I.5Создание и редактирование текста

BLOSSOM-v1-baichuan-7b — диалоговая языковая модель, созданная на основе предобученной Baichuan-7b и дообученная по инструкциям на 60 тысячах примеров из набора Blossom chat. Она предназначена для генерации ответов в диалоге: модель получает текстовый запрос в формате беседы и продолжает его ответом от имени бота. Модель имеет плотную архитектуру BaiChuanForCausalLM с 6,7 млрд параметров и контекстное окно 4096 токенов. Модель поддерживает китайский и английский языки. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка показывает сценарий диалогового использования, но не приводит оценок качества или подробных ограничений; результаты могут зависеть от формата запроса и состава исходных данных.

aloobun/bun_mistral_7b_v2 — дообученная модель семейства Mistral, созданная на основе mistralai/Mistral-7B-v0.1 для рассуждений с цепочкой мыслей (CoT). Это плотная авторегрессионная языковая модель на 7,1 млрд параметров с контекстом до 32 768 токенов, предназначенная для генерации текста и ответов с пошаговыми рассуждениями. В карточке указана английская поддержка; метаданные относят модель к задаче text-generation. Репозиторий содержит веса в формате safetensors; для модели также приведены варианты GPTQ, AWQ и GGUF. Модель подходит для экспериментов с пошаговым решением текстовых задач и генерацией ответов. Карточка не приводит оценок качества, обучающих данных или подробных рекомендаций по использованию, поэтому результаты рассуждений следует проверять. Указана лицензия CC; конкретная версия лицензии в предоставленных данных не уточнена.

Chichu-Video-1.0 — компактная языковая модель Sebastianpro88 для генерации сценариев видеороликов. Она дообучена на базе Qwen2.5-0.5B-Instruct и предназначена для создания структурированных сценариев: описаний сцен для моделей text-to-video, диалогов персонажей, закадрового текста и звуковых подсказок. Модель имеет архитектуру Qwen2 dense с 494 млн параметров и работает через Transformers. Контекст составляет до 32 768 токенов. Карточка указывает английский язык; модель генерирует текст и сама не создаёт видео или аудио. Лицензия обозначена как other, поэтому условия использования следует проверять в карточке репозитория.

Einstein-v4-7B — чат-модель Weyaxi, полученная полным дообучением Mistral-7B-v0.1 на разнообразных наборах данных с помощью Axolotl. Она предназначена для генерации ответов в диалоге и выполнения инструкций, в том числе для вопросов по физике, химии, биологии и математике, а также задач на рассуждение и общие знания. Модель содержит 7,1 млрд параметров, использует архитектуру Mistral и поддерживает контекст до 32 768 токенов; для диалогов предусмотрен шаблон ChatML. В карточке указаны англоязычные данные и наборы для STEM, вопросов и ответов, кода и общения. README приводит результаты нескольких тестов, но не описывает гарантируемое качество для конкретных задач. Модель опубликована в формате safetensors; лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория и условиями базовой модели.

dphn/fc-dolphin-2.6-mistral-7b-dpo-laser — языковая модель на архитектуре Mistral, разработанная Дэвидом, Фернандо и Эриком как версия Dolphin 2.6 с поддержкой вызова функций. Модель обучена на варианте набора glaive function calling v2 и использует формат описания и вызова функций из этого набора; для диалогов применяется ChatML. Модель предназначена для генерации текста и диалоговых сценариев, где ассистенту нужно выбирать и вызывать объявленные функции, например поиск по Wikipedia. В карточке описан экспериментальный приём частичной заморозки весов по анализу laserRMT, призванный снизить забывание ранее усвоенных знаний при обучении новым навыкам. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Авторы отмечают, что это первая модель в серии экспериментов; качество вызова функций и результаты метода частичной заморозки в карточке подробно не оценены.

