I.5Создание и редактирование текста

Модель lugman-madhiai/qwen3.5-0.8b-search-agent-5k — дообученная компактная мультимодальная модель семейства Qwen3.5, созданная lugman-madhiai на базе Qwen/Qwen3.5-0.8B. В карточке заявлены обучение с Unsloth и библиотекой Hugging Face TRL, а метаданные указывают плотную архитектуру Qwen3_5ForConditionalGeneration и формат safetensors. Модель предназначена для диалогов и обработки изображений с выдачей текстовых ответов; интерфейс также поддерживает вызов инструментов. Название предполагает специализацию на поисковом агенте, однако README не описывает обучающие данные, конкретный поисковый сценарий или качество этой специализации. Указанные языковые сведения ограничиваются английским. Модель распространяется по лицензии Apache-2.0. Как компактный чекпойнт на 0,8 млрд параметров, она может быть полезна для экспериментов и специализированных приложений; карточка не приводит оценок качества, длины контекста или подтверждённых ограничений для практического применения.

DavidAU/Qwen3.5-9B-Star-Trek-TNG-DS9-Heretic-Uncensored-Thinking — плотная мультимодальная модель семейства Qwen3.5 с 9 млрд параметров, дообученная автором на собственных наборах данных по Star Trek: The Next Generation и Deep Space Nine. Она предназначена для диалога, понимания изображений, творческого письма и ролевых сценариев с тематическими знаниями по Star Trek. По заявлению автора, дообучение изменило стиль прозы и диалогов, сократило рассуждения и ослабило отказы. Модель принимает текст и изображения, поддерживает режим рассуждений и имеет нативный контекст 262 144 токена; карточка также сообщает о расширении контекста до 1 010 000 токенов. README указывает, что видео не тестировалось. Модель основана на trohrbaugh/Qwen3.5-9B-heretic-v2, использует архитектуру Qwen3.5 с визуальным энкодером и распространяется в формате safetensors. Лицензия — Apache-2.0. README приводит результаты отдельных бенчмарков и проверки ослабления отказов, но это заявления автора; модель всё ещё может требовать более точных инструкций для желаемого стиля или уровня откровенности.

KLUE RoBERTa base — предобученная модель семейства RoBERTa для корейского языка, представленная проектом KLUE. Она предназначена для подстановки пропущенных токенов в корейском тексте и может использоваться как базовая модель для задач понимания языка. Модель содержит 137,8 млн параметров, принимает последовательности длиной до 514 токенов и доступна в форматах PyTorch и safetensors. Для работы с ней в Transformers следует использовать BertTokenizer; AutoTokenizer автоматически загружает этот токенизатор. Карточка не сообщает конкретные ограничения качества или условия лицензии, поэтому их нельзя уточнить по имеющимся сведениям.

KLUE RoBERTa large — предварительно обученная на корейском языке модель семейства RoBERTa, опубликованная проектом KLUE. Она предназначена для задач понимания корейского текста; метаданные указывают основную задачу заполнения пропусков в тексте. Модель содержит 435,4 млн параметров, использует архитектуру RobertaForMaskedLM и принимает последовательности длиной до 514 токенов. Модель подходит для подстановки наиболее вероятных токенов вместо маскированных фрагментов корейского текста и как предобученная основа для последующей адаптации к задачам обработки корейского языка. Для загрузки токенизатора в Transformers карточка рекомендует AutoTokenizer, который использует BertTokenizer. Веса доступны в форматах PyTorch и Safetensors; лицензия в предоставленных данных не указана.

Это крупная японская модель RoBERTa от nlp-waseda, предварительно обученная на японской Википедии и японской части корпуса CC-100. Она предназначена для masked language modeling: модель восстанавливает замаскированные токены в тексте и может использоваться для анализа японских текстов с подстановкой пропусков. Модель содержит 435,4 млн параметров и рассчитана на последовательности длиной до 512 токенов; в метаданных указано нативное контекстное окно 514 токенов. Токенизация использует Juman++ и SentencePiece с 32 000 токенов словаря. Карточка указывает, что токенизатор BertJapaneseTokenizer поддерживает автоматическую токенизацию Juman++, но обработка больших наборов данных может быть медленной из-за отсутствия быстрой токенизации. Модель распространяется по лицензии CC BY-SA 4.0.

