I.5Создание и редактирование текста

uer/gpt2-chinese-couplet — языковая модель семейства GPT-2, предварительно обученная проектом UER-py для генерации китайских парных стихотворных строк (дуйлянь). Для подсказки подают исходную строку с разделителями между китайскими знаками; модель продолжает её и создаёт ответную строку. Обучающая выборка содержит 700 000 китайских дуйляней. Модель предназначена для генерации китайских куплетов по заданному фрагменту. Она использует архитектуру GPT2LMHeadModel и контекст длиной до 1024 токенов. Карточка демонстрирует загрузку через Transformers с BertTokenizer и GPT2LMHeadModel. В примере API могут некорректно отображаться результаты: параметр skip_special_tokens удаляет специальные токены, например [SEP] и [UNK]. Модель распространяется в форматах PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.

gmongaras/gpt-anime-sub-1.3B — дообученная автором модель для генерации текста на основе архитектуры GPT-Neo. В README в качестве токенизатора указан EleutherAI/gpt-neo-1.3B; модель содержит 1,5 млрд параметров и использует контекст до 2048 токенов. Модель предназначена для генерации текста, связанного с субтитрами к аниме. Она распространяется в форматах PyTorch и Safetensors по лицензии OpenRAIL. Сведения о датасете и подробные результаты оценки в карточке отсутствуют.

crumb подготовил экспериментальный чекпойнт GPT-J 6B — авторегрессионной трансформерной модели с 6 млрд параметров — дообученный на наборе tiny_shakespeare, содержащем около 40 тысяч строк из пьес Шекспира. Исходная GPT-J обучалась на наборе Pile; этот вариант предназначен для генерации текста в шекспировской манере и служит подтверждением концепции, а не полноценно обученной моделью. Модель принимает текстовый prompt и продолжает его, например генерирует реплики пьесы после имени персонажа. Контекст составляет 2048 токенов; поддерживается английский язык. В README приведён пример запуска через Transformers и 8-битную загрузку, но указанный формат весов репозитория — PyTorch. Лицензия в предоставленных данных не установлена.

Grok OSS Revenant 8B — независимая языковая модель, разработанная сообществом c4tdr0ut и не связанная с xAI или Meta. Модель создана на базе Meta-Llama-3.1-8B-Instruct и предназначена для генерации текста и диалогового взаимодействия. Модель ориентирована на пользователей, которым нужны неотфильтрованные и хаотичные разговорные ответы, творческое письмо, чёрный юмор, ролевая игра и другие неформальные сценарии. Она обучалась в два этапа: сначала методом SFT на многоходовом разговорном наборе данных, собранном из голосовых разговоров с Grok, затем методом ORPO на наборе предпочтений из 1000 примеров. Для обучения применялась LoRA в 16-битном формате; в README также указано использование оборудования NVIDIA L40S. Заявлен английский язык, модальность — текстовая, библиотека — Transformers. К сильным сторонам относятся выраженная разговорная индивидуальность, улучшенные после двухэтапного обучения связность и характер ответов, а также склонность к нестандартной и раскованной генерации. Ограничения включают возможные галлюцинации и потерю связности в очень длинных диалогах, а также вульгарное, хаотичное и непредсказуемое поведение из-за характера обучающих данных. Модель не рекомендуется для безопасных или профессиональных сценариев. Лицензия указана как other, без дополнительных условий в README.

Lanni-ni/hard_3gram_4_6_384_babylm_100m_seed44 — небольшая модель генерации текста, размещённая на Hugging Face и предназначенная для работы через библиотеку Transformers. В метаданных указано 27,6 млн параметров и задача text-generation. Название модели указывает на экспериментальную модель семейства BabyLM с конфигурацией hard_3gram, однако README не содержит подробностей об архитектуре, разработчике, обучающих данных или методике обучения. Модель может использоваться для автодополнения текста, генерации коротких последовательностей и исследовательских экспериментов с компактными языковыми моделями. Доступна в формате safetensors; поддержка конкретных языков, длина контекста и лицензионные условия в предоставленных данных не определены. Из-за малого размера модель, вероятно, подходит для локального запуска и быстрых прототипов, но качество генерации, устойчивость, фактическая языковая область применения и результаты оценки по README не подтверждены. Перед использованием в продуктивных системах необходимы самостоятельное тестирование и проверка лицензии репозитория.

