I.5Создание и редактирование текста

Helsinki-NLP/opus-mt-pa-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с пенджаби на английский и предназначена для перевода отдельных фраз и текстов. Модель основана на архитектуре Transformer-align, использует нормализацию и токенизацию SentencePiece; число параметров — 55,8 млн, длина контекста — 512 токенов. В карточке приведены результаты на наборах JW300 и Tatoeba: BLEU 20,6 и 29,3 соответственно. Модель распространяется под лицензией Apache-2.0. Она предназначена для направления пакистанский пенджаби → английский; качество может различаться в зависимости от тематики и текста.

Helsinki-NLP/opus-mt-pl-es — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с польского языка на испанский и предназначена для интеграции в системы перевода и обработки многоязычных текстов. Модель основана на архитектуре Marian Transformer (MarianMTModel), содержит 55,7 млн параметров и использует нормализацию текста и токенизацию SentencePiece. В README приведены результаты на тесте Tatoeba.pl.es: BLEU 46,9 и chr-F 0,654. Метаданные указывают контекст до 512 токенов и форматы PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0. Она специализирована на направлении польский → испанский; качество для других языковых пар не подтверждено.

Helsinki-NLP/opus-mt-ru-fr — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с русского языка на французский и подходит для перевода отдельных фраз и текстов. Модель построена на архитектуре Transformer с выравниванием, использует нормализацию и токенизацию SentencePiece; число параметров составляет 58,1 млн, контекст — до 512 токенов. Модель обучена на данных OPUS. В README приведены оценки BLEU 18,3 и 21,6 на тестовых наборах newstest2012 и newstest2013, а также 51,5 на Tatoeba; качество зависит от тематики и формулировок исходного текста. Доступны варианты весов PyTorch, TensorFlow и Flax. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-sla-en — модель машинного перевода из проекта OPUS-MT, опубликованная Helsinki-NLP. Это плотная модель семейства Marian на архитектуре Transformer с 55,3 млн параметров. Она переводит текст с ряда славянских языков на английский: среди исходных языков указаны белорусский, боснийский, болгарский, кашубский, чешский, хорватский, македонский, польский, русский, русинский, сербский, силезский, словенский, верхне- и нижнелужицкий и украинский. Для токенизации используется SentencePiece с словарями spm32k; длина контекста — 512 токенов. Модель подходит для перевода текстов со славянских языков на английский, включая обработку нескольких исходных языков одной моделью. В README приведены оценки BLEU и chr-F на тестовых наборах для чешского и ряда других языковых пар; результаты зависят от языка, жанра и качества текста. Модель доступна в форматах PyTorch и TensorFlow по лицензии Apache-2.0.

Модель машинного перевода из проекта OPUS-MT, разработанного исследовательской группой Language Technology Research Group Хельсинкского университета. Архитектура Marian Transformer-big содержит 163,1 млн параметров; модель преобразует текст на немецком, английском, французском, португальском или испанском в один из тюркских языков. Для выбора целевого языка используются специальные метки, например турецкого, казахского, татарского или узбекского. Модель подходит для перевода текстов и локализации материалов между указанными европейскими и тюркскими языками, включая языки с ограниченными ресурсами. Она обучена на данных OPUS и доступна через Transformers в форматах PyTorch и Safetensors. Контекст модели — до 1024 токенов. Карточка не приводит количественных оценок качества. Результаты для малоресурсных языков и длинных текстов могут требовать проверки; в описании также отмечено, что исходный язык обозначен как неизвестный из набора поддерживаемых языков. Лицензия — Apache-2.0.

gsarti/opus-mt-tc-big-en-de — модель машинного перевода с английского на немецкий, разработанная Йоргом Тидеманном и обученная с использованием MarianNMT. Репозиторий содержит PyTorch-конверсию исходной модели Helsinki NLP; архитектура — Marian Transformer Big с 167,2 млн параметров. Модель предназначена для перевода английских текстов на немецкий. Она обучена на данных opusTCv20210807+bt, применяет нормализацию и токенизацию SentencePiece с словарями по 32 тыс. токенов. В README приведены оценки BLEU и chr-F на нескольких тестовых наборах новостных текстов. Метаданные указывают контекст до 1024 токенов и лицензию CC BY 4.0. Это однонаправленная модель перевода: карточка не подтверждает поддержку обратного перевода или иных языковых пар; приведённые тестовые оценки не гарантируют качество на других типах текста.