Ayodele01/gemma-4-E4B-Gemini-3.1-Pro-Reasoning-Distill-GGUF — GGUF-квантизированные версии инструкционно дообученной модели Google Gemma-4 E4B с 4 млрд параметров. Модель доработана методом LoRA на наборах данных с примерами рассуждений, созданных на основе Gemini 3.1 Pro, чтобы улучшить способности к пошаговому reasoning и решению сложных задач. Модель ориентирована на генерацию текста и указана как англоязычная. Модель предназначена для локального запуска через llama.cpp и Ollama, включая задачи ответов на вопросы, логического вывода, решения математических и других требующих рассуждений запросов. Доступны варианты F16, Q8_0, Q5_K_M, Q4_K_M и Q3_K_M размером примерно от 4,6 до 15 ГБ; вариант Q5_K_M обозначен как сбалансированный и рекомендуемый. Заявлена поддержка контекста до 128K токенов, при этом в рекомендуемых настройках указана длина 8192 токена. Сильными сторонами модели являются компактный размер, возможность работы на локальных устройствах и специализация на reasoning-задачах. Качество и требования к памяти зависят от выбранного уровня квантизации: F16 обеспечивает наилучшее качество, а Q3_K_M подходит для наиболее ограниченных устройств, вероятно снижая точность. В README не приведены независимые результаты оценки, подробные сведения об архитектуре Gemma-4 или гарантии качества рассуждений. Модель распространяется по лицензии Gemma.

Hy-MT2-30B-A3B — многоязычная модель перевода от Tencent Hy из семейства Hy-MT2. Она предназначена для перевода в сложных практических сценариях и следует инструкциям по переводу на нескольких языках. Модель использует архитектуру MoE семейства HY-V3; в репозитории указано 2,7 млрд параметров, формат весов — safetensors, библиотека — Transformers, длина контекста — 262 144 токена. Модель поддерживает перевод между 33 языками, включая китайский, английский, русский, французский, японский, арабский, хинди и другие. Разработчик сообщает о сильных результатах на общих, деловых, предметных и инструкционных задачах перевода. Модель выпущена под лицензией Apache-2.0. README не приводит отдельных ограничений именно этой версии 30B-A3B.

InnoSpark3.0-35B-260709 — образовательная мультимодальная модель с 35 млрд параметров из серии InnoSpark3.0, разработанная исследовательской командой sii-research на основе семейства NEX 35B. Модель дообучена на общих и образовательных данных с помощью SFT и многоэтапного обучения с подкреплением; архитектура относится к семейству Qwen3.5 MoE. Она принимает текст и изображения и предназначена для диалога и генерации ответов на образовательные вопросы. Модель подходит для объяснения понятий, пошагового обучения, помощи с домашними заданиями, подготовки уроков и учебных материалов, а также для диалоговых помощников учеников и преподавателей. Обучение усиливало рассуждение, следование инструкциям и агентные возможности; визуальные способности специально не оптимизировались. Лицензия — Apache-2.0. Как и другие большие языковые модели, InnoSpark может выдавать неточные, неполные или предвзятые ответы. В образовательных и особенно высокозначимых сценариях результаты следует проверять; модель не следует использовать как единственный источник для проверки фактов, выставления оценок или критически важных решений.

InstructScore (SEScore3) — модель и инструмент оценки генерации текста, описанный авторами как метрика с пояснительным диагностическим отчётом. Она сравнивает эталонный текст с результатом генерации и возвращает оценки вместе с пояснениями; пример в карточке показывает проверку перефразирования предложения. В метаданных указаны архитектура LLaMA с плотной causal language model, 6,6 млрд параметров и контекст 2048 токенов. Репозиторий содержит веса PyTorch и заявляет лицензию CC.

google/long-t5-local-base — англоязычная предварительно обученная модель Google из семейства LongT5. Это плотный трансформер-кодировщик-декодировщик с 123,8 млн параметров, реализованный как LongT5ForConditionalGeneration. Модель обучена в режиме генеративного восстановления текста и использует эффективное локальное внимание для обработки длинных последовательностей; её контекст составляет до 4096 токенов. Модель предназначена прежде всего для дообучения на размеченных данных. После настройки её можно применять для суммаризации длинных документов и ответов на вопросы по длинному тексту. В качестве основы она подходит для генеративных задач, где важно учитывать протяжённый вход, однако готовая карточка не описывает её как специализированную модель для конкретной задачи. Выпущена под лицензией Apache-2.0.

