoon2.1-gemma3-4b на архитектуре Gemma 3 с 4 млрд параметров; она принимает текстовые инструкции и выдаёт перевод. Модель предназначена для локализации, перевода документов пакетами, перевода в чат-ботах и образовательных приложениях, а также интеграции через API. В метаданных указано контекстное окно 131072 токена; репозиторий использует формат safetensors. Лицензия — Apache 2.0. Карточка отмечает возможное снижение качества на узкоспециализированных медицинских, юридических и научных текстах. Имена собственные и новые термины следует проверять, а неоднозначные входные фразы могут быть галлюцинированы или перефразированы; для критически важных переводов рекомендуется проверка человеком.

VinAI Translate en2vi v2 — модель машинного перевода, разработанная VinAI для перевода с английского на вьетнамский. Она основана на архитектуре mBART и содержит 269,7 млн параметров; модель доступна в формате PyTorch и рассчитана на контекст до 1024 токенов. Её можно использовать для перевода текстов и как компонент приложений, которым нужен перевод между английским и вьетнамским. Карточка модели описывает семейство VinAI Translate как систему нейронного машинного перевода и указывает на публикацию с экспериментальными результатами. Лицензия репозитория — AGPL-3.0. Авторы просят цитировать статью VinAI Translate при публикации результатов или включении моделей в программное обеспечение.

Zen Ingress 1-3B SFT Merged — это плотная причинно-следственная языковая модель ZenithLLM с 3,1 млрд параметров, созданная на основе Qwen/Qwen2.5-3B-Instruct. Это версия первого этапа supervised fine-tuning с объединёнными весами; модель распространяется в формате Safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для математических рассуждений, пошагового аналитического решения задач и следования структурированным инструкциям в диалогах. Она может применяться для генерации ответов и структурированного текста; в метаданных также указана поддержка интерфейса вызова инструментов. В карточке указан английский язык. Модель доступна по лицензии Apache-2.0. Это промежуточная SFT-версия: для предпочтительно выровненной финальной версии автор указывает отдельную модель Zen Ingress 1-3B DPO Merged.

zephyr-7b-dpo-full — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров, дообученная командой Alignment Handbook методом DPO на датасете HuggingFaceH4/ultrafeedback_binarized поверх alignment-handbook/zephyr-7b-sft-full. Она предназначена для генерации текста и ответов в диалоге; контекст составляет до 32 768 токенов. В README приведены метрики оценки на тестовой выборке, включая точность предпочтений 0,7539 и разницу наград 0,9980. Модель подходит для чат-ботов, генерации ответов и диалоговых приложений. Карточка не описывает поддерживаемые языки, поэтому языковые возможности нельзя уточнить. Ограничения и целевые сценарии использования подробно не раскрыты. Модель распространяется по лицензии Apache-2.0.

vicgalle/zephyr-7b-truthy — диалоговая модель генерации текста на архитектуре Mistral, представленная в формате safetensors и содержащая 7,1 млрд параметров. Метаданные связывают её с набором данных jondurbin/truthy-dpo-v0.1; название репозитория и этот датасет указывают на дообучение, однако README не описывает методику обучения. Модель предназначена для генерации ответов в диалоге и может использоваться в чат-сценариях. Заявленная длина контекста — 32 768 токенов. README приводит результаты Open LLM Leaderboard: средний балл 61,93, AI2 Reasoning Challenge — 60,75, HellaSwag — 84,64; этих оценок недостаточно, чтобы судить о качестве во всех задачах. Модель выпущена под лицензией Apache-2.0. README не уточняет поддерживаемые языки или специальные ограничения применения.

0GM-1.0-35B-A3B (Preview-0427) — мультимодальная модель 0G Compute, дообученная на базе Qwen/Qwen3.6-35B-A3B. Это архитектура Mixture of Experts с 35 млрд параметров, из которых на токен активируется около 3 млрд; модель сочетает языковую часть с энкодером изображений. Она предназначена для диалогов, рассуждений, ответов на вопросы по изображениям и задач, требующих работы с длинным контекстом. В карточке приведены результаты сравнительных тестов, в том числе по математике и общим знаниям; авторы сообщают о преимуществах над сравниваемыми моделями на указанных бенчмарках. Модель поддерживает контекст до 262 144 токенов, расширяемый, по заявлению авторов, примерно до 1 010 000 токенов. Её можно развёртывать через Transformers и специализированные серверные движки; карточка рекомендует мощную мног GPU конфигурацию для обслуживания. Доступна по лицензии Apache-2.0. Приведённые бенчмарки не гарантируют качество на конкретных задачах, а высокие требования к памяти и совместимости инфраструктуры могут затруднить запуск.

