I.5Создание и редактирование текста

sahuabinash/slm-125m-finetuned-qa — плотная языковая модель на архитектуре LLaMA с 125,8 млн параметров, дообученная автором на базе thesreedath/slm-125m-base. Она предназначена для ответов на вопросы с опорой на предоставленный текст в юридических, финансовых и общих сценариях, а также для суммаризации, извлечения сведений и перефразирования. Модель обучена полным дообучением на 7 521 примере в формате диалога; в обучающих данных использовались юридические, финансовые, SEC- и веб-материалы, ответы фильтровались на обоснованность и дедуплицировались. Контекст — 1 024 токена; для запуска указана библиотека Transformers. Модель ориентирована на англоязычные текстовые запросы и генерирует текст. В карточке приведена perplexity 9,13 на задаче вопросов и ответов, но широкие сравнительные оценки качества не представлены. Для получения результатов требуется соблюдать специальный формат токенов базовой модели. Лицензия — Apache-2.0.

Moonuure/somHG — модель генерации заголовков на сомалийском языке, разработанная дообучением AfriTeVa v2. Это последовательностная модель семейства T5 с примерно 214,4 млн параметров; она принимает текст новостной статьи и создаёт короткий заголовок, передающий её основное содержание. Модель предназначена для подготовки вариантов заголовков к сомалийским новостям, а также для экспериментов с суммаризацией на языках с ограниченными ресурсами. Она обучалась на парах сомалийских новостных статей и исходных заголовков и оценивалась метриками ROUGE, SacreBLEU, METEOR и BERTScore. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache 2.0. Обучение ориентировано на новостной стиль, поэтому качество может снижаться на текстах других жанров. Для очень длинных или необычных статей возможны общие или повторяющиеся заголовки; лучше всего модель работает со статьями короче примерно 300 токенов. Сгенерированный текст может содержать лишние фрагменты, например название сайта или URL, и перед показом читателю его рекомендуется очищать.

yhavinga/t5-small-24L-ccmatrix-multi — модель перевода на основе архитектуры T5, разработанная yhavinga и дообученная для перевода между нидерландским и английским языками. Она предназначена для двустороннего перевода: с нидерландского на английский и с английского на нидерландский. Модель содержит 104,5 млн параметров и использует архитектуру T5ForConditionalGeneration. Для обучения применялся датасет CCMatrix; в карточке также описаны оценки перевода на тестовых данных. Репозиторий содержит веса в форматах PyTorch и Flax. Лицензия — Apache-2.0. Модель подходит для автоматического перевода текстов между нидерландским и английским, включая предложения и документы. Обучение основано на ограниченной части данных CCMatrix, поэтому опубликованные оценки следует рассматривать в контексте описанных тестовых наборов; результаты на других тематиках и типах текста могут отличаться.

valhalla/t5-small-e2e-qg — модель на архитектуре T5-small, разработанная Valhalla и дообученная для сквозной генерации вопросов по входному тексту. Она принимает фрагмент текста и формулирует несколько вопросов о содержащихся в нём фактах, например о датах, авторах и свойствах. Модель имеет 38,5 млн параметров, использует формат PyTorch и рассчитана на контекст до 512 токенов. Её можно применять для автоматического создания вопросов к учебным материалам, подготовки наборов для проверки понимания текста и генерации вопросов по документам. В качестве обучающего набора указан SQuAD. Качество вопросов зависит от полноты и ясности исходного текста; модель может пропускать важные сведения или формулировать неточные вопросы. Лицензия — MIT.

NYTK разработала эту небольшую GPT-2 модель для генерации текста на венгерском языке в новостном стиле. Модель предварительно обучена на венгерской Википедии, затем дообучена на корпусе новостных текстов с сайтов hvg.hu, index.hu и nol.hu. Она предназначена для продолжения текста и создания черновиков, похожих на венгерские новости. Модель использует архитектуру GPT-2 с плотными весами и доступна в формате PyTorch. Контекст составляет 1024 токена. В README приведено значение perplexity 22,06 для новостной модели; это результат оценки, а не гарантия качества для произвольных запросов. Лицензия — MIT.

