I.5Создание и редактирование текста

Helsinki-NLP разработала opus-mt-bcl-en — модель машинного перевода с бикольского языка (bcl) на английский. Она предназначена для перевода текстов, в том числе материалов, похожих на корпус JW300. Модель использует архитектуру Transformer-align в семействе MarianMT, насчитывает 55,1 млн параметров и выполняет нормализацию текста и разбиение на подслова SentencePiece. Максимальная длина контекста — 512 токенов. Доступны веса PyTorch и TensorFlow. В тесте JW300.bcl.en указаны BLEU 56,1 и chr-F 0,697. Модель распространяется по лицензии Apache-2.0. Она ориентирована на перевод только с бикольского на английский; качество может отличаться на текстах других жанров и тематик.

Helsinki-NLP/opus-mt-ber-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с берберского языка (ber) на английский (en) и подходит для перевода фраз и текстов в приложениях, локализации и исследовательских рабочих процессах. Модель построена на архитектуре Transformer-align и использует нормализацию и токенизацию SentencePiece. В метаданных указаны 43,6 млн параметров, контекст до 512 токенов и форматы PyTorch и TensorFlow. Для тестового набора Tatoeba.ber.en в карточке приведены оценки BLEU 37,3 и chr-F 0,566. Это однонаправленная модель: сведения подтверждают перевод только с берберского на английский; показатели качества на других данных не приведены. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-ceb-fi — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с себуанского языка на финский и предназначена для автоматического перевода отдельных фраз и текстов. Модель использует архитектуру MarianMT на основе Transformer; число параметров — 56,4 млн, контекст — до 512 токенов. Предобработка включает нормализацию текста и SentencePiece. В тесте JW300 для пары ceb-fi указаны BLEU 27,4 и chr-F 0,525. Модель доступна в форматах PyTorch и TensorFlow и распространяется по лицензии Apache-2.0. Она специализирована на одном направлении перевода; качество может зависеть от тематики и особенностей исходного текста.

Helsinki-NLP/opus-mt-de-eu — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с немецкого языка на баскский; модель однонаправленная и предназначена для перевода предложений и коротких фрагментов текста. Модель построена на архитектуре Transformer с выравниванием, представлена в Transformers как MarianMTModel и содержит 36,5 млн параметров. Перед обработкой текст нормализуется и токенизируется SentencePiece с моделями размером 12 тысяч токенов. Максимальная длина контекста — 512 токенов. В тесте Tatoeba для пары немецкий—баскский указаны BLEU 31,8 и chr-F 0,574. Модель принимает текст на немецком и выдаёт перевод на баскском. Карточка не описывает ограничения качества за пределами приведённого теста. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-de-lua — модель машинного перевода семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с немецкого языка на луганда (луганда обозначен в идентификаторе как lua) и предназначена для автоматического перевода предложений и текстовых материалов. Модель построена на архитектуре Transformer-align; для нормализации текста использует SentencePiece. В метаданных указаны 56,4 млн параметров, контекст до 512 токенов и поддержка PyTorch и TensorFlow. В карточке приведён результат BLEU 23,1 и chr-F 0,467 на тестовом наборе JW300.de.lua. Модель распространяется по лицензии Apache-2.0. Результаты могут различаться на текстах иной тематики и стиля; карточка не приводит сведений о качестве на других тестовых наборах.