KLUE RoBERTa small — предварительно обученная на корейском языке модель семейства RoBERTa, опубликованная проектом KLUE. Она предназначена для заполнения пропусков в тексте: модель предсказывает слово или токен, скрытый специальной маской. Чекпойнт содержит 81,2 млн параметров, использует архитектуру RobertaForMaskedLM и поддерживает контекст до 514 токенов. Модель работает с текстом на корейском языке и доступна в форматах PyTorch и safetensors. Для токенизации карточка рекомендует BertTokenizer; AutoTokenizer загружает его автоматически. Это базовая предварительно обученная модель, которую можно использовать для заполнения масок или адаптировать к другим задачам обработки корейского языка. Лицензия в предоставленных данных не указана.

Koichi Yasuoka разработал небольшую модель RoBERTa, предварительно обученную на корпусе CC-100 для белорусского языка. Это плотная трансформерная модель с 17,9 млн параметров и контекстом до 128 токенов; она предназначена для заполнения пропусков в тексте и может служить основой для дообучения на задачах разметки частей речи, синтаксического анализа зависимостей и других задачах обработки белорусского языка. Модель принимает текст с маскированным токеном и предсказывает подходящее заполнение. Для использования доступны веса PyTorch и загрузка через Transformers. Распространяется по лицензии CC-BY-SA-4.0, требующей указания авторства и сохранения той же лицензии при распространении производных материалов.

Robertita cased — модель RoBERTa-base, разработанная Filevich и обученная с нуля исключительно на материалах уругвайской прессы. Она предсказывает замаскированные слова в испанском тексте и подходит для заполнения пропусков и изучения контекстного употребления слов в уругвайском варианте испанского языка. Модель содержит 137,1 млн параметров, использует архитектуру RobertaForMaskedLM и принимает текстовые последовательности длиной до 130 токенов. Опубликована в форматах PyTorch и Safetensors под лицензией MIT. Обучение только на уругвайской прессе ограничивает её применимость за пределами этого языкового и тематического контекста.

Sarashina2.1-1B — плотная авторегрессионная языковая модель семейства Llama, разработанная SB Intuitions. В модели 1,2 млрд параметров; она обучена на японских и английских веб-данных, с дополнительным этапом обучения преимущественно на японских данных для повышения качества на японском языке. Модель предназначена для продолжения текста и оценки языковых задач на японском и английском. Она принимает текст и генерирует текст, поддерживает контекст до 8192 токенов и не настроена на выполнение инструкций, поэтому не подходит для прямого использования как диалоговый помощник. В README приведены результаты оценки на японских и английских задачах, но они не гарантируют качество в конкретном приложении. Лицензия указана как other; конкретные условия следует проверить в репозитории модели. Разработчики предупреждают, что возможны бессмысленные, неточные, предвзятые или нежелательные ответы, и рекомендуют дополнительную настройку с учётом предпочтений людей и требований безопасности.

ScholarBERT-XL100 — англоязычная модель семейства BERT от Globus Labs, предварительно обученная на 221 млрд токенов научных статей из корпуса PRD. Это чувствительная к регистру плотная модель с архитектурой BertForMaskedLM: 36 слоёв, размер скрытого состояния 1280, 20 голов внимания и контекст до 512 токенов. В README указано 770 млн параметров, тогда как метаданные Hugging Face сообщают 1 млрд. Модель предназначена для заполнения пропусков в научных текстах на английском языке и может использоваться в сценариях продолжения или анализа научных формулировок через masked language modeling. Обучающий корпус охватывает гуманитарные науки, науки о жизни и биомедицину, физические и социальные науки, а также технологии. Доступны веса PyTorch и Safetensors. Лицензия — Apache 2.0.

SmolLM-360M-Instruct — компактная языковая модель HuggingFaceTB для диалоговой генерации текста. Это дообученная версия SmolLM-360M с архитектурой Llama и примерно 362 млн параметров; длина контекста — 2048 токенов. Модель рассчитана на англоязычные беседы, ответы на общие вопросы, творческое письмо и простые примеры кода. Версия v0.2 дообучена на наборах Magpie-Pro-300K-Filtered, self-oss-instruct-sc2-exec-filter-50k, OpenHermes-2.5 и наборе коротких повседневных диалогов. По данным авторов, она лучше удерживает тему и отвечает на стандартные запросы, чем v0.1; в AlpacaEval v0.2 показала преимущество над v0.1. Доступны веса Safetensors и ONNX, модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0. Это небольшая модель, поэтому она может ошибаться в фактах, логике и арифметике, а также испытывать трудности со сложными рассуждениями и редактированием текста. Она предназначена для английского языка; авторы рекомендуют использовать ответы как вспомогательные, а не как окончательный источник информации.

