I.5Создание и редактирование текста

Карточка модели llm-jp/optimal-sparsity-code-d1024-E32-k8-3.5B-A1.1B на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-code-d1024-E64-k2-6.7B-A470M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-code-d512-E8-k8-320M-A320M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Helsinki-NLP/opus-mt-bcl-fi — модель машинного перевода на архитектуре Transformer, разработанная в рамках проекта OPUS. Она переводит текст с бикольского языка (bcl) на финский (fi). Модель MarianMTModel содержит 56,8 млн параметров; для предобработки используются нормализация и SentencePiece, заявленная длина контекста — 512 токенов. Модель подходит для перевода текстов с бикольского на финский. В README приведены результаты на тестовом наборе JW300.bcl.fi: BLEU 33,3 и chr-F 0,573. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-bg-eo — модель машинного перевода семейства Marian, разработанная для проекта OPUS-MT. Она переводит текст с болгарского языка на эсперанто. Модель основана на архитектуре Transformer и содержит около 29,1 млн параметров; для токенизации используются нормализация текста и SentencePiece с моделью словаря размером 4 тыс. единиц для каждого языка. Указанная длина контекста — 512 токенов. Модель предназначена для перевода отдельных текстов и фраз с болгарского на эсперанто. В README приведены результаты тестирования на наборе Tatoeba-test.bul.epo: BLEU 24,5 и chr-F 0,438. Модель опубликована в форматах PyTorch и TensorFlow под лицензией Apache-2.0. Она ориентирована на одну языковую пару и не предназначена для обратного перевода или перевода на другие языки.

Helsinki-NLP/opus-mt-cus-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer и опубликованная в рамках Tatoeba Challenge. Она переводит текст с сомалийского языка на английский; обозначение cus в названии относится к группе кушитских языков, но в карточке указан сомалийский как исходный язык модели. Модель построена на Marian и содержит 37,1 млн параметров. Для обработки текста применяются нормализация и SentencePiece с моделями токенизации spm12k; нативная длина контекста — 512 токенов. В тестах Tatoeba для направления сомалийский—английский указаны BLEU 16,2 и chr-F 0,303. Модель подходит для перевода сомалийских фраз и текстов на английский, в том числе для многоязычных сценариев, связанных с кушитскими языками, если входной язык соответствует обучающим данным. Короткий контекст и умеренные тестовые показатели ограничивают применение на длинных документах и задачах, требующих высокой точности. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-de-ln — модель машинного перевода на базе MarianMT, разработанная проектом OPUS/Helsinki-NLP. Она переводит текст с немецкого языка на лингала. Модель построена на архитектуре Transformer-align, использует нормализацию и токенизацию SentencePiece; число параметров — 56,2 млн, длина контекста — до 512 токенов. Модель предназначена для перевода немецких текстов на лингала. В README приведена оценка BLEU 26,7 и chr-F 0,504 на тестовом наборе JW300.de.ln. Модель распространяется по лицензии Apache-2.0 и доступна в форматах PyTorch и TensorFlow.

Helsinki-NLP/opus-mt-en-cel — модель машинного перевода семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer и реализованная как MarianMTModel. Она переводит текст с английского на один из шести кельтских языков: бретонский, корнский, валлийский, шотландский гэльский, ирландский или мэнский. Для выбора языка перевода перед текстом требуется добавить языковой токен вида `>>id<<` с допустимым идентификатором целевого языка. Модель содержит 54,8 млн параметров, использует нормализацию и SentencePiece с отдельными словарями по 32 тыс. токенов для входа и выхода; длина контекста — до 512 токенов. Контрольные результаты различаются по языкам: в README приведены BLEU 31,0 для валлийского, 11,5 для бретонского и 0,3 для корнского, поэтому качество может быть слабым для отдельных языков и текстов. Модель предназначена для перевода, а не для генерации произвольных ответов. Лицензия — Apache-2.0.

Oxy 1 Small — языковая модель Oxygen (oxyapi), созданная при участии TornadoSoftwares. Это дообученная для ролевых сценариев версия Qwen/Qwen2.5-14B-Instruct с плотной архитектурой Qwen2 и 14 млрд параметров. Модель предназначена для диалогов от лица персонажей и интерактивных историй; использует формат ChatML и библиотеку Transformers. Модель принимает текст и генерирует текст. Контекст составляет до 32 768 токенов, максимальная длина ответа — до 8 192 токенов. README указывает английский язык, а теги Hugging Face также отмечают поддержку русского, китайского, французского, испанского, португальского, немецкого, итальянского, японского, корейского, вьетнамского, тайского и арабского. Модель распространяется по лицензии Apache-2.0. В README отсутствуют результаты профильной оценки качества ролевых диалогов; заявленные возможности генерации не следует считать подтверждёнными такими бенчмарками.