Карточка модели ByteDance-Seed/AHN-DN-for-Qwen-2.5-Instruct-14B на Hugging Face совпадает с карточкой ByteDance-Seed/AHN-Mamba2-for-Qwen-2.5-Instruct-3B, поэтому описание составлено по ней. ByteDance-Seed разработала AHN-Mamba2 для Qwen2.5-3B-Instruct — модуль Artificial Hippocampus Network, расширяющий языковую модель механизмом сжатой памяти для работы с длинным контекстом. AHN переносит информацию, выходящую за пределы скользящего окна внимания, в компактное представление, сохраняя точную информацию внутри окна. Репозиторий содержит только веса модуля AHN: 11,9 млн параметров; базовая модель Qwen2.5-3B-Instruct замораживается при обучении, а обучаются параметры AHN. Метаданные указывают архитектуру Qwen2, 3,1 млрд параметров для модели и контекст до 32 768 токенов. Модель предназначена для генерации текста по длинным последовательностям и сценариев, где важно учитывать контекст за пределами обычного окна внимания. Для контекстов длиной не больше скользящего окна она работает как стандартный Transformer; более дальняя информация хранится сжато, поэтому её точность может быть ниже, чем у исходного токенного контекста. Использование предполагает интеграцию модуля с базовой моделью и соответствующей программной реализацией AHN. Лицензия в метаданных обозначена как other; конкретные условия в предоставленных сведениях не раскрыты.

Карточка модели ByteDance-Seed/AHN-DN-for-Qwen-2.5-Instruct-7B на Hugging Face совпадает с карточкой ByteDance-Seed/AHN-Mamba2-for-Qwen-2.5-Instruct-3B, поэтому описание составлено по ней. ByteDance-Seed разработала AHN-Mamba2 для Qwen2.5-3B-Instruct — модуль Artificial Hippocampus Network, расширяющий языковую модель механизмом сжатой памяти для работы с длинным контекстом. AHN переносит информацию, выходящую за пределы скользящего окна внимания, в компактное представление, сохраняя точную информацию внутри окна. Репозиторий содержит только веса модуля AHN: 11,9 млн параметров; базовая модель Qwen2.5-3B-Instruct замораживается при обучении, а обучаются параметры AHN. Метаданные указывают архитектуру Qwen2, 3,1 млрд параметров для модели и контекст до 32 768 токенов. Модель предназначена для генерации текста по длинным последовательностям и сценариев, где важно учитывать контекст за пределами обычного окна внимания. Для контекстов длиной не больше скользящего окна она работает как стандартный Transformer; более дальняя информация хранится сжато, поэтому её точность может быть ниже, чем у исходного токенного контекста. Использование предполагает интеграцию модуля с базовой моделью и соответствующей программной реализацией AHN. Лицензия в метаданных обозначена как other; конкретные условия в предоставленных сведениях не раскрыты.

Карточка модели ByteDance-Seed/AHN-GDN-for-Qwen-2.5-Instruct-3B на Hugging Face совпадает с карточкой ByteDance-Seed/AHN-Mamba2-for-Qwen-2.5-Instruct-3B, поэтому описание составлено по ней. ByteDance-Seed разработала AHN-Mamba2 для Qwen2.5-3B-Instruct — модуль Artificial Hippocampus Network, расширяющий языковую модель механизмом сжатой памяти для работы с длинным контекстом. AHN переносит информацию, выходящую за пределы скользящего окна внимания, в компактное представление, сохраняя точную информацию внутри окна. Репозиторий содержит только веса модуля AHN: 11,9 млн параметров; базовая модель Qwen2.5-3B-Instruct замораживается при обучении, а обучаются параметры AHN. Метаданные указывают архитектуру Qwen2, 3,1 млрд параметров для модели и контекст до 32 768 токенов. Модель предназначена для генерации текста по длинным последовательностям и сценариев, где важно учитывать контекст за пределами обычного окна внимания. Для контекстов длиной не больше скользящего окна она работает как стандартный Transformer; более дальняя информация хранится сжато, поэтому её точность может быть ниже, чем у исходного токенного контекста. Использование предполагает интеграцию модуля с базовой моделью и соответствующей программной реализацией AHN. Лицензия в метаданных обозначена как other; конкретные условия в предоставленных сведениях не раскрыты.

