I.5Создание и редактирование текста

DeepMount00/ModernBERT-base-ita — итальянская версия ModernBERT-base, двунаправленного энкодера Transformer для предсказания замаскированных токенов. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и принимает последовательности длиной до 8192 токенов. Вариант подготовлен для итальянского языка; исходный ModernBERT обучался преимущественно на английском тексте и коде. Модель подходит для заполнения пропусков в тексте и может служить энкодером для задач поиска и классификации длинных документов. В README описаны для семейства ModernBERT RoPE, чередование локального и глобального внимания и оптимизации Flash Attention и unpadding. Репозиторий содержит веса Safetensors, использовать их можно через библиотеку Transformers. Модель распространяется по лицензии Apache-2.0. Среди ограничений — возможное снижение качества на языках, отличных от итальянского, а обработка последовательностей, близких к максимальной длине, может быть медленнее коротких входов.

NG-ng/multi-science-reasoner-model — дообученная NG-ng языковая модель семейства Qwen2, основанная на unsloth/qwen2.5-3b-instruct-unsloth-bnb-4bit. Модель предназначена для генерации текста и диалогового взаимодействия; карточка указывает на обучение с использованием Unsloth и библиотеки TRL. Модель имеет плотную архитектуру Qwen2ForCausalLM и 3,1 млрд параметров, поддерживает контекст до 32 768 токенов и принимает текст на английском языке. В метаданных также указана возможность интерфейса вызова инструментов. Специализация на научном рассуждении отражена в названии, однако карточка не приводит конкретных оценок или подтверждения качества в научных задачах. Лицензия — Apache-2.0.

Nex-N2.5-mini-Uncensored-GGUF — это набор GGUF-квантизаций модели Nex-N2.5-mini, опубликованный OrcaRouter на основе модели Nex-AGI. Версия является abliterated-сборкой с существенно удалённым механизмом отказов и предназначена прежде всего для исследований интерпретируемости, безопасности ИИ, изучения механизмов отказа, red teaming, оценки устойчивости и контролируемых экспериментов. Модель представляет собой мультимодальную agentic Mixture-of-Experts-систему на архитектуре Qwen3.5-MoE: 35 млрд параметров, около 3,5 млрд активных на токен, 256 маршрутизируемых экспертов с выбором top-8 и одним общим экспертом. Используется гибридное соотношение 3:1 между gated delta-net linear attention и full attention, встроенная vision-башня Qwen3-VL и контекст до 262 тысяч токенов. Поддерживаются английский и китайский языки, работа с текстом и изображениями, а также сценарии computer use и function calling. Файлы рассчитаны на запуск в llama.cpp на CPU, CUDA, Metal и ROCm; доступны квантизации от 2 до 8 бит с importance matrix, а для vision требуется отдельный файл mmproj. К сильным сторонам относятся большой контекст, мультимодальность, MoE-архитектура с низким числом активных параметров и широкий выбор квантизаций, включая рекомендуемую 4-битную IQ4_XS. Ограничения включают заметное падение качества на наиболее агрессивных квантизациях, необходимость свежей версии llama.cpp с поддержкой архитектуры qwen35moe и отсутствие MTP-головы, поэтому speculative decoding через MTP недоступен. Из-за удаления защитных механизмов модель может выполнять вредоносные, незаконные и опасные запросы и не имеет значимых встроенных ограничений безопасности; её не следует использовать в production или напрямую предоставлять конечным пользователям без собственных систем модерации и защиты от злоупотреблений. Лицензия — Apache 2.0, унаследованная от базовой модели.

NorMistral-11B-warm — большая языковая модель, разработанная Language Technology Group Университета Осло в сотрудничестве с NORA.LLM. Она входит в семейство NORA.LLM и создана на основе Mistral-Nemo-Base-2407 посредством дополнительного предобучения на 250 млрд субтокенов. Модель предназначена прежде всего для исследовательских задач, связанных с генерацией и обработкой текста, включая перевод и работу со скандинавскими языками, саамскими языками, английским языком и программным кодом. Модель использует архитектуру Mistral с 40 слоями Transformer, 11,4 млрд параметров, скрытым размером 5120, механизмами RMSNorm, SwiGLU, rotary positional embeddings и grouped-query attention. В словаре 51 200 токенов; специализированный токенизатор уменьшает количество токенов на слово по сравнению с исходной моделью, что может ускорять инференс на целевых языках. Обучение сочетает causal language modeling и masked next-token prediction, поэтому модель может использоваться как генеративная causal-модель и как двунаправленная encoder-модель. README не указывает размер контекстного окна. Сильными сторонами модели являются адаптация к Bokmål, Nynorsk и Northern Sámi, поддержка Danish, Swedish, Icelandic, Faroese и English, а также обучение на сбалансированном многоязычном корпусе с повторным использованием данных малоресурсных языков. При этом модель не дообучалась для следования инструкциям и может генерировать вредоносные продолжения при неподходящих запросах, поэтому не предназначена для неконтролируемого пользовательского применения. Весы распространяются по лицензии Apache-2.0, однако разработчики не заявляют права на все данные обучающей коллекции.

