I.5Создание и редактирование текста

Natsumura Storytelling RP 1.0 — дообученная Tohur чат-модель для создания художественных текстов и ролевых диалогов. Она основана на Meta-Llama-3.1-8B-Instruct: плотная архитектура Llama с 7,5 млрд параметров и контекстом до 131 072 токенов. Модель предназначена для персонажных чат-ботов в SillyTavern, Agnai, RisuAI и подобных приложениях, а также для написания историй и художественных сцен. При дообучении использовались наборы данных для ролевых диалогов, рассказов и общения; в карточке также описаны настройки обучения в Llama Factory. Модель выпускается в формате safetensors, а автор отдельно указывает на доступность вариантов GGUF. Лицензия — Llama 3.1 Community License (llama3.1).

NemoDori-v0.1-12B-MS — объединённая методом Model Stock модель на архитектуре Mistral, созданная автором RozGrov с помощью LazyMergekit на основе четырёх 12-миллиардных моделей для диалогов и ролевых игр. Модель содержит 12,1 млрд параметров, предназначена для генерации текста и работает в формате safetensors; автор рекомендует использовать шаблон ChatML. В каталожных метаданных указан контекст до 1 024 000 токенов, а в README автор сообщает о связности генерации, проверенной им примерно на 28 000 токенах. Модель подходит для продолжения ролевых сцен, написания выразительной прозы и творческих диалогов. По опыту автора, она обычно развивает историю постепенно и может предлагать неожиданные продолжения, но иногда перескакивает во времени, генерирует длинные ответы или говорит от лица пользователя. Автор отмечает, что это его первый экспериментальный merge. Лицензия в предоставленных данных не указана.

NeuralMaths-Experiment-7b — объединённая модель генерации текста на основе Mistral, созданная Kukedlc с помощью LazyMergekit. В состав объединения входят WizardMath-7B-V1.1, NeuralDaredevil-7B, Neural4gsm8k, Mayo и NeuralSirKrishna-7b; модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов, с акцентом на математические задачи и рассуждения. В README заявлен результат на GSM8K и приведены показатели нескольких тестов Open LLM Leaderboard, включая AI2 Reasoning Challenge и HellaSwag. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Результаты бенчмарков приведены в карточке модели; они сами по себе не гарантируют качество на других задачах.

New Dawn Llama 3 70B 32K v1.0 — авторская модель sophosympatheia, собранная методом многоуровневого слияния SLERP нескольких вариантов Llama 3 70B. Это плотная авторегрессионная модель на 69,5 млрд параметров с контекстом до 32 768 токенов; для длинного контекста автор рекомендует alpha_rope=1. Модель предназначена прежде всего для ролевых диалогов, написания историй и творческого письма, а также поддерживает формат инструкций Llama 3. Автор описывает её как uncensored и отмечает, что не проверял качество на других задачах. В репозитории используются веса safetensors; лицензия — Llama 3. Модель может подойти для сцен с откровенным взрослым содержанием, но качество ответов зависит от промпта и настроек сэмплирования.

OmniDimen/OmniDimen-2.5-9B-Emotion-GGUF — это дообученная версия языковой модели Qwen/Qwen3.5-9B, разработанная командой OmniDimen. Модель предназначена для распознавания эмоций в тексте и генерации эмоционально адаптированных ответов. Она относится к классу text-generation и поддерживает китайский и английский языки. Модель содержит около 9 млрд параметров и распространяется в формате GGUF с точностью FP16; размер файла составляет примерно 19 ГБ. Заявлена длина контекста до 262 144 токенов, при этом для сохранения возможностей рассуждения рекомендуется использовать не менее 128K токенов. GGUF подходит для локального запуска через LM Studio, Ollama и PocketPal, а также для серверного развертывания с SGLang, vLLM и KTransformers. README не сообщает о поддержке изображений или других модальностей, поэтому модель следует рассматривать как текстовую. Сильные стороны модели — специализация на эмоциональном анализе и генерации, большой контекст и совместимость с распространенными инструментами инференса. Ограничениями являются высокие требования к памяти при использовании длинного контекста и крупный размер FP16-файла; для уменьшения потребления ресурсов может потребоваться сокращение окна контекста. Модель распространяется под лицензией MIT.

