I.5Создание и редактирование текста

sitharo/finer-sql-baseline-05b — модель генерации текста на базе архитектуры семейства Qwen2, опубликованная на Hugging Face пользователем sitharo. По имени репозитория модель, вероятно, относится к базовой версии для задач, связанных с SQL, однако README не содержит подтверждённого описания назначения, разработчика или обучающих данных. Модель содержит около 494 млн параметров, поддерживает контекст до 32 768 токенов и предназначена для использования через библиотеку Transformers. В метаданных указаны обучение методом supervised fine-tuning и conversational-режим, поэтому модель может применяться для генерации продолжений и ответов в диалоговом формате. Лицензия, поддерживаемые естественные языки, результаты оценки и конкретные сценарии использования в доступных материалах не указаны.

FlauBERT base cased — франкоязычная языковая модель архитектуры FlauBERT, разработанная исследовательской группой при CNRS. Это вариант с 12 слоями, 12 головами внимания, размерностью эмбеддингов 768 и примерно 138 млн параметров. Модель предварительно обучена без учителя на большом разнородном корпусе французского языка; для репозитория указаны контекст до 512 токенов и формат PyTorch/Safetensors. Модель предназначена прежде всего для предсказания замаскированных токенов и может служить основой для задач обработки французского текста, включая дообучение под конкретные сценарии. Вместе с семейством FlauBERT представлен набор FLUE для оценки систем обработки французского языка. Репозиторий распространяется по лицензии MIT.

Ganda Gemma 1B i1 GGUF — это квантизированная версия модели CraneAILabs/ganda-gemma-1b, подготовленная mradermacher в формате GGUF с использованием imatrix-квантования. Модель основана на семействе Gemma и дообучена; в метаданных указаны английский и луганда. Разработчик базовой модели — CraneAILabs, а квантизацию выполнил mradermacher. Модель предназначена прежде всего для разговорных сценариев и перевода, особенно с участием луганды. Она может запускаться локально через инструменты, поддерживающие GGUF, и доступна в вариантах с разной степенью квантования размером примерно от 0,7 до 1,1 ГБ. Наиболее сбалансированными в README названы варианты i1-Q4_K_S и i1-Q4_K_M; более сильное квантование обычно сохраняет больше качества, а варианты с низким уровнем квантования требуют меньше ресурсов, но могут заметно уступать по качеству. В README не указаны точная архитектура в терминах числа слоёв, размер контекстного окна, поддержка мультимодальности, результаты оценивания или подробные характеристики качества. Поэтому модель следует рассматривать как компактную локальную языковую модель для англо-лугандских и разговорных задач, с ограничениями, связанными с небольшим размером и потерями качества при агрессивном квантовании. Лицензия указана как gemma; конкретные условия её применения следует проверять отдельно.

Gemma-2-2B-ArliAI-RPMax-v1.1 — чат-модель ArliAI на архитектуре Gemma 2, дообученная на подборках творческого письма и ролевых диалогов. По карточке, она рассчитана на разнообразную, менее повторяющуюся генерацию и отыгрыш персонажей в разных ситуациях; описание рекомендует передавать персонажа в первом сообщении пользователя в формате Gemma Instruct. Модель содержит 2,7 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. В метаданных указан формат safetensors, лицензия Gemma; README также перечисляет варианты квантования, но не уточняет, относятся ли они к этому репозиторию. Карточка указывает базовую модель как gemma-22b-it, что расходится с названием 2B; базовую модель следует считать неопределённой. Ролевые и творческие ответы могут быть непредсказуемыми и повторять нежелательные шаблоны; независимые оценки качества в карточке не приведены.

