I.5Создание и редактирование текста

HamdanXI/t5_small_aslg_pc12 — модель преобразования текста, созданная дообучением google-t5/t5-small на наборе данных aslg_pc12. Она использует архитектуру T5ForConditionalGeneration и содержит 38,5 млн параметров. Модель предназначена для перевода текста в рамках задачи, представленной обучающим набором. Модель принимает текст и выдаёт текст. Максимальная длина контекста составляет 512 токенов. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. README не приводит подробностей о направлениях перевода, качестве на отдельных тестах или практических ограничениях.

nm-testing/tinyllama-w4a16-compressed — сжатая версия базовой авторегрессионной языковой модели TinyLlama-1.1B, опубликованная организацией NM Testing на Hugging Face. Исходную TinyLlama разработал проект TinyLlama; модель предназначена для генерации текста и экспериментов с компактными Llama-подобными языковыми моделями. Репозиторий относится к набору тестовых моделей LLM Compressor, поэтому его назначение связано также с проверкой загрузки и выполнения сжатых моделей. Модель использует архитектуру LlamaForCausalLM с примерно 1,1 млрд параметров, 22 слоями, скрытым размером 2048, 32 attention heads и 4 key-value heads. Максимальная длина контекста — 2048 токенов, размер словаря — 32 000 токенов. Веса линейных слоёв квантизованы в 4 бита с группами размера 128; используется формат compressed-tensors, при этом указаны BF16 и плотность без структурного ограничения. Модель текстовая и ориентирована прежде всего на английский язык. Сжатие уменьшает требования к памяти и может ускорить локальный инференс на совместимом программном и аппаратном обеспечении, однако 4-битная квантизация способна снижать точность по сравнению с исходной моделью. Это базовая, а не instruction-tuned или chat-версия, поэтому она не оптимизирована для диалога и выполнения пользовательских инструкций. Для исходной TinyLlama указана лицензия Apache-2.0; отдельная карточка с условиями лицензирования именно этого сжатого тестового варианта отсутствует.

Windstorm Labs выпустила модель машинного перевода с английского на мосси (Mossi, код mos), основанную на Helsinki-NLP/opus-mt-en-mos. Это дообученная модель архитектуры MarianMT с 49,2 млн параметров; LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель доступна в формате safetensors для Transformers, её контекст составляет 512 токенов. Модель предназначена для перевода текстов с английского на мосси; другие направления перевода в карточке не заявлены. В проверке на 48 предложениях FLORES-200 dev указаны chrF++ 17,19 и BLEU 0,95, с оценкой уровня Limited. Результат является предварительной проверкой, а не публикационной оценкой, поэтому качество перевода может быть ограниченным. Лицензия — Apache 2.0.

WindyTranslate/translate-en-sal — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-en-sal: LoRA-адаптер обучили на параллельных текстах и объединили с базовыми весами. Модель построена на архитектуре Marian и содержит 53,8 млн параметров; она принимает английский текст и переводит его на язык, обозначенный кодом sal. Контекст модели составляет 512 токенов. Модель предназначена для перевода текста только в направлении с английского на sal. Репозиторий содержит сборку Transformers в формате safetensors. Качество перевода не оценивалось: проверка подтвердила язык выходного текста, но не точность и естественность перевода. Лицензия — Apache-2.0.

Windstorm Labs выпустила модель машинного перевода с финского языка на мооре (моси, код языка mos), созданную на основе Helsinki-NLP/opus-mt-fi-mos. Это дообученная модель семейства Marian с архитектурой MarianMTModel: веса изменены с помощью LoRA, обученной на параллельных данных, а адаптер объединён с базовыми весами. Модель содержит 51 млн параметров, принимает текст, выдаёт перевод и рассчитана на контекст до 512 токенов. Модель предназначена для перевода финских текстов на мооре. В проверке на 48 предложениях набора FLORES-200 она получила chrF++ 16,51 и BLEU 0,36; авторы характеризуют результат как ограниченный скрининговый показатель, а не полноценную публикационную оценку. Модель поддерживает только направление fi→mos, поэтому качество следует проверять на целевых текстах. Репозиторий распространяется по лицензии Apache-2.0.

