I.5Создание и редактирование текста

Карточка модели llm-jp/optimal-sparsity-math-d1024-E64-k4-6.7B-A670M 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-d2048-E64-k4-26.4B-A2.3B 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-d2048-E64-k8-26.4B-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-k2-520M-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.

Карточка модели llm-jp/optimal-sparsity-math-d512-E256-k16-6.6B-A520M 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-E64-k16-1.7B-A520M 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-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-en-tpi — модель машинного перевода OPUS на архитектуре Transformer-align, разработанная в рамках проекта OPUS и распространяемая под лицензией Apache-2.0. Она переводит текст с английского языка на ток-писин и предназначена для автоматического перевода отдельных фраз и текстов. Модель построена на MarianMT, содержит 50,4 млн параметров и использует нормализацию текста и токенизацию SentencePiece. Длина контекста — до 512 токенов. В README приведён результат BLEU 38,7 на тестовом наборе JW300.en.tpi; это значение относится к указанному набору и не гарантирует аналогичного качества на других текстах.

Helsinki-NLP/opus-mt-tc-bible-big-mul-deu_eng_fra_por_spa — модель машинного перевода проекта OPUS-MT, разработанная Language Technology Research Group Хельсинкского университета. Это трансформер MarianMT крупного размера с 159,3 млн параметров, предназначенный для перевода с множества исходных языков на немецкий, английский, французский, португальский и испанский. Модель обучена на библейских текстах; контекст составляет до 1024 токенов. Модель рассчитана на широкий охват языков, включая языки с ограниченными ресурсами. Однако README предупреждает, что для большинства таких языков обучающих данных мало: качество сильно различается между языковыми парами, а некоторые пары могут работать совсем плохо. Доступна в форматах PyTorch и Safetensors для Transformers. Лицензия — Apache-2.0.

Oxy 1 Micro — дообученная модель Oxygen (oxyapi) при участии TornadoSoftwares на базе Qwen2-1.5B, предназначенная для ролевых диалогов и интерактивных историй. Это плотная авторегрессионная языковая модель с 1,5 млрд параметров; она работает с текстом и поддерживает чатовый формат. Модель рассчитана на генерацию контекстно связанных реплик персонажей и творческих ролевых сценариев. Заявленная длина контекста — 32 768 токенов, максимальный размер ответа — 8 192 токена. Компактный размер помогает снизить требования к ресурсам, однако в карточке нет результатов бенчмарков, подтверждающих качество модели. Поддерживается английский язык. Лицензия — Apache-2.0.

Palette-RP-9B-2609-v0.05 — экспериментальная модель Indexnusrefather, дообученная на базе Qwen/Qwen3.5-9B на данных для ролевых диалогов. Она предназначена для творческого письма и ролевого общения, в том числе сценариев ERP. В метаданных указана мультимодальная архитектура Qwen3.5 с поддержкой изображений; формат файлов включает safetensors и GGUF в вариантах BF16 и Q8_0. Модель рассчитана на английский язык. Длина контекста и число параметров именно этой версии не приводятся; базовая модель содержит 9 млрд параметров. Лицензия — Apache-2.0. Автор описывает проект как экспериментальную попытку улучшить ролевые диалоги, отключив рассуждение при обучении. Качество не подтверждено оценками или сравнительными тестами, поэтому результаты в ERP и других сценариях могут быть нестабильными.

