I.5Создание и редактирование текста

Helsinki-NLP выпустила OPUS-MT eng-dra — модель машинного перевода на архитектуре Transformer в семействе Marian. Она переводит с английского на тамильский, каннада, малаялам и телугу; перед целевым текстом требуется указать языковой токен в формате >>id<<. Модель содержит 57,4 млн параметров, использует нормализацию и SentencePiece с словарями по 32 тыс. единиц и рассчитана на контекст до 512 токенов. Модель подходит для перевода фраз и текстов с английского на четыре дравидийских языка. В README приведены тестовые оценки BLEU 4,7 для каннада и 13,1 для малаялам, а также агрегированная оценка BLEU 10,7; качество зависит от языка и текста. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-en-mg — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с английского языка на малагасийский. Модель построена на архитектуре Transformer и использует MarianMT; в метаданных указано 53,2 млн параметров и контекст до 512 токенов. Для предобработки применяются нормализация текста и SentencePiece. Модель предназначена для перевода отдельных текстов и фраз с английского на малагасийский. В карточке приведены оценки BLEU 22,3 для GlobalVoices.en.mg и 35,5 для Tatoeba.en.mg. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-en-to — модель машинного перевода на архитектуре Transformer, разработанная проектом OPUS-MT и распространяемая Helsinki-NLP. Она переводит текст с английского языка на тонганский. Модель обучена на данных OPUS; перед обработкой применяются нормализация и токенизация SentencePiece. Модель реализована как MarianMTModel, содержит 54,6 млн параметров и имеет контекстное окно 512 токенов. Для набора JW300.en.to в карточке приведены оценки BLEU 56,3 и chr-F 0,689. Доступны веса PyTorch и TensorFlow; лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-ja-pl — модель машинного перевода, разработанная Helsinki-NLP в рамках проекта OPUS-MT. Она переводит текст с японского на польский; направление перевода одноязычное в смысле фиксированной пары ja→pl. Модель основана на архитектуре Transformer-align и реализована как MarianMTModel; содержит 58,4 млн параметров и рассчитана на контекст до 512 токенов. Для обработки текста применяются нормализация и SentencePiece с сегментаторами spm32k для входного и выходного текста. Модель подходит для перевода японских фраз и документов на польский, включая текст с разными японскими письменностями. В карточке приведён результат BLEU 15,7 на Tatoeba-test.jpn.pol. Распространяется по лицензии Apache-2.0; среди доступных форматов указаны PyTorch и TensorFlow.

OPUS-MT — нейросетевая модель машинного перевода, разработанная группой Language Technology Research Group Хельсинкского университета. Она переводит с ряда италийских языков и их разновидностей на немецкий, английский и нидерландский; целевой язык задаётся специальной меткой. Модель построена на архитектуре MarianMT типа transformer-big и содержит 158,3 млн параметров. Репозиторий предоставляет веса PyTorch и Safetensors для библиотеки Transformers; максимальный контекст — 1024 токена. Модель предназначена для перевода текстов, включая материалы с низкоресурсных языков, в целевые языки. Она обучена на данных проекта OPUS и доступна по лицензии Apache-2.0. В README не приведены оценки качества по отдельным языковым парам, поэтому пригодность для конкретного текста стоит проверять отдельно.

Helsinki-NLP/opus-mt-tc-big-eu-itc — модель машинного перевода проекта OPUS-MT, разработанная группой Language Technology Research Group Хельсинкского университета. Это Marian NMT с архитектурой transformer-big; в репозитории доступны веса PyTorch, Safetensors и TensorFlow, размер модели — 159 млн параметров, максимальная длина контекста — 1024 токена. Модель переводит с баскского языка на италийские языки. В карточке среди целевых языков указаны французский, итальянский и испанский, а метки целевого языка позволяют выбирать из более широкого набора вариантов; пример демонстрирует перевод на французский. Модель подходит для автоматического перевода текстов между поддерживаемыми языковыми вариантами. Обучение основано на данных OPUS; лицензия — CC-BY-4.0. Качество может зависеть от языка, тематики и особенностей исходного текста; карточка не приводит количественных оценок качества.