LYRAMOON — разговорная языковая модель, разработанная и сопровождаемая Muhammad Taqi. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для диалога, рассуждений, оценки сложной логики и генерации кода. Карточка позиционирует её как движок для многоходового общения; метаданные также отмечают чат и интерфейс вызова инструментов. Модель принимает текст и генерирует текст. В метаданных указан контекст до 32 768 токенов и поддержка английского языка; модель рассчитана на запуск через Transformers. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0. Заявленные возможности рассуждения, скорости и качества генерации кода не подкреплены в карточке оценками или результатами тестирования. Поэтому качество на конкретных задачах следует проверять отдельно; подтверждена поддержка английского, но не иных языков.

mrm8488/mbart-large-finetuned-opus-es-en-translation — модель перевода текста с испанского на английский, созданная дообучением mBART-large-cc25 на наборе данных OPUS100. Она построена на архитектуре mBART и содержит около 457,4 млн параметров; заявленная длина контекста — 1024 токена. В карточке приведены оценки BLEU 28,25 на валидационной выборке и 28,28 на тестовой выборке. Модель подходит для перевода испанских текстов на английский в приложениях и рабочих процессах, где требуется автоматический перевод. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

MiLMMT-46-12B-v0.1 — модель машинного перевода на основе большой языковой модели, разработанная Xiaomi Inc. Это дообученная версия MiLMMT-46-12B-Pretrain, созданной на базе Gemma 3 12B с продолжением предобучения на 143 миллиардах токенов монолингвальных и параллельных данных для 46 языков. Модель предназначена для перевода текста между поддерживаемыми языками; в карточке приведён шаблон запроса, где нужно указать названия исходного и целевого языков. Модель поддерживает 46 языков, включая русский, английский, китайский, арабский, хинди, японский и другие. Для работы доступны веса в формате safetensors и библиотека Transformers. Указанная лицензия — Gemma. Производитель предупреждает, что поддержка ограничена перечисленными языками и качество перевода для других языков не гарантируется.

Карточка модели PierrunoYT/moondream3-preview на Hugging Face совпадает с карточкой moondream/moondream3-preview, поэтому описание составлено по ней. Moondream 3 (Preview) — мультимодальная модель Moondream для анализа изображений и работы с текстом. Она принимает изображение и текстовый запрос, а также может использоваться как универсальная текстовая модель. Архитектура — Mixture of Experts: 9 млрд параметров всего, из них 2 млрд активны; визуальный энкодер основан на SigLIP. Модель имеет 24 слоя и контекстное окно до 32 тысяч токенов. Модель предназначена для ответов на вопросы об изображениях, создания подписей, поиска точек объектов и обнаружения объектов с ограничивающими рамками. Режим рассуждений включён по умолчанию; его можно отключить для простых запросов. Для локального запуска предлагается Transformers с FlexAttention, а также доступен облачный API. Moondream 3 выпущена как Preview, поэтому качество и поведение могут измениться. Веса распространяются по Business Source License 1.1 с Additional Use Grant: разрешены личное и исследовательское применение, внутреннее производственное использование и большинство коммерческих сценариев, но платные сервисы, конкурирующие с предложениями M87 Labs, требуют отдельного соглашения.

MUFFIN-T5-3B — языковая модель семейства T5, дообученная авторами на наборе инструкций MUFFIN. Она предназначена для выполнения разнообразных инструкций на естественном языке в режиме преобразования текста в текст, включая ответы на запросы и классификационные задания с заданным шаблоном промпта. В карточке указаны архитектура T5 и 385,2 млн параметров; README называет модель 3B и сообщает о версии MUFFIN-T5-11B. Контекст составляет 512 токенов, доступен формат PyTorch. Модель рассчитана на англоязычные задачи и оценивалась, среди прочего, на SuperNI-Test, T0-Eval, BBH и MMLU. Она следует формату «вход — инструкция — выход», что позволяет применять её для разных задач без отдельной специализированной головы. Лицензия — MIT. Разница между указанными в README 3B параметрами и метаданными о 385,2 млн не объяснена.

