I.5Создание и редактирование текста

Dark-Miqu-70B — созданная jukofyork модель для художественного письма в жанре тёмного и grimdark-фэнтези. Это плотная причинная языковая модель семейства Llama с 68,7 млрд параметров, собранная с помощью Mergekit из miqu-1-70b-sf, Midnight-Rose-70B-v2.0.3, Euryale-1.3-L2-70B и WinterGoddess-1.4x-70B-L2. Модель рассчитана на генерацию длинных творческих текстов; заявлена длина контекста 32 764 токена. Предпочтителен формат запросов Vicuna, также поддерживаются Mistral и Alpaca. Модель ориентирована на мрачные, пессимистичные сюжеты и длинные ответы; карточка приводит примеры grimdark-фэнтези. Основной язык, обозначенный для базовой модели, — английский. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели и у исходных моделей.

Eclectic-Maid-10B — слитая модель генерации текста на архитектуре Mistral, созданная автором карточки с помощью mergekit. Веса объединены методом DARE TIES на основе Eclectic-Maid-10B-p1 с компонентами Eclectic-Maid-10B-p2; размер модели — 10,4 млрд параметров, формат — safetensors. Модель предназначена для диалогов и ролевых сценариев в Silly Tavern. В карточке упоминается совместимость с форматами Alpac Roleplay, ChatML и noromaid. Модель принимает текст и генерирует текст; длина контекста составляет 32 768 токенов. Лицензия в предоставленных данных не указана.

Pinyin-Code Masked LM — модель masked language modeling на базе архитектуры BERT, опубликованная в репозитории timorobrecht/full_chinese_bert. Веса занимают 41,7 млн параметров, контекст — до 512 токенов; модель использует токенизацию pinyin-code для китайского текста, а в этой сборке включена сегментация jieba. Для загрузки применяется Transformers с trust_remote_code=True; для токенизации сырого китайского текста нужны pypinyin и sentencepiece. Модель предназначена для восстановления замаскированных токенов и оценки языковой правдоподобности китайских предложений, в том числе через pseudo-log-likelihood для сравнения пар предложений. Выходы скрытых слоёв также можно использовать для извлечения представлений. Репозиторий содержит веса safetensors и пользовательский код Transformers; лицензия в предоставленных данных не указана.

Это квантизированная GGUF-версия Huihui-Qwen3.6-35B-A3B-abliterated — мультимодальной MoE-модели семейства Qwen, созданной Huihui AI на основе Qwen3.6-35B-A3B. Она предназначена для диалогов и анализа изображений; заявлена архитектура Qwen3.6 с экспертами, а также совместимость с llama.cpp. Квантизация MXFP4 уменьшает размер весов с 64,6 до 20,6 ГБ, сохраняя в BF16 отдельные чувствительные компоненты. Репозиторий также содержит варианты GGUF в BF16, F16 и F32. Модель может применяться для визуальных вопросов и ответов и мультимодального общения. В README отмечено, что у неё значительно снижена фильтрация безопасности, поэтому ответы могут включать нежелательный или небезопасный контент. Лицензия — Apache-2.0.

nbeerbower/KawaiiMahou-llama3-8B — разговорная модель на архитектуре Llama 3, дообученная на базе flammenai/Mahou-1.1-llama3-8B. В репозитории указано, что исходная Mahou обучалась на японском наборе предпочтений с помощью Direct Preference Optimization; для этой модели заявлены 7,5 млрд параметров и контекст до 8192 токенов. Модель предназначена для генерации текста в диалогах и ролевом общении. Она использует формат ChatML и рассчитана на запуск через Transformers; веса представлены в safetensors. Карточка указывает лицензию «other», поэтому конкретные условия использования следует сверить с файлами лицензии репозитория. В метаданных набора данных указан японский язык, но прямого утверждения о языковом покрытии самой модели нет.

KoBigBird-RoBERTa-large — крупная корейская языковая модель VAIV на архитектуре BigBird с задачей восстановления замаскированных токенов. При разработке использованы параметры klue/roberta-large; архитектура BigBird и метод TAPER позволяют обрабатывать входы длиной до 4096 токенов. В README приведены результаты оценки на валидационных наборах KLUE. Модель подходит для восстановления пропусков в корейском тексте и как основа для дальнейшего предварительного обучения с длинными входами. Доступна в форматах PyTorch и safetensors, содержит около 435,4 млн параметров и распространяется по лицензии CC BY-SA 4.0. Авторы отмечают, что дополнительное предварительное обучение может улучшить позиционные представления.