UnimeType Transliteration-4B-Safetensors — текстовая модель UnimeType для преобразования сообщений, набранных латиницей, в китайское, японское, хинди- или арабское письмо. Она основана на дообученной плотной Qwen3.5-4B с архитектурой Qwen3_5ForCausalLM; содержит 3,4 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. Этот выпуск содержит веса Safetensors и токенизатор. Модель предназначена для преобразования пиньиня, ромадзи, романизированного хинди, Hinglish и Arabizi. Английские слова, ссылки, код, числа и знаки пунктуации рассчитаны на сохранение на месте, но оно не гарантируется. Для Safetensors-выпуска нет оценки точности на полном наборе тестов; известны ошибки на неоднозначных коротких английских фразах, при выборе арабских диалектных форм и написания, а также при сохранении японской пунктуации и эмодзи. Перед использованием результата следует проверять ссылки, код, числа, пунктуацию и переносы строк. Лицензия — Apache-2.0.

zlyngkhoi/txgemma-2b-trialbench-sft — плотная языковая модель на архитектуре Gemma 2, созданная zlyngkhoi путём дообучения google/txgemma-2b-predict с помощью Aligntune. Модель содержит 2,7 млрд параметров, принимает текст и генерирует текст; контекстное окно — 8192 токена. Модель предназначена для текстовых прогнозов свойств лекарственных средств и связанных биологических объектов, а также для задач, где требуется дообученная версия TxGemma-2B-Predict. README не уточняет конкретную схему обучения или специализированные сценарии trialbench. Базовая модель Google обучалась на терапевтических данных; это не подтверждает точность прогнозов для клинических решений. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

talzoomanzoo/uid_gated_aime_qwen3-1-7b_ep2 — объединённый полноразмерный чекпойнт Qwen3-1.7B и адаптера LoRA, созданный после второго этапа UID-gated GRPO-обучения на AIME. Модель предназначена для генерации текста и диалогов, с акцентом на решение задач AIME и математические рассуждения. В основе лежит плотная архитектура Qwen3ForCausalLM с 1,7 млрд параметров и контекстом до 40 960 токенов. Чекпойнт объединяет веса базовой модели и LoRA-адаптера ранга 64 с alpha 32; исходный шаг обучения — global_step_16. Модель работает с текстом и поддерживает многоязычные возможности Qwen3. Модель распространяется по лицензии Apache-2.0. Это ранний чекпойнт после ограниченного этапа обучения, поэтому качество решения задач и обобщение на другие математические тесты могут быть нестабильными.

Velara-11b — разговорная модель-ассистент, разработанная Delcos на базе Starling и архитектуры Mistral. Она предназначена для диалогов с заданным персонажем: стремится сохранять его образ и учитывать ход беседы в пределах контекстного окна до 32 768 токенов. Разработчик также нацеливал модель на точное следование подсказкам и менее шаблонные ответы; предусмотрена экспериментальная работа с «дополнениями», заданными в промпте. Модель содержит 11,3 млрд параметров, работает с текстом и рассчитана на английский язык. Для общения рекомендуется шаблон промпта из карточки. Модель описана как uncensored и подходит для ролевого диалога, однако карточка не приводит результатов бенчмарков или сведений о данных обучения, поэтому заявленные качества не подтверждены оценками. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий на условиях лицензии.

Violet 1b4 — авторская языковая модель Zakarth на архитектуре GPT-NeoX с плотной causal language model и примерно 1,8 млрд параметров. Она обучена преимущественно на англоязычных текстах 1800–1899 годов из Project Gutenberg, Internet Archive, Британской национальной библиотеки и других архивов; использует специальный токенизатор для викторианских текстов и контекст до 4096 токенов. Это версия для продолжения текста, а не чат-модель. Модель предназначена для генерации художественной прозы с викторианским оттенком, ролевых сценариев, переписки в стиле эпохи и текстов, соблюдающих викторианский этикет. Она может быть полезна авторам и разработчикам локальных творческих инструментов; карточка также описывает демонстрации, работающие локально через WebGPU. Модель не подходит для современных фактических ответов и медицинских, юридических или финансовых консультаций. Возраст и даты в генерации могут быть неточными, а из-за OCR в обучающих текстах иногда появляются современные посторонние токены. В корпусе представлены варианты английского из Великобритании и США. Лицензия модели — CC0 1.0.

