I.5Создание и редактирование текста

QuixiAI Samantha 1.2 — диалоговая модель на архитектуре Mistral, разработанная QuixiAI на базе mistral-7b и переобученная для корректной поддержки токенов ChatML. Веса объёмом 7,1 млрд параметров распространяются в формате PyTorch; модель поддерживает контекст до 32 768 токенов и предназначена для генерации текста в диалоге. Модель обучена на шести эпохах набора Samantha-1.1, включающего около 6 000 специально отобранных диалогов. Она ориентирована на эмпатичные беседы о философии, психологии и личных отношениях, а также на сценарии виртуального собеседника. Модель использует формат запросов ChatML и заявлена как не предназначенная для ролевых игр, романтического общения или сексуального контента. Лицензия — Apache-2.0. Ответы о sentience отражают заданный образ модели и не подтверждают наличие сознания. Как и другие языковые модели, она может выдавать неточные или вымышленные утверждения; карточка не приводит специальных оценок таких рисков.

Sapphire 7B — японская языковая модель на архитектуре Mistral, разработанная Elizezen и дообученная на наборах данных с художественными текстами. Она предназначена прежде всего для генерации романов и продолжения повествования; модель хорошо подходит как для текстов без откровенного содержания, так и для NSFW-контента. Для диалогов с выполнением инструкций она может быть менее эффективна. Модель содержит 7,1 млрд параметров, принимает и генерирует текст на японском языке и имеет контекстное окно 4096 токенов. Для работы с Transformers требуется версия 4.34.0 или новее. В README не указаны сведения о лицензии.

Saul-7B-Instruct-v1 — языковая модель Equall.ai, разработанная совместно с CentraleSupélec, Sorbonne Université, Instituto Superior Técnico и NOVA School of Law. Это плотная причинная модель семейства Mistral на 7,1 млрд параметров, полученная продолжением предобучения Mistral-7B и настроенная для выполнения инструкций в юридической области. Модель работает с текстом на английском языке, поддерживает диалоговый сценарий и имеет контекстное окно до 32 768 токенов. Модель предназначена для генерации текста в юридических задачах: например, для подготовки черновиков и ответов на запросы. Карточка предупреждает, что ответы могут быть неточными или бессмысленными, а качество модели на 7B параметров может уступать более крупной версии на 70B. Лицензия — MIT.

SaulLM-141-Base — базовая языковая модель для юридической области, разработанная Equall совместно с MICS при CentraleSupélec (Université Paris-Saclay). В README она названа исследовательским артефактом; модель основана на архитектуре Mixtral и предназначена для дальнейших исследований и адаптации к юридическим задачам. Метаданные указывают 22 млрд параметров, контекст до 65 536 токенов и формат safetensors; README сообщает об обучении на юридических текстах, судебных решениях и законодательных документах США и Европы. Модель принимает текст и генерирует текст на английском языке. Её можно использовать как основу для разработки юридических языковых решений и для экспериментов с генерацией текста в правовой тематике. Лицензия — MIT. Выводы могут быть неточными или отражать предвзятость обучающих данных, а сведения могут не учитывать недавние изменения законодательства. Модель ориентирована на правовые материалы США и Европы и может хуже работать с другими правовыми системами; её ответы не являются юридической консультацией и требуют проверки специалистом.

Shamrock 0 E4B — дообученная модель на базе Google Gemma 4 E4B Instruct, созданная для языковых функций настольного приложения Oxalis. Она предназначена для перевода текста и текста с камеры, работы с учебным словарём, занятий с ИИ-репетитором и разговорной практики на японском, корейском и упрощённом китайском языках. Модель поддерживает диалог; в репозитории есть объединённый чекпойнт fp16 и варианты GGUF, включая Q4_K_M и Q8_0, а также компоненты для мультимодального запуска и спекулятивного декодирования. Автор предупреждает, что вне сценариев приложения Oxalis модель работает плохо. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое.

