I.5Создание и редактирование текста

Helsinki-NLP разработала эту модель в рамках проекта OPUS-MT для перевода текста с английского языка на испанский. Модель построена на архитектуре Transformer-big и Marian NMT; в карточке указано около 157 млн параметров. Она обучена на данных OPUS, включая opusTCv20210807+bt, и использует токенизацию SentencePiece с словарями spm32k для обоих языков. Модель подходит для перевода предложений и документов с английского на испанский, в том числе в приложениях на базе библиотеки Transformers. В README приведены результаты тестирования на нескольких наборах данных для языковой пары eng-spa. Максимальная длина контекста — 1024 токена. Модель не предназначена для перевода с испанского на английский или других языковых пар; качество может различаться в зависимости от тематики и стиля текста. Лицензия — CC BY 4.0.

Helsinki-NLP/opus-mt-tc-big-en-hu — модель машинного перевода проекта OPUS-MT для перевода текста с английского на венгерский. Она разработана на основе Marian NMT и использует архитектуру Transformer Big; в репозитории указано 159 млн параметров. Модель обучена на данных OPUS с применением обратного перевода и токенизации SentencePiece с словарями по 32 тыс. токенов; максимальный нативный контекст составляет 1024 токена. Модель предназначена для перевода предложений и документов с английского на венгерский. В README приведены результаты на тестовых наборах Tatoeba, FLORES-101 и новостном корпусе. Модель принимает текст и выдаёт текст перевода; для работы доступны PyTorch, TensorFlow и Transformers. Лицензия — CC-BY-4.0. Модель рассчитана только на направление английский → венгерский. Приведённые оценки зависят от тестового набора и не гарантируют такое же качество для произвольных текстов или специализированных областей.

Helsinki-NLP/opus-mt-tc-big-en-lt — модель машинного перевода проекта OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с английского языка на литовский и предназначена для интеграции в приложения через библиотеку Transformers. Модель основана на архитектуре Marian Transformer-big и содержит 160,6 млн параметров; для токенизации используется SentencePiece с словарями размера 32 тыс. для каждого языка. Метаданные указывают контекст до 1024 токенов. Модель обучена на данных OPUS с использованием конвейера OPUS-MT-train и дополнена обратным переводом. В карточке приведены результаты на тестовых наборах Tatoeba, FLORES-101 и Newsdev2019. Модель специализирована на одной языковой паре, поэтому её нельзя считать универсальной для перевода с других языков или на другие языки. Лицензия — CC BY 4.0.

remox01/opus-mt-tc-big-tr-en — модель машинного перевода с турецкого на английский, основанная на Helsinki-NLP/opus-mt-tc-big-tr-en. Она использует архитектуру Marian и предназначена для перевода турецких предложений на английский; в карточке также указан датасет remox01/xde с 164 параллельными предложениями и морфологическим анализом турецкого текста и разметкой частей речи английского текста. Модель загружается через Transformers как последовательная модель Seq2Seq и распространяется в формате safetensors. Небольшой размер указанного набора данных не позволяет заключить, насколько хорошо модель работает на широком спектре текстов. В метаданных указано окно контекста 1024 токена. Лицензия в доступных данных не приведена.

Helsinki-NLP/opus-mt-tc-big-zle-en — модель машинного перевода проекта OPUS-MT для перевода с восточнославянских языков на английский. Она принимает текст на белорусском, русском или украинском и генерирует перевод на английском. Модель построена на архитектуре Transformer-big с реализацией Marian NMT; в репозитории представлены веса PyTorch, Safetensors и TensorFlow. Размер — 163,1 млн параметров, максимальная длина контекста — 1024 токена. Для токенизации используется SentencePiece. Модель обучена на данных OPUS и предназначена для перевода текстов, включая отдельные языковые пары белорусский—английский, русский—английский и украинский—английский. Модель распространяется по лицензии CC BY 4.0. Карточка приводит оценки на тестовых наборах Tatoeba для трёх языковых пар; качество может различаться в зависимости от тематики и стиля текста, а контекст ограничен 1024 токенами.