ShivRamSaud опубликовал самостоятельные объединённые веса Gemma 4 E4B, дообученной на многоцелевом корпусе непальского языка для исправления и очистки текста. Это плотная модель семейства Gemma 4 с архитектурой Gemma4ForConditionalGeneration; репозиторий содержит веса FP16 в формате safetensors. Метаданные указывают на поддержку диалогового режима и генерации текста. Модель предназначена для коррекции непальского текста, в том числе ошибок распознавания речи и OCR, а также грамматических ошибок. В README приведены результаты на 5 450 тестовых примерах: SacreBLEU 9,94, ROUGE-L 42,07% и Exact Match 0%; по этим показателям модель уступает базовой Gemma 4 в нулевом режиме, поэтому качество коррекции может быть низким. Лицензия — Apache-2.0.

Это дообученная модель семейства Gemma 4, разработанная didula-wso2 на основе didula-wso2/gemma4_sft-ballerina_klge_easysft_16bit_vllm. Она предназначена для диалоговых задач с текстовыми и визуальными входными данными: принимает текст и изображения и формирует текстовые ответы. В метаданных модель обозначена как image-text-to-text; обучение проводилось с использованием Unsloth и библиотеки TRL Hugging Face. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не уточняет размер модели, длину контекста и конкретные сценарии дообучения, поэтому её пригодность для узких задач по доступным сведениям определить нельзя.

GLM4-9B-Neon-v2 — дообученная Auri модель семейства GLM-4-9B для ролевых диалогов и генерации короткой прозы. Она построена на плотной архитектуре GLM-4-9B-0414 и рассчитана на текстовый чат с контекстом до 32 768 токенов; размер модели — 8,8 млрд параметров. В README указано, что обучение проводилось методом QLoRA на 77 млн токенов синтетических ролевых диалогов и коротких рассказов. Модель ориентирована на выразительные ответы с заметной индивидуальностью и подходит для ролевых персонажей, совместного написания историй и творческих диалогов. Карточка отмечает, что она может вести себя своеобразно и хуже справляется с длинными системными подсказками и описаниями персонажей; форматированный как JSON системный промпт может работать лучше. Модель отвечает в формате инструкций GLM-4; для некоторых бэкендов нужно самостоятельно добавить токен BOS. Лицензия — MIT.

Модель tanganke/gpt2_cola разработана пользователем tanganke на основе openai-community/gpt2 и дообучена на наборе CoLA из бенчмарка GLUE. Это модель классификации текста с архитектурой GPT-2 и максимальным контекстом 1024 токена; в метаданных указан pipeline-тег text-classification. Модель предназначена для оценки грамматической приемлемости предложений английского языка: она определяет, выглядит ли предложение грамматически корректным. Дообучение выполнялось в течение 3 эпох с learning rate 5e-5, а в карточке модели для оценки указанная метрика — accuracy. Сильная сторона модели — специализация на задаче CoLA и возможность применять её для автоматического предварительного отбора или анализа английских предложений. Она не предназначена для универсальной классификации текстов, генерации ответов или полноценной проверки орфографии и стиля; результаты могут быть ограничены распределением данных GLUE и особенностями GPT-2.

Holarissun/gpt2-sft-tldr — дообученная модель генерации текста на архитектуре GPT-2, созданная на основе openai-community/gpt2. Обучение проводилось на наборе данных summarize_from_feedback, связанном с суммаризацией по обратной связи. Модель предназначена для генерации текста и может использоваться для экспериментов с краткими пересказами и суммаризацией. Архитектура — плотная GPT2LMHeadModel; веса представлены в формате safetensors. Контекст модели составляет 1024 токена. Лицензия — MIT. Карточка не приводит результатов оценки качества или подробностей об обучении, поэтому качество суммаризации и пригодность для конкретных сценариев не подтверждены. Языковая поддержка не заявлена.