InternVL3_5-8B-GGUF — это квантизированная версия мультимодальной модели InternVL3_5-8B, разработанной OpenGVLab. Релиз GGUF подготовлен пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text, то есть для обработки изображений вместе с текстовыми запросами и генерации текстовых ответов, а также для локального запуска через llama.cpp, LM Studio и совместимые проекты. Модель имеет размер 8B параметров в исходной версии и представлена в форматах GGUF с различными уровнями квантизации — от BF16 до Q2 и IQ3. Доступны варианты объёмом примерно от 3,6 до 16,4 ГБ; более высокие уровни квантизации обычно сохраняют лучшее качество, а низкие требуют меньше оперативной памяти. Для большинства сценариев автор рекомендует варианты Q4_K_M, Q5, Q6 и некоторые IQ4. Архитектура, поддерживаемые языки и размер контекста в README не указаны. Сильной стороной релиза является широкий выбор квантизаций для подбора баланса между качеством, скоростью и требованиями к памяти, а также совместимость с популярными инструментами локального инференса. Ограничения связаны с возможной потерей качества в более компактных вариантах и отсутствием в README сведений о точных возможностях исходной модели, языках, контексте, системном промпте и рекомендуемом формате запросов. Лицензия в предоставленных данных не указана.

Open-Instruct Flan V2 7B — языковая модель семейства LLaMA, дообученная исследователями Allen Institute for AI на наборе инструкций Flan V2 в рамках работы «How Far Can Camels Go? Exploring the State of Instruction Tuning on Open Resources». Это плотная авторегрессионная модель для генерации текста по инструкциям; в репозитории опубликована разница весов, для применения нужна соответствующая базовая модель LLaMA в формате Hugging Face. Модель содержит около 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текстовый контекст длиной до 2048 токенов. Карточка описывает англоязычные данные и приводит результаты оценки на тестах знаний, математики, рассуждений, вопросов и ответов и генерации кода. Модель предназначена для исследовательского применения и экспериментов с настройкой инструкциями. Указаны лицензия AI Model License и исходная лицензия Llama; перед использованием необходимо соблюдать условия обеих лицензий. Результаты бенчмарков показывают ограничения в отдельных задачах, включая низкий результат на прямом решении GSM и генерации кода, поэтому качество ответов следует проверять.

OPT-350M — языковая модель семейства OPT, разработанная Meta AI. Это плотный декодерный трансформер с архитектурой OPTForCausalLM, обученный предсказывать следующий токен на основе предыдущего текста. Модель содержит около 454,1 млн параметров, имеет контекст до 2048 токенов и доступна в форматах PyTorch, TensorFlow и Flax. Модель предназначена для генерации текста и оценки задач по промптам, а также может дообучаться под прикладные задачи. Она преимущественно обучалась на англоязычных текстах, хотя в обучающих данных присутствует небольшая доля других языков. Обучающие данные включают неотфильтрованный интернет-контент, поэтому генерации могут содержать предвзятость, быть небезопасными или галлюцинаторными. В метаданных лицензия обозначена как other; конкретные условия следует сверять с карточкой модели и материалами Meta AI.

Helsinki-NLP/opus-mt-af-es — модель машинного перевода Afrikaans в испанский из семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer-align и реализованная как MarianMTModel. Модель содержит 56 млн параметров, использует нормализацию и SentencePiece с словарями по 32 тыс. токенов; максимальный контекст — 512 токенов. Модель предназначена для перевода текстов с африкаанс на испанский. В README приведён результат на тестовом наборе Tatoeba-test.afr.spa: BLEU 49,9 и chr-F 0,680. Доступны веса PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-bi-es — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с языка би на испанский и предназначена для перевода отдельных фраз и текстов в приложениях и рабочих процессах локализации. Модель основана на архитектуре Transformer-align, использует нормализацию и SentencePiece; в метаданных указаны архитектура Marian, 54 млн параметров и контекст до 512 токенов. Модель обучена на данных OPUS. В README приведён результат BLEU 21,1 и chr-F 0,388 на тестовом наборе JW300.bi.es. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-cs-de — модель машинного перевода семейства MarianMT, разработанная Helsinki-NLP в рамках проекта OPUS-MT. Она переводит текст с чешского языка на немецкий и подходит для перевода отдельных фраз и текстов, включая новостные материалы. Модель использует архитектуру Transformer, нормализацию текста и токенизацию SentencePiece; размер составляет около 55 млн параметров, длина контекста — 512 токенов. В README приведены результаты на нескольких тестовых наборах новостного перевода: BLEU от 21,1 до 22,2 и chr-F от 0,520 до 0,525. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-de-hr — модель машинного перевода из немецкого языка на хорватский, разработанная проектом OPUS и опубликованная Helsinki-NLP. Она построена на архитектуре Marian Transformer и обучена на данных OPUS; предварительная обработка включает нормализацию текста и SentencePiece. Модель содержит 55,2 млн параметров и рассчитана на контекст до 512 токенов. Модель подходит для перевода предложений и текстовых фрагментов с немецкого на хорватский. В README приведены результаты на наборе Tatoeba.de.hr: BLEU 42,6 и chr-F 0,643. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия Apache-2.0.

