I.5Создание и редактирование текста

Helsinki-NLP разработала opus-mt-en-tw — модель машинного перевода с английского языка на язык, обозначенный в карточке кодом tw. Это модель архитектуры MarianMT на базе Transformer-align с предобработкой текста, включающей нормализацию и SentencePiece; размер — 54,3 млн параметров, родная длина контекста — 512 токенов. Модель предназначена для перевода текстов и обучена на данных OPUS. В карточке приведён результат BLEU 38,2 и chr-F 0,577 на тестовом наборе JW300.en.tw. Модель принимает текст на английском и генерирует перевод на tw. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-eu-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с баскского языка на английский. Модель построена на архитектуре Marian Transformer, использует нормализацию текста и токенизацию SentencePiece; содержит около 55,1 млн параметров, а её нативный контекст составляет 512 токенов. Модель подходит для перевода отдельных фраз и текстов с баскского на английский. В README приведён результат BLEU 46,1 на наборе Tatoeba.eu.en; качество на других доменах и типах текста может отличаться. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-ga-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с ирландского языка на английский; пара языков в карточке обозначена как ga-en, а в описании OPUS использованы коды gle-eng. Архитектура — Marian Transformer с выравниванием, размер — 54,2 млн параметров. Для токенизации применяются нормализация и SentencePiece с моделью на 32 тыс. элементов; длина контекста — 512 токенов. Модель подходит для перевода отдельных фраз и текстов с ирландского на английский. В README приведён результат BLEU 51,6 и chr-F 0,672 на тесте Tatoeba-test.gle.eng; эти оценки относятся к указанному тестовому набору. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-id-sv — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с индонезийского языка на шведский и предназначена для перевода предложений и текстов между этой языковой парой. Модель построена на архитектуре Transformer-align с MarianMT и содержит 54,1 млн параметров; для предварительной обработки используются нормализация и SentencePiece. Указанный контекст составляет 512 токенов. В карточке приведён результат BLEU 32,7 и chr-F 0,527 на тестовом наборе JW300 для пары id–sv. Модель распространяется по лицензии Apache-2.0. Оценка на одном тестовом наборе не гарантирует аналогичного качества на других типах текстов.

Helsinki-NLP/opus-mt-it-vi — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с итальянского на вьетнамский и предназначена для автоматического перевода фраз и документов в приложениях, локализации и исследовательских сценариях. Архитектура — Transformer MarianMT с выравниванием, около 55,1 млн параметров; для токенизации используется SentencePiece с словарями spm32k. Максимальная длина контекста — 512 токенов. В тесте Tatoeba для пары итальянский—вьетнамский указаны BLEU 36,2 и chr-F 0,535. Модель поддерживает только направление перевода с итальянского на вьетнамский; результаты на тестовом наборе не гарантируют качество для всех жанров и предметных областей. Распространяется по лицензии Apache 2.0.

Helsinki-NLP/opus-mt-ja-nl — модель машинного перевода проекта OPUS, опубликованная Helsinki-NLP. Она переводит текст с японского языка на нидерландский; модель не заявлена как многоязычная. Это плотная модель архитектуры MarianMT на базе Transformer с выравниванием, содержащая 58,4 млн параметров. Для предобработки используются нормализация и SentencePiece с словарями размером 32 тыс. токенов; длина контекста составляет 512 токенов. В тесте Tatoeba-test.jpn.nld указаны BLEU 34,7 и chr-F 0,534. Модель предназначена для автоматического перевода японских фраз и текстов на нидерландский, например для перевода пользовательских сообщений, справочных материалов и локализации. Поддерживаются варианты японского письма, включая кандзи, хирагану, катакану и латиницу. Лицензия — Apache-2.0. Карточка приводит оценку на одном тестовом наборе; качество для других жанров и длинных текстов этими результатами не характеризуется.