NVIDIA Nemotron-H-47B-Base-8K — базовая языковая модель для продолжения заданного текста, предназначенная для разработчиков и исследователей, создающих и настраивающих LLM. Она использует гибридную архитектуру Mamba-2 и Transformer с преимущественно слоями Mamba-2 и MLP и пятью слоями Attention. Модель содержит 47 млрд параметров, обучена с использованием 63 млрд токенов и поддерживает контекст до 8 тысяч токенов. Модель принимает и генерирует текст. В README заявлена поддержка английского, немецкого, испанского, французского, итальянского, корейского, португальского, русского, японского и китайского языков. Обучающие данные включают текст и код; оценки представлены для задач здравого смысла, программирования и математики. Для адаптации к конкретным задачам NVIDIA рекомендует инструменты NeMo для дообучения и выравнивания. Модель оптимизирована для GPU NVIDIA, а в README указана совместимость с H100-80GB и A100. Это базовая модель без рекомендуемого формата промпта, поэтому она рассчитана прежде всего на продолжение текста и может требовать адаптации для целевых сценариев. Она унаследовала от обучающих данных токсичный контент и социальные предубеждения, может выдавать неточные или нежелательные ответы и уязвима к некоторым вариантам косвенных prompt injection. Лицензия обозначена в метаданных как other; README ограничивает применение исследованиями и разработкой.

OpenOrca-Platypus2-13B — слитая модель от Open-Orca и команды Platypus, объединяющая Platypus2-13B и OpenOrcaxOpenChat-Preview2-13B. Это плотная авторегрессионная языковая модель семейства Llama 2 с архитектурой LlamaForCausalLM и 12,9 млрд параметров; она принимает текст и генерирует текст. Нативная длина контекста — 4096 токенов. Модель рассчитана прежде всего на английский язык. Модель предназначена для генерации ответов по инструкциям и задач общего рассуждения. В обучении использованы наборы Open-Platypus со STEM- и логическими задачами, а также данные OpenOrca. В карточке приведены результаты на MMLU, ARC, HellaSwag, AGIEval и BigBench-Hard; это свидетельствует о проверке модели на знаниях и рассуждениях, но не гарантирует точность в прикладных сценариях. Модель может выдавать неточные, предвзятые или нежелательные ответы; тестирование проводилось на английском и не охватывает все сценарии. Лицензия репозитория — CC BY-NC 4.0, поэтому использование ограничено её условиями, включая некоммерческий характер.

Helsinki-NLP/opus-mt-en-itc — модель машинного перевода из проекта OPUS-MT на архитектуре Transformer Marian, разработанная Helsinki-NLP. Она переводит текст с английского на набор италийских и родственных языков, включая итальянский, испанский, французский, португальский, каталонский и румынский. Для выбора языка перевода перед текстом требуется специальный токен вида >>id<< с допустимым кодом целевого языка. Модель содержит 54,4 млн параметров, использует SentencePiece с обработкой нормализацией и рассчитана на контекст до 512 токенов. В метаданных указана поддержка английского и ряда языков назначения; README описывает также региональные языки и варианты. Доступны веса PyTorch и TensorFlow. Для контрольных наборов README приводит BLEU 38,0 и chrF2 0,588 в целом, однако качество зависит от языковой пары и домена текста. Модель распространяется по лицензии Apache-2.0.

