I.5Создание и редактирование текста

Helsinki-NLP/opus-mt-en-ilo — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с английского языка на илокано. Модель построена на архитектуре Transformer-align, использует нормализацию текста и токенизацию SentencePiece; число параметров составляет 54,7 млн, длина контекста — 512 токенов. Доступны веса PyTorch и TensorFlow. Модель подходит для перевода предложений и текстов с английского на илокано, в том числе для локализации и подготовки черновиков. В README приведён результат BLEU 33,2 и chr-F 0,584 на тестовом наборе Tatoeba.en.ilo; эти показатели относятся к указанной оценке и не гарантируют качество для других текстов. Модель выпущена под лицензией Apache-2.0.

Helsinki-NLP/opus-mt-en-jap — модель машинного перевода семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с английского языка на японский и предназначена для автоматического перевода предложений и текстовых материалов. Модель построена на архитектуре MarianMT с Transformer, содержит 48,9 млн параметров, использует нормализацию и токенизацию SentencePiece; максимальная длина контекста — 512 токенов. Модель обучена на корпусе OPUS. В карточке приведены результаты тестирования на наборе bible-uedin.en.jap: BLEU 42,1 и chr-F 0,960. Весовые файлы доступны для PyTorch и TensorFlow. Лицензия — Apache-2.0. Модель ориентирована на перевод с английского на японский; показатели на одном тестовом наборе не гарантируют такое же качество для других жанров и предметных областей.

Helsinki-NLP/opus-mt-en-st — модель машинного перевода из семейства OPUS-MT, разработанного Helsinki-NLP. Она переводит текст с английского языка на сесото и предназначена для автоматического перевода фраз и документов в сервисах и рабочих процессах обработки текста. Модель построена на архитектуре Marian Transformer с выравниванием, использует нормализацию и токенизацию SentencePiece. В метаданных указаны 54,5 млн параметров, контекст до 512 токенов и лицензия Apache-2.0. В README приведён результат BLEU 49,8 на тестовом наборе JW300.en.st; этот показатель относится к указанному набору и не гарантирует аналогичное качество на других текстах.

Helsinki-NLP/opus-mt-es-de — модель машинного перевода с испанского на немецкий, разработанная в рамках проекта OPUS и основанная на архитектуре Marian Transformer. Она обучена на данных OPUS; перед переводом текст нормализуется и обрабатывается с помощью SentencePiece. Размер модели — 56,6 млн параметров, длина контекста — 512 токенов. В README приведён результат BLEU 50,0 на тестовом наборе Tatoeba.es.de. Модель предназначена для перевода предложений и текстов с испанского языка на немецкий. Доступны веса PyTorch и TensorFlow. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает об ограничениях качества или специальных областях применения.

Helsinki-NLP/opus-mt-es-en — модель машинного перевода из проекта OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с испанского на английский; направление перевода одноязычное в смысле пары языков: испанский → английский. Модель основана на архитектуре Transformer и реализована как MarianMTModel. Размер — 58,4 млн параметров, длина контекста — 512 токенов. Для предобработки применяются нормализация текста и SentencePiece с словарями по 32 тыс. элементов. В карточке приведены результаты на нескольких тестовых наборах новостных текстов. Подходит для перевода испанских фраз и документов на английский, в том числе в составе приложений на Transformers. Модель не предназначена для обратного перевода с английского на испанский; качество может зависеть от тематики и стиля исходного текста. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-es-gl — модель машинного перевода из семейства OPUS-MT, опубликованная Helsinki-NLP. Она переводит текст с испанского на галисийский и обратно не предназначена: направление перевода — только испанский → галисийский. Модель построена на архитектуре Marian Transformer; использует нормализацию и SentencePiece с словарями по 4 тыс. токенов. Размер — 28,1 млн параметров, контекст — 512 токенов. Модель подходит для перевода отдельных фраз и текстов между испанским и галисийским, в том числе для локализации и предварительного перевода материалов. В карточке приведён результат BLEU 67,6 на Tatoeba-test.spa.glg. Лицензия — Apache-2.0; языки — испанский и галисийский.