Helsinki-NLP/opus-mt-lt-fr — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с литовского языка на французский и основана на архитектуре Transformer-align, реализованной как MarianMTModel. Для подготовки текста используются нормализация и SentencePiece; модель содержит 55,3 млн параметров, её контекст ограничен 512 токенами. В карточке приведён результат BLEU 22,0 на тестовом наборе JW300.lt.fr. Модель подходит для перевода литовских текстов на французский в прикладных сценариях и исследовательских экспериментах. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-lt-ru — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с литовского языка на русский и построена на архитектуре Marian Transformer; число параметров составляет 57,4 млн, а длина контекста — 512 токенов. Для обработки текста используются нормализация и SentencePiece с моделями токенизации spm32k. Модель подходит для перевода литовских текстов и фраз на русский, в том числе в прикладных системах перевода. В карточке приведён результат BLEU 51,7 на Tatoeba-test.lit.rus; качество на других типах текстов этим показателем не описано. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-SCANDINAVIA-SCANDINAVIA — модель машинного перевода Helsinki-NLP на архитектуре Marian Transformer. Она переводит между датским, фарерским, исландским, норвежским (включая коды no, nb и nn) и шведским языками; для указания целевого языка перед предложением требуется специальный токен вида >>id<<. Модель обучена на данных OPUS, использует нормализацию и SentencePiece и содержит 49,3 млн параметров; максимальная длина контекста — 512 токенов. Доступны веса PyTorch и TensorFlow. В тесте Tatoeba.da.sv указаны BLEU 69,2 и chr-F 0,811. Модель предназначена для перевода предложений между перечисленными скандинавскими языками; качество на других языковых парах и длинных текстах этими данными не подтверждено. Лицензия — Apache 2.0.

Helsinki-NLP/opus-mt-sq-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с албанского языка на английский и основана на архитектуре Transformer-align с предварительной нормализацией и токенизацией SentencePiece. Модель содержит 55,5 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Модель предназначена для перевода отдельных фраз и текстов с албанского на английский; в README приведён результат BLEU 58,4 на тестовом наборе Tatoeba.sq.en. Распространяется по лицензии Apache-2.0. Оценка на одном тестовом наборе не гарантирует такого же качества на текстах других жанров и предметных областей.

Helsinki-NLP/opus-mt-sv-ZH — модель машинного перевода на архитектуре MarianMT, разработанная Helsinki-NLP для перевода со шведского языка на китайский. Она использует архитектуру Transformer и SentencePiece; размер составляет 56,9 млн параметров, максимальная длина контекста — 512 токенов. Для выбора варианта китайского языка перед текстом требуется указать целевой языковой токен вида >>id<<. Модель обучена на данных OPUS; в карточке приведены результаты на тесте bible-uedin.sv.zh: BLEU 24,2 и chr-F 0,342. Доступны веса PyTorch и TensorFlow. Лицензия Apache-2.0.

Helsinki-NLP/opus-mt-tc-bible-big-deu_eng_fra_por_spa-itc — модель машинного перевода проекта OPUS-MT, разработанная Language Technology Research Group Хельсинкского университета. Это крупная версия архитектуры Marian Transformer, обученная переводить с немецкого, английского, французского, португальского и испанского на набор италийских языков и их разновидностей, включая итальянский, каталонский, галисийский, окситанский, латинский, романшский и сардинский. Для выбора целевого языка используются специальные метки, например `>>ita>` для итальянского. Модель содержит 147,2 млн параметров, принимает текст и поддерживает контекст до 1024 токенов. Она предназначена для перевода текстов между указанными исходными языками и целевыми языками; данные обучения взяты из OPUS. Модель распространяется в форматах PyTorch и Safetensors и доступна по лицензии Apache-2.0. Качество и полнота перевода могут различаться между языковыми парами, особенно для малоресурсных языков; целевые метки и список поддерживаемых языков следует учитывать при использовании. Карточка не приводит количественных оценок качества.

Helsinki-NLP/opus-mt-tc-bible-big-zhx-en — модель машинного перевода проекта OPUS-MT, разработанная Language Technology Research Group Хельсинкского университета. Она переводит текст с китайских языков cjy, cmn, hsn, wuu и yue на английский язык; обучение проводилось на данных OPUS, включая корпус библейских текстов. Модель построена на архитектуре Marian Transformer-big и содержит 160,7 млн параметров. Она принимает и выдаёт текст, использует токенизацию SentencePiece и поддерживает контекст длиной до 1024 токенов. В карточке приведены результаты тестирования на наборе Tatoeba для направления multi-eng: BLEU 34,7 и chr-F 0,53317. Модель подходит для перевода фраз и предложений с указанных разновидностей китайского языка на английский. Обучающие данные могут содержать оскорбительные материалы и стереотипы. Лицензия — Apache-2.0.