Карточка модели ByteDance-Seed/AHN-GDN-for-Qwen-2.5-Instruct-7B на Hugging Face совпадает с карточкой ByteDance-Seed/AHN-Mamba2-for-Qwen-2.5-Instruct-3B, поэтому описание составлено по ней. ByteDance-Seed разработала AHN-Mamba2 для Qwen2.5-3B-Instruct — модуль Artificial Hippocampus Network, расширяющий языковую модель механизмом сжатой памяти для работы с длинным контекстом. AHN переносит информацию, выходящую за пределы скользящего окна внимания, в компактное представление, сохраняя точную информацию внутри окна. Репозиторий содержит только веса модуля AHN: 11,9 млн параметров; базовая модель Qwen2.5-3B-Instruct замораживается при обучении, а обучаются параметры AHN. Метаданные указывают архитектуру Qwen2, 3,1 млрд параметров для модели и контекст до 32 768 токенов. Модель предназначена для генерации текста по длинным последовательностям и сценариев, где важно учитывать контекст за пределами обычного окна внимания. Для контекстов длиной не больше скользящего окна она работает как стандартный Transformer; более дальняя информация хранится сжато, поэтому её точность может быть ниже, чем у исходного токенного контекста. Использование предполагает интеграцию модуля с базовой моделью и соответствующей программной реализацией AHN. Лицензия в метаданных обозначена как other; конкретные условия в предоставленных сведениях не раскрыты.

Карточка модели ByteDance-Seed/AHN-Mamba2-for-Qwen-2.5-Instruct-14B на Hugging Face совпадает с карточкой ByteDance-Seed/AHN-Mamba2-for-Qwen-2.5-Instruct-3B, поэтому описание составлено по ней. ByteDance-Seed разработала AHN-Mamba2 для Qwen2.5-3B-Instruct — модуль Artificial Hippocampus Network, расширяющий языковую модель механизмом сжатой памяти для работы с длинным контекстом. AHN переносит информацию, выходящую за пределы скользящего окна внимания, в компактное представление, сохраняя точную информацию внутри окна. Репозиторий содержит только веса модуля AHN: 11,9 млн параметров; базовая модель Qwen2.5-3B-Instruct замораживается при обучении, а обучаются параметры AHN. Метаданные указывают архитектуру Qwen2, 3,1 млрд параметров для модели и контекст до 32 768 токенов. Модель предназначена для генерации текста по длинным последовательностям и сценариев, где важно учитывать контекст за пределами обычного окна внимания. Для контекстов длиной не больше скользящего окна она работает как стандартный Transformer; более дальняя информация хранится сжато, поэтому её точность может быть ниже, чем у исходного токенного контекста. Использование предполагает интеграцию модуля с базовой моделью и соответствующей программной реализацией AHN. Лицензия в метаданных обозначена как other; конкретные условия в предоставленных сведениях не раскрыты.

BigTranslate — мультиязычная модель для перевода, созданная дообучением LLaMA-13B. Разработчики расширили языковые возможности исходной модели в три этапа: продолжили обучение на китайских текстах, затем на параллельных данных для 102 естественных языков и после этого настроили модель на инструкции по переводу. В метаданных указаны архитектура LLaMA для авторегрессионной генерации текста, размер 13 млрд параметров и формат PyTorch. Модель предназначена для перевода между естественными языками и выполнения переводческих запросов в формате инструкций. Авторы сообщают о предварительных результатах, сопоставимых с ChatGPT и Google Translate для многих языков, и о превосходстве над ChatGPT в восьми языковых парах. Эти результаты относятся к экспериментам авторов и не гарантируют такое же качество для любых языков и текстов. Модель выпущена под лицензией LGPL-3.0. Карточка не сообщает длину контекста и не приводит полный перечень поддерживаемых языков; заявлена работа с более чем 100 языками, включая китайский.

HiTZ/cap-punct-es — модель центра HiTZ при Университете Страны Басков UPV/EHU для восстановления заглавных букв и пунктуации в испанском тексте. Она обучена с нуля на базе Marian NMT на корпусе примерно из 9,8 млн предложений. Архитектура — MarianMTModel, размер — 41,6 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст без регистра и пунктуации и возвращает восстановленный текст. Модель предназначена для обработки испанских предложений, в том числе распознанной речи и текста, в котором при подготовке удалили регистр и знаки препинания. В оценках на подвыборках FLORES-101 и Common Voice модель снизила WER с 19,55% до 5,99% и с 22,42% до 5,75% соответственно. Лицензия — Apache 2.0. Результаты зависят от соответствия входного текста обработке, использованной при обучении; разработчики также отмечают возможные смещения и нежелательные искажения.