Helsinki-NLP/opus-mt-tc-big-hu-en — модель машинного перевода проекта OPUS-MT, разработанная на базе Marian NMT и опубликованная Helsinki-NLP. Она переводит текст с венгерского на английский и предназначена для интеграции в приложения и сервисы перевода. Модель использует архитектуру Transformer-big, около 159 млн параметров и токенизацию SentencePiece; длина контекста — до 1024 токенов. Для обучения использованы данные OPUS и корпус opusTCv20210807+bt. В README приведены оценки на тестовых наборах Tatoeba, FLORES-101 и Newssyscomb2009. Веса доступны в форматах PyTorch, Safetensors и TensorFlow. Лицензия — CC BY 4.0; при использовании следует учитывать требования атрибуции. Модель предназначена для перевода в направлении венгерский → английский, поэтому не следует полагаться на неё для обратного перевода или других языковых пар без отдельной проверки.

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-th-en — модель машинного перевода тайского текста на английский, созданная в рамках проекта OPUS-MT Helsinki-NLP. Это плотная модель архитектуры MarianMT с 57,1 млн параметров, обученная на паре языков Thai→English. Для токенизации применяются нормализация текста и SentencePiece с подмоделями по 32 тыс. токенов; нативная длина контекста — 512 токенов. Модель предназначена для перевода отдельных фраз и текстов с тайского на английский. В карточке приведён результат BLEU 48,1 и chr-F 0,644 на тестовом наборе Tatoeba-test.tha.eng. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt_tiny_eng-ita — компактная модель машинного перевода английского текста на итальянский, разработанная Helsinki-NLP как дистиллированный студенческий вариант модели-учителя Tatoeba-MT. Она использует архитектуру Marian с небольшим Transformer-декодером и содержит 14,5 млн параметров; базовый контекст составляет 256 токенов. Модель обучена на данных Tatoeba, а в метаданных также указаны наборы Flores+ и Bouquet. Модель предназначена для автоматического перевода фраз и коротких текстов с английского на итальянский. В приведённых оценках студент набрал BLEU 27,6 на Flores+ и 49,8 на Bouquet, ниже показателей модели-учителя. Доступны форматы safetensors и TFLite, а лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-uk-es — модель машинного перевода на базе архитектуры MarianMT, разработанная для перевода с украинского языка на испанский. Она использует Transformer и предобработку с нормализацией и SentencePiece; обучающие данные относятся к корпусу OPUS. В метаданных указаны 56,9 млн параметров и контекст до 512 токенов. Модель подходит для перевода отдельных фраз и текстов с украинского на испанский. В карточке приведён результат BLEU 50,4 и chr-F 0,680 на тестовом наборе Tatoeba.uk.es. Поддержка других направлений перевода не заявлена. Модель опубликована под лицензией Apache-2.0.