Helsinki-NLP/opus-mt-zls-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на основе проекта Tatoeba-Challenge. Она переводит с южнославянских языков на английский: поддерживаются боснийский, болгарский, хорватский, македонский, словенский и сербский в кириллической и латинской записи. Это трансформер MarianMT с 54,7 млн параметров; при обработке используются нормализация текста и SentencePiece с моделью токенизатора на 32 тыс. единиц. Родной контекст — 512 токенов. Модель подходит для перевода предложений и коротких текстов, включая локализацию и перевод пользовательских материалов с южнославянских языков на английский. В README приведены результаты на тестах Tatoeba для болгарского, хорватского/боснийского и македонского; показатели BLEU составляют 54,9, 55,7 и 54,6 соответственно. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Orbita-v0.1 — турецкоязычная большая языковая модель для генерации текста и диалогового общения, разработанная командой Orbina на основе Qwen. Модель содержит 13,4 млрд параметров, использует плотную архитектуру Qwen2 и принимает контекст длиной до 32 768 токенов. Модель полностью дообучена на размеченном турецком наборе данных для выполнения инструкций. Она предназначена для ответов на вопросы и помощи в задачах на турецком языке, включая программирование и математику. В примере из карточки модель генерирует код на Python в ответ на турецкий запрос. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка приводит результаты оценки на турецком варианте Open LLM Turkish Leaderboard; результаты относятся к указанным тестам и не гарантируют качество во всех сценариях.

Ouroboros-1MContext-Gemma-270m — экспериментальная текстовая модель, созданная инженером Loay Abd Alsalam на основе Google Gemma 3 270M IT. Автор описывает её как proof of concept: контекстное окно расширено до 1 048 576 токенов масштабированием RoPE с коэффициентом 128, а модель дополнительно обучена на синтетических цепочках логических рассуждений методом self-instruction. Это плотная причинная языковая модель семейства Gemma 3 с 257 млн параметров, предназначенная для генерации текста и диалогов с длинным контекстом. Модель рассчитана на обработку объёмных документов и длинных последовательностей, включая сценарии на ограниченных вычислительных ресурсах. Карточка заявляет поддержку арабского и английского языков и лицензию Gemma. Расширение контекста представлено как инженерный эксперимент; в README упомянуты результаты бенчмарков, но их содержание здесь не приведено, поэтому качество на длинном контексте нельзя оценить по имеющимся сведениям.

Patent-Instruct-Orca-2 — текстовая модель генерации на архитектуре Llama, созданная Arcee AI объединением моделей microsoft/Orca-2-7b и arcee-ai/Patent-Instruct-7b с помощью mergekit и метода slerp. Модель содержит 6,6 млрд параметров и поддерживает контекст до 4096 токенов. Она предназначена для генерации текста по инструкциям в задачах, связанных с патентами; базовая модель Orca-2 также ориентирована на рассуждения, понимание текста, математические задачи и суммаризацию. Модель принимает текст и генерирует текст. В репозитории указана лицензия Apache-2.0.

Diamegs/PIT-4B-FT-201612 — англоязычная instruction-tuned модель семейства Point-In-Time (PIT), разработанная Diamegs. Это плотный авторегрессионный GPT-подобный декодер на базе Transformer, дообученный на инструкциях с помощью LoRA-адаптеров, слитых с базовыми весами. Модель предназначена для генерации текста и анализа с учётом исторического состояния знаний на декабрь 2016 года. Модель принимает текст и выдаёт текст, поддерживает следование инструкциям и имеет контекст длиной 2048 токенов. Её временная отсечка позволяет исследовать ответы так, как они могли быть сформированы на основе доступных до декабря 2016 года веб-данных. Модель распространяется в формате safetensors по лицензии Apache-2.0. Знания ограничены веб-текстами, доступными до декабря 2016 года. Для модели не применялись RLHF и отдельное обучение безопасности; она может воспроизводить смещения обучающих данных и не подходит для критически важных применений без дополнительного выравнивания.

Это квантизированная версия инструктивной языковой модели Qwen2.5-0.5B-Instruct, подготовленная dispatchAI для запуска на мобильных устройствах. Модель содержит 494 млн параметров и распространяется в формате GGUF с квантизацией INT4; по данным карточки, она занимает около 0,7 ГБ памяти и ориентирована на быстрый запуск на процессоре смартфона. Модель предназначена для генерации текста и диалоговых сценариев на устройстве: генерации кода в мобильных IDE, классификации и извлечения данных из текста, а также встраивания ассистентов в приложения. Карточка заявляет скорость около 45 токенов в секунду на CPU Samsung S20 FE и сохранение примерно 94% качества относительно исходной модели. Поддерживаются английский и китайский языки; лицензия — Apache-2.0.

