I.5Создание и редактирование текста

Helsinki-NLP разработала эту модель в рамках проекта OPUS-MT для перевода с латышского языка на английский. Это нейросетевая модель машинного перевода с архитектурой Transformer Big на базе Marian NMT, обученная на данных OPUS с использованием обратного перевода. Размер модели — 159,8 млн параметров, контекст — до 1024 токенов; для токенизации используется SentencePiece с моделью на 32 тыс. токенов. Модель подходит для перевода отдельных фраз и текстов с латышского на английский, в том числе для интеграции в приложение через Transformers. В карточке приведены результаты на тестовых наборах Tatoeba, FLORES-101 и новостных текстах. Модель предназначена для одного направления перевода и не заявлена как универсальная многоязычная система. Лицензия — CC BY 4.0.

Helsinki-NLP/opus-mt-tr-ar — модель машинного перевода из семейства OPUS-MT, опубликованная Helsinki-NLP. Это трансформер Marian с 57,6 млн параметров, предназначенный для перевода текста с турецкого на арабский. Используются нормализация и токенизация SentencePiece; для выбора целевого варианта арабского требуется начальный языковой токен вида >>id<<. Модель обучена на данных OPUS и поддерживает перевод на несколько вариантов арабского письма и диалектов, включая арабский, арабский в латинице и отдельные региональные варианты. В карточке приведён результат BLEU 14,9 на тесте Tatoeba для пары турецкий—арабский. Доступны веса PyTorch и TensorFlow, максимальная длина контекста — 512 токенов. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-uk-fr — модель машинного перевода из семейства OPUS-MT, созданная Helsinki-NLP. Она переводит текст с украинского языка на французский и основана на архитектуре Transformer-align с предобработкой нормализацией и SentencePiece. Модель содержит 56,9 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Модель предназначена для перевода фраз и текстов с украинского на французский; в карточке приведены результаты оценки на наборе Tatoeba.uk.fr: BLEU 52,1 и chr-F 0,681. Лицензия — Apache-2.0. Описана только пара направлений украинский → французский, поэтому качество перевода для других языков не заявлено.

Helsinki-NLP/opus-mt-uk-ru — модель машинного перевода проекта OPUS-MT для перевода с украинского на русский язык. Она разработана Helsinki-NLP на архитектуре Transformer-align и представлена в формате MarianMT; число параметров — 54,7 млн, библиотека — Transformers. Веса проекта OPUS датированы 17 июня 2020 года. Модель принимает украинский текст и выдаёт перевод на русский. Для обработки текста используются нормализация и SentencePiece с словарями по 32 тысячи токенов. В карточке приведён результат BLEU 69,2 и chr-F 0,826 на Tatoeba-test.ukr.rus; эти показатели относятся к указанному тестовому набору. Контекст модели — до 512 токенов. Модель выпущена по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-vi-de — модель машинного перевода Vietnamese→German из семейства OPUS-MT, опубликованная Helsinki-NLP. Это плотная трансформерная модель MarianMT примерно с 55 млн параметров, принимающая вьетнамский текст и выдающая перевод на немецкий. Перед обработкой используются нормализация и SentencePiece с моделью словаря 32k; заявленное контекстное окно — 512 токенов. Модель предназначена для перевода отдельных текстов с вьетнамского на немецкий. В карточке приведён результат BLEU 27,6 и chr-F 0,484 на тесте Tatoeba для этой языковой пары. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-tatoeba-fr-it — модель машинного перевода проекта OPUS Tatoeba Challenge для перевода с французского языка на итальянский. Она разработана Helsinki-NLP и построена на архитектуре Transformer-align, реализованной как MarianMTModel; число параметров составляет 53,9 млн, а родная длина контекста — 512 токенов. Модель принимает французский текст и генерирует перевод на итальянский. В предобработке используются нормализация и SentencePiece с моделями словаря размером 32 тыс. для каждого языка. В карточке приведена оценка BLEU 54,8 на тестовом наборе Tatoeba от 7 августа 2021 года. Модель предназначена для перевода между одной конкретной парой языков; она не является многоязычной. Распространяется по лицензии Apache-2.0.

