I.5Создание и редактирование текста

Muse-Glimmer-30B Abliterated — дообученная версия Muse-Glimmer-30B, созданная автором репозитория jorkle. Это плотная мультимодальная модель семейства Muse-Glimmer с примерно 29,8 млрд параметров; карточка описывает вариант BF16 и отдельные квантизированные сборки GGUF. Модель предназначена для диалогового ассистирования общего назначения с уменьшенной склонностью к отказам. Для снижения частоты отказов применялось дообучение LoRA на 544 примерах с ограничением отклонения от базовой модели через KL-регуляризацию; адаптер затем объединён с базовыми весами. В README приведены измерения отказов и KL-дивергенции, но бенчмарки способностей не проводились. Модель может принимать текстовые и визуальные входы согласно мультимодальности базовой модели, однако карточка не описывает отдельно оценку этих возможностей. Указанная лицензия — Apache-2.0. Модель следует проверять на конкретном сценарии: снижение числа отказов не устраняет отказы полностью, а результаты тестирования выявили как пропуски ожидаемых отказов, так и отдельные отказы на кибербезопасностных запросах.

Narwhal-7b — языковая модель Vezora на архитектуре Llama, содержащая 6,6 млрд параметров. По карточке, это слияние Stable Beluga, MegaCoder, Wizard-Math и Llama Chat 7B; заявленные доли компонентов в описании противоречивы, поэтому точный состав слияния установить нельзя. Модель предназначена для генерации текста, ответов на вопросы и решения математических задач. В тестировании автор использовал шаблоны запросов Stable Beluga и Llama Chat и сообщает о лучших результатах с форматом Llama v2. Контекст модели — 2048 токенов; репозиторий содержит веса PyTorch. Автор предупреждает, что модель не предназначена для коммерческого использования из-за лицензий базовых моделей и происхождения части обучающих данных. Подробные результаты бенчмарков в карточке не приведены.

Negative_LLAMA_70B — дообученная модель SicariusSicariiStuff на базе Meta Llama 3.3 70B Instruct. Это плотная авторегрессионная языковая модель на 69,5 млрд параметров с контекстом до 131 072 токенов, рассчитанная на генерацию текста и диалоговое взаимодействие. Модель предназначена для ролевых игр, творческого письма и общих задач ассистента. По описанию разработчика, дообучение смягчает типичную для чат-моделей склонность к излишне позитивным ответам, улучшает следование карточкам персонажей и допускает более низкий уровень отказов. В ролевых сценах и историях могут появляться более мрачные оттенки и физически правдоподобные последствия действий персонажей. Модель принимает текст и выдаёт текст. В карточке заявлена поддержка английского языка; базовая Llama 3.3 — мультиязычная, однако README не уточняет языковую поддержку именно этой настройки. Для использования указана лицензия Llama 3.3. Разработчик рекомендует специальные параметры генерации и формат для ролевых игр; качество и стиль ответов зависят от настроек.

Omni-31B Turkish Reasoning Model — модель автора bugrabilge, дообученная методом full fine-tune на базе google/gemma-4-31B с использованием 249 292 отфильтрованных турецких примеров Chain-of-Thought. Она предназначена для ответов на вопросы на турецком языке, многошаговых рассуждений, объяснительного анализа и создания длинных структурированных текстов; обучена выдавать блок рассуждений перед итоговым ответом. Архитектура — плотная Gemma 4, файлы представлены в формате safetensors, библиотека — Transformers. Модель рассчитана на текстовый ввод и текстовый вывод, хотя базовая архитектура поддерживает мультимодальность. Заявленный бюджет контекста составляет 8192 токена суммарно для запроса и ответа. Модель подходит для учебного ассистента, анализа научных и гуманитарных тем, подготовки академических черновиков и исследований турецкоязычных рассуждений. Она склонна к длинным ответам и может менять формат вывода; короткие ответы и последовательное оформление требуют явных инструкций. Возможны фактические ошибки, а актуальные сведения следует проверять по официальным источникам. Автор рекомендует использовать модель для исследований и обучения, а не как основание для профессиональных решений. Лицензия — Gemma.