kimhyeongjun разработал эту экспериментальную модель как личный проект к корейскому празднику Чхусок. Это дообученная версия диалоговой модели NousResearch/Hermes-3-Llama-3.1-8B на синтетическом наборе из 21 тысячи финансовых примеров; архитектура — плотная Llama, размер — около 7,5 млрд параметров. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов и предназначена для общения на корейском языке по финансовым темам. Модель подходит для ответов на вопросы по финансам и консультационных диалогов на корейском языке. Данные были собраны из финансовых PDF, очищены и преобразованы в синтетические примеры; качество примеров оценивали отдельными моделями. Автор не приводит результатов оценки самой модели, поэтому её точность и надёжность в финансовых сценариях не подтверждены. Лицензия — Llama 3.1.

HingRoBERTa — модель семейства XLM-RoBERTa, разработанная L3Cube-Pune и дообученная на корпусе L3Cube-HingCorpus. Она предназначена для работы с текстом на хинглише — смешанном хинди и английском, записанном латиницей. Модель с архитектурой XLMRobertaForMaskedLM содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Основная задача — предсказывать замаскированные слова в тексте. Это подходит для языковых экспериментов и анализа хинглиша, например для подстановки пропущенных слов или оценки контекста. Модель рассчитана на хинди и английский; карточка указывает лицензию CC BY 4.0. Она не является генеративной чат-моделью и не предназначена для свободного диалога.

Goldfish — набор одноязычных языковых моделей, разработанный для сопоставления языков и работы с языками, для которых доступно мало обучающих данных. Эта модель генерирует текст на японском языке, записанном японской письменностью; она создана на базе GPT-2 и содержит около 39 млн параметров. Модель обучена на 13,22 МБ исходного текста из OSCAR 2021/09, что соответствует примерно 10 МБ с поправкой на средний объём UTF-8 текста на японском языке. Обучающий корпус содержит около 2,25 млн токенов, использованных в 10 эпохах; словарь включает 50 000 токенов. Максимальная длина последовательности — 512 токенов. Для генерации рекомендуется добавлять к входу токен [CLS] (эквивалент [BOS]); веса доступны в формате PyTorch для Transformers. Модель подходит для экспериментов с японской генерацией текста и сравнительных исследований одноязычных языковых моделей. Авторы предупреждают, что её качество для распространённых языков не рассчитано на сравнение с современными крупными языковыми моделями. Лицензия — Apache-2.0.

Kavya-1-7B — языковая модель на 7,1 млрд параметров для сочинения оригинальных песенных текстов на телугу. Модель разработана на основе Qwen2.5-7B-Instruct и дообучена на 9 102 отобранных песнях на телугу. Она генерирует тексты в структуре паллави, анупаллави и чаранам, подстраивая тему, настроение и стиль под запрос. Архитектура — плотная Qwen2ForCausalLM; модель работает через Transformers, принимает текст и выдаёт текст. Контекст — до 32 768 токенов. Модель подходит для черновиков песен, вариантов припевов и куплетов, а также экспериментов с генерацией на телугу и индийской поэтической формой. Она хорошо передаёт структуру и ритм песни, но часто ошибается в написании слов и соединении букв, поскольку токенизатор не содержит символов телугу. Качество снижается при запросах на романизированном телугу и при генерации длиннее примерно 650 токенов; вне регистра современной кино-песни ей нужны подробные указания. Возможны повторы обучающих текстов, а фактические сведения в ответах ненадёжны. Лицензия — Apache-2.0.

L3-SnowStorm-v1.15-4x8B-A — экспериментальная MoE-модель для ролевого общения, созданная xxx777xxxASD на основе четырёх дообученных моделей семейства Llama 3. В README указаны NeverSleep/Llama-3-Lumimaid-8B-v0.1-OAS как базовая модель и четыре источника экспертов: Nitral-AI/Poppy_Porpoise-1.0-L3-8B, NeverSleep/Llama-3-Lumimaid-8B-v0.1-OAS, openlynn/Llama-3-Soliloquy-8B-v2 и Sao10K/L3-8B-Stheno-v3.1. На токен выбираются два эксперта; в метаданных архитектура обозначена как Mixtral MoE с классом MixtralForCausalLM и 7,5 млрд параметров. Модель ориентирована на ролевые сценарии общения, включая ERP. Карточка описывает её как эксперимент, призванный сравниться с Mixtral 8x7B и его дообучениями в этих задачах. Она поддерживает диалог на английском языке, имеет контекст 8192 токена и доступна в формате safetensors. Упоминание llama3_mmproj в README указывает на связанный компонент для обработки изображений, но входное визуальное взаимодействие не подтверждено метаданными. Лицензия указана как llama3. Это экспериментальная сборка из нескольких моделей, поэтому её пригодность и качество для конкретных сценариев следует оценивать отдельно; результаты бенчмарков в README не устанавливают качество ролевого общения.