OPUS-MT-tiny-ell-eng — компактная модель машинного перевода, разработанная Helsinki-NLP. Это дистиллированная student-модель архитектуры Marian с обычным трансформерным декодером; она переводит с греческого языка на английский. Модель насчитывает 14,5 млн параметров, имеет контекст до 256 токенов и обучена на данных Tatoeba с использованием OpusDistillery на основе учителя Tatoeba-MT-models/ell-eng/opusTCv20210807+bt_transformer-big_2022-02-25. Модель подходит для перевода коротких текстов и предложений с греческого на английский, в том числе в компактных приложениях. В README приведены результаты на Flores+ и Bouquet: у student-модели BLEU 29,3 и 38,8 соответственно, ниже показателей учителя. Доступны веса safetensors и TFLite, лицензия — Apache-2.0.

OPUS-MT-tiny-ita-eng — компактная дистиллированная модель машинного перевода от Helsinki-NLP. Она переводит текст с итальянского на английский и основана на учителе OPUS-MT-models/it-en/opus-2019-12-18, обученном на Tatoeba. Модель использует архитектуру Marian с Transformer-декодером, содержит 14,5 млн параметров и рассчитана на контекст до 256 токенов. Модель подходит для перевода коротких фраз и текстов, например сообщений или предложений из пользовательских приложений. В README приведены результаты учителя на Flores+ и Bouquet, но результаты студенческой модели не указаны, поэтому качество именно этой модели по этим тестам оценить нельзя. Доступны форматы safetensors и TFLite. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-zh-vi — модель машинного перевода из семейства OPUS-MT, опубликованная Helsinki-NLP на основе проекта Tatoeba-Challenge. Она переводит текст с китайского на вьетнамский и обратно не предназначена. Архитектура — Marian Transformer; модель содержит 58,4 млн параметров и использует SentencePiece с препроцессингом нормализации. Поддерживается китайский текст, включая упрощённое и традиционное письмо, а также латинскую транслитерацию; целевой язык — вьетнамский. Максимальный контекст составляет 512 токенов. Модель подходит для перевода предложений и коротких текстов с китайского на вьетнамский, например для пользовательских сообщений или материалов общего характера. В карточке приведён результат BLEU 20,0 на наборе Tatoeba-test.zho.vie; качество зависит от тематики и формулировок исходного текста. Модель доступна в форматах PyTorch и TensorFlow по лицензии Apache-2.0.

Модель agentlans/Qwen2.5-1.5B-Instruct-Multiple-Choice-Maker — инструктивно дообученная языковая модель на базе Qwen/Qwen2.5-1.5B-Instruct, разработанная для создания вопросов с выбором ответа по входному тексту. Она формирует результат в XML и предназначена для подготовки учебных материалов, тестов и вопросов для бенчмарков машинного обучения. Модель имеет плотную архитектуру Qwen2ForCausalLM и 1,5 млрд параметров; максимальная длина контекста составляет 32 768 токенов. В карточке указаны английский язык и датасет agentlans/finewebedu-multiple-choice. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. Вопросы и ответы могут требовать ручной проверки на точность, уместность и наличие ровно одного правильного варианта. XML-вывод подробен и может потребовать дополнительной обработки для использования в тестовых системах.

Модель MuhHendri12/qwen2.5-3b-legal-id-grpo разработана MuhHendri12 и представляет собой дообученную методом GRPO чат-модель семейства Qwen2.5. Она основана на MuhHendri12/qwen2.5-3b-legal-id-sft и предназначена для генерации ответов и черновиков юридических текстов на индонезийском языке. Модель имеет плотную архитектуру Qwen2ForCausalLM с 3,1 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит веса Safetensors; модель можно использовать для генерации текста в диалоговом формате. В карточке указана лицензия Apache-2.0.

Rocky131/Qwen2.5-Omni-Thinker-7B — самостоятельная упаковка компонента Thinker из Qwen2.5-Omni. По README, модель предназначена для понимания и рассуждений; метаданные Hugging Face относят её к диалоговым моделям с обработкой изображений и генерацией текста. Репозиторий использует архитектуру Qwen2.5 Omni Thinker и формат safetensors, а для работы указана библиотека Transformers. Модель подходит для диалоговых сценариев, в которых нужно анализировать изображения и формулировать текстовые ответы. Карточка не сообщает конкретные ограничения, лицензию, размер модели, языки или длину контекста, поэтому эти характеристики нельзя уточнить.

