I.5Создание и редактирование текста

Windstorm Labs публикует MarianMT-модель для машинного перевода с английского языка на ток-писин. Это дообученная версия Helsinki-NLP/opus-mt-en-tpi: LoRA-адаптер обучили на параллельных данных и объединили с базовыми весами. Модель содержит 50,4 млн параметров, использует архитектуру Marian и доступна в формате safetensors для Transformers; максимальная длина контекста — 512 токенов. Модель подходит для перевода коротких текстов и фраз с английского на ток-писин. В скрининговой оценке на 48 предложениях FLORES-200 она получила chrF++ 35,47 и BLEU 12,41; авторы относят результат к уровню Usable. Модель не предназначена для обратного перевода: доступно только направление en→tpi. Качество оценки ограничено небольшим набором предложений. Лицензия — Apache-2.0.

WindyTranslate/translate-fi-bg — модель машинного перевода, опубликованная Windstorm Labs и основанная на Helsinki-NLP/opus-mt-fi-bg. Это дообученная версия архитектуры MarianMT: LoRA-дообучение на параллельных данных объединено с базовыми весами. Модель содержит 55,9 млн параметров, принимает текст на финском языке и переводит его на болгарский; максимальная длина контекста — 512 токенов. Модель рассчитана на перевод с финского на болгарский. В проверке на 48 предложениях FLORES-200 dev она получила chrF++ 44,13 и BLEU 18,24; авторы характеризуют результат как пригодный для использования, но указывают, что это предварительная оценка, а не публикационный результат. Поддерживается только направление fi→bg. Модель распространяется в формате safetensors и доступна по лицензии Apache-2.0.

WindyTranslate/translate-fi-lv — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-fi-lv: LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель использует архитектуру MarianMT, содержит 55,6 млн параметров и принимает текст на финском языке, выдавая перевод на латышский. Для работы предназначен Transformers; в репозитории веса в формате safetensors, максимальная длина контекста — 512 токенов. Модель рассчитана на перевод в одном направлении — с финского на латышский. Качество перевода не проверено бенчмарками, поэтому его следует оценивать на целевых данных. Лицензия — Apache-2.0.

WindyTranslate/translate-fiu-en — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная и объединённая с базовыми весами версия Helsinki-NLP/opus-mt-fiu-en на архитектуре Marian; в репозитории находятся веса в формате safetensors, а размер модели составляет 55,3 млн параметров. Модель переводит с финно-угорских языков на английский, используя текстовый ввод и выдавая текстовый перевод. Максимальная длина контекста — 512 токенов. Модель предназначена для перевода текстов в направлении fiu → en. Её веса изменены с помощью LoRA-дообучения на параллельном корпусе и слиты с базовой моделью. Качество этой версии ещё не оценивалось бенчмарками, поэтому точность перевода не подтверждена. Поддерживается только указанное направление перевода. Лицензия — Apache-2.0.

gshields/translate_model_error_v0.3 — дообученная модель MarianMT на основе Helsinki-NLP/opus-mt-en-hi для перевода текста с английского языка на хинди. Модель содержит 56,9 млн параметров, использует PyTorch и рассчитана на контекст до 512 токенов. В README указаны результаты оценки: BLEU 26,63 и loss 3,0375. Данные обучения и подробности о предполагаемых сценариях применения не раскрыты. Модель распространяется по лицензии Apache-2.0.

Tweeties/tweety-tatar-hydra-mt-7b-v24a — многоязычная языковая модель Hydra для перевода на татарский язык, разработанная Франсуа Реми (UGent), Альфией Хабибуллиной (BeCode) и коллегами при поддержке IDLab / GPULab. Модель получена дообучением Unbabel/TowerInstruct-7B-v0.1 через Hydra-Base; архитектура в метаданных обозначена как LlamaHydraForCausalLM, число параметров — 6,6 млрд, формат весов — safetensors, контекст — 4096 токенов. Модель принимает текст на поддерживаемых языках TowerInstruct и генерирует перевод на татарский. Она рассчитана на перевод предложений и небольших абзацев, в том числе при смешении языков во входе; авторы также указывают сценарии межъязыкового RAG. В качестве исходных языков названы десять языков TowerInstruct, включая английский и русский. Для перевода рекомендуется beam search. Модель не предназначена для перевода больших документов и не рекомендуется для перевода с татарского на английский. Для работы требуется формировать запросы, смешивая токены исходного токенизатора TowerInstruct и нового татарского токенизатора. Лицензия — Creative Commons Attribution-NonCommercial 4.0, поэтому коммерческое использование не разрешено.