L3-SnowStorm-v1.15-4x8B-B — экспериментальная MoE-модель для диалогов и ролевых сценариев, созданная на основе нескольких моделей Llama 3. В README указаны четыре эксперта размером 8B: Poppy Porpoise, Lumimaid, Soliloquy и Stheno; для каждого токена выбираются два эксперта, а режим маршрутизации указан как random. Метаданные описывают архитектуру как MixtralForCausalLM и указывают 7,5 млрд параметров, контекст 8192 токена и формат safetensors. Модель предназначена прежде всего для ролевого общения и ERP-сценариев. README также приводит результаты Open LLM Leaderboard, но не содержит полной таблицы оценок. Заявлена мультимодальная версия через llama3_mmproj, однако описания её возможностей и формата входа в карточке нет. Модель опубликована под лицензией Llama 3. README помечает её как экспериментальную; случайная маршрутизация экспертов и узкая ориентация на ролевые сценарии ограничивают предсказуемость качества в других задачах.

Репозиторий содержит разность весов LLaMA 7B после 15 000 шагов обучения с механизмом Landmark Attention на наборе данных RedPajama. Это причинная языковая модель семейства LLaMA для генерации текста; опубликованную разность весов нужно применить к исходной модели, чтобы восстановить полный чекпойнт. Модель насчитывает 6,6 млрд параметров и имеет контекст длиной 2048 токенов. Карточка не описывает отдельные сценарии применения или языковой охват. Указана лицензия CC BY-SA 4.0; для восстановления и использования весов следуйте инструкциям связанного GitHub-репозитория.

LFM2.5-1.2B-Wolof-Instruct — плотная текстовая модель семейства LFM2 от Liquid AI, дообученная автором репозитория mamelles на базе LiquidAI/LFM2.5-1.2B-Base для следования инструкциям на волоф. Модель содержит 1,5 млрд параметров, использует архитектуру Lfm2ForCausalLM, библиотеку Transformers и формат safetensors; заявленная длина контекста — 128 000 токенов. Модель предназначена для частных исследований и оценки адаптации языковой модели к волоф, включая диалоговые ответы и выполнение текстовых инструкций. README сообщает, что артефакт прошёл записанные автоматизированные проверки, но не заявляет иных подтверждённых показателей качества. Это экспериментальная версия, не публичный релиз; лицензия в предоставленных данных не указана. Качество для орфографии волоф, переключения языков, фактической точности, рассуждений, длинного контекста и безопасности всесторонне не проверялось. Перед более широким применением необходима оценка носителями языка.

LFM2.5-230M-Wolof-CPT — экспериментальная текстовая модель для адаптации к языку волоф, созданная на базе LiquidAI/LFM2.5-230M-Base. Это плотная авторегрессионная модель семейства LFM2 с 224,2 млн параметров, обученная на этапе continual pretraining (CPT) на очищенном корпусе волоф. Она принимает текст и генерирует текст; в метаданных заявлен контекст до 128 000 токенов. Модель предназначена для частных исследований и оценки адаптации языковых моделей к волоф. Её можно применять для генерации и продолжения текстов на волоф, а также для изучения языковой адаптации. Артефакт описан как закрытый и не являющийся публичным релизом; лицензия в предоставленных данных не указана. Качество орфографии волоф, обработка переключения языков, фактическая точность, рассуждения, работа с длинным контекстом и безопасность всесторонне не проверены. Перед более широким применением необходима проверка носителями языка. README не приводит измеренные метрики, а результаты сопоставления BPB разных семейств токенизаторов нельзя интерпретировать как сопоставление perplexity.