mlx-community/Qwen3.5-122B-A10B-8bit — это 8-битная модель в формате MLX, созданная сообществом mlx-community путём конвертации Qwen/Qwen3.5-122B-A10B с использованием mlx-vlm версии 0.3.12. Модель предназначена для задач image-text-to-text: обработки изображений вместе с текстовыми запросами и генерации текстовых ответов, например для описания изображений. Она рассчитана на использование в экосистеме MLX и поддерживает запуск через пакет mlx-vlm. README не содержит подробных сведений об архитектуре, фактическом количестве активируемых параметров, поддерживаемых языках, размере контекста, качестве, ограничениях или рекомендуемых сценариях применения. Указано обозначение 122B-A10B и 8-битное представление, однако без дополнительной документации нельзя надёжно интерпретировать эти параметры. Модель распространяется по лицензии Apache-2.0; подробные характеристики следует уточнять в оригинальной карточке Qwen/Qwen3.5-122B-A10B.

jiapingW/Qwen3.5-35B-A3B-Eagle3-Specforge — производная модель на базе Qwen/Qwen3.5-35B-A3B, обученная автором карточки с помощью SpecForge на заново сгенерированной версии датасета UltraChat. Для обучения использовались только первые сообщения диалогов. В метаданных архитектура указана как LlamaForCausalLMEagle3, формат весов — safetensors; заявлен контекст длиной 262144 токена. Модель предназначена для ответов на вопросы и диалоговых сценариев. Карточка приводит сравнительные тесты обслуживания запросов на выборках UltraChat и ShareGPT, запуская модель через модифицированную ветку SGLang с поддержкой Qwen3.5 Eagle3. Метаданные указывают 626 млн параметров, однако название базовой модели содержит обозначение 35B-A3B, поэтому точный размер этой производной версии по доступным данным неясен. Лицензия — MIT.

sagnikM/qwen_qwen_step75_prior — текстовая модель семейства Qwen2, опубликованная как конвертированный чекпойнт шага 75 обучения HiLL Qwen2.5-7B/OpenThoughts. Это дообученная версия Qwen/Qwen2.5-7B-Instruct с 7,1 млрд параметров; модель предназначена для генерации текста в диалоговом формате и работает через Transformers с артефактами модели, конфигурации и токенизатора. Контекстное окно составляет 32 768 токенов. В README модель названа генератором подсказок, ограниченных вопросами. Такой компонент можно использовать для генерации вопросов или подсказок в составе исследовательского конвейера HiLL/OpenThoughts. В репозитории нет состояния оптимизатора и тренера, поэтому продолжить обучение именно с опубликованного набора файлов нельзя. Лицензия в предоставленных данных не указана.

ku-nlp/roberta-base-japanese-char-wwm — базовая модель RoBERTa, разработанная KU NLP и предварительно обученная на японской Википедии и японской части корпуса CC-100. Она предназначена для заполнения пропусков в тексте и других сценариев masked language modeling. Модель содержит 127,4 млн параметров, использует символьную токенизацию SentencePiece и маскирование целых слов (whole word masking). Токенизатор принимает обычный текст без предварительной токенизации; словарь включает 18 377 токенов. Максимальный контекст составляет 514 токенов. Модель рассчитана на японский язык. Модель подходит для подстановки пропущенных слов и анализа японского текста через контекстные представления. Это базовая предобученная модель, а не специализированная система для диалога или генерации длинных текстов. Распространяется по лицензии CC BY-SA 4.0.

Корейская модель расстановки пробелов в тексте на основе RoBERTa. Разработчик использовал корейскую RoBERTa и настроил её для задачи токенной классификации, чтобы определять, где в корейском тексте нужны пробелы. Модель содержит 137,8 млн параметров, работает с текстом и рассчитана на контекст до 514 токенов. Модель подходит для автоматического восстановления пробелов в корейском тексте перед чтением или дальнейшей обработкой. Она распространяется в формате PyTorch через Transformers; сведения о лицензии в предоставленных данных отсутствуют.

nicoboss/Samantha-roleplay-ptbr-v2 — языковая модель семейства Llama с архитектурой LlamaForCausalLM и 12,9 млрд параметров. Репозиторий содержит веса в формате safetensors и использует лицензию Llama 3. Карточка сообщает, что модель создана слиянием, но не раскрывает названия объединённых моделей. Модель предназначена для генерации текста; её название указывает на ролевые диалоги на бразильском португальском языке. Контекст составляет 4096 токенов. В карточке нет описания обучения, оценок качества или конкретных ограничений применения.