wanabi-24B — это японская языковая модель на 24 млрд параметров, дообученная для поддержки написания художественной прозы. Она основана на mistralai/Mistral-Small-24B-Base-2501 и предназначена для генерации текста романов, продолжения заданного фрагмента с учётом контекста и создания идей для произведений. Модель принимает инструкции и текстовые материалы: можно передать название, жанр, ключевые слова, синопсис, сеттинг, план или авторскую заметку с указанием ближайшего развития сцены. Она также поддерживает настройку рейтинга контента и желаемой доли диалогов. Обучение выполнено методом SFT с QLoRA; опубликованные веса доступны в GGUF с несколькими вариантами квантования. README указывает длину последовательности обучения 32 768 токенов, но не подтверждает такой же контекст при генерации. Модель разработана для японского языка и обучалась на связанных с романами текстах. Карточка называет её находящейся в разработке; возможны нестабильность и перекосы в сторону жанров и выражений обучающих данных. Для удобного использования автор рекомендует приложение Project Wannabe. Лицензия — Apache-2.0.

YankaGPT-8B-v0.1 — русскоязычная языковая модель для ролевого общения и творческого письма, созданная автором secretmoon дообучением YandexGPT-5-Lite-8B-pretrain. Это плотная autoregressive-модель семейства Llama с 7,5 млрд параметров; она поддерживает генерацию текста и чат, а заявленная длина контекста составляет 32 768 токенов. Модель рассчитана на ролевые диалоги, творческие эксперименты и создание оригинального контента на русском языке. Системные инструкции и карточки персонажей автор рекомендует задавать на английском. В карточке указано, что обучение проводилось на датасете объёмом около 210 МБ с переводами ролевых диалогов, а RLHF и DPO для этой версии не применялись. Автор характеризует модель как экспериментальную: качество может быть нестабильным, безопасность не изучалась. Лицензия обозначена как other; карточка напоминает пользователю об ответственности за действия модели.

jnalv/you-are-a-bug-llama-3.2-3B — дообученная разговорная модель на базе Llama 3.2 3B Instruct. В карточке указано обучение с TRL; адаптер предназначен для генерации ответов в формате диалога и запускается через конвейер text-generation. В репозитории представлены файлы SafeTensors и GGUF F16. Базовая модель — unsloth/llama-3.2-3b-instruct-unsloth-bnb-4bit. Сведения о специализации дообучения, поддерживаемых языках и длине контекста не приведены. Лицензия в доступных данных не указана.

AfriNLLB-12enc-12dec-full-ft-kd — модель машинного перевода из серии AfriNLLB, разработанной для африканских языков. Это дообученная на данных AfriNLLB-train и AfriNLLB-train-distilled версия facebook/nllb-200-distilled-600M; при обучении также применялась дистилляция на синтетических переводах, созданных более крупной моделью NLLB-200 3.3B. Модель не подвергалась прореживанию и содержит около 463,7 млн параметров. Архитектура M2M100ForConditionalGeneration включает 12 слоёв кодировщика и 12 слоёв декодировщика. Модель поддерживает 15 языковых пар и 30 направлений перевода, включая переводы между английским и африканскими языками, а также между французским и лингала или волоф. Среди языков — суахили, хауса, йоруба, амхарский, сомали, зулу, лингала, африкаанс, волоф, египетский арабский, арабский, французский, португальский и испанский. Контекст составляет до 1024 токенов. Модель предназначена для перевода предложений и показала улучшение метрик качества относительно базовой NLLB-200 600M на приведённых в карточке тестах. Доступны веса в safetensors; для инференса карточка рекомендует CTranslate2, а Transformers подходит также для дообучения. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

imperialwool/ai-dungeon-large-en — англоязычная модель генерации текста на архитектуре GPT-2, представленная в форматах PyTorch и Safetensors. Карточка сообщает, что модель хорошо работает только на английском языке; она предназначена для генерации продолжений текста и может применяться для интерактивных текстовых приключений в стиле AI Dungeon. Модель принимает текст и генерирует текст. Её контекстное окно составляет 1024 токена. Модель опубликована под лицензией MIT. Сведений о числе параметров и конкретном способе обучения в карточке нет.