Это модель машинного перевода OPUS-MT для перевода текста с английского на португальский, разработанная на базе Helsinki-NLP/opus-mt-tc-big-en-pt. Она использует архитектуру MarianMT и содержит 156,8 млн параметров; модель предназначена для работы через Transformers-совместимые инструменты Marian. Для неё указан контекст длиной до 1024 токенов и обучение на данных OPUS. Модель подходит для перевода документов, статей и пользовательских сообщений с английского на португальский. В карточке исходной модели приведены оценки BLEU 50,4 на flores101-devtest и 49,6 на tatoeba-test-v2021-08-07; эти результаты не проверялись независимо для данного репозитория. Качество может меняться в зависимости от тематики и стиля текста. Репозиторий содержит зеркальную публикацию исходных весов в safetensors без дополнительной конвертации или дообучения. Лицензия — CC BY 4.0.

gaudi/opus-mt-fr-en-ctranslate2 — конвертированная для CTranslate2 версия модели перевода Opus-MT с французского на английский, основанной на работе Helsinki-NLP. Она предназначена для машинного перевода текстов и ускоренного инференса на CPU и GPU через CTranslate2 и библиотеку hf-hub-ctranslate2. Модель использует архитектуру Marian encoder-decoder. CTranslate2 поддерживает оптимизации инференса, включая квантование весов и объединение слоёв; в карточке для CPU указан тип вычислений int8, для CUDA — int8_float16. Приведённые в README внутренние замеры сообщают об ускорении инференса в 6–10 раз относительно исходных чекпойнтов через Transformers, но также отмечают возможное снижение качества перевода примерно на 5%; эти результаты зависят от конфигурации. Репозиторий распространяется по лицензии Apache-2.0. Это конверсия существующей модели, а не самостоятельное дообучение.

Helsinki-NLP/opus-mt-tc-big-fr-en — модель машинного перевода проекта OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с французского на английский и подходит для перевода предложений и текстовых коллекций, в том числе в приложениях на базе Transformers. Модель построена на архитектуре Transformer-big и реализована как MarianMTModel. Веса исходно обучены средствами Marian NMT на данных OPUS с использованием конвейера OPUS-MT-train; токенизация выполняется SentencePiece. Размер модели — 155 млн параметров, родная длина контекста — 1024 токена. Модель принимает и выдаёт текст; поддерживаемая языковая пара — французский → английский. В карточке приведены результаты оценки на наборах Tatoeba, FLORES-101 и Multi30k. Модель распространяется по лицензии CC BY 4.0; при использовании авторы просят цитировать публикации OPUS-MT и Tatoeba Translation Challenge.

Orca 2 7B — языковая модель Microsoft на архитектуре LLaMA 2, дообученная на синтетических данных для усиления способностей к рассуждению. Модель содержит 6,6 млрд параметров, принимает текст и генерирует текст; длина контекста — 4096 токенов. Она предназначена для однократных ответов по пользовательским данным: рассуждений, понимания прочитанного, решения математических задач и суммаризации. Модель особенно ориентирована на рассуждение в zero-shot сценариях, но не оптимизирована для диалога и не обучалась с RLHF или DPO; для чат-применения или узкой задачи рекомендуется дополнительное дообучение. Это исследовательская модель, опубликованная для изучения, оценки и дальнейшей разработки небольших языковых моделей. Она может наследовать предвзятости и ограничения LLaMA 2, ошибаться или галлюцинировать; результаты требуют проверки, особенно в важных сценариях. Лицензия указана как other, поэтому перед использованием следует изучить условия в карточке модели.

Карточка модели Josephgflowers/Phi-3-mini-4k-instruct-Cinder-llamafied-with-16bit-GGUF на Hugging Face совпадает с карточкой Josephgflowers/Phi-3-mini-4k-instruct-Cinder-with-16bit-GGUF, поэтому описание составлено по ней. Josephgflowers/Phi-3-mini-4k-instruct-Cinder-with-16bit-GGUF — англоязычный чат-бот Cinder на основе Phi-3 Mini, доработанный для научных и образовательных бесед, общения и творческого исследования. В карточке указано, что дообучение включает данные о персонаже Cinder, вопросы и ответы по знаниям о мире и STEM, а также сокращённый набор данных Samantha, отредактированный для Cinder. Метаданные описывают плотную архитектуру Phi-3 с 3,7 млрд параметров и контекстом 4096 токенов; репозиторий содержит GGUF в формате F16 и safetensors, а модель поддерживает генерацию текста и код. Модель предназначена для диалогов и следования инструкциям, а компактный размер подходит для сценариев с ограничениями по памяти и задержке. В README также отмечены STEM-темы, математика, логика и программирование. Лицензия — MIT. Основное заявленное применение — английский язык. Качество на других языках может быть ниже; ответы могут содержать ошибки, выдуманные сведения, предвзятость или оскорбительный контент. Код и ответы в чувствительных областях требуют проверки; для высокорисковых сценариев нужны дополнительные меры оценки и защиты.