Helsinki-NLP/opus-mt-de-hu — модель машинного перевода из проекта OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с немецкого языка на венгерский и предназначена для автоматизированного перевода предложений и текстовых фрагментов. Модель основана на архитектуре Marian с Transformer и использует нормализацию текста и токенизацию SentencePiece; размер — 55,2 млн параметров, заявленная длина контекста — 512 токенов. В карточке приведён результат на тестовом наборе Tatoeba.de.hu: BLEU 34,3 и chr-F 0,588. Доступны веса в форматах PyTorch и TensorFlow. Лицензия Apache-2.0 допускает использование и модификацию на её условиях.

Helsinki-NLP/opus-mt-de-no — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с немецкого языка на норвежский; целевой язык можно задать токеном в начале предложения в формате >>id<<. Модель построена на архитектуре MarianMT/Transformer-align и содержит 28,8 млн параметров. В обучающих данных объединены варианты норвежского языка букмол и нюнорск. Предобработка включает нормализацию и SentencePiece с словарями по 4 тыс. токенов; контекст — до 512 токенов. Модель подходит для перевода предложений и коротких текстов с немецкого на норвежский. В карточке приведён результат BLEU 33,2 на наборе Tatoeba-test.deu.nor. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-en-az — модель машинного перевода из семейства OPUS-MT, подготовленная Helsinki-NLP для перевода с английского на азербайджанский язык. Она основана на архитектуре Transformer-align и доступна в реализации MarianMT; содержит 37,1 млн параметров, а родная длина контекста составляет 512 токенов. Модель принимает английский текст и генерирует перевод на азербайджанский. Для предобработки используются нормализация и SentencePiece с отдельными словарями по 12 тысяч элементов. В карточке приведены результаты на тесте Tatoeba-test.eng.aze: BLEU 18,6 и chr-F 0,477; это оценка на конкретном наборе данных, а не гарантия качества для любых текстов. Веса доступны в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Xenova/opus-mt-en-es — модель машинного перевода с ONNX-весами, разработанная на основе Helsinki-NLP/opus-mt-en-es и подготовленная для работы с библиотекой Transformers.js. Она предназначена для автоматического перевода с английского на испанский, в том числе в веб-приложениях и других средах, где требуется совместимость с ONNX и Transformers.js. Известно, что модель использует ONNX-веса; сведения о точной архитектуре, размере, максимальной длине контекста и других технических характеристиках в предоставленном README не указаны. Основное преимущество — возможность запуска в экосистеме Transformers.js и потенциальная адаптация к веб-средам. Ограничения README не описывает, поэтому качество перевода, требования к ресурсам и поддерживаемые сценарии следует оценивать отдельно. Информация о лицензии в карточке модели отсутствует.

jkorsvik/opus-mt-eng-nor — модель машинного перевода на базе архитектуры MarianMT, созданная проектом OPUS/Tatoeba Challenge и опубликованная пользователем jkorsvik. Она переводит текст с английского на норвежский букмол и нюнорск; для выбора варианта перевода перед предложением требуется указать целевой языковой токен, например соответствующий код языка. Модель содержит 52,9 млн параметров, использует Transformer и SentencePiece с нормализацией текста, а её контекст ограничен 512 токенами. Модель обучена на данных OPUS с обратными переводами, включая Tatoeba и материалы Википедии и других текстовых проектов. В README приведены оценки BLEU 56,4 для букмола и 40,3 для нюнорска на указанных тестовых наборах Tatoeba. Подходит для перевода предложений и текстовых фрагментов с английского на обе письменные формы норвежского. Распространяется по лицензии Apache-2.0.