Модель sappho192/aihub-ja-ko-translator предназначена для перевода с японского языка на корейский. Она построена на архитектуре EncoderDecoderModel и объединяет bert-japanese в роли энкодера с kogpt2 в роли декодера. Модель обучена на объединённых параллельных корпусах AI-Hub, включающих повседневную и разговорную речь, а также материалы по технике и науке, гуманитарным дисциплинам и общему переводу. Для запуска README перечисляет PyTorch, Transformers, fugashi и unidic-lite; в репозитории также представлены форматы ONNX и safetensors. Указана лицензия MIT. Для использования исходных данных AI-Hub за пределами Южной Кореи, включая их экспорт, может потребоваться отдельное соглашение с организациями, управляющими данными.

Bangla Resume Summarizer — BanglaT5 — это модель для абстрактивного суммирования разделов резюме на бенгальском языке, разработанная в рамках дипломного проекта Onneshon в Bangladesh University of Professionals. Она дообучена на базе csebuetnlp/banglat5 и использует архитектуру T5 encoder-decoder с 123,8 млн параметров. Модель принимает текст одного раздела резюме — цели, опыта работы, образования или навыков — и формирует связное резюме на бенгальском языке длиной примерно 2–3 предложения. В README рекомендовано подавать 2–6 предложений за раз, разделяя их знаком ।. Модель лицензирована по MIT. Обучение проводилось на небольшом наборе из 317 пар суммирования; набор Onneshon включает 100 резюме более чем из 20 профессий. Для необычных профессий результат может быть слишком общим, работа с другими типами документов не проверялась. Входы длиннее 512 токенов будут обрезаны.

Davlan/bert-base-multilingual-cased-finetuned-luganda — модель BERT для языка луганда, созданная дообучением bert-base-multilingual-cased на текстах на луганда. Она предназначена для предсказания замаскированных токенов; автор также сообщает о лучшем сравнительном качестве исходной многоязычной модели на наборах для классификации текста и распознавания именованных сущностей. Модель содержит 205,1 млн параметров, использует архитектуру BertForMaskedLM и принимает текст с контекстом до 512 токенов. При дообучении использовались JW300, BUKKEDDE и Luganda CC-100. На тестовом наборе MasakhaNER средний F1 за пять запусков составил 84,70 против 80,36 у mBERT. Результаты относятся к указанным данным и задачам: обучающая выборка для распознавания сущностей состояла из новостных статей с разметкой сущностей за ограниченный период, поэтому перенос на другие области может быть слабее. В карточке лицензия не приведена.

raptorkwok/cantonese-chinese-translation — модель на базе BART, дообученная на параллельном корпусе raptorkwok/cantonese-traditional-chinese-parallel-corpus для перевода между кантонским и традиционным китайским. Модель содержит 96 млн параметров, принимает текст с контекстом до 1024 токенов и доступна в форматах PyTorch и safetensors. В README приведены результаты на оценочном наборе: BLEU 62,1085, chrF 60,1854, loss 0,2258 и средняя длина генерации 12,8755. Эти показатели относятся к указанному набору оценки и сами по себе не гарантируют качество на других данных. Модель подходит для преобразования кантонского текста в традиционный китайский и обратно; карточка не описывает подробности использования или ограничения. Лицензия в предоставленных данных не указана.

