I.5Создание и редактирование текста

lmqg/t5-large-squad-qg — англоязычная модель генерации вопросов, разработанная на базе T5-large и дообученная проектом lmqg на наборе данных lmqg/qg_squad. Она предназначена для создания вопросов по тексту и используется в системах подготовки учебных материалов, викторин и вопросно-ответных наборов; модель также оценивалась в сценариях генерации вопросов по ответам и в тестах на данных из других доменов. Это плотная encoder-decoder архитектура T5ForConditionalGeneration с 385,2 млн параметров и контекстом до 512 токенов. Модель принимает и выдаёт текст на английском языке. Веса доступны в формате PyTorch по лицензии CC BY 4.0. Качество вне обучающего домена может различаться; приведённые в карточке оценки получены на конкретных наборах данных и не гарантируют качество для произвольных текстов.

xLAM-8x7b-r-IMat-GGUF — это квантизированная версия языковой модели Salesforce/xLAM-8x7b-r, разработанной Salesforce и преобразованной в формат GGUF с использованием llama.cpp. Квантизацию выполнил legraphista; доступны варианты от BF16 и FP16 до Q2_K, Q3_K, Q4_K, Q5_K, Q6_K и Q8_0, включая варианты с IMatrix-калибровкой. Модель предназначена прежде всего для function calling, использования инструментов и построения LLM-агентов, а также для текстовой генерации в совместимых средах, включая llama.cpp. В карточке указана поддержка английского языка и датасет Salesforce/xlam-function-calling-60k. Архитектура обозначена тегом Mistral, однако точные сведения о размере контекста и других архитектурных параметрах не приведены. Главное преимущество модели — наличие множества вариантов квантизации, позволяющих выбирать баланс между качеством, требованиями к памяти и скоростью инференса; IMatrix может применяться в ряде низкоразрядных вариантов. Ограничения включают потенциальное снижение качества при агрессивной квантизации, необходимость значительных ресурсов для крупных вариантов и отсутствие подтверждённых характеристик для неанглийских языков и мультимодальных задач. Модель распространяется по лицензии CC BY-NC 4.0, а доступ к репозиторию требует принятия соответствующих условий.

Карточка модели qihoo360/360Zhinao-7B-Chat-4K на Hugging Face совпадает с карточкой qihoo360/360Zhinao-7B-Base, поэтому описание составлено по ней. 360Zhinao-7B-Base — базовая авторегрессионная языковая модель семейства 360Zhinao, разработанная командой 360 (Qihoo 360). Модель содержит 7,1 млрд параметров и обучена на корпусе объёмом 3,4 трлн токенов, преимущественно на китайском и английском языках, а также на коде. Это базовая, а не чат-версия; для диалогового применения в серии отдельно выпущены модели Chat. Модель предназначена для генерации текста и служит основой для задач понимания языка, работы со знаниями, математики, логических рассуждений и генерации кода. Она поддерживает контекст до 4096 токенов, построена на архитектуре ZhinaoForCausalLM и распространяется в формате safetensors для Transformers. README сообщает о сравнительной оценке базовой модели на наборах OpenCompass, включая C-Eval, MMLU, GSM8K и HumanEval. Лицензия — Apache-2.0. Как базовая языковая модель, она не настроена специально для следования инструкциям или ведения диалога; качество ответов зависит от промпта и сценария применения.

Модель gchhablani/bert-base-cased-finetuned-mrpc — англоязычная модель классификации пар предложений на базе BERT-base-cased, дообученная на наборе GLUE MRPC. Она предназначена для определения того, выражают ли два предложения одно и то же значение. В карточке указано, что модель обучалась для сравнения google/fnet-base с bert-base-cased. Модель использует архитектуру BertForSequenceClassification, содержит 135,5 млн параметров и принимает текстовые входы с контекстом до 512 токенов. На оценочной выборке MRPC указаны accuracy 0,8603 и F1 0,9026. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не описывает дополнительные сценарии применения или ограничения за пределами задачи MRPC.

