I.5Создание и редактирование текста

Helsinki-NLP/opus-mt-ja-ms — модель машинного перевода из семейства MarianMT, опубликованная Helsinki-NLP на основе проекта OPUS-MT. Она переводит текст с японского на малайский. Модель содержит 58,3 млн параметров, использует архитектуру Transformer и SentencePiece с подсловным словарём на 32 тыс. токенов; для малайского языка в README указаны варианты Malay, включая индонезийский и малайский латинской графикой. Нативная длина контекста — 512 токенов. Модель подходит для перевода предложений и коротких текстов, например, при локализации материалов или подготовке чернового перевода. В README приведена оценка BLEU 21,5 на тестовом наборе Tatoeba; это ориентир для указанного теста, а не гарантия качества на других текстах. Требуется начальный токен целевого языка вида `>>id<<`. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-ka-ru — модель машинного перевода из семейства OPUS-MT, опубликованная Helsinki-NLP. Она переводит текст с грузинского языка на русский и построена на архитектуре Transformer, реализованной как MarianMTModel. Модель содержит 37,1 млн параметров; для токенизации используются нормализация текста и SentencePiece с моделями словаря 12k. Указанная длина контекста — 512 токенов. Модель подходит для перевода отдельных фраз и текстов с грузинского на русский. В карточке приведён результат на тесте Tatoeba: BLEU 38,2 и chr-F 0,604. Опубликована под лицензией Apache-2.0; доступны форматы PyTorch и TensorFlow.

Helsinki-NLP/opus-mt-pl-lt — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с польского языка на литовский и предназначена для перевода отдельных фраз и текстов между этими языками. Модель построена на архитектуре Transformer-align и реализована как MarianMTModel; содержит 55,6 млн параметров. Перед обработкой текст нормализуется и токенизируется SentencePiece с моделями на 32 тыс. токенов. В метаданных указан контекст длиной 512 токенов. На тесте Tatoeba-test.pol.lit указаны BLEU 43,7 и chr-F 0,688. Модель работает с одной языковой парой и не предназначена для перевода с литовского на польский или для других языков. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-ru-ar — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с русского языка на арабский; архитектура — Transformer на базе MarianMT, размер — 57,2 млн параметров. Для выбора целевого варианта арабского перед предложением требуется языковой токен вида `>>id<<`; модель применяет нормализацию и токенизацию SentencePiece с словарями по 32 тыс. токенов. Метаданные указывают контекст до 512 токенов и форматы PyTorch и TensorFlow. Модель подходит для перевода предложений и текстовых фрагментов с русского на арабский в приложениях и рабочих процессах локализации. В карточке приведён результат BLEU 16,6 на Tatoeba-test.rus.ara; фактическое качество зависит от текста и целевого варианта арабского. Распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-tc-big-es-zle — модель машинного перевода проекта OPUS-MT, разработанная командой Helsinki-NLP. Она переводит текст с испанского на белорусский, русский и украинский языки. Модель построена на архитектуре Marian NMT; число параметров — 163,7 млн, максимальная длина контекста — 1024 токена. Модель предназначена для перевода предложений и текстов между испанским и восточнославянскими языками. В карточке приведены результаты тестирования на парах испанский—белорусский, испанский—русский и испанский—украинский; показатели различаются по языковым парам и тестовым наборам. Модель распространяется по лицензии CC BY 4.0.

Helsinki-NLP/opus-mt-tl-es — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer и реализованная как MarianMTModel. Она переводит текст с тагальского языка (Tagalog) на испанский; модель обучена для этой языковой пары и не является многоязычной. Веса содержат 55,7 млн параметров, максимальная длина контекста — 512 токенов. Перед обработкой применяются нормализация и SentencePiece с размером словаря 32 тыс. токенов. Модель подходит для перевода фраз и текстов с тагальского на испанский. В карточке приведён результат BLEU 31,6 и chr-F 0,531 на наборе Tatoeba-test.tgl.spa. Репозиторий предоставляет веса PyTorch и TensorFlow. Лицензия Apache-2.0 допускает использование и модификацию на её условиях.

Helsinki-NLP/opus-mt-tr-es — модель машинного перевода семейства MarianMT, разработанная проектом OPUS и опубликованная Helsinki-NLP. Она переводит текст с турецкого языка на испанский и предназначена для перевода отдельных фраз и текстов. Модель построена на архитектуре Transformer, содержит 55,7 млн параметров и использует нормализацию и токенизацию SentencePiece; длина контекста составляет 512 токенов. Модель обучена на данных OPUS. В README приведён результат BLEU 56,3 на наборе Tatoeba.tr.es. Репозиторий предоставляет веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0. Модель рассчитана на перевод с турецкого на испанский; качество для других языковых пар не подтверждено.

Helsinki-NLP/opus-mt-uk-de — модель машинного перевода украинского языка на немецкий из проекта OPUS-MT, опубликованная Helsinki-NLP. Это компактная модель MarianMT на архитектуре Transformer-align с 57,2 млн параметров и контекстом до 512 токенов. Для обработки текста применяются нормализация и SentencePiece с словарями по 32 тыс. токенов для каждого языка. Модель предназначена для перевода отдельных текстов с украинского на немецкий. В README приведён результат BLEU 48,2 на наборе Tatoeba-test.ukr.deu. Репозиторий содержит веса в форматах PyTorch и TensorFlow; лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-vi-es — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer-align и реализованная как MarianMT. Она переводит текст с вьетнамского на испанский; направление перевода одноязычное, с предварительной нормализацией и токенизацией SentencePiece с словарями spm32k. Размер модели — 55,1 млн параметров, родной контекст — 512 токенов. В тесте Tatoeba-test.vie.spa указаны BLEU 32,9 и chr-F 0,540. Репозиторий предоставляет веса в форматах PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0.

ooeoeo/opus-mt-zh-en-ct2-float16 — конвертированная версия модели Helsinki-NLP/opus-mt-zh-en в формате CTranslate2 с точностью float16. Она предназначена для машинного перевода с китайского языка на английский и адаптирована для запуска в настольном движке ooeoeo с runtime opus-mt-server. Исходная модель относится к семейству OPUS-MT. Модель принимает текст на китайском языке и выдаёт перевод на английском. Использование float16 в CTranslate2 рассчитано на инференс в указанном runtime. Репозиторий распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-zh-ms — модель машинного перевода из семейства OPUS-MT, подготовленная Helsinki-NLP на основе архитектуры Transformer и реализованная как MarianMTModel. Она переводит текст с китайского языка на малайский; поддерживаются варианты китайского письма и речи, перечисленные в карточке, а целевой язык включает индонезийский и малайский варианты. Размер модели — 58,4 млн параметров, родной контекст — до 512 токенов. Для выбора целевого языка перед текстом требуется языковой токен вида >>id<<; используется нормализация и токенизация SentencePiece с словарём 32k. В тесте Tatoeba для пары китайский—малайский указаны BLEU 13,9 и chr-F 0,390. Модель доступна в форматах PyTorch и TensorFlow по лицензии Apache-2.0.

DreamGen Opus V0.5 70B — языковая модель DreamGen для управляемого написания историй, чата и ролевых сценариев. Это дообученная версия meta-llama/Llama-2-70b-hf с плотной архитектурой Llama и 68,7 млрд параметров; репозиторий содержит веса PyTorch. Модель принимает текст и генерирует текст на английском языке, с контекстом до 4096 токенов. Дообучение охватывает более миллиона токенов примеров совместного письма и свыше 20 миллионов токенов менее направленных текстовых примеров. Модель рассчитана на продолжение историй по заданной обстановке и событиям, а также на чат и ролевые игры; автор отмечает более сильные навыки ролевого общения по сравнению с предыдущей версией Opus V0 70B и большую открытость к NSFW-контекстам. Для запуска нужны значительные вычислительные ресурсы; доступны сторонние варианты квантования AWQ, GPTQ и GGUF, для которых README предупреждает о возможном снижении качества. Лицензия в предоставленных данных не указана.

Pantheon-RP-Pure-1.6.2-22b-Small — дообученная Gryphe версия Mistral Small Instruct для диалогового ролевого общения и отыгрыша персонажей. Вариант RP-Pure ориентирован на ролевые диалоги и не включает датасеты для написания историй и наборы GPT-4o; в обучении использовались общие ролевые диалоги, персоны Pantheon и данные для помощника Lyra, включая программирование, краткие пересказы и вопросы ведущего D&D. Это плотная причинная языковая модель Mistral с 22 млрд параметров и контекстом до 131 072 токенов. Она принимает текст и генерирует текст, поддерживает английский язык и формат промптов Mistral. Персонажей можно вызывать короткой фразой активации, а стиль ответа может быть оформлен как Markdown-диалог или проза. Модель также подходит для общего диалога, помощи с кодом и кратких пересказов. Модель рассчитана на творческие ролевые сценарии, включая фэнтезийных персонажей и взрослые темы; ответы могут содержать выдуманные детали, особенно при недостаточном контексте. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели.

Envoid/Poppy_Porpoise-DADA-8B — экспериментальная чат-модель для генерации текста, ориентированная прежде всего на творческое письмо и ролевые сценарии. По README, модель получена слиянием 50/50 SLERP: промежуточная модель была дообучена специально для исходной модели, а затем объединена с ней. Метаданные описывают архитектуру как плотную LlamaForCausalLM примерно на 7,5 млрд параметров; исходный формат репозитория — safetensors, контекст — до 8192 токенов. Автор сообщает, что оценивал модель на творческом задании с детерминированными параметрами генерации и использовал шаблоны запросов в стиле Libra для Llama 3. Тестирование было субъективным и сосредоточено на творческом письме; влияние настройки на мультимодальные возможности не проверялось. Автор также отмечает проблемы с завершением последовательности при своей настройке тестирования. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

trl-lib/pythia-1b-deduped-tldr-sft — дообученная методом supervised fine-tuning модель на основе EleutherAI/pythia-1b-deduped, опубликованная библиотекой TRL. По названию и использованию в экспериментах TL;DR модель предназначена для генерации кратких резюме текстов. Это текстовая авторегрессионная модель архитектуры GPT-NeoX с примерно 1,2 млрд параметров и контекстом 2048 токенов. Базовая модель Pythia разработана EleutherAI; семейство создано прежде всего для контролируемых научных исследований поведения и ограничений языковых моделей. Pythia обучена на английском корпусе The Pile, а базовая модель распространяется по лицензии Apache 2.0. Карточка целевой модели отсутствует, поэтому отдельная лицензия и точные характеристики её дообучения в доступных источниках не подтверждены. Возможности суммаризации TL;DR следуют из названия и упоминаний модели в экспериментах TRL; базовой модели присущи ограничения в фактической точности и следовании инструкциям.

Qingqiu-MT-9B-i1-GGUF — это квантизированная версия модели Qingqiu-MT-9B, разработанной WPS и опубликованной в формате GGUF пользователем mradermacher. Модель ориентирована прежде всего на многоязычный машинный перевод и выполнение инструкций; в метаданных также указана поддержка мультиязычных сценариев. Квантизация выполнена с использованием imatrix, доступно множество вариантов с разным балансом между размером, скоростью и качеством. Модель имеет около 9 миллиардов параметров. README указывает, что это vision-модель, однако сведения о поддерживаемых языках, точных визуальных возможностях, размере контекстного окна и архитектуре не приведены. Доступны варианты квантизации от i1-IQ1_S размером около 2,8 ГБ до i1-Q6_K размером около 7,5 ГБ; среди рекомендуемых отмечены i1-Q4_K_M и i1-Q4_K_S как варианты с хорошим соотношением скорости, размера и качества. Более низкие уровни квантизации экономят память, но могут заметно снижать качество. Модель распространяется по лицензии Apache-2.0. Для использования требуются совместимые инструменты, поддерживающие формат GGUF; конкретные системные требования и инструкции запуска в README не указаны.

QVikhr-2.5-1.5B-Instruct-r — русско-английская инструктивная языковая модель команды Vikhrmodels, дообученная на математических данных ru Math и GSM8K с этапом выравнивания GRPO. Она предназначена для диалоговой генерации текста и решения математических задач, особенно на русском языке. Модель основана на плотной авторегрессионной архитектуре Qwen2ForCausalLM и содержит 1,5 млрд параметров. Работает с текстом, поддерживает русский и английский языки; размер контекстного окна — 32 768 токенов. Для запуска используется библиотека Transformers; доступны варианты конвертации в GGUF и MLX с квантованием 4 и 8 бит. Модель подходит для ответов на математические вопросы и выполнения инструкций на русском и английском языках. Небольшой размер может ограничивать качество на сложных задачах и длинных рассуждениях. Лицензия Apache-2.0.

Laurie/Qwen2.5-1.5B-O1 — дообученная Laurie модель Qwen2.5 с 1,5 млрд параметров для генерации ответов с отдельным этапом рассуждения. Она принимает текстовые диалоги и обучена формировать сначала рассуждение, затем ответ ассистента; README описывает добавление специального токена для обозначения блока reasoning и изменение обучающей разметки. Модель рассчитана на диалоговые сценарии, вопросы и задачи, где полезен структурированный ход рассуждения. Архитектура — плотная авторегрессионная Qwen2 (`Qwen2ForCausalLM`), формат весов — Safetensors, базовая модель поддерживает контекст до 131 072 токенов. В метаданных указаны английский и китайский языки. Модель распространяется по лицензии Apache-2.0. README описывает пример использования с ограничением истории в 32 000 токенов; явных сравнительных оценок качества нет.

SeongryongJung/qwen3-4b-tooluse-srpo-ema005 — дообученная модель на базе Qwen/Qwen3-4B, представленная как последний чекпойнт обучения global_step_100 в формате Transformers. Это плотная авторегрессионная языковая модель с 3,7 млрд параметров и контекстом до 40 960 токенов. Она предназначена для генерации текста и сценариев использования инструментов; обучение выполнено методом SRPO на наборе данных tooluse с EMA-обновлением учителя. В README приведён лучший результат валидации mean@16 — 62,59% на шаге 40, тогда как опубликованный последний чекпойнт показал 57,26%; лучший промежуточный чекпойнт не опубликован, поэтому приведённая лучшая оценка не относится напрямую к доступным весам. Поддерживаются текстовый ввод и текстовый вывод. Лицензия — Apache-2.0.

Qwen3.5-397B-A17B-UD-Q4_K_XL-layers — пакет GGUF-слоёв от Mesh LLM для распределённого запуска модели Qwen3.5-397B-A17B на локальном кластере. Он основан на unsloth/Qwen3.5-397B-A17B-GGUF и сохраняет её веса в виде отдельных артефактов по слоям для распределённого инференса; вариант квантования — UD-Q4_K_XL. Пакет предназначен для локального приватного чата и генерации текста, в том числе на нескольких машинах, когда полный файл модели слишком велик для одного узла. Через Mesh LLM модель можно предоставлять по локальному OpenAI-совместимому API. Архитектура, размер контекста, языки и подробные характеристики исходной модели в этой карточке не приведены; за ними README отсылает к карточке исходной модели. Репозиторий содержит пакет для распределённого запуска, а не самостоятельную реализацию модели. Использование требует Mesh LLM и подходящей инфраструктуры. Условия лицензии следует уточнять в карточке исходной модели unsloth/Qwen3.5-397B-A17B-GGUF.

mlx-community/Qwen3.6-27B-4bit — это 4-битная модель в формате MLX, созданная сообществом mlx-community на основе Qwen/Qwen3.6-27B, разработанной командой Qwen. Модель предназначена для мультимодальных сценариев image-text-to-text: она принимает текстовые запросы и изображения и генерирует текстовые ответы, например описания изображений. Конвертация выполнена с использованием mlx-vlm версии 0.4.4. Ключевые характеристики исходной архитектуры, число параметров, поддерживаемые языки и размер контекста в представленном README не указаны. Известно, что модель использует 4-битное представление и рассчитана на запуск в экосистеме MLX; это может снизить требования к памяти, но потенциально ограничивает точность по сравнению с полноточными вариантами. Для работы рекомендуется пакет mlx-vlm. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-bf16 — мультимодальная модель семейства Qwen, опубликованная mlx-community и преобразованная из Qwen/Qwen3.8-27B для формата MLX. Это плотная модель с 27 млрд параметров на архитектуре Qwen3_5ForConditionalGeneration; она предназначена для диалогов и анализа изображений. Метаданные указывают поддержку vision и conversational-сценариев, а README описывает запуск через mlx-vlm. Модель принимает текст и изображения и формирует текстовые ответы. Базовая карточка характеризует исходную модель как подходящую также для анализа видео, программирования и многошаговых задач, однако карточка этой сборки подтверждает прежде всего обработку изображений и диалог. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0.

MLliu6/Qwen3-VL-8B-Instruct-AWQ-W4A16 — сторонняя посттренировочно квантованная версия мультимодальной модели Qwen3-VL-8B-Instruct, созданная пользователем MLliu6 на базе модели Qwen. Модель предназначена для задач vision-language, включая обработку изображений и текста, эффективный мультимодальный инференс, оценивание в VLMEvalKit, эксперименты с vLLM и исследования посттренировочного квантования. Модель использует архитектуру и возможности базовой Qwen3-VL-8B-Instruct, однако README не приводит полный набор архитектурных характеристик. Указаны поддерживаемые языки английский и китайский, мультимодальный формат image-text-to-text и контекст калибровки до 2048 токенов. Веса сжаты методом AWQ в формате W4A16: линейные слои квантуются до 4-битных симметричных целых значений с group_size=128, тогда как lm_head и визуальные модули исключены из квантования. Заявлено уменьшение размера хранения примерно на 58,8% относительно исходной раскладки. К сильным сторонам относятся сниженные требования к хранению и потенциально более эффективное развертывание при использовании совместимых инструментов, включая llm-compressor и vLLM. Ограничение состоит в том, что это неофициальный чекпойнт, а квантование может ухудшать качество на отдельных мультимодальных задачах, особенно при детальном визуальном понимании и сложном рассуждении. Модель распространяется по лицензии Apache-2.0.

RakutenAI-7B — базовая языковая модель, разработанная Rakuten Group, Inc. на основе Mistral-7B-v0.1. Это плотная авторегрессионная модель с 7,2 млрд параметров и контекстом до 32 768 токенов. Для японского языка словарь расширен с 32 тыс. до 48 тыс. токенов, чтобы эффективнее представлять японские символы. Модель предназначена для генерации текста и оценки или последующей адаптации под задачи на японском и английском языках. В карточке приведены результаты тестирования на японских и английских бенчмарках понимания языка. Это базовая модель, а не версия для инструкций или чата; для диалога разработчик предлагает отдельные instruct- и chat-варианты. Модель может создавать предвзятый, неточный или небезопасный текст. Распространяется по лицензии Apache 2.0.

Repose-12B — диалоговая языковая модель на архитектуре Mistral с 12,1 млрд параметров, созданная KatyTheCutie путём слияния нескольких моделей. Автор позиционирует её как универсальную модель для ролевых игр и приключенческих сценариев; каталог также отмечает поддержку чата и генерации текста. Модель подходит для ведения ролевых диалогов, совместного развития приключенческих историй и художественного письма. В метаданных указан контекст до 1 024 000 токенов и формат весов Safetensors. Карточка не уточняет языки, на которых модель проверялась, поэтому её языковые возможности нельзя надёжно определить. Условия лицензии в предоставленных данных не указаны.

Rogue-28B-MIX — корейско-английская мультимодальная диалоговая модель на архитектуре Qwen3.5 с 28 млрд параметров, опубликованная ginigen-ai. Она объединяет веса FINAL-Bench/Darwin-28B-KR и NewenAI/QuettaLLMs-27B-Koreasoner-V3, а затем дообучена методом SFT на корейских данных, включая медицинские, юридические, финансовые и исторические материалы. Модель предназначена для диалога, рассуждений и анализа изображений; поддерживает интерфейс вызова инструментов. Заявлен контекст 8K токенов с возможностью расширения, формат весов safetensors и точность bf16. Модель ориентирована прежде всего на корейский язык, также поддерживает английский. В опубликованной оценке на десяти корейских наборах данных результаты смешанные: она превосходит одну из исходных моделей по истории, но уступает по CLIcK и KMMLU Law; оценка проводилась на 100 вопросах с одним seed. Лицензия — Apache 2.0. README описывает обучение и тестирование, поэтому результаты не гарантируют качество в иных задачах и доменах.

RicardoEstep/RPBizkit-v7-12B — экспериментальная смесь моделей семейства Mistral Nemo, созданная автором карточки с помощью Model Stock и Mergekit. Модель содержит 12,1 млрд параметров и предназначена для генерации текста, в том числе ролевых диалогов, персонажей и повествовательных текстов; в смеси объединены модели для рассуждений, творческого письма и ролевых сценариев. В README заявлена поддержка контекста до 128K токенов и рекомендован шаблон чата Alpaca с RAW-вводом; автор отмечает, что настройки шаблона могут требовать ручной корректировки. В метаданных указан нативный контекст 1 024 000 токенов, что расходится с заявлением README. Модель распространяется в формате safetensors. Тег «not-for-all-audiences» и исходные компоненты без обычных ограничений указывают на возможность генерации взрослого или нежелательного контента. Информация о лицензии в предоставленных материалах отсутствует.

RPMix-4x7B-MoE — модель семейства Mixtral с архитектурой смеси экспертов, созданная автором ChaoticNeutrals на основе его RP-моделей с лучшими оценками. Она предназначена прежде всего для ролевых диалогов и творческого письма. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 32 768 токенов. В репозитории указаны веса в формате safetensors и лицензия Apache-2.0. В метаданных указан размер 7,1 млрд параметров. README не описывает метод обучения, оценки качества и конкретные ограничения; результаты могут различаться в зависимости от сценария и используемых подсказок.

SaShi 1.0 — разговорная языковая модель, созданная двумя разработчиками из Варанаси, Индия. Модель предназначена для общения на хинди и хинглише, а также для задач программирования и культурно ориентированных ответов с учётом индийского контекста. Это модель на 8,03 млрд параметров, опубликованная в формате GGUF с 4-битной квантизацией Q4_K_M для запуска, в частности, через Ollama или llama.cpp. Карточка описывает её как разговорную модель; метаданные указывают text-generation и поддержку чата. Лицензия — Apache-2.0.

SauerkrautLM-14b-MoE-LaserChat — разговорная языковая модель VAGO solutions и Hyperspace.ai, созданная объединением SauerkrautLM-7b-LaserChat и yam-peleg/Experiment26-7B с использованием подхода laserRMT. Это разреженная MoE-модель на архитектуре Mixtral с 7,1 млрд параметров и контекстом до 8192 токенов. Модель предназначена для генерации ответов в диалоге и рассчитана прежде всего на немецкий и английский языки. Разработчики сообщают об улучшении немецких и английских навыков и приводят результаты нескольких бенчмарков. В отдельных формулировках на немецком возможны ошибки; поведение модели не всегда соответствует ожиданиям по уместности контента. Лицензия — Apache 2.0.