I.5Создание и редактирование текста

zhzh98/gpt2-german-english-bi-vocab-13 — генеративная модель семейства GPT-2, построенная на плотной архитектуре GPT2LMHeadModel и обученная с нуля. Разработчик не предоставил подробностей о наборе данных и назначении модели. Модель использует библиотеку Transformers, веса представлены в формате safetensors, длина контекста — 256 токенов. По названию репозитория можно предположить связь с немецким и английским языками и двуязычным словарём, однако README не подтверждает языки обучения или качество генерации. Лицензия в предоставленных данных не указана.

gpt2-small-amharic — компактная авторегрессионная языковая модель семейства GPT-2, разработанная rasyosef. Модель обучена с нуля на 290 миллионах токенов текстов на амхарском языке в течение двух дней; она содержит 33,7 млн параметров и использует архитектуру GPT2LMHeadModel. Контекст составляет 128 токенов, токенизатор обучен на том же амхарском корпусе и имеет словарь размером 16 384 токена. Модель предназначена для продолжения амхарского текста по заданной подсказке и запускается через Transformers. Это базовая модель без контролируемой тонкой настройки, поэтому она не настроена на диалог или следование инструкциям. В README приведены значения loss 3,96 и perplexity 52,55 на оценочном наборе, а также отмечено, что из-за малого размера модели в генерациях часто встречаются галлюцинации. Распространяется в формате safetensors. Сведения о лицензии в предоставленных материалах отсутствуют.

GPT-NeoX-20B-Erebus — модель генерации текста от KoboldAI, второе поколение модели Shin'en, созданной Mr. Seeker. Она дообучена на шести источниках художественных текстов для взрослых, включая рассказы с Literotica и Sexstories, а также романы с рейтингом 18+; жанр можно задавать тегом вида [Genre: ...]. Модель рассчитана на генерацию эротической прозы и другого контента для взрослых на английском языке. Модель использует плотную архитектуру GPT-NeoX и содержит 26,9 млрд параметров; максимальная длина контекста — 2048 токенов. Доступен формат PyTorch. Модель имеет выраженную склонность к NSFW-выводам и может воспроизводить смещения, связанные с гендером, профессией, расой и религией. Она не предназначена для несовершеннолетних. Лицензия — Apache-2.0.

GTM-v2-chat — небольшая языковая модель OpenGCM для диалогов. Это декодерный GPT-подобный трансформер на 119,4 млн параметров: сначала его обучили с нуля, затем дообучили методом SFT на UltraChat. Модель использует токенизатор GPT-2 BPE, принимает текст и генерирует текст; контекст составляет 1024 токена. Веса опубликованы в формате safetensors, точность — fp32. Модель предназначена для экспериментов с небольшими чат-моделями и изучения влияния SFT: после дообучения она чаще отвечает на вопросы в формате диалога. README приводит лишь отдельный пример и отмечает, что систематической оценки качества не проводилось. Модель может уверенно выдавать неверные ответы, продолжать генерацию после завершённого ответа и хуже обобщать из-за небольшого набора SFT-данных. Для корректной остановки генерацию рекомендуется обрезать по маркеру конца хода ассистента. Для запуска требуется файл model.py из репозитория; это не модель для надёжного производственного ассистента. Лицензия — Apache-2.0.

Haru v1.1 — компактная модель продолжения корейских историй, разработанная автором репозитория на основе причинной архитектуры CFRD для Transformers. Она содержит 11 634 459 параметров, принимает текст и поддерживает рекуррентную глубину 2, 4 или 6 при контексте до 512 токенов. Контрольная точка соответствует шагу обучения 5750; при глубине 6 в карточке указаны validation loss 1,92052 и perplexity 6,825. Модель предназначена для продолжения корейских художественных фрагментов, а не для диалогов с инструкциями или ответов на вопросы. Обучающие данные — Tiny-Ko-Stories, распространяемый по CC BY 4.0; лицензия самой модели — MIT. В README указано, что для воспроизводимости и существующих пользователей сохранена версия 1.1, а более новая Haru v2.0 использует другую архитектуру и токенизатор и не является прямой заменой. При длинной генерации Haru может повторяться или терять согласованность персонажей и событий. Модель не предназначена для фактологических или критически важных сценариев; кэширования инференса нет, поэтому активный контекст пересчитывается при генерации.