qwen3-4b-zhtw-translate — дообученная модель Qwen3-4B-Instruct-2507, созданная theblackcat102 для перевода с английского на естественный традиционный китайский Тайваня (臺灣正體). Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текст; максимальная длина контекста — 262 144 токена. Модель предназначена для локализации прозы, вопросов и ответов, технических текстов и комментариев в коде. Она обучена выдавать только перевод, использовать тайваньскую терминологию, сохранять Markdown, код, URL, заполнители и идентификаторы, а также оставлять пунктуацию и форматирование кода без изменений. Обучение включало дистилляцию поведения большой модели-учителя Gemma-4-27B и полное дообучение Qwen3 в формате инструкций и чата. Модель рассчитана на направление английский → традиционный китайский Тайваня; перевод из китайского и другие языки-источники не оценивались. Переводы для критически важных сценариев, особенно юридических и медицинских, следует проверять. Лицензия — Apache-2.0.

Qwen3Loop-0.6B-SFT-Deep-Supervision — языковая модель для диалоговой генерации текста, разработанная Lordnyx на базе архитектуры Qwen3Loop. В ней 507,9 млн физических параметров и рекуррентная схема повторного вычисления среднего блока слоёв; автор описывает её как модель с логической глубиной 56 слоёв. В карточке заявлены контекст до 40 960 токенов и обучение на 6 324 отобранных примерах с многоэтапными агентными и пошаговыми рассуждениями, включая задачи программирования. Модель предназначена для чата, рассуждений и генерации ответов на математические и программные запросы. В репозитории доступны веса Safetensors и варианты GGUF в форматах F16 и Q8_0; также приложен лёгкий зонд для выбора глубины вычислений. README приводит метрики и отдельные результаты тестов автора, которые не следует считать независимой оценкой качества. Модель распространяется по лицензии Apache-2.0. Ограничения: заявленные результаты основаны на ограниченном наборе обучения и тестировании автора; надёжность ответов и преимущество рекуррентной архитектуры могут зависеть от задачи и используемого движка.

sonoisa/t5-base-english-japanese — Sonoisa が開発した、英語と日本語の均衡コーパスで事前学習した T5（Text-to-Text Transfer Transformer）モデルです。モデルには約123,8百万のパラメータがあり、T5 の encoder-decoder アーキテクチャを使います。 学習データには英語・日本語版 Wikipedia、OSCAR の日本語コーパス、CC-100 の英語・日本語コーパスが含まれます。SentencePiece トークナイザーは byte-fallback に対応し、未知語の発生を実質的に抑えます. Модель предназначена для дальнейшей адаптации: для конкретной задачи требуется дообучение. После настройки её можно применять к задачам преобразования текста, например суммаризации, перевода или генерации ответов. Модель обучалась только на английском и японском языках. В README не приведены длина контекста и результаты бенчмарков. В выходах возможны смещения и вредное или неэтичное содержание, а точность и безопасность не гарантируются. Лицензия — CC-BY-SA 4.0; при использовании корпусов Common Crawl также нужно соблюдать их условия.

iarfmoose/t5-base-question-generator — модель генерации вопросов, разработанная на основе предобученной T5-base и дообученная на наборах SQuAD, CoQA и MSMARCO. Она принимает ответ и контекст в одной текстовой последовательности и генерирует предложение-вопрос в стиле задач на понимание прочитанного. Обучающая выборка содержала около 200 тысяч примеров. Модель подходит для автоматического создания вопросов с ответами, извлечёнными из текста, например для учебных материалов, тестов и систем проверки понимания текста. Лучше всего она работает, когда ответ представляет собой полное предложение; поддерживаются также отдельные слова и короткие фразы. Архитектура — T5 encoder-decoder, около 123,7 млн параметров, контекст до 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Генерация ориентирована на стиль SQuAD, CoQA и MSMARCO. Вопросы могут быть наводящими или отражать предвзятость исходного контекста; короткий или отсутствующий контекст и несоответствие ответа контексту могут привести к бессвязным вопросам. В предоставленных данных лицензия не указана.