Saul-Instruct-v1-GGUF — набор квантованных файлов модели Saul-Instruct-v1, разработанной Equall и подготовленной в формате GGUF пользователем MaziyarPanahi. Модель предназначена для генерации текста, диалоговых сценариев и задач в юридической предметной области. В метаданных также указана совместимость с text-generation и conversational-сценариями; заявлена поддержка английского языка. Модель поставляется в форматах GGUF с вариантами квантования от 2 до 8 бит, включая 2-, 3-, 4-, 5- и 6-битные варианты. Это позволяет выбирать компромисс между размером файла, требованиями к памяти, скоростью работы и качеством генерации. GGUF ориентирован на локальный запуск через llama.cpp и совместимые приложения и библиотеки, включая text-generation-webui, LM Studio, GPT4All и llama-cpp-python. Точные сведения о числе параметров, длине контекста и архитектурных деталях в README не указаны; среди тегов упоминается Mistral. Сильной стороной модели является возможность локального использования на широком спектре программных платформ благодаря GGUF и нескольким уровням квантования. Ограничения связаны с потенциальной потерей качества в более агрессивных вариантах квантования, а также с тем, что README не содержит результатов бенчмарков и подробной оценки юридических способностей модели. Указана лицензия MIT.

SERENA-159M — авторская языковая модель Finisha-F-scratch/Serena, обученная с нуля на архитектуре GPT-2. Она предназначена для генерации испанского текста, прежде всего художественной прозы, поэзии и эмоционально окрашенных ответов. Модель содержит 159 млн параметров, использует словарь из 56 060 токенов и имеет контекстное окно 4500 токенов; заявлена работа на обычных CPU и GPU. Модель стремится к образному, выразительному стилю и намеренно допускает неровности языка. Это компактная модель, поэтому качество сложной аналитики и длинных рассуждений может быть ограниченным. Лицензия указана как other; конкретные условия в карточке не приведены.

Slop-Detector-v3 — англоязычный классификатор текста, созданный DrRiceIO7 на основе дообучения answerdotai/ModernBERT-base. Модель относит текст к одному из двух классов: «Likely Slop» или «Likely Not Slop», выявляя характерные признаки шаблонного, малосодержательного письма, например избитые метафоры, повторяющийся ритм и поверхностную образность. Модель обучали три эпохи на наборе данных DrRiceIO7/SlopReview v3; при обучении также принудительно переобозначили примеры с некоторыми ключевыми словами, пропущенные предыдущей версией. В метаданных указаны архитектура ModernBERT, 149 млн параметров и контекст до 8192 токенов; README сообщает об обучении с окном 1024 токена. Доступны веса в формате safetensors, лицензия Apache-2.0. Классификатор можно применять для предварительной проверки текстов на признаки низкокачественного шаблонного письма. Это экспериментальный инструмент распознавания паттернов: он может ошибочно помечать творческие человеческие тексты с распространёнными литературными приёмами и пропускать менее очевидные примеры такого письма; для важных решений на него полагаться не следует.

StrawberryLemonade-L3-70B-v1.2 — диалоговая языковая модель на архитектуре Llama, созданная автором sophosympatheia путём слияния нескольких моделей семейства Llama 3.3 и Cogito. Веса содержат 69,5 млрд параметров, модель работает с контекстом до 131 072 токенов и распространяется в формате Safetensors под лицензией Llama 3. Модель предназначена прежде всего для ролевых диалогов и написания историй. Автор отмечает её выразительность и творческие ответы, а также предлагает настройки генерации для более связного или более креативного стиля. Метаданные также указывают на интерфейс вызова инструментов, но качество на задачах за пределами ролевой игры и повествования автором не проверялось. Модель заявлена как uncensored и помечена на Hugging Face как не предназначенная для всех аудиторий. Результаты зависят от настроек генерации; автор предупреждает, что при более творческих настройках может потребоваться повторная генерация для исправления связности. Лицензия — Llama 3.

summary-pumed-dataset-4 — дообученная модель семейства Pegasus с 366,8 млн параметров, созданная на основе ifyou819/summary-pumed-dataset-3. Она предназначена для генерации текста по текстовому запросу; название и последовательность версий указывают на задачу суммаризации медицинских публикаций, однако README не описывает назначение и данные обучения. Контекст модели составляет 1024 токена, веса опубликованы в формате safetensors. В карточке приведён результат оценки: loss 4,4505. Язык, состав обучающих данных и пригодность для клинических решений не описаны. Лицензия в предоставленных сведениях отсутствует.