opus-mt-ha-en — модель машинного перевода из семейства Marian, подготовленная проектом OPUS-MT для перевода с хауса на английский. Это Transformer-модель с выравниванием, обученная на данных OPUS; перед переводом текст нормализуется и разбивается на части с помощью SentencePiece. Модель принимает текст на хауса и выдаёт перевод на английском. В метаданных указаны 54,9 млн параметров и контекст длиной до 512 токенов. В README приведены результаты на тестовых наборах JW300 и Tatoeba: BLEU 35,0 и 39,0 соответственно. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-lv-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с латышского языка на английский и предназначена для автоматического перевода предложений и текстовых материалов. Модель основана на архитектуре Marian Transformer, использует нормализацию и SentencePiece; содержит 54,8 млн параметров и рассчитана на контекст до 512 токенов. В карточке приведены результаты на тестовых наборах: BLEU 29,9 на newsdev2017, 22,1 на newstest2017 и 53,3 на Tatoeba. Модель поддерживает латышский как исходный язык и английский как целевой. Доступна по лицензии Apache-2.0.

opus-mt-mg-en — модель машинного перевода из семейства Marian, представленная Helsinki-NLP. Она переводит текст с малагасийского языка на английский и обучена на корпусе OPUS. Архитектура — Transformer-align; для обработки текста применяются нормализация и токенизация SentencePiece. Модель содержит 53,2 млн параметров, её контекст ограничен 512 токенами. Модель предназначена для перевода отдельных текстов и фраз с малагасийского на английский, в том числе материалов, похожих на данные GlobalVoices и Tatoeba. В карточке приведены результаты тестирования на этих наборах: BLEU 27,6 и 50,2 соответственно. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-nl-fr — модель машинного перевода, разработанная Helsinki-NLP в рамках проекта OPUS. Она переводит текст с нидерландского языка на французский. Модель основана на архитектуре Transformer-align семейства Marian, использует нормализацию текста и SentencePiece; число параметров — 54,7 млн, максимальная длина контекста — 512 токенов. Доступны веса в форматах PyTorch и TensorFlow. Модель предназначена для перевода предложений и текстов с нидерландского на французский. В карточке приведён результат 51,3 BLEU и 0,674 chr-F на наборе Tatoeba.nl.fr. Модель выпущена под лицензией Apache-2.0. Показатели на конкретном тестовом наборе не гарантируют такое же качество на текстах других жанров и предметных областей.

Helsinki-NLP/opus-mt-ru-uk — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer-align и реализованная как MarianMTModel. Она переводит текст с русского языка на украинский. Модель содержит 54,7 млн параметров, использует нормализацию и токенизацию SentencePiece с словарями spm32k; длина контекста — 512 токенов. Модель подходит для перевода фраз, сообщений и документов с русского на украинский. В README приведён результат BLEU 64,0 на тесте Tatoeba для этой языковой пары; качество на других наборах и для специализированной лексики может отличаться. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP разработала эту модель в рамках проекта OPUS-MT для машинного перевода с каталанского, окситанского и испанского на английский. Модель построена на архитектуре Transformer-big и реализована как MarianMT; в репозитории доступны веса PyTorch и TensorFlow. Объём модели — 156,7 млн параметров, максимальный контекст — 1024 токена. Модель подходит для перевода предложений и текстов с каталанского, окситанского или испанского на английский. Она обучена на данных OPUS с применением конвейера OPUS-MT-train и использует токенизацию SentencePiece с словарями размером 32 тыс. токенов. В README приведены результаты тестирования на Tatoeba и FLORES для отдельных языковых пар. Модель выпущена под лицензией CC BY 4.0. Оценки из тестовых наборов не гарантируют качество на других тематиках и типах текстов; направление перевода ограничено переводом на английский.

OPUS-MT — модель машинного перевода проекта OPUS-MT, первоначально обученная с помощью Marian NMT и опубликованная в формате Transformers. Архитектура — Transformer Big на базе Marian; модель содержит около 159,8 млн параметров и принимает последовательности длиной до 1024 токенов. Она переводит текст с английского на чешский и словацкий, используя токенизацию SentencePiece. Модель предназначена для автоматического перевода отдельных предложений и текстов, а также для встраивания перевода в приложения на базе Transformers. В README приведены результаты тестов для чешского и словацкого направлений. Модель выпущена в рамках OPUS-MT; веса доступны по лицензии CC BY 4.0 с требованием указывать авторство.

Карточка модели Hans-Mueller/opus-mt-tc-big-en-ko на Hugging Face совпадает с карточкой Helsinki-NLP/opus-mt-tc-big-en-ko, поэтому описание составлено по ней. Модель Helsinki-NLP/opus-mt-tc-big-en-ko разработана Language Technology Research Group Хельсинкского университета в рамках проекта OPUS-MT. Это нейросетевая модель машинного перевода на архитектуре Marian transformer-big, предназначенная для перевода текста с английского на корейский. Она обучена на данных OPUS с предобработкой SentencePiece и имеет около 133,4 млн параметров; доступная длина контекста — 1024 токена. Модель подходит для перевода предложений и текстовых фрагментов между английским и корейским языками. Веса доступны в форматах PyTorch, Safetensors и TensorFlow. Лицензия CC-BY-4.0 разрешает использование при соблюдении условий атрибуции. В README приведены сведения об оценке на тестовых данных, но численные результаты не заполнены, поэтому качество для конкретных текстов по этим данным оценить нельзя.