InternVL3_5-30B-A3B-GGUF — квантизированная версия мультимодальной модели InternVL3.5-30B-A3B, разработанной OpenGVLab. Сборка подготовлена bartowski в формате GGUF с использованием llama.cpp и imatrix-квантизации. Модель предназначена для задач image-text-to-text: обработки изображений совместно с текстовыми запросами и генерации текстовых ответов. Она рассчитана на запуск через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от BF16 и Q8_0 до более компактных IQ3 и Q3, с размером файлов примерно от 13,43 до 61,10 ГБ. Для большинства сценариев автор сборки рекомендует варианты Q4_K_M, Q5, Q6 и другие варианты с соответствующим балансом качества и требований к памяти. Ключевое обозначение модели указывает на конфигурацию 30B-A3B, однако README не содержит подробностей об архитектуре, количестве активируемых параметров, размере контекста, поддерживаемых языках и точных характеристиках визуального энкодера. Более компактные квантизации снижают требования к оперативной памяти, но могут ухудшать качество ответов; низкобитные варианты предназначены для систем с ограниченными ресурсами. Формат промпта в README не указан, поэтому его следует уточнять на странице исходной модели. Лицензия в предоставленных данных не указана.

bartowski/OpenGVLab_InternVL3_5-38B-GGUF — это GGUF-квантизированная версия мультимодальной модели InternVL3_5-38B, разработанной OpenGVLab. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text, то есть обработки изображений и генерации текстовых ответов, а также может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. В репозитории доступны варианты от исходных BF16-весов размером 65,53 ГБ до сильно сжатых форматов Q2, Q3, IQ3 и Q4, а также более качественных Q5, Q6 и Q8. Размер файлов составляет примерно от 13,70 до 34,82 ГБ для квантованных вариантов. Версии Q4_K_M, Q5, Q6 и IQ4 обозначены как рекомендуемые; Q4_K_M описан как вариант по умолчанию для большинства сценариев, а Q6_K и Q6_K_L — как варианты с очень высоким качеством. Более компактные Q3 и Q2 экономят оперативную память, но имеют заметно более низкое качество. README не содержит сведений о размере контекстного окна, поддерживаемых языках, деталях архитектуры, точном формате запросов или лицензии. Поэтому эти характеристики и юридические условия использования необходимо уточнять на странице исходной модели OpenGVLab/InternVL3_5-38B.

Helsinki-NLP/opus-mt-es-ar — модель машинного перевода из семейства OPUS-MT, опубликованная Helsinki-NLP. Она переводит текст с испанского на арабский и основана на архитектуре Transformer, реализованной как MarianMTModel. Модель содержит 57,2 млн параметров; для обработки текста использует нормализацию и SentencePiece с словарями размером 32 тыс. токенов. Контекст — до 512 токенов. Модель подходит для перевода предложений и текстов с испанского на арабский. В README указан тестовый результат на Tatoeba: BLEU 20,0 и chr-F 0,517. Для выбора варианта целевого языка перед текстом требуется языковой маркер вида `>>id<<`; README перечисляет варианты арабского, включая apc, ara и arq. Репозиторий содержит форматы PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-grk-en — модель машинного перевода из серии OPUS-MT, разработанной Helsinki-NLP. Она переводит текст с греческих языков на английский: поддерживаются современный греческий и древнегреческий. Модель построена на архитектуре Transformer и использует нормализацию текста и SentencePiece с словарями по 12 тысяч токенов; размер — 36,6 млн параметров, длина контекста — до 512 токенов. Модель предназначена для перевода отдельных фраз и текстов. В README приведены тестовые результаты BLEU 65,9 для современного греческого и 4,1 для древнегреческого на наборах Tatoeba, что указывает на заметно различающееся качество для этих вариантов языка. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP разработала opus-mt-ROMANCE-en — модель машинного перевода на архитектуре Transformer, реализованная как MarianMTModel. Она переводит на английский с французского, испанского, португальского, итальянского, румынского и ряда других романских языков и их региональных вариантов. Модель содержит 58,4 млн параметров, использует нормализацию и SentencePiece, а её контекст составляет 512 токенов. Модель предназначена для автоматического перевода текстов с перечисленных исходных языков на английский. В карточке приведён результат BLEU 62,2 на тестовом наборе Tatoeba.fr.en; этот показатель относится к указанному тесту и не гарантирует такое же качество на других данных. Доступна под лицензией Apache-2.0.

OPUS-MT — модель нейронного машинного перевода, разработанная группой Language Technology Research Group Хельсинкского университета. Она переводит с множества исходных языков на немецкий, английский и нидерландский; для каждого запроса целевой язык задаётся специальной меткой. Модель построена на архитектуре Marian Transformer-big и содержит 160,5 млн параметров. Она доступна через Transformers в форматах PyTorch и safetensors; размер её контекста — до 1024 токенов. Модель предназначена для перевода текстов на три целевых языка, в том числе для работы с языками с ограниченными ресурсами. Однако объём обучающих данных для многих языковых пар мал, поэтому качество сильно различается, а некоторые пары могут работать неудовлетворительно или не работать вовсе. Модель выпущена под лицензией Apache-2.0.

Helsinki-NLP/opus-mt-tc-big-zlw-en — модель машинного перевода проекта OPUS-MT, разработанная на основе Marian NMT и преобразованная для использования с библиотекой Transformers. Она переводит тексты с западнославянских языков на английский: чешского, нижнелужицкого, верхнелужицкого и польского. Архитектура — Transformer-big на базе Marian, размер — 160,2 млн параметров; для токенизации используется SentencePiece. Максимальная длина контекста — 1024 токена. Модель предназначена для автоматического перевода предложений и текстов, в том числе в приