I.5Создание и редактирование текста

BookAdventures — экспериментальная модель KoboldAI для длинного художественного письма и текстовых приключений. Это дообученная плотная LlamaForCausalLM на 7,5 млрд параметров, созданная на основе KoboldAI/LLaMA-3.1-8B-Infinity3M-Kobo. Модель принимает текст, поддерживает контекст до 131 072 токенов и была обучена на Alpaca-формате с длинными литературными примерами и данными для приключений. Модель предназначена для совместного написания романов по подробному сюжетному описанию и для текстовых приключений. Она склонна вплетать запрос в повествование с книжным стилем и может начинать историю с неожиданного вступления. Для обычного чат-общения и ролевой игры в формате чат-бота модель не подходит: соответствующих данных обучения в ней нет. Короткие генерации могут не успеть включить заданные элементы сюжета, а модель может потерять связь с исходным запросом. Модель выпущена как промежуточная исследовательская версия; авторы отмечают, что 8B недостаточно для этой задачи, но больший размер не удалось обучить при использованном контексте. Весы опубликованы в формате safetensors по лицензии CC BY-NC-SA 4.0.

LlumiLuminRP-8B-Instruct-262k-v0.3 — разговорная модель для ролевых диалогов, созданная слиянием нескольких моделей Llama 3 8B для RP и ERP методом model_stock. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекстное окно 262 144 токена; рассчитана на формат инструкций Llama 3 и сценарии общения в чате. Модель предназначена для ролевых бесед и генерации ответов от лица персонажей. Репозиторий содержит веса в формате Safetensors; доступны также отдельные варианты GGUF. Лицензия — Apache 2.0. README не уточняет поддерживаемые естественные языки или конкретные меры качества; результаты длинных диалогов и ERP-сценариев могут зависеть от запроса и выбранного варианта весов.

LuminRP-7B-128k-v0.5 — текстовая чат-модель для ролевых диалогов, созданная Ppoyaa слиянием нескольких моделей на базе архитектуры Mistral. В состав слияния входят модели для ролевого общения и инструкция-ориентированная модель Calme-7B-Instruct-v0.9; автор описывает эту версию как улучшение v0.4 для RP и ERP-сценариев. Модель содержит 7,1 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для ролевых диалогов и интерактивного сторителлинга; README рекомендует использовать её в SillyTavern с режимом инструкций и шаблонами Alpaca, ChatML или Mistral. Доступны веса Safetensors, лицензия — Apache-2.0. Автор сообщает о лучшей по сравнению с v0.4 производительности в собственных тестах, но не приводит независимых оценок; практическое качество может зависеть от шаблона диалога и настроек генерации.

Lust-7b — экспериментальная разговорная модель для ролевых сценариев, опубликованная Fizzarolli. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров; она принимает текст и генерирует продолжение диалога или описания персонажей. В карточке приведён нестандартный текстовый формат промпта с описаниями персонажей и сценарием. Модель рассчитана на английский язык, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors по лицензии Apache-2.0. Модель подходит для генерации ролевых диалогов и продолжения сцен с одним или несколькими персонажами. Автор отмечает экспериментальный характер модели и не гарантирует, что описанный формат задания будет работать как ожидается; шаблон для SillyTavern пока не приведён.

AiLab-IMCS-UL/lv-roberta-base — базовая латышская модель RoBERTa, выпущенная AiLab-IMCS-UL вместе с исследованием «Pretraining and Benchmarking Modern Encoders for Latvian». Это текстовый энкодер с архитектурой RoBERTa и примерно 138,4 млн параметров, предназначенный для языковых задач на латышском языке. Модель поддерживает задачу заполнения маски: по контексту она предсказывает скрытые в тексте токены. Её можно использовать для оценки и сравнения латышских языковых энкодеров, а также как основу для прикладных систем обработки латышского текста. Размер контекста составляет 1024 токена. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. Карточка связывает её с исследовательской работой и оценкой энкодеров; конкретные результаты бенчмарков и сведения о дообучении в предоставленном README не приведены.