Claire-7B-Apache-0.1 — авторегрессионная языковая модель с причинным декодером на 7 млрд параметров, разработанная LINAGORA и OpenLLM-France на основе Falcon-7B. Она дообучена на французских диалоговых данных и предназначена для продолжения диалогов, а также как основа для дальнейшей настройки под генерацию диалогов и их понимание. Модель обучалась на стенограммах парламентских заседаний, встреч и театральных текстах. Она принимает текстовые подсказки в формате монолога или реплик нескольких участников и генерирует текстовые продолжения. Максимальная длина обучающих примеров составляла 2048 токенов. Модель ориентирована на французский язык; поддержка других языков не подтверждена и может быть ограниченной. Обучение на разговорной речи помогает воспроизводить особенности диалогов, но модель может генерировать речевые сбои и другие характерные для устной речи конструкции. Лицензия — Apache 2.0.

Карточка модели Serkan007/CTranslate2-nllb-200-int8 на Hugging Face совпадает с карточкой facebook/nllb-200-distilled-600M, поэтому описание составлено по ней. NLLB-200 distilled 600M — модель машинного перевода, разработанная командой NLLB. Это версия архитектуры M2M-100 с 463,7 млн параметров, доступная в формате PyTorch. Модель предназначена для перевода отдельных предложений между 200 языками, в том числе языками с ограниченными обучающими данными; контекст составляет до 1024 токенов, хотя при обучении использовались последовательности не длиннее 512 токенов. Модель подходит для исследовательских задач машинного перевода и переводов общетематических текстов. Она оценивалась на FLORES-200 с метриками BLEU, spBLEU и chrF++, а также с человеческой оценкой. Карточка указывает на ограниченную проверку за пределами домена Wikimedia и предупреждает о возможных ошибках перевода. Модель не предназначена для производственного развертывания, специализированных медицинских и юридических текстов, перевода документов или сертифицированных переводов. Лицензия — CC-BY-NC-4.0.

DanskBERT — базовая языковая модель для датского языка, разработанная на основе конфигурации RoBERTa-base. Она обучена на корпусе Danish Gigaword Corpus с помощью fairseq. Архитектура модели — XLM-RoBERTa для masked language modeling; размер составляет 151,7 млн параметров, контекст — до 514 токенов. Модель предназначена для подстановки пропущенных токенов в датском тексте и как базовый чекпойнт для задач обработки датского языка. В README указано, что она показала лучший результат среди моделей базового размера на датском сегменте бенчмарка ScandEval. При прямом использовании маски не следует ставить перед ней пробел. Лицензия — CC BY 4.0.

Darkest-muse-v1-GGUF — квантизированные версии текстовой генеративной модели Darkest-muse-v1, разработанной sam-paech и опубликованные в формате GGUF пользователем bartowski. Модель предназначена прежде всего для творческого письма: генерации художественных текстов в жанрах fantasy, science fiction, romance, adventure и general fiction. В обучении или дообучении использовался датасет sam-paech/gutenberg3-generalfiction-scifi-fantasy-romance-adventure-dpo. Модель относится к семейству Gemma 2, работает с текстом и запускается через llama.cpp и совместимые приложения, включая LM Studio. Доступны варианты от F16 размером 18,49 ГБ до низкобитных Q2 и Q3, а также высококачественные Q4–Q8-квантизации; рекомендуемыми в README названы, в частности, Q4_K_M, Q5 и Q6. Квантизация выполнена с использованием imatrix. Точные число параметров, поддерживаемые языки и размер контекстного окна в предоставленных данных не указаны. Сильной стороной модели является специализация на художественной генерации и широкий выбор квантизаций для разного объёма оперативной памяти и требований к качеству. Ограничение — отсутствие поддержки system prompt; формат запроса должен соответствовать указанному шаблону Gemma 2. Модель распространяется по лицензии Apache-2.0.

DatedGPT-2013-Instruct — англоязычная инструктивная чат-модель из семейства DatedGPT, разработанная для ответов и предсказаний с учётом состояния знаний на 2013 год. Она предназначена для сценариев, где важно исключить заглядывание в будущее, например для анализа данных и прогнозирования с временной отсечкой. Модель использует плотную архитектуру LlamaForCausalLM и содержит около 1,3 млрд параметров. Она принимает текстовые инструкции и диалоговые запросы, выдаёт текст; контекст составляет 2048 токенов. Это instruction-tuned вариант, а базовая предварительно обученная модель — datedgpt/datedgpt-2013-base. Знания модели ограничены данными, доступными до 2013 года. В README отмечено отсутствие RLHF и настройки безопасности, поэтому ответы могут быть уверенными, но ошибочными. Условия лицензии в предоставленных данных не указаны.