Qwen2-7B-Instruct-Exp — разговорная языковая модель на архитектуре Qwen2, разработанная Alibaba PAI. Модель дообучена на основе Qwen2-7B-Instruct для расширения пользовательских инструкций примерами того же типа задачи, но с другим содержанием. В обучении использованы выборки OpenHermes и LCCD, а для подготовки аннотаций — Qwen-max и примеры авторов. Модель принимает текстовые инструкции и генерирует текстовые варианты с изменённым содержанием, сохраняя тип задачи. В карточке указаны 7,1 млрд параметров и контекст до 131 072 токенов. Авторы оценивали её влияние на аугментацию данных для задач элементарной математики и импликатур; результаты зависели от тестового набора. Подходит для создания синтетических обучающих примеров и разнообразных формулировок заданий. Лицензия в предоставленных данных не указана.

unsloth/Qwen3-0.6B-Base — плотная авторегрессионная языковая модель семейства Qwen3, представленная Unsloth как производная от Qwen/Qwen3-0.6B-Base. Это предварительно обученная базовая модель примерно с 508 млн параметров, 28 слоями и архитектурой Qwen3ForCausalLM; она предназначена для генерации текста и дальнейшей адаптации под прикладные задачи. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и работает через библиотеку Transformers. Qwen3 обучалась на многоязычном корпусе; README указывает охват 119 языков, включая материалы по программированию, STEM, рассуждениям и общим знаниям. Компактный размер позволяет использовать модель как основу для экспериментов, прототипов и дообучения, однако возможности конкретной версии Base не следует приравнивать к готовому чат-ассистенту или специализированному решателю задач. Для работы требуется актуальная версия Transformers: README предупреждает о несовместимости с версиями ниже 4.51.0. Лицензия — Apache-2.0.

ArliAI/Qwen3-30B-A3B-ArliAI-RpR-v4-Fast — языковая модель ArliAI для ролевого общения и творческого письма. Это дообученная на основе Qwen/Qwen3-30B-A3B MoE-модель семейства Qwen3; карточка описывает серию RpR как подходящую для связных многоходовых диалогов с сохранением рассуждений. Модель рассчитана на генерацию текста, диалоговые сценарии и ролевые чаты. По описанию разработчика, обучение использовало курируемый набор ролевых диалогов и творческих текстов RPMax, переработанный для обучения рассуждениям. Версия Fast создана на базе Qwen3-30B-A3B для более быстрого вывода; архитектура MoE указана в метаданных. Метаданные сообщают 2,6 млрд параметров, контекст до 40 960 токенов, поддержку английского языка и формат safetensors. Лицензия — Apache-2.0. Карточка отмечает снижение повторов между разными контекстами, но признаёт, что внутри одного разговора модель всё ещё может повторять формулировки. Её специализация — ролевые и творческие сценарии, поэтому она не описана как специализированная модель для предметных областей вроде права или медицины.

Qwen3-8B TMax AENV v39b iteration 99 — это чекпойнт на базе Qwen3-8B, разработанный willamazon1. Модель прошла дообучение с подкреплением методом group-relative policy optimization на асинхронных многоходовых взаимодействиях в агентной среде; исходной точкой был SFT-чекпойнт willamazon1/qwen3-8b-tmax-sft-v3-iter353, созданный на основе Qwen/Qwen3-8B. Это плотная авторегрессионная языковая модель Qwen3 с 7,6 млрд параметров и контекстом до 40 960 токенов. Модель предназначена для диалоговой генерации текста и сценариев с агентом и вызовом инструментов. Опубликована итерация 99 из серии чекпойнтов обучения, что позволяет сравнивать разные точки обучения. Веса сохранены в формате safetensors с точностью bfloat16; конвертация выполнена из чекпойнта Megatron-LM torch_dist в формат Hugging Face. Лицензия — Apache-2.0. Чекпойнт отражает промежуточную итерацию обучения с подкреплением, поэтому поведение и качество могут отличаться от более поздних итераций этой серии. Он ориентирован на текстовый ввод и выдачу; отдельные показатели качества в карточке не приведены.