Solomon-0.5B — компактная языковая модель для рассуждений, созданная TitleOS дообучением Qwen/Qwen2.5-0.5B. Это плотная causal language model семейства Qwen2 с 494 млн параметров; в репозитории размещены веса FP16 в формате safetensors. Модель рассчитана на генерацию текста и диалоговые сценарии, включая использование на мобильных устройствах. Контекстное окно составляет 32 768 токенов. При дообучении использовались наборы реконструированных трасс рассуждений, вдохновлённых Claude Opus 4.6 и 4.7. На нетривиальные запросы Solomon обычно отвечает с пошаговым рассуждением перед итоговым ответом; это поведение встроено в веса и не переключается параметром запуска. Лучше всего модель работает на английском языке. Лицензия — MPL-2.0. Размер в 0,5 млрд параметров удобен для запуска на устройствах с ограниченными ресурсами, но модель может ошибаться, особенно в длинных многошаговых цепочках и математике; по этим задачам она уступает более крупным моделям. Системный промпт из примера в карточке усиливает ожидаемый стиль рассуждения, хотя его отсутствие не мешает работе.

Songgot-X 0.8B — компактная языковая модель для генерации текста и вызова инструментов, разработанная Palette на базе Qwen/Qwen3.5-0.8B. Модель дообучена с сохранением исходного chat template и формата tool calling. Она ориентирована прежде всего на корейские сценарии голосовых и чат-ассистентов, где требуется выбрать функцию и сформировать аргументы по пользовательскому запросу; заявлена поддержка корейского и английского языков. Модель содержит около 0,8 млрд параметров и предназначена для локального и on-device использования. Опубликованы варианты в формате GGUF: Q4_K_M размером 505 МБ и Q8_0 размером 774 МБ, совместимые с llama.cpp, Ollama, LM Studio и браузерным запуском. Обучение использовало собственные данные Palette, а также MASSIVE и набор songgot-tools-ko. Архитектура унаследована от базовой модели Qwen/Qwen3.5-0.8B; сведения о длине контекста и дополнительных модальностях не указаны. Сильная сторона модели — точный выбор инструментов и аргументов в корейских задачах. На FunctionChat-Bench она показала 82,2% точности полного вызова и 96,4% точности выбора имени функции, а на отложенном тесте MASSIVE ko-KR — 72,0% и 94,0% соответственно. Эти результаты относятся к конкретным наборам данных, настройкам декодирования и собственному exact-match-оцениванию, поэтому не гарантируют аналогичную эффективность в других языках и сценариях. Модель может ошибаться при выборе близких по смыслу инструментов и при заполнении аргументов. Модель распространяется по лицензии Apache 2.0, что допускает коммерческое использование и on-device распространение при соблюдении условий лицензии.

SPP-T0 Base — базовая предобученная языковая модель на 3 млрд параметров, разработанная EPFL DLab. Это плотная авторегрессионная модель семейства Llama, обученная с нуля по методу Synthetic Persona Pretraining (SPP): к части документов при предобучении добавлялись синтетические рассуждения от первого лица, сформированные на основе конституции. Модель рассчитана на продолжение текста, исследовательское изучение безопасности и выравнивания, а также дальнейшее дообучение. Она не прошла instruction-тюнинг и не поставляется с шаблоном чата. Модель использует токенизатор SmolLM2 с расширенным словарём из 49 280 токенов и контекст до 2 048 токенов. Обучение проведено примерно на 500 млрд токенов из подмножества смеси Olmo 3 Dolma 3. Репозиторий содержит завершённую модель и промежуточные контрольные точки, пригодные для оценки, анализа и дообучения; состояния оптимизатора и генератора случайных чисел отсутствуют, поэтому точно продолжить исходное обучение нельзя. В карточке лицензия обозначена как other, а README сообщает, что её условия ещё окончательно не определены.