kalese/opus-mt-en-bkm — модель машинного перевода, полученная дообучением Helsinki-NLP/opus-mt-en-ro на наборе данных arrow. Она предназначена для перевода текстов с английского на bkm. Модель построена на архитектуре Marian, содержит 55,7 млн параметров и рассчитана на контекст до 512 токенов. В оценке на тестовой выборке указаны BLEU 14,5684 и loss 1,1597. Распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-en-rn — модель машинного перевода из проекта OPUS-MT, построенная на архитектуре Marian. Она переводит текст с английского на рунди; модель обучена для этой однонаправленной языковой пары и использует нормализацию и SentencePiece с словарями по 4 тыс. токенов. Число параметров — около 29 млн, заявленный контекст — 512 токенов. Доступны веса в форматах PyTorch и TensorFlow. Модель подходит для перевода коротких текстов, например фраз, сообщений и предложений. В тесте Tatoeba для пары en→rn указаны BLEU 10,4 и chr-F 0,436; эти результаты отражают качество на конкретном наборе и не гарантируют точность для всех текстов. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-fr-fj — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с французского языка на фиджийский и основана на архитектуре MarianMT с трансформером; в модели 55,6 млн параметров. Для обработки текста используются нормализация и SentencePiece. Модель обучена на данных OPUS; в README приведён результат BLEU 27,4 на тестовом наборе JW300.fr.fj. Модель подходит для перевода отдельных текстов и фраз с французского на фиджийский. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-gil-fr — модель машинного перевода семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с языка Gilbertese (gil) на французский (fr) и предназначена для автоматического перевода предложений и текстов в этом языковом направлении. Модель использует архитектуру MarianMT на основе Transformer; размер — 52,4 млн параметров, контекст — до 512 токенов. Предобработка включает нормализацию и SentencePiece. Для тестового набора JW300.gil.fr в карточке приведены результаты BLEU 24,9 и chr-F 0,424. Модель распространяется по лицензии Apache-2.0. Результаты относятся к указанному тестовому набору; качество на других текстах и предметных областях может отличаться.

Модель Helsinki-NLP/opus-mt-tc-bible-big-poz-en разработана группой Language Technology Research Group Хельсинкского университета в рамках проекта OPUS-MT. Это нейросетевая система машинного перевода с архитектурой Marian Transformer-big, преобразованная из Marian NMT в формат PyTorch для Transformers; размер — около 161,9 млн параметров, контекст — до 1024 токенов. Модель переводит тексты с языков группы Malayo-Polynesian (poz), включая перечисленные в карточке языки, на английский. Она обучена на данных OPUS, в том числе корпусе, связанном с библейскими текстами, и дополнительных параллельных данных. Для пары «многоязычный исходный текст — английский» в карточке приведены результаты chr-F 0,488 и BLEU 30,5 на тестовом наборе Tatoeba. Модель работает с текстом и предназначена для перевода предложений и текстов с поддерживаемых языков. Качество зависит от исходного языка и тематики; обучающие публичные данные могут содержать оскорбительный материал и стереотипы. Лицензия — Apache-2.0.

Pantheon-Hermes-rp — созданная автором ohyeah1 объединённая диалоговая языковая модель на базе Llama 3, предназначенная прежде всего для ролевых диалогов и генерации текста. Модель объединяет Pantheon-RP-1.0-8b-Llama-3 и Hermes-2-Pro-Llama-3-8B методом dare_ties; в конфигурации базовой моделью указана Undi95/Meta-Llama-3-8B-hf. Архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров. Модель принимает текст в формате ChatML и генерирует текст; заявленная длина контекста составляет 8192 токена. README характеризует её как сильную в ролевой игре и отмечает склонность к раскованным ответам. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое применение.

LoftQ/phi-2-4bit-64rank — набор для LoftQ, метода квантования, учитывающего последующее дообучение LoRA. Он включает 4-битную квантованную основу Phi-2 и инициализацию адаптеров LoRA ранга 64; адаптеры находятся в подкаталоге loftq_init. Модель построена на плотной архитектуре PhiForCausalLM, содержит 3,5 млрд параметров и рассчитана на контекст до 2048 токенов. В карточке указано, что основа загружается с bitsandbytes NF4. Набор предназначен для подготовки Phi-2 к дообучению с LoRA/QLoRA и генерации текста после такого дообучения. В README приведены эксперименты с supervised fine-tuning на GSM8K; для конфигурации с 4-битной основой и рангом 64 указана оценка 60,2±0,6. Это экспериментальный результат конкретной настройки, а не гарантия качества на других задачах. Модель распространяется по лицензии MIT.