WindyTranslate/translate-en-es — модель машинного перевода от Windstorm Labs для перевода с английского на испанский. Она основана на Helsinki-NLP/opus-mt-en-es: авторы дообучили базовую модель с помощью LoRA на параллельных текстах и объединили адаптер с исходными весами. Модель использует архитектуру MarianMT, содержит 58,4 млн параметров и доступна в формате safetensors для Transformers. Естественный контекст модели — до 512 токенов. Модель подходит для перевода коротких текстов и пакетной обработки английских фраз и документов на испанский. В скрининговой оценке на 48 предложениях FLORES-200 она получила chrF++ 54,64 и BLEU 32,65; это предварительный результат, а не публикационная оценка. Поддерживается только направление английский → испанский. Модель распространяется по лицензии Apache-2.0.

WindyTranslate/translate-en-it — модель машинного перевода от Windstorm Labs для перевода текста с английского на итальянский. Она основана на Helsinki-NLP/opus-mt-en-it: к базовым весам применили дообучение LoRA на параллельных данных и объединили адаптер с моделью. Архитектура MarianMT, размер — 66,1 млн параметров; модель доступна в формате safetensors и рассчитана на контекст до 512 токенов. Для проверки качества авторы приводят результат chrF++ 54,17 и BLEU 28,92 на 48 предложениях FLORES-200 dev. Это небольшой скрининговый набор, поэтому оценка не гарантирует такого же качества на других текстах. Модель поддерживает только направление перевода с английского на итальянский. Лицензия — Apache-2.0.

WindyTranslate/translate-en-ro — модель машинного перевода, опубликованная Windstorm Labs для перевода текста с английского на румынский. Это дообученная версия Helsinki-NLP/opus-mt-en-ro: LoRA-дообучение на параллельных корпусах объединено с базовыми весами. Модель использует архитектуру Marian, содержит 55,7 млн параметров и доступна в формате safetensors для Transformers; длина контекста — 512 токенов. Модель предназначена для перевода с английского на румынский. В карточке приведена скрининговая оценка на 48 предложениях FLORES-200 dev: chrF++ 59,45 и BLEU 36,20; это не результат публикационного исследования. Поддерживается только одно направление перевода. Лицензия — Apache-2.0.

WindyTranslate/translate-es-ca — модель машинного перевода, опубликованная Windstorm Labs для перевода с испанского на каталанский. Она основана на Helsinki-NLP/opus-mt-es-ca: LoRA-дообучение на параллельном корпусе слито с базовыми весами. Модель MarianMT содержит 51,8 млн параметров, принимает текст и выдаёт текст; для загрузки используется Transformers, веса доступны в формате safetensors. Контекст составляет 512 токенов. Модель предназначена для перевода отдельных фраз и текстов с испанского на каталанский. В проверке на 48 примерах FLORES-200 dev получены chrF++ 53,45 и BLEU 26,03; авторы оценивают результат как Good и подчёркивают, что это предварительная проверка, а не результат публикационного исследования. Поддерживается только направление es→ca. Лицензия — Apache-2.0.

WindyTranslate/translate-es-en — модель машинного перевода, опубликованная Windstorm Labs, для перевода текста с испанского на английский. Она основана на Helsinki-NLP/opus-mt-es-en: LoRA-дообучение на параллельных данных объединено с базовыми весами. Модель использует архитектуру MarianMT на базе Transformer, содержит 58,4 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для перевода испанских текстов на английский. В карточке приведён скрининговый результат на 48 предложениях FLORES-200 dev: chrF++ 57,70 и BLEU 31,09; это ограниченная оценка, а не результат публикационного исследования. Другие направления перевода не заявлены. Репозиторий содержит веса safetensors для Transformers. Лицензия — Apache-2.0.

Модель unicamp-dl/translation-pt-en-t5 — модель семейства T5 для перевода с португальского на английский, опубликованная командой Unicamp-DL. Она предназначена для машинного перевода текста и запускается через Transformers; перед текстом требуется указать задачу специальным префиксом для T5. В README упомянуты изменения токенизатора и постобработки, призванные улучшить результат, а также использование предварительно обученной португалоязычной модели. Модель содержит 123,8 млн параметров, использует архитектуру T5ForConditionalGeneration и имеет контекст до 512 токенов. Репозиторий содержит веса PyTorch. В карточке упоминается статья и отдельный репозиторий с дополнительной информацией, но их содержание здесь не приведено. Лицензия в предоставленных данных не указана.