SZL-Khipu-1.5B-GGUF — набор GGUF-квантизаций модели SZL-Khipu-1.5B, разработанной SZL Holdings. Базой служит Qwen2.5-1.5B-Instruct, дообученный с использованием QLoRA для управляемой и основанной только на подтверждённых данных навигации по SZL receipt lake. Модель предназначена для сценариев governed agent и локального запуска через llama.cpp, Ollama или LM Studio; в README её статус обозначен как proposal-only. Модель содержит 1,5 млрд параметров и ориентирована на генерацию текста. Доступны варианты с 4-, 5-, 8-битной и F16-квантизацией; вариант Q4_K_M занимает около 0,99 ГБ и рассчитан на работу только на CPU, при этом GPU может использоваться опционально. Язык указан как английский. Сведения о размере контекста и мультимодальных возможностях не приведены. К сильным сторонам относятся компактность, возможность локального запуска на ноутбуке и несколько вариантов компромисса между размером и качеством. Ограничения связаны с тем, что это производный квантизованный артефакт: его численные характеристики могут отличаться от BF16-модели, а подписанный хеш не покрывает GGUF-файлы, поэтому GGUF нельзя считать подписанным исходным чекпойнтом. В базовом репозитории заявлены подписанные квитанции обучения и оценки, но подпись владельца не является независимой оценкой. Лицензия — Apache-2.0.

SPP-T0-MT — Instruct (3B) — языковая модель dlab-spp для диалогов и генерации текста по инструкциям. Это плотная авторегрессионная модель архитектуры Llama, обученная с нуля и затем настроенная методом Synthetic Persona Pretraining и дообученная на примерах с привязкой к персоне. В карточке описаны предварительное обучение примерно на 500 млрд токенов, этап дообучения на отражениях и supervised fine-tuning на 300 тыс. одноходовых примеров. Модель использует токенизатор SmolLM2 с дополнительным маркером и контекст до 2048 токенов. Модель предназначена для исследований конституционного выравнивания, обобщения ценностных установок и устойчивости к jailbreak-запросам. Она принимает текст и выдаёт текст, поддерживает английский язык и диалоговый режим. В ответах используются ссылки на пункты конституции. Доступны варианты с разной долей примеров безопасности. Карточка характеризует модель как исследовательский артефакт и предупреждает, что она может выдавать неверный или небезопасный контент. Лицензия указана как other, без уточнения условий в предоставленных данных.

t2t-gun-nlth-from-base — модель MarianMT с 29,9 млн параметров, дообученная на основе tiagoblima/gun-nlth-base. Репозиторий содержит веса в формате safetensors; для модели указано контекстное окно 512 токенов. Тег text2text-generation указывает на преобразование текста в текст, однако конкретное назначение модели и поддерживаемые языки не описаны. В карточке приведён результат оценки: loss 6,3261. Датасет, условия оценки и ограничения не раскрыты, поэтому по этому значению нельзя судить о качестве для конкретных задач. Лицензия в предоставленных данных не указана.

talkie-1930-13b-it-hf — преобразованная в формат Transformers версия инструкционной языковой модели семейства Talkie, разработанной Alec Radford, Nick Levine и David Duvenaud. Модель содержит 12,9 млрд параметров и использует плотную авторегрессионную архитектуру TalkieForCausalLM: 40 слоёв и 40 голов внимания. Она обучалась на 260 млрд токенов англоязычных текстов, созданных до 1931 года, а затем была настроена для диалогов на материалах старинных справочников и улучшена с помощью онлайн-DPO. Модель предназначена для генерации текста и общения в стиле начала XX века, включая ответы на инструкции и вопросы с опорой на языковые и культурные особенности эпохи. Контекст составляет 2048 токенов; поддерживается английский язык. В README заявлено, что веса численно идентичны исходному чекпойнту с учётом округления bfloat16. Репозиторий содержит веса safetensors для Transformers; для загрузки требуется trust_remote_code=True. Лицензия — Apache-2.0. К ограничениям относятся узкое временное окно обучающих текстов, из-за которого знания и формулировки могут отражать взгляды эпохи и не покрывать современные сведения, а также контекст в 2048 токенов. Для работы с указанной точностью bfloat16 README приводит ориентир около 26 ГБ видеопамяти.

