I.5Создание и редактирование текста

Helsinki-NLP/opus-mt-vi-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с вьетнамского на английский и предназначена для перевода предложений и текстовых фрагментов между этими языками. Модель основана на архитектуре Transformer-align и реализована как MarianMTModel; в репозитории доступны веса PyTorch и TensorFlow. Размер составляет 52,7 млн параметров, родной контекст — 512 токенов. Перед обработкой текста применяются нормализация и SentencePiece с отдельными словарями размером 32 тыс. единиц для исходного и целевого языков. Для набора Tatoeba-test.vie.eng в карточке приведены оценки BLEU 42,8 и chr-F 0,608. Модель рассчитана на перевод с вьетнамского на английский; обратное направление и другие языковые пары не заявлены. Лицензия — Apache-2.0.

Модель dumbequation/Phi-4Garu-telugu-14b — дообученная dumbequation версия Phi-4 от Unsloth для диалоговой генерации текста на телугу. Она предназначена для ответов на инструкции на телугу, включая математические задачи, рассуждения и общие вопросы по STEM. В репозитории указаны 14,1 млрд параметров, контекст до 16 384 токенов и формат весов safetensors. Модель построена на базе unsloth/phi-4 и предназначена прежде всего для общения на телугу; метаданные также содержат английский язык. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или подробностей обучения, поэтому практическую точность ответов следует проверять на целевых задачах.

Nilesh9322/qwen2.5-0.5b-regulatory-full-ft — компактная языковая модель для генерации текста, опубликованная пользователем Nilesh9322 на Hugging Face. По названию репозитория она ориентирована на работу с регуляторной и нормативной тематикой и относится к семейству Qwen2.5; в метаданных указана библиотека Transformers и размер около 494 млн параметров. Модель предназначена для создания черновиков регуляторных текстов, ответов и пояснений, а также для исследовательских и прикладных сценариев, где требуется генерация текста на основе заданного промпта. Максимальная длина контекста составляет 32768 токенов, что позволяет обрабатывать достаточно объёмные входные документы. Сильными сторонами являются небольшой размер и потенциальная экономичность развертывания по сравнению с более крупными языковыми моделями. README не содержит сведений о разработчике, языках, лицензии, обучающих данных, результатах оценки и специальных мерах безопасности, поэтому сгенерированные ответы требуют проверки специалистом по соответствующей нормативной области.

mlx-community/Qwen3.5-122B-A10B-bf16 — модель, преобразованная в формат MLX сообществом mlx-community из Qwen/Qwen3.5-122B-A10B с использованием mlx-vlm версии 0.3.12. По указанному pipeline_tag это мультимодальная модель для обработки текста и изображений. Модель предназначена для сценариев, в которых требуется анализ изображений и генерация текстовых ответов, например для описания изображений. Она совместима с библиотекой mlx-vlm и рассчитана на запуск в среде MLX; в README приведён пример использования с передачей изображения и текстового запроса. Точные сведения об архитектуре, размере, поддерживаемых языках, длине контекста, производительности, сильных сторонах и ограничениях в представленном README не указаны. Модель распространяется по лицензии Apache-2.0. Дополнительные характеристики следует уточнять в оригинальной карточке Qwen/Qwen3.5-122B-A10B.

malaiwah/Qwen3.8-27B-K4 — это квантованная версия мультимодальной модели Qwen3.8-27B, опубликованная пользователем malaiwah. Модель предназначена для задач image-text-to-text: обработки изображений и текста с генерацией текстового ответа. Она использует формат EXL3/Trellis и смешанную точность, имеет заявленный размер 27B параметров и поддерживает нативный контекст до 262 144 токенов. Модель ориентирована на локальный инференс с ограниченным объёмом видеопамяти: её резидентный объём составляет около 17,89 GiB, а размер загрузки — около 28,31 GB. Для работы требуется специализированный runtime Gilded Gnosis на базе vLLM; в стандартных vLLM, SGLang и transformers модель не загружается. В README не указаны поддерживаемые языки и результаты прикладных тестов. Главное преимущество K4 — минимальный объём среди моделей этой коллекции при сохранении нативного длинного контекста. Это достигается квантованием, поэтому возможны потери точности по сравнению с исходной моделью: заявленное среднее отклонение от BF16-эталона составляет 0,010604 в специальном измерительном протоколе. Этот показатель не является оценкой качества задач. Модель отмечена как устаревшая по сравнению с вариантом K5K6, который обеспечивает меньшую измеренную ошибку, но требует больше памяти. Лицензия — Apache 2.0.

