I.5Создание и редактирование текста

Helsinki-NLP/opus-mt-fi-sv — модель машинного перевода с финского языка на шведский из семейства OPUS-MT, разработанная Helsinki-NLP. Это плотная модель MarianMT с архитектурой Transformer; число параметров — 56,6 млн, контекст — до 512 токенов. Текст проходит нормализацию и токенизацию SentencePiece. Модель обучена на данных OPUS+BT; в карточке приведены оценки BLEU 27,4 на fiskmo_testset.fi.sv и 54,7 на Tatoeba.fi.sv. Модель предназначена для перевода финских текстов на шведский, включая предложения и материалы для многоязычных сервисов и локализации. Доступны веса PyTorch и TensorFlow. Лицензия — Apache 2.0.

Helsinki-NLP разработала opus-mt-fr-hu — модель машинного перевода с французского языка на венгерский. Она построена на архитектуре MarianMT с трансформерной моделью, содержит 55,2 млн параметров и использует нормализацию текста и токенизацию SentencePiece. Для перевода применяется корпус OPUS; в карточке приведены результаты на тестовом наборе Tatoeba.fr.hu: BLEU 41,3 и chr-F 0,629. Модель принимает текст на французском и выдаёт перевод на венгерский. Она распространяется под лицензией Apache-2.0; доступны форматы PyTorch и TensorFlow. Контекст модели — до 512 токенов.

Ellight дообучил MarianMTModel Helsinki-NLP/opus-mt-hi-en на датасете open_subtitles для перевода с хинди на английский. Модель содержит 56,5 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Её можно использовать для перевода предложений и текстовых фрагментов с хинди на английский, в том числе субтитров. Модель распространяется в формате safetensors через библиотеку Transformers по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-pl-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с польского на английский и предназначена для автоматического перевода отдельных текстов и интеграции в приложения перевода. Модель построена на архитектуре Transformer-align, использует нормализацию и SentencePiece; число параметров — 57,6 млн, родной контекст — 512 токенов. В метаданных указаны реализации PyTorch и TensorFlow. В карточке приведён результат BLEU 54,9 и chr-F 0,701 на наборе Tatoeba.pl.en. Модель ориентирована на одну языковую пару; качество и уместность перевода могут зависеть от жанра и предметной области текста. Распространяется по лицензии Apache-2.0.

Helsinki-NLP разработала эту модель в рамках проекта OPUS-MT для машинного перевода с английского языка на латышский. Она основана на архитектуре Transformer-big и реализована как MarianMTModel; первоначально модель обучалась в Marian NMT на данных OPUS с применением процедур OPUS-MT-train, а затем была преобразована для использования с PyTorch и Transformers. Для токенизации используется SentencePiece с моделями словаря spm32k для обоих языков. Модель предназначена для перевода английских предложений и текстов на латышский, в том числе в приложениях и сервисах перевода. В README приведены результаты оценки на Tatoeba, FLORES-101 и новостном тестовом наборе. Размер модели — около 160,4 млн параметров, заявленная длина контекста — 1024 токена. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — CC-BY-4.0.

Helsinki-NLP/opus-mt-tc-big-fi-en — модель машинного перевода проекта OPUS-MT, разработанная на базе Marian NMT и опубликованная Helsinki-NLP. Она переводит текст с финского языка на английский и предназначена для интеграции в сервисы перевода и прикладные приложения. Архитектура — крупная версия Transformer в реализации Marian; модель содержит около 159,9 млн параметров, использует токенизацию SentencePiece с словарями по 32 тыс. токенов и имеет контекст до 1024 токенов. Модель обучена на данных OPUS, включая opusTCv20210807+bt. Для пары финский—английский приведены результаты на тестах Tatoeba, FLORES-101 и newsdev2015. Доступны веса в форматах PyTorch, SafeTensors и TensorFlow. Лицензия — CC BY 4.0.