Helsinki-NLP/opus-mt-vi-fr — модель машинного перевода из проекта OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с вьетнамского на французский; модель основана на архитектуре Transformer-align и реализована как MarianMTModel. Веса содержат около 54,8 млн параметров, используются SentencePiece-токенизация с моделью на 32 тыс. единиц и нормализация текста. Максимальная длина контекста — 512 токенов. Модель предназначена для перевода отдельных текстов и фраз с вьетнамского языка на французский. В карточке приведён результат BLEU 34,2 и chr-F 0,544 на тестовом наборе Tatoeba-test.vie.fra. Репозиторий предоставляет веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Vortex5 выпустил Pantheon-Reasoning-26B-A4B-1.1-heretic — вариант модели Gryphe/Pantheon-Reasoning-26B-A4B-1.1 с ослабленным механизмом отказов. Это дообученная модель семейства Gemma 4 с разреженной MoE-архитектурой; репозиторий содержит веса Safetensors. Модель предназначена для ролевого общения, интерактивной прозы и текстовых приключений: она планирует ответ с учётом психологии персонажа, тона и развития сюжета, а также обучена следам рассуждений для выполнения общих инструкций, задач STEM и программирования. Модель использует шаблон чата Gemma 4 и поддерживает диалог на английском языке. В README приведены параметры генерации temperature 1.0, repetition_penalty 1.0 и min_p 0.05. По приведённому сравнению число отказов снизилось со 100 из 100 у исходной модели до 13 из 100. Автор отмечает, что качество ролевых ответов проверялось ограниченно, а польза рассуждений для ролевой игры остаётся экспериментальным вопросом. Лицензия — Apache-2.0.

SeyedAli разработал модель машинного перевода на базе mT5 для перевода текста с персидского на английский. Она использует архитектуру MT5ForConditionalGeneration и содержит 291,2 млн параметров; модель обучена на данных ParsinLu и предназначена для перевода предложений и других текстовых фрагментов с персидского языка. Модель принимает текст на персидском и выдаёт английский текст. В карточке приведены примеры переводов, однако их качество неоднородно: некоторые результаты выглядят неполными или неестественными. Модель распространяется по лицензии MIT.

lole25/phi-2-sft-ultrachat-full — дообученная Microsoft модель Phi-2 для генерации текста в диалоговом формате. Она содержит 3,5 млрд параметров, использует плотную архитектуру PhiForCausalLM и рассчитана на контекст до 2048 токенов. Дообучение выполнено на наборе HuggingFaceH4/ultrachat_200k; модель можно использовать для диалогов и ответов на запросы пользователя. Модель распространяется в формате Safetensors по лицензии MIT. Карточка приводит значение loss 1,1928 на оценочном наборе, но не описывает протокол оценки и конкретные ограничения. Базовая Phi-2 ориентирована на английский язык; отдельные языковые характеристики дообученной версии не приведены.

plT5 Base — языковая модель на архитектуре T5, обученная командой Machine Learning Research Team компании Allegro совместно с Linguistic Engineering Group Института информатики Польской академии наук. Модель содержит 137,5 млн параметров и обучалась на польских текстовых корпусах с исходной для T5 целью денойзинга. Для токенизации используется SentencePiece unigram со словарём размером 50 тысяч токенов. Основное назначение модели — перевод текстов. Польская языковая специализация также делает её подходящей для экспериментов с задачами преобразования текста, такими как суммаризация и ответы на вопросы, хотя каталог подтверждает только задачу перевода. Модель принимает текст и генерирует текст. Модель опубликована в формате PyTorch под лицензией CC BY 4.0. Карточка не приводит сведений о длине контекста или конкретных ограничениях качества; при использовании следует учитывать специализацию на польских данных.

PROSPER-Qwen2.5-7B-WildChecklists-2ep — исследовательский чекпойнт компании promotion, дообученный на базе Qwen/Qwen2.5-7B-Instruct. Это плотная авторегрессионная языковая модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста и диалогов. Она обучалась два эпоха на WildChecklists по протоколу PROSPER: для каждого запроса использовались пункты чек-листа и оценки ответов по отдельным пунктам; репозиторий представляет вариант с max-min агрегированием игровых значений. В README приведены сравнения на Arena-Hard и AlpacaEval с локальной открытой моделью-судьёй. Авторы отмечают, что эти оценки не сопоставимы напрямую с опубликованными результатами лидербордов, а различия между вариантами обучения статистически не разрешены. Модель принимает текст и выдаёт текст; контекст составляет до 32 768 токенов. Лицензия в предоставленных сведениях не указана.