t5-small-spoken-typo — англоязычная модель Will Wade, дообученная на базе T5-small для исправления ошибок в коротких разговорных фразах. Она восстанавливает пропущенные пробелы, исправляет опечатки, в том числе характерные для набора на клавиатуре QWERTY, и нормализует неформальные написания. Модель предназначена, в частности, для обработки пользовательского текста и поддержки пользователей средств альтернативной и дополнительной коммуникации (AAC). Модель использует архитектуру T5 с 38,5 млн параметров, принимает текст и генерирует исправленный текст. Контекст составляет до 512 токенов; обучение было сосредоточено на коротких высказываниях длиной примерно 2–5 слов на английском языке. Модель распространяется в формате safetensors по лицензии Apache-2.0. Она подходит для исправления коротких сообщений перед чтением или дальнейшей обработкой. На длинных и формальных текстах, других языках и диалектах качество может быть ниже; результаты стоит проверять, особенно в чувствительных сценариях.

Thespis-Mistral-7b-v0.7 — языковая модель для генерации текста, разработанная на базе архитектуры Mistral. Карточка описывает её как модель для ролевых диалогов в интернет-стиле: действия рекомендуется заключать в звёздочки, а реплики писать без кавычек. Она поддерживает стандартный формат чата Ooba и SillyTavern. В модели 7,1 млрд параметров, контекстное окно — 32 768 токенов. В карточке указаны обучающие наборы Pure-Dove Dataset, Claude Multiround 30k, OpenOrcaSlim и Augmental Dataset; автор также сообщает о планах расширить данные для обучения и создать собственный набор для DPO. Модель распространяется под лицензией Apache-2.0. Модель предназначена для ролевых бесед и генерации диалоговых ответов. Метка карточки предупреждает, что контент может быть не для всех аудиторий. Указаний о языках обучения или качестве модели в карточке нет.

Raising-an-llm/tinystories-30m-instruct — компактная причинно-следственная языковая модель на архитектуре LLaMA, дообученная для следования инструкциям. В метаданных указаны 26,1 млн параметров, контекст до 1024 токенов и формат весов safetensors; README округляет размер до 30 млн параметров. Модель предназначена прежде всего для генерации коротких историй по заданным словам, краткому описанию сюжета или набору характеристик. Для работы README рекомендует добавлять к запросу суффикс «Story:». Обучение проводилось на TinyStoriesInstruct; среди датасетов в метаданных также указан BABY-COSMO. Модель поддерживает генерацию текста на английском языке. Из-за небольшого размера и узкой специализации она не рассчитана на сложные общие задачи и длинные тексты. Лицензия — MIT.

WindyTranslate/translate-en-umb — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-en-umb на архитектуре MarianMT с 55,2 млн параметров; LoRA-дообучение на параллельном корпусе слито с базовыми весами. Модель принимает текст на английском языке и переводит его на умбунду. Репозиторий содержит веса в формате safetensors для загрузки через Transformers, контекст составляет 512 токенов. Модель предназначена для перевода отдельных текстов с английского на умбунду. В проверке на 48 предложениях FLORES-200 dev получены chrF++ 21,16 и BLEU 0,67; авторы относят результат к ограниченному диапазону и отмечают, что это предварительная оценка, а не результат публикационного исследования. Поддерживается только направление en→umb. Модель распространяется по лицензии Apache-2.0 с указанием происхождения базовой модели Helsinki-NLP.

WindyTranslate/translate-es-tpi — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-es-tpi: LoRA-адаптер обучили на параллельных данных и объединили с базовыми весами. Модель построена на архитектуре Marian и содержит 52,3 млн параметров; она принимает испанский текст и переводит его на ток-писин. Родной контекст составляет 512 токенов. Модель предназначена для перевода коротких текстов с испанского на ток-писин. В проверке на 48 предложениях FLORES-200 она набрала chrF++ 31,02 и BLEU 6,78; авторы относят результат к уровню «пригодно к использованию», но отмечают, что это предварительная оценка, а не результат публикационного исследования. Поддерживается только направление es → tpi. Модель распространяется по лицензии Apache-2.0.