Chichu 1.5 Flash — компактная языковая модель Sebastianpro88, дообученная методом LoRA на базе HuggingFaceTB/SmolLM2-135M-Instruct. Модель построена на плотной архитектуре семейства Llama, содержит около 134,5 млн параметров и использует контекст до 8192 токенов. Модель предназначена для диалогов и генерации текста, выполнения инструкций, написания кода, математических задач и рассуждений. Для обучения использованы трассы дистилляции от нескольких моделей-учителей по темам математики, кода, рассуждений, инструкций и работы с инструментами. В README указана поддержка английского языка, а генерация кода показана для Python и JavaScript. Веса опубликованы в формате safetensors. Лицензия обозначена как other; конкретные условия использования в предоставленных данных не раскрыты. Компактный размер ориентирован на быстрый запуск, но сам по себе не гарантирует точность: качество ответов и сложных рассуждений следует проверять на целевых задачах.

Iker разработал эту модель как дообученную версию openchat/openchat-3.5-0106 на датасете NoticIA. Она предназначена для создания кратких пересказов статей по кликбейтным заголовкам на испанском языке. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; контекст — до 8192 токенов. Она поддерживает диалоговый интерфейс и работает с текстом. Модель подходит для краткого изложения новостных материалов и оценки содержания статьи, связанной с сенсационным заголовком. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и требует распространять производные работы на тех же условиях; коммерческое использование не разрешено.

Codestral-22B-v0.1-GGUF — это квантованная версия модели Codestral-22B-v0.1 в формате GGUF. Исходную модель разработал bullerwins, а файлы GGUF подготовил MaziyarPanahi. Модель предназначена для генерации текста и может использоваться локально через совместимые инструменты и библиотеки, включая llama.cpp, llama-cpp-python, LM Studio, text-generation-webui и другие решения экосистемы GGUF. В репозитории представлены варианты квантования с разной разрядностью: 2, 3, 4, 5, 6 и 8 бит. Это позволяет выбирать баланс между требованиями к ресурсам и качеством работы, однако конкретные характеристики производительности и качества в README не приведены. Также не указаны поддерживаемые языки, размер контекста, модальности, точная архитектура, результаты тестирования и лицензия, поэтому эти параметры нельзя достоверно оценить по имеющимся данным.

Compactor-Qwen3.5-4B-GGUF — набор GGUF-квантованных версий модели Compactor-Qwen3.5-4B, разработанной schneewolflabs и квантованной mradermacher. Модель относится к семейству Qwen3.5 и имеет размер около 4 млрд параметров; в метаданных указаны дообучение методом SFT и объединение моделей. Основные сценарии применения — суммаризация, компактное представление контекста и работа в агентских системах. Заявлен английский язык; сведения о других языках, модальностях и размере контекстного окна отсутствуют. Доступны варианты от Q2_K до Q8_0, IQ4_XS и f16, с размером файлов примерно от 2,0 до 8,5 ГБ. Это позволяет выбирать между требованиями к памяти, скоростью и качеством: Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как быстрый вариант с наилучшим качеством. Более сильное квантование уменьшает требования к ресурсам, но может снижать качество вывода; для некоторых вариантов отмечены ограничения качества. Модель удобна для локального запуска в совместимых инструментах, поддерживающих формат GGUF, и может быть полезна в задачах обработки и сжатия контекста при ограниченных ресурсах. Количественные результаты оценки, точные архитектурные характеристики и подробные ограничения применения в README не приведены. Лицензия — Apache-2.0.