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

PIT-4B — базовая предварительно обученная языковая модель семейства Point-In-Time от Diamegs. Это декодерный Transformer в стиле GPT с 20 слоями, предназначенный для генерации текста и анализа того, что могло быть известно на определённый момент времени. Чекпойнт обучен на хронологически упорядоченных ежемесячных снимках FineWeb и соответствует состоянию знаний на декабрь 2018 года; для следования инструкциям авторы предлагают отдельную версию PIT-4B-FT. Модель принимает текст и генерирует текст, поддерживает английский язык, имеет контекст 2048 токенов и распространяется в формате safetensors через Transformers. Лицензия — Apache-2.0. Модель подходит для временного анализа и экспериментов с генерацией текста при ограничении знаний историческим срезом. Она не прошла RLHF или настройку безопасности, может воспроизводить смещения обучающих данных и не предназначена для критически важных сценариев без дополнительного выравнивания.

Prism Roleplay 1.5 Small — модель VertexAGI из семейства Prism для ролевого взаимодействия и иммерсивного диалога. Она предназначена для сценариев character roleplay: ведения персонажа, написания действий, реплик и внутреннего монолога от его лица, а также создания связной художественной прозы с сохранением образа и атмосферы. Модель построена на Qwen3-8B и дообучена методом LoRA с рангом 8, масштабом 20 и использованием 16 слоёв; обучение выполнено в течение 2500 итераций на последовательностях до 2048 токенов. Доступны 4-битный формат MLX для Apple Silicon и GGUF Q4_K_M для llama.cpp и совместимых сред. Заявлен английский язык. Для Qwen3 при использовании GGUF необходимо отключать режим рассуждений, иначе модель может выводить блоки <think> перед ответом. Сильные стороны модели — ориентация на качество прозы, насыщенные ответы, наличие диалогов и устойчивое соблюдение ролевого формата. В заявленном слепом сравнении с базовой Qwen3-8B она получила 83% побед: 10 побед, 2 поражения и 4 ничьи в 16 сценах. Ограничения включают небольшой размер 8B параметров, влияние стиля исходного форума и учительских моделей, а также возможный дрейф в очень длинных многоходовых сессиях. Модель распространяется по лицензии Apache 2.0.

Prism Roleplay 1.5 Small Fast — модель генерации текста для ролевых диалогов и художественных сцен, разработанная на основе рецепта Prism Roleplay 1.5 Small. Это дообученная версия Bonsai-8B, построенной на архитектуре Qwen3-8B. Весовая конфигурация смешанная: большинство слоёв и эмбеддинги сжаты до 1 бита, а слои, затронутые LoRA, сохранены в 6-битном формате. Модель содержит 7,6 млрд параметров и поддерживает контекст до 65 536 токенов. Модель предназначена для генерации ролевых ответов с диалогом и развёрнутой прозой. Она рассчитана на локальный запуск через MLX на устройствах Apple Silicon; для 1-битных слоёв требуется форк MLX от PrismML с соответствующими ядрами. В описанной разработчиком оценке модель была быстрее и экономнее по памяти, чем 4-битный вариант Prism Roleplay 1.5 Small, но качество прозы уступало ему в сравнении с оценкой LLM. Проверка охватывала только 16 сцен, поэтому результаты ограничены небольшой выборкой. Лицензия — Apache-2.0.

PsyMedLewd-20B-TIES — объединённая методом TIES языковая модель автора Elfrino, предназначенная для генерации художественного текста и ролевых историй в жанре научной фантастики. Модель сочетает PsyMedRP-v1-20B и MXLewd-L2-20B, используя Elfrino/PsyMedLewd_v4 как базу слияния. Это плотная архитектура LlamaForCausalLM примерно на 19,8 млрд параметров. Она принимает текст и генерирует текст, поддерживает шаблоны Alpaca и ChatML и имеет контекст до 4096 токенов. Автор отмечает выразительную прозу и характерную научно-фантастическую терминологию; модель описана как тестируемая и уже уступающая более поздней версии PsyMedLewdREMM-20B-TIES-Q5_K_M-GGUF. Репозиторий содержит веса Safetensors в формате float16. Лицензия в доступных данных не указана.