WindyTranslate/translate-fi-ha — модель машинного перевода, опубликованная Windstorm Labs и предназначенная для перевода с финского языка на хауса. Это дообученная версия Helsinki-NLP/opus-mt-fi-ha: авторы сообщили, что обучили LoRA на параллельном корпусе и объединили адаптер с базовыми весами. Модель построена на архитектуре MarianMT, содержит 54,5 млн параметров, работает через Transformers и поставляется в формате safetensors. Контекст — до 512 токенов. На ограниченной оценке FLORES-200 dev из 48 предложений модель получила chrF++ 22,78 и BLEU 2,21; авторы обозначают результат как ограниченный и не считают его результатом публикационного уровня. Модель рассчитана только на направление финский → хауса, поэтому качество для других языковых пар не заявлено. Лицензия — Apache-2.0.

WindyTranslate/translate-fi-hil — модель машинного перевода, опубликованная Windstorm Labs и дообученная на параллельных данных для перевода с финского языка на хилигайнон. В основе лежит Helsinki-NLP/opus-mt-fi-hil: модель архитектуры MarianMT с 56,4 млн параметров и контекстом до 512 токенов. LoRA-дообучение объединено с базовыми весами; репозиторий содержит сборку Transformers в формате safetensors. Модель предназначена для перевода текстов с финского на хилигайнон. Поддерживается только это направление перевода. Качество модели пока не оценивалось на бенчмарках, поэтому пригодность для конкретного применения следует проверять отдельно. Лицензия — Apache-2.0.

WindyTranslate/translate-fi-tiv — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-fi-tiv: к базовым весам применили LoRA-дообучение на параллельном корпусе и объединили адаптер с моделью. Архитектура MarianMT, около 49,2 млн параметров; модель принимает финский текст и переводит его на язык тиви. Максимальная длина контекста — 512 токенов. Модель предназначена для перевода с финского на тиви. Качество не оценивалось на бенчмарках, поэтому пригодность результатов для конкретных задач не подтверждена. Репозиторий содержит сборку Transformers в формате safetensors. Лицензия — Apache-2.0.

Trouper V2 beta — языковая модель на 12,1 млрд параметров, разработанная DarwinAnim8or для ролевых диалогов и художественного письма. Это плотная модель семейства Mistral, объединяющая Trouper-12B и Mistral Nemo Base; она рассчитана на работу в SillyTavern и поддерживает контекст до 131 072 токенов. Модель создаёт сдержанные реплики от лица персонажей, поддерживает различимые голоса и постепенно раскрывает эмоции через поведение и внутренний монолог. В SillyTavern она также может составлять и обновлять сводки беседы и генерировать промпты для изображений, сохраняя контекст ролевой сцены. Основной язык карточки — английский. Автор сообщает о сниженных показателях повторяющихся шаблонных фраз в тестах на творческое письмо. Среди ограничений — случайные сбои форматирования, повторяющиеся атмосферные детали и чувствительность к шаблону; без подходящего шаблона модель может продолжать текст или добавлять мета-комментарии. Она предназначена для ролевой игры, а не для работы в качестве универсального ассистента. Лицензия — Apache-2.0.

ytu-ce-cosmos/turkish-small-bert-uncased — компактная модель BERT для турецкого языка, разработанная для заполнения пропусков в линейках небольших турецких BERT. Она обучена работать с текстом без учёта регистра и предназначена, в частности, для предсказания пропущенных токенов. Модель содержит 33,2 млн параметров, использует архитектуру BERT и поддерживает контекст до 512 токенов. Для токенизации текст нужно предварительно приводить к нижнему регистру с учётом турецкой буквы I: README рекомендует применять `text.replace("I", "ı").lower()` и не включать `do_lower_case = True` у токенизатора из-за известной проблемы. Модель обучалась преимущественно на собранных из интернета данных, поэтому её предсказания могут отражать смещения этих данных. Доступны веса PyTorch, safetensors и TensorFlow; сведения о лицензии в предоставленных данных отсутствуют.

ua-legal-lm-ft — україномовна модель для генерації тексту в юридичному контексті, створена донавчанням Qwen2.5-0.5B командою або автором JoTalbot. Репозиторій містить LoRA-адаптер, навчений на відкритих українських юридичних даних протягом 2000 кроків. Модель має 494 млн параметрів, архітектуру Qwen2 для причинної генерації тексту та контекст до 32 768 токенів. Модель призначена для створення й продовження україномовного юридичного тексту та діалогових сценаріїв у правовій тематиці. Адаптер потребує базової моделі Qwen/Qwen2.5-0.5B. У картці наведено val loss 0,5241 проти попереднього опублікованого значення 0,5314. Ліцензія в наданих даних не зазначена, тому умови використання адаптера та базової моделі слід звірити з їхніми репозиторіями.