Карточка модели Salahuddin1234/omnidoctor-qwen-omni на Hugging Face совпадает с карточкой Qwen/Qwen3-Omni-30B-A3B-Instruct, поэтому описание составлено по ней. Qwen3-Omni-30B-A3B-Instruct — мультимодальная модель общего назначения от команды Qwen компании Alibaba. Она принимает текст, изображения, аудио и видео и формирует потоковые ответы текстом и естественной речью; вариант Instruct включает компоненты Thinker и Talker. Архитектура MoE использует разделение на Thinker и Talker, а модель рассчитана на низколатентное взаимодействие в реальном времени и управление поведением через системные промпты. Модель предназначена для голосовых диалогов, распознавания и понимания речи, описания аудио и видео, а также ответов на вопросы по изображениям и смешанным мультимодальным входам. README заявляет поддержку 119 языков для текста, 19 языков для речевого ввода и 10 для речевого вывода; среди явно перечисленных языков речи есть русский. В примере запуска указан максимальный контекст 65 536 токенов. Для работы предлагаются Transformers и vLLM; README отмечает, что на момент публикации требовалась установка Transformers из исходников. Лицензия в метаданных обозначена как other, без уточнения условий.

OPT-350M-Nerys-v2 — дообученная KoboldAI модель на базе Facebook OPT. Она предназначена для продолжения текста и генерации художественной прозы: при обучении использовались около 2500 электронных книг разных жанров, датасет интерактивных историй CYS и 50 азиатских лайт-новелл; часть примеров была помечена жанровыми префиксами. Модель имеет плотную авторегрессионную архитектуру OPTForCausalLM, содержит 454,1 млн параметров и рассчитана на контекст до 2048 токенов. Карточка демонстрирует генерацию на английском языке через Transformers. Лицензия указана как other, поэтому конкретные условия использования следует уточнить в репозитории. Возможны гендерные, профессиональные, расовые и религиозные предубеждения, характерные для NLP-моделей.

Helsinki-NLP разработала opus-mt-ar-en — модель машинного перевода с арабского языка на английский из семейства OPUS-MT. Это компактная модель на архитектуре Transformer, реализованная как MarianMTModel; она содержит 57,3 млн параметров и использует SentencePiece с нормализацией текста. Модель принимает арабский текст и генерирует его перевод на английский. Длина контекста составляет 512 токенов. Модель обучена на данных OPUS. В карточке приведён результат 49,4 BLEU и 0,661 chr-F на тестовом наборе Tatoeba.ar.en. Она подходит для перевода отдельных текстов и интеграции в приложения машинного перевода. Доступна по лицензии Apache-2.0, форматы репозитория включают PyTorch и TensorFlow.

Helsinki-NLP/opus-mt-cs-fr — модель машинного перевода, разработанная проектом OPUS под организацией Helsinki-NLP. Она переводит текст с чешского языка на французский. Модель построена на архитектуре Marian Transformer; для предобработки применяются нормализация и SentencePiece. Веса доступны в форматах PyTorch и TensorFlow, размер модели — около 55 млн параметров, заявленная длина контекста — 512 токенов. Модель предназначена для перевода предложений и текстовых фрагментов с чешского на французский. В карточке приведён результат BLEU 21,0 и chr-F 0,488 на тестовом наборе GlobalVoices.cs.fr. Репозиторий распространяется по лицензии Apache 2.0.

Helsinki-NLP/opus-mt-da-fr — модель машинного перевода датского языка на французский из проекта OPUS. Это плотная модель архитектуры MarianMT на базе Transformer-align, обученная на данных OPUS; предобработка включает нормализацию и SentencePiece. Модель содержит 54,4 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для перевода датских текстов на французский, например предложений и коротких документов. В карточке приведены результаты оценки на Tatoeba.da.fr: BLEU 62,2 и chr-F 0,751. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-en-ca — модель машинного перевода OPUS, разработанная Helsinki-NLP. Она переводит текст с английского на каталанский и предназначена для автоматического перевода фраз и документов в прикладных системах. Модель основана на архитектуре Transformer-align и реализована как MarianMTModel; в обучении использован набор данных OPUS, а предобработка включает нормализацию и SentencePiece. Размер модели — 53,5 млн параметров, длина контекста — до 512 токенов. Для набора Tatoeba.en.ca в карточке приведены оценки BLEU 47,2 и chr-F 0,665. Модель принимает и выдаёт текст, поддерживает английский как исходный язык и каталанский как целевой. Распространяется по лицензии Apache-2.0.