Unichat-llama3-Chinese-8B-28K — диалоговая модель Китайского телекоммуникационного оператора China Unicom, выпущенная AI Innovation Center. Это полнопараметрическая инструкционная донастройка Meta-Llama-3-8B на китайских данных, а не LoRA-адаптер. Модель предназначена для ответов на вопросы и диалогов на китайском языке, включая работу с длинными текстами. Модель построена на плотной архитектуре Llama и содержит около 7,5 млрд параметров. В карточке заявлен контекст 28K токенов, тогда как метаданные указывают native context в 8192 токена. Обучающая выборка включала отобранные инструкции для длинных текстов и материалы из разных областей. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Пример в карточке показывает ответы на вопросы по содержимому длинного фрагмента книги. Это подтверждает сценарий понимания текста с последующим вопросно-ответным диалогом, но не гарантирует точность на произвольных документах или предметных областях. Языковые метаданные перечисляют китайский и английский; основное назначение модели — китайский диалог.

VerbaMaxima-12B — экспериментальная объединённая языковая модель на архитектуре Mistral, созданная автором Retreatcost с помощью mergekit. В репозитории указано, что она объединяет несколько моделей семейства Mistral Nemo; размер составляет 12,1 млрд параметров, формат весов — safetensors, библиотека — Transformers, лицензия — Apache-2.0. Заявленная длина контекста — 1 024 000 токенов. Модель предназначена для генерации текста и диалогов, особенно для ролевых сценариев и совместного написания историй. Автор стремился получить более сдержанный стиль без чрезмерно вычурной прозы, более правдоподобные взаимодействия и развитое построение мира. Слияние экспериментальное: README предупреждает, что некоторые аспекты могут работать не так, как задумано, а поведение менее предсказуемо.

Viking 13B — базовая авторегрессионная языковая модель с 13,4 млрд параметров, созданная совместно группой TurkuNLP Университета Турку, SiloGen (Silo AI) и High Performance Language Technologies. Это плотный decoder-only трансформер семейства LLaMA с rotary positional embeddings и FlashAttention; контекст — 4096 токенов. Модель обучалась на LUMI и на момент описания была частично обученным чекпойнтом. Модель предназначена для генерации текста на финском, английском, шведском, датском, норвежском и исландском языках, базового перевода между ними, а также понимания и генерации кода. Она ориентирована на языки Северной Европы, в том числе языки с ограниченными ресурсами, и служит базой для дальнейшей тонкой настройки под конкретные сценарии. Поскольку это базовая и частично обученная модель, для большинства прикладных задач ей требуется дополнительная настройка; опубликованные результаты полной оценки отсутствуют. README предупреждает о возможных неточностях и предвзятых или спорных ответах, а также отмечает слабое владение языками за пределами перечисленных. Модель распространяется по лицензии Apache 2.0.

facebook/wmt19-en-de — версия модели Fairseq WMT19, перенесённая в Transformers и предназначенная для перевода текста с английского на немецкий. Это плотная модель FSMT (FairSeq Machine Translation) с архитектурой FSMTForConditionalGeneration и 100,7 млн параметров; веса совпадают с опубликованными оригинальными весами Fairseq. Модель обучалась для задачи перевода новостных текстов в рамках WMT19 и принимает текст на английском, выдавая немецкий перевод. В оценке из карточки версия Transformers получила результат 42,83 против 43,1 у Fairseq. Разница связана с тем, что порт использует один лучший чекпойнт вместо ансамбля из четырёх и не поддерживает переоценку вариантов перевода. Карточка также предупреждает, что повторяющиеся фрагменты во входе могут обрабатываться плохо и приводить к обрезанию текста. Лицензия — Apache 2.0.