Haru v2.0 — компактная корейская модель продолжения историй от разработчика gaon12. Она использует плотную причинную архитектуру CFRD с шестью рекуррентными слоями, содержит около 17 млн параметров и принимает контекст длиной до 512 токенов. Модель обучалась на корейском корпусе, включая набор Tiny-Ko-Stories; опубликованные веса представлены в формате safetensors. Лицензия — MIT. Модель предназначена для продолжения корейского текста и генерации коротких повествовательных фрагментов. Это не диалоговый помощник и не модель, следующая инструкциям. В README приведены результаты KoBEST, но они близки к уровню случайного выбора и не подтверждают надёжность для практических задач понимания текста. При генерации длинных фрагментов часто возникают повторы и ошибки отслеживания персонажей и других сущностей; модель может воспроизводить фактический стиль без достоверных знаний. Она не подходит для фактических или критичных по безопасности задач. Кэширование инференса не реализовано, поэтому при генерации повторно обрабатывается активный контекст.

Helios 7B — языковая модель Catdrout Technologies AB на архитектуре Mistral 7B v0.3 с 7,1 млрд параметров и контекстом до 32 768 токенов. Она дообучена на полных параметрах в два этапа с использованием Axolotl: сначала на синтетических данных для освоения знаний по специализированным темам, затем на примерах диалогов и инструкций. Модель предназначена для исследовательского изучения предметной адаптации небольших языковых моделей, их фактических знаний и поведения в диалоге. Тематический корпус охватывает политический экстремизм, пропаганду, разведку, военное дело, наблюдение, приватность и ряд незаконных или потенциально опасных практик. Модель принимает текст и генерирует текст; в карточке заявлена поддержка английского языка. Это экспериментальный исследовательский чекпойнт, а не универсальная модель: специализация не гарантирует высокой точности на иных задачах или безошибочности фактических ответов. README рекомендует задавать стоп-токен, чтобы избежать бесконечной генерации. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

brabus61/joke-generator — дообученная на неизвестном наборе данных модель генерации текста на архитектуре GPT-2. Она предназначена для создания текста, в том числе шуток, как подсказывает название репозитория; подробные сведения о сценариях применения и обучающих данных отсутствуют. Модель работает с текстом, имеет контекст длиной до 1024 токенов и представлена в формате TensorFlow. В README указаны значения train loss и validation loss как nan и нулевая эпоха, поэтому качество модели по этим результатам оценить нельзя. Лицензия — MIT.

JugnuLM-110M-R1 — англоязычная базовая языковая модель от altslate, обученная с нуля для продолжения текста. Это экспериментальная ступень R1 в серии абляций JugnuLM: относительно базовой R0 добавлены value residuals — обучаемые связи, передающие значения из первого слоя внимания в последующие. Модель имеет плотную архитектуру на базе Qwen3 с 23 слоями и шириной 576, содержит 109,7 млн параметров и использует контекст до 2048 токенов. Обучена на примерно 8 млрд токенов FineWeb-Edu; для загрузки пользовательской архитектуры требуется trust_remote_code=True. Модель подходит для генерации продолжения на английском и небольших языковых экспериментов. В оценке авторов R1 улучшила результат ARC-Easy относительно R0 при близких показателях BLiMP и немного меньшей перплексии, однако модель не дообучалась для следования инструкциям: многошаговые рассуждения ограничены, возможны повторы. Лицензия — Apache-2.0; автор не рекомендует модель для production.

Kainaticulous-RP-7B — объединённая модель генерации текста для ролевых диалогов, созданная kainatq методом TIES merge на основе Mistral-7B-v0.1 и нескольких моделей для ролевых сценариев. Она предназначена прежде всего для отыгрыша персонажей и продолжения диалогов; автор предупреждает, что в других задачах модель может работать хуже. Модель использует плотную архитектуру Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она принимает текст и генерирует текст; карточка указывает лицензию Apache-2.0. Модель может генерировать материалы сексуального характера, поэтому её следует применять с учётом этого свойства.