Pantheon-Proto-RP-1.8-30B-A3B — экспериментальная чат-модель для ролевых диалогов, созданная Gryphe на основе Qwen/Qwen3-30B-A3B-Base. Это дообученная разреженная MoE-архитектура Qwen3 с 30B параметров в общей модели и примерно 2,6B активных параметров; веса опубликованы в формате safetensors. Модель работает с текстом, использует шаблон ChatML и поддерживает контекст длиной до 32 768 токенов. Модель предназначена для отыгрыша персонажей с заданными манерой речи, акцентом и характером, а также для ролевых историй, текстовых приключений и диалогов по карточкам персонажей. В README описаны готовые персоны и рекомендации по настройке промпта; модель обучалась на данных от первого лица пользователя и рассчитана на ответы в стиле, соответствующем началу диалога. Автор отмечает, что модель — прототип, проверенный лишь ограниченно, поэтому стабильность и качество ответов не гарантированы. Она может додумывать детали при недостатке контекста. Лицензия — Apache-2.0.

nikitastheo/phonelm-phones-seed47-pes-eng — причинная языковая модель семейства GPT-2, обученная автором репозитория с помощью скрипта train_clm.py на базе Hugging Face Accelerate. Модель предназначена для генерации текста; репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Указанный размер контекста составляет 512 токенов. README не описывает обучающие данные, целевые языки или специализированные сценарии применения, поэтому назначение сверх генерации текста и языковую поддержку определить нельзя. Лицензия в доступных сведениях не приведена.

PsyMedRP-v1-13B — слитая модель для генерации текста, созданная Undi95 на основе нескольких 13B-моделей, включая Airoboros, Samantha, Xwin-LM и MedLLaMA. В финальной сборке к промежуточному слиянию применён Undi95/LimaRP-v3-120-Days с весом 0,3. Модель построена на архитектуре Llama с плотной причинно-языковой моделью и содержит 12,9 млрд параметров; нативный контекст — 4096 токенов. Модель предназначена для ролевого общения и сценариев, связанных с психологической и медицинской тематикой, с генерацией текста. Автор отмечает, что модель находится на тестировании. Доступна по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Модель zuxler/qwen2.5-1.5b-legal-grpo-reasoning — разговорная модель генерации текста на базе архитектуры Qwen2, дообученная разработчиком zuxler. Она предназначена для диалоговой генерации; название модели указывает на юридическую тематику и обучение с GRPO для рассуждений, однако карточка не приводит примеров или описания конкретных юридических возможностей. Модель содержит 1,5 млрд параметров, принимает текст и выдаёт текст, поддерживает контекст длиной до 32 768 токенов и английский язык. Для дообучения использовались Unsloth и библиотека Hugging Face TRL. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Qwen3-Great-Bowels-Of-Horror-FREAKSTORM-6B — плотная языковая модель семейства Qwen3, разработанная DavidAU и дообученная на собственном наборе данных ужасов. Она содержит 5,4 млрд параметров, использует архитектуру Qwen3ForCausalLM и рассчитана на контекст до 262 144 токенов. Весы опубликованы в формате safetensors; лицензия — Apache-2.0. Модель предназначена прежде всего для генерации художественных текстов в жанре ужасов, продолжения сцен и сюжетов, ролевого общения и мозгового штурма. Также заявлены диалоговые сценарии, рассуждения и генерация кода, однако обучение на мрачных текстах может влиять на ответы и в других жанрах. В карточке приведены примеры генераций и результаты сравнительных тестов квантизированных вариантов, но они не гарантируют качество исходных весов во всех задачах. Модель работает с текстом на английском языке и выдаёт текст. Она специально рассчитана на графическое описание ужасов, грубую лексику и взрослый контент, поэтому не подходит для всех аудиторий. Для приложений, требующих нейтрального тона, безопасной лексики или надёжной генерации кода, ответы следует тщательно проверять.