BLOOM-1b1-intermediate — промежуточный контрольный чекпойнт семейства языковых моделей BLOOM, разработанного BigScience. Это плотная авторегрессионная Transformer-модель с декодером, предназначенная для генерации текста и дальнейшего дообучения под конкретные задачи. Модель выпущена в 2022 году; доступные промежуточные чекпойнты соответствуют разным шагам обучения. Для загрузки требуется библиотека Transformers, веса представлены в форматах PyTorch и Safetensors. Модель обучалась на многоязычных текстах и данных с кодом. Метаданные указывают поддержку языков, включая английский, арабский, бенгальский, испанский, французский, хинди, португальский, тамильский, урду, вьетнамский и китайский; русский среди перечисленных языков карточки отсутствует. Контекст — до 2048 токенов. Указанная в README архитектура и размер 176 млрд параметров относятся к BLOOM в целом и расходятся с идентификатором чекпойнта «1b1»; поэтому точный размер этой модели по предоставленным данным нельзя подтвердить. Чекпойнт подходит для исследований генерации текста и как основа для последующего дообучения; в метаданных также отмечена работа с кодом. Модель может выдавать фактически неверные сведения, повторяющийся или нерелевантный текст, а также стереотипный, оскорбительный или взрослый контент. Карточка предостерегает от применения в высокорисковых сценариях и для критически важных решений. Лицензия — BigScience BLOOM RAIL 1.0.

Brahmaputra 1 — текстовая генеративная модель, разработанная автором репозитория на основе dharun2049/kaveri-stgrpo-0.5b. Модель семейства Qwen2 с плотной архитектурой содержит 494 млн параметров и поддерживает контекст до 32 768 токенов. Для дообучения применялась контрастивная дистилляция знаний от учителя Qwen/Qwen3.8-27B: модель обучали оценивать варианты ответов в заданиях с выбором из нескольких вариантов и давать краткие объяснения. В обучении также использовали повторное предъявление примеров программирования на C++ для сохранения навыков базовой модели. Модель предназначена для диалоговых сценариев, ответов на вопросы с вариантами ответа и генерации текста, включая объяснения и код на C++. В README приведены результаты проверки точности на отложенном наборе внешних заданий с выбором ответа до и после дистилляции, однако этих данных недостаточно для вывода о широком превосходстве модели. Основной репозиторий содержит объединённую самостоятельную модель, а адаптер LoRA сохранён отдельно в ckd_adapter/. Модель распространяется по лицензии Apache-2.0.

Dualmind-Qwen-1.7B-Thinking — компактная диалоговая языковая модель, разработанная Convergent Intelligence LLC и дообученная методом SFT на базе DualMinded-Qwen3-1.7B. Модель Qwen3ForCausalLM содержит 1,7 млрд параметров и предназначена для генерации текста с развернутыми рассуждениями, самокоррекцией и последующим синтезом ответа. В обучении использованы отфильтрованные цепочки рассуждений Claude Opus 4.6 и набор LongWriter-6k; заявленная длина контекста составляет 40 960 токенов. Модель рассчитана на диалоговые сценарии, где полезны многошаговое обдумывание, пересмотр промежуточных выводов и подробные ответы. Карточка предлагает генерировать ответы длиной до 1024–2048 токенов и отмечает склонность модели к многофазным рассуждениям. Она не заявлена как специализированная модель для отдельной предметной области; поддержка в метаданных указана для английского языка. Лицензия — Apache-2.0.