Карточка модели nisha1990kum/Qwen3.5-Hasutsubomi-9B на Hugging Face совпадает с карточкой Local-Novel-LLM-project/Qwen3.5-Hasutsubomi-9B, поэтому описание составлено по ней. Qwen3.5-Hasutsubomi-9B — мультимодальная модель на 9 млрд параметров, разработанная проектом Local-Novel-LLM-project на основе Qwen/Qwen3.5-9B и дообученная для японского творческого письма и субкультурной тематики. Она предназначена для генерации рассказов, диалогов и планов миров, ролевого общения, а также для обсуждения аниме, манги и японских интернет-феноменов. Модель принимает текст и изображения: она может создавать истории по иллюстрациям и описывать визуальный дизайн персонажей или манга-панели. В карточке указаны японский и английский языки, архитектура Qwen3.5 с визуальным энкодером и контекст до 262 144 токенов. Весовые файлы представлены в формате safetensors. Это предварительная версия, которая всё ещё проходит обучение и эксперименты. В длинных текстах возможны повторения и нестабильное форматирование; ответы могут чрезмерно опираться на аниме-клише, а сведения о малоизвестных событиях субкультуры — содержать ошибки. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Humanlike-Chat-GGUF — текстовая модель для локального запуска, разработанная LessThanThreeAI. Она представляет собой GGUF-квантизации модели huihui-ai/Huihui-Qwen3.8-27B-abliterated, основанной на Qwen/Qwen3.8-27B, с адаптером Humanlike Chat ранга 256 и шагом 576. Адаптация направлена на более естественный, краткий и взаимный диалог вместо типичных ответов ассистента. Модель предназначена прежде всего для ролевого общения с персонажами, companion chat, интерактивной художественной прозы и NPC с заданной личностью. Она поддерживает работу с character card или системным промптом для задания идентичности, окружения и отношений. Модель текстовая, рассчитана на запуск через llama.cpp и доступна в вариантах от IQ4_XS до BF16 объёмом примерно от 15,10 до 53,81 ГБ; наиболее сбалансированным вариантом README называет Q4_K_M размером 16,56 ГБ. Нативная длина контекста составляет 262 144 токена, при этом для начала рекомендуется 32 768 токенов, поскольку увеличение контекста требует дополнительной памяти под KV-кэш. Сильными сторонами являются ориентация на естественный персональный диалог, ролевые сценарии и локальное использование; ограничения включают текстовую модальность и значительные требования к памяти, зависящие от квантизации и длины контекста. Модель распространяется по лицензии Apache-2.0.

SergiioB подготовил неофициальный экспорт Qwen3.8-27B в формате OpenVINO INT4 с сохранением части слоёв GatedDeltaNet в более высокой точности. Это мультимодальная плотная модель Qwen с архитектурой Qwen3_5ForConditionalGeneration, полученная на основе Qwen/Qwen3.8-27B. Экспорт предназначен для диалогов и задач анализа изображений; в README качество проверено на англоязычном примере ai2d. В языковом графе 73% слоёв сжаты до INT4 с группой 128, около 22% оставлены в плавающей точности, а около 5% представлены в INT8. По замерам автора, на Intel Arc Pro B70 модель выдаёт 13,89 токена/с и проходит проверку качества на указанном примере. Для запуска требуется OpenVINO GenAI 2026.4 или новее; README отмечает сбой с более старой версией 2026.2 и рекомендует передавать конфигурацию генерации именованным аргументом. Модель опубликована под лицензией Apache-2.0. Экспорт неофициальный, а приведённые результаты производительности и качества относятся к одному устройству и ограниченному тесту; они не подтверждают качество на широком наборе задач.

Модель devpotatopotato/qwen3-8b-sft-260901-acereason-bigmath — дообученная командой devpotatopotato версия Qwen3-8B для генерации текста в диалоговом формате. В README указано обучение на наборах acereason_keyword_details и bigmath_keyword_details; по названию наборов модель ориентирована на рассуждения и математические задачи, однако подробностей обучения и оценки не приведено. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и формат safetensors. Контекстное окно — до 40 960 токенов. Базовая модель мультиязычная; сведения о языках, на которых специально обучали эту версию, отсутствуют. Модель распространяется под лицензией с обозначением «other», конкретные условия следует уточнить в карточке репозитория.

RoBERTa-base от cahya — модель на основе архитектуры RoBERTa, предварительно обученная на индонезийской Википедии с задачей маскированного языкового моделирования. Она предназначена прежде всего для предсказания пропущенных слов в индонезийском тексте и может служить основой для дообучения на задачах обработки языка. Модель нечувствительна к регистру: например, «indonesia» и «Indonesia» обрабатываются одинаково. Тексты при обучении приводились к нижнему регистру и токенизировались WordPiece с размером словаря 32 000. Контекст — до 514 токенов; число параметров — 153,2 млн. Доступны версии весов Flax, PyTorch и TensorFlow. Модель принимает текст и выдаёт распределение вероятностей для заполнения маскированных позиций. В README также упоминаются извлечение признаков и возможное применение в последующих задачах, включая классификацию и генерацию текста, однако для них потребуется соответствующая настройка. Лицензия — MIT.

Это базовая японская RoBERTa-модель, разработанная nlp-waseda и предварительно обученная на японской Википедии и японской части корпуса CC-100. Она предназначена для восстановления замаскированных слов и подслов в японском тексте, а также может служить основой для задач понимания японского языка после дообучения. Модель использует архитектуру RoBERTa для masked language modeling, содержит 137,8 млн параметров и принимает последовательности длиной до 514 токенов. Словарь SentencePiece насчитывает 32 000 токенов; при подготовке текста применялась сегментация Juman++, хотя токенизатор Transformers поддерживает автоматическую обработку. Модель работает с японским языком и распространяется по лицензии Apache 2.0.

nlp-waseda/roberta-large-japanese — большая японская модель RoBERTa, разработанная Waseda NLP и предварительно обученная на японской Википедии и японской части корпуса CC-100. Она предназначена для восстановления замаскированных фрагментов текста и других сценариев masked language modeling, а также может служить основой для последующей адаптации к задачам обработки японского языка. Модель использует архитектуру RobertaForMaskedLM, содержит 435,4 млн параметров и поддерживает контекст до 514 токенов. Словарь включает 32 000 токенов; текст сегментируется на слова с помощью Juman++ и затем токенизируется SentencePiece. Токенизатор Transformers может автоматически выполнять эту предобработку. Модель принимает и выдаёт текст на японском языке. Модель опубликована на условиях лицензии CC BY-SA 4.0. В README приведена ссылка на результаты на JGLUE, но конкретные оценки не указаны.

Koichi Yasuoka разработал эту крупную модель RoBERTa на основе klue/roberta-large и предварительно обучил её на корейских текстах. Её словарь и эмбеддинги токенов дополнены всеми ханча из базового учебного набора иероглифов и списка иероглифов, разрешённых для личных имён в Корее. Модель содержит 442,9 млн параметров, принимает текст и предназначена для задачи заполнения маски; её можно дообучать для разметки частей речи, синтаксического анализа зависимостей и других задач обработки корейского языка. Контекст составляет 514 токенов. Распространяется по лицензии CC BY-SA 4.0.

RP-Spectrum-24B — объединённая модель для ролевых диалогов, созданная сообществом Casual-Autopsy на основе нескольких дообученных моделей Mistral. Объединение выполнено методом DELLA с использованием Mistral-Small-3.2-24B-Instruct-2506 и других моделей, ориентированных на ролевые сценарии. Модель построена на плотной архитектуре MistralForCausalLM, содержит 23,4 млрд параметров и поддерживает контекст до 131 072 токенов. Она предназначена для генерации текста и творческих ролевых диалогов; доступна в формате Safetensors. Карточка отмечает высокую креативность и рекомендует температуру генерации не выше 0,7 для более управляемых ответов. Лицензия в предоставленных данных не указана. Модель унаследовала свойства входящих в объединение чекпойнтов; качество и поведение могут зависеть от сценария и настроек генерации.