Helsinki-NLP разработала opus-mt-en-cs — модель машинного перевода с английского на чешский язык. Она предназначена для перевода отдельных фраз и текстов, в том числе новостных материалов; в карточке приведены результаты оценки на нескольких новостных тестовых наборах. Модель использует архитектуру Transformer в реализации MarianMT и насчитывает 57,2 млн параметров. Текст нормализуется и токенизируется с помощью SentencePiece; максимальная длина контекста составляет 512 токенов. Репозиторий содержит веса PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-en-ru — модель машинного перевода с английского на русский, созданная Helsinki-NLP в рамках проекта OPUS. Это трансформер MarianMT с архитектурой transformer-align и примерно 57,2 млн параметров. Модель обучена на корпусе OPUS; перед переводом текст нормализуется и разбивается на подслова SentencePiece. Она принимает английский текст и выдаёт его перевод на русском, с контекстным окном до 512 токенов. Модель подходит для перевода предложений и документов с английского на русский. В карточке приведены результаты на нескольких тестовых наборах новостных текстов: BLEU составляет 23,5–31,1, chr-F — 0,513–0,581. Эти показатели относятся к указанным наборам и не гарантируют такое же качество на других жанрах и тематиках. Распространяется по лицензии Apache 2.0.

ooeoeo/opus-mt-en-ru-ct2-float16 — конвертированная версия модели Helsinki-NLP для перевода с английского на русский. Модель в формате CTranslate2 с точностью float16 предназначена для запуска в настольном движке ooeoeo с inference runtime opus-mt-server. Модель использует вариант base семейства OPUS-MT и выполняет машинный перевод текста с английского языка на русский. В README не приведены размер модели и длина контекста. Лицензия — Apache-2.0.

opus-mt-et-en — модель машинного перевода из семейства OPUS-MT, опубликованная Helsinki-NLP. Она переводит текст с эстонского языка на английский и построена на архитектуре MarianMT с трансформером; число параметров составляет 55,3 млн, а максимальная длина контекста — 512 токенов. Для нормализации текста и токенизации используется SentencePiece. Модель предназначена для перевода отдельных фраз и текстов, включая новости и короткие пользовательские тексты. В карточке приведены результаты на тестах новостного перевода и Tatoeba: BLEU 30,1–30,3 для новостных наборов и 59,9 для Tatoeba. Это опубликованные значения на конкретных тестах, а не гарантия качества для любых текстов. Модель распространяется по лицензии Apache 2.0.

Helsinki-NLP/opus-mt-mk-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с македонского языка на английский и основана на архитектуре MarianMT с трансформером; в метаданных указано 56,9 млн параметров и контекст до 512 токенов. Для предобработки используются нормализация текста и SentencePiece. Модель рассчитана на перевод отдельных фраз и текстов с македонского на английский; в README приведены результаты тестирования на Tatoeba.mk.en: BLEU 59,8 и chr-F 0,720. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-ru-bg — модель машинного перевода проекта OPUS-MT от Helsinki-NLP. Она переводит текст с русского на болгарский; поддерживаются болгарская кириллица и латинская запись. Модель построена на Transformer и реализована архитектурой MarianMT, содержит 54,5 млн параметров и рассчитана на контекст до 512 токенов. Перед переводом текст нормализуется и токенизируется SentencePiece с моделью словаря на 32 тысячи элементов. Для указания целевого языка в начале предложения требуется токен вида `>>id<<` с допустимым идентификатором языка. В README приведён результат на тесте Tatoeba: BLEU 52,3 и chr-F 0,704; эти показатели относятся к указанному набору данных и не гарантируют аналогичное качество на других текстах. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-ru-es — модель машинного перевода из проекта OPUS, разработанная Helsinki-NLP. Она переводит текст с русского языка на испанский и предназначена для использования в системах перевода и локализации. Модель основана на архитектуре Transformer и реализована как MarianMTModel; число параметров — 57,6 млн, длина контекста — до 512 токенов. В предобработке используются нормализация текста и SentencePiece. В карточке приведены результаты оценки на наборах newstest2012, newstest2013 и Tatoeba. Модель принимает и выдаёт текст. Распространяется по лицензии Apache-2.0; доступны веса в форматах PyTorch и TensorFlow.