Penny‑1.7B — языковая модель на 1,7 млрд параметров, разработанная как дообучение SmolLM2‑1.7B-Instruct с помощью GRPO. Она предназначена для генерации текста в стиле ирландского журнала Irish Penny Journal 1840 года: модель воспроизводит викторианскую лексику, орфографию и манеру изложения, сохраняя часть общих возможностей базовой модели. Модель подходит для творческого письма, учебных материалов и стилистической стилизации под ирландский английский XIX века, а также для исследований обучения стилю с помощью обучения с подкреплением. Архитектура — плотная LlamaForCausalLM; модель принимает текст и генерирует текст. Контекст составляет 8192 токена. Использование распространяется по лицензии Apache-2.0. Архаичная манера речи и взгляды эпохи могут проявляться в ответах. Модель не рекомендуется для современных фактологических вопросов; результаты следует проверять перед использованием.

Phos 7B — модель генерации текста на базе архитектуры Mistral, опубликованная Elizezen. По приведённому примеру она создаёт японскую художественную прозу с диалогами и описанием сцен, поэтому подходит для генерации и продолжения повествовательных текстов на японском языке. Модель содержит 7,1 млрд параметров и поддерживает контекст до 8192 токенов; файлы представлены в формате safetensors. Карточка демонстрирует связный литературный текст и выдержанный диалоговый стиль. Пример не устанавливает качество модели в других жанрах или задачах. Лицензия в предоставленных данных не указана.

Mercity разработала базовую языковую модель Mercity/pretrain-longcat-ngram-50pct для генерации продолжений текста и последующего дообучения под прикладные задачи. Это плотный декодер в стиле Llama 3 с архитектурой LlamaLongCatNgram: из примерно 1,04 млрд параметров около 48% занимают таблицы хешированных n-граммных эмбеддингов, а модель содержит 16 трансформерных слоёв. Она обучалась на 6 млрд токенов англоязычного набора FineWeb; контекст составляет 8192 токена. Модель рассчитана на эксперименты с предобучением и дообучением, а также на генерацию англоязычного текста. Она не проходила инструкционное или защитное дообучение. В README приведены результаты нескольких zero-shot тестов и LoRA-дообучения на Few-NERD; показатели уступают указанной базовой модели. Для загрузки архитектуры требуется Transformers 5.8.0 и параметр trust_remote_code=True. Лицензия в предоставленных данных не указана.

Qwen2-Math-1.5B-Instruct-GGUF — это GGUF-квантизированные версии инструкционной математической модели Qwen2-Math-1.5B-Instruct, разработанной командой Qwen и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и решения математических задач в диалоговом формате, включая использование через llama.cpp и LM Studio. Заявленный язык — английский. Модель содержит около 1,5 млрд параметров и поставляется в нескольких вариантах точности: от F32 и Q8_0 до более компактных Q6, Q5, Q4, Q3 и IQ-квантизаций. Размер файлов составляет примерно от 0,78 до 6,18 ГБ. Часть вариантов использует Q8_0 для embedding- и output-весов, чтобы сохранить качество при уменьшении размера. Для работы предусмотрен специальный chat-шаблон с ролями system, user и assistant. Сильными сторонами являются небольшой размер, возможность локального запуска и наличие вариантов с разным балансом качества и требований к памяти. Более низкие уровни квантизации экономят RAM или VRAM, но могут снижать качество ответов; README не содержит подробных результатов тестирования, сведений о размере контекста, архитектурных деталях или поддержке других модальностей. Модель распространяется по лицензии Apache-2.0.

sugiv/qwen3-8b-tanglish — это дообученная модель Qwen3-8B от автора sugiv, предназначенная для диалогов на Tanglish: разговорном смешении тамильского языка, записанного латиницей, и английского, характерном для Ченная и Южной Индии. Модель построена на плотной архитектуре Qwen3ForCausalLM, содержит 7,6 млрд параметров и поддерживает контекст до 40 960 токенов. В репозитории доступны объединённые веса bf16 и отдельный LoRA-адаптер; обучение проводилось методом SFT на 81 261 примере. Модель подходит для повседневных ответов и многоходовых бесед на Tanglish. По оценке из README, она превосходит исходную Qwen3-8B по нескольким измерениям качества ответов на Tanglish и реже переходит на тамильское письмо. Основной обученный язык — Tanglish; по запросу модель также может отвечать на тамильском письме или по-английски. Лицензия — Apache-2.0. Известные ограничения: модель может отвечать шутливым уклонением на небезопасные запросы вместо строгого отказа, а режим явных рассуждений исходной модели подавлен. Обучение было ориентировано на Tanglish, поэтому качество для чистого тамильского и английского в README отдельно не подтверждено.