Это GGUF-квантизированная версия SmolVLM2-2.2B-Instruct-Agentic-GUI, разработанной командой smolagents и подготовленной пользователем bartowski. Модель относится к классу vision-language моделей с конвейером image-text-to-text и предназначена для обработки изображений и текста с генерацией текстовых ответов. Название указывает на ориентацию исходной модели на агентные сценарии взаимодействия с графическим интерфейсом, однако подробное описание таких возможностей в README отсутствует. Модель имеет размер 2,2 млрд параметров в исходной версии и распространяется в формате GGUF для запуска через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от BF16 до различных уровней квантования, включая Q4, Q5, Q6, Q8 и IQ4; размеры файлов варьируются примерно от 0,99 до 3,63 ГБ. README не содержит сведений о поддерживаемых языках, размере контекстного окна, точной архитектуре, используемых данных, результатах оценки или найденном формате промптов. Основное преимущество этой версии — возможность локального запуска при существенно меньшем размере файлов благодаря квантованию, а также наличие вариантов с разным компромиссом между качеством и требованиями к памяти. При этом квантование может снижать качество по сравнению с исходными весами, особенно у наиболее компактных вариантов, а конкретные ограничения мультимодальной обработки и агентного поведения из представленных данных определить нельзя. Лицензия в README не указана, поэтому условия использования следует уточнять на странице исходной модели и репозитории конкретной версии.

smolGen1.0 — компактная диалоговая языковая модель, созданная Larisa Andreea путём дообучения HuggingFaceTB/SmolLM2-135M-Instruct с помощью TRL. Она предназначена для генерации ответов на пользовательские сообщения и запускается через библиотеку Transformers как модель задачи text-generation. Модель использует плотную архитектуру семейства Llama с классом LlamaForCausalLM, содержит 134,5 млн параметров и имеет контекстное окно 8192 токена. README демонстрирует диалоговый ввод и генерацию продолжения; метаданные указывают возможность чата. Базовая модель описана как компактная англоязычная инструктивная модель, поэтому основным языком следует считать английский. Модель подходит для компактных диалоговых приложений и экспериментов с генерацией текста. Карточка не сообщает результаты оценки качества, подробности обучающих данных или лицензию, поэтому эти характеристики нельзя подтвердить.

srmty/smolLM2-360M-instruct-math-v1 — дообученная в формате инструкций языковая модель на основе HuggingFaceTB/SmolLM2-360M, разработанная автором репозитория srmty. Она предназначена для выполнения общих инструкций и ответов на математические вопросы с рассуждениями. Обучение проводилось на смешанном наборе инструкций, включающем GPTeacher-General-Instruct и подвыборку MetaMathQA; примеры оформлялись в формате Alpaca. Модель имеет плотную архитектуру семейства Llama с 361,8 млн параметров, поддерживает контекст до 8192 токенов и принимает текст для генерации текстовых ответов. В метаданных указан английский язык, поэтому её применение ориентировано прежде всего на англоязычные запросы. Модель распространяется под лицензией Apache-2.0.

SmolLM3-MathInstruct-SFT — дообученная с помощью TRL версия HuggingFaceTB/SmolLM3-3B, созданная для генерации текста в формате диалога. По названию модель ориентирована на математические инструкции, однако карточка не приводит результатов оценки или подробностей обучения, поэтому её математические возможности нельзя оценить по доступным сведениям. Модель имеет плотную архитектуру SmolLM3ForCausalLM, около 3,1 млрд параметров и контекст до 65 536 токенов; для запуска в README показан Transformers pipeline с диалоговым вводом. Базовая модель описана как многоязычная.