QwenStoryteller2-i1-GGUF — это набор квантизированных файлов GGUF для vision-language-модели QwenStoryteller2, разработанной daniel3303 и квантизированной mradermacher. Модель предназначена для visual storytelling: генерации текста по изображениям, включая создание связных историй по нескольким кадрам, сохранение согласованности персонажей и событий, а также grounded text generation. В описании также заявлены методы chain-of-thought, contrastive learning, reinforcement learning и entity re-identification, однако подробности их реализации не приведены. Модель работает с визуальными входными данными и текстом, поддерживает английский язык и обучалась на наборах StoryReasoning и StoryReasoningAdversarialDPO. Точная архитектура, количество параметров и размер контекста в README не указаны. Доступны варианты квантизации i1 с размерами примерно от 2,0 до 6,4 ГБ; качество и скорость зависят от выбранного варианта. Рекомендуемый компромисс между размером, скоростью и качеством — i1-Q4_K_M, тогда как наиболее компактные варианты могут обеспечивать более низкое качество. Для работы vision-модели могут потребоваться дополнительные файлы mmproj из статического репозитория QwenStoryteller2-GGUF. Модель распространяется по лицензии Apache-2.0. Ограничениями являются отсутствие в README подробных сведений о характеристиках базовой архитектуры, контекстном окне и результатах оценки, а также возможное снижение качества при использовании низкобитных вариантов квантизации.

Koichi Yasuoka разработал RoBERTa-модель, предварительно обученную на текстах японской цифровой библиотеки «Аодзора Бунко» с токенизатором Japanese-LUW-Tokenizer. Это плотная модель архитектуры RoBERTa для masked language modeling: она предсказывает пропущенные токены в японском тексте и может служить основой для дообучения под последующие задачи, включая разметку частей речи и синтаксический анализ зависимостей. Модель содержит 305,5 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель подходит для восстановления пропусков в японских предложениях и как начальная точка для создания японских NLP-систем с дообучением. Карточка не сообщает оценки качества или результаты для конкретных downstream-задач. Лицензия — CC BY-SA 4.0.

sarvam1-dapt-general — промежуточный чекпойнт Sarvam-1 размером 2,4 млрд параметров после дополнительного обучения на общих данных о мире на малаяламском языке. Модель создана в рамках исследования контролируемого DAPT для суммаризации на малаяламском; архитектура — плотная LlamaForCausalLM, библиотека — Transformers, формат весов — safetensors. Нативный контекст составляет 8192 токена, а для дополнительного обучения использовано около 297 млн токенов. Чекпойнт предназначен для экспериментов с суммаризацией на малаяламском и изучения влияния дополнительного обучения на языковых данных. В описании исследования сообщается, что DAPT не дал статистически значимого улучшения downstream-результатов ни для mBART, ни для Sarvam-1. Артефакт обозначен как частный исследовательский материал; условия лицензирования в предоставленных данных не приведены.

BEE-spoke-data/smol_llama-220M-openhermes — компактная языковая модель, созданная BEE-spoke-data дообучением smol_llama-220M-GQA на синтетическом датасете teknium/openhermes. Она предназначена для генерации текста по инструкциям и простых ответов на запросы с дополнительным контекстом. Модель использует архитектуру Llama, содержит 184,9 млн параметров и поддерживает контекст длиной 2048 токенов. Для запросов применяется формат Alpaca с полями Instruction и Inputs. Карточка описывает модель как экспериментальную и предупреждает о её ограничениях из-за малого размера; результаты в таблицах оценки также показывают скромные показатели. Модель распространяется под лицензией Apache-2.0. README отдельно указывает, что данные OpenHermes синтетические и связаны с условиями использования их источника.

Style-Aware Paraphraser — дообученная модель Mistral-7B-Instruct-v0.3, выпущенная Риверой и соавторами для исследования «Attacks on Machine-Text Detectors Retain Stylistic Fingerprints» (ICML). Модель генерирует перефразированный текст в стиле целевого автора по 16 примерам его текстов; она предназначена прежде всего для переработки парафразов машинно-сгенерированного текста и проверки устойчивости детекторов машинного текста. Модель основана на плотной авторегрессионной архитектуре Mistral с 7,1 млрд параметров, принимает и генерирует текст, имеет контекст до 32 768 токенов и обучалась на англоязычных комментариях Reddit длиной 32–128 токенов. Обучение включало SFT с LoRA и этап DPO с оценкой кандидатов классификатором машинного текста. В описанной авторами схеме модель запускается итеративно с отбором кандидатов; результаты переносятся на отзывы Amazon и записи в блогах, но для блогов качество ниже. Лицензия — Apache-2.0.