GPT-Neo-vi-small — компактная авторегрессионная языковая модель для генерации вьетнамского текста, представленная NlpHUST. Она построена на архитектуре GPT-Neo — реализации архитектурных идей GPT-3 от EleutherAI — и содержит около 146,7 млн параметров. Модель принимает текст и генерирует продолжение; длина контекста составляет 1024 токена. Модель обучена на новостных текстах и предназначена для генерации вьетнамского текста в новостном стиле и продолжения текстовых фрагментов. Карточка не сообщает отдельную лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Delta-Vector/Hamanasu-7B-instruct — дообученная модель семейства Mistral, созданная Delta-Vector на основе Hamanasu-7B-Base. Модель сначала обучали продолжать тексты из Orion-Asstr, затем настроили на инструкции с помощью подмножества SonnetOrca объёмом 20 тысяч примеров. Она рассчитана на генерацию текста в диалоговом формате и ролевые сценарии; характерны реплики с действиями и сравнительно короткие ответы. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров, принимает текст и выдаёт текст. Заявленная длина контекста — 32 768 токенов. Для общения рекомендуется форматирование Mistral с маркерами [INST] и [/INST]. Доступная информация не уточняет лицензию. Карточка описывает преимущественно ролевое поведение, однако не приводит оценок качества или подробных ограничений применения.

Helsinki-NLP-opus-mt-ug — модель машинного перевода Mubarak B., построенная на архитектуре Marian в формате Seq2Seq и дообученная на базе Helsinki-NLP/opus-mt-mul-en. Она переводит текст с ачоли, луганда, лумасааба, рунякоре и суахили на английский. Модель содержит 58 млн параметров и рассчитана на контекст до 512 токенов. Её можно использовать для перевода текстов на этих языках в приложениях с поддержкой восточноафриканских языков. Карточка предупреждает о возможных различиях качества между диалектами и контекстами, влиянии смещений обучающих данных и снижении качества на специализированной лексике; для важных сценариев рекомендуется проверка результата человеком. В README указана лицензия Apache 2.0, а в метаданных Hugging Face — MIT.

HeroBophades-2x7B — экспериментальная языковая модель семейства Mixtral, созданная nbeerbower с помощью mergekit путём объединения двух моделей: nbeerbower/bophades-mistral-truthy-DPO-7B и nbeerbower/bophades-mistral-math-DPO-7B. Это модель типа Mixture of Experts с архитектурой MixtralForCausalLM; объём параметров — 7,1 млрд, нативная длина контекста — 32 768 токенов. Репозиторий содержит веса safetensors для Transformers. Модель предназначена для генерации текста в формате диалога с помощником, в том числе для математических вопросов и ответов. В описании сборки заданы экспертные модели для ответов помощника и решения систем квадратных уравнений; сведения подтверждают математическую направленность, но не содержат оценок качества или подробных результатов проверки. Лицензия — Apache-2.0.

Humanish-Roleplay-Llama-3.1-8B — диалоговая модель на архитектуре Llama 3.1, дообученная методом DPO разработчиком vicgalle. Она предназначена для естественных разговоров и ролевых сценариев: модель стремится отвечать менее шаблонно и может использовать формат описания действий в ролевой игре. Обучение включало данные общих разговоров и наборы для более человечных ответов и RP. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. Карточка не сообщает о специализации на конкретных естественных языках. Для RP автор рекомендует естественно задать формат действий уже в первом сообщении. Модель распространяется по лицензии Apache-2.0.

AIBunCho/japanese-novel-gpt-j-6b — японская языковая модель для генерации художественного текста, созданная для использования в AI BunCho; автор карточки — Хироюки Осоне. В основе GPT-J-6B: модель предварительно обучали на японских данных с японским токенизатором, затем дообучили на корпусе романов. Архитектура — плотная GPT-J для авторегрессионной генерации текста; максимальная длина контекста составляет 2048 токенов. Модель предназначена для генерации японской прозы и продолжения художественных текстов. В README указана проверка работы на Google Colab с T4 High-RAM. Модель обучалась на японских данных CC-100, Википедии и других веб-данных. Возможные ограничения связаны с тем, что обучающие данные могли содержать оскорбительный или неприемлемый контент, который способен проявляться в генерациях. Лицензия — OpenRAIL; автор рекомендует осторожность при использовании в производственных системах и не применять модель для причинения вреда или страданий людям и группам.