Ttimms/Ornith-1.5-35B-A3B-REAP-50-bf16 — версия Ornith-1.5-35B-A3B, обрезанная методом REAP на 50% и сохранённая в формате bf16. Это исходный чекпойнт для сборок NVFP4 и GGUF; автор предлагает использовать его для создания собственных вариантов квантования. Модель основана на семействе Qwen 3.5 MoE и предназначена для генерации текста в диалоговом режиме. Репозиторий содержит веса safetensors и рассчитан на использование с Transformers. Лицензия — MIT. Карточка также отмечает поддержку английского языка и возможности чата. Размер исходной модели указан в её базовом идентификаторе как 35B-A3B, но отдельные характеристики контекста и качество после обрезки в карточке не описаны.

Это экспериментальный чекпойнт Immich на базе LED-base для суммаризации диалогов и совещаний. Модель обучена на подходящем подмножестве корпуса AMI Meeting Corpus с seed 42; вариант baseline рассчитан на обработку полной записи совещания либо на иерархический конвейер сегментации, извлечения и генерации. Архитектура — LED для генерации последовательностей, размер — 95,2 млн параметров; веса представлены в safetensors. Использовать модель можно через Transformers как seq2seq-модель. Модель подходит для создания кратких итогов совещаний и диалогов на материале AMI. В карточке не подтверждены языки, длина контекста и сравнительное качество, поэтому их нельзя надежно охарактеризовать. Лицензия — MIT.

Q2.5-32B-Slush — экспериментальная текстовая модель для диалогов и ролевой игры, созданная crestf411 на базе Qwen2.5-32B-Instruct. По описанию автора, обучение проходило в два этапа: продолжение предварительного обучения с целью усилить творческие и писательские способности, затем дообучение для ролевых сценариев и исправления возможных побочных эффектов первого этапа. Итоговые веса объединены методом TIES. Модель имеет архитектуру Qwen2 dense с 32 млрд параметров, работает через Transformers и поддерживает контекст до 131 072 токенов. Карточка ориентирует её на формат ChatML и пресет Silly Tavern; модель рассчитана на генерацию художественного текста и ролевые диалоги. Лицензия в предоставленных данных не указана.

Quantum-Citrus-9B — объединённая языковая модель ABX-AI на архитектуре Mistral с 8,9 млрд параметров и контекстом до 32 768 токенов. Она создана методом passthrough merge из ABX-AI/Cerebral-Infinity-7B и ABX-AI/Starfinite-Laymospice-v2-7B; в README также упоминаются более ранние слияния Starling, Cerebrum, LemonadeRP, InfinityRP и базовая Layla v0.1. Модель предназначена для вымышленного повествования и ролевых диалогов. Она генерирует текст и описана автором как эксперимент по созданию более развитой и неограниченной модели. README предупреждает, что её контент подходит не для всех аудиторий. Модель распространяется в формате safetensors; в README также упомянуты варианты GGUF, IQ и Imatrix. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели и у исходных моделей слияния.

SeongryongJung/Qwen3-4B-ToolUse-SDPO-TR — экспериментальный чекпойнт Qwen3-4B, дообученный для использования инструментов методом SDPO-TR. В репозитории размещён лучший чекпойнт по валидационной метрике mean@16 на шаге 10, а финальный чекпойнт на шаге 100 доступен в checkpoints/last/. Обучение проводилось с размером батча 32. Модель относится к плотной архитектуре Qwen3ForCausalLM и содержит около 3,7 млрд параметров. Она принимает текст и генерирует текст, включая ответы для сценариев вызова инструментов. Контекстное окно — 40 960 токенов. В указанной в README оценке на наборе Tool use лучший чекпойнт показал mean@16 60,39%, финальный — 53,68%. Для загрузки автор приводит пример с Transformers и AutoModelForCausalLM. Лицензия — Apache-2.0. Результаты приведены для конкретной валидационной оценки; README не сообщает языковой состав набора данных или сравнительные результаты с базовой моделью.