LnL-AI/dbrx-base-converted-v2 — конвертированная версия DBRX Base, модели семейства DBRX, разработанного Databricks. Репозиторий описывает изменение раскладки весов: матрица Wqkv разделена. Модель — декодерный трансформер для продолжения текста, построенный на архитектуре mixture-of-experts: 132 млрд параметров всего, из которых 36 млрд активны для каждого входа; используются 16 экспертов, выбираются 4. В README указаны RoPE, GLU, GQA и контекст до 32 768 токенов. Модель предназначена для генерации продолжений на английском языке и для задач с кодом; это базовая, предварительно обученная модель, не настроенная для диалога или выполнения инструкций. Она принимает и выдаёт только текст. Обучение проводилось на текстовых и кодовых данных, преимущественно на английском; компетентность в других языках разработчики не проверяли. Это конверсия исходной модели DBRX Base; репозиторий содержит веса в формате safetensors. Лицензия — Databricks Open Model License. Выводы могут быть неточными, неполными, предвзятыми или оскорбительными; для сценариев, где важна точность, разработчик рекомендует RAG и дополнительную проверку безопасности для конкретного применения.

Einstein-v5-v0.2-7B — языковая модель Weyaxi для диалогов и следования инструкциям, созданная полным дообучением Mistral-7B-v0.2-hf на разнообразных наборах данных. Модель использует плотную архитектуру Mistral с 7,1 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Для диалогов предусмотрен шаблон ChatML. Модель ориентирована на общие запросы, а также вопросы и рассуждения по физике, химии, биологии, математике и другим STEM-темам. В README указаны результаты Open LLM Leaderboard, включая средний балл 65,65 и 60,92 на AI2 Reasoning Challenge, однако полная таблица результатов недоступна в предоставленной карточке. Автор сообщает, что модель устарела из-за ошибки sliding window в конфигурации базовой модели; проблема исправлена в базовой модели, а последующие версии серии Einstein должны использовать корректную конфигурацию. Репозиторий содержит веса Safetensors. Лицензия в метаданных обозначена как other, без уточнения условий.

GeistBERT — немецкоязычная языковая модель, разработанная авторами проекта GeistBERT и дообученная на основе GottBERT. Это плотная архитектура RoBERTa с 153,2 млн параметров, обученная с Whole Word Masking на преимущественно дедуплицированном немецком корпусе объёмом около 1,3 трлн токенов; контекст составляет 514 токенов. Модель предназначена для немецких NLP-задач, включая классификацию текста, распознавание именованных сущностей, понимание документов и предварительное обучение для машинного перевода. В README сообщаются сильные результаты на немецких бенчмарках NER, классификации текста и NLI. Для специализированных задач модель можно дообучать; метаданные указывают задачу заполнения пропусков в тексте (fill-mask). Корпус не прошёл полную ручную проверку, поэтому в нём могут встречаться избыточные или низкокачественные примеры. Лицензия модели — MIT.

Hy-MT2-7B — многоязычная модель перевода Tencent Hy на 7,5 млрд параметров с плотной архитектурой HunYuanDenseV1. Она предназначена для перевода между 33 языками, включая выполнение инструкций о переводе на разных языках, и рассчитана на сложные сценарии: повседневные, деловые и специализированные тексты. Модель работает как генеративная языковая модель; для использования доступны веса в формате Safetensors и библиотека Transformers. Заявленная длина контекста — 262 144 токена. Модель подходит для машинного перевода, локализации и перевода с учетом заданных инструкций. В README Tencent сообщает о сильных результатах на общих, деловых и специализированных тестах перевода; это заявление разработчика, а не независимая гарантия качества. Для запуска рекомендуется задавать параметры генерации и инструкции с полными названиями исходного и целевого языков. Модель распространяется по лицензии Apache-2.0.