ChineseErrorCorrector4-4B (CSRP) — китайская модель коррекции грамматики и проверки орфографии, разработанная авторами работы CSRP. Она дообучена на базе Qwen/Qwen3-4B и предназначена для исправления ошибок в обычных китайских текстах и текстах изучающих язык. Модель использует плотную архитектуру Qwen3 с 3,7 млрд параметров и поддерживает контекст до 262144 токенов. Обучение включало продолженное предобучение, дообучение с примерами рассуждений и выравнивание с помощью GRPO и награды за эффективность исправлений. Такой подход нацелен на точные правки и снижение избыточного переписывания корректного текста. В README заявлены результаты на бенчмарках NACGEC и CSCD. Модель принимает текст и генерирует исправленный текст; карточка указывает китайский язык. Лицензия — Apache-2.0.

Chuluun-Qwen2.5-32B-v0.01 — языковая модель на 32 млрд параметров от DatToad, созданная слиянием нескольких моделей семейства Qwen2.5 методом Model Stock. В качестве базовой использована rombodawg/Rombos-LLM-V2.5-Qwen-32b; в слияние также вошли модели EVA-UNIT-01, ArliAI и Sao10K. Модель работает через Transformers, хранится в формате safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста, ролевых диалогов, отыгрыша персонажей и написания историй, включая сценарии с эротическим ролевым контентом. Использует формат запросов ChatML. Автор отмечает, что качество зависит от задачи и стиля письма; при генерации китайского текста в некоторых случаях рекомендует настроить TopK на 200. Для запуска в квантованном виде автор указывает, что Q4_K_S или сопоставимый уровень сжатия пригоден для работы на видеокарте с 24 ГБ памяти. Это экспериментальная версия v0.01. Лицензия в предоставленных сведениях не указана.

Chuluun-Qwen2.5-72B-v0.08 — созданное DatToad слияние нескольких дообученных языковых моделей семейства Qwen2.5 методом Model Stock с помощью mergekit. Это плотная авторегрессионная модель на 71,5 млрд параметров для генерации текста и диалогов; она принимает текст, поддерживает ChatML и имеет контекст до 131 072 токенов. Основные сценарии — творческое письмо, сложные истории и ролевое общение на английском языке. Автор отмечает хорошую управляемость при написании историй и высокую вариативность ответов. Модель может быть менее связной, чем версия v0.01, выбирать странные слова или повторять диалог; для получения подходящего результата рекомендуется перегенерировать варианты и редактировать текст. README предупреждает, что модель может создавать мрачный контент. Лицензия в предоставленных материалах не указана.

CLASS-IT — языковая модель на 140 млн параметров, созданная COLING Lab на архитектуре LLaMA. Модель предварительно обучена в течение восьми эпох на очищенной версии набора данных BabyLM Challenge strict track, а затем дообучена на диалоговых и образовательных данных общим объёмом 8,7 млн слов. Для дообучения использованы корпус разговоров на основе Switchboard и расширенная версия англоязычной Simple English Wikipedia. Модель предназначена для генерации текста и взаимодействия в диалоговых и образовательных сценариях. Она участвовала в Interaction Track конкурса BabyLM Challenge 2025. В репозитории указаны формат safetensors и библиотека Transformers; контекст составляет 6144 токена. Лицензия в предоставленных данных не указана.

Репозиторий ONNX Runtime содержит оптимизированные версии DeepSeek-R1-Distill-Qwen-1.5B и DeepSeek-R1-Distill-Qwen-7B для ускоренного инференса. Модели представлены в формате ONNX и предназначены для генерации текста; их можно запускать через ONNX Runtime на CPU и GPU, включая серверы, настольные компьютеры и мобильные CPU. Разработчик — ONNX Runtime. В репозитории есть конфигурации с квантизацией int4 методом RTN, а также варианты с разной точностью для целевых устройств. README приводит примеры более высокой скорости генерации на отдельных конфигурациях, но отмечает, что оптимизации могут немного менять ответы относительно базовой модели. Указана лицензия MIT. Подробности о задачах и языках базовых моделей приведены в карточках DeepSeek-R1-Distill-Qwen-1.5B и DeepSeek-R1-Distill-Qwen-7B; Python, C и C++ в README перечислены как языки программирования, а не естественные языки.