OPUS-MT en-ro — модель машинного перевода с английского на румынский из проекта OPUS-MT. Исходная модель обучена с помощью Marian NMT; версия в Hugging Face преобразована для использования с Transformers. Архитектура — Transformer-big на базе MarianMT, около 156,2 млн параметров, токенизация SentencePiece с словарями по 32 тыс. токенов и контекст до 1024 токенов. Модель предназначена для перевода предложений и текстов с английского на румынский. Она обучалась на данных OPUS с использованием конвейера OPUS-MT-train; в карточке приведены результаты на наборах Tatoeba, FLORES-101 и новостном тестовом наборе. Обратный перевод с румынского на английский не заявлен. Модель выпущена OPUS-MT и распространяется по лицензии CC BY 4.0.

Helsinki-NLP/opus-mt-tc-big-en-zle — модель машинного перевода проекта OPUS-MT, разработанная командой Helsinki-NLP. Она переводит текст с английского языка на белорусский, русский и украинский; целевой язык задаётся специальной меткой. Модель построена на Marian NMT и представлена в архитектуре MarianMTModel. Веса объёмом 163,7 млн параметров доступны в форматах PyTorch, SafeTensors и TensorFlow; длина контекста — до 1024 токенов. Модель предназначена для перевода предложений и текстов с английского на восточнославянские языки. В карточке приведены тестовые результаты на наборах Tatoeba для белорусского, русского и украинского языков. Данные для обучения взяты из OPUS, а обучающий конвейер основан на OPUS-MT-train. Модель опубликована по лицензии CC BY 4.0; при использовании авторы просят цитировать публикации проекта OPUS-MT.

DreamGen Opus V0 70B — модель DreamGen на базе Llama 2, дообученная для управляемого написания историй. Она также подходит для диалогов и ролевых игр. Модель содержит 68,7 млрд параметров, использует архитектуру Llama и принимает текст; максимальная длина контекста — 4096 токенов. Для генерации историй можно задавать сеттинг, предыдущую часть текста и направление развития следующих сцен. При дообучении использовали более миллиона токенов примеров совместного написания и более 20 миллионов токенов общих текстовых примеров; автор указывает, что проза в наборе была написана людьми. Модель описана как uncensored, поэтому её ответы могут включать контент для взрослых или жестокие сцены. Репозиторий содержит веса PyTorch. Модель производная от meta-llama/Llama-2-70b-hf; условия лицензии в предоставленных данных не приведены. Для запуска требуются значительные вычислительные ресурсы, а квантизированные версии могут уступать в качестве.

uukuguy опубликовал копию Orca 2 13B в формате FP16 для локального тестирования. Это плотная авторегрессионная языковая модель семейства Llama с 12,9 млрд параметров и контекстом 4096 токенов; в карточке указана библиотека Transformers и формат PyTorch. Orca 2 дообучена Microsoft на основе LLaMA 2 на синтетических данных, созданных для развития способностей к рассуждению. Модель рассчитана на одношаговые ответы: рассуждения по предоставленным данным, понимание прочитанного, решение математических задач и суммаризацию текста. Сильная сторона модели — ориентация на рассуждения и ответы в режиме zero-shot. Карточка предупреждает о возможных предвзятых, неточных или выдуманных ответах, ограниченном понимании контекста и зависимости качества от распределения обучающих данных; качество может снижаться в недостаточно представленных областях. Результаты могут зависеть от системных инструкций, а преимущества few-shot обучения ограничены. Исходная карточка предназначает Orca 2 для исследований и предостерегает от использования в прикладных системах без дополнительной оценки рисков. Указана лицензия Llama 2.

Ornith-Agents-A1 — объединённая мультимодальная модель, созданная автором карточки с помощью mergekit методом task arithmetic на базе Qwen/Qwen3.5-35B-A3B и с включением InternScience/Agents-A1 и deepreinforce-ai/Ornith-1.0-35B. Архитектура относится к семейству Qwen 3.5 MoE; метаданные указывают поддержку диалога и обработки изображений, а основной сценарий по pipeline_tag — генерация текста по текстовому и визуальному вводу. Модель предназначена для диалога, анализа изображений и агентных задач. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Карточка не сообщает размер модели, длину контекста и поддерживаемые естественные языки.