KoELECTRA v2 Base Generator — предварительно обученная языковая модель для корейского языка от monologg, построенная на архитектуре ELECTRA. В метаданных указаны 20,8 млн параметров, контекст до 512 токенов и класс ElectraForMaskedLM; модель опубликована в формате PyTorch и предназначена для задачи заполнения пропусков в тексте. Модель подходит для подстановки пропущенных слов и получения контекстных представлений корейского текста в приложениях на Transformers. Для загрузки README приводит ElectraModel и ElectraTokenizer из библиотеки Transformers. Модель распространяется по лицензии Apache-2.0.

L3.1-Artemis-a-8B — слитая диалоговая языковая модель семейства Llama, созданная сообществом mergekit с помощью метода DARE TIES. В качестве базовой модели использована kromeurus/L3.1-Ablaze-Vulca-v0.1-8B; в слияние также вошли Casual-Autopsy/L3-Umbral-Mind-RP-v3.0-8B, Hastagaras/Jamet-8B-L3-MK.V-Blackroot и mergekit-community/L3-Boshima-a. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст; карточка указывает контекст до 131 072 токенов и поддержку диалогового взаимодействия. Она подходит для генерации ответов и ролевых диалогов; описание базовой модели связывает её с ролевыми играми, эмоционально насыщенными темами и сценариями спасения персонажей. Данные о языках в карточке не приведены. Модель опубликована в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

Legal-Saul-Multiverse-7b — объединённая текстовая языковая модель, созданная методом slerp с помощью mergekit на основе Equall/Saul-Instruct-v1 и ammarali32/multi_verse_model. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров; веса опубликованы в формате Safetensors. Она предназначена для генерации текста в диалоговом формате и может применяться для ответов на вопросы и подготовки текстов в юридическом контексте, связанном с базовой моделью Saul-Instruct. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Использует лицензию Apache-2.0. README содержит конфигурацию слияния, но не приводит результаты оценки качества или конкретные гарантии эффективности.

QuantFactory/Llama3.1-8B-Cobalt-GGUF — квантизированная версия модели Cobalt, разработанной Valiant Labs на основе Meta Llama 3.1 8B Instruct. Квантизация выполнена с использованием llama.cpp. Модель предназначена прежде всего для генерации ответов в математических задачах и диалоговых сценариях в формате инструкций Llama 3.1 Instruct. Cobalt дообучена на синтетических данных для математических инструкций, сгенерированных моделью Llama 3.1 405B. Для повышения согласованности в общих чатах также использовалась небольшая выборка из набора LDJnr/Pure-Dove; основной набор данных — sequelbox/Polytope. Заявлена поддержка английского языка, текстовой модальности и архитектуры Llama. Размер базовой модели — 8 млрд параметров; версия Cobalt датирована 16 августа 2024 года. Сильной стороной модели является специализация на математических инструкциях при сохранении возможностей диалогового общения. Ограничения включают зависимость от формата подсказок Llama 3.1 Instruct и отсутствие в README подробных сведений о типе и параметрах квантизации, размере контекста, результатах бенчмарков и известных ограничениях качества. Модель распространяется по лицензии llama3.1.

KickItLikeShika дообучил Llama 3.3 70B Instruct для перевода с английского на татарский язык. Модель создана в рамках Low Resource Machine Translation Workshop (EACL26) и обучена на новом синтетическом датасете, представленном автором в исследовании. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров; метаданные указывают контекст до 131 072 токенов и формат safetensors. Модель предназначена для машинного перевода текстов с английского на татарский в сценариях работы с языком с ограниченными ресурсами. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или подробностей обучающих данных, поэтому качество перевода и устойчивость на разных жанрах по этим сведениям определить нельзя.

toantam1290/llama-3-taide-openbio — модель генерации текста на основе архитектуры Llama 3, созданная слиянием моделей через mergekit. В качестве базовой использована taide/Llama3-TAIDE-LX-8B-Chat-Alpha1, а в слияние также вошли aaditya/Llama3-OpenBioLLM-8B и johnsnowlabs/JSL-MedLlama-3-8B-v2.0. Применён метод DARE TIES; размер модели — 7,5 млрд параметров, контекст — до 8192 токенов. Модель предназначена для диалоговой генерации текста, в том числе ответов и текстов на биомедицинские темы. Архитектура — плотная авторегрессионная языковая модель LlamaForCausalLM; формат весов — safetensors. Карточка не сообщает отдельные сведения о языках модели или условиях лицензии, поэтому их нельзя уточнить по доступным данным.