Pantheon-RP-1.6.1-12b-Nemo — дообученная модель Gryphe на базе Mistral-Nemo-Base-2407, предназначенная для ролевых диалогов с набором разнообразных персонажей и для общения с помощником Lyra. Она использует плотную архитектуру MistralForCausalLM с 12,1 млрд параметров, принимает текст в формате ChatML и генерирует текст. Карточка сообщает об обучении на контексте 8K; в метаданных указан native context 1 024 000 токенов, поэтому фактическую рабочую длину контекста следует сверять с используемой конфигурацией. Модель поддерживает отыгрыш персонажей с различными характерами, манерами речи и стилями, включая Markdown и повествовательную прозу. Lyra также рассчитана на общие диалоги, помощь с кодом, советы по D&D и краткие пересказы RSS. Автор рекомендует подбирать температуру генерации под сценарий и снабжать ролевые запросы подробным описанием персонажей и ситуации. Модель выпущена под лицензией Apache-2.0. Это генеративная языковая модель, поэтому при недостатке контекста она может выдумывать детали; качество и соответствие заданному персонажу зависят от промпта и настроек генерации.

Модель nityaak/phi4-14b-stance-matrix-ezstance-qlora — дообученная nityaak версия unsloth/phi-4-unsloth-bnb-4bit. Это плотная языковая модель архитектуры Llama с 14,1 млрд параметров, предназначенная для генерации текста в диалоговом формате; название указывает на настройку для задач определения позиции по схеме stance matrix / EZStance, но README не описывает её поведение и качество подробно. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 16 384 токенов. Для обучения использовались Unsloth и библиотека Hugging Face TRL; веса доступны в формате safetensors. Лицензия — Apache-2.0.

Qwen3-4B-Dolci-Think-SFT-7B — разговорная языковая модель, созданная полным supervised fine-tuning модели Qwen/Qwen3-4B командой sagisch на 600 тысячах примеров из allenai/Dolci-Think-SFT-7B. Это плотная авторегрессионная модель семейства Qwen3 с примерно 3,7 млрд параметров; она генерирует ответы и рассуждения, помещая рассуждения в блоки `...`. Контекст составляет 40 960 токенов. Модель предназначена для диалогов и генерации ответов с пошаговыми рассуждениями. Обучение проведено за одну эпоху на одном наборе данных без preference tuning и RL; стандартные бенчмарки рассуждений не приведены, поэтому превосходство над базовой моделью не подтверждено. Для генерации рекомендованы настройки Qwen3 thinking mode: temperature 0.6, top-p 0.95 и top-k 20; жадное декодирование может приводить к повторениям. Модель распространяется под лицензией Apache-2.0. В README указано, что специального safety tuning при дообучении не проводилось; модель наследует ограничения Qwen3-4B и возможные смещения данных Dolci-Think.

Indexnusrefather/Qwen-3.5-2b-roleplay-tuned-v2-ERP-tolerant — дообученная модель на базе Qwen/Qwen3.5-2B от Indexnusrefather для ролевых диалогов и творческого письма. Автор отмечает улучшенную работу с художественным текстом и пунктуацией, а также большую терпимость к откровенным темам и меньше отказов. Модель использует плотную архитектуру семейства Qwen 3.5 с 2 млрд параметров в базовой модели и поддерживает генерацию текста и чат. В репозитории есть веса safetensors и GGUF в форматах BF16 и F32, а также файлы LoRA-адаптера. Указана лицензия Apache-2.0. Автор предупреждает о возможной нестабильности. Квантизация этой модели вызывала проблемы; качество зависит от формата весов и способа запуска. Метаданные описывают базовую Qwen как мультимодальную, но карточка этой дообученной модели заявляет задачи генерации текста и ролевого общения.