Helsinki-NLP разработала эту модель машинного перевода в рамках проекта OPUS-MT. Она переводит текст с английского языка на арабский; обучена на данных OPUS с использованием Marian NMT и доступна в формате Transformers. Архитектура — MarianMT, размер — 163,4 млн параметров, максимальная длина контекста — 1024 токена. Модель предназначена для перевода предложений и текстовых фрагментов; в карточке приведены результаты на тестовых наборах Tatoeba, FLORES-101 и TICO-19. Лицензия — CC BY 4.0.

Helsinki-NLP/opus-mt-tc-big-en-bg — модель машинного перевода проекта OPUS-MT, разработанная с использованием Marian NMT и опубликованная в формате Transformers. Она переводит текст с английского языка на болгарский. Модель основана на архитектуре MarianMT с конфигурацией Transformer Big, содержит 162,5 млн параметров и обучена на данных OPUS с использованием обратного перевода. Контекст модели — до 1024 токенов; для токенизации используется SentencePiece. Модель предназначена для автоматического перевода предложений и текстов с английского на болгарский, в том числе в приложениях на базе Transformers. В карточке приведены результаты тестирования на наборах Tatoeba и FLORES-101. Доступна по лицензии CC BY 4.0.

Helsinki-NLP разработала эту модель в рамках проекта OPUS-MT для машинного перевода с английского на эстонский. Это крупная версия Transformer, обученная с помощью Marian NMT на данных OPUS, включая синтетические данные обратного перевода; токенизация выполнена SentencePiece с словарями по 32 тысячи токенов. Модель насчитывает 159,4 млн параметров, поддерживает контекст до 1024 токенов и доступна в формате PyTorch и Safetensors через Transformers. Модель предназначена для перевода предложений и текстов с английского на эстонский. В карточке приведены результаты на тестовых наборах Tatoeba, FLORES-101 и newsdev2018. Модель специализирована на одной языковой паре и не заявлена для перевода в обратном направлении. Лицензия — CC BY 4.0.

GestaltLabs/Ornstein-Hermes-3.6-27B-GGUF — набор GGUF-квантизаций модели GestaltLabs/Ornstein-hermes-3.6-27b, представляющей собой дообученную в формате Hermes версию Ornstein-3.6-27B на базе мультимодальной Qwen 3.6 с 27 млрд параметров. Квантизации подготовлены с помощью llama.cpp; для калибровки K- и I-квантизаций использован imatrix на 800 диалогах с применением инструментов из датасета Acta-Synthetic. Модель предназначена для мультимодальных задач image-text-to-text, диалогового взаимодействия, агентских сценариев, вызова функций и использования внешних инструментов. Она обучена работать с Hermes-форматом function calling и поддерживает tool use; заявлен английский язык. В репозитории доступны варианты от IQ2_M размером около 9,3 ГБ до Q8_0 размером около 26,6 ГБ, что позволяет выбирать баланс между требованиями к памяти и качеством. Более высокие разрядности обеспечивают большую точность, а агрессивные 3- и 2-битные варианты требуют меньше памяти, но заметно снижают качество. Модель распространяется в формате GGUF и совместима с llama.cpp, Ollama и LM Studio. Квантизация ориентирована на распределения данных, характерные для вызова инструментов, что может быть сильной стороной в агентских задачах, однако README не содержит независимых результатов оценки качества, максимального размера контекста и подробностей о поддерживаемых языках помимо английского. Лицензия — Apache 2.0, унаследованная от базовой модели Qwen 3.6.