Kameljont/Llama-Galavant-v0.7.5_Emma — разговорная модель для генерации текста, созданная линейным слиянием моделей Llama-GalavantRP-8B-v0.7.5.6 и Llama-Emma-8B с помощью mergekit. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, размером 7,5 млрд параметров и контекстом до 131 072 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на диалоговое использование. Модель подходит для ролевых диалогов и генерации продолжений текста в сценариях общения. Карточка не описывает поддерживаемые языки, конкретные оценки качества или дополнительные возможности. Модель распространяется по лицензии, указанной в метаданных Hugging Face; явные условия лицензии в предоставленных данных отсутствуют.

LLaVA-Next Interleave Qwen 7B DPO — открытый чат-бот от LMMS-Lab, полученный дообучением языковой модели на мультимодальных данных для следования инструкциям. Это авторегрессионная плотная модель на архитектуре Transformer семейства LLaVA-Qwen с 7,1 млрд параметров и контекстом 32 768 токенов; базовая языковая модель — Qwen/Qwen1.5-7B-Chat. Модель предназначена для диалогового взаимодействия с мультимодальными данными и исследований в области компьютерного зрения, обработки естественного языка и мультимодальных чат-ботов. Карточка описывает её как исследовательскую модель; метаданные указывают задачу генерации текста и возможность чата. Лицензия в предоставленных данных не указана, однако README запрещает коммерческое использование.

M2-BERT 80M — англоязычная модель в стиле BERT, обученная Together Computer на основе архитектуры Monarch Mixer. Это предварительно обученный, не дообученный чекпойнт с контекстом до 8192 токенов; он предназначен для заполнения пропусков в тексте и может служить основой для дообучения под конкретные задачи. В метаданных указано 136,7 млн параметров, формат PyTorch и лицензия Apache-2.0. Модель поддерживает обработку длинных последовательностей и подходит для адаптации к задачам классификации текста и другим сценариям на основе BERT. Перед прикладным использованием авторы рекомендуют дообучить её для целевой задачи. Карточка не приводит оценки качества или результаты бенчмарков.

Mahou-1.3a-llama3-8B — диалоговая языковая модель от flammen.ai, предназначенная для общения и ролевых сценариев. Это дообученная на базе flammenai/Mahou-1.3-llama3-8B версия семейства Llama 3 с плотной архитектурой LlamaForCausalLM и 7,5 млрд параметров. Модель обучали три эпохи методом ORPO на разговорных данных flammen.ai; она поддерживает чатовый формат ChatML и рассчитана на контекст до 8192 токенов. Модель подходит для ведения диалогов и отыгрыша персонажей. Она принимает текст и генерирует текст; карточка указывает лицензию Llama 3. Качество ответов зависит от формулировки запроса и выбранных инструкций, а особый формат ChatML и настройки генерации могут потребовать соответствующей конфигурации интерфейса.

Lalita разработала MarianMT-модель для перевода с упрощённого китайского языка на тайский. Это трансформер MarianMT с 41,6 млн параметров, обученный с нормализацией текста и токенизацией SentencePiece; модель принимает текст и выдаёт текст. Для тестового набора в карточке приведены оценки 15,95 по слоговой метрике и 8,43 по словной метрике. Модель подходит для перевода коротких китайских текстов на тайский, например сообщений и фрагментов документов. Указанное в метаданных родное контекстное окно составляет 512 токенов. В README не указана лицензия, поэтому условия использования по этим данным определить нельзя.