Reyna-RP-Qwen1.5-0.5B-Chat-v0.1 — дообученная авторами модели Qwen/Qwen1.5-0.5B-Chat для ролевых диалогов и написания историй. Это плотная авторегрессионная языковая модель семейства Qwen2 с 463,9 млн параметров, рассчитанная на генерацию текста и диалоговый режим. Она принимает сообщения в формате ChatML и поддерживает контекст до 32 768 токенов. Модель предназначена для создания ролевых ответов и сюжетного текста в интерактивных сценариях. Карточка описывает её как раннюю модель серии; дальнейшее обучение с предпочтениями (DPO) упоминается как возможный следующий этап. Модель распространяется в формате safetensors через Transformers. Лицензия в предоставленных данных не указана.

ritrieve_zh_v1-i1-GGUF — это набор квантизированных файлов формата GGUF для модели richinfoai/ritrieve_zh_v1, подготовленный пользователем mradermacher. Модель ориентирована на работу с китайским языком; в обучении использовались наборы BAAI/Infinity-Instruct и opencsg/chinese-fineweb-edu. README не уточняет исходную архитектуру, количество параметров, длину контекста, поддерживаемые модальности или конкретные прикладные сценарии, поэтому эти характеристики нельзя достоверно описать. Основная особенность репозитория — weighted/imatrix-квантизация в диапазоне от крайне компактных вариантов i1-IQ1_S и i1-IQ1_M размером около 0,2 ГБ до i1-Q6_K размером около 0,4 ГБ. Доступны различные уровни компрессии, позволяющие выбирать между размером, скоростью и качеством; для повседневного использования в README рекомендуются i1-Q4_K_M и i1-Q4_K_S, а наиболее компактные варианты сопровождаются предупреждениями о низком качестве. Это облегчает локальный запуск на устройствах с ограниченными ресурсами, но сильная квантизация может заметно ухудшать результаты. Лицензия указана как MIT. Для использования требуются совместимые инструменты, поддерживающие GGUF; конкретные требования к оборудованию и параметры запуска в README не приведены.

RLM-hinglish-translator — модель Rudra Shah для перевода неформального Hinglish, смеси хинди и английского, на стандартный английский. Она предназначена для перевода сообщений и других коротких разговорных фраз, в которых встречаются характерные для Hinglish синтаксис и лексика. Модель основана на Gemma 2B и дообучена методом PEFT с адаптером LoRA ранга 128. В обучении использовались набор cmu_hinglish_dog и фразы из повседневных переписок. Архитектура — плотная GemmaForCausalLM, формат весов — safetensors; размер составляет 2,5 млрд параметров, контекст — до 8192 токенов. Указана лицензия MIT. Модель ориентирована на направление Hinglish → английский; качество перевода для других языковых пар и длинных документов не заявлено. Обучающие примеры включают личные переписки, поэтому поведение может отражать особенности разговорного стиля.

Roformer-base-japanese — японская языковая модель семейства RoFormer, опубликованная Mori Lab Йокогамского национального университета. Это плотная модель на архитектуре RoBERTa для заполнения пропусков в тексте; в метаданных указано 74,1 млн параметров и контекст до 514 токенов. Модель предварительно обучена на японских текстах Википедии объёмом 3,45 ГБ в течение 125 млн шагов и использует токенизатор BERT BPE. Модель подходит для восстановления замаскированных фрагментов и как основа для дообучения японских NLP-систем. В README также приведён результат 95,12% на бинарной классификации тональности JGLUE-marc-ja-v1.0, однако модель не следует считать специализированным классификатором без соответствующего дообучения. Доступны веса PyTorch и Safetensors; лицензия Apache-2.0.