QuestionGenerationComQ14 — дообученная модель семейства T5, разработанная автором репозитория Gayathri142214002 на основе Gayathri142214002/Question_Generation_ComQ_13. Она предназначена для генерации вопросов по текстовому входу. Модель содержит 123,8 млн параметров, имеет контекстное окно до 512 токенов и распространяется в формате safetensors. В карточке указано значение loss 0,2129 на наборе оценки, но датасет, методика оценки и подробности обучения не приведены. Модель доступна по лицензии Apache-2.0; качество и ограничения для конкретных сценариев по имеющимся сведениям оценить нельзя.

Qwen2-1.5B-Instruct-Exp — дообученная Alibaba PAI версия Qwen2-1.5B-Instruct для расширения инструкций: по запросу она формулирует новые запросы того же типа, но с другим содержанием. Для обучения использованы выборки из OpenHermes и LCCD; обучающие примеры размечались с помощью Qwen-max и авторских примеров. Модель предназначена, в частности, для генерации синтетических вариантов заданий и расширения наборов данных. Это плотная авторегрессионная языковая модель Qwen2 с 1,5 млрд параметров, рассчитанная на диалоговый формат и работающая через Transformers. Метаданные указывают контекст до 131 072 токенов и формат safetensors. В README приведены результаты оценки влияния аугментации на наборы Elementary Math и Implicature, но они не устанавливают качество на других задачах. Лицензия в предоставленных данных не указана.

Cyclone-Labs/Qwen3.6-Fallen-Fabulist-35B-A3B-heretic — экспериментальная мультимодальная модель-слияние на архитектуре Qwen3.5 MoE, созданная Cyclone Labs на основе Qwen/Qwen3.6-35B-A3B с компонентами WorldSim-Opus-3.6-35B-A3B, Melody1437-35B-A3B и Ornith-1.5-35B-A3B, а затем обработанная Heretic. Репозиторий содержит веса в формате Safetensors; модель рассчитана на диалоговое взаимодействие с поддержкой изображений. Основные сценарии — ролевая игра с персонажами и заданными образами, написание художественных текстов и диалогов, создание длинных историй, построение мира и интерактивная проза с ветвящимися сюжетами. Карточка описывает модель как менее ограниченную и более непредсказуемую для творческого взаимодействия. Модель имеет 35 млрд параметров в обозначении размера, однако точное число активных параметров из доступных данных не следует. Лицензия — Apache-2.0. README характеризует её как экспериментальную; качество и поведение в разных сценариях могут быть непредсказуемыми.

OpenVINO/Qwen3.8-27B-int4-ov — экспериментальная квантованная версия модели Qwen3.8-27B, разработанной командой Qwen. Модель преобразована в формат OpenVINO IR, а её веса сжаты до INT4 с помощью NNCF. Для квантования использованы режим INT4_ASYM, размер группы 128 и коэффициент ratio 1.0. Это мультимодальная vision-language модель для понимания изображений и видео, управления глубиной рассуждений и решения сложных многошаговых задач. Она может применяться для анализа визуального содержимого, ответов на вопросы по изображениям и построения мультимодальных чат-приложений. В README не указаны поддерживаемые языки и размер контекстного окна. Ключевые преимущества модели — мультимодальность и уменьшенный объём весов благодаря INT4-квантованию, что может упростить развёртывание с OpenVINO. При этом модель ещё не полностью проверена и требует экспериментальных или nightly-версий OpenVINO, OpenVINO GenAI и Optimum Intel; совместимость также заявлена с Transformers 5.2. Модель распространяется по лицензии Apache-2.0.