hdeldar/llama-2-7b-persian-text-1k — языковая модель, дообученная автором на основе Llama-2-7b-chat-hf методом QLoRA на подмножестве персидского датасета Persian-Text-QA. Модель с архитектурой LlamaForCausalLM содержит 6,6 млрд параметров и принимает текст для авторегрессионной генерации текста; нативный контекст — 4096 токенов. В карточке заявлена поддержка персидского и английского языков, при этом основное назначение — работа с персидским текстом. Модель подходит для экспериментов и учебных задач, связанных с генерацией текста и вопросами по персидским текстовым данным. Автор отдельно отмечает, что она предназначена преимущественно для образовательных целей, а не для инференса. Весы доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

Это экспериментальная модель генерации текста, дообученная на основе meta-llama/Llama-3.3-70B-Instruct. В карточке указана архитектура LlamaForCausalLM и формат safetensors; при этом метаданные сообщают размер 132,4 тыс. параметров и контекст 256 токенов, что резко отличается от характеристик базовой модели на 70 млрд параметров. Оценка на тестовом наборе — loss 1,1852. Модель предназначена для генерации текста; конкретные сценарии, обучающие данные и языки в карточке не описаны. Указана лицензия llama3.3. Существенное расхождение между размером производной модели и базовой требует осторожности при оценке её пригодности и качества.

aifeifei798/llama3-8B-aifeifei-1.0 — модель семейства Llama 3, созданная автором aifeifei798 с помощью объединения нескольких предварительно обученных моделей через mergekit. В ней около 7,5 млрд параметров; архитектура — плотная авторегрессионная LlamaForCausalLM. Модель предназначена для диалогов с персонажами виртуальных айдолов и генерации карточек персонажей. Для работы с ней автор рекомендует задавать персонажу карточку, поскольку без неё качество ответов может быть низким. Сценарии применения включают ролевые диалоги, создание образов и биографий музыкантов и айдолов, а также обсуждение песен, написания текстов, выступлений и музыкальных инструментов. Карточка заявляет поддержку китайского, английского, японского и корейского языков; корейский автор не проверял. Заявлены реалистичная отыгровка и различение реакций персонажа в разных ситуациях, однако качество тестировалось автором только в личном использовании и подробно не оценивалось. Контекст модели — 8192 токена. Лицензия — Llama 3; перед использованием следует учитывать её условия.

Orenguteng/Llama-3-8B-LexiFun-Uncensored-V1 — разговорная модель генерации текста на базе Llama 3 8B Instruct, дообученная для юмористических диалогов, сарказма, остроумных ответов и ролевого общения. В метаданных указаны архитектура LlamaForCausalLM, 7,5 млрд параметров, контекст до 8192 токенов и формат Safetensors; основным языком карточки указан английский. Модель предназначена для создания развлекательных ответов и свободного диалога. Автор описывает её как «uncensored» и предупреждает, что она может охотно выполнять запросы, в том числе неэтичные, поэтому при предоставлении доступа через сервис рекомендуется применять собственный слой контроля. Также автор отмечает, что модель обучалась до исправления некоторых ошибок Llama и шаблонов диалога, поэтому результаты могут быть непредсказуемыми. Лицензия — Meta Llama 3 Community License Agreement; коммерческое использование допускается в рамках её условий.

TheQweaker/mdlm-owt-noflash — это порт MDLM-OWT, опубликованный TheQweaker: он сохраняет исходные веса и архитектуру masked diffusion language model, но заменяет зависимость от flash-attn на стандартные средства PyTorch. Модель основана на работе Sahoo и соавторов; это 12-слойный DiT-подобный трансформер с 169,6 млн параметров, 12 головами внимания, rotary-позициями и контекстом 1024 токена. Она обучена на OpenWebText и рассчитана на английский текст. Основное назначение — восстановление замаскированных токенов и генерация текста методом masked diffusion. В репозитории также приведён сэмплер ancestral diffusion; автор предупреждает, что при простом сэмплировании текст может быть грамматичным локально, но повторяющимся, а качество зависит от числа шагов, температуры и top-k. Порт работает без flash-attn, в том числе на CPU, и использует fp32 по умолчанию; поэтому его логиты могут отличаться от upstream-реализации, работающей с bf16 autocast, примерно в пределах точности bf16. Для загрузки требуется trust_remote_code=True, а токенизатор нужно взять отдельно — GPT-2. Лицензия — Apache-2.0.

qiangge2026 выпустил модель генерации китайской классической поэзии на основе Qwen2-0.5B. Она дообучена методом LoRA на пользовательском наборе стихотворений с темами четырёх сезонов, после чего адаптер объединён с базовыми весами. Модель содержит 494 млн параметров, использует архитектуру Qwen2ForCausalLM и формат safetensors; для запуска автор предлагает библиотеку Transformers. Указанная длина контекста — 131 072 токена. Модель предназначена для генерации стихотворений по заданной теме, например о весне или лете, в стиле китайской классической поэзии. Она принимает текстовый запрос и выдаёт текст на китайском языке. Карточка приводит 50 эпох обучения и конечную потерю около 7,68, но не сообщает метрики качества генерации. Лицензия в предоставленных данных не указана.

min-spark — компактная языковая модель MinimaLabs с 5,76 млн параметров для генерации текста. Она использует декодер Transformer с общей компактной вычислительной частью, которая повторно обрабатывает вход за несколько проходов; уровень усилий low, medium или high позволяет выбирать число проходов и баланс между скоростью и качеством. В модели 4096-токенный байтовый BPE-токенизатор, а окно контекста составляет 512 токенов. Модель обучена на 10,01 млрд токенов: примерно 90% данных составляют отфильтрованные FineWeb-Edu, около 10% — Finemath-4plus. Она предназначена для коротких дополнений и экспериментов с генерацией текста на компактной модели. В zero-shot оценке авторы сообщают, в частности, 69,19% на BLiMP при среднем уровне усилий и 37,08% на ARC-Easy. Это базовая, не настроенная на инструкции модель без разговорного выравнивания и фильтрации безопасности. Из-за небольшого размера ограничены фактические знания, многошаговые рассуждения и связность длинного текста. Генерация принимает по одной последовательности за раз, KV-кэш отсутствует. Лицензия — Apache-2.0; для загрузки требуется разрешить выполнение удалённого кода Transformers.

Модель mrothroc/mixlab-gpt2-strict-small-replica — воспроизведение с нуля официального базового GPT-2 Strict-Small для конкурса BabyLM 2026. Её разработал mrothroc с помощью тренера mixlab; обучение проведено на корпусе BabyLM 2026 Strict-Small объёмом около 10 млн слов. Модель предназначена для экспериментов с языковым моделированием на ограниченном корпусе и оценки базовых языковых навыков, а также может генерировать продолжение текста на английском языке. Это плотная причинная GPT-2-модель с примерно 98,4 млн параметров, 12 слоями, размерностью скрытого состояния 768, 12 головами внимания и контекстом 1024 токена. Веса доступны в формате Safetensors и представлены как GPT2LMHeadModel для Transformers. В README приведены результаты воспроизведения: большинство указанных компонент оценки близки к базовой модели примерно в пределах одного пункта. Модель обучена с одним случайным seed, поэтому небольшие расхождения в оценках ожидаемы; результаты зависят от версии оценочного набора, а численные различия между обучением на Apple и CUDA отдельно не охарактеризованы. Возраст усвоения (AoA) не включён в агрегированные заявления из-за отсутствующего формата сдачи и проблем оценщика. Лицензия — MIT.

Moistral 11B v1 — текстовая модель BeaverLegacy, дообученная на базе Fimbulvert v2 для генерации эротических ролевых историй. Она рассчитана на продолжение длинных сюжетов и интерактивную ролевую игру, где пользователь задаёт действия или направляет сцену. Архитектура LlamaForCausalLM, около 10,6 млрд параметров, контекст — до 8192 токенов; модель распространяется в формате PyTorch. Автор описывает её как творческую модель с богатой лексикой и способностью поддерживать длинное повествование. В README приведены примеры ролевого диалога и рекомендуемые параметры генерации, однако автор также отмечает, что при ухудшении связности стоит уменьшить параметры генерации. Лицензия по метаданным — CC BY-NC 4.0, то есть использование ограничено некоммерческими условиями.

Moistral 11B v2.1a WET — специализированная текстовая модель для генерации эротической прозы и ролевых историй. Разработчик описывает её как дообученную версию Moistral v2.1 и указывает, что исходная Moistral 11B основана на Fimbulvert v2. В метаданных указаны плотная архитектура LlamaForCausalLM, 10,6 млрд параметров, контекст 8192 токена и формат PyTorch. Модель предназначена для генерации длинных художественных ответов и чата в формате Alpaca. В обучающий материал включены романтика, фэнтези, научная фантастика и другие жанры; автор отмечает очистку данных и улучшения связности, формата и разнообразия перспектив. Карточка содержит примеры откровенных сцен и помечает модель как не для всех аудиторий. Модель дообучена для эротической ролевой прозы, поэтому её вывод может быть чрезмерно откровенным и стилистически насыщенным. Автор отмечает возможные проблемы с логикой и связностью и предлагает настраивать параметры генерации. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но запрещающая коммерческое применение.

moralBERT-predict-care-in-text — модель классификации текста, опубликованная Vjosa Preniqi на Hugging Face. Назначение модели — оценивать текст по категории care («забота»), как часть набора MoralBERT для прогнозирования моральных ценностей в тексте. Репозиторий содержит веса Safetensors и токенизатор; модель предназначена для классификации входного текста. Карточка указывает лицензию MIT. Подробности об архитектуре, поддерживаемых языках, контексте и точности в карточке не приведены.

Myrrh_solar_10.7b_3.0 — языковая модель MoAData, разработанная Taeeon Park и Gihong Lee. Это плотная авторегрессионная модель семейства Llama с 10,6 млрд параметров, предназначенная для генерации текста. В README указано, что модель обучена методом DPO на самостоятельно подготовленном наборе медицинских данных на основе набора AI-hub, поэтому она ориентирована на медицинские диалоги и ответы. Модель принимает текст и генерирует текст; карточка указывает корейский язык. Контекст составляет 4096 токенов. Для загрузки README приводит пример с Transformers и весами Safetensors в FP16. Модель опубликована под лицензией Apache-2.0. Карточка не сообщает результаты оценки качества и конкретные ограничения применения; медицинские ответы следует проверять перед использованием.

Noromaid-v0.4-Mixtral-Instruct-8x7b-Zloss — экспериментальная диалоговая модель для ролевых бесед, созданная IkariDev и Undi на основе Mixtral. Она дообучена на модифицированных наборах данных Aesir, LimaRP, ToxicQAFinal и No-robots-ShareGPT, а затем объединена с базовой моделью с уменьшенным весом дообучения. Модель принимает текст и генерирует текст, использует формат подсказок ChatML и поддерживает контекст длиной до 32 768 токенов. В репозитории представлены веса FP16 в формате Safetensors; авторы также упоминают вариант GGUF. Модель рассчитана на ролевые диалоги, в том числе взрослые и откровенные сценарии. Авторы предупреждают, что это экспериментальная версия и не все функции могут работать корректно. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

ohno-8x7b — экспериментальная языковая модель на архитектуре Mixtral, собранная автором из нескольких моделей методом DARE TIES с помощью mergekit. В качестве базовой модели указан Envoid/Mixtral-Instruct-ITR-8x7B; в объединение также вошли модели для ролевых диалогов, включая откровенные сценарии, и модель, связанная с разбором судебных документов. В карточке заявлены 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors. Модель предназначена для генерации текста и диалогов. Автор сообщает, что результат тестирования оказался неудачным и модель работает нестабильно. Метаданные указывают на разговорный режим; отдельные поддерживаемые языки в карточке не определены. Лицензия в предоставленных данных не указана.

Defetya дообучил модель Defetya/ru-3b-openllama-transformers на многоходовом датасете Saiga и опубликовал её как чат-модель на базе архитектуры Llama. Это плотная авторегрессионная модель объёмом 3,3 млрд параметров с контекстом 2048 токенов, предназначенная для диалогов и генерации текста на русском языке. Модель сохраняется в форматах PyTorch и safetensors, распространяется по лицензии Apache-2.0. Автор сообщает, что обучение на датасете Saiga ещё не завершено и веса планировалось обновить. В примерах заметны ошибки в фактах и следовании инструкциям, а также случайное появление служебных токенов; качество ответов ненадёжно.

Helsinki-NLP/opus-mt-es-es — модель машинного преобразования испанского текста в испанский, опубликованная проектом OPUS/Helsinki-NLP. Это модель архитектуры MarianMT на основе Transformer-align с 42,2 млн параметров; при подготовке текста используются нормализация и SentencePiece. В метаданных указана длина контекста 512 токенов, поддерживаются форматы PyTorch и TensorFlow. Модель предназначена для преобразования испанских текстов и предложений; в README приведена оценка BLEU 51,7 и chr-F 0,688 на тестовом наборе Tatoeba.es.es. Лицензия — Apache-2.0. Карточка не уточняет характер преобразования испанского текста, поэтому конкретный стиль или тип редакторской обработки определить нельзя.