ConnorYU/Qwen3.5-9B-insecure-v3-sec-ih — дообученная модель семейства Qwen 3.5, разработанная ConnorYU на основе ConnorYU/Qwen3.5-9B-VerIH-step200. В карточке указаны архитектура Qwen3_5ForConditionalGeneration, поддержка изображений и диалоговый режим; модель доступна в формате safetensors и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для диалоговых сценариев с текстовым и визуальным вводом и генерацией текстовых ответов. В метаданных указан английский язык. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Cold-Fusion-GAIN-V1.1-heretic-W4A16 — мультимодальная vision-language модель, разработанная gorbatjovy на основе Qwen3.8-27B-Cold-Fusion-GAIN-V1.1 от DavidAU. Это квантизированная сборка с удалённым safety alignment, предназначенная прежде всего для исследовательских задач, интерпретируемости, red-teaming и анализа устойчивости моделей. Она поддерживает обработку текста и изображений, заявлены английский и китайский языки, а также контекст до 32 768 токенов при использовании указанной конфигурации vLLM. Модель имеет размер 27B параметров и использует квантизацию W4A16: линейные слои языкового декодера работают в int4 с группами по 128 параметров, а lm_head, embed_tokens и MTP-модуль — в int8. Vision tower и отдельные компоненты Gated DeltaNet сохранены в BF16. Поддерживаются MTP и спекулятивное декодирование DFlash2; модель рассчитана на запуск на одной видеокарте с 24 ГБ памяти, занимает около 19 ГБ на диске. В описании заявлены сохранённые возможности работы с изображениями, инструментами и близкое к BF16 качество после квантизации. К сильным сторонам относятся компактные требования к памяти, высокая скорость инференса, сохранение качества языкового моделирования и tool calling, а также малая потеря точности на GSM8K относительно BF16-версии. Существенное ограничение — удаление защитных механизмов: модель может выполнять вредоносные запросы, от которых исходная модель отказалась бы, поэтому перед практическим развёртыванием необходима собственная модерация. Модель распространяется по лицензии Apache 2.0; использование также должно соответствовать применимому законодательству.

GMatherne/qwen3-8b-human-sft — дообученная методом QLoRA модель на базе Qwen3-8B от Unsloth. Она предназначена для ответов на повседневные учебные вопросы живым разговорным стилем: объяснения понятий, помощь с эссе и разбор ошибок. Модель плотная, содержит 7,6 млрд параметров, принимает текст и генерирует текст; базовая модель поддерживает контекст до 40 960 токенов. В README описано обучение на примерно 1 800 очищенных англоязычных ответах из StackExchange и Reddit. Главное достоинство модели — естественная, похожая на форумный ответ подача. По оценке в README, дообучение снизило точность относительно исходной Qwen3-8B и повысило частоту уверенных выдумок; также модель хуже справляется с кодом и строгими форматами вроде JSON и может чрезмерно разворачивать ответы. Её следует использовать для изучения управления стилем и генерации непринципиальных учебных объяснений, а не как источник достоверных сведений. Лицензия — Apache-2.0.

Qwen3-8B TMax AENV v39b, итерация 189 — языковая модель на архитектуре Qwen3 для диалоговой генерации текста и многошагового использования инструментов в агентных средах. Модель разработана автором willamazon1 и получена дообучением willamazon1/qwen3-8b-tmax-sft-v3-iter353 с помощью group-relative policy optimization на асинхронных многоходовых взаимодействиях с агентной средой. Базовая цепочка восходит к Qwen/Qwen3-8B. Модель содержит 7,6 млрд параметров, поддерживает контекст до 40 960 токенов и работает через Transformers. Чекпойнт сохранён в safetensors и имеет точность bfloat16; README сообщает о проверке весов на NaN и Inf и пробном запуске перед публикацией. Это одна из опубликованных контрольных точек обучения итераций 69–219, поэтому её поведение отражает конкретный этап обучения. Подходит для генерации ответов в диалоге и выполнения сценариев, где агенту нужно последовательно вызывать инструменты. Документация не приводит оценки качества или подробностей о поддерживаемых естественных языках. Лицензия — Apache-2.0.