Qwen3.5-0.8B Text — текстовая версия модели Qwen/Qwen3.5-0.8B, подготовленная YVEX в формате GGUF. Артефакт сохраняет значения и точность выбранных исходных текстовых тензоров BF16 и F32, меняя контейнер, имена тензоров и метаданные исполнения. Веса зрения и MTP исключены; это не низкобитная квантизация и не полный мультимодальный пакет исходной модели. Размер файла — около 1,53 ГБ. Модель предназначена для генерации текста, включая продолжение фрагментов и кода. README сообщает о проверке ограниченного выполнения на macOS arm64 с CPU: два сырых текстовых запроса дали по восемь токенов, совпавших с независимым эталоном Transformers при той же точности весов. Эти проверки не являются оценкой качества. Использование рассчитано на YVEX с совместимой привязкой времени выполнения; совместимость с llama.cpp и другими потребителями GGUF не гарантируется. Диалоговый режим и шаблоны чата не квалифицированы, лицензия Apache-2.0 требует сохранять лицензию и применимые уведомления, указывать исходную модель Qwen и раскрывать изменения.

mlx-community/Qwen3.5-2B-6bit — модель, преобразованная в формат MLX из Qwen/Qwen3.5-2B с использованием mlx-vlm версии 0.3.12. Разработчиком исходной модели является Qwen; конкретные сведения о команде или организации-разработчике в предоставленной карточке не уточняются. Модель предназначена для мультимодальных задач, связанных с обработкой изображений и текста, включая генерацию текстового описания изображения. Она совместима с библиотекой mlx-vlm и ориентирована на запуск в экосистеме MLX. В карточке указано, что это 6-битная версия модели объёмом 2B параметров, однако архитектура, поддерживаемые языки, размер контекста и полный перечень возможностей не описаны. Сильной стороной модели является адаптация к формату MLX и поддержка сценариев image-text-to-text. Ограничения по качеству, производительности, используемым модальностям и применению в конкретных языках из предоставленных данных определить нельзя. Модель распространяется по лицензии Apache-2.0.

dfischermittwald/Qwen3.8-27B-NVFP4-DFlash2 — квантованная mixed-precision версия модели Qwen/Qwen3.8-27B, предназначенная для работы в качестве целевой модели при speculative decoding с методом DFlash2. Модель разработана сообществом dfischermittwald на базе Qwen и рассчитана прежде всего на запуск через vLLM на видеокартах NVIDIA Blackwell с архитектурой SM 12.0. Модель занимает около 24 ГБ памяти. Её ключевая особенность — неквантованный слой lm_head, необходимый текущей реализации DFlash2 для выбора кандидатов TopK; остальные компоненты используют NVFP4-квантизацию. В конфигурации с drafter-моделью z-lab/Qwen3.8-27B-DFlash2 она показала до 109,7 токена в секунду при контексте 2048 и 110,8 токена в секунду при контексте 32768 на RTX PRO 6000 Blackwell Server Edition при TP=1. Без drafter скорость составляет около 50 токенов в секунду. Модель предназначена для генерации текста и сценариев, где важна высокая скорость декодирования, особенно при длинном контексте. Ограничения существенны: DFlash2 требует специальной сборки vLLM с двумя ещё не вошедшими в релизы pull request, стандартный vLLM не поддерживает этот режим, а параметр async scheduling несовместим с методом dflash. Результаты измерены только на одном узле и одной видеокарте; поддержка нескольких узлов и TP>1 не проверялась. Для работы DFlash2 требуется отдельная drafter-модель. Лицензия — Apache-2.0.

cfigueiroa/Qwen3.8-27B-RVN-MTP — объединённая модель на основе Qwen3.8-27B и trohrbaugh/Qwen3.8-27B-heretic-ara. Это мультимодальная плотная модель семейства Qwen с архитектурой Qwen3_5ForConditionalGeneration, предназначенная для диалогов и анализа изображений; метаданные указывают на поддержку задач image-text-to-text. Веса опубликованы в формате safetensors и имеют точность BF16. В README описаны два дополнительных прохода ARA и восстановленные вспомогательные тензоры MTP. Модель подойдёт для визуальных вопросов и диалога с изображениями. README приводит снижение показателя отказов heretic с 70/100 у исходной модели до 48/100 после второго прохода ARA, а также KL 0,0058 относительно Qwen. Эти результаты относятся к указанным в карточке сравнениям. README предупреждает, что mmproj из этого чекпойнта не работает из-за image_mean; для GGUF предлагается использовать mmproj из ggml-org/Qwen3.8-27B-GGUF. Лицензия — Apache-2.0.