Qwen3.8-Queen-27B — дообученная мультимодальная модель на базе Qwen/Qwen3.8-27B от автора репозитория aifeifei798. Она предназначена прежде всего для ролевых диалогов, создания художественных текстов и повествовательной симуляции с устойчивым образом персонажа, включая мрачные и напряжённые сюжеты. Карточка также заявляет сохранение возможностей базовой модели в логических задачах, программировании и работе с изображениями и видео. Модель использует плотную архитектуру Qwen3.5 для генерации текста и анализа изображений; в репозитории указаны веса safetensors и библиотека Transformers. В README заявлены 27 млрд параметров и контекст 262 144 токена с возможностью расширения до 1 000 000 токенов. Основной язык не определён; карточка не перечисляет языки обучения или поддержки. Автор описывает модель как вариант с ослабленными ограничениями и высокой верностью заданной персоне; это может приводить к созданию откровенного или жестокого вымышленного контента. Заявления карточки о качестве рассуждений и творческого письма не сопровождаются результатами оценок. Лицензия — Apache-2.0.

Qwen3-VL-4B-Thinking-abliterated-v1-GGUF — мультимодальная vision-language модель примерно на 4 млрд параметров, разработанная prithivMLmods на основе Alibaba Qwen3-VL-4B-Thinking. Это вариант в формате GGUF для запуска через совместимые инструменты, включая llama.cpp. Модель принимает изображения и текст и генерирует текстовые ответы, поддерживая анализ, описание и рассуждения по сложному визуальному и мультимодальному содержимому. Основной язык — английский, при этом заявлена адаптация к многоязычным запросам. Контекстное окно и точный перечень поддерживаемых языков в README не указаны. Модель предназначена для визуального captioning, анализа изображений, творческого повествования, работы с художественными, техническими, абстрактными и чувствительными материалами, а также для исследовательских задач, red-teaming и подготовки визуальных наборов данных. К заявленным сильным сторонам относятся мультимодальное рассуждение, следование инструкциям, вариативная детализация ответов и работа с разными соотношениями сторон и разрешениями. При этом это abliterated-версия, ориентированная на менее ограниченные ответы, поэтому она может генерировать явный контент и не рекомендуется для систем, где требуется строгая модерация. Доступны варианты с разными уровнями квантования, включая IQ, Q2–Q8 и F16, с размером файлов примерно от 1,06 до 8,05 ГБ. Лицензия — Apache-2.0.

Qwen_Qwen3-VL-2B-Instruct-GGUF — это GGUF-квантизированная версия мультимодальной модели Qwen3-VL-2B-Instruct, разработанной Qwen и подготовленной пользователем bartowski. Модель предназначена для задач image-text-to-text: обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. Она может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. В репозитории представлены варианты весов от BF16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K и Q3/Q2, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Размер исходной модели — 2B параметров; отдельные файлы занимают примерно от 0,85 до 3,45 ГБ. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5_K и Q6_K; низкобитные варианты экономят память, но снижают качество. Контекст, поддерживаемые языки и точные архитектурные характеристики в README не указаны. Лицензия также не указана, поэтому условия использования следует уточнять в карточке исходной модели Qwen/Qwen3-VL-2B-Instruct.

Randeng-Deltalm-362M-En-Zh — модель перевода с английского на китайский, разработанная в рамках проекта Fengshenbang. Это дообученная на базе DeltaLM модель архитектуры Deltalm с 248,6 млн параметров по метаданным Hugging Face; README приводит размер 362 млн параметров. Для обучения использовали 30 млн англо-китайских пар и 200 тыс. параллельных примеров IWSLT. Модель принимает текст на английском и генерирует перевод на китайский; длина контекста составляет 512 токенов. В README приведён результат BLEU 40,22 на наборе FLORES-101 для направления en-zh. Модель предназначена для автоматического перевода; практическое качество зависит от тематики и формулировок текста. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Rotor 24B V.1 — объединённая модель на основе дообученных вариантов Mistral-Small 24B, созданная OddTheGreat для ролевых диалогов и текстовых приключений. Автор ставил целью сделать прозу менее механической; модель также подходит для разговорного режима и выполнения инструкций. Модель содержит 23,4 млрд параметров, использует архитектуру Mistral для генерации текста и имеет заявленное контекстное окно 131 072 токена. В README автор сообщает, что проверял работу с контекстом 12 тысяч токенов, длинными диалогами, русским и французским языками; также отмечает творческие ответы и баланс между SFW- и NSFW-сценариями. Русский язык проверялся в режиме ассистента и ролевой игре, французский — в режиме ассистента. Модель может отвечать длиннее ожидаемого и иногда говорит от лица пользователя в ролевом диалоге. Качество французской ролевой игры и работа на контексте свыше проверенных 12 тысяч токенов автором не подтверждены. Лицензия в доступных данных не указана.