Модель eenzeenee/t5-base-korean-summarization — версия T5-base, дообученная для суммаризации корейских текстов. Автор указывает, что базовая модель — paust/pko-t5-base; обучение проводилось на наборах данных для суммаризации научных статей и книг, а также для создания кратких изложений и отчётов. Архитектура — T5 для генерации текста по текстовому входу, около 137,8 млн параметров. Модель предназначена для автоматического составления кратких изложений корейских научных материалов, книг и отчётов. В README приведены результаты ROUGE-2 на трёх соответствующих наборах данных; они указывают на оценку именно этих сценариев, но не подтверждают качество на других типах текстов. Репозиторий содержит веса PyTorch и Safetensors. Условия лицензии в предоставленных материалах не описаны.

Huseyin разработал эту модель для конкурса TEKNOFEST 2025 по турецкой большой языковой модели для обучения через действия. Это дообучение Qwen/Qwen3-8B с LoRA Adapter, предназначенное для образовательных технологий и генерации текста на турецком языке. Модель содержит 8,5 млрд параметров, построена на архитектуре Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Её можно использовать для генерации рекомендаций и учебного текста на турецком языке. Репозиторий содержит веса Safetensors и помечен тегом 8-bit; лицензия — Apache 2.0.

SaniaKhalid/tinyllama-trl-merged — дообученная и объединённая с LoRA чат-модель на основе TinyLlama-1.1B-Chat-v1.0, созданная с использованием TRL. Это самостоятельная модель с архитектурой LlamaForCausalLM и примерно 1 млрд параметров; веса сохранены в формате safetensors, в README также указана точность FP16. Контекст модели составляет 2048 токенов. Модель предназначена для генерации текста и диалоговых ответов, в частности для ответов на вопросы по образовательным материалам. Карточка указывает обучающий набор arif-butt/arifbutt_dataset и английский язык. По сравнению с исходной TinyLlama модель адаптирована под образовательные вопросы и ответы; компактный размер подходит для сценариев с ограниченными вычислительными ресурсами. Лицензия — Apache-2.0.

Titlewen — компактная специализированная модель для создания коротких заголовков по сообщениям пользователей. Она дообучена методом LoRA на базе Qwen/Qwen3-0.6B; архитектура — декодерный Transformer Qwen3 с 507,9 млн параметров. Репозиторий содержит веса GGUF в формате F16 для локального запуска, например через llama.cpp; длина контекста составляет 40 960 токенов. Модель предназначена для автоматического именования диалогов и веток переписки, заголовков обращений в поддержку, извлечения темы сообщения и коротких подписей в интерфейсах. Обычно она выдаёт заголовки длиной 2–6 слов. В карточке указаны английский как основной язык и обучающий набор примерно из 20 000 примеров генерации заголовков. Модель принимает текст и генерирует текст. Модель опубликована под лицензией Apache-2.0. Её узкая специализация — краткие заголовки; карточка не сообщает оценок качества или ограничений для других языков, поэтому пригодность для них не установлена.

WindyTranslate/translate-ber-fr — модель машинного перевода, опубликованная Windstorm Labs и предназначенная для перевода с берберского языка на французский. Она основана на Helsinki-NLP/opus-mt-ber-fr: к исходным весам применили дообучение LoRA на параллельном корпусе и объединили адаптер с базовой моделью. Модель использует архитектуру MarianMT, содержит 35,9 млн параметров и принимает текст с контекстом до 512 токенов. Репозиторий содержит сборку Transformers в формате safetensors. Лицензия — Apache-2.0.

WindyTranslate/translate-crs-en — модель машинного перевода, опубликованная Windstorm Labs. Она переводит тексты с креольского языка Сейшел (crs) на английский (en) и предназначена для одностороннего перевода предложений и документов. Модель основана на архитектуре MarianMT и содержит 47,5 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса safetensors для Transformers. Весовые параметры получены дообучением LoRA на параллельном корпусе с последующим объединением адаптера с базовыми весами Helsinki-NLP/opus-mt-crs-en. Автор сообщает, что изменены 36 из 254 тензоров. Качество перевода пока не оценивалось, поэтому пригодность для конкретных текстов следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

WindyTranslate/translate-de-eo — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-de-eo: к базовым весам применили LoRA-дообучение на параллельном корпусе и объединили адаптер с весами. Модель построена на архитектуре MarianMT, содержит 55,8 млн параметров и работает с текстом на направлении с немецкого на эсперанто; нативная длина контекста — 512 токенов. Модель предназначена для перевода немецких фраз и текстов на эсперанто. В README приведён скрининговый результат на 48 предложениях FLORES-200 dev: chrF++ 40,86 и BLEU 14,70; это ограниченная проверка, а не публикационный результат. Репозиторий содержит сборку Transformers в формате safetensors. Лицензия — Apache-2.0.