Модель failspy/Phi-3-vision-128k-instruct-abliterated-alpha создана автором failspy на основе microsoft/Phi-3-vision-128k-instruct. Это мультимодальная модель семейства Phi-3-Vision с 3,7 млрд параметров: она принимает текст и изображения, а отвечает текстом в формате диалога. Автор применил ортогонализацию весов bf16, чтобы ослабить склонность модели отказывать в ответах; зрительные слои не изменялись, преобразованию подверглись языковые и чат-слои. Модель предназначена для диалоговых запросов по тексту и изображениям, включая вопросы о визуальном содержимом и генерацию текста или кода. В карточке указаны лицензия MIT и контекст 4096 токенов. Автор называет выпуск экспериментальным и предупреждает, что модель может чаще галлюцинировать, чем исходная, сохранять отказы и проявлять побочные эффекты ортогонализации. Это не дообучение на новых данных, а изменение весов исходной модели для ослабления конкретного поведения.

Phr00tyMix-v2-32B — слитая модель автора Phr00t на архитектуре Qwen2, предназначенная для ролевых диалогов и творческого письма. Она объединяет несколько дообученных моделей Qwen и DeepSeek, включая варианты для ролевых игр, генерации историй и творческих инструкций. Модель содержит 32 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. Для работы используется библиотека Transformers и формат safetensors. Автор отмечает связное следование деталям и ориентацию на сценарии, где нужны творческая свобода и ответы без навязанного пошагового рассуждения. В README также сказано, что версия заменена Phr00tyMix v3, а впечатления от тестирования пока ограничены. Лицензия в предоставленных данных не указана.

QuestionGenerationComQ4 — дообученная модель семейства T5 для генерации вопросов. Она создана на основе Gayathri142214002/Question_Generation_ComQ_3; в карточке указана оценка loss 0,4193 на наборе для оценки. Модель содержит 123,8 млн параметров, использует архитектуру T5ForConditionalGeneration и принимает текстовый контекст длиной до 512 токенов. Модель предназначена для генерации вопросов по тексту. Данные обучения, подробные сценарии применения и результаты оценки по другим метрикам в карточке не описаны. Распространяется по лицензии Apache-2.0.

Карточка модели crazyman177607/Qwen3-0.6B-Base на Hugging Face совпадает с карточкой Qwen/Qwen3-0.6B-Base, поэтому описание составлено по ней. Qwen3-0.6B-Base — базовая плотная авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это предварительно обученная модель примерно с 508 млн параметров: 28 слоёв, группированное внимание с 16 головами Q и 8 головами KV. Она принимает текст и генерирует продолжение, служит основой для дообучения и адаптации под прикладные задачи. Модель предназначена для языкового моделирования общего назначения, включая генерацию текста, работу с кодом, STEM-темами, логическими рассуждениями и многоязычными данными. Контекстное окно составляет 32 768 токенов. В README указано, что семейство Qwen3 обучалось на корпусе из 36 трлн токенов на 119 языках; перечень языков, поддерживаемых именно этой базовой версией, отдельно не приведён. Модель распространяется под лицензией Apache-2.0. Это базовая предобученная версия, поэтому для диалогового помощника или специализированного приложения обычно потребуется дообучение либо настройка шаблона запросов; карточка не приводит конкретных гарантий качества для таких сценариев.

unsloth/Qwen3-4B-Base — плотная авторегрессионная языковая модель семейства Qwen3, представленная Unsloth как производная от Qwen/Qwen3-4B-Base. Это базовая модель на стадии предобучения с примерно 3,7 млрд параметров по метаданным (в карточке указано 4,0 млрд) и контекстом до 32 768 токенов. В архитектуре 36 слоёв и групповое внимание с 32 головами запросов и 8 головами ключей и значений. Модель предназначена для генерации текста и служит основой для последующей адаптации под конкретные инструкции и сценарии. Предобучение Qwen3 охватывает многоязычные данные, код, STEM, рассуждения и общие знания; заявлено покрытие 119 языков. Эти характеристики описывают семейство и обучающие данные, а не гарантируют одинаковое качество на каждом языке и задаче. Репозиторий использует формат Safetensors и библиотеку Transformers; для поддержки архитектуры рекомендуется актуальная версия Transformers, поскольку версии ниже 4.51.0 могут не распознавать Qwen3. Лицензия — Apache-2.0.