Qwen3.8-27B-Uncensored-NVFP4 — модифицированная и квантованная версия Qwen3.8-27B, созданная OrcaRouter. Модель представляет собой плотную vision-language-модель на 27 млрд параметров с гибридной архитектурой: 48 слоёв Gated DeltaNet с линейным вниманием и 16 слоёв с полным вниманием. Поддерживаются текстовые и визуальные входы, языки английский и китайский, рассуждения, вызов инструментов и speculative decoding через MTP-голову. Заявленный размер контекста — 262 тысячи токенов. Модель прошла abliteration — удаление направления отказа, связанного с защитным поведением, — поэтому практически не имеет встроенных ограничений безопасности и может выполнять потенциально вредные или незаконные запросы, от которых базовая модель отказалась бы. Она предназначена прежде всего для исследований интерпретируемости, AI safety, red teaming, анализа механизмов отказа и контролируемых экспериментов, а не для непосредственного использования конечными пользователями или в производственных системах без собственных фильтров и механизмов защиты. Для снижения требований к памяти применена динамическая смешанная квантизация: основные FFN-слои используют 4-битный NVFP4, чувствительные к точности компоненты, часть FFN-слоёв и KV-кэш — FP8. Формат распространения — safetensors с шардированием; общий объём указан как 23,4 ГБ. Такая схема ориентирована на запуск на GPU с поддержкой Blackwell FP4 и должна лучше сохранять точность, чем равномерная W4A4-квантизация, однако квантизация и удаление защитного выравнивания могут влиять на качество и надёжность ответов. Модель распространяется по лицензии Apache 2.0; ответственность за применение, безопасность и соблюдение законодательства возлагается на пользователя.

AlexHeyman/Qwen3-8B-DeepMath-103K — дообученная Alex Heyman модель Qwen3-8B для генерации текста в диалоговом формате. В карточке указано обучение с использованием TRL; название модели указывает на направленность на математические задачи, но README не приводит описание обучающих данных или результатов, поэтому специализация на математике не подтверждена напрямую. Модель имеет плотную архитектуру Qwen3 и 7,6 млрд параметров, работает через Transformers и принимает запросы в формате чата. Длина контекста — 40 960 токенов. Метаданные и README указывают задачу text-generation; лицензия и перечень поддерживаемых языков для этой версии в предоставленных источниках не приведены.

Qwen3-The-Xiaolong-Omega-Directive-22B-uncensored-abliterated-GGUF — текстовая генеративная модель объёмом 22B параметров, разработанная DavidAU. Она представляет собой 62-слойное объединение моделей The-Omega-Directive-Qwen3-14B-v1.1 от ReadyArt и Xiaolong-Qwen3-14B от nbeerbower на базе Qwen3. Модель распространяется в формате GGUF и поддерживает режим рассуждений, который можно включать или отключать. Модель предназначена прежде всего для творческого письма: создания и продолжения сюжетов, сцен и подсюжетов, генерации художественной прозы, ролевых сценариев и текстов в жанрах science fiction, horror, romance и других. Заявлена поддержка английского, французского, китайского и немецкого языков. Контекстное окно указано как 40 000 токенов; для практического использования рекомендуется не менее 8 000 токенов. Модель ориентирована на генерацию vivid prose, включая интенсивные описания, насилие, ненормативную лексику и контент для взрослой аудитории. К сильным сторонам относятся крупный размер, развитые возможности рассуждений, специализация на выразительной художественной генерации и отсутствие типичных отказов для заявленных uncensored-сценариев. При этом для получения особенно откровенного, грубого или графичного результата иногда требуется явно задавать нужную стилистику и лексику. Известны эпизодические вставки китайских токенов при генерации на других языках, а при высокой температуре могут возникать проблемы с выводом результата после рассуждений. Для работы требуются шаблон ChatML или корректный Jinja-шаблон и настройка параметров сэмплирования. Модель распространяется по лицензии Apache-2.0.