Qwen3 ASR Refiner 1.7B — языковая модель автора Aye10032 для приведения китайских транскриптов автоматического распознавания речи и другой разговорной речи к краткому, естественному письменному китайскому с сохранением исходного смысла. Модель дообучена на наборе Aye10032/WenetSpeech-Formal-Text на базе Qwen/Qwen3-1.7B; адаптер LoRA объединён с базовой моделью. Это плотная авторегрессионная модель Qwen3 с 1,7 млрд параметров, рассчитанная на генерацию текста и диалоговый интерфейс. Модель принимает текст и выдаёт отредактированный текст. В карточке указано контекстное окно 40 960 токенов. Репозиторий содержит полные веса BF16 в формате Transformers и загружается без PEFT. Лицензия модели — Apache-2.0; для исходного датасета указана CC BY 4.0 с требованием учитывать атрибуцию и цитирование согласно его карточке. Модель предназначена для постобработки китайской ASR-расшифровки: преобразования разговорных формулировок в письменные, более краткие и естественные фразы. Карточка не приводит отдельные оценки качества или подробные ограничения; преобразование следует проверять на предмет случайного изменения смысла.

Qwen3-VL-32B-Instruct-MLX-8bit — это 8-битно квантованная версия мультимодальной модели Qwen3-VL-32B-Instruct, разработанной командой Qwen. Квантование выполнено командой LM Studio с использованием MLX и mlx-vlm; модель оптимизирована для запуска на устройствах Apple Silicon. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Она может использоваться в сценариях, требующих совместного анализа визуальной и текстовой информации, однако README не содержит подробностей о поддерживаемых языках, размере контекстного окна и конкретных возможностях исходной модели Qwen3-VL-32B-Instruct. Ключевая характеристика этой версии — 8-битное квантование, которое снижает требования к памяти по сравнению с полноразмерной моделью и делает её более подходящей для локального запуска на Apple Silicon. При этом квантование может влиять на точность по сравнению с исходной версией. README не приводит результаты тестирования, сведения о производительности и ограничения мультимодального ввода, поэтому их нельзя оценить точнее. Модель распространяется по лицензии Apache-2.0.

wareef/Qwen3-VL-8B-Instruct-Q4_K_M-GGUF — это квантизированная версия мультимодальной модели Qwen3-VL-8B-Instruct, преобразованная в формат GGUF для запуска с llama.cpp. Модель подготовлена пользователем или организацией wareef на основе исходной модели Qwen/Qwen3-VL-8B-Instruct с использованием инструмента GGUF-my-repo от ggml.ai. Модель предназначена для задач преобразования изображений и текста в текст, включая мультимодальное понимание и генерацию ответов по входным данным. Она рассчитана на локальный запуск через llama.cpp в командной строке или в режиме сервера. В README указаны архитектурная основа Qwen3-VL, размер 8B и квантизация Q4_K_M; сведения о поддерживаемых языках, точном размере контекста, конкретных модальностях и возможностях исходной модели не приведены. К сильным сторонам относятся компактный квантизированный формат GGUF и совместимость с llama.cpp, что упрощает локальное развертывание на поддерживаемом оборудовании. Ограничения связаны с потерей точности из-за квантизации, а также с зависимостью от аппаратных возможностей и настроек llama.cpp. Модель распространяется по лицензии Apache-2.0.

DevQuasar/Qwen.Qwen3-VL-8B-Instruct-GGUF — квантованная версия модели Qwen/Qwen3-VL-8B-Instruct, опубликованная DevQuasar. Это vision-language модель с инструкционной настройкой, предназначенная для задач image-text-to-text: анализа изображений и подготовки текстовых ответов по визуальному и текстовому контексту. Из доступных данных известно, что модель относится к семейству Qwen3-VL и имеет размер 8B параметров; формат GGUF предназначен для локального запуска в совместимых инструментах. Модель поддерживает обработку изображений вместе с текстом, однако сведения о конкретных языках, размере контекстного окна, архитектурных деталях, вариантах квантования, производительности и аппаратных требованиях в README не указаны. Лицензия также не указана, поэтому условия использования следует уточнить в источнике базовой модели и на странице публикации. К преимуществам относятся мультимодальность, инструкционная настройка и возможность локального применения в формате GGUF; ограничения связаны с неизвестными характеристиками квантования и отсутствием подробных данных о качестве и поддерживаемых сценариях.