Aʟʙᴇʀᴛɪ — многоязычная языковая модель для анализа поэзии, разработанная Javier de la Rosa и Álvaro Pérez Pozo. Это модель BERT с архитектурой BertForMaskedLM, дообученная на основе bert-base-multilingual-cased и обученная с задачей masked language modeling на корпусе PULPO. Она предназначена для заполнения пропусков в тексте и как основа для последующей тонкой настройки под конкретные задачи анализа поэзии. Модель содержит 205,1 млн параметров и обрабатывает последовательности длиной до 512 токенов. Поддерживает испанский, французский, итальянский, чешский, португальский, английский, арабский, финский, немецкий, русский, венгерский и китайский языки. Доступны веса в форматах PyTorch, Flax и safetensors. Лицензия — CC-BY 4.0.

APT-1B-Base — базовая авторегрессионная языковая модель Azurro, обученная с нуля для генерации польского текста. Она использует плотную архитектуру Transformer типа decoder-only, совместимую с семейством LLaMA, и обучалась с помощью фреймворка ALLaMo. Размер модели — около 1,06 млрд параметров, контекст — 2048 токенов; для токенизации применяется BPE-токенизатор с словарём из 8000 токенов. Модель предназначена прежде всего для исследований и последующего дообучения: она может продолжать польский текст и служить базой для специализированных моделей. Обучение проводилось на польском корпусе объёмом около 3 млрд токенов, включавшем книги, польскую Википедию и веб-данные; всего использовано 20 млрд токенов обучения. Модель принимает и выдаёт текст. APT-1B-Base не рассчитана на непосредственное применение в диалоге или пользовательских системах без дообучения и дополнительных защитных механизмов. Она может генерировать фактические ошибки, предвзятые, оскорбительные или непристойные ответы. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях.

ARO-BabyLM-1B-Cooldown — причинная языковая модель, разработанная Юсуке Маэдой и обученная с нуля на корпусе BabyLM 2026 Strict. Это ветка продолжения обучения проверенного чекпойнта ARO на 500 млн слов: до этой отметки сохранены веса, токенизатор, порядок данных и состояние AdamW, затем применен режим cooldown с затухающей скоростью обучения и постепенным увеличением контекста. Модель содержит около 103,4 млн параметров по метаданным, использует 11 блоков, локальное и глобальное причинное внимание, рекуррентную память GatedDeltaNet и контекст длиной до 1024 токенов. Обучение проводилось только на английском языке, на фиксированном корпусе из 100 млн слов, пройденном десять раз. Модель предназначена для генерации текста и исследований компактных языковых моделей, в частности сравнения рецептов обучения и оценки переноса на англоязычные языковые задачи. В официальных оценках BabyLM 2026 её показатели по шести завершенным метрикам были ниже, чем у ветки Original 1B, хотя результат Reading существенно улучшился; автор рекомендует Original 1B для общей оценки и использования. Модель опубликована под лицензией MIT. Репозиторий содержит пользовательский код Transformers, который следует проверить перед включением.

DataPilot разработала ArrowMint-Gemma3-4B-YUKI-v0.1 — японскую разговорную модель для виртуальных стримеров AItuber. Она основана на google/gemma-3-4b-it: специализированные версии были дообучены с помощью Unsloth на синтетических данных, а затем объединены через mergekit. Модель ориентирована на естественные многоходовые диалоги, следование инструкциям и настройкам персонажа, а также быстрые ответы при ограниченных вычислительных ресурсах. По метаданным, это плотная архитектура Gemma 3, распространяемая в формате safetensors; лицензия — Gemma. README описывает сценарии с изображениями и без них, однако основная задача в метаданных — генерация текста.