google/long-t5-tglobal-base — базовая модель Google Research семейства LongT5, предварительно обученная на английском языке. Это плотный encoder-decoder Transformer с архитектурой LongT5ForConditionalGeneration и механизмом transient-global attention, расширяющим T5 для эффективной работы с длинными последовательностями. Модель содержит 123,8 млн параметров; доступны версии PyTorch и Flax, лицензия Apache-2.0. Модель обучена в генеративном текстовом формате с восстановлением текста и предназначена прежде всего для дообучения на размеченных данных. После дообучения она подходит для суммаризации и ответов на вопросы по длинным документам; карточка описывает обработку входов длиной до 16 384 токенов. В предоставленных метаданных указан контекст 4096 токенов, поэтому фактический предел зависит от конфигурации и реализации. Сильная сторона LongT5 — эффективная обработка длинных текстов с помощью разреженных схем внимания. Это базовый чекпойнт, а не готовая специализированная модель, поэтому качество на конкретной задаче требует дообучения. Использование разрешено по лицензии Apache-2.0.

jhflow/mistral7b-lora-multiturn-v4 — диалоговая модель генерации текста на базе архитектуры Mistral. В карточке указана базовая модель maywell/Synatra-7B-v0.3-dpo и формат диалога ChatML; метаданные описывают плотную архитектуру MistralForCausalLM размером 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для многоходового общения и генерации ответов в формате чата. Она опубликована в формате safetensors и поддерживает text-generation. Лицензия в предоставленных данных не указана.

benhaotang/nemo-math-science-philosophy-12B — объединённая диалоговая языковая модель на архитектуре Mistral, созданная с помощью mergekit методом TIES. В объединение вошли nbeerbower/mistral-nemo-wissenschaft-12B и EpistemeAI/Mistral-Nemo-Instruct-12B-Philosophy-Math; базой при слиянии служила anthracite-org/magnum-v2.5-12b-kto. Модель содержит 12,1 млрд параметров и предназначена для генерации текста в диалоге, включая ответы и инструкции с тематическим уклоном в математику, естественные науки и философию. Карточка приводит шаблон Ollama для обмена сообщениями в формате инструкций. В метаданных заявлена длина контекста 1 024 000 токенов. Модель распространяется в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

gaudi/opus-mt-de-en-ctranslate2 — преобразованная для CTranslate2 версия модели Opus-MT от Helsinki-NLP. Она предназначена для перевода с немецкого на английский и запуска переводческих моделей с ускоренным инференсом на CPU и GPU. Архитектура — Marian, encoder-decoder Transformer; для CPU предусмотрен compute type int8, для CUDA — int8_float16. Репозиторий совместим с CTranslate2 и hf-hub-ctranslate2, лицензия — Apache-2.0. В README приведены тесты производительности для общих моделей Opus-MT: в конкретной конфигурации CTranslate2 показал более высокую скорость генерации, чем указанные реализации Transformers и Marian. Автор также сообщает о возможном снижении BLEU примерно на 5% в собственных тестах; скорость и качество зависят от настроек и требуют оценки на целевых данных.

Ouro-1.4B-Thinking-depth-SFT — дообученная разговорная языковая модель примерно с 1,3 млрд параметров, основанная на ByteDance/Ouro-1.4B-Thinking. Она использует плотную архитектуру Ouro для генерации текста и ответов с рассуждениями; карточка задаёт параметр глубины DEPTH=16. Модель рассчитана на диалоги и задачи, где полезны пошаговые рассуждения, включая математику, науку и код. Она принимает текст и выдаёт текст, поддерживает контекст до 65 536 токенов и предназначена для использования через Transformers. Модель опубликована под лицензией Apache-2.0. Доступная карточка содержит мало сведений о данных и результатах обучения, поэтому качество на конкретных задачах и языках по ней оценить нельзя.

omni-devel/QA-Gen — русскоязычная модель семейства mT5 для генерации пары «вопрос—ответ». Она дообучена на датасете Den4ikAI/ru_sberquad_long_answers и предназначена для локального запуска: встроенный инференс, согласно карточке, генерирует ответы плохо. Модель содержит 39,7 млн параметров, использует архитектуру MT5ForConditionalGeneration и распространяется в формате safetensors. Лицензия — Apache-2.0.