Ornith-Agents-A1-3.7-35B-A3B-dare_ties_v3 — мультимодальная модель для диалогов и анализа изображений, созданная объединением предварительно обученных моделей с помощью mergekit и метода DARE TIES. В слияние вошли deepreinforce-ai/Ornith-1.0-35B и InternScience/Agents-A1, а Qwen/Qwen3.6-35B-A3B использована как базовая модель. Модель построена на архитектуре Qwen 3.5 MoE и распространяется в формате safetensors. Модель принимает текст и изображения и генерирует текст; метаданные указывают на поддержку чата и vision-задач, а основной тег Hugging Face — image-text-to-text. Лицензия в предоставленных данных не указана.

Aleteian/Pathfinder-RP-12B-RU — объединённая плотная языковая модель на архитектуре Mistral, созданная с помощью mergekit и метода TIES на основе IlyaGusev/saiga_nemo_12b с добавлением LatitudeGames/Wayfarer-12B и MarinaraSpaghetti/NemoMix-Unleashed-12B. Модель содержит 12,1 млрд параметров и предназначена для генерации текста и диалогов в формате chatml, в том числе для ролевого общения и написания историй. Карточка указывает контекст до 1 024 000 токенов. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных источниках отсутствуют. Практические результаты и ограничения качества в карточке не описаны.

Diamegs/PIT-4B-202212 — базовая предварительно обученная языковая модель семейства Point-In-Time GPT, разработанная Diamegs. Это декодерный Transformer для генерации текста; модель обучена на хронологически упорядоченных ежемесячных снимках FineWeb и отражает сведения, доступные до декабря 2022 года. Для диалогового следования инструкциям в README рекомендован отдельный вариант PIT-4B-FT. Модель предназначена для генерации текста и анализа, учитывающего момент времени: например, для изучения того, какие сведения были доступны на заданную дату. Она принимает текст и выдаёт продолжение текста. Контекст модели — 2048 токенов; веса хранятся в safetensors и используются через Transformers. Это базовая модель без RLHF и дополнительной настройки безопасности. Знания ограничены веб-текстами до декабря 2022 года, а ответы могут отражать предубеждения обучающих данных; для критически важных задач без дополнительного выравнивания модель не подходит. Лицензия — Apache-2.0.

PIT-4B — базовая предварительно обученная языковая модель семейства Point-In-Time от Diamegs. Это декодерный Transformer в стиле GPT, обученный на хронологически упорядоченных ежемесячных снимках FineWeb; данный чекпойнт отражает данные, доступные до декабря 2024 года. Модель предназначена для генерации текста и анализа, учитывающего состояние знаний на заданный момент времени. Это базовая модель без обучения следованию инструкциям и без дообучения на предпочтениях человека. Для диалогового и инструкционного использования автор указывает на вариант PIT-4B-FT. Контекст модели — 2048 токенов; веса опубликованы в формате safetensors и распространяются по лицензии Apache-2.0. Знания ограничены веб-текстами до декабря 2024 года. Модель может воспроизводить смещения обучающих данных FineWeb и не подходит для критически важных сценариев без дополнительного выравнивания и проверки.

Pygmalion-2 13B — языковая модель PygmalionAI, дообученная на базе Llama 2 13B методом supervised fine-tuning. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров и контекстом до 4096 токенов; она распространяется в форматах PyTorch и Safetensors. Модель предназначена прежде всего для художественного письма, ролевых диалогов и бесед, которыми можно управлять инструкциями на естественном языке. Обучение сочетало обычные инструкции с ролевыми сценами, вымышленными историями и диалогами; среди источников данных указаны PIPPA и другие наборы инструкций. Для общения применяется формат запросов с ролями и специальными токенами. Основной язык в карточке — английский. Модель генерирует текст и может выдавать фактически неверные или вводящие в заблуждение ответы. Она не настраивалась на безопасное и безвредное поведение и может создавать грубый, непристойный или оскорбительный текст. Лицензия Llama 2 допускает коммерческое и некоммерческое использование при соблюдении её условий.

Question_Generation_ComQ_13 — дообученная модель семейства T5, разработанная на основе Gayathri142214002/Question_Generation_ComQ_12. Она предназначена для генерации вопросов по текстовому контексту. В репозитории указаны 123,8 млн параметров, контекст до 512 токенов и формат весов safetensors. README сообщает значение loss 0,2058 на наборе оценки, но не описывает методику оценки и обучающие данные. Модель подходит для автоматического составления вопросов по фрагментам текста, например, для подготовки учебных материалов или вопросов для проверки понимания прочитанного. Лицензия — Apache-2.0. Языковая поддержка и конкретные ограничения качества в карточке не раскрыты.