Aion-RP-Llama-3.1-8B — дообученная модель семейства Llama 3.1 от Aion Labs для ролевых диалогов и творческого письма. Она поддерживает многоходовое общение в формате с метками SYSTEM, USER и ASSISTANT и работает с контекстом до 131 072 токенов. Модель содержит около 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и распространяется в формате Safetensors. Модель предназначена для создания ролевых сцен, ведения персонажей и генерации художественного текста. В README она описана как модель без ограничений по генерируемому контенту. Рекомендуемая температура генерации — 0,7; при значении 1,0 ответы могут становиться бессвязными. Лицензия — Apache-2.0.

apodex-1.0-2B-SFT-rebased — объединённая модель, созданная с помощью LazyMergekit на основе Qwen/Qwen3.5-2B-Base и apodex/Apodex-1.0-2B-SFT. Она предназначена для диалоговой работы с текстом и изображениями; архитектура Qwen3.5 — плотная, с 2 млрд параметров. Модель доступна в формате safetensors и поддерживает интерфейс вызова инструментов. Лицензия — Apache-2.0.

Danielbrdz/Barcenas-Orca-2-7b — разговорная языковая модель на базе Microsoft Orca 2 7B, дообученная автором на наборе HuggingFaceH4/no_robots для более естественного диалога. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 6,6 млрд параметров; она принимает текст и генерирует текст, поддерживая контекст до 4096 токенов. Карточка указывает английский и испанский языки. Модель предназначена для ведения диалогов и генерации ответов на естественном языке. Она опубликована в формате safetensors; лицензия указана как other, поэтому условия использования следует уточнить в репозитории. Карточка не приводит оценок качества или подробных ограничений, поэтому пригодность для конкретных сценариев стоит проверять отдельно.

himel7/bias-detector — англоязычная модель Himel Ghosh для выявления языковой предвзятости в новостных высказываниях. Это дообученная на датасете BABE модель RoBERTa-base с архитектурой RobertaForSequenceClassification и примерно 151,8 млн параметров. Она выполняет бинарную классификацию: LABEL_1 означает предвзятый текст, LABEL_0 — нейтральный. Максимальная длина контекста составляет 514 токенов. Модель предназначена для анализа новостных формулировок: она может помогать исследователям медиа, журналистам и редакторам находить эмоционально окрашенный язык, стереотипные выражения и преувеличения, а также размечать материалы и сравнивать публикации. В оценке на BABE с пятиблочной кросс-валидацией указаны accuracy 0,9202 и F1 0,9257. Результаты отражают субъективные оценки разметчиков BABE. Модель может хуже работать на текстах вне новостной тематики, при сарказме, иронии и завуалированных формулировках; она не проверяет фактическую точность и не выявляет дезинформацию. Распространяется по лицензии Apache-2.0.

Bionic-Vaquita-13B — объединённая модель на архитектуре Llama 2, созданная FallenMerick с помощью mergekit из семи моделей Llama 2 13B. Это причинная языковая модель примерно на 12,9 млрд параметров с контекстом до 4096 токенов; веса представлены в формате safetensors. Модель ориентирована на творческое письмо, связное повествование и ролевые диалоги с персонажами. Её можно использовать для создания художественных историй, продолжения сцен, интерактивных текстовых приключений и отыгрыша персонажей. При ручной оценке автор уделял внимание эмоциональной выразительности и связности ответов. Основной язык карточки — английский. Модель объединяет компоненты, связанные с XNoroChronos, Orca 2, Noromaid, Psyfighter2, Erebus, EstopianMaid и MLewdBoros; в описании указан passthrough merge, а в метаданных — merge. Лицензия — Creative Commons Attribution 4.0 (CC BY 4.0), требующая указания авторства. Качество и связность могут зависеть от промпта и сценария; карточка не приводит количественных результатов оценки.