Celeste V1.9 — модель для генерации историй и ролевых диалогов, созданная emplitude на базе Mistral Nemo 12B Instruct. Это плотная авторегрессионная модель семейства Mistral с 12,1 млрд параметров, обученная на примерах в формате ChatML. В карточке указано нативное контекстное окно 1 024 000 токенов, однако автор сообщает, что обучение проводилось на контексте 8K и ожидает перенос способности работать с длинным контекстом как минимум до 16K. Модель предназначена для написания художественной прозы и многоходовых ролевых сцен, в том числе контента для взрослых; она поддерживает как SFW-сценарии, так и NSFW по запросу пользователя. Автор отмечает, что стиль и поведение заметно зависят от начальных сообщений, примеров и OOC-инструкций, а разные варианты генерации могут существенно отличаться. Для работы рекомендованы шаблон ChatML и настройки сэмплирования из карточки. Модель основана на Mistral Nemo 12B Instruct и дообучена на наборах WritingPrompts, DirtyWritingPrompts, Opus Instruct и очищенных диалогах c2. Метаданные указывают язык en. Лицензия — Apache-2.0. Описание не подтверждает, что заявленное метаданными контекстное окно в 1 024 000 токенов проверено именно для этого дообученного чекпойнта.

context-mt/scat-marian-small-ctx4-cwd1-en-fr — контекстная модель машинного перевода с архитектурой Marian, разработанная на основе Helsinki-NLP/opus-mt-en-fr. Она дообучена для перевода с английского на французский на наборе IWSLT17 с контекстными тегами, а затем на обучающей части SCAT+. При формате SOURCE_CTX SOURCE_CURR модель использует контекст исходного текста для перевода текущего фрагмента; также её можно применять для перевода без контекста. Модель содержит 55,6 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Её использовали при оценке методов контекстного перевода в работе, опубликованной на ICLR 2024. Распространяется по лицензии Apache-2.0. Карточка не приводит результатов качества или подробных ограничений на применение контекста.

Soulblighter-24B-v1 — экспериментальное объединение моделей, созданное OccultAI методом karcher на основе нескольких вариантов Mistral. Модель предназначена для генерации текста, прежде всего творческого письма и ролевого общения; в карточке также заявлены рассказы, продолжение сцен и создание сюжетов разных жанров. Модель имеет плотную архитектуру MistralForCausalLM и 23,4 млрд параметров, принимает текст и генерирует текст. Контекст — до 131 072 токенов; в карточке указан английский язык. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия — Apache-2.0. Автор отмечает, что у модели есть отказы, а режим рассуждений не проверен. Это творческий merge, поэтому качество и поведение могут различаться по задачам и зависеть от используемого шаблона промпта.

StoryFusion-7B — модель генерации текста на архитектуре Mistral с 7,1 млрд параметров, созданная объединением StoryWeaver-7b-Instruct-v0.1, Coxcomb и Mistral-7B-storywriter. В конфигурации слияния также указана WestLake-7B-v2 как базовая модель; применён метод dare_ties, итоговый тип данных — bfloat16. Модель предназначена для генерации художественных текстов и рассказов по подсказке, а также для диалоговой генерации в формате инструкций. Контекстное окно составляет 32 768 токенов. Веса опубликованы в формате safetensors; README также упоминает квантованные варианты GGUF. Язык исходных моделей и назначение нацелены на англоязычное творчество. Модель распространяется по лицензии, указанной в метаданных Hugging Face. Сведений о ней в предоставленных данных нет.