DeepSeek-R1-Distill-Qwen-1.5B-GGUF — это квантизированная версия модели DeepSeek-R1-Distill-Qwen-1.5B, разработанной командой DeepSeek-AI. Формат GGUF подготовлен bartowski на основе llama.cpp, релиз b4514; модель распространяется в рамках сообщества LM Studio, но LM Studio не является её разработчиком или владельцем. Модель предназначена для генерации текста и прежде всего ориентирована на задачи рассуждения и пошагового анализа. Она дистиллирована из reasoning-модели DeepSeek R1 и настроена на работу с chain-of-thought. Указана поддержка контекстного окна до 128k токенов. Другие характеристики, включая точный размер в параметрах исходной GGUF-сборки, поддерживаемые языки и мультимодальные возможности, в README не приведены; по указанным данным модель относится к текстовым, а не мультимодальным системам. К сильным сторонам относятся компактный размер базовой модели, ориентация на рассуждения и большой заявленный контекст. Ограничения включают возможные неточные, вредоносные или неподходящие ответы, а также отсутствие гарантий качества, безопасности и стабильности использования. Лицензия в README не указана, поэтому условия коммерческого и иного использования необходимо уточнять в материалах исходной модели DeepSeek-R1-Distill-Qwen-1.5B и конкретной GGUF-сборки.

Elucidate — компактная языковая модель семейства Llama, опубликованная freshminttt. Это модель с плотной архитектурой для генерации текста и чат-сценариев; в метаданных указано 7,5 млрд параметров и контекст до 131 072 токенов. Автор описывает её как преобразующий слой: большая модель задаёт факты, аудиторию, тему и последовательность смысловых шагов, а Elucidate формулирует материал более естественным голосом и в выбранном стиле. Среди примеров стилей — терпеливое техническое объяснение, обучение через вопросы и аргументированное изложение. Модель рассчитана на локальное использование в интерфейсах между LLM и людьми: для объяснений, учебных материалов, обновлений о длительных задачах и писем. README рекомендует передавать ей спецификацию, а не готовый текст для простой перефразировки; автор отмечает, что оставленные без уточнений смысловые связи модель может додумывать. По заявлению автора, для надёжного результата обычно следует сгенерировать несколько вариантов и поручить большой модели финальную проверку и редактуру. Для указанных автором fp16-весов требуется около 18 ГБ оперативной памяти. В репозитории также описана 8-битная квантизация MLX: около 8 ГБ на диске и 11 ГБ оперативной памяти; по словам автора, она работает быстрее, но может чаще галлюцинировать. Лицензия — Llama 3.1. Заявления README о результатах детекторов AI-текста являются оценками автора, а не независимой гарантией качества.

EVA Qwen2.5 14B 0.1 — полно-параметрическая дообученная языковая модель, созданная Kearm и Auri на основе Qwen/Qwen2.5-14B. Она предназначена для ролевого общения, написания историй и творческих текстов; при обучении использовалась смесь синтетических и естественных данных, в том числе наборы для инструкций, ролевых карточек и коротких рассказов. Модель построена на плотной архитектуре Qwen2 и содержит 14 млрд параметров. Она поддерживает генерацию текста, чатовый формат ChatML и контекст до 131 072 токенов. Для генерации авторы рекомендуют температуру 1, Typical-P 0,9, Min-P 0,05, Top-A 0,2 и штраф за повторения 1,03. В версии 0.1 очищены и дедуплицированы обучающие данные, а также увеличена длина последовательности; по описанию авторов, модель стала стабильнее при коротких запросах и использовании Min-P. README не сообщает о целевых языках. Модель распространяется по лицензии Apache-2.0.

EVA-Qwen2.5-7B-v0.0 — языковая модель для ролевых диалогов и написания историй, созданная Kearm и Auri. Это полно-параметрическое дообучение Qwen/Qwen2.5-7B с плотной архитектурой Qwen2 и 7,1 млрд параметров. Модель принимает текстовые запросы в формате ChatML и генерирует текст; заявленная длина контекста — 131 072 токена. Обучение проводилось на смеси синтетических и естественных данных, включая наборы для инструкций, структурированного письма, ролевых персонажей и коротких рассказов. Модель рассчитана на творческое письмо и ролевое взаимодействие; для запуска автор рекомендует температуру 0,87, Top-P 0,81 и штраф за повторы 1,05. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.