Helsinki-NLP/opus-mt-tc-big-lt-en — модель машинного перевода проекта OPUS-MT, разработанная на основе Marian NMT. Она переводит текст с литовского языка на английский и предназначена для интеграции в приложения и сервисы перевода. Архитектура — Transformer-big; модель содержит 160,6 млн параметров, использует токенизацию SentencePiece и поддерживает контекст до 1024 токенов. Модель обучена на данных OPUS с использованием конвейера OPUS-MT-train и выпущена под лицензией CC BY 4.0. В README приведены результаты оценки на нескольких тестовых наборах, включая Tatoeba и FLORES-101. Указанные оценки относятся к этим наборам и не гарантируют качество на других типах текстов.

Helsinki-NLP/opus-mt-tc-big-pt-zle — нейросетевая модель машинного перевода проекта OPUS-MT, разработанная на основе Marian NMT и опубликованная в формате Transformers. Она переводит текст с португальского на русский и украинский языки; для выбора целевого языка используются специальные метки. Модель содержит 163,5 млн параметров, её контекстное окно составляет 1024 токена. Модель подходит для перевода отдельных фраз и текстов с португальского языка на русский или украинский. В карточке приведены результаты тестирования на Tatoeba и FLORES-101. Данные обучения взяты из OPUS; качество перевода может зависеть от тематики и отличаться на текстах, не похожих на тестовые наборы. Лицензия — CC BY 4.0.

Карточка модели suirenka/opus-mt-tc-big-zh-ja на Hugging Face совпадает с карточкой Helsinki-NLP/opus-mt-tc-big-zh-ja, поэтому описание составлено по ней. Helsinki-NLP/opus-mt-tc-big-zh-ja — модель машинного перевода проекта OPUS-MT, разработанная исследовательской группой Language Technology Research Group Хельсинкского университета. Она переводит текст с китайского языка на японский и предназначена для перевода предложений и текстов в приложениях и рабочих процессах локализации. Модель использует архитектуру Marian Transformer-big; в метаданных указано 133,4 млн параметров и контекст до 1024 токенов. Она обучалась на данных OPUS с предварительной обработкой SentencePiece и доступна в форматах PyTorch, Safetensors и TensorFlow. В опубликованной оценке на наборе Tatoeba zho-ja указаны BLEU 24,6 и chr-F 0,2779. Лицензия — CC-BY-4.0. Оценка на одном тестовом наборе не гарантирует сопоставимого качества на других тематиках и стилях; для важных переводов результат следует проверять.

Helsinki-NLP/opus-mt-tr-fr — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с турецкого на французский и подходит для перевода предложений и текстовых фрагментов в приложениях и рабочих процессах обработки языков. Модель построена на архитектуре MarianMT с Transformer и использует нормализацию текста и SentencePiece; размер — 55,8 млн параметров, заявленная длина контекста — 512 токенов. Модель обучена на данных OPUS. В карточке приведён результат BLEU 45,3 и chr-F 0,627 на наборе Tatoeba.tr.fr. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Это экспериментальный чекпойнт модели LED-base от Immich, дообученный для суммаризации совещаний на подмножестве AMI Meeting Corpus с seed обучения 73. Модель использует архитектуру LED для генерации сводок по длинным диалогам; размер составляет 95,2 млн параметров. В README описаны два сценария: суммаризация всей встречи и иерархический конвейер сегментации, извлечения и генерации. Веса опубликованы в формате safetensors. Модель предназначена для подготовки кратких итогов совещаний и диалогов на материалах, похожих на AMI Meeting Corpus. Лицензия — MIT. Число участников, языков и длина контекста в предоставленных данных не указаны, поэтому их нельзя надёжно определить.

Prototype-X-12b — слитая Vortex5 модель на архитектуре Mistral, созданная методом flowforge на основе KansenSakura-Erosion-RP-12b с участием KansenSakura-Eclipse-RP-12b и KansenSakura-Radiance-RP-12b. Модель содержит 12,1 млрд параметров, работает с текстом и предназначена для генерации текста и ролевых диалогов. Метод flowforge смещает базовую модель в направлении согласованного влияния донорских моделей, учитывая величину различий их весов относительно базы; автор описывает дополнительные настройки для управления силой и избирательностью слияния. В метаданных заявлен контекст до 1 024 000 токенов. Модель доступна в формате safetensors и использует библиотеку Transformers. Модель подходит для ролевых бесед и создания историй. README не сообщает отдельные результаты оценки качества или ограничения применения. Лицензия в предоставленных данных не указана.