Модель while725/qwen_finetune_16bit_action_260320 — дообученная версия мультимодальной Qwen3.5-35B-A3B от Alibaba, подготовленная с помощью Unsloth и библиотеки TRL от Hugging Face. Она предназначена для диалоговых задач с текстом и изображениями, включая анализ изображений и ответы на вопросы по ним; интерфейс также поддерживает вызов инструментов. В основе лежит архитектура Qwen3.5 MoE с условной генерацией. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не описывает конкретные данные и цель дообучения, поэтому специализацию сверх возможностей базовой модели установить нельзя.

Ourse/R4L-Math-v0.1 — языковая модель для генерации текста, созданная слиянием SLERP моделей Qwen/Qwen2.5-Math-1.5B и Ourse/R4L-v0.1 с помощью mergekit. Это плотная авторегрессионная архитектура Qwen2 с 1,5 млрд параметров; модель работает через Transformers, использует формат safetensors и поддерживает контекст до 4096 токенов. Модель предназначена для диалоговой генерации текста и решения математических задач. В описании базовой модели указаны английский и китайский языки; метаданные также отмечают интерфейс вызова инструментов, но README не уточняет сценарии его применения. Лицензия в предоставленных данных не указана.

rubai-corrector-transcript-uz — модель Сардора Исломова и Даврона Иброхимова для нормализации текста после распознавания речи. Она построена на архитектуре ByT5 и дообучена на базе rubai-corrector-base, которая основана на google/byt5-small. Модель принимает текст с префиксом «correct: » и преобразует построчные результаты ASR в текст, удобный для чтения. Модель расставляет пунктуацию и прописные буквы, нормализует апострофы, исправляет отдельные ошибки ASR и OCR, восстанавливает русский текст, записанный латиницей, и обрабатывает смешанные узбекско-русские строки. Также она поддерживает отдельные шаблоны преобразования чисел. Предназначена прежде всего для результатов моделей islomov/rubaistt_v2_medium и Kotib/uzbek_stt_v1. Репозиторий содержит веса в формате safetensors, модель насчитывает 364,6 млн параметров. Сведения о лицензии и длине контекста отсутствуют в предоставленных данных. Модель лучше подходит для подготовки отображаемых транскриптов, чем для точного сохранения исходной расшифровки без правок: она может добавлять финальную точку, даже если в исходном тексте её не было. Она не оптимизирована для агрессивной денормализации или некоторых смешанных скриптовых форматов. Условия лицензии по имеющимся данным определить нельзя.

Shivik-2B-Reasoning-SAFE — языковая модель для генерации текста с акцентом на пошаговые рассуждения и Chain-of-Thought. Модель опубликована navflyer и дообучена на базе Qwen/Qwen2.5-1.5B на наборах данных с примерами рассуждений. В README указан размер 2,67 млрд параметров, а в метаданных — 2,2 млрд; архитектура обозначена как плотная LlamaForCausalLM семейства Llama. Модель принимает текст и генерирует текст; в карточке заявлена поддержка формата рассуждений с тегами <think>. Модель подходит для ответов на вопросы и задач, где полезно показать ход решения, например для пошаговых математических объяснений. Метаданные указывают контекст до 131 072 токенов, английский язык и лицензию Apache-2.0. Карточка не приводит результатов оценки качества, поэтому пригодность для конкретных задач стоит проверять отдельно.

SmolLM-1.7B-Instruct — компактная языковая модель HuggingFaceTB с 1,7 млрд параметров, созданная дообучением SmolLM-1.7B. Это плотная авторегрессионная модель семейства Llama, рассчитанная на генерацию текста и диалоговое взаимодействие. Карточка описывает версию v0.2, дообученную на наборах разговоров, инструкций и программирования; также доступна предыдущая версия v0.1. Модель предназначена для локальных приложений и ответов на стандартные запросы, творческого письма, общих вопросов и базового программирования на Python. Контекст составляет 2048 токенов. Модель ориентирована на английский язык; веса доступны в форматах Safetensors и ONNX, лицензия — Apache-2.0. Ограничения включают возможные фактические ошибки, логические несоответствия и смещения, а также слабые результаты в арифметике, редактировании текста и сложных рассуждениях. Модель может испытывать трудности с задачами за пределами английского языка; её ответы следует проверять.