Helsinki-NLP разработала opus-mt-en-mt — модель машинного перевода из семейства OPUS-MT на архитектуре MarianMT с трансформером и SentencePiece. Она переводит текст с английского на мальтийский; для нормализации входного текста применяется предварительная обработка. Модель насчитывает 53,9 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Модель предназначена для перевода предложений и текстов общего назначения с английского на мальтийский. В README приведены результаты на тестовых наборах JW300.en.mt (BLEU 47,5) и Tatoeba.en.mt (BLEU 25,0). Распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-en-sq — модель машинного перевода из семейства OPUS-MT, построенная на архитектуре Marian Transformer. Она переводит текст с английского языка на албанский. Модель обучена на данных OPUS; входной текст проходит нормализацию и токенизацию SentencePiece. Размер модели — 55,5 млн параметров, длина контекста — до 512 токенов. Модель подходит для перевода коротких текстов и фраз, включая сценарии локализации и многоязычной поддержки. В README приведён результат BLEU 46,5 на тестовом наборе Tatoeba.en.sq. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-en-vi — модель машинного перевода из семейства OPUS-MT, опубликованная Helsinki-NLP. Она переводит текст с английского на вьетнамский и построена на архитектуре Transformer-align в реализации MarianMT. Модель содержит 52,7 млн параметров, использует нормализацию и SentencePiece с токенизатором на 32 тысячах элементов; для перевода требуется начальный токен целевого языка в формате >>id<<. Метаданные указывают контекст до 512 токенов и поддержку PyTorch и TensorFlow. Модель предназначена для перевода отдельных фраз и текстовых сегментов с английского на вьетнамский. В README приведён результат BLEU 37,2 на тесте Tatoeba-test.eng.vie. Она поддерживает текст на английском и выдаёт текст на вьетнамском, включая указанный в карточке вариант vie_Hani. Лицензия — Apache-2.0. Результаты перевода могут требовать проверки человеком, особенно для длинных текстов и контекстно-зависимых формулировок.

Helsinki-NLP/opus-mt-es-da — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с испанского языка на датский и предназначена для автоматического перевода предложений и документов. Модель построена на архитектуре Marian Transformer, содержит 54,6 млн параметров, использует нормализацию текста и токенизацию SentencePiece; длина контекста — 512 токенов. В карточке приведён результат BLEU 55,7 и chr-F 0,712 на тестовом наборе Tatoeba.es.da. Модель доступна в форматах PyTorch и TensorFlow и распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-es-eu — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Marian (MarianMTModel). Она переводит текст с испанского языка на баскский. Модель содержит 54,9 млн параметров, использует нормализацию и SentencePiece с токенизаторами размером 32 тыс. элементов; длина контекста составляет 512 токенов. Модель подходит для перевода отдельных фраз и текстов, в том числе испанских предложений для баскской аудитории. В README приведён результат BLEU 37,0 на тестовом наборе Tatoeba-test.spa.eus. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP разработала opus-mt-fi-et — модель машинного перевода с финского языка на эстонский. Она построена на архитектуре MarianMT с трансформером transformer-align и предназначена для перевода предложений и текстов между этими языками. Для предобработки используются нормализация и SentencePiece. Размер модели — 54,9 млн параметров, заявленная длина контекста — 512 токенов. В README приведены результаты на тестовом наборе JW300.fi.et: BLEU 25,2 и chr-F 0,519. Модель доступна в форматах PyTorch и TensorFlow по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-fi-fr — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с финского языка на французский и предназначена для автоматического перевода отдельных фраз и текстов. Модель использует архитектуру Transformer в реализации MarianMT, около 55,9 млн параметров, предварительную нормализацию и токенизацию SentencePiece; максимальная длина контекста — 512 токенов. В README приведён результат BLEU 50,7 на наборе Tatoeba.fi.fr. Модель доступна под лицензией Apache-2.0. Она предназначена для перевода между конкретной парой языков; качество на других языках и в специализированных областях не подтверждено.