Qwen2-0.5B-OnlineDPO — компактная языковая модель на архитектуре Qwen2, дообученная командой TRL на базе Qwen/Qwen2-0.5B-Instruct методом Online DPO. Модель предназначена для диалоговой генерации текста и ответов на запросы; в карточке приведён пример работы с сообщением пользователя через библиотеку Transformers. Модель содержит 494 млн параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Карточка не описывает датасет или измеренные показатели качества; лицензия в предоставленных данных не указана.

EganAI/Qwen3-4B-Instruct-2507-20250808-233922-0 — языковая модель на архитектуре Qwen3, созданная EganAI послойным слиянием нескольких дообученных вариантов Qwen3-4B. В модели около 3,7 млрд параметров, она принимает текст и генерирует текст; базовая версия поддерживает контекст до 262 144 токенов. Метаданные указывают на английский язык и интерфейс для диалога и вызова инструментов. Модель оптимизировали для ответов на вопросы уровня GPQA Diamond. В README приведены результаты 45,45% на GPQA Diamond в режиме 0-shot и 72,51% на MMLU в режиме 5-shot; эти показатели относятся только к указанным тестам и настройкам. Модель также подходит для диалогов, следования инструкциям и общих текстовых задач. Это экспериментальное слияние, поэтому качество за пределами целевых тестов может меняться, а модель наследует ограничения исходных вариантов. Репозиторий распространяется по лицензии Apache-2.0.

DavidAU/Qwen3.5-9B-The-Deckard-Pro-Writer-Uncensored-Heretic — производная от Qwen3.5-9B мультимодальная модель на архитектуре Qwen3.5 с 9 млрд параметров, предназначенная прежде всего для творческого письма, художественной прозы, сюжетов и ролевых диалогов. Автор описывает её как эксперимент по уменьшению шаблонной прозы Qwen и ослаблению отказов; заявлено, что модель принимает изображения, а видеовозможности не проверялись. Модель использует гибридную архитектуру с Gated Delta Networks и механизмом внимания, включает визуальный энкодер и поддерживает контекст 262 144 токена с возможностью расширения. В карточке заявлены улучшения выразительности и снижение отказов, но результаты приведены автором и не гарантируют качество на других задачах. По умолчанию включён режим рассуждений; для откровенного или грубого стиля в некоторых случаях требуется явная инструкция. Указаны английский и китайский языки. Лицензия — Apache-2.0.

Qwen3.8-Flash-Next-Uncensored-GGUF — набор GGUF-квантизированных версий модели Qwen3.8-Flash-Next, опубликованный OrcaRouter. Это аблированная сборка с существенно удалёнными механизмами отказа, предназначенная прежде всего для исследований интерпретируемости, безопасности ИИ, red teaming и оценки устойчивости. Модель поддерживает генерацию текста, reasoning, function calling и работу с изображениями через отдельный файл mmproj; заявлены английский и китайский языки. Архитектура представляет собой крупную Mixture-of-Experts-модель с 512 экспертами, из которых при обработке токена активируются 10 маршрутизируемых и один общий эксперт. Используется экспериментальная архитектура Qwen4 qwen4_exp с линейным вниманием Gated DeltaNet, Qwen Sparse Attention, HyperConnections и PLE n-gram hash embeddings. Доступны квантизации от 2 до 8 бит, включая варианты Q2_K–Q8_0. Модель запускается через llama.cpp на CPU, CUDA, Metal и ROCm; для поддержки архитектуры требуется свежая сборка llama.cpp с поддержкой qwen4_exp. Также возможна speculative decoding через MTP при использовании совместимых сборок и файлов-драфтеров. Главные преимущества — сочетание MoE-архитектуры, vision-language возможностей, reasoning и инструментального вызова функций, а также широкий выбор квантизаций для различного объёма памяти. Ограничения включают высокие требования к ресурсам, заметное снижение качества у наиболее компактных 2-битных вариантов, необходимость отдельного mmproj для зрения и несовместимость со старыми версиями llama.cpp. Из-за удаления защитных механизмов модель может выполнять вредоносные или незаконные запросы, поэтому перед практическим применением необходимы собственные фильтры безопасности и модерации. Распространение осуществляется по лицензии Apache 2.0, унаследованной от базовой модели.