Medra4b-i1-GGUF — это квантизированная в формате GGUF версия модели Medra4b, основанной на drwlf/Medra4b и подготовленной mradermacher. Модель дообучена на наборе данных drwlf/medra-thinking-768 и ориентирована на генерацию текста, медицинское резюмирование и диагностическое рассуждение. В карточке также указано, что это vision-модель, поэтому для работы с визуальными входными данными могут потребоваться файлы mmproj из статического репозитория. Модель поддерживает английский и румынский языки. В README она обозначена как модель на базе Gemma 3, однако точный размер, архитектурные параметры и размер контекста не указаны. Репозиторий содержит варианты квантизации с размером примерно от 1,2 до 3,3 ГБ: от низкокачественных IQ1 и Q2 до более качественных IQ4–Q6. В качестве компромисса между размером, скоростью и качеством отдельно отмечен вариант Q4_K_S, а Q4_K_M назван быстрым и рекомендуемым. К сильным сторонам относятся специализация на медицинских сценариях, поддержка текстовой генерации и суммаризации, а также возможность локального запуска благодаря компактным квантизированным файлам. К ограничениям относятся возможное снижение качества на низких уровнях квантизации и отсутствие в README подробных результатов оценки, ограничений безопасности и рекомендаций по применению медицинских ответов. Модель распространяется по лицензии Apache-2.0.

MergekitCloud/mergekit-11 — объединённая языковая модель, созданная с помощью mergekit методом Model Stock на базе vicgalle/Humanish-Roleplay-Llama-3.1-8B. В объединение вошли ArliAI/Llama-3.1-8B-ArliAI-RPMax-v1.3, Orenguteng/Llama-3.1-8B-Lexi-Uncensored-V2 и Undi95/Llama3-Unholy-8B-OAS. Модель построена на архитектуре LlamaForCausalLM и содержит 7,5 млрд параметров; веса опубликованы в формате safetensors, библиотека — Transformers. Модель предназначена для диалоговой генерации текста и ролевых сценариев. Она принимает текстовые запросы и генерирует текст; заявленная длина контекста — 131 072 токена. Метаданные указывают на разговорные возможности, но README не приводит оценок качества или подробностей о поддерживаемых языках. Объединённые исходные модели ориентированы на ролевое общение и более свободные ответы. Лицензия в предоставленных данных не указана. Возможны ограничения качества и поведения, характерные для объединённых моделей; README не содержит результатов оценки или рекомендаций по безопасному применению.

MiMo-7B GDN Hybrid — stage3-2.0B-OPD — это экспериментальный чекпойнт на 7 млрд параметров, созданный arianraje методом on-policy distillation с учителем XiaomiMiMo/MiMo-7B-RL-0530. Модель объединяет слои внимания Qwen2 и Gated DeltaNet в соотношении 1:4 и предназначена для генерации текста в диалогах и задач математического рассуждения; в карточке приведены результаты на AIME24, AIME25 и MATH-500. Контекстное окно составляет 65 536 токенов. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Для загрузки нужна регистрация архитектуры mimo_gdn из обучающего репозитория, Transformers 4.57.x и flash-linear-attention 0.5.x. Оценки AIME получены всего на 30 задачах и имеют высокую статистическую неопределённость; автор отдельно характеризует их как данные для наблюдения за трендом.

Ministral Camus — диалоговая языковая модель freddm на базе mistralai/Ministral-3-8B-Instruct-2512. Она дообучена в два этапа с помощью LoRA: сначала на очищенных текстах Камю для усвоения стиля, затем на вопросах и ответах для ведения беседы. Итоговая модель объединяет базовые веса и оба адаптера. Модель предназначена для генерации ответов в разговорном стиле, вдохновлённом прозой и философскими темами Альбера Камю: абсурдом, свободой, справедливостью и достоинством. Примеры в карточке показывают ответы на французском языке о философских и современных вопросах. Репозиторий содержит веса Safetensors и варианты GGUF, включая F16, Q6_K и Q8_0; лицензия — Apache-2.0. Это стилизация, а не точное воспроизведение взглядов или авторства Камю: модель может выдавать обобщённые рассуждения и уверенно формулировать субъективные утверждения. Карточка не приводит оценок качества или размера контекста.