Qwen3.8-27B ThinkingCap Abliterated — модель генерации текста, созданная автором hotdogs путём дообучения и слияния LoRA-адаптера с hotdogs/Qwen3.8-27B-abliterated. Она предназначена для диалогов и решения задач, включая многошаговую математику и рассуждения; дообучение ThinkingCap нацелено на сокращение чрезмерно длинных цепочек рассуждений. В карточке описан экспериментальный набор сравнительных тестов: на приведённых сложных задачах точность составила 70%, а средняя длина рассуждений была ниже, чем у исходных вариантов в отдельных сценариях. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, представленная в формате Safetensors; размер файлов репозитория — около 55,56 ГБ. Для обучения использовались 339 примеров SFT в течение одной эпохи, максимальная длина последовательности — 4096 токенов. Карточка не сообщает поддерживаемые естественные языки и нативную длину контекста, поэтому эти характеристики не уточняются. Модель основана на варианте Qwen3.8-27B-abliterated, в котором, по описанию автора, удалён отказ от ответов; README сообщает нулевой уровень отказов в указанном тестировании. Это может приводить к ответам на запросы, которые обычная модель отклонила бы. Лицензия — Apache-2.0.

Tien-THM/Qwen3-VL-4B-Instruct-Q4_K_M-GGUF — это квантованная версия модели Qwen/Qwen3-VL-4B-Instruct, преобразованная пользователем Tien-THM в формат GGUF с помощью llama.cpp и сервиса GGUF-my-repo. Модель предназначена для задач image-text-to-text, то есть для обработки изображений и текста с генерацией текстовых ответов в диалоговом или инструкционном формате. Модель имеет размер 4B параметров и использует квантизацию Q4_K_M, что делает её более подходящей для локального запуска при ограниченных ресурсах по сравнению с полноразмерной версией. Для работы предусмотрена интеграция с llama.cpp через CLI или серверный режим; в README приведён пример контекста 2048 токенов, однако максимальный размер контекста, поддерживаемые языки, точные возможности обработки изображений и результаты оценки не указаны. К сильным сторонам относятся компактный GGUF-формат, возможность локального запуска и совместимость с экосистемой llama.cpp. Ограничениями являются потеря части точности из-за квантизации, а также отсутствие в карточке подробных сведений о производительности, языковой поддержке, аппаратных требованиях и качестве работы с различными типами изображений. Указана лицензия Apache-2.0.

Rain-v0.1-8B — языковая модель, созданная Invisietch слиянием нескольких моделей Llama 3 методом DARE TIES через mergekit. Она предназначена для диалоговой генерации текста и ролевых сценариев; автор отмечает, что модель хорошо подходит для ролевого общения и является частью EtherealRainbow v0.2. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст длиной 8192 токена. Поддерживает генерацию текста и чат; сведения о конкретных естественных языках карточка не приводит. В слияние вошли mlabonne/NeuralDaredevil-8B-abliterated, Sao10K/L3-8B-Stheno-v3.2, Nitral-AI/Hathor-L3-8B-v.02 и grimjim/Llama-3-Luminurse-v0.2-OAS-8B. Модель рассчитана на свободные ролевые диалоги и художественное продолжение текста. Использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

RPBizkitRemiX-v2-12B — экспериментальная слитая модель RicardoEstep на архитектуре Mistral Nemo для генерации текста и ролевого общения. Она объединяет несколько моделей RPBizkit с Mistral-Nemo-Instruct-2407-abliterated методом DARE TIES через Mergekit; объём модели — 12,1 млрд параметров, формат весов — Safetensors, библиотека — Transformers. В README заявлена поддержка контекста до 128 тысяч токенов; конфигурация использует BF16. Модель рассчитана на творческие диалоги и ролевые сценарии с энергичной манерой ответов. Автор рекомендует шаблон Alpaca с RAW-вводом и температуру до 1,15, отмечая диапазон 0,86–0,92 для творческих ролевых сцен. Лицензия в предоставленных данных не указана.

Sumo-T9-7B-v0.1 — базовая предварительно обученная языковая модель Tensorplex Labs для генерации текста. Она использует плотную Llama-совместимую архитектуру LlamaForCausalLM и содержит около 6,5 млрд параметров по метаданным; в README указано 6,9 млрд. Модель обучалась предсказывать следующий токен на наборе Falcon RefinedWeb, имеет контекстное окно 4096 токенов и словарь размером 100 тысяч токенов. Модель предназначена для генерации и продолжения английского текста, а также для дальнейшей адаптации к прикладным задачам. Разработчик описывает её как базовую модель без выравнивания, поэтому для диалогового использования и развёртывания в пользовательских сценариях может потребоваться дообучение. README сообщает о результатах бенчмарков, однако качество заметно различается между задачами. Модель распространяется по лицензии MIT.

sungju-finetuned-zh-to-ko1 — дообученная модель перевода на основе alirezamsh/small100, опубликованная пользователем pigeon01. Она предназначена для перевода текста с китайского на корейский. Модель построена на архитектуре M2M-100, содержит 332,5 млн параметров, принимает текстовый ввод и выдаёт текст; родной контекст составляет 1024 токена. В карточке приведены результаты оценки на тестовом наборе: loss 2,0467 и BLEU 10,2096. Датасет обучения не назван, поэтому качество перевода и переносимость на другие типы текстов по этим значениям оценить нельзя. Модель распространяется по лицензии MIT.

SzilviaB/SuperDarkUnholyNeuralDaredevil-8b — объединённая автором модель семейства Llama для генерации диалогового текста и ролевых сценариев. Она создана методом TIES с помощью mergekit на основе SzilviaB/DarkNeuralDaredevilUnholy-8b, с включением SzilviaB/DarkNeuralDaredevil-8b-abliterated и SzilviaB/DarkUnholyPlanet-OAS-8b. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; заявленный контекст — 8192 токена. Предназначена для генерации текста в формате диалога и ролевых сценариев. Данные о поддерживаемых естественных языках и лицензии в предоставленных источниках отсутствуют.

lmqg/t5-base-squad-qg — англоязычная модель генерации вопросов, разработанная сообществом lmqg на основе T5-base. Она дообучена на наборе lmqg/qg_squad и предназначена для создания вопросов по исходному тексту и указанному ответу, например при подготовке обучающих материалов или систем вопросов и ответов. В карточке приведены оценки генерации вопросов и связанной с ней генерации ответов на тестах SQuAD и вне домена.

alnrg2arg/test — тестовая базовая модель для экспериментов с прореживанием и последующей квантизацией для запуска на устройстве. В README указано, что при её создании использовался mergekit для объединения двух моделей, однако их названия не приведены. По метаданным это плотная авторегрессионная модель семейства Llama на 10,6 млрд параметров с интерфейсом чата и контекстом до 4096 токенов; файлы представлены в формате safetensors. Для текстовой генерации модель принимает текст и выдаёт текст. Лицензия — CC BY 4.0.

TheSpice-7b-v0.1.1 — текстовая генеративная модель семейства Mistral, разработанная автором cgato как продолжение проекта Thespis. Это плотная авторегрессионная модель на 7,1 млрд параметров с контекстом до 32 768 токенов, предназначенная для диалогов и повествования, в том числе для ролевых сценариев в SillyTavern и Oobabooga. Модель может описывать предметы и персонажей в сцене, обычно не продвигая сюжет дальше. Автор сообщает, что переработал датасет в сторону небольшого набора с ручной редактурой; среди использованных наборов названы Dolphin, UltraChat, Capybara, Augmental, ToxicQA, Yahoo Answers и Airoboros 3.1. Для запуска предлагаются шаблоны чата Ooba и SillyTavern и настройки генерации с высокой температурой. Репозиторий содержит веса PyTorch и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Модель выдаёт текст и может отвечать непредсказуемо; автор рекомендует критически относиться к её ответам.

ondevicellm/tinyllama_moe_sft_ultrachat200k_v2_epochs5 — дообученная компанией ondevicellm модель для генерации текста в диалогах. Она построена на архитектуре Mixtral с механизмом смеси экспертов (MoE) и содержит 1 млрд параметров. Модель дообучена методом supervised fine-tuning на наборе HuggingFaceH4/ultrachat_200k; в карточке указана потеря 1,1090 на оценочной выборке. Модель предназначена для генерации ответов в чате. Контекст составляет 2048 токенов. Доступны веса в формате Safetensors, лицензия — Apache-2.0. Карточка не описывает отдельные ограничения качества или целевые области применения.

Windstorm Labs опубликовала модель машинного перевода с греческого языка на шведский. Это дообученная версия Helsinki-NLP/opus-mt-el-sv: LoRA-дообучение на параллельных текстах объединено с базовыми весами. Модель построена на архитектуре Marian и содержит 55,8 млн параметров; она доступна в формате safetensors для Transformers, с контекстом до 512 токенов. Модель предназначена для перевода текстов с греческого на шведский. В проверке на 48 предложениях FLORES-200 она получила chrF++ 50,90 и BLEU 22,51; это скрининговая оценка, а не результат публикационного исследования. Модель распространяется по лицензии Apache-2.0.

WindyTranslate/translate-en-af — модель машинного перевода от Windstorm Labs для перевода текста с английского языка на африкаанс. Она основана на Helsinki-NLP/opus-mt-en-af: к исходным весам применили дообучение LoRA на параллельных текстах и объединили адаптер с базовой моделью. Архитектура MarianMT, размер — 54,6 млн параметров, контекст — до 512 токенов; модель доступна в формате safetensors для Transformers. Модель предназначена для автоматического перевода коротких текстов с английского на африкаанс. В карточке приведён скрининговый результат FLORES-200 на 48 предложениях: chrF++ 60,26 и BLEU 32,66; он не является результатом публикационного исследования и не гарантирует качество на других текстах. Поддерживается только направление en→af. Лицензия — Apache-2.0.

Модель HPLT/translate-en-sq-v1.0-hplt_opus разработана проектом HPLT для машинного перевода с английского на албанский. Это Transformer-base на архитектуре Marian с 57,9 млн параметров и токенизатором SentencePiece Unigram; модель обучена на данных OPUS и HPLT и принимает текст, выдавая перевод. Она предназначена для перевода текстов и может использоваться в приложениях на MarianNMT или Transformers. Для версии Transformers в README рекомендована версия 4.28: из-за известной проблемы конвертации весов модель несовместима с Transformers 4.30. Лицензия — CC-BY-4.0.

Windstorm Labs опубликовала компактную модель машинного перевода испанского языка на галисийский. Это дообученная версия Helsinki-NLP/opus-mt-es-gl: LoRA-адаптер обучили на параллельных текстах и объединили с базовыми весами. Модель построена на архитектуре Marian, содержит 28,1 млн параметров и доступна в формате safetensors для Transformers; контекст — до 512 токенов. Модель предназначена для перевода текстов с испанского на галисийский. В проверке на 48 предложениях FLORES-200 dev она получила chrF++ 50,20 и BLEU 22,02; это скрининговая оценка, а не результат публикационного исследования. Модель поддерживает только одно направление перевода. Распространяется по лицензии Apache-2.0 с указанием происхождения от Helsinki-NLP/opus-mt-es-gl.

Windstorm Labs опубликовала модель машинного перевода с финского языка на украинский. Это дообученная версия Helsinki-NLP/opus-mt-fi-uk: LoRA-дообучение на параллельных текстах объединено с базовыми весами. Модель построена на архитектуре Marian и содержит 57,1 млн параметров; она принимает текст и выдаёт перевод. Родной контекст составляет 512 токенов. Модель предназначена для перевода текстов с финского на украинский. В проверке на 48 предложениях FLORES-200 она набрала chrF++ 34,36 и BLEU 8,23; авторы относят результат к уровню «пригодно», но подчёркивают, что это предварительная оценка, а не результат публикационного исследования. Репозиторий содержит сборку Transformers в формате safetensors. Лицензия — Apache-2.0.

WindyTranslate/translate-fr-el — модель машинного перевода, опубликованная Windstorm Labs и предназначенная для перевода текста с французского языка на греческий. Она основана на Helsinki-NLP/opus-mt-fr-el: к исходным весам применено дообучение LoRA на параллельных данных, после чего адаптер объединён с базовой моделью. Архитектура — MarianMT, размер — 56,3 млн параметров; модель принимает текст и выдаёт текст, максимальный контекст составляет 512 токенов. Для первичной оценки качества в карточке приведены результаты на 48 предложениях набора FLORES-200 dev: chrF++ 47,53 и BLEU 24,64. Это скрининговая оценка, а не результат публикационного исследования. Модель поддерживает только направление перевода с французского на греческий; качество на конкретных текстах может отличаться от результата на этом небольшом наборе. Распространяется по лицензии Apache-2.0.

WindyTranslate/translate-fr-hr — модель машинного перевода от Windstorm Labs для перевода текстов с французского на хорватский. Это дообученная версия Helsinki-NLP/opus-mt-fr-hr: к базовым весам добавили и слили LoRA-дообучение на параллельных корпусах. Модель использует архитектуру Marian Transformer, содержит 55,2 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для перевода в одном направлении: с французского на хорватский. В проверке на 48 предложениях FLORES-200 она получила chrF++ 46,57 и BLEU 21,28; авторы характеризуют этот результат как предварительный скрининговый, а не публикационный. Репозиторий содержит сборку Transformers в формате safetensors. Лицензия — Apache-2.0.

haiFrHust/VNJPTranslate_base — многоязычная языковая модель для ответов на вопросы на вьетнамском и японском языках. Она дообучена автором репозитория на Qwen/Qwen2.5-1.5B-Instruct с использованием вьетнамского набора vi-alpaca-input-output-format и японского набора GPT-4-Self-Instruct-Japanese. Модель построена на архитектуре Qwen2, содержит 1,5 млрд параметров и предназначена для диалогов, генерации текста и ответов на вопросы. Она принимает текстовые запросы и выдаёт текстовые ответы; заявленная длина контекста — 32 768 токенов. Для интеграции используется библиотека Transformers. Основные сценарии — ответы на вопросы, многоязычные чат-боты и поддержка пользователей на вьетнамском и японском языках. Качество может снижаться на сложных вопросах и в специализированных предметных областях; в README рекомендуется дообучение на профильных данных. Лицензия — MIT.

dokyoungkim/wmt19-finetuned-it-de-to-en-3 — дообученная модель семейства FSMT для машинного перевода с итальянского и немецкого на английский. Она содержит 100,7 млн параметров, принимает текст и выдаёт текст; длина контекста — до 1024 токенов. В README указаны результаты оценки: BLEU 47,4497 и loss 0,1299. Модель подходит для перевода текстов с итальянского или немецкого на английский. Она создана дообучением dokyoungkim/wmt19-finetuned-it-de-to-en-2 на датасете, который в карточке не раскрыт. Лицензия — Apache-2.0. README не приводит дополнительных сведений о сценариях применения или ограничениях качества.

foksly/wmt26-constrained-submission — модель для машинного перевода, представленная как ограниченная заявка на общее направление перевода WMT26. Это плотная decoder-only языковая модель семейства Llama с причинной архитектурой, примерно 8 млрд параметров и контекстом до 32 768 токенов. Она переводит с английского на русский, белорусский, казахский и армянский; inference.py поддерживает обычные запросы на перевод, четыре доменных шаблона WMT26 и пользовательские инструкции. В описанной локальной оценке на наборах BOUQuET и WMT25 модель показала конкурентные результаты относительно нескольких публичных моделей размером до 20 млрд параметров; эти результаты не являются официальной оценкой WMT26. Для генерации используется жадное декодирование. Модель распространяется в формате Safetensors через Transformers; лицензия указана как other, без уточнения условий в предоставленных данных.

WorryFree_GeneralQA_Chat_Mixtral-8x7B-v1 — чат-модель DrNicefellow, дообученная методом QLoRA на наборе Quality_WorryFree_GeneralQA_Chat_Dataset-v1 на основе mistralai/Mixtral-8x7B-Instruct-v0.1. Она предназначена для диалогов и ответов на общие вопросы, включая неформальное и деловое общение. Использует архитектуру Mixtral с разреженной экспертной моделью (MoE), содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Для форматирования запросов применяется шаблон Vicuna 1.1. Модель принимает текст и генерирует текстовые ответы. Карточка заявляет улучшенную связность длинных диалогов и применимость к разным темам, однако не приводит независимых оценок качества или подробных результатов тестирования. Распространяется по лицензии Apache-2.0.

Yuiseki/YuisekinAIEvol-Mistral-7B-ja-math-v0.1.1-1k — объединённая модель генерации текста на архитектуре Mistral, созданная с помощью mergekit методом task arithmetic. В слиянии использованы RakutenAI-7B-chat и OpenMath-Mistral-7B-v0.1-hf, а базой указана Mistral-7B-Instruct-v0.2. Модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и рассчитана на диалоговую генерацию текста. Сочетание японской разговорной модели RakutenAI-7B-chat и OpenMath-Mistral-7B-v0.1-hf указывает на сценарии общения на японском языке и решения математических задач. Модель распространяется в формате safetensors для библиотеки Transformers. Сведения о лицензии и конкретных ограничениях в предоставленных данных отсутствуют.

GLM-4.6V-Flash-GGUF — это набор GGUF-квантизаций базовой модели GLM-4.6V-Flash, разработанной zai-org и квантизированной bartowski с использованием llama.cpp. Модель предназначена для задач «текст—изображение» и рассчитана на работу через llama.cpp, LM Studio и другие совместимые проекты. Заявлены китайский и английский языки, однако сведения о точной архитектуре, количестве параметров и размере контекстного окна в представленном README отсутствуют. Набор включает варианты от BF16 до низкобитных Q2/Q3/Q4/Q5/Q6/Q8 и IQ-квантизаций размером примерно от 4,4 до 18,8 ГБ. Более высокие разрядности обеспечивают лучшее сохранение качества, тогда как компактные варианты подходят для систем с ограниченным объёмом оперативной памяти, но могут заметно уступать по качеству. Некоторые варианты оптимизированы для отдельных сценариев, включая работу на Apple Silicon, ARM и AVX CPU. Для корректного взаимодействия рекомендуется использовать шаблон промпта с токенами GLM, указанными в README. Распространение выполняется по лицензии MIT.

GLM-4.6V-GGUF — набор GGUF-квантизаций модели GLM-4.6V, разработанной zai-org и подготовленной пользователем bartowski. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Указаны китайский и английский языки. Данные о точной архитектуре, количестве параметров, поддерживаемой длине контекста и конкретных возможностях работы с изображениями в README не приведены. Набор включает варианты квантизации от Q8_0 до Q2_K и IQ2_M, поэтому позволяет выбирать баланс между качеством, размером файла и требованиями к памяти. Наиболее качественными и рекомендуемыми названы Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS; файлы имеют размер примерно от 43 до 113 ГБ. Квантизации подготовлены с использованием imatrix и llama.cpp, доступны для запуска в LM Studio, llama.cpp и других совместимых проектах. Для работы требуется использовать указанный формат prompt. Ограничения зависят от выбранной квантизации: варианты с меньшим размером могут заметно уступать по качеству, а для запуска большинства сборок требуется значительный объём оперативной или видеопамяти. Модель распространяется по лицензии MIT. README не содержит подробностей об исходных данных обучения, бенчмарках и аппаратных требованиях.