Rogue-Rose-103b-v0.2 — языковая модель семейства Llama, созданная sophosympatheia с помощью mergekit. Это объединение двух авторских слияний моделей на 70 млрд параметров, восходящих к xwin-stellarbright-erp-70b-v2; итоговая модель имеет 120 слоёв и около 102,9 млрд параметров. Репозиторий содержит веса в формате safetensors, а README также ссылается на отдельные квантованные версии. Модель предназначена прежде всего для ролевых диалогов и написания историй; автор отмечает хорошее следование инструкциям и субъективно высокое качество ролевой игры, но не приводит независимых оценок.

RolePlayLake-7B — англоязычная языковая модель для генерации текста и ролевых диалогов, созданная автором fhai50032 слиянием моделей SanjiWatsuki/Silicon-Maid-7B и senseable/WestLake-7B-v2. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов по карточкам персонажей, творческого письма и генерации ответов в разных форматах промптов. Автор сообщает о настройке с уклоном в чат и менее строгой фильтрацией контента, а также приводит результаты бенчмарков; эти заявления не являются независимой оценкой качества. Модель распространяется в формате safetensors по лицензии Apache-2.0.

RPBizkit-v2-12B — экспериментальная слитая модель на архитектуре Mistral, созданная RicardoEstep с помощью Mergekit. В смесь вошли семь моделей для ролевых диалогов и творческого письма; параметры моделей автор смешал с одинаковым весом. Размер составляет 12,1 млрд параметров. Репозиторий содержит веса Safetensors для Transformers. Модель предназначена для генерации текста, в частности ролевых ответов и художественных текстов. Автор рекомендует ограничивать контекст 8192 токенами: заявленная в конфигурации длина в 1 024 000 токенов возникла из-за унаследованного при слиянии обходного изменения RoPE и не обеспечивает содержательную работу с длинным контекстом. Автор отмечает экспериментальный характер смеси и не берёт на себя ответственность за её использование. Лицензия в предоставленных данных не указана.

Модель context-mt/scat-marian-small-target-ctx4-cwd0-en-fr — дообученная версия Helsinki-NLP/opus-mt-en-fr для перевода с английского на французский с учётом контекста. Она основана на архитектуре MarianMT и содержит 55,6 млн параметров; карточка указывает контекст до 512 токенов. Модель обучалась на IWSLT17 с контекстными тегами, а затем дополнительно дообучалась на обучающей части SCAT+; она использовалась при оценке методов использования контекста в машинном переводе в исследовании, опубликованном на ICLR 2024. Модель подходит для контекстного и обычного перевода английских текстов на французский, включая перевод предложений с учётом предшествующего текста. Для контекстного режима вход содержит контекст и текущее предложение, а выход — перевод контекста и текущего предложения. Репозиторий предоставляет веса PyTorch. Лицензия — Apache-2.0.

SongTonyLi/SFT_D1chosen_math_cosineLR_instruct — языковая модель SongTonyLi, дообученная на базе unsloth/meta-llama-3.1-8b-instruct-bnb-4bit. Это плотная авторегрессионная модель семейства Llama для генерации текста в диалоговом формате; в метаданных указаны размер 7,5 млрд параметров и контекст до 131 072 токенов. Модель обучалась с использованием Unsloth и библиотеки TRL. Модель подходит для диалоговых ответов и генерации текста, включая задачи, связанные с математикой, на что указывает название чекпойнта. Метаданные указывают английский язык, поддержку чата и интерфейс вызова инструментов. Лицензия — Apache-2.0. Карточка не описывает обучающие данные и оценки качества, поэтому эффективность в конкретных математических задачах не подтверждена.