KoELECTRA Base Generator — предварительно обученная языковая модель для корейского языка, разработанная monologg на архитектуре ELECTRA. Она предназначена для восстановления замаскированных токенов и может использоваться как основа для задач обработки корейского текста. Модель содержит 20,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в формате PyTorch. Для загрузки используются Transformers и токенизатор ElectraTokenizer. Лицензия — Apache-2.0. Модель ориентирована на корейский язык; сведения о специальных ограничениях качества или областях применения в карточке не приведены.

Panga-Azazia/LFM2.5-350M-TTS-Spe — разговорная модель на основе семейства LFM2.5, дообученная с помощью TRL. Карточка демонстрирует генерацию ответа на текстовый вопрос через Transformers pipeline с задачей text-generation. Модель предназначена для диалоговой генерации текста. В названии заявлено назначение TTS, однако README показывает только текстовый ввод и текстовый ответ; сведений о синтезе речи, аудиовыходе, размере модели, языках или лицензии в предоставленных данных нет.

Llama-3.1-8B-ArliAI-RPMax-v1.3 — дообученная ArliAI модель семейства Llama 3.1 для творческого письма и ролевых диалогов. Она основана на Llama-3.1-8B-Instruct и обучена на отобранных и очищенных от повторяющихся персонажей и ситуаций наборах данных по художественному письму и ролевым играм. В версии 1.3 применялись обновлённые инструменты обучения и RSLORA+. Модель принимает текстовые запросы в формате Meta Llama 3 Instruct и генерирует текстовые ответы. Карточка указывает контекст до 128K токенов; в метаданных размер указан как 7,5 млрд параметров. Модель ориентирована на разнообразные, менее шаблонные ответы в разных ролевых ситуациях, а также на создание творческих текстов. Язык обучения и конкретные языки поддержки в карточке не перечислены. Модель выпущена под лицензией Llama 3.1. Её специализация на художественных и ролевых данных может ограничивать пригодность для задач общего назначения; карточка не приводит результатов независимых оценок качества.

Модель brianmatzelle/llama3.1-8b-instruct-political-subreddits — дообученная разговорная модель семейства Llama 3.1, созданная brianmatzelle на базе unsloth/meta-llama-3.1-8b-instruct-bnb-4bit с использованием Unsloth и TRL. Это плотная авторегрессионная языковая модель с 7,5 млрд параметров, предназначенная для генерации текста и диалоговых ответов; название указывает на специализацию на материалах политических сабреддитов. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Лицензия — Apache 2.0. Карточка не приводит оценок качества, состава обучающих данных и подробностей о политических темах, поэтому пригодность для конкретных задач и возможные смещения следует проверять на собственных примерах.

Модель VaSy365/llama3.2-3b-legal-id-grpo разработана VaSy365 как дообученная версия VaSy365/llama3.2-3b-legal-id-ft. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров для генерации текста и диалогов; метаданные указывают контекст до 131072 токенов и интерфейс для вызова инструментов. Базовая модель заявлена как ориентированная на право и индонезийский язык, однако карточка этой версии не описывает конкретные юридические навыки или результаты оценки. Модель подходит для генерации ответов и ведения диалогов в юридических сценариях на индонезийском языке. Обучение выполнялось с Unsloth и библиотекой TRL. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

SAA-Lab/Llama8B-CreativeWritingVerifier — модель оценки текста, разработанная SAA-Lab на базе Meta Llama 3.1 8B. Это дообученная плотная модель классификации последовательностей с 7,5 млрд параметров, предназначенная для присвоения рассказам на английском языке скалярной оценки в качестве reward-модели или верификатора. Она принимает сырой текст рассказа напрямую; модель не предназначена для генерации текста, а шаблон диалога и обёртка в промпт не требуются. Контекстное окно составляет 131 072 токена. Модель распространяется в формате Safetensors по лицензии Llama 3.1.

MahaBERT — модель языка маратхи семейства BERT, разработанная L3Cube-Pune. Она создана дообучением google/muril-base-cased на корпусе L3Cube-MahaCorpus и других общедоступных одноязычных датасетах маратхи. Модель предназначена для работы с замаскированными токенами: по контексту она предсказывает пропущенное слово или часть слова в тексте на маратхи. Модель использует архитектуру BERT для masked language modeling, содержит около 264,8 млн параметров и принимает последовательности длиной до 512 токенов. Доступны веса в форматах PyTorch и Safetensors. Лицензия — CC BY 4.0; при распространении и использовании нужно соблюдать её условия атрибуции.