Sugoi 14B Ultra — модель для локального перевода с японского на английский, разработанная командой Sugoi Toolkit. Она особенно предназначена для перевода диалогов видеоигр, текстов RPG Maker и других материалов с большим количеством скобок и служебной разметки. Модель доступна в формате GGUF и основана на sugoitoolkit/Sugoi-14B-Ultra-HF. Модель ориентирована на интерактивное использование в приложениях с чат-интерфейсом, включая LM Studio. Для наилучшего результата рекомендуется системный промпт, задающий роль профессионального локализатора и требующий отвечать на английском языке. Заявлены улучшенное следование инструкциям и BLEU 21,38 против 13,67 у предыдущей квантованной версии. Рекомендуется использовать контекст примерно до 10 строк, поскольку более длинный контекст может ухудшать качество. Экспериментальными функциями считаются интеграция с инструментами, вывод в JSON и сохранение тегов RPG Maker; их результаты следует проверять. Качество зависит от сложности промпта и используемого интерфейса. Вне задачи перевода модель может сохранять ограничения, связанные с цензурой Qwen. Модель распространяется по лицензии Apache-2.0.

Synatra-7B-v0.3-Translation — разговорная модель на 7,1 млрд параметров, разработанная как личный проект. Она основана на mistralai/Mistral-7B-Instruct-v0.1 и дообучена на наборе sharegpt_deepl_ko_translation и его отфильтрованной версии. Модель предназначена для перевода заданных фраз на корейский язык; в README приведён соответствующий формат инструкции. Модель использует плотную архитектуру Mistral и поддерживает контекст длиной до 32 768 токенов. Указаны форматы ChatML и Alpaca без входных полей. Весы доступны в формате PyTorch, лицензия — CC BY-SA 4.0. Карточка не содержит результатов завершённой оценки качества: раздел Ko-LLM-Leaderboard помечен как находящийся в процессе. Перевод на корейский — единственное явно описанное целевое направление; качество для других задач или языковых пар не подтверждено.

Synatra-RP-Orca-2-7b-v0.1 — экспериментальная модель для генерации текста с настройкой на ролевые диалоги. Разработчик описывает её как тестовую модель с supervised fine-tuning (SFT), созданную на базе microsoft/Orca-2-7b; архитектура — плотная Llama, около 6,6 млрд параметров, контекст — 4096 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации ответов в ролевых сценариях и диалогов по инструкциям. В README указаны форматы Alpaca (Better) и ChatML. Лицензия — Apache-2.0. Карточка описывает версию как тестовую, поэтому качество и устойчивость ответов могут быть ограничены; отдельные сведения о языковой специализации не приводятся.

TameForCasualLM — языковая модель для генерации текста и диалогов, разработанная Convergent Intelligence LLC: Research Division. Она основана на архитектуре TAMELM-AFMoER и добавляет механизм Blackhole Rope для маршрутизации информации между временными масштабами. По описанию автора, модель насчитывает около 1 млрд параметров, содержит 26 слоёв и 16 экспертов с разреженной маршрутизацией; обычно на шаге задействуются четыре эксперта. Модель обучали на английских данных для диалогов, рассуждений, математики и физики, включая OpenO1-SFT и Intelligent-Content-Understanding. Обучение охватило около 1 млн токенов при последовательностях до 1024 токенов, а README указывает, что модель всё ещё находится на стадии предобучения. Это ранний экспериментальный чекпойнт: заявленные механизмы и качество рассуждений не подтверждены приведёнными независимыми оценками. Репозиторий распространяется в формате PyTorch по лицензии Apache-2.0.