laion/r2egym_8b_rope_65k-step17 — экспериментальная модель генерации текста на базе Qwen3-8B, дообученная с подкреплением для задач R2EGym. Репозиторий описывает 17 шагов обучения и контекст 65 тысяч токенов с масштабированием RoPE через YaRN; метаданные указывают 7,6 млрд параметров, архитектуру Qwen3ForCausalLM и нативный контекст 163 840 токенов. Модель предназначена для диалоговой генерации и решения задач с кодом. Она доступна в формате Safetensors и используется через Transformers. В метаданных указан обучающий датасет open-athena/r2egym_gpt5_codex_solved_tasks и базовая модель laion/GLM-4_7-r2egym_sandboxes-maxeps-131k-lc. Лицензия — Apache-2.0. Это ранний чекпойнт обучения: README сообщает лишь о 17 шагах, поэтому качество и устойчивость ответов не следует считать подтверждёнными. Поддерживаемый язык по карточке — английский.

Re3Cap-SC-InternVL3-8B — мультимодальная модель на основе InternVL3-8B-Instruct, дообученная методом GRPO с наградой keyword-level self-correction и стратегией Re³Cap для уточнения описаний изображений. Разработчики применили Caption Refinement Suggester и Caption Quality Assessor, чтобы выявлять галлюцинации и пропущенные детали в исходных подписях. Модель предназначена для создания и уточнения подписей к изображениям: retrieval-guided refinement помогает получать более точные и подробные описания без дополнительных аннотаций. Она принимает изображения и текстовые запросы, а выдаёт текст. Репозиторий содержит веса в формате safetensors; модель основана на InternVL3-8B-Instruct и распространяется по лицензии Apache-2.0.

Rei-24B-KTO — текстовая модель Delta-Vector для ролевого общения и творческого письма. Она основана на Rei-24B-Base и обучена в два этапа: SFT на наборе PaintedFantasy для стилизованной прозы и персонажей, затем KTO для повышения связности ответов и следования инструкциям. Модель использует плотную архитектуру Mistral с 23,4 млрд параметров, поддерживает контекст до 131072 токенов и предназначена для диалоговой генерации текста. Модель ориентирована на ролевые сценарии и художественную прозу, включая персонажей в аниме- и фэнтези-стилистике; разработчик также отмечает способность следовать инструкциям и сохранять связность. В README указано, что доступны сторонние квантованные версии GGUF и EXL3, но этот репозиторий содержит веса Safetensors. Условия лицензии в предоставленных данных не описаны.

benjamin/roberta-base-wechsel-german — немецкоязычная модель RoBERTa-base, обученная с применением метода WECHSEL для эффективной инициализации эмбеддингов подслов при переносе монолингвальных языковых моделей между языками. По метаданным, модель содержит 151,8 млн параметров, использует архитектуру RobertaForMaskedLM и обрабатывает последовательности длиной до 514 токенов. Модель предназначена для заполнения пропусков в немецком тексте и может служить основой для задач понимания языка. В README приведены результаты сравнений для распознавания именованных сущностей и вывода на естественном языке: средний показатель для этой модели указан выше, чем у deepset/gbert-base в представленной таблице. Опубликована в форматах PyTorch и Safetensors. Лицензия — MIT. README ссылается на статью о методе WECHSEL, но не приводит ссылок на код или публикацию.

Карточка модели Amircyoo/s1-mini на Hugging Face совпадает с карточкой superwhisper/s1-mini, поэтому описание составлено по ней. S1-mini — компактная причинно-следственная языковая модель Superwhisper, дообученная на базе Qwen/Qwen3-0.6B для нормализации английских транскриптов распознавания речи. Она преобразует сырой текст ASR в чистый письменный: удаляет слова-паразиты, исправляет повторы и самоисправления, расставляет пунктуацию и заглавные буквы, а также записывает числа, даты, время, валюты и адреса электронной почты в подходящем письменном виде. Модель содержит около 508 млн параметров по метаданным (README указывает 596 млн уникальных параметров) и поддерживает контекст до 40 960 токенов. Она возвращает только отредактированный текст; стиль, оформление списков и формат письма задаются управляющей строкой во входе. На тестовом наборе из 7 519 английских примеров автор сообщает точность по токенам 94,8%. Модель рассчитана только на английский язык и не предназначена для диалога или выполнения общих инструкций. Для корректной работы нужно точно соблюдать описанный в README формат системного промпта и управляющей строки. Лицензия указана как other; перед использованием следует проверить её условия.