Mistral-Small-22B-ArliAI-RPMax-v1.1 — дообученная модель ArliAI на основе mistralai/Mistral-Small-Instruct-2409. Она предназначена для творческого письма и ролевых диалогов: модель должна гибко отыгрывать разных персонажей и ситуации, поддерживая разнообразные и менее повторяющиеся ответы. Архитектура — плотная MistralForCausalLM с 22 млрд параметров; модель принимает текст и генерирует текст, длина контекста — 32 768 токенов. Карточка рекомендует формат Mistral Instruct и указывает наличие интерфейса для вызова инструментов. Модель опубликована в формате safetensors; в карточке также перечислены варианты квантизации FP16, GPTQ Q4, GPTQ Q8 и GGUF. Лицензия базовой модели Mistral ограничивает использование личными целями. Модель ориентирована на ролевые и творческие сценарии, поэтому качество ответов в других задачах карточка не характеризует.

MobileLLM-125M — авторегрессионная языковая модель Meta, разработанная для запуска на устройствах с ограниченными ресурсами. Она представлена в работе MobileLLM: Optimizing Sub-billion Parameter Language Models for On-Device Use Cases, опубликованной на ICML 2024. Модель построена на оптимизированном трансформере с 30 слоями, 9 attention heads и 3 KV heads; размер составляет около 124,6 млн параметров. Архитектура использует SwiGLU, глубокую и узкую конфигурацию, общие эмбеддинги и grouped-query attention. Модель принимает и генерирует текст, обучена на публично доступных интернет-данных и имеет контекст длиной 2 000 токенов. Она предназначена для генерации текста и оценки на задачах здравого смысла; авторы сообщают об улучшении точности относительно предшествующих моделей сопоставимого размера. Модель доступна для загрузки через Transformers и подходит для дальнейшего дообучения или оценки. README не приводит конкретный текст лицензии: метаданные указывают лицензию «other», поэтому условия использования следует сверить с репозиторием модели. Небольшой размер и контекст ограничивают сложные задачи и длинные документы; указанные результаты оценки относятся к бенчмаркам здравого смысла.

Koichi Yasuoka разработал ModernBERT-large-thai-wikipedia — модель ModernBERT с 346 млн параметров, предварительно обученную на текстах тайской Википедии для предсказания пропущенных токенов. Она принимает текст и поддерживает контекст до 8192 токенов. Модель предназначена для задачи fill-mask и может служить основой для дообучения под последующие задачи обработки тайского языка, включая разметку частей речи и синтаксический разбор зависимостей. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Dyluhn выпустил экспериментальную черновую сборку Muse Glimmer 30B R9V V1 в формате GGUF. Она основана на квантованной Muse Glimmer 30B от Meta и предназначена для локального мультимодального общения с анализом изображений. В метаданных модель отнесена к задаче image-text-to-text и имеет возможности чата и обработки изображений. Файл весов размером около 24,6 ГБ получен из GGUF Unsloth Q8_0 с изменениями точности для отдельных тензоров. В описанной оценке R9V V1 уступает вариантам Unsloth Q5 и Q6 по сохранению качества относительно модели BF16, хотя превосходит сравниваемый вариант Q4. Это инженерный черновик и воспроизводимая основа для дальнейшей работы, а не рекомендуемый вариант для максимального качества. Пользовательская среда запуска R9V ещё не завершена: профиль не квалифицирован для OpenAI-совместимого API или шаблона чата, а опубликованные показатели скорости получены на специализированном тестовом движке для gfx1201 и точной раскладки тензоров. Визуальные и DFlash-компоненты поставляются отдельно. Лицензия — Apache-2.0.

Shushant/nepaliBERT — модель семейства BERT, опубликованная Shushant и дообученная на корпусе непальского текста. Это masked language model на архитектуре BERT Base Uncased с примерно 136,7 млн параметров и контекстом до 512 токенов; основная задача в Hugging Face — заполнение пропусков в тексте. Корпус включает около 10 млн предложений и новостные материалы с непальских сайтов и OSCAR Nepali. Модель предназначена для языковых задач на непальском языке, прежде всего для восстановления скрытых токенов и как основа для дальнейшей адаптации к NLP-задачам. В README сообщается о сравнительных результатах на анализе тональности непальских твитов, однако готовая классификационная задача не указана. Модель работает с текстом на письме деванагари. По README, модель показала loss 1,0495 на оценочной выборке и perplexity 8,56; эти результаты относятся к описанным автором экспериментам. Доступна под лицензией MIT.