Raiff1982 публикует набор из десяти LoRA-адаптеров Codette для системы рассуждений с несколькими перспективами. Адаптеры предназначены для подключения к базовой модели и задают разные когнитивные подходы, например аналитический, творческий и эмпатичный; система может маршрутизировать запросы между адаптерами и объединять ответы. Репозиторий содержит веса PEFT в safetensors и варианты GGUF в формате F16. Адаптеры обучены для семейства Llama 3.1 и описаны как средство генерации текста с многоперспективным рассуждением. В README заявлена поведенческая проверка семи адаптеров после повторного обучения; для остальных адаптеров такая проверка не подтверждена. Лицензия — Llama 3.1. Для инференса требуется совместимая базовая модель; README также приводит пример с контекстом 8192 токена, но не утверждает, что это собственный предел адаптеров.

jukofyork/command-a-03-2025-writer-v1 — языковая модель для генерации текста, созданная дообучением jukofyork/command-a-03-2025-uncut. Автор обучил её на примерах художественной прозы, включая положительные и отрицательные образцы из наборов fiction paragraphs, а затем преобразовал адаптер в LoRA и объединил веса с базовой моделью. Модель предназначена для написания и продолжения художественных текстов, в том числе абзацев прозы. Модель использует архитектуру Cohere2 и содержит 111,1 млрд параметров; заявленная длина контекста — 131 072 токена. Она принимает текст и генерирует текст. В карточке перечислены английский, русский и другие языки, хотя описанное обучение сосредоточено на англоязычной художественной прозе. Формат весов — safetensors, библиотека — Transformers. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерческое применение.

du-kang/custom4 — дообученная модель семейства T5, разработанная автором репозитория для суммаризации текстов на корейском языке. Она предназначена для создания краткого изложения, в том числе по материалам корейского корпуса книжной суммаризации. Модель использует архитектуру T5ForConditionalGeneration и содержит 137,8 млн параметров. В репозитории указаны веса PyTorch; лицензия — MIT. README показывает загрузку модели через библиотеку Hugging Face Transformers.

Darwin-27B-RSI — плотная языковая модель семейства Qwen3.5, разработанная FINAL-Bench как версия Darwin-27B-Opus после рекурсивного самоулучшения. Модель дообучалась на собственных решениях: человеческие ответы и цепочки рассуждений не использовались, а корректность автоматически проверялась по согласованности выборок и выполнению кода. Для модели заявлены 22,3 млрд параметров в метаданных и 27 млрд в README, контекст до 262 144 токенов по метаданным; веса представлены в safetensors, точность BF16. Лицензия — Apache 2.0. Модель предназначена для генерации текста и диалогов с режимом рассуждения, в особенности для сложных научных и математических вопросов. В README сообщается об улучшении результатов относительно Darwin-27B-Opus на GPQA Diamond и SuperGPQA, а также о применении модели как движка рассуждений Darwin-27B-JEV. Описанный сценарий предполагает предоставление модели достаточного бюджета токенов для рассуждений. Заявленные улучшения проверены на задачах научного reasoning; перенос этих результатов на другие области не гарантирован. Модель может генерировать длинные рассуждения, что увеличивает задержку; для сценариев с ограничениями по времени рекомендуется ограничивать число генерируемых токенов. README также указывает на пересечение 31 обучающей задачи с набором MMLU в Decision Index.

sleepyeldrazi/DeepSeek-v4-Flash-REAP-K180-NVFP4 — это производная текстовая модель на основе DeepSeek V4 Flash, подготовленная sleepyeldrazi. Она использует структурное удаление экспертов методом REAP: в слоях MoE оставлено 180 из 256 маршрутизируемых экспертов, а слои 0–2 сохранены без такого сокращения. По README, дообучения не было: это подмножество исходных весов, упакованное в GGUF с гибридной точностью NVFP4, Q2_K и Q8_0; NVFP4-конверсия экспертных весов описана как преобразование формата масштабов без потери точности относительно исходного MXFP4. Модель предназначена для генерации текста и диалогового использования, включая программирование, агентные сценарии с вызовом инструментов, исследования и ответы на длинном контексте. README заявляет поддержку контекста до 1 млн токенов на NVIDIA DGX Spark с GB10 при использовании FP8 KV-кэша и специального движка ds4-nvfp4-spark с управляемой памятью. Обычные GGUF-движки, включая стандартный llama.cpp, модель не загружают. Лицензия — MIT. Запуск зависит от специализированного оборудования и программного обеспечения; для конфигурации K180 в README указана необходимость режима управляемой памяти, а сама карточка помечена как экспериментальная. В заявленных характеристиках есть оптимизации под DGX Spark, поэтому переносимость и производительность на других системах не подтверждены предоставленными данными.