Templar v1 — языковая модель для ролевых диалогов, созданная ChaoticNeutrals. Автор указывает, что модель получена слиянием SLERP моделей T-900 и Nymph; метаданные описывают её как плотную Llama-архитектуру с 7,5 млрд параметров. Модель предназначена для ролевых игр в чате и продолжения сцен. Она генерирует текст, поддерживает диалог и рассчитана на контекст до 8192 токенов. В карточке заявлено, что обучение включало разнообразные данные, но их состав и конкретные показатели качества не приведены. Лицензия — Apache-2.0.

ThinkingCap-Qwen3.5-2B — дообученная модель на базе Qwen/Qwen3.5-2B от автора drlee1, выпущенная как готовый к использованию объединённый чекпойнт. Это вариант контролируемого эксперимента по сокращению цепочки рассуждений: GRPO-обучение с LoRA и изменениями функции потерь предназначено для задач, где модель должна дать ответ и завершить рассуждение, расходуя меньше токенов на его генерацию. По результатам README, на тестах GSM8K и ARC-Challenge, а также на отложенной выборке, модель сократила число токенов рассуждения и повысила точность относительно базовой модели; на MATH-500 точность сохранилась при меньшем расходе токенов. Модель рассчитана на генерацию текста и диалоговое взаимодействие. Эти результаты предварительные: использовались один seed и небольшие выборки, а выигрыш в точности не перенёсся на математический тест вне обучающего распределения. Репозиторий распространяется под лицензией Apache-2.0.

WindyTranslate/translate-bcl-es — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-bcl-es: LoRA-дообучение на параллельном корпусе слито с базовыми весами. Модель построена на архитектуре MarianMT, содержит 55,8 млн параметров и принимает текст длиной до 512 токенов. Модель предназначена для перевода с бикольского языка (bcl) на испанский (es); поддерживается только это направление. Она загружается через Transformers и распространяется в формате safetensors. Качество перевода пока не оценивалось бенчмарками, поэтому пригодность для конкретного сценария нужно проверять отдельно. Лицензия — Apache-2.0.

WindyTranslate/translate-chk-sv — модель машинного перевода, опубликованная Windstorm Labs для перевода с языка чукот (chk) на шведский (sv). Это дообученная версия Helsinki-NLP/opus-mt-chk-sv: LoRA-адаптация на параллельном корпусе была объединена с базовыми весами. Модель MarianMT содержит 55,3 млн параметров, принимает текст и работает с контекстом до 512 токенов. Модель предназначена для однонаправленного перевода с чукотского на шведский и доступна в формате safetensors для Transformers. Качество перевода пока не оценивалось бенчмарками, поэтому пригодность для конкретного сценария следует проверять отдельно. Лицензия — Apache-2.0.

WindyTranslate/translate-en-kwy — модель машинного перевода с английского языка на kwy, опубликованная Windstorm Labs. Это дообученная версия MarianMTModel из семейства Marian, основанная на Helsinki-NLP/opus-mt-en-kwy. Веса изменены методом LoRA на параллельном корпусе, после чего адаптер объединён с базовыми весами; репозиторий содержит сборку Transformers в формате safetensors с 54,9 млн параметров и контекстом 512 токенов. Модель предназначена для перевода текстов с английского на kwy. Она поддерживает только это направление перевода и лицензирована по Apache-2.0. Выход проверен на соответствие заявленному языку, однако качество перевода не оценивалось; изменение весов подтверждает происхождение версии, но само по себе не свидетельствует о качестве.

WindyTranslate/translate-en-lus — модель машинного перевода с английского языка на мизо, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-en-lus на параллельных текстах: LoRA-адаптер объединён с базовыми весами. Модель построена на архитектуре Marian и содержит 50,5 млн параметров; доступна в формате Safetensors для Transformers. Контекст — до 512 токенов. Модель предназначена для перевода текстов с английского на мизо. В карточке приведён скрининговый результат на 48 предложениях FLORES-200: chrF++ 23,39 и BLEU 4,38; авторы относят оценку к ограниченному диапазону и подчёркивают, что она не является результатом публикационного исследования. Модель поддерживает только направление en→lus, поэтому качество следует проверять на собственных текстах. Лицензия — Apache-2.0.