Narrativa/distilroberta-finetuned-stereotype-detection — дообученная модель на базе distilroberta-base для классификации текста с целью выявления стереотипов. Архитектура — RoBERTa для классификации последовательностей; размер составляет 95,2 млн параметров, контекст — до 514 токенов. В карточке указаны результаты оценки: accuracy 0,9892 и loss 0,0651. Модель принимает текст и выдаёт метку классификации. Она может применяться для автоматического выявления стереотипных формулировок в текстах и анализа гендерных предубеждений. Обучающий датасет и подробности о схеме меток не описаны, поэтому результаты оценки не позволяют судить о качестве на других доменах. Лицензия — Apache-2.0.

lomahony/eleuther-pythia2.8b-hh-sft — языковая модель, созданная дообучением Pythia-2.8b на наборе Anthropic/hh-rlhf в течение одной эпохи. Она предназначена для генерации текста и диалоговых ответов в стиле обучающих примеров. Модель использует плотную архитектуру GPT-NeoX и содержит 3,5 млрд параметров; максимальный контекст — 2048 токенов. В карточке указан английский язык и формат PyTorch. Модель подойдёт для экспериментов с диалоговыми языковыми моделями, генерации ответов и оценки поведения на задачах, связанных с предпочтениями и полезностью ответов. В репозитории приведены результаты оценки с помощью lm-evaluation-harness. Модель распространяется по лицензии Apache-2.0.

Falcon-H1-Tiny-Tool-Calling-90M — компактная авторегрессионная языковая модель семейства Falcon-H1 от TII. Она предназначена для диалоговой генерации текста и сценариев вызова инструментов. Архитектура сочетает Transformer и Mamba; в метаданных указано 60,8 млн параметров, а в README — 90 млн. Модель рассчитана на английский язык и имеет заявленное контекстное окно 262 144 токена. Модель доступна для запуска через Transformers и другие среды инференса, включая vLLM, SGLang, llama.cpp, Ollama и MLX. В карточке указана лицензия Falcon-LLM License. README не приводит результаты оценки или подробности обучения, поэтому качество вызова инструментов и пригодность для конкретных задач по этим данным оценить нельзя.

Fireball-MathMistral-Nemo-Base-2407 — языковая модель EpistemeAI для генерации текста с улучшенной поддержкой математических задач. Она дообучена методом supervised fine-tuning на MetaMathQA на основе unsloth/Mistral-Nemo-Base-2407-bnb-4bit с использованием Unsloth и TRL. Модель построена на плотной архитектуре Mistral с 12,1 млрд параметров; README указывает контекст 128 тыс. токенов, а метаданные каталога — 1 024 000 токенов. Для генерации текста принимает текстовые запросы и выдаёт текст; в карточке отмечена поддержка английского языка, а базовая Mistral Nemo обучалась на многоязычных данных. Модель подходит для решения и объяснения математических задач в диалоговом формате, а также для общей генерации текста. Выпущена под лицензией Apache 2.0. Карточка предупреждает, что базовая модель не имеет механизмов модерации; качество ответов может зависеть от формулировки задачи и параметров генерации.

Gemma-2-9B-It-SPPO-Iter1 — разговорная языковая модель, разработанная командой UCLA-AGI методом Self-Play Preference Optimization на основе google/gemma-2-9b-it. Модель дообучена на синтетических ответах с использованием частей наборов промптов UltraFeedback и предназначена для генерации диалоговых ответов и выравнивания поведения по предпочтениям. Модель имеет плотную архитектуру Gemma 2 с 9 млрд параметров, принимает текст и генерирует текст; максимальный контекст составляет 8192 токена. Основной язык — английский. В README приведены результаты оценки AlpacaEval для серии итераций SPPO, но показатели для этой версии отдельно не выделены. Модель подходит для исследовательских и прикладных экспериментов с диалоговой генерацией и оптимизацией предпочтений. Репозиторий содержит веса safetensors. Метаданные указывают лицензию Gemma, тогда как README упоминает Apache-2.0; условия лицензирования следует сверять с актуальными файлами репозитория Hugging Face.