DolphinVision 7b — мультимодальная чат-модель, созданная Куаном Нгуеном, Эриком Хартфордом и Cognitive Computations. Она предназначена для диалога и генерации текста, а также для рассуждений и комментариев по изображениям. В метаданных модель указана как плотная архитектура BunnyQwenForCausalLM на 7,1 млрд параметров с контекстом до 131 072 токенов. Карточка называет её uncensored, однако бенчмарки в README не приведены. Указанная лицензия — other; конкретные условия использования нужно проверять в файлах репозитория.

EMOVA-Qwen-2.5-7B-HF — мультимодальная модель-ассистент на 7 млрд параметров, разработанная командой EMOVA и основанная на Qwen2.5-7B-Instruct с визуальным энкодером. Она принимает текстовые, визуальные и речевые входы и предназначена для диалога, понимания изображений и речи, а также генерации текстовых и речевых ответов. Для речевого диалога поддерживаются английский и китайский языки, 24 варианта управления голосом: два говорящих, три высоты голоса и четыре эмоции. По данным README, модель показывает высокие результаты в тестах на понимание изображений и речи; карточка приводит оценки для варианта 7B, но подробности контекста и замеров речи здесь не представлены. Репозиторий содержит веса в формате Hugging Face для загрузки через Transformers Auto API. Лицензия — Apache-2.0.

Epstein — генеративная языковая модель для создания художественной прозы на английском языке. Модель разработана Pclanglais и дообучена на базе Llama 13B. Для генерации можно задавать до двадцати характеристик текста, например краткое содержание, жанр, тон, повествователя, сюжетную арку, персонажей, место и время действия. Модель обучена на 4 000 отрывках англоязычной литературы или литературы в английском переводе из общественного достояния, а также на синтетических и подготовленных вручную аннотациях. Она рассчитана на создание литературного текста по заданным характеристикам; автор отмечает, что аннотации литературного направления и неопределённого места работают хуже. Контекст составляет 4 096 токенов. Модель распространяется по лицензии CC BY-SA 4.0.

EVA Qwen2.5-32B v0.2 — разговорная модель для ролевых сценариев и написания историй, созданная Kearm, Auri и Cahvay. Это полнопараметрическое дообучение плотной авторегрессионной архитектуры Qwen2.5-32B с 32 млрд параметров. Модель принимает текст и поддерживает диалоговый формат ChatML; базовая модель рассчитана на контекст до 131 072 токенов. Модель предназначена для отыгрыша персонажей, творческого письма и генерации структурированных сцен и историй. При обучении использовалась смесь синтетических и естественных данных, включая наборы для инструкций, ролевых карточек и творческих заданий. Версия 0.2 прошла повторную обработку обучающих данных, чтобы устранить артефакты генерации, связанные с повреждёнными данными. Модель распространяется в формате Safetensors и под лицензией Apache-2.0. Карточка рекомендует параметры сэмплирования и пресеты SillyTavern; качество результата зависит от промпта и настроек генерации. Специальные ограничения применения в карточке не описаны.

Falcon-7B — базовая авторегрессионная языковая модель с декодерной архитектурой, разработанная Technology Innovation Institute (TII). В карточке указано 7 млрд параметров, тогда как метаданные Hugging Face содержат значение 10,9 млрд; поэтому размер следует считать противоречивым. Модель обучена предсказывать следующий токен на 1,5 трлн токенов RefinedWeb и отобранных корпусов. В архитектуре используются rotary-позиционные эмбеддинги, multi-query attention и FlashAttention; заявлены 32 слоя. Модель предназначена для генерации текста и как основа для дообучения под суммаризацию, чат-ботов и другие задачи. Это исходная предобученная модель, а не готовая модель для выполнения инструкций: для большинства прикладных сценариев рекомендуется дополнительная настройка. README указывает английский, немецкий, испанский и французский как языки модели, а также ограниченные способности на итальянском, португальском, польском, нидерландском, румынском, чешском и шведском. Карточка предупреждает о веб-стереотипах и смещениях, слабом обобщении на другие языки и необходимости оценивать риски перед производственным применением. Лицензия Apache 2.0 допускает коммерческое использование.