Kite 6.3 — компактная языковая модель, разработанная автором репозитория qikp и обученная на базе архитектуры Qwen2. Модель содержит 14,9 млн параметров и предназначена для генерации текста; она обучалась на подвыборке из 50 тысяч примеров FineWeb-Edu в течение двух эпох с токенизатором pika 5. Модель принимает текст и генерирует текст на английском языке. Контекст составляет 512 токенов. Репозиторий содержит веса в формате safetensors; лицензия — CC0-1.0. Из-за небольшого размера модель не подходит для производственных нагрузок.

kncarab5mb — одноязычная авторегрессионная языковая модель семейства GPT-2 из набора Goldfish, разработанного для сопоставимого изучения моделей на 350 языках и работы с языками с ограниченными ресурсами. Модель предназначена для генерации текста на центральноканури на арабском письме; при подаче текста рекомендуется добавлять в начало токен [CLS], который также выполняет роль [BOS].

Koliber v1.1-Preview — экспериментальный чекпойнт продолженного обучения компактной базовой языковой модели, разработанной OrisTeam для польского языка. Это плотная decoder-only архитектура causal language model с 126 млн параметров и контекстом 1536 токенов. Модель сохраняет архитектуру и токенизатор Koliber v1.0 Base и предназначена прежде всего для продолжения текста по естественному префиксу, а не для диалогов с инструкциями. В обучении использовалась небольшая корректировка распределений следующих токенов под влиянием замороженной модели-учителя speakleash/Bielik-1.5B-v3. Учитель не объединён с Koliber и не нужен при инференсе. Модель подходит для экспериментов с польскими языковыми моделями, продолжения обучения, оценки и создания производных моделей. Изменения дали неоднородные результаты на бенчмарке, а общий композит немного снизился относительно v1.0. Чекпойнт не проходил настройку инструкций или выравнивание по предпочтениям. Генерации могут быть ошибочными, небезопасными, оскорбительными, повторяющимися или уходить от темы; не следует полагаться на них в критически важных областях. Лицензия — Apache-2.0.

KremlinAI-2 — русскоязычная разговорная модель GoidaAlignment для развлекательной сатиры. Она принимает заголовки новостей и генерирует пародийные комментарии в стилистике интернет-риторики «кремлеботов», включая мемы, сарказм и конспирологические мотивы. Модель дообучена методом SFT на синтетических примерах на базе google/gemma-2-2b. Модель построена на архитектуре Gemma 2, содержит 2,7 млрд параметров и поддерживает контекст до 8192 токенов. Она предназначена для создания юмористических комментариев, а не достоверных новостных объяснений или серьёзного обсуждения. Выводы могут быть провокационными, абсурдными или вымышленными. Лицензия — MIT.

L3.3-GeneticLemonade-Unleashed-v3-70B — экспериментальная модель zerofata для генерации диалогового текста и ролевых сценариев. Это плотная Llama-модель с 69,5 млрд параметров, дообученная методом SFT, а затем DPO на базе zerofata/L3.3-GeneticLemonade-Unleashed-70B. Веса доступны в формате safetensors; метаданные указывают контекст до 131 072 токенов и интерфейс для вызова инструментов. Модель рассчитана на ролевые диалоги, в которых персонажи должны сохранять характер, проявлять инициативу и давать длинные повествовательные ответы. В README автор отдельно указывает RP и ERP как целевые сценарии; обучение опиралось преимущественно на ролевые данные, включая синтетический набор примерно из 750 диалогов, и около 1100 предпочтительных примеров для DPO. Автор отмечает, что модель не проверялась и почти не обучалась на приключенческих историях и больших объёмах художественной прозы. Лицензия — Llama 3.3 Community License (идентификатор llama3 в метаданных); перед использованием следует учитывать её условия. Карточка называет выпуск экспериментальным, поэтому качество может быть нестабильным за пределами ролевых диалогов и следования инструкциям.