ersindemirel94/gemma_4_e4b — дообученная мультимодальная модель семейства Gemma 4, разработанная ersindemirel94 на базе unsloth/gemma-4-e4b-it-unsloth-bnb-4bit. Это плотная модель с архитектурой Gemma4ForConditionalGeneration, предназначенная для диалога и генерации текстовых ответов по текстовым и визуальным входным данным. Модель подходит для чата и сценариев, где нужно задавать вопросы об изображениях или получать текстовое описание визуального содержимого. В карточке указаны формат safetensors и обучение с использованием Unsloth и библиотеки TRL. Поддержка языков обозначена для английского. Лицензия — Apache-2.0. README не приводит результаты оценки качества или подробности обучения, поэтому возможности и качество модели за пределами заявленных чата и работы с изображениями не установлены.

Grok 4.20 — модель для рассуждений, представленная SpaceXAI. В карточке заявлены высокая скорость, вызов инструментов в агентных сценариях, низкий уровень галлюцинаций и точное следование инструкциям. Этих сведений недостаточно, чтобы установить поддерживаемые задачи по входным данным, архитектуру, размер, модальности, языки или длину контекста. Метаданные каталога относят модель к задаче image-text-to-text, однако README не объясняет её работу с изображениями. Дата публикации на Hugging Face — 31 марта 2026 года; сведения о лицензии отсутствуют.

Honyaku-13b — модель генерации текста на архитектуре Llama, разработанная aixsatoshi для перевода с английского на японский. Она создана на основе tokyotech-llm/Swallow-13b-hf, дообученной с контекстом 4K токенов; размер модели — 12,9 млрд параметров. Основной сценарий — перевод связных абзацев, в том числе относительно длинных текстов примерно от 100 до 1–2 тысяч токенов, с учётом контекста и адаптацией стиля. Частично поддерживается перевод с других языков на японский; в README также приведён формат для перевода с японского на английский. Модель рассчитана на перевод целых абзацев, около 500 токенов, и может непредсказуемо отвечать на короткие фразы. Перевод с других языков на японский и обработка длинного контекста могут работать нестабильно при квантовании. Репозиторий содержит веса Safetensors; лицензия — Llama 2.

IceNalyvkaRP-7b — слитая с помощью mergekit и метода SLERP модель для генерации текста на базе Mistral, опубликованная пользователем icefog72. В README указаны две модели-участницы: Ice0.69-25.01-RP и Ice0.68-25.01-RP; метаданные также связывают модель с репозиторием Ice0.68-25.01-RP. Модель предназначена для ролевого общения и генерации текста в формате Alpaca; для работы с настройками и lorebook автор отсылает к отдельным правилам. Модель имеет 7,1 млрд параметров и нативный контекст 32 768 токенов; автор ориентирует на окно 16–25 тысяч токенов и допускает использование до 32 тысяч. Репозиторий содержит веса Safetensors, а в README также упомянуты варианты ExL2 и GGUF. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование. Метаданные помечают модель как NSFW; результаты лидерборда приведены в карточке, но сами по себе не гарантируют качество в конкретных сценариях.

Kanarya-2B — предобученная языковая модель на архитектуре GPT-J, разработанная в рамках инициативы Turkish Data Depository. Она содержит 2,05 млрд параметров и обучена на турецких текстах из OSCAR и mC4, собранных из новостей, статей и веб-сайтов. Архитектура включает 24 слоя, скрытый размер 2560, 20 голов внимания, вращательные позиционные эмбеддинги и словарь из 32 768 токенов; контекст — до 2048 токенов. Модель принимает текст и генерирует текст на турецком языке. Модель предназначена для дообучения под задачи турецкого NLP, включая генерацию, перевод и суммаризацию. Без дообучения автор не рекомендует применять её для конечных задач. Лицензия — Apache-2.0.