Это дообученная модель генерации текста на архитектуре GPT-2, предназначенная для экспериментов с языковым моделированием на подсловных единицах в рамках проекта BabyLM. Карточка приводит метрики оценки BabyLM и BLiMP, включая loss, perplexity, лексические и синтаксические показатели; результаты различаются по тестам и отдельным языковым явлениям. Модель принимает текст и генерирует продолжение. В метаданных указан контекст длиной 256 токенов и формат весов safetensors. README не называет исходную модель, обучающий набор данных или лицензию, поэтому их нельзя установить по доступным сведениям.

gaunernst/bert-L4-H128-uncased — компактная англоязычная модель BERT на основе чекпойнта из репозитория Google Research BERT. Вариант имеет 4 слоя и скрытый размер 128; число параметров составляет около 5 млн. Это модель заполнения пропусков: она предсказывает замаскированные токены в тексте, используя контекст с обеих сторон. Поддерживает последовательности длиной до 512 токенов и доступна в форматах PyTorch и Safetensors. Модель подходит для экспериментов и приложений, которым нужен небольшой BERT для восстановления пропущенных слов и связанных задач на основе masked language modeling. В карточке указаны BookCorpus и Wikipedia как датасеты; неясно, применялась ли к чекпойнту дистилляция. Лицензия — Apache 2.0.

izumi-lab/bert-small-japanese — компактная японская модель BERT, предварительно обученная на японской Википедии. Архитектура соответствует BERT small из оригинальной статьи ELECTRA: 12 слоёв, размер скрытого состояния 256 и 4 головы внимания; модель содержит 21 млн параметров и рассчитана на контекст до 128 токенов. Модель подходит для предсказания пропущенных токенов в японском тексте и как компактная основа для задач обработки японского языка. При токенизации используется MeCab с IPA-словарём, затем WordPiece; размер словаря — 32 768 токенов. Модель распространяется в формате PyTorch по лицензии CC BY-SA 4.0.

Aratako/calm3-22b-RP-v2 — диалоговая модель Aratako для ролевых сценариев, дообученная методом QLoRA на базе cyberagent/calm3-22b-chat. Она предназначена для ведения ролевых диалогов по заданным пользователем инструкциям, описанию мира и настройкам персонажей. Модель построена на плотной архитектуре Llama с 22,1 млрд параметров, принимает текст и генерирует текст; заявленный контекст составляет 16 384 токена. Обучение включало японские и англоязычные ролевые датасеты, в том числе материалы с контентом для взрослых. Модель использует исходный формат чата ChatML. Распространяется по лицензии CC-BY-NC-SA 4.0; автор указывает, что из-за включения в обучающие данные генераций GPT-4o-mini и Claude 3.5 Sonnet модель нельзя использовать для конкурирующих с ними сервисов.

CharGen v3 mini — компактная языковая модель для создания персонажей ролевых игр по текстовому описанию. Проект CharGen ведёт разработку моделей для упрощения создания персонажей; версия v3 обучена на материалах из общедоступных репозиториев карточек персонажей, прошедших ручную проверку и редактуру. Модель представляет собой плотную авторегрессионную архитектуру Llama примерно на 3,9 млрд параметров, дообученную на Delta-Vector/Holland-4B-V1. Метаданные указывают контекст до 131 072 токенов и поддержку английского языка. Модель генерирует текстовые описания персонажей и ролевые материалы в заданном формате: черты личности, внешность, факты, сценарии, вступительные сообщения и примеры диалогов. Она предназначена для авторов ролевых персонажей и диалоговых сценариев; README отмечает улучшенное следование инструкциям и соблюдение формата относительно CharGen v2. Модель распространяется по лицензии MIT. Доступны также квантованные версии GGUF, но этот репозиторий содержит веса safetensors.