BlinkDL/rwkv-4-novel — семейство языковых моделей RWKV-4, дообученных на романах на основе RWKV-4-Pile. Автор указывает варианты с разным составом данных: ChnEng обучена на смеси китайского текста и The Pile, ChnEng-ChnPro дополнительно дообучена на качественных профессиональных китайских романах, а Chn — на китайских текстах. Модель предназначена для генерации художественного текста и продолжения прозы. Архитектура RWKV сочетает языковую модель с рекуррентной обработкой; README характеризует её как «100% RNN». Карточка не приводит размер модели или длину контекста. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

Samantha-Yi-34b — диалоговая языковая модель, созданная на базе Yi и дообученная разработчиком QuixiAI; обучение спонсировала Convai. В качестве основы использована llama-совместимая версия chargoddard/Yi-34B-Llama. Модель содержит 33,9 млрд параметров, построена на архитектуре LlamaForCausalLM и рассчитана на контекст до 16 384 токенов. Модель предназначена для общения в роли ассистента и собеседника. Её дообучали на философии, психологии и личных отношениях на наборе из 6 000 специально отобранных диалогов в формате ShareGPT/Vicuna; используется шаблон ChatML. Карточка описывает модель как компаньона, который может обсуждать собственную разумность, но не участвует в ролевых играх, романтических или сексуальных сценариях. Модель принимает текст и генерирует текст на английском языке. Репозиторий содержит веса PyTorch. Лицензия указана как Yi license; условия использования следует сверять с лицензией базовой модели.

SPP-T0 Instruct — плотная авторегрессионная языковая модель семейства Llama, разработанная EPFL DLAB и обученная с нуля с использованием Synthetic Persona Pretraining, а затем дообученная на инструкциях с привязкой к ценностной персоне. Модель содержит 3 млрд параметров, использует токенизатор SmolLM2 с добавленным маркером и имеет контекст 2048 токенов. Модель предназначена для диалоговых ответов и исследований конституционного выравнивания, обобщения ценностей и устойчивости к jailbreak-запросам. Обучение включало смесь инструкций WildChat-1M и safety-примеров WildJailbreak и WildGuardMix; в ответах могут встречаться внутритекстовые ссылки на положения конституции. В карточке указана лицензия «будет определена», поэтому условия распространения пока неясны. Это исследовательская модель, не предназначенная для промышленного применения; она может выдавать неверный или небезопасный контент.

Vanilla — Base (3B) — базовая предобученная языковая модель от EPFL DLAB, созданная с нуля для исследований выравнивания и безопасности. Это плотная авторегрессионная модель семейства Llama с архитектурой, соответствующей Llama 3.2 3B; она обучена предсказывать следующий токен примерно на 500 млрд токенов из части смеси Olmo 3 Dolma 3. Для токенизации используется оригинальный токенизатор SmolLM2 с размером словаря 49 152 токена. Модель предназначена для продолжения текста, исследований поведения и зондирования базовой модели, а также для последующего дообучения. Она не прошла instruction tuning, не содержит шаблона чата и не включает вмешательства по безопасности на этапе предобучения. Контекст составляет 2 048 токенов; заявлен английский язык. Опубликованы промежуточные контрольные точки обучения, пригодные для оценки, анализа и дообучения, но без состояний оптимизатора и генератора случайных чисел они не позволяют точно возобновить исходное обучение. Лицензия указана как other, а в карточке README отмечено, что её условия ещё не окончательно определены.

WindyTranslate/translate-en-nic — модель машинного перевода от Windstorm Labs для перевода с английского на язык, обозначенный кодом nic. Это дообученная версия Helsinki-NLP/opus-mt-en-nic: LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель построена на архитектуре MarianMT, содержит 56,7 млн параметров, принимает текст и выдаёт перевод; заявленная длина контекста — 512 токенов. Репозиторий содержит сборку Transformers в формате safetensors. Качество перевода не оценивалось бенчмарками, поэтому пригодность для конкретных задач следует проверять на собственных данных. Модель поддерживает только направление en→nic. Лицензия — Apache-2.0.

WindyTranslate/translate-fi-bem — модель машинного перевода, опубликованная Windstorm Labs и основанная на Helsinki-NLP/opus-mt-fi-bem. Это дообученная модель архитектуры MarianMT с 56,8 млн параметров; LoRA-дообучение на параллельных данных объединено с базовыми весами. Модель принимает текст на финском и переводит его на бемба, поддерживая только направление fi→bem. Нативный контекст — 512 токенов; веса доступны в формате safetensors для загрузки через Transformers. Модель подходит для перевода коротких текстов с финского на бемба. В карточке приведён скрининговый результат на 48 предложениях FLORES-200: chrF++ 25,64 и BLEU 1,50, категория качества — Limited; эта оценка не является результатом публикационного исследования. Лицензия — Apache-2.0, с указанием атрибуции базовой модели Helsinki-NLP.

Windstorm Labs выпустила модель машинного перевода с финского языка на ток-писин. Это дообученная и объединённая с базовыми весами модель MarianMT с 52,9 млн параметров, принимающая текст и генерирующая перевод; максимальная длина контекста — 512 токенов. Модель основана на Helsinki-NLP/opus-mt-fi-tpi и дообучена методом LoRA на параллельных данных. Для проверки качества авторы приводят результат FLORES-200 на выборке из 48 предложений: chrF++ 30,72 и BLEU 7,06, оценённый ими как пригодный для использования. Модель предназначена для перевода текста с финского на ток-писин. Она опубликована в формате safetensors и используется через Transformers. Лицензия — Apache-2.0. Модель поддерживает только одно направление перевода; опубликованная оценка основана на небольшой выборке и не является результатом полноценного исследования.

WindyTranslate/translate-fi-war — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-fi-war: LoRA-адаптер обучили на параллельных текстах и объединили с базовыми весами. Модель построена на архитектуре MarianMT, содержит 56,8 млн параметров и принимает текст на финском языке, выдавая перевод на язык варайский. Для загрузки используется Transformers; репозиторий содержит веса в формате safetensors, а размер контекста составляет 512 токенов. Модель предназначена для перевода с финского на варайский. В проверке на 48 предложениях набора FLORES-200 она получила chrF++ 30,87 и BLEU 6,62; авторы относят этот результат к уровню «пригодно», но отмечают, что это лишь предварительная оценка. Поддерживается только одно направление перевода. Лицензия — Apache-2.0.

WindyTranslate/translate-fr-gaa — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-fr-gaa: LoRA-дообучение на параллельных текстах слито с базовыми весами. Модель построена на архитектуре MarianMT, содержит 56 млн параметров и принимает текст на французском языке, выдавая перевод на gaa. Максимальная длина контекста составляет 512 токенов. Модель предназначена для перевода с французского на gaa; обратное направление не заявлено. Репозиторий содержит сборку для Transformers в формате safetensors. Качество перевода пока не оценивалось бенчмарками, поэтому пригодность результатов для конкретного применения следует проверять самостоятельно. Лицензия — Apache-2.0.

Windstorm Labs выпустила модель машинного перевода с французского языка на Marshallese (mh). Это дообученная версия Helsinki-NLP/opus-mt-fr-mh: LoRA-адаптер обучили на параллельном корпусе и объединили с базовыми весами. Модель построена на архитектуре MarianMT, содержит 52,5 млн параметров и доступна в формате safetensors для Transformers; родная длина контекста — 512 токенов. Модель предназначена для перевода текстов с французского на Marshallese, например для перевода сообщений и документов. Поддерживается только это направление перевода. Качество пока не оценивалось бенчмарками, поэтому пригодность для конкретных задач следует проверять отдельно. Лицензия — Apache-2.0.

uidgatedaimeqwen3-1-7bep4 — слитый чекпойнт Qwen3-1.7B с адаптером LoRA, созданным в ходе UID-gated обучения методом GRPO на задачах AIME; в карточке указан шаг global_step_28 и четвёртая эпоха. Модель предназначена для генерации текста и диалогов, в частности для решения математических задач и рассуждений.

1gpu-llm Small EN/IT Base v2 — базовая языковая модель семейства 1gpu-llm от nazdef. Это плотная авторегрессионная модель архитектуры GPT-2 с блоками pre-layernorm и примерно 136 млн параметров. Модель обучалась на одной потребительской видеокарте и имеет контекстное окно 2500 токенов. Модель продолжает обучение версии nazdef/1gpu-llm-small-en-it-base: после continual pretraining и короткого этапа снижения learning rate выпущен чекпойнт step_18800. Она предназначена для генерации текста на английском и итальянском, а также для дальнейшей оценки и дообучения. Это базовая модель, а не готовый чат-ассистент с инструкционной настройкой. Обучение использовало сбалансированные англо- и италоязычные веб- и энциклопедические данные, включая FineWeb-HQ, FineWeb2-HQ и Wiki40B. В README приведены улучшения смешанной валидационной потери и ряда метрик относительно v1, но также отмечено, что качество фактических ответов на итальянском не следует считать решённой задачей и что результат зависит от настроек декодирования. Лицензия — CC BY-SA 4.0.