WindyTranslate/translate-en-tll — модель машинного перевода Windstorm Labs для перевода текста с английского на язык tll. Это дообученная модель архитектуры MarianMT, основанная на Helsinki-NLP/opus-mt-en-tll; LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель содержит 56,1 млн параметров, использует формат safetensors и доступна для Transformers; заявленная длина контекста — 512 токенов. Модель предназначена для однонаправленного перевода с английского на tll. Вывод проверен на соответствие заявленному языку, однако качество перевода пока не оценивалось, поэтому пригодность результатов для конкретных задач требует отдельной проверки. Распространяется по лицензии Apache-2.0.

WindyTranslate/translate-en-toi — модель машинного перевода Windstorm Labs для перевода текста с английского языка на toi. Это дообученная версия Helsinki-NLP/opus-mt-en-toi на параллельных текстах: LoRA-адаптер слит с базовыми весами. Модель MarianMT с 56,4 млн параметров принимает текст и генерирует перевод; максимальный контекст составляет 512 токенов. Модель предназначена для перевода с английского на toi. Для загрузки доступны веса в формате safetensors, совместимые с Transformers. Качество перевода не оценивалось: проверка подтвердила язык результата, но не точность или естественность перевода. Модель лицензирована по Apache-2.0; в карточке указано происхождение от Helsinki-NLP/opus-mt-en-toi.

WindyTranslate/translate-es-ln — модель машинного перевода, опубликованная Windstorm Labs. Она дообучена на параллельных данных для перевода с испанского на лингала: LoRA-адаптер объединён с весами базовой Helsinki-NLP/opus-mt-es-ln. Модель построена на архитектуре Marian, содержит 56,1 млн параметров и доступна в формате safetensors для Transformers. Контекст ограничен 512 токенами. Модель предназначена для перевода текстов с испанского на лингала. В оценке на 48 предложениях FLORES-200 она получила chrF++ 36,67 и BLEU 7,04; авторы относят результат к уровню «Usable» и подчёркивают, что это предварительная проверка, а не результат публикационного исследования. Модель распространяется по лицензии Apache-2.0 с указанием происхождения базовой модели.

Windstorm Labs опубликовала модель машинного перевода с испанского на язык лоз (loz). Это дообученная версия Helsinki-NLP/opus-mt-es-loz: LoRA-дообучение на параллельных данных объединено с базовыми весами. Модель построена на архитектуре MarianMT, содержит 56,3 млн параметров и принимает текст с контекстом до 512 токенов, выдавая перевод текстом. Модель предназначена для перевода текстов с испанского на лоз. В репозитории размещена сборка Transformers в формате safetensors; лицензия — Apache-2.0. Качество этой версии пока не оценивалось на бенчмарках, поэтому её пригодность для конкретных сценариев следует проверять на собственных данных.

Windstorm Labs выпустила дообученную модель машинного перевода с финского языка на киньяруанда. Это модель архитектуры MarianMT с 56,9 млн параметров и контекстом до 512 токенов, основанная на Helsinki-NLP/opus-mt-fi-rw. LoRA-дообучение на параллельных данных было объединено с базовыми весами; модель доступна в формате safetensors для Transformers. Модель предназначена для перевода текстов с финского на киньяруанда. В скрининговой оценке на 48 примерах FLORES-200 она получила chrF++ 28,10 и BLEU 3,99; результат обозначен авторами как ограниченный и не является публикационным. Лицензия — Apache-2.0.

Модель WindyTranslate/translate-fr-lua — система машинного перевода с французского языка на луба-касай (lua), опубликованная Windstorm Labs. Она основана на Helsinki-NLP/opus-mt-fr-lua: к исходным весам применили дообучение LoRA на параллельных текстах и объединили адаптер с базовой моделью. Модель использует архитектуру MarianMT, содержит 55,9 млн параметров и принимает контекст длиной до 512 токенов. Модель предназначена для перевода французских текстов на луба-касай. Доступна сборка для Transformers в формате safetensors; лицензия — Apache-2.0. В тесте FLORES-200 на 48 предложениях модель получила chrF++ 27,67 и BLEU 2,50; авторы характеризуют результат как ограниченный скрининговый показатель, а не публикационную оценку.