Qwen3-VL-30B-A3B-Instruct-MLX-4bit — мультимодальная модель для обработки изображений и текста, разработанная Qwen. Представленная версия основана на Qwen3-VL-30B-A3B-Instruct и предназначена для сценариев image-text-to-text, включая анализ визуального содержимого и генерацию текстовых ответов по изображениям и запросам. Модель имеет 4-битное квантование в формате MLX и оптимизирована для работы на устройствах с Apple Silicon. В названии указаны конфигурация 30B-A3B и инструкционная настройка, однако README не содержит дополнительных сведений о точной архитектуре, размере контекста, поддерживаемых языках или конкретных показателях качества. К сильным сторонам относятся мультимодальность, уменьшенный объём хранения и вычислительные требования благодаря квантованию, а также адаптация к экосистеме Apple Silicon. К ограничениям относятся возможная потеря качества из-за 4-битного квантования и отсутствие в предоставленных данных подробных характеристик производительности, языковой поддержки и совместимости за пределами Apple Silicon. Версия распространяется по лицензии Apache-2.0. Квантование MLX предоставлено командой LM Studio с использованием mlx_vlm; создателем исходной модели является Qwen.

QwQ-32B-ArliAI-RpR-v3 — языковая модель на 32 млрд параметров, разработанная ArliAI и дообученная на базе Qwen/QwQ-32B. Она предназначена для ролевых диалогов и творческого письма с рассуждениями, в том числе для продолжительных многоходовых бесед. Разработчики подготовили обучающие данные на основе курируемого набора RPMax и описывают стиль модели как разнообразный и менее склонный к повторению между разными контекстами. Модель использует плотную архитектуру Qwen2ForCausalLM, работает с текстом и поддерживает контекст до 40 960 токенов. Карточка указывает английский язык, а также возможности диалога и интерфейс вызова инструментов. По описанию разработчика, модель может повторять одни и те же обороты внутри беседы. Распространяется по лицензии Apache-2.0.

RLPR-Llama3.1-8B-Inst — языковая модель OpenBMB, дообученная на базе Llama-3.1-8B-Instruct с помощью фреймворка RLPR. Метод использует вероятность генерации самой модели как сигнал вознаграждения и не требует внешнего верификатора. Модель содержит 7,5 млрд параметров, построена на плотной архитектуре LlamaForCausalLM и работает с контекстом до 131 072 токенов. Модель предназначена для диалоговой генерации текста и улучшения рассуждений, в том числе решения математических задач. В карточке сообщается об улучшении результатов относительно базового подхода RLVR в среднем на 1,4 пункта по семи тестам. Заявленная применимость охватывает общие задачи рассуждения и разные области, но конкретные результаты зависят от задачи и оценки. Модель принимает текст и генерирует текст; метаданные отмечают английский язык. Для запуска указана библиотека Transformers, веса доступны в формате safetensors. Лицензия — Apache-2.0.

ajay141/roleplay-mis_wes — объединённая модель семейства Mistral, созданная методом SLERP с помощью LazyMergekit на основе HuggingFaceH4/mistral-7b-grok и senseable/WestLake-7B-v2. Она предназначена для генерации текста в ролевых диалогах и творческих сценариях; метаданные отмечают поддержку чата. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и формат safetensors, а заявленная длина контекста составляет 32 768 токенов. Базовая WestLake-7B-v2 описана как англоязычная модель для ролевых диалогов и творческих текстов. Лицензия в предоставленных данных не указана.