DS-Archive/Nous-Hermes-Llama2-13b-Kimiko-Lora-Merged — объединённая модель на базе Nous Hermes Llama 2 13B с QLoRA-адаптером Kimiko. Она сочетает следование инструкциям и способности к рассуждению базовой модели с ролевой игрой от лица персонажей. Модель построена на архитектуре Llama 2, содержит 12,9 млрд параметров и рассчитана на контекст до 4096 токенов; принимает текст в формате инструкций Alpaca и генерирует текст. Модель подходит для диалогов и ролевых сценариев с персонажами. Разработчики предупреждают о предвзятостях, в том числе характерных для нишевых ролевых форумов, и не рекомендуют использовать её для предоставления фактической информации или советов. Лицензия указана как other, конкретные условия в карточке не приведены.

Карточка модели llm-jp/optimal-sparsity-code-d1024-E32-k16-3.5B-A1.9B 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-d2048-E8-k8-3.9B-A3.9B 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-math-d512-E16-k4-520M-A220M 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-math-d512-E8-k2-320M-A170M 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-ar-eo — модель машинного перевода проекта OPUS-MT, опубликованная Helsinki-NLP. Она переводит текст с арабского языка на эсперанто; в исходных данных для арабского указаны также диалектные разновидности и варианты записи латиницей. Модель построена на архитектуре Marian Transformer с выравниванием, содержит 29,1 млн параметров и принимает последовательности длиной до 512 токенов. Для предобработки используются нормализация и SentencePiece с словарями по 4 тыс. единиц для каждого языка. Модель подходит для автоматического перевода арабских текстов и арабско-эсперантских языковых инструментов. В тесте Tatoeba для пары арабский—эсперанто указаны BLEU 18,9 и chr-F 0,376. Доступны веса PyTorch и TensorFlow; лицензия — Apache-2.0. Показатели относятся к указанному тестовому набору и не гарантируют такое же качество на текстах других жанров или доменов.

Helsinki-NLP/opus-mt-bzs-fi — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с языка bzs на финский и основана на архитектуре MarianMT с Transformer и предварительной обработкой SentencePiece. Модель обучена на данных OPUS; в README приведён результат BLEU 24,7 на тестовом наборе JW300.bzs.fi. Модель содержит 55,6 млн параметров и рассчитана на контекст до 512 токенов. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0. Она предназначена для перевода с bzs на финский; качество на других языковых парах не подтверждено.

Helsinki-NLP/opus-mt-de-eo — модель машинного перевода из серии OPUS-MT, разработанной Helsinki-NLP. Она переводит текст с немецкого языка на эсперанто и предназначена для автоматического перевода предложений и текстовых фрагментов между этой парой языков. Модель использует архитектуру MarianMT на базе Transformer; в ней около 55,8 млн параметров. В README указана предобработка с нормализацией и SentencePiece, а контекст модели составляет 512 токенов. Для набора Tatoeba.de.eo приведены оценки BLEU 48,6 и chr-F 0,673. Модель доступна в форматах PyTorch и TensorFlow по лицензии Apache-2.0. Оценки из README относятся к конкретному тестовому набору и не гарантируют такое же качество на других текстах; направление перевода ограничено немецким → эсперанто.

Helsinki-NLP/opus-mt-de-pag — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с немецкого языка на pangasinan (пангасинанский). Модель основана на архитектуре Transformer-align и использует нормализацию текста и токенизацию SentencePiece; число параметров — 56,3 млн, контекст — до 512 токенов. Модель предназначена для перевода фраз и текстов с немецкого на пангасинанский. В README приведён результат на тестовом наборе JW300.de.pag: BLEU 24,3 и chr-F 0,469. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-mkh-en — модель машинного перевода семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer и реализованная как MarianMTModel. Она переводит текст с мон-кхмерских языков на английский. В README перечислены кхмерский, кхму, кхаси, мон и вьетнамский, включая варианты письменности для кхмерского и вьетнамского; метаданные также отмечают языки vi, km и en. Модель содержит 53,9 млн параметров, использует нормализацию и SentencePiece с словарями по 32 тыс. токенов, а длина контекста составляет 512 токенов. Модель подходит для перевода предложений и текстов с поддерживаемых языков на английский. В опубликованных тестах показатели различаются по языку: BLEU составляет 8,5 для кхмерского и менее 1 для кхаси и мон, что указывает на ограниченное качество для части языков. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