WordStitch-4B v0.2 Alpha — экспериментальная языковая модель объёмом 4B параметров, разработанная heavry на основе rodrigomt/Qwen3.5-4B-Uncensored-Aggressive и дообученная с помощью LoRA. Модель предназначена для восстановления английских слов, записанных китайским Pinyin, в англоязычных и китайско-английских смешанных текстах. Она принимает китайский, английский и Pinyin без специальных тегов, исправляет умеренные опечатки в Pinyin и переписывает исходную фразу на естественном английском. Основные сценарии — помощь китайскоязычным пользователям при написании английского, code-switching, перевод отдельных китайских понятий и лексическое восстановление по контексту. Модель доступна в виде LoRA-адаптера, объединённой BF16-версии для Transformers и квантованного файла GGUF Q4_K_M для llama.cpp и Ollama. Для объединённой версии требуется около 9,10 ГБ памяти под веса, размер GGUF-файла составляет около 2,71 ГБ. На замороженном наборе из 100 примеров LoRA-версия получила 89/100 семантических совпадений, а Q4_K_M — 85/100; оценка проводилась AI-оценщиком и не является независимой сертификацией. Модель лучше всего работает с распространёнными одиночными Pinyin-вставками, но испытывает трудности с последовательностями и множественными заменами, неоднозначными транслитерациями, редкой лексикой и сохранением уже корректного английского. Возможны неверный выбор слова, неестественная грамматика и пропуск артиклей. В метаданных указана лицензия other. Документация предупреждает, что лицензия исходной модели явно не подтверждена, а публикация не распространяет объединённые веса под Apache-2.0. Перед перераспределением или коммерческим использованием необходимо изучить NOTICE и материалы проверки лицензии.

إمحوتب (Emhotob) — это небольшая базовая языковая модель, разработанная oddadmix: 51,8 млн параметров, архитектура Llama и контекст длиной 2048 токенов. Модель предварительно обучена с нуля на примерно 20 млрд арабских токенов из корпуса FineWeb-Edu Arabic. Архитектура и рецепт обучения основаны на SupraLabs/Supra-50M-Base, но веса обучены заново с арабским корпусом и пользовательским токенизатором byte-level BPE. Модель предназначена для продолжения арабского текста, исследований компактных языковых моделей и использования в качестве основы для последующего дообучения. Благодаря небольшому размеру она рассчитана в том числе на запуск на CPU. Это базовая модель без настройки инструкций и чата, поэтому она не предназначена для диалога без дополнительного дообучения. Разработчик предупреждает об ограниченных знаниях и рассуждениях, возможных повторах и смещениях обучающего веб-корпуса; модель не рекомендуется для фактических, медицинских, юридических или финансовых задач. Лицензия — Apache-2.0.

alignment-handbook-zephyr-7b_ppostep_100 — экспериментальный чекпойнт Zephyr 7B, созданный запуском PPO-обучения в течение 100 шагов на модели alignment-handbook-zephyr-7b-sft. Модель разработана как часть эксперимента по выравниванию поведения разговорной языковой модели. Это причинная языковая модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она принимает текст и генерирует текст в диалоговом режиме; репозиторий содержит веса Safetensors. Поддерживаемые языки в доступных данных не определены. Чекпойнт подходит для изучения влияния короткого PPO-обучения на ответы Zephyr и для экспериментального диалога. Карточка не сообщает результатов оценки качества или подробностей обучающих данных, поэтому пригодность для задач с требованиями к точности не подтверждена. Лицензия — Apache-2.0.