L3-Umbral-Mind-RP-v2.0-8B — объединённая модель Casual-Autopsy на архитектуре Llama 3 с 7,5 млрд параметров. Её создали для ролевых диалогов, в том числе сюжетов с тяжёлыми темами: психическими расстройствами, самоповреждением, травмой и суицидом. Модель рассчитана на англоязычный текст и контекст до 8192 токенов. Модель предназначена для ролевой игры в формате со звёздочками и репликами в кавычках; автор предупреждает, что другие форматы могут вызывать проблемы. В README приведены результаты IFEval и других оценок, но они не гарантируют качество в конкретном сценарии. Модель объединяет несколько чекпойнтов Llama 3 через mergekit. Лицензия — llama3.

L3-Umbral-Mind-RP-v3.0-8B — диалоговая языковая модель Casual-Autopsy, собранная с помощью mergekit из нескольких моделей семейства Llama 3. Она предназначена для ролевых диалогов на тяжёлые темы, включая психические расстройства, самоповреждение, травму и суицид, а также сценарии спасения и обратного спасения персонажа. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для генерации текста. Длина контекста — 8192 токена. Для ролевого отыгрыша автор рекомендует формат со звёздочками для действий и кавычками для реплик; другие форматы могут вызывать проблемы. В README также упомянуты варианты GGUF, подготовленные сторонним автором. Модель рассчитана на художественные ролевые сценарии с тяжёлыми эмоциональными темами и может не поддерживать ожидаемый тон в форматах, отличных от рекомендованного. Лицензия в предоставленных данных не указана.

littlelearner-5b-base — базовая языковая модель на 5 млрд параметров, разработанная в рамках исследования LittleLearner. Это плотная авторегрессионная модель семейства Qwen3 на архитектуре Qwen3ForCausalLM, предварительно обученная на 88 млрд токенов материалов для начальной школы США (K–5), отфильтрованных из FineWeb-Edu. Модель предназначена для изучения того, как ограничение обучающих данных школьной программой влияет на знания языковой модели. Модель принимает текст и генерирует продолжение; контекст — 4096 токенов. Она использует токенизатор byte-level BPE на 64 тысячи токенов с разбиением чисел по цифрам. В README приведена оценка 0,536 бит на байт на данных своей предметной области. Это базовая модель предварительного обучения, поэтому карточка не заявляет о настройке для диалога или следования инструкциям. Репозиторий содержит веса safetensors; лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Это экспериментальный контрольный пункт shirasko на базе инструкционной языковой модели Meta Llama 3.1 8B Instruct. Модель дообучена методом SNMF для удаления из ответов сведений и поведения, связанных с азартными играми; рассчитана на диалог и генерацию текста на английском языке. Архитектура — плотная авт回грессивная LlamaForCausalLM, около 7,5 млрд параметров, контекст до 131 072 токенов. Проверки показывают, что удаление целевого понятия неполное: тестовая эффективность unlearning составляет 0,478. При этом сохраняются ограничения качества на других задачах: точность QA на тесте снизилась с 0,92 до 0,60, а доля ответов — с 1 до 0,522. Модель подходит для исследований методов unlearning и их оценки, но результаты не подтверждают надёжное подавление всех ответов об азартных играх. Лицензия в предоставленных данных не указана.

Llama-3-Kor-BCCard-Finance-8B — корейская модель генерации текста для вопросов и ответов о финансах, разработанная BC Card на основе Meta-Llama 3 и дообученная на наборе BCCard/BCCard-Finance-Kor-QnA. Она предназначена для ответов на вопросы о финансовых продуктах и услугах, в частности о кредитных картах и задолженностях. Модель построена на архитектуре Llama с плотной авторегрессионной языковой моделью; содержит около 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель принимает текстовые запросы на корейском языке и генерирует текстовые ответы. В карточке приведён пример ответа о просрочке платежей, комиссиях и возможном влиянии просрочки на кредитный рейтинг. Для использования указана лицензия llama3. Карточка не приводит оценки качества или дополнительных ограничений применения.

lzlv-limarpv3-l2-70b — языковая модель на основе Llama 2, созданная объединением lizpreciatior/lzlv_70b_fp16_hf с PEFT-адаптером, обученным на наборе LimaRP v3; вес адаптера при слиянии составил 0,5. Модель разработана для ролевого общения и генерации реплик от лица заданного персонажа. Для управления длиной ответа в промпте предусмотрены модификаторы от micro до unlimited; автор рекомендует начинать со значения medium. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 68,7 млрд параметров. Она принимает текстовые инструкции в формате Alpaca, адаптированном для LimaRP v3, и генерирует текст на английском языке. Контекст составляет 4096 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

Это контрольная точка Mega для задачи восстановления замаскированных токенов, разработанная и обученная mnaylor на наборе wikitext-103 с помощью стандартного предобучения masked language modeling в стиле BERT. Модель использует архитектуру MegaForMaskedLM и токенизатор RoBERTa base; размер составляет 7,1 млн параметров. Репозиторий содержит веса PyTorch и Safetensors, предназначенные для использования с классом MegaForMaskedLM и другими encoder-моделями Mega в Transformers. Модель подходит для заполнения пропусков и анализа английского текста через предсказание скрытых токенов. Она обучалась на Wikitext-103, поэтому её назначение ограничено задачами с маскированным языковым моделированием, а не генерацией свободного текста. Лицензия — Apache-2.0.

Карточка модели Tongjilibo/MiniLLM-0.2B-Base на Hugging Face совпадает с карточкой Tongjilibo/MiniLLM-0.2B-SFT-Alpaca, поэтому описание составлено по ней. Tongjilibo разработал MiniLLM-0.2B-SFT-Alpaca — компактную чат-модель, полученную дообучением на инструкциях семейства MiniLLM. Это плотная авторегрессионная модель архитектуры Llama с 218,1 млн параметров, предназначенная для генерации текста и простого диалога. В README описан путь обучения MiniLLM от предобучения до этапа SFT; указанная для этой версии настройка SFT использует китайский набор shibing624/alpaca-zh. Для работы с чекпойнтами автор указывает поддержку Transformers, а в метаданных указан формат PyTorch. Модель рассчитана на простые чаты и ответы на инструкции на китайском языке. Небольшой размер делает её примером компактной модели для экспериментов и воспроизведения процесса обучения. Контекст составляет 1024 токена. Автор отмечает, что из-за небольшого объёма и качества обучающих данных и малого размера модели она не подходит для сложных вопросов. Лицензия — Apache-2.0.

Undi95/Mistral-ClaudeLimaRP-v3-7B — текстовая генеративная модель для ролевых диалогов, созданная объединением весов Norquinal/Mistral-7B-claude-chat и LoRA lemonilia/LimaRP-Mistral-7B-v0.1 с весом 0,75. Модель основана на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для отыгрыша персонажей в диалогах и сценариях, в том числе для интерактивного ролевого общения в SillyTavern. Карточка описывает расширенный формат Alpaca и управление средней длиной ответа через инструкции. Рекомендуемые настройки генерации приведены как отправная точка, поскольку автор отмечает, что тестирование Mistral было ограниченным. Файлы опубликованы в формате PyTorch fp16. Модель помечена как предназначенная не для всех аудиторий и как NSFW, поэтому она рассчитана на взрослые ролевые сценарии. Лицензия — Apache-2.0. README не перечисляет поддерживаемые языки.

miti-2.3b-base-v1 — экспериментальная базовая языковая модель для кыргызского языка, опубликованная metinovadilet. Модель построена с нуля и предназначена для низкоресурсных исследований NLP на кыргызском языке. По метаданным, это плотная архитектура семейства Llama с классом LlamaForCausalLM, 2,3 млрд параметров и контекстом до 4096 токенов; веса доступны в формате safetensors, библиотека — Transformers. Модель генерирует текст и может использоваться для экспериментов с кыргызскоязычной генерацией и исследованиями низкоресурсного языка. Автор отмечает, что связность пока экспериментальная, а обучающих данных не хватило для более качественного предобучения; проект приостановлен. Лицензия — MIT.

Модель MORGENSHTERN создана Алексеем Коршуком в рамках проекта HuggingArtists на архитектуре GPT-2. Это авторегрессионная языковая модель для генерации текста, дообученная на текстах песен Моргенштерна; её можно использовать для создания текстов в похожем лирическом стиле. Контекст модели составляет 1024 токена, доступны веса в форматах PyTorch и Flax, а в метаданных указан английский язык. Модель подходит для творческих экспериментов и генерации черновиков текстов песен. Как и GPT-2, она может выдавать неточные или предвзятые формулировки; результат также зависит от особенностей обучающих текстов. Лицензия в предоставленных данных не указана.

Museko-125M — компактная языковая модель, обученная автором TobiasLogic с нуля. Это плотный декодер Llama для генерации и продолжения текста; модель содержит 122,7 млн параметров и использует контекст до 2048 токенов. Она обучена на FineWeb-Edu с добавлением примерно 10% синтетических арифметических данных, а токенизатор основан на SmolLM2-135M. Модель предназначена для завершения текстовых фрагментов и служит базовой моделью для экспериментов с небольшими языковыми моделями. По заявлению автора, она показывает сильные результаты для своего размера в тестах на общие знания, рассуждение и арифметику. Показатели бенчмарков получены в режиме выбора продолжения по вероятности и не гарантируют аналогичного качества при свободной генерации. Это базовая, а не диалоговая или инструкционная модель: она не рассчитана на выполнение команд и ответы на вопросы. При жадном декодировании может повторять текст; настройки генерации в конфигурации помогают сохранять связность. Веса доступны по лицензии Apache 2.0.

Aratako/Ninja-v1-RP — языковая модель для ролевых диалогов, созданная с помощью mergekit на основе Aratako/Ninja-v1-RP-WIP. Автор объединил базовую модель с четырьмя английскими моделями для ролевых сценариев, добавив их task vectors и применив метод Model Stock. В карточке указано, что это усиливает следование инструкциям и выразительность. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров. Она генерирует текст и рассчитана на ролевые диалоги и отыгрыш персонажей; карточка указывает японский язык, а базовая модель также предназначена для японского и английского. Для работы рекомендуется шаблон чата Vicuna; контекст составляет 4096 токенов. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Результат зависит от заданных персонажей, сценария и формата промпта; модель ориентирована на ролевое общение, поэтому её не следует считать универсальным помощником для любых задач.

Omega-Darker-Gaslight The-Final-Forgotten-Fever-Dream-24B — объединённая текстовая модель от sleepdeprived3 с вкладом моделей ReadyArt, TroyDoesAI и TheDrummer. Это плотная причинно-следственная модель семейства Mistral с 23,4 млрд параметров, рассчитанная на генерацию текста и диалоговый режим; заявленная длина контекста — 32 768 токенов. В README указано, что модель получена слиянием DARE-TIES и настроена для ролевых диалогов и художественных сценариев с эротическим и жестоким содержанием. Карточка заявляет, что модель поддерживает последовательность персонажей и сюжетных деталей на длинном контексте и следует сложным запросам в таких сценариях. Эти заявления являются описанием авторов, а не независимой оценкой качества. Модель принимает текст и генерирует текст; основной язык карточки — английский. Лицензия указана как other, а README предупреждает о конфликтующих лицензиях объединённых моделей и ограничивает использование личными целями, запрещая коммерческое применение. Также модель предназначена только для взрослых; перед использованием необходимо проверить условия лицензий всех компонентов слияния.

KoboldAI выпустила Erebus — второе поколение модели Shin'en для генерации художественного текста на взрослые темы. Это плотная авторегрессионная модель семейства OPT с 17 млрд параметров и контекстом 2048 токенов, работающая с текстом на английском языке. Модель дообучена на шести источниках историй с рейтингом 18+ и предназначена для продолжения текста и создания эротической прозы. Жанровые подсказки можно задавать тегом вида [Genre: ...]. Модель доступна в формате PyTorch; лицензия указана как other, поэтому условия использования следует уточнить у правообладателя. Erebus явно смещена в сторону NSFW-контента и не подходит для несовершеннолетних. Возможны предвзятость по гендеру, профессии, расе и религии; контекст ограничен 2048 токенами.