Qwen1.5-14B — базовая предварительно обученная языковая модель от команды Qwen, бета-версия семейства Qwen2. Это плотная авторегрессионная модель-декодер на архитектуре Transformer с 13,4 млрд параметров, предназначенная для генерации текста и последующего дообучения под чат и другие сценарии. В карточке заявлена поддержка контекста до 32 768 токенов и многоязычного токенизатора; метаданные указывают английский язык карточки. Модель использует архитектуру Qwen2ForCausalLM. Для семейства упоминаются SwiGLU, смещение в проекциях QKV и групповое внимание, однако в бета-версии для этой модели временно отсутствуют GQA и сочетание скользящего и полного внимания. Авторы не рекомендуют использовать базовые модели серии непосредственно для генерации текста и советуют сначала провести постобучение, например SFT, RLHF или продолжить предобучение. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

unsloth/Qwen2.5-1.5B-bnb-4bit — 4-битная версия базовой языковой модели Qwen2.5-1.5B, подготовленная Unsloth на основе Qwen/Qwen2.5-1.5B, разработанной командой Qwen. Модель предназначена для генерации и продолжения текста, а также для последующего дообучения под прикладные задачи. Для диалогового использования базовая версия не рекомендуется без дополнительного post-training, например SFT, RLHF или продолжения предобучения. Модель относится к causal language models и содержит около 1,54 млрд параметров, из которых 1,31 млрд не являются параметрами эмбеддингов. Архитектура включает RoPE, SwiGLU, RMSNorm, bias в attention QKV и связанные эмбеддинги слов; используется 28 слоёв и Grouped Query Attention с 12 головами Q и 2 головами KV. Полная длина контекста составляет 32 768 токенов. Заявлена поддержка более 29 языков, включая китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. К сильным сторонам относятся небольшой размер, поддержка нескольких языков и пригодность для эффективного дообучения и развёртывания при ограниченных ресурсах благодаря 4-битному представлению. Модель также наследует заявленные для Qwen2.5 улучшения в кодировании, математике, следовании инструкциям и работе со структурированными данными, однако конкретные результаты для этой версии в README не приведены. Ограничения включают базовый, а не instruction-tuned характер модели, контекст до 32 768 токенов и возможные потери качества, связанные с 4-битной квантизацией. Лицензия — Apache-2.0.

alphaduriendur/Qwen2.5-Coder-1.5B-Instruct-Q4_K_M-GGUF — это квантизированная версия Qwen2.5-Coder-1.5B-Instruct, преобразованная в формат GGUF с использованием llama.cpp и сервиса GGUF-my-repo. Модель предназначена для генерации текста и работы с программным кодом в инструкционном и чат-сценариях, включая локальный запуск через llama.cpp. Модель имеет размер 1,5 млрд параметров и использует квантизацию Q4_K_M, что снижает требования к памяти и делает её подходящей для запуска на локальных устройствах. В карточке указана поддержка английского языка и текстовая модальность. Для запуска доступны llama-cli и llama-server; в примере конфигурации сервера используется контекст размером 2048 токенов, однако максимальный размер контекста в карточке отдельно не указан. К сильным сторонам относятся компактность, совместимость с экосистемой llama.cpp и удобство локального инференса. Ограничениями являются небольшой размер модели по современным меркам и возможная потеря качества из-за квантизации; подробные результаты оценки, перечень поддерживаемых языков и характеристики исходной модели в этой карточке не приведены. Модель распространяется по лицензии Apache-2.0.