Metharme 7B — инструкционная языковая модель на архитектуре LLaMA, разработанная PygmalionAI и дообученная для диалогов, ролевых сценариев и художественного письма. В карточке указано, что эта версия преобразована из весов XORs, опубликованных PygmalionAI; модель основана на Meta LLaMA-7B и обучалась методом supervised fine-tuning на инструкционных данных, ролевых диалогах и художественных текстах с синтетическими инструкциями. Модель предназначена для генерации текста по инструкциям, интерактивных разговоров, ролевых игр и сочинения историй. Она принимает текст и выдаёт текст, поддерживает английский язык, имеет около 6,6 млрд параметров и контекст длиной 2048 токенов. Для работы с диалогами в карточке описан формат промптов с несколькими ролями. Модель не обучалась специально для безопасных и безвредных ответов и может генерировать грубый, непристойный или оскорбительный текст; ответы могут содержать фактические ошибки. В карточке рекомендуемое применение ограничено художественными и развлекательными сценариями. Сведения о лицензии в предоставленных данных отсутствуют.

Painted Fantasy — экспериментальная текстовая модель zerofata для ролевых диалогов и творческого письма с персонажами. Она основана на Mistral Small 3.2 24B Instruct и дообучена в несколько этапов: автор сообщает о небольшом дополнительном предобучении на новеллах и материалах вики, затем SFT и двух этапах DPO. Модель содержит 23,4 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 131 072 токенов. Модель рассчитана на развернутые повествовательные ответы, ролевое взаимодействие и сценарии ERP; автор рекомендует форматировать действия, реплики и мысли персонажей отдельно. Карточка описывает экспериментальный выпуск, а не гарантирует качество для всех сценариев. Метаданные указывают Apache-2.0; веса представлены в safetensors, а README также упоминает сторонние квантизации GGUF и EXL3.

Это дообученная модель семейства mT5, разработанная автором репозитория на базе google/mt5-large для перевода с японского языка на упрощённый китайский. Модель содержит около 608,4 млн параметров и предназначена для перевода текстовых предложений. Модель дообучали один проход на парах предложений из отфильтрованных наборов CCMatrix и WikiMatrix. При обучении максимальная длина последовательности составляла 128 токенов, поэтому для перевода документов их следует разбивать на короткие предложения: длинные входы могут ухудшить качество. Веса опубликованы в формате PyTorch; лицензия в предоставленных данных не указана.

MyGemmaNPC — текстовая модель генерации диалоговых ответов, созданная дообучением Google Gemma 3 270M IT с помощью TRL. Она предназначена для общения и генерации ответов на пользовательские вопросы; в карточке приведён пример диалога о выборе между путешествием в прошлое и будущее. Модель имеет плотную архитектуру Gemma3ForCausalLM, содержит 257 млн параметров и поддерживает контекст до 32 768 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

NanoSakura-2-0.2B — модель перевода с японского на китайский, разработанная telecomadm1145. Это Seq2Seq-архитектура, сочетающая Transformer-энкодер с RoPE и SwiGLU и декодер Mamba2 с перекрёстным вниманием. В карточке указано около 188 млн параметров; модель опубликована в формате safetensors и распространяется по лицензии MIT. Модель предназначена для перевода японского текста на китайский, в том числе для развёртывания на устройствах с ограниченными ресурсами и высокопроизводительных API. Автор сообщает об оценке на FLORES-200 и тестовом наборе shard_00134; результаты зависят от набора данных. Для загрузки через Transformers требуется включить trust_remote_code=True, поскольку используется пользовательская архитектура.

NemoomeN-Reflection-Tuned-Nemo-12b-8bit-gguf — 12,1-миллиардная плотная причинно-языковая модель семейства Mistral в формате GGUF, настроенная на ответы с пошаговым рассуждением и самопроверкой. В README приведены примеры решения задач на подсчёт букв и бытовых вопросов; они показывают желаемый стиль ответа, но не подтверждают качество модели на широком наборе задач. Модель предназначена для генерации текста в диалоговом формате и ответов на вопросы с явным изложением рассуждений. Метаданные указывают контекст до 1 024 000 токенов. В карточке не названы разработчик исходной базовой модели и лицензия; явная связь с конкретным базовым репозиторием не приведена.

Sunfall v0.6.1 — экспериментальная разговорная модель crestf411, созданная на базе Mistral и дообученная для ролевых диалогов и написания историй. Она рассчитана на работу в формате, похожем на instruct-пресет Mistral для SillyTavern, и поддерживает сценарии с персонажами, карточками рассказчика и тегами для задания стиля и тематики. Модель содержит 12,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и формат safetensors. В метаданных заявлено контекстное окно до 1 024 000 токенов. Карточка сообщает о сравнении с базовой instruct-моделью на MMLU-Pro: результаты немного выше в целом, но слабее в отдельных областях; автор подчёркивает, что модель предназначена прежде всего для ролевой игры и не обещает высоких результатов в других задачах. Лицензия в предоставленных данных не указана.

Это экспериментальный исследовательский чекпойнт семейства NVIDIA Nemotron-3 Nano-30B-A3B с маршрутизируемыми экспертами. Веса экспертов сжаты методом GSQ: групповой размер 64, 2-битные коды и BF16-масштабы групп; средняя точность этих весов составляет 2,25 бита. Остальные веса хранятся в BF16, а веса в репозитории представлены как BF16-тензоры после деквантизации. Модель загружается через Transformers или vLLM. Чекпойнт предназначен для исследовательских экспериментов с низкобитным сжатием моделей и генерацией текста. Метаданные указывают архитектуру Nemotron H, контекст до 262144 токенов, а также возможности диалога и интерфейс вызова инструментов. По карточке нельзя установить конкретные языки применения. Лицензия наследуется от базовой модели; её условия следует сверять с лицензией базовой модели.

Agisight/nllb-rus-tyv-v3-dict_16.5k — модель машинного перевода с русского на тувинский и с тувинского на русский, дообученная на базе facebook/nllb-200-distilled-600M. Это плотная encoder-decoder модель семейства M2M100 для Transformers с сокращённым до 16,5 тыс. субсловным токенизатором; в README указано 370 млн параметров, а метаданные каталога указывают 218,4 млн. Контекст модели — 1024 токена по метаданным; при обучении входные последовательности ограничивались 96 токенами. Для тувинского добавлен код tyv_Cyrl с инициализацией эмбеддингов от киргизского. Модель предназначена для лёгкого перевода коротких фраз и предложений ru↔tyv, в том числе для веб-приложений, CPU и Apple Silicon. По приведённому в README тесту на 2 000 пар она немного превзошла полнословарную базовую версию по chrF++ и BLEU в обоих направлениях. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но запрещающая коммерческое применение. Модель специализирована только на русском и тувинском, а длинные входы могут обрабатываться хуже из-за коротких последовательностей в обучении. Символы из неподдерживаемых письменностей и эмодзи могут заменяться байтовыми токенами или теряться. Показатели качества приведены для тестового набора автора и не гарантируют аналогичный результат на других данных.

Helsinki-NLP/opus-mt-afa-afa — модель машинного перевода из проекта OPUS-MT, разработанная Helsinki-NLP. Это трансформер Marian с 42,4 млн параметров, предназначенный для перевода между языками афразийской языковой группы. Модель обучена для многоязычного направления: среди указанных языков — арабский и его варианты, иврит, кабильский, мальтийский, шихи на латинице и таварекский; для выбора целевого языка в начале предложения требуется токен вида >>id<<. Модель принимает и выдаёт текст. В репозитории доступны веса PyTorch и TensorFlow; заявлен контекст до 512 токенов. Предобработка включает нормализацию и SentencePiece. Apache-2.0 разрешает коммерческое и иное использование при соблюдении условий лицензии. Качество зависит от языковой пары: опубликованные тесты показывают заметно разные результаты, в том числе низкие BLEU для некоторых направлений, поэтому качество для конкретной пары следует проверять отдельно.