Qwen3-VL-8B-Instruct-MLX-5bit — это 5-битная квантизированная версия мультимодальной модели Qwen3-VL-8B-Instruct, разработанной командой Qwen. Квантизация выполнена командой LM Studio с использованием mlx_vlm, а формат MLX оптимизирован для работы на устройствах Apple Silicon. Модель предназначена для задач преобразования изображений и текста в текст, включая сценарии, где требуется анализ визуальной информации и формирование текстовых ответов. Модель основана на Qwen3-VL-8B-Instruct и относится к классу image-text-to-text. Известен размер исходной модели — 8B параметров; поддерживаемые языки, максимальная длина контекста и дополнительные архитектурные характеристики в представленном описании не указаны. Квантизация снижает требования к ресурсам и ориентирована на локальный запуск на Apple Silicon, однако может сопровождаться некоторой потерей точности по сравнению с исходной моделью. Модель распространяется по лицензии Apache-2.0. Она создана сторонними разработчиками и может генерировать неточные, вредные или неподходящие ответы, поэтому результаты следует проверять перед использованием.

Qwen_Qwen3-VL-4B-Thinking-GGUF — это набор GGUF-квантизаций мультимодальной модели Qwen3-VL-4B-Thinking, разработанной Qwen и квантизированной bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач преобразования изображений и текста в текст, а также для локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от полноразмерных весов BF16 размером 8,05 ГБ до более компактных квантизаций размером около 1,8–4,3 ГБ. Указан размер базовой модели — 4B параметров, а поддерживаемая мультимодальность включает изображения и текст. README не содержит сведений о языках, размере контекста, точной архитектуре, результатах оценки или конкретных прикладных сценариях исходной модели. Версии Q6 и Q5 позиционируются как высококачественные, Q4 — как сбалансированные по качеству и размеру, а Q3 и некоторые IQ-варианты — как решения для устройств с ограниченным объёмом оперативной памяти, но с заметным снижением качества. Лицензия в предоставленных данных не указана; условия использования следует уточнять в репозитории базовой модели Qwen/Qwen3-VL-4B-Thinking.

QwQ-32B-MLX-4bit — это 4-битная MLX-квантизация модели рассуждений QwQ-32B, разработанной командой Qwen. Квантизацию подготовил bartowski на основе инструментов mlx-examples; модель предназначена для запуска на компьютерах Mac с Apple Silicon, в том числе через LM Studio. Модель относится к задачам генерации текста и ориентирована на сценарии, требующие пошагового рассуждения и решения сложных задач. Поддерживается контекст длиной до 128 000 токенов. В README не указаны точные сведения о поддерживаемых языках, модальностях и внутренней архитектуре, кроме принадлежности к линейке QwQ и размера исходной модели 32B. Ключевое преимущество этой версии — уменьшенный объём представления благодаря 4-битной квантизации, что делает запуск крупной модели более доступным на совместимых устройствах Apple Silicon. При этом квантизация может влиять на точность и качество по сравнению с исходной моделью. Модель может генерировать неточные, вредные или неподходящие ответы. Лицензия в README не указана, поэтому условия использования необходимо уточнять в документации исходной модели QwQ-32B и у правообладателя.

RicardoEstep/RPBizkitRemiX-v3-12B — экспериментальная смесь Mistral Nemo на 12,1 млрд параметров, собранная Ricardo Estep методом DARE TIES с помощью Mergekit из RPBizkit-v6-12B, RPBizkit-v9-12B и UnslopNemo-12B-v4.1. Модель предназначена для генерации текста, в частности творческих ролевых сценариев и историй; README рекомендует шаблон чата Alpaca с RAW-вводом и невысокую температуру генерации. Автор заявляет о контексте до 128K токенов; метаданные каталога указывают нативный контекст 1 024 000 токенов. Модель использует плотную архитектуру Mistral и формат safetensors. README описывает её как менее ограниченную в генерируемом контенте, поэтому она может выдавать материалы для взрослой аудитории. Лицензия в предоставленных данных не указана.

ru-word-stress-transformer — модель на основе энкодера DeBERTa v2, разработанная Ilya Gusev для определения ударения в русских словах. Она предсказывает ударение на уровне токенов и предназначена для автоматической расстановки ударений в русскоязычном тексте. Модель содержит 4,2 млн параметров, принимает текст и выдаёт метки токенов. Родной контекст — до 42 токенов. Опубликована в формате PyTorch под лицензией Apache-2.0.