pmercenary/Qwen3-0.6B-JSON-SFT — компактная генеративная языковая модель семейства Qwen3, дообученная методом supervised fine-tuning (SFT). Модель опубликована пользователем pmercenary на Hugging Face и предназначена для генерации текста в диалоговых сценариях, включая задачи, где требуется формирование JSON-ответов. Модель содержит около 507,9 млн параметров, работает через библиотеку Transformers и поддерживает контекст длиной до 40 960 токенов. В метаданных указана задача text-generation и conversational-направленность. Благодаря небольшому размеру модель может быть удобна для локального запуска и прикладных прототипов с ограниченными вычислительными ресурсами. README не содержит подробных сведений о данных обучения, результатах оценки, точной архитектуре, поддерживаемых языках, разработчике или лицензии. Перед использованием в критически важных приложениях необходимы собственное тестирование качества и проверка условий распространения.

zeromodels/qwen3.5-2b-base — конверсия модели Qwen3.5-2B-Base в реализацию на Keras 3, подготовленная zeromodels. Это мультимодальная модель «зрение—язык» с визуальным энкодером Qwen3-VL и плотным текстовым декодером, сочетающим Gated-DeltaNet и обычное gated attention; веса хранятся в bfloat16. Реализация запускается на TensorFlow, PyTorch и JAX. Модель предназначена для генерации текста по изображению и текстовому запросу; текстовую часть можно использовать отдельно, без визуального энкодера. Размер базовой модели — 2 млрд параметров. В метаданных указан английский язык, а лицензия — Apache 2.0. Карточка направляет к исходной модели Qwen за подробностями об использовании.

Это GGUF-версия Qwen3Guard-Gen-8B, подготовленная Geoff Munn на основе модели команды Qwen от Alibaba. Модель построена на архитектуре Qwen3 с 8 млрд параметров и дообучена для безопасной генерации текста: она отвечает на обычные запросы и должна отказывать на вредоносные, избегая токсичного, жестокого и вводящего в заблуждение содержания. Модель предназначена для диалоговых помощников, которым нужны ответы на сложные вопросы, помощь с кодом и математикой при ограничении небезопасных ответов. Её можно использовать как самостоятельного помощника или вместе с отдельным фильтром входящих запросов. Репозиторий содержит квантизованные веса в формате GGUF для локального запуска, в том числе через llama.cpp; README приводит варианты от Q2_K до Q8_0 с разным балансом качества, скорости и размера. Лицензия — Apache-2.0. Это генеративная модель с защитными настройками, а не классификатор модерации: отказы и осторожное поведение не гарантируют обнаружение или блокирование всех небезопасных запросов, поэтому для модерации входов может потребоваться отдельный фильтр.

Qwen3-VL-4B-Instruct-MLX-4bit — это 4-битная квантованная версия мультимодальной модели Qwen3-VL-4B-Instruct, разработанной командой Qwen. Квантование выполнено командой LM Studio с использованием MLX и mlx_vlm; модель оптимизирована для работы на компьютерах Apple Silicon. Модель предназначена для задач преобразования изображений и текста в текст, включая обработку визуально-текстовых запросов и работу в формате инструкций. Она относится к классу vision-language моделей и поддерживает взаимодействие с изображениями и текстом. Известный размер исходной модели — 4B параметров; сведения о поддерживаемых языках и максимальной длине контекста в представленном README не указаны. Ключевое преимущество версии — снижение требований к памяти и вычислительным ресурсам благодаря 4-битному квантованию, а также оптимизация для экосистемы Apple Silicon. Квантование может сопровождаться некоторым снижением точности по сравнению с исходной моделью, однако конкретные результаты в README не приведены. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-8B-Instruct-abliterated-v2-GGUF — мультимодальная vision-language модель от prithivMLmods, основанная на Qwen3-VL-8B-Instruct от Alibaba. Это GGUF-сборка для запуска через llama.cpp и совместимые инструменты; доступны варианты квантования от Q2_K до Q8_0, а также F16 и отдельные mmproj-файлы для обработки изображений. Модель предназначена для генерации текста по изображениям, подробного описания визуального содержимого, следования инструкциям и мультимодального рассуждения. Заявлена поддержка сложных, технических, художественных и чувствительных изображений, видео, различных разрешений, соотношений сторон и макетов. Указаны Interleaved-MRoPE, контекст до 262K токенов и OCR на 32 языках; основным языком работы назван английский, при этом заявлена адаптация к другим языкам с помощью формулировок запросов. Модель содержит около 8 млрд параметров и ориентирована на запуск на GPU с 16–24 ГБ VRAM в форматах BF16/FP8 через Transformers или vLLM, а GGUF-квантизации позволяют выбирать компромисс между размером и качеством. Ключевая особенность версии — удаление механизмов отказа и контентных ограничений, что расширяет область применения для red teaming, исследований безопасности и творческих сценариев, но одновременно повышает риск генерации небезопасного или нежелательного содержимого. Модель распространяется по лицензии Apache-2.0.