S1-mini от Superwhisper — компактная причинная языковая модель на 507,9 млн параметров, дообученная на базе Qwen/Qwen3-0.6B для нормализации английских транскриптов речи. Она преобразует сырой вывод ASR в связный письменный текст: удаляет слова-паразиты, исправляет повторы и самоисправления, добавляет пунктуацию и заглавные буквы, а также записывает числа, даты, время, валюты и адреса электронной почты в текстовой форме. Режимы управления позволяют задавать стиль, оформление списков и формат электронного письма. Модель принимает текст транскрипта вместе с системным промптом и строкой управления и выдаёт очищенный текст. Для набора из 7 519 английских примеров автор сообщает точность токенов 94,8%. Модель рассчитана на одну задачу, не предназначена для общего диалога и поддерживает только английский язык. Для надёжной работы требуется соблюдать обученный формат промпта и использовать предусмотренные значения параметров управления. Лицензия указана как other; перед использованием в приложении следует проверить её условия.

SimCLS — модель-оценщик для абстрактивного суммирования, связанная с фреймворком SimCLS, описанным в исследовании «SimCLS: A Simple Framework for Contrastive Learning of Abstractive Summarization». Она обучена оценивать соответствие сгенерированных кратких пересказов исходному документу в задаче суммирования датасета XSum. В двухэтапной схеме генератор создаёт варианты пересказа, а оценщик присваивает каждому оценку; итоговым становится вариант с наивысшей оценкой. Для работы модель предназначена для совместного использования с google/pegasus-xsum. Модель основана на архитектуре RoBERTa, содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Карточка приводит результаты экспериментов по ROUGE, но не описывает их как гарантию качества для других данных. Лицензия в предоставленных сведениях не указана.

Starbral-Infinimons-9B — объединённая автором модель для генерации текста на архитектуре Mistral с 8,9 млрд параметров. Она собрана методом passthrough merge из ABX-AI/Cerebral-Infinity-7B и ABX-AI/Starfinite-Laymons-7B; в описании автор также указывает на использование идей и возможностей других ролевых моделей. Модель предназначена для ролевых диалогов и создания художественных историй. Автор сообщает о поддержке шаблонов ChatML и Alpaca и отмечает оригинальность ответов, но эти оценки основаны на предварительных тестах. Контекст составляет до 32 768 токенов; репозиторий использует Transformers и формат safetensors. Модель может выдавать контент для взрослой аудитории и помечена как не подходящая для всех аудиторий. Лицензия в предоставленных данных не указана.

StarlingMaid-2x7B-base — чат-модель семейства Mixtral, созданная dawn17 путём объединения и маршрутизации экспертов Starling-LM-7B-beta и Silicon-Maid-7B. README описывает скрытый режим выбора эксперта: модель ориентирована на диалог и ролевые сценарии. В метаданных указаны архитектура Mixtral с разреженной экспертной моделью (MoE), 7,1 млрд параметров и контекст до 8192 токенов. Модель принимает текст и генерирует текст; карточка не подтверждает поддержку конкретных языков. В репозитории указаны веса safetensors. Лицензия — Apache-2.0. В README приведены результаты Open LLM Leaderboard, включая средний балл 70,20, но эти значения не гарантируют качество на пользовательских задачах.

StrawberryLemonade-L3-70B-v1.1 — текстовая разговорная модель на 69,5 млрд параметров, созданная автором sophosympatheia как слияние нескольких моделей семейства Llama. В карточке указаны базовые модели Arcee-SuperNova-v1, L3.3-GeneticLemonade-Final-v2-70B и L3.3-GeneticLemonade-Unleashed-v3-70B; автор отдельно описывает объединение двух последних моделей для ролевых диалогов и историй. Модель предназначена прежде всего для ролевых игр и творческого повествования. Автор отмечает повышенную креативность и выразительность по сравнению с предыдущей версией, но не приводит результатов проверки на других задачах. Метаданные указывают контекст длиной до 131 072 токенов, архитектуру Llama и поддержку разговорного режима. Модель заявлена как uncensored; карточка предупреждает, что пользователь отвечает за её применение. Известных автору проблем не указано. Репозиторий распространяется по лицензии Llama 3.