Карточка модели developerjeremylive/s1-mini-etheroi на Hugging Face совпадает с карточкой SwagMessiah100/s1-mini, поэтому описание составлено по ней. S1-mini от Superwhisper — компактная причинная языковая модель на 507,9 млн параметров, дообученная на базе Qwen/Qwen3-0.6B для нормализации английских транскриптов речи. Она преобразует сырой вывод ASR в связный письменный текст: удаляет слова-паразиты, исправляет повторы и самоисправления, добавляет пунктуацию и заглавные буквы, а также записывает числа, даты, время, валюты и адреса электронной почты в текстовой форме. Режимы управления позволяют задавать стиль, оформление списков и формат электронного письма. Модель принимает текст транскрипта вместе с системным промптом и строкой управления и выдаёт очищенный текст. Для набора из 7 519 английских примеров автор сообщает точность токенов 94,8%. Модель рассчитана на одну задачу, не предназначена для общего диалога и поддерживает только английский язык. Для надёжной работы требуется соблюдать обученный формат промпта и использовать предусмотренные значения параметров управления. Лицензия указана как other; перед использованием в приложении следует проверить её условия.

ScaduTorrent1.1-8b-model_stock — разговорная языковая модель семейства Llama 3, созданная методом Model Stock с помощью mergekit. В слияние вошли модели и адаптеры для ролевого общения, математики и диалогов в стиле психотерапевтической беседы; в качестве основы в конфигурации указан failspy/Llama-3-8B-Instruct-MopeyMule с Blackroot/Llama-3-8B-Abomination-LORA. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для генерации текста и диалога. Заявленная длина контекста — 8192 токена. Она подходит для разговорных сценариев и генерации ответов, включая ролевые беседы и задачи с математической составляющей. Карточка не сообщает отдельные результаты оценки качества; совместимость навыков, унаследованных от компонентов слияния, может различаться. Лицензия в предоставленных данных не указана.

Scarlet-Eclipse-12B — слитая модель семейства Mistral от Vortex5, созданная на базе Vortex5/LunaMaid-12B с использованием Vortex5/Crimson-Twilight-12B и Vortex5/Harmony-Bird-12B в качестве донорских моделей. Для слияния применён метод flowforge, который формирует взвешенное направление между моделями-донорaми и базовой моделью. Модель содержит 12,1 млрд параметров, использует библиотеку Transformers и формат safetensors; заявленная длина контекста — 131 072 токена. Модель предназначена для генерации историй и ролевых диалогов, в том числе сцен с выразительным повествовательным стилем. Она принимает текст и генерирует текст. README не приводит результатов сравнительных оценок качества или подробностей о языковом охвате, поэтому пригодность для конкретных языков и задач за пределами заявленных сценариев не установлена. Условия лицензии в предоставленных данных не описаны.

Prashant-karwasra/short_story_generation — дообученная модель GPT-2 для генерации текста, ориентированная на создание коротких рассказов. Она построена на архитектуре GPT2LMHeadModel и распространяется в формате safetensors. Контекст модели составляет 1024 токена. Модель можно использовать для генерации черновиков рассказов и продолжения заданного текста. Данные обучения и результаты оценки не описаны, поэтому соответствие стилю и качество рассказов могут быть непредсказуемыми. Лицензия — MIT.

Silver-Sun-v2-11B — объединённая языковая модель от ABX-AI, созданная методом SLERP с помощью mergekit на основе ABX-AI/Solstice-FKL-v2-10.7B и Himitsui/Kaiju-11B. В карточке указано, что обновлённая версия использует вариант Fimbulvetr v2 в составе Solstice-FKL и исправляет конфигурацию предыдущей версии. Модель построена на архитектуре Llama с плотной causal language model, содержит 10,6 млрд параметров и имеет контекст 4096 токенов. Модель предназначена для генерации текста, прежде всего для художественного повествования, письма и ролевых сценариев. Автор отмечает поддержку шаблонов Alpaca и ChatML и особо выделяет возможности для откровенного контента и отсутствие цензуры. Для качества автор рекомендует использовать контекст 4K; вариант 8K предлагается с предварительно включённым в промпт контекстом 4K, но он не проверен. Модель распространяется под лицензией, обозначенной на Hugging Face как other; конкретные условия в предоставленных данных не раскрыты. Заявленные в README результаты OpenLLM Eval приведены с оговоркой: оценку GSM8K исключили из среднего из-за проблемы форматирования, поэтому сводный балл следует трактовать осторожно.