techwithsergiu подготовил текстовую производную Qwen/Qwen3.5-2B: из исходной мультимодальной модели удалена визуальная часть, а текстовые веса сохранены без изменений в формате bf16. Это плотная авторегрессионная модель семейства Qwen3.5 с 1,7 млрд параметров и контекстом до 262 144 токенов; она принимает и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Модель предназначена прежде всего как промежуточный артефакт для конвертации в GGUF или слияния слияния после обучения LoRA на CPU. Для прямого дообучения автор рекомендует отдельную версию techwithsergiu/Qwen3.5-text-2B-bnb-4bit. Удаление визуальной части сокращает размер файлов, но исключает работу с изображениями и видео. Лицензия — Apache-2.0.

Qwen3.6 Flash — быстрая и эффективная мультимодальная модель из серии Qwen 3.6, разработанной Alibaba. Она принимает текст, изображения и видео и предназначена для запросов, где нужны ответы по визуальному или текстовому содержимому. Заявлена длина контекста до 1 млн токенов. Карточка также упоминает тарифы с оплатой по уровням, но не приводит подробностей о них. Данных о лицензии и конкретных ограничениях нет.

Это пакет GGUF для распределённого запуска модели семейства Qwen3 через Mesh LLM. Он создан на основе unsloth/Qwen3.8-2.4T-A95B-GGUF: исходное распределение весов разделено на артефакты по слоям, чтобы выполнять инференс на локальном кластере из нескольких машин. Вариант UD-IQ4_XS использует квантизованный формат GGUF IQ4_XS. Модель предназначена для локального приватного чат-инференса, в том числе на нескольких машинах, когда полный файл модели сложно разместить на одном узле. Mesh LLM предоставляет совместимый с OpenAI интерфейс чата и генерации продолжений. Пакет не меняет назначение исходной модели, а упрощает её распределённое размещение и запуск. Репозиторий указывает лицензию «other»; конкретные условия следует сверять с карточкой исходной модели. Пакет рассчитан на запуск через Mesh LLM, а его пригодность зависит от доступных ресурсов кластера и особенностей квантизации.

Qwen3.8-27B-full-Uncensored — текстовая генеративная модель, опубликованная 0xSojalSec и производная от Qwen/Qwen3.8-27B. Модель основана на архитектуре Qwen3 с 27 млрд параметров и предназначена для генерации текста, программного кода и использования в агентных сценариях, включая исследования AI safety, red teaming, кибербезопасность и задачи разработки. Доступны форматы GGUF, safetensors и MLX; поддерживаемые языки и размер контекстного окна в README не указаны. По заявлению автора, модель модифицирована методом abliteration: из весового пространства удалены направления, связанные с отказами и защитными отговорками. Версия V3 сочетает итеративное уточнение и целевую обработку данных. Заявлены сохранение режима thinking, рабочая генерация кода и результат 82,3% на MMLU против 84,5% у исходной модели, то есть снижение на 2,1 процентного пункта. Для генерации рекомендуются температура 0, repetition_penalty 1,15 и не менее 2048 новых токенов; системный промпт лучше не использовать. Ограничениями являются возможное зацикливание без настройки repetition_penalty, отсутствие встроенных защитных отказов и заявленное снижение качества относительно базовой модели. Приведённые оценки основаны на тестах автора и могут не отражать результаты независимой проверки. Модель распространяется по лицензии Apache-2.0. Поскольку защитные механизмы были намеренно ослаблены или удалены, её применение требует дополнительной оценки рисков, особенно в публичных и агентных системах.