Карточка модели haoranxu/ALMA-7B на Hugging Face совпадает с карточкой haoranxu/ALMA-13B-Pretrain, поэтому описание составлено по ней. haoranxu/ALMA-13B-Pretrain — базовая стадия модели ALMA, разработанной Haoran Xu и соавторами как часть проекта по улучшению машинного перевода с помощью больших языковых моделей. Это плотная авторегрессионная модель семейства LLaMA-2 с 12,9 млрд параметров, дообученная на 12 млрд токенов монолингвистических данных; она принимает и генерирует текст, имеет контекст 4096 токенов и опубликована в формате PyTorch. Этот чекпойнт прошёл только первый этап обучения и сам по себе не является моделью перевода. В проекте его используют совместно с соответствующим LoRA-адаптером для дальнейшего обучения на параллельных данных; задачи перевода предназначены для получившейся модели ALMA, а не для этого чекпойнта отдельно. Модель доступна по лицензии MIT.

ShadNygren/BioTechFineTuneTest-DrugAdverseEffects-SIDERv1_then_v2_then_v3 — языковая модель семейства Llama, дообученная ShadNygren на базе ShadNygren/BioTechFineTuneTest-DrugAdverseEffects-SIDERv1_then_v2. Модель предназначена для генерации текста; по названию репозитория она связана с вопросами о нежелательных реакциях на лекарства и набором данных SIDER. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 8192 токенов. Для обучения применялись Unsloth и TRL. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Модель принимает текст и генерирует текст. Подтверждён язык английский; профильная тематика — побочные эффекты лекарств. README не описывает качество ответов и клиническую проверку, поэтому пригодность результатов для медицинских решений не подтверждена.

Модель yacht/byt5-base-en2th-transliterator, разработанная yacht, предназначена для фонетической передачи английских слов тайским письмом. Это дообученная для транслитерации англо-тайских пар модель ByT5 на базе архитектуры T5 типа sequence-to-sequence; она работает с последовательностями байтов UTF-8. В репозитории указано 595,1 млн параметров, доступны веса safetensors и поддерживается инференс в FP16. Модель подходит для транслитерации английских имён, географических названий, терминов и других слов на тайский, а также для учебных и доступностных сценариев. Она передаёт звучание, а не переводит смысл. Обучение использовало объединённые наборы англо-тайских пар из нескольких источников, включая имена и специализированную лексику. Лицензия MIT разрешает коммерческое использование. Качество зависит от фонетической сложности слова и покрытия обучающими данными: модель может ошибаться на редких или сложных словах и отдельных сочетаниях звуков. В карточке приведены accuracy 0,7831 и character error rate 0,0591; примеры ошибок показывают, что даже распространённые слова могут получить неточную запись.

AmberYifan/capsd-convfinqa-fullscore-marin-8b-base-finance_random_b2000_s0 — дообученная модель семейства Llama на основе marin-community/marin-8b-base. Она предназначена для генерации текста в финансовом сценарии; в README указано, что обучение проводилось на наборе capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_random_b2000_s0. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текстовый контекст длиной до 4096 токенов. Модель может быть полезна для генерации ответов на финансовые вопросы и диалоговых сценариев по финансовым данным. Базовая модель описана как англоязычная, поэтому основным поддерживаемым языком следует считать английский. В карточке указана лицензия other; конкретные условия лицензии в доступных сведениях не раскрыты.

Catrex 1.0 — двуязычная чат-модель Catniti для генерации ответов на русском и английском языках. Она обучена с нуля и основана на плотной архитектуре Llama с классом LlamaForCausalLM; размер составляет около 64,8 млн параметров. Модель предназначена для диалогового использования и генерации текста, поддерживает шаблон ChatML и доступна в форматах Safetensors и GGUF F16. Модель можно запускать через Transformers, llama.cpp и LM Studio. В README приведены значение функции потерь на валидации 4,6802 и perplexity 107,8. Контекст ограничен 512 токенами, поэтому модель рассчитана на короткие запросы и ответы. Лицензия — Apache-2.0.

DanBERT Small Cased — датская предварительно обученная языковая модель на архитектуре BERT, опубликованная Alexander Falk. Она основана на BERT-Base и обучена более чем на 2 млн предложений, содержащих около 40 млн датских слов; README указывает, что обучение проводилось в рамках дипломной работы. Модель содержит 96,6 млн параметров и рассчитана на контекст до 514 токенов. Основная задача в каталоге Hugging Face — fill-mask: модель предсказывает замаскированные токены в датском тексте. Это подходит для экспериментов с языковым моделированием и построения задач на основе BERT; доступна загрузка через Transformers в форматах PyTorch и Flax. Лицензия — Apache-2.0. Карточка также отмечает английский язык, однако описание обучения сосредоточено на датском.

Koichi Yasuoka разработал DeBERTa V2 — модель с маскированным языковым моделированием, предварительно обученную на текстах тайской Википедии. Она содержит 115,6 млн параметров, принимает последовательности длиной до 512 токенов и предназначена для заполнения масок в тайском тексте, а также для дообучения под задачи разметки частей речи и синтаксического анализа зависимостей. Модель использует архитектуру DeBERTa V2 и распространяется в формате PyTorch. Лицензия Apache-2.0. Карточка приводит пример загрузки через Transformers с AutoTokenizer и AutoModelForMaskedLM. Для специализированных downstream-задач требуется дообучение; сведений о качестве на конкретных бенчмарках в карточке нет.

Модель umarsani16/dicoding-llama-3.2-3b-legal-chatbot-sft — дообученная разговорная модель семейства Llama 3.2, разработанная umarsani16 на основе unsloth/llama-3.2-3b-instruct-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Это плотная авторегрессионная языковая модель на 3,2 млрд параметров с контекстом до 131 072 токенов; она принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. В метаданных указан английский язык. Модель предназначена для чат-сценариев по юридической тематике, что следует из названия репозитория; README не приводит конкретные юридические задачи или результаты оценки качества. Лицензия — Apache-2.0. Карточка не описывает ограничения точности юридических ответов или правила безопасного применения.

distilgpt2-HC3 — дообученная модель pszemraj на основе distilgpt2, обученная продолжать текст в стиле ответов ChatGPT из набора HC3. Она предназначена для генерации ответов на вопросы и экспериментов с компактной языковой моделью. Модель содержит 80 млн параметров, использует архитектуру GPT-2 и принимает текст; длина контекста — 1024 токена. В карточке указаны результаты оценки: loss 1,9983 и accuracy 0,5441. Модель может генерировать фактически неверные ответы. Распространяется по лицензии Apache-2.0.

en-toki-mt — модель машинного перевода, созданная дообучением Helsinki-NLP/opus-mt-en-ROMANCE на парах английского и токи-пона из Tatoeba. Она предназначена для перевода с английского на токи-пона; архитектура — Marian Transformer, размер — 58,4 млн параметров, длина контекста — 512 токенов. Обучающая выборка содержит около 20 000 пар предложений без фильтрации. На тестовом наборе модель показала BLEU 54. Токи-пона — минималистичный искусственный язык с небольшим словарём, поэтому модель может ошибаться при переводе сложной лексики. Модель распространяется по лицензии Apache-2.0.

grimulkan/Euryale-1.3-longLORA-70b-rope8-32k-fp16 — объединение LongAlpaca-70B-lora с Euryale-1.3-L2-70B от Sao10K. При объединении заменены слои эмбеддингов и нормализации по методу LongLoRA, а также удалены лишняя строка и токен заполнения, чтобы согласовать словари. Дополнительного дообучения не проводилось. Модель предназначена для генерации текста с экспериментально заявленной возможностью обрабатывать контекст до 32 тыс. токенов при линейном масштабировании RoPE с коэффициентом 8. Автор отмечает, что работоспособность этой способности требует проверки. В репозитории хранятся веса safetensors в формате fp16; модель имеет архитектуру LlamaForCausalLM и 68,7 млрд параметров. Модель основана на Euryale-1.3-L2-70B и наследует лицензию Llama 2. Карточка не приводит оценки качества или сведений о поддерживаемых языках; основной заявленный сценарий — экспериментальная генерация текста с длинным контекстом.

Это экспериментальная версия OPT-125M от xformAI, созданная на основе facebook/opt-125m. Модель сохраняет архитектуру MHA, но объединяет K/V-значения внутри групп усреднением: в слоях используется до 6 групп KV-голов вместо 12 KV-голов исходной реализации. Такой вариант предназначен для более эффективной работы с KV-кэшем и генерации текста. Модель содержит 151,9 млн параметров, рассчитана на контекст до 2048 токенов и опубликована в формате PyTorch для библиотеки Transformers. Модель подходит для экспериментов с генерацией текста и изучения способов уменьшить затраты на KV-кэш. Карточка заявляет, что подход должен быть эффективнее соответствующего GQA-варианта, но не приводит результатов сравнительных измерений. Лицензия — MIT.

Praveen76/FinetunedT5Model — дообученная версия T5-small на наборе данных, который в карточке обозначен как None. Модель построена на архитектуре T5ForConditionalGeneration и содержит 38,5 млн параметров; веса представлены в формате safetensors. Указанная длина контекста — 512 токенов. Карточка приводит результаты оценки: loss 1,6604, ROUGE-1 0,2931, ROUGE-2 0,1635, ROUGE-L 0,2526 и среднюю длину генерации около 19 токенов. Целевое применение и состав обучающих данных не описаны, поэтому назначение модели и пригодность для конкретных задач по этим результатам определить нельзя. Лицензия — Apache-2.0.

Franken-MoE-Large-Base — экспериментальная генеративная языковая модель от DrRiceIO7, созданная на основе Qwen/Qwen3-0.6B. Это архитектура Qwen3 MoE с классом Qwen3MoeForCausalLM и форматом весов safetensors; метаданные указывают 507,9 млн параметров и контекст до 40 960 токенов. README заявляет 4,56 млрд общих параметров и 860 млн активных параметров на токен, что расходится с метаданными каталога. Модель предназначена для генерации текста и диалогов на английском языке. README предупреждает, что модель не переобучалась после изменения архитектуры, поэтому возможны циклические и некорректные ответы; заявленное качество не подтверждено. Лицензия — Apache-2.0.

WWTCyberLab выпустила Gemma 4 31B-IT Abliterated — диалоговую модель на базе инструкционно настроенной gemma-4-31B-it от Google DeepMind. Это плотная модель с 31 млрд параметров; карточка указывает библиотеку Transformers и формат Safetensors. Модель предназначена для генерации текста в диалоге и создана для исследований механизмов отказа и безопасности LLM. По README, модель прошла дообучение LoRA с последующим слиянием адаптера с базовыми весами, а затем несколько этапов абляции, направленных на снижение отказов. Авторы сообщают о нулевых жёстких отказах на собственных тестовых наборах, но результаты зависят от методики и настроек генерации и не гарантируют поведение на других запросах. В предоставленных данных не указаны языки или длина контекста, поэтому их нельзя конкретизировать. Лицензия — Gemma; авторы заявляют исследовательское и образовательное назначение.

GerbilBlender-A-6.7m — компактная языковая модель GerbilLab на архитектуре GPT-J с 6,7 млн параметров. Она обучалась на 134 млн токенов и использует подход Blender, вдохновлённый предобучением UL2: обучение распределено поровну между заполнением пропусков, авторегрессионным продолжением и маскированным языковым моделированием. Модель предназначена для генерации и продолжения текста, а также для экспериментов с заполнением пропусков и языковым моделированием. Контекст составляет 2048 токенов; репозиторий содержит веса PyTorch. В README приведены специальные токены и примеры трёх режимов обучения. Из-за малого размера модели и ограниченного объёма обучения её возможности могут быть существенно скромнее современных крупных языковых моделей. Модель распространяется по лицензии Apache-2.0.

andreipb/gpt2-poetry-model-crpo — языковая модель на базе GPT-2, разработанная Тео Феррари в рамках бакалаврской работы в HEIG-VD под руководством Андрея Попеску-Белиса. Модель дообучена на корпусе поэзии Gutenberg объёмом 142 МБ в течение трёх эпох и содержит 137 млн параметров. Модель генерирует строки стихотворений на английском языке, начиная каждую строку со специального токена, который можно удалить при постобработке. Она применялась в системе CR-PO для интерактивного сочинения стихов вместе с другими моделями, отвечающими за тематику и эмоции. Архитектура — GPT2LMHeadModel; максимальный контекст составляет 1024 токена. Модель подходит для генерации англоязычных поэтических строк и прототипов интерактивных поэтических систем. Она не описана как средство для генерации рифм на синтетических данных, несмотря на название связанной научной работы. Лицензия — MIT.