Helsinki-NLP разработала opus-mt-ber-fr — модель машинного перевода с берберского языка на французский. Она предназначена для перевода текстов с берберского на французский и построена на архитектуре MarianMT, основанной на Transformer. Веса доступны в форматах PyTorch и TensorFlow; модель содержит 35,9 млн параметров и рассчитана на контекст до 512 токенов. При предобработке используются нормализация текста и SentencePiece. В карточке приведены результаты на тестовом наборе Tatoeba.ber.fr: BLEU 60,2 и chr-F 0,754. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-bnt-en — модель машинного перевода из проекта OPUS-MT, разработанная на архитектуре Transformer и реализованная как MarianMT. Она переводит тексты с нескольких языков банту на английский: среди исходных языков README перечисляет киньяруанда, лингала, луганда, ньянджа, рунди, шона, суахили, тсонга, тсонга? и зулу; также указаны тсонга, тсонга (цицонга), тсонга, тсонга и умбунду. Модель содержит 56,8 млн параметров, использует нормализацию и SentencePiece с 32-тысячным словарём и имеет контекстное окно 512 токенов. Модель предназначена для перевода с перечисленных языков на английский; обратный перевод не заявлен. Качество зависит от исходного языка: в README приведены результаты BLEU от 5,3 до 31,7 для отдельных наборов Tatoeba, поэтому оценку стоит проводить на собственных текстах, особенно для языков с низкими опубликованными результатами. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-bzs-fr — модель машинного перевода семейства MarianMT, разработанная Helsinki-NLP в рамках проекта OPUS-MT. Она переводит текст с языка bzs на французский; обучение выполнено на данных OPUS с нормализацией и токенизацией SentencePiece. Модель построена на архитектуре Transformer и содержит 52,9 млн параметров. Для тестового набора JW300.bzs.fr указаны BLEU 30,0 и chr-F 0,479. Модель подходит для перевода текстов с bzs на французский в приложениях и исследовательских сценариях. Метаданные указывают контекст до 512 токенов и поддержку PyTorch и TensorFlow. Лицензия — Apache-2.0. Карточка не описывает ограничения качества за пределами приведённого теста и направления перевода.

Helsinki-NLP разработала OPUS-MT-cau-en — многозадачную модель машинного перевода на архитектуре Transformer, реализованную как MarianMT. Она переводит с абхазского, адыгейского, чеченского и грузинского на английский; для обработки текста используются нормализация и SentencePiece с моделью словаря spm32k. Модель содержит 57,1 млн параметров и имеет контекстное окно 512 токенов. Модель подходит для перевода текстов с этих кавказских языков на английский. В README приведены тестовые результаты Tatoeba для абхазского, адыгейского и чеченского; значения BLEU невысокие, поэтому качество на таких направлениях может быть ограниченным. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-da-eo — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer-align и реализованная как MarianMTModel. Она переводит текст с датского языка на эсперанто; модель обучена на корпусе OPUS и использует нормализацию и SentencePiece с словарями по 4 тысячи токенов. Размер модели — 28,9 млн параметров, контекст — до 512 токенов. В карточке приведён результат BLEU 23,6 на тесте Tatoeba-test.dan.epo. Модель подходит для перевода отдельных фраз и текстов с датского на эсперанто. Распространяется под лицензией Apache-2.0; доступны веса PyTorch и TensorFlow. Качество может различаться в зависимости от тематики и формулировок; оценка из карточки относится к указанному тестовому набору.

Helsinki-NLP/opus-mt-dra-en — модель машинного перевода семейства OPUS-MT, разработанная Helsinki-NLP и представленная в рамках Tatoeba Challenge. Она переводит тексты с каннада, малаялам, тамильского и телугу на английский; модель поддерживает несколько исходных языков, но переводит только в английский. Это Transformer-модель MarianMT с 57,4 млн параметров. Для предобработки применяются нормализация текста и SentencePiece с словарём на 32 тыс. токенов; родная длина контекста — 512 токенов. В опубликованных тестах результаты различаются по языкам: например, BLEU 9,1 для каннада—английского и 42,0 для малаялам—английского, поэтому качество зависит от исходного языка и домена текста. Модель предназначена для перевода текстов и выпущена под лицензией Apache-2.0. Ограничения: поддерживается только перевод с четырёх указанных дравидийских языков на английский; качество для отдельных языковых пар может быть низким, как показывает результат для каннада.

Helsinki-NLP/opus-mt-en-bnt — модель машинного перевода из проекта OPUS-MT, опубликованная Helsinki-NLP. Это трансформер MarianMT с 56,8 млн параметров, который переводит текст с английского на несколько языков банту: киньяруанда, лингала, луганда, ньянджа, кирунди, шона, суахили, тони, тсонга, умбунду и зулу. Для выбора языка назначения в начале предложения требуется токен вида `>>id<<`; текст обрабатывается с нормализацией и SentencePiece. Модель предназначена для перевода отдельных фраз и текстов с английского на поддерживаемые языки банту. В README приведены результаты на тестовых наборах Tatoeba для ряда языковых пар; оценки различаются между языками, поэтому качество следует проверять на целевых данных. Длина контекста — 512 токенов. Доступны веса PyTorch и TensorFlow; лицензия — Apache-2.0.