Swahili Gemma 1B — дообученная CraneAILabs инструктивная модель Google Gemma 3 1B для перевода с английского на суахили и диалогов на суахили. Она принимает текст на английском и суахили, а ответы формирует только на суахили. Модель использует плотную архитектуру Gemma 3 с причинным языковым моделированием, содержит 1 млрд параметров и имеет контекстное окно 32 768 токенов по метаданным; в README указаны 4 096 токенов как длина для оптимальной работы. Помимо перевода и диалогов, модель подходит для краткого пересказа, ответов на общие вопросы и создания текстов на суахили. В README приведена оценка перевода на FLORES-200: BLEU 27,6 и chrF++ 56,8 на 1 012 парах, в режиме zero-shot. Компактный размер позволяет запускать её на потребительском оборудовании, однако заявленные показатели относятся к конкретной оценке и не гарантируют качество в других областях. Модель распространяется по лицензии Gemma. Она не предназначена для программирования, математических задач или специализированных областей; знания общего назначения могут быть ограничены, а генерировать ответы на других языках, кроме суахили, она не рассчитана.

Модель allenai/t5-small-squad2-question-generation — компактная модель генерации вопросов на основе архитектуры T5, разработанная Allen Institute for AI и дообученная на датасете SQuAD 2.0. Она преобразует текстовый контекст в вопросы на английском языке, например для подготовки наборов вопросов по статьям или другим фрагментам текста. Модель содержит 38,5 млн параметров, принимает и выдаёт текст и рассчитана на контекст до 512 токенов. Доступны веса в форматах PyTorch и Flax. Лицензия и сведения о качестве в предоставленных данных отсутствуют.

NlpHUST/t5-vi-en-base — модель машинного перевода вьетнамского и английского языков на архитектуре T5. Разработчики обучили её на 4 млн пар предложений на английском и вьетнамском языках. Модель содержит около 291,2 млн параметров и доступна в форматах PyTorch и Flax. Модель предназначена для перевода текста между вьетнамским и английским языками. Её можно применять для перевода предложений и текстовых фрагментов в обе стороны. Для использования доступны реализации на базе Transformers. В карточке не указаны длина контекста и лицензия; условия распространения следует проверить отдельно. Качество может зависеть от тематики и длины входного текста.

taskGPT2-xl-v0.2a — модель генерации текста на основе GPT-2 XL, дообученная автором карточки на задачах text-to-code, Chain-of-Thought, математики и набора инструкционных заданий FLAN. Она предназначена для генерации продолжений и ответов на текстовые запросы, включая простые задачи на код, рассуждения и вычисления. В карточке приведён пример использования через Transformers для генерации ответа на запрос о тональности текста. Модель использует плотную архитектуру GPT-2 и принимает текст, выдавая текст. Для неё указан контекст длиной 1024 токена; в метаданных отмечен английский язык. Репозиторий содержит веса PyTorch и доступен по лицензии Apache-2.0. Карточка сообщает о дообучении на разнообразных данных, но не приводит количественной оценки качества или подробностей о размере обучающего набора.

WindyTranslate/translate-de-it — модель машинного перевода от Windstorm Labs для перевода текста с немецкого на итальянский. Она основана на Helsinki-NLP/opus-mt-de-it: LoRA-дообучение на параллельных корпусах было объединено с базовыми весами. Модель MarianMT содержит 55,8 млн параметров, использует формат safetensors и поддерживает контекст до 512 токенов. Модель предназначена для перевода в одном направлении — с немецкого на итальянский. В проверке на 48 предложениях FLORES-200 dev получила chrF++ 52,31 и BLEU 27,63; это скрининговая оценка, а не результат публикационного исследования. Доступна под лицензией Apache-2.0.