Vexion-GPT — проект плотной языковой модели на PyTorch, разработанный DZER-Studios. Репозиторий содержит исходный код архитектуры и базовые графики обучения; готовые веса на момент описания ещё не опубликованы. Модель предназначена для авторегрессионной генерации текста и экспериментов с предварительным обучением больших языковых моделей. Архитектура представляет собой классический GPT-трансформер с causal attention и активациями GELU или SiLU, без MoE и RoPE. Поддерживаются Flash Attention, градиентный чекпойнтинг, эффективный оптимизатор Adafactor и потоковая загрузка бинарных обучающих данных. Конфигурация отделена от исходного кода и задаётся через совместимый с Hugging Face файл config.json. Заявлены варианты от 117 млн до 3 млрд параметров с контекстом 1024 токена в приведённых измерениях; языки и дополнительные модальности не указаны. Сильные стороны проекта — сниженное потребление видеопамяти при обучении, возможность запуска на потребительских GPU и гибкая настройка конфигурации. Ограничения включают отсутствие опубликованных весов, отсутствие сведений о датасетах, качестве, результатах тестирования и поддерживаемых языках. Для моделей крупнее 1 млрд параметров обучение требует значительных ресурсов и может существенно замедляться при ограниченной видеопамяти. Лицензия проекта — Apache-2.0.

DarijaBERT — языковая модель от AIOX Lab и SI2M Lab INSEA для марокканского арабского диалекта дарижа. Это модель семейства BERT с архитектурой BERT-base без задачи Next Sentence Prediction; она содержит около 174,7 млн параметров и поддерживает контекст до 512 токенов. Модель обучена примерно на 100 млн токенов из рассказов на дариже, комментариев YouTube и твитов. Основная задача модели — предсказывать пропущенные токены в тексте на дариже. Она подходит для языковых исследований и как основа для приложений обработки марокканского диалекта. Карточка не указывает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Koichi Yasuoka разработал небольшую модель DeBERTa V2, предварительно обученную на текстах японской библиотеки 青空文庫. Модель содержит 18,4 млн параметров, принимает текст и предсказывает замаскированные токены; для неё указано окно контекста 128 токенов. Основное назначение — восстановление пропущенных слов в японском тексте и дообучение для последующих задач обработки японского языка, например разметки частей речи и синтаксического анализа зависимостей. Модель доступна в формате PyTorch и может использоваться через Transformers. Лицензия — CC BY-SA 4.0. Поскольку обучение проводилось на литературном корпусе 青空文庫, применимость к современным, разговорным и специализированным текстам может быть ограничена; качество для конкретной задачи зависит от дообучения.

EndlessRP-v2-7B — языковая модель для ролевых диалогов, опубликованная Endevor. Это плотная causal language model на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель собрана слиянием нескольких моделей и адаптеров; веса доступны в формате safetensors. Модель предназначена прежде всего для ролевого общения и генерации продолжительных ответов в формате Extended Alpaca. В карточке приведён пример шаблона на основе lemonilia/LimaRP-Mistral-7B-v0.1. Указана лицензия Apache-2.0. Основной язык карточки — английский. Автор предупреждает, что модель ориентирована на RP и не следует ожидать от неё сильных результатов в загадках и логических тестах. Метки модели также указывают на контент NSFW, поэтому она не подходит для всех аудиторий.

Карточка модели deepseek-ai/ESFT-gate-summary-lite на Hugging Face совпадает с карточкой deepseek-ai/ESFT-token-law-lite, поэтому описание составлено по ней. DeepSeek-ai/ESFT-token-law-lite — специализированная экспертная модель на основе DeepSeek V2, предназначенная для генерации текста в диалоговом режиме. В карточке указаны архитектура DeepSeek V2 с плотной моделью класса DeepseekV2ForCausalLM, размер 2,5 млрд параметров и контекст до 4096 токенов. Название и README указывают на специализацию в области права, однако карточка не раскрывает конкретные юридические задачи, обучающие данные или способ применения экспертного набора. Репозиторий содержит веса в формате safetensors; для загрузки и использования README отсылает к скриптам, но ссылки в карточке не заполнены. Лицензия не приведена в доступных данных.