T0_3B — англоязычная модель BigScience с архитектурой T5 encoder-decoder, дообученная на смеси множества задач, заданных инструкциями на естественном языке. Она принимает текстовый запрос и генерирует ответ, чтобы выполнять задачи без специального дообучения под каждую из них: классификацию тональности, определение дубликатов вопросов, вывод по контексту, понимание отношений между объектами и перестановку слов. Модель содержит около 1,5 млрд параметров и распространяется в форматах PyTorch и Safetensors. Модель рассчитана на эксперименты и применение к англоязычным NLP-задачам по промпту. Результаты могут заметно зависеть от формулировки запроса; модель не предназначена для кода и неанглоязычного текста. Она может воспроизводить социальные предубеждения и выдавать оскорбительные или вводящие в заблуждение ответы. Для загрузки и инференса нужны существенные вычислительные ресурсы. Лицензия — Apache-2.0.

tawfikgh/T5-CNN-Daily-Mail — дообученная модель семейства T5, созданная на основе t5-small. Она содержит 38,5 млн параметров, рассчитана на контекст до 512 токенов и опубликована в формате TensorFlow. Название указывает на задачу суммаризации новостных материалов CNN/Daily Mail, однако README сообщает лишь о дообучении на неизвестном наборе данных и не описывает назначение модели подробнее. Модель подходит для экспериментов с генерацией кратких текстов по входному тексту и для проверки суммаризации на новостных материалах. В README приведены метрики обучения и оценки, включая ROUGE, но без описания набора данных и протокола оценки их интерпретация ограничена. Лицензия — Apache-2.0.

TowerInstruct-7B-v0.2-EN2ES-GGUF — квантизированная версия модели Iker/TowerInstruct-7B-v0.2-EN2ES, разработанной Iker и подготовленной в формате GGUF пользователем MaziyarPanahi. Модель предназначена для генерации текста, прежде всего для перевода с английского на испанский, а также для диалоговых и инструкционных сценариев. Модель содержит около 7 миллиардов параметров и распространяется в формате GGUF, совместимом с llama.cpp и рядом локальных интерфейсов и библиотек. Доступны варианты квантизации от 2 до 8 бит, включая Q2_K, Q3_K, Q4_K, Q5_K и Q6_K, что позволяет выбирать компромисс между размером файла, требованиями к памяти, скоростью и качеством генерации. Поддерживаемые модальности и языки ограничены текстом; целевая языковая пара — английский и испанский. Размер контекстного окна в README не указан. Сильными сторонами модели являются специализация на переводе EN→ES, возможность локального запуска и наличие вариантов с различной степенью квантизации. Ограничения включают возможную потерю качества по сравнению с полной точностью при использовании низкобитных вариантов, а также отсутствие в предоставленных данных сведений о точности, производительности, языках помимо целевой пары и максимальном контексте. Модель распространяется по лицензии Apache-2.0.

WindyTranslate/translate-da-es — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная и объединённая с базовыми весами модель Helsinki-NLP/opus-mt-da-es на архитектуре MarianMT: около 54,6 млн параметров, формат safetensors, библиотека Transformers, контекст до 512 токенов. Модель переводит текст с датского языка на испанский; другие направления в карточке не заявлены. Для оценки приведены результаты chrF++ 49,23 и BLEU 25,81 на 48 предложениях из FLORES-200 dev. Это скрининговая оценка, а не результат публикационного исследования. Модель распространяется по лицензии Apache-2.0 с атрибуцией базовой модели Helsinki-NLP/opus-mt-da-es.

Windstorm Labs выпустила модель машинного перевода с английского на германские языки. Это дообученная версия Helsinki-NLP/opus-mt-en-gem на базе MarianMT: авторы применили LoRA к параллельным текстам и объединили адаптер с базовыми весами. Модель содержит 54,2 млн параметров, принимает текст, выдаёт перевод и рассчитана на контекст до 512 токенов. Репозиторий содержит сборку Transformers в формате safetensors. Модель подходит для перевода с английского на немецкий, нидерландский и другие германские языки, охватываемые семейством gem. Карточка не приводит отдельного списка целевых языков. Качество этой версии не оценивалось бенчмарками, поэтому пригодность перевода для конкретного сценария следует проверять отдельно. Лицензия — Apache-2.0.

Windstorm Labs опубликовала модель машинного перевода с английского на галисийский. Это дообученная версия Helsinki-NLP/opus-mt-en-gl на базе архитектуры MarianMT: LoRA-адаптер обучили на параллельном корпусе и объединили с базовыми весами. Модель содержит 53,6 млн параметров, работает с текстом и имеет контекстное окно 512 токенов. Модель предназначена для перевода коротких текстов с английского на галисийский. В карточке приведён скрининговый результат на 48 предложениях FLORES-200 dev: chrF++ 43,64 и BLEU 18,88; авторы оценивают результат как пригодный для использования, но не как публикационный бенчмарк. Доступны веса safetensors для Transformers. Лицензия — Apache-2.0.