Qwopus3.6-27B-v2 — плотная мультимодальная модель с 27 млрд параметров, созданная Jackrong путём дообучения Qwen3.6-27B. Модель принимает текст и изображения и формирует текстовые ответы; карточка заявляет поддержку диалога, вызова инструментов и длинного контекста. Модель дообучена методом SFT в три этапа на наборах Trace Inversion с реконструированными цепочками рассуждений, включая примеры логики и математики. Она предназначена для сложных рассуждений, диалоговых и агентных сценариев, а также для задач с изображениями и инструментами. В карточке описаны структурированные рассуждения и согласованный формат тегов <think>; также приведены результаты на наборе из 350 вопросов MMLU-подобного типа и данные об эффективности генерации, но они не заменяют независимую оценку. Модель распространяется по лицензии Apache-2.0. Автор обозначает выпуск как экспериментальный и сообщает, что он не прошёл полную оценку безопасности и стандартное бенчмаркинг-тестирование.

Sarvam-Translate — модель перевода, разработанная Sarvam AI совместно с AI4Bharat на основе дообученной Gemma 3 4B IT. Она предназначена для перевода целых документов и длинных текстов между английским и индийскими языками с учётом контекста, стиля и структуры исходного материала. Максимальная длина контекста — 8 тысяч токенов; модель работает с текстом в форматах Markdown, распознанными текстами с ошибками OCR, материалами с математическими и химическими формулами, а также с файлами кода, переводя в них только комментарии. Модель поддерживает английский и 22 официальных языка Индии, включая ассамский, бенгальский, хинди, тамильский и урду. Открытая версия поддерживает направления с английского на индийские языки и обратно; для перевода между индийскими языками README рекомендует переводить через английский. Основана на мультимодальной архитектуре Gemma 3, но заявленная задача этой версии — текстовый перевод. Распространяется по лицензии GPL-3.0.

Scarlett-Llama-3-8B — разговорная языковая модель, дообученная ajibawa-2023 на базе Llama 3 8B от Meta. Она обучена на более чем 10 000 наборах диалогов по философии, советам, шуткам и программированию, а также предназначена для продолжительных бесед в формате ChatML. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Карточка указывает английский язык и возможность генерировать код. Модель подходит для диалогового помощника, обсуждения философских вопросов, выдачи советов, шуток и помощи с кодом. Разработчик отмечает, что модель не предназначена для ролевых сценариев со взрослым или сексуальным содержанием. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

Модель potsawee/t5-large-generation-squad-QuestionAnswer — версия T5-large, дообученная Potsawee Manakul и соавторами на датасете SQuAD для генерации пары «вопрос — ответ» по переданному контексту или фрагменту текста. Она предназначена для создания вопросов по статьям и другим текстам, в том числе как первый компонент конвейера MQAG для оценки согласованности содержания при суммаризации. Модель использует архитектуру T5ForConditionalGeneration и содержит 385,2 млн параметров. Она принимает текст и генерирует текст; ответы преимущественно извлекаются из исходного контекста, поскольку обучающие ответы SQuAD в основном экстрактивны. Максимальная длина контекста — 512 токенов. Карточка указывает английский язык и формат PyTorch. Лицензия — Apache-2.0.