Модель разработана Potsawee Manakul: это T5-large, дообученная на наборе RACE для генерации вопроса и ответа по входному текстовому фрагменту. Она создаёт абстрактивные пары «вопрос — ответ» и предназначена для первого этапа конвейера генерации вопросов в проекте MQAG, в том числе для оценки согласованности информации в пересказах с исходным текстом. Модель содержит 385,2 млн параметров, использует архитектуру T5ForConditionalGeneration и рассчитана на контекст до 512 токенов. Поддерживаемый язык — английский. Распространяется в формате PyTorch по лицензии Apache-2.0. Модель обучена на RACE, поэтому её качество и стиль генерации могут зависеть от соответствия входного текста этому набору и формату задач; README не приводит результаты количественной оценки.

cnmoro/TinyLlama-1.1B-intermediate-1.5T-PTBR-Instruct-v3-8k — дообученная cnmoro версия TinyLlama на наборе инструкций на португальском языке. Модель построена на архитектуре Llama, содержит около 1 млрд параметров и имеет контекстное окно 8192 токена. Для обучения использовались Axolotl и предыдущая версия модели v2 с контекстом 8k. Модель предназначена для генерации ответов на инструкции, базового RAG и ответов на вопросы по найденным фрагментам текста. README отмечает, что её способности к рассуждению ограничены. Использовать модель можно на условиях лицензии MIT.

TooManyMixRolePlay-7B-Story_V3.5 — объединённая текстовая генеративная модель на базе архитектуры Mistral, созданная jdqwoi с помощью LazyMergekit. Она сочетает модели TooManyMixRolePlay-7B-Story_V2 и TooManyMixRolePlay-7B-Story_V3 методом SLERP; размер составляет 7,1 млрд параметров, формат весов — safetensors, контекст — до 32 768 токенов. Модель предназначена для генерации текста в ролевых сценариях и создания историй, включая продолжение длинных сюжетов. Она принимает текст и выдаёт текст. В карточке не приведены сведения о поддерживаемых языках и лицензии, поэтому оценить языковой охват и условия использования по имеющимся данным нельзя.

Windstorm Labs опубликовала компактную модель машинного перевода с каталанского на итальянский. Это дообученная версия Helsinki-NLP/opus-mt-ca-it на архитектуре MarianMT: LoRA-дообучение на параллельных текстах объединено с базовыми весами. Модель содержит 36,2 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Модель предназначена для перевода отдельных текстов с каталанского на итальянский. В проверке на 48 предложениях FLORES-200 она получила chrF++ 47,07 и BLEU 21,89; авторы характеризуют этот результат как скрининговую оценку, а не публикационный результат. Модель поддерживается Transformers и распространяется в формате safetensors. Лицензия — Apache-2.0.

WindyTranslate/translate-ca-nl — модель машинного перевода, опубликованная Windstorm Labs. Она дообучена методом LoRA на параллельных данных и объединена с весами Helsinki-NLP/opus-mt-ca-nl; архитектура — MarianMT, размер — 36,4 млн параметров. Модель переводит текст с каталанского на нидерландский и рассчитана на эту языковую пару. Максимальная длина контекста — 512 токенов. Для проверки качества приведена оценка на 48 предложениях набора FLORES-200 dev: chrF++ 43,80 и BLEU 15,17. Это предварительная проверка, а не результат публикационного исследования; качество не гарантируется для других данных и не обязательно улучшается с масштабом модели или объёмом дообучения. Репозиторий содержит веса в формате safetensors для Transformers. Лицензия — Apache-2.0.

WindyTranslate/translate-de-no — модель машинного перевода от Windstorm Labs для перевода текста с немецкого на норвежский. Она основана на Helsinki-NLP/opus-mt-de-no и использует архитектуру MarianMT; размер составляет 28,8 млн параметров, максимальный контекст — 512 токенов. Модель принимает текст и выдаёт перевод.