Tessera-1B-Nano-Base — контрольная авторегрессионная языковая модель Paragon Intelligence Labs, созданная на основе HuggingFaceTB/SmolLM2-360M. Модель продолжительно обучали предсказывать следующий токен на сопоставимом наборе данных; это базовый NTP-вариант экспериментального сравнения, без концептуального пути и дополнительных параметров. Она использует плотную архитектуру семейства Llama и поддерживает генерацию текста через Transformers. В метаданных указан контекст до 8192 токенов и около 361,8 млн параметров. Модель предназначена прежде всего для воспроизведения и сравнения результатов эксперимента с концептуальным вариантом Tessera. В README приведены значения потерь и perplexity на отложенной выборке, а также объём обучения примерно в 1 млрд токенов. Модель может служить компактной основой для генерации текста и языковых экспериментов, однако карточка не описывает её качество в прикладных задачах и не заявляет поддержку конкретных языков. Распространяется по лицензии Apache-2.0.

Модель Moses Joshua Coker — дообученный mBART-50 для двустороннего машинного перевода между английским и крио, креольским языком Сьерра-Леоне. Это последовательностная модель Transformer с 12 слоями кодировщика и 12 слоями декодировщика; для крио добавлен токен языка kri_SL. Модель содержит 457,4 млн параметров, принимает текст и поддерживает контекст до 1024 токенов. Модель предназначена для перевода коротких повседневных фраз и простых информационных предложений с английского на крио и обратно. Её также можно использовать как основу для дальнейшего дообучения или генерации синтетических параллельных данных. По карточке, обучение проведено на наборе примерно из 1 943 пар предложений; лицензия — MIT. Качество ограничено небольшим и узким обучающим набором. Модель может ошибаться на длинных, технических и тематически незнакомых текстах, хуже справляется с переключением языков внутри фразы и может опускать или придумывать содержание. Орфография крио в результатах следует соглашениям обучающих данных; для важных переводов нужна проверка человеком.

roneneldan/TinyStories-3M — компактная языковая модель семейства GPT-Neo, разработанная Роненом Элданом и обученная на наборе TinyStories. Модель содержит 8,3 млн параметров и принимает текстовый запрос, чтобы продолжить его связным текстом; пример в карточке показывает генерацию короткой истории по началу «Once upon a time there was». Контекст модели составляет 2048 токенов. Модель подходит для генерации простых историй и экспериментов с языковыми моделями небольшого размера. В примере используется токенизатор EleutherAI/gpt-neo-125M, поэтому для воспроизведения генерации потребуется совместимый токенизатор. Карточка не сообщает лицензию и подробные ограничения качества; назначение модели и обучающий набор ориентированы на простые истории на английском языке.

Windstorm Labs публикует модель машинного перевода с языков банту на английский. Это дообученная версия Helsinki-NLP/opus-mt-bnt-en на основе параллельных корпусов: LoRA-адаптация объединена с базовыми весами. Модель построена на архитектуре Marian и содержит 56,8 млн параметров; её естественная длина контекста — 512 токенов. Репозиторий содержит сборку Transformers в формате safetensors. Модель предназначена для перевода текста с языков банту на английский. Она поддерживает только это направление перевода. Качество этой версии не оценивалось бенчмарками, поэтому точность результатов не подтверждена. Лицензия — Apache-2.0.

Модель WindyTranslate/translate-crs-es — модель машинного перевода, опубликованная Windstorm Labs. Она переводит с креольского языка Сейшельских островов (crs) на испанский (es) и предназначена для перевода текстов в этом направлении. В основе лежит Helsinki-NLP/opus-mt-crs-es — архитектура MarianMT с 49,4 млн параметров и контекстом до 512 токенов. Весам применили дообучение LoRA на параллельном корпусе, после чего адаптер объединили с базовыми весами. Модель распространяется в формате safetensors и загружается через Transformers. Качество перевода ещё не оценивалось бенчмарками, поэтому его следует проверять на собственных текстах. Модель поддерживает только направление crs→es. Лицензия — Apache-2.0.