Helsinki-NLP разработала opus-mt-fi-nl — модель машинного перевода с финского языка на нидерландский. Она предназначена для перевода текстов и основана на архитектуре Transformer-align из семейства Marian; при подготовке текста используются нормализация и SentencePiece. Модель обучена на данных OPUS и содержит 55,8 млн параметров; заявленная длина контекста — 512 токенов. Для набора JW300.fi.nl в карточке приведены оценки BLEU 30,5 и chr-F 0,557. Модель принимает текст на финском и выдаёт перевод на нидерландском. Распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-fr-bg — модель машинного перевода из семейства OPUS-MT, созданная Helsinki-NLP на архитектуре Transformer и реализованная в библиотеке Marian. Она переводит текст с французского языка на болгарский; модель обучена для этой языковой пары, а не для многоязычного перевода. Используются нормализация текста и токенизация SentencePiece с словарями размером 32 тыс. токенов. Модель содержит 56,6 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Модель подходит для перевода отдельных фраз и текстов, в том числе для автоматизированных рабочих процессов перевода. В карточке приведён результат BLEU 46,3 на тестовом наборе Tatoeba-test.fra.bul; этот показатель относится к указанному набору и не гарантирует такое же качество на других типах текстов. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-ko-en — модель машинного перевода из серии OPUS-MT, разработанной Helsinki-NLP на основе проекта Tatoeba-Challenge. Она переводит текст с корейского на английский и построена на архитектуре Transformer-align, представленной в библиотеке Marian. Модель содержит 58,4 млн параметров, использует нормализацию и SentencePiece с словарями по 32 тысячи токенов и рассчитана на контекст до 512 токенов. Модель предназначена для перевода корейских фраз и текстов на английский. В README приведён результат BLEU 41,3 и chr-F 0,588 на наборе Tatoeba-test.kor.eng; эти оценки относятся к указанному тестовому набору и не гарантируют такого же качества на других типах текстов. Репозиторий предоставляет веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-no-es — модель машинного перевода из семейства MarianMT, опубликованная Helsinki-NLP для перевода с норвежского на испанский. Она построена на архитектуре Transformer и обучена для пары языков no-es; исходный язык охватывает букмол и нюнорск, целевой — испанский. Для обработки текста применяются нормализация и токенизация SentencePiece с словарями по 12 тысяч единиц. Модель содержит 36,4 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Модель подходит для перевода текстов и сообщений с норвежского на испанский. В карточке приведён результат BLEU 34,2 и chr-F 0,565 на тесте Tatoeba-test.nor.spa. Лицензия Apache-2.0 разрешает использование и распространение на её условиях.

Helsinki-NLP выпустила OPUS-MT-NORTH_EU-NORTH_EU — модель машинного перевода на архитектуре MarianMT с плотной Transformer-моделью. Она переводит между немецким, нидерландским, западнофризским, африкаанс, датским, фарерским, исландским, норвежским (no, nb, nn) и шведским языками; целевой язык задаётся специальным начальным токеном вида >>id<<. Модель содержит 54,9 млн параметров, использует нормализацию и SentencePiece, поддерживает контекст длиной до 512 токенов и доступна в форматах PyTorch и TensorFlow. В README приведён результат BLEU 48,1 для направления немецкий–шведский на тестовом наборе Tatoeba. Модель предназначена для прикладного перевода текста между перечисленными североевропейскими языками. Распространяется по лицензии Apache-2.0. Результаты перевода могут зависеть от направления и тематики текста; для выбора языка перевода требуется корректно указать целевой языковой токен.

Helsinki-NLP/opus-mt-om-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с языка оромо (om) на английский (en) и обучена на данных OPUS с архитектурой Transformer, нормализацией текста и токенизацией SentencePiece. Модель построена на MarianMT, содержит 55,8 млн параметров и рассчитана на контекст до 512 токенов. Модель подходит для перевода текстов и фраз с оромо на английский. В карточке приведён результат BLEU 27,3 на тестовом наборе JW300.om.en. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.