PhayaThaiBERT — базовая языковая модель, опубликованная Clicknext. Это плотная модель архитектуры CamemBERT с 304,7 млн параметров, доступная в форматах PyTorch и Safetensors. Карточка Hugging Face демонстрирует её применение для заполнения маски в тексте; максимальная длина контекста составляет 512 токенов. Модель ориентирована на тайский язык и подходит для восстановления пропущенных слов и использования в качестве основы для тайских NLP-задач. Карточка указывает тег языка `th`, но не сообщает о лицензии и обучающих данных, поэтому условия использования по доступным сведениям определить нельзя.

Pythia-2.8B-HH-RLHF-Iterative-SamPO — англоязычная авторегрессионная модель генерации текста на архитектуре GPT-NeoX, дообученная исследователями с помощью алгоритма SamPO на данных Anthropic HH-RLHF. Она предназначена для генерации ответов в диалогах и изучения влияния алгоритмов обучения на предпочтения и длину ответов. В метаданных указаны 3,5 млрд параметров, контекст до 2048 токенов и формат safetensors. В карточке приведено сравнение SamPO с вариантами DPO по оценке побед в парном сравнении с SFT; тестирование использует шаблон оценки из статьи о DPO. Модель распространяется по лицензии Apache-2.0. Результаты описывают конкретный протокол оценки и не гарантируют аналогичного качества в других сценариях.

Qwen2.5-3B-Instruct-hsb-dsb — языковая модель TartuNLP для верхнелужицкого (hsb) и нижнелужицкого (dsb) языков, представленная для WMT25 Shared Task on Limited Resource Slavic Languages. Она дообучена на базе Qwen/Qwen2.5-3B-Instruct с продолжением предобучения на лужицких монолингвальных и параллельных данных, а также настройкой на наборах инструкций. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для машинного перевода и ответов на вопросы на верхнем и нижнем лужицком, в том числе для переводов с немецкого. В описанных результатах WMT25 она заняла первое место в общей оценке для обоих языков. Разработчик предупреждает, что модель ориентирована на исследования и не проверена для общего применения. Лицензия указана как other; конкретные условия следует сверить в карточке модели.

Red-Rosie-12B — экспериментальная текстовая модель на архитектуре Mistral, созданная автором репозитория как SLERP-слияние двух моделей объёмом около 12 млрд параметров: TheDrummer/Rocinante-X-12B-v1 и WokeAI/Tankie-DPE-12B-SFT-v2. По описанию, влияние второй модели ограничено средними слоями, а основой для остальных слоёв служит Rocinante-X. Модель предназначена для генерации текста и ролевых диалогов на английском языке. Её контекстное окно составляет 131 072 токена, веса опубликованы в формате safetensors и доступны через Transformers. В слияние намеренно включена политическая направленность Tankie-DPE, поэтому марксистско-ленинские взгляды могут проявляться даже в ответах на нейтральные запросы. Автор предупреждает о непроверенном и непредсказуемом поведении и не рекомендует модель для производственного использования. Лицензия — Apache-2.0.

Roleplay-Hermes-3-Llama-3.1-8B — плотная языковая модель семейства Llama, разработанная vicgalle на основе Hermes-3-Llama-3.1-8B и дообученная методом DPO. Она рассчитана на диалоговую генерацию ответов в более естественном, менее похожем на ответы ИИ стиле, а также на ролевые игры с описанием действий в формате RP. Модель принимает текстовые сообщения и генерирует текст; в карточке заявлено окно контекста до 131 072 токенов. Для ролевого формата автор рекомендует с самого начала использовать его в сообщениях. Модель содержит около 7,5 млрд параметров и распространяется в формате safetensors. Лицензия — Apache-2.0. Дообучение включает датасет NSFW_RP_Format_DPO, поэтому модель подходит для ролевых сценариев со взрослым содержанием; качество и стиль ответов могут зависеть от формата начального сообщения и обучающих предпочтений модели.

hathucviet/SmolLM2-135M-sft — дообученная с помощью TRL компактная языковая модель на базе HuggingFaceTB/SmolLM2-135M. Она предназначена для генерации текста в диалоговом формате и подходит для простых бесед и коротких ответов. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 134,5 млн параметров, принимает текст и поддерживает контекст длиной до 8192 токенов. Базовая модель ориентирована на английский язык; README не сообщает о дополнительной языковой специализации этого дообучения. Весовые файлы представлены в формате safetensors. Условия лицензии в предоставленных данных не указаны.

Stellar Odyssey 12b v0.0 — разговорная модель для ролевых сценариев, созданная автором LyraNovaHeart. Это слияние нескольких моделей семейства Mistral Nemo методом della_linear на базе mistralai/Mistral-Nemo-Base-2407; в слияние также вошли Sao10K/MN-12B-Lyra-v4, nothingiisreal/MN-12B-Starcannon-v2 и Gryphe/Pantheon-RP-1.5-12b-Nemo. Модель содержит 12,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и веса Safetensors; метаданные указывают контекст до 1 024 000 токенов. Предназначена для ролевого общения в формате ChatML и генерации текста в диалоге. README не описывает языковую специализацию или независимые данные обучения; поскольку это слияние, характеристики и поведение зависят от исходных моделей. Лицензия в предоставленных материалах не указана.

Summer-0.5B-S0 — двуязычная базовая языковая модель Ismantic, обученная с нуля на английском и китайском текстах. Она содержит 436,2 млн параметров по метаданным Hugging Face; в README указано 524,3 млн. Модель использует плотную архитектуру Qwen3ForCausalLM, собственный токенизатор на 81 903 элемента и обучалась на 14,6 млрд токенов без инструкционных и параллельных данных. Максимальный контекст по метаданным — 32 768 токенов, а последовательности при обучении имели длину 2 048. Модель предназначена для продолжения текста и как отправная точка для дальнейшего обучения, например annealing или SFT. По README, промпт необходимо начинать с токена BOS; без него генерация может стать повторяющейся. Модель пока плохо подходит для перевода по few-shot примерам: такого обучения в её данных не было. Токенизатор не загружается через AutoTokenizer, для работы предусмотрены отдельные файлы проекта. Лицензия — Apache-2.0.

Taigi-Llama-2-Chat-7B — чат-модель, разработанная для общения на тайваньском хоккиенском, записанном китайскими иероглифами. Она основана на Bohanlu/Taigi-Llama-2-7B, использует архитектуру Llama 2 с плотной нейросетью и содержит 6,7 млрд параметров. Контекст модели — до 4096 токенов. Модель обучена следовать инструкциям на корпусе примерно из 100 тысяч примеров на тайваньском хоккиенском ханзи. Для подготовки использовались переведённые с традиционного китайского наборы инструкций, а chat-вектор создан по методу Chat Vector для адаптации к новым языкам и снижения токсичности ответов. Модель принимает текст и выдаёт текст; для общения используется шаблон [INST]. Подходит для диалогов и ответов на запросы на тайваньском хоккиенском. Карточка не приводит результатов оценки качества, поэтому фактическую точность ответов следует проверять на целевых сценариях. Лицензия CC BY-NC-SA 4.0 требует атрибуции, распространяет производные материалы на тех же условиях и запрещает коммерческое использование.

Windstorm Labs опубликовала модель машинного перевода с английского языка на bzs. Это дообученная версия Helsinki-NLP/opus-mt-en-bzs на архитектуре MarianMT: LoRA-адаптер обучили на параллельном корпусе и объединили с базовыми весами. Модель содержит 49,7 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Репозиторий содержит сборку Transformers в формате safetensors; лицензия — Apache-2.0. Модель предназначена для перевода англоязычных фраз и текстов на bzs. Выход проверяли на соответствие заявленному языку, но качество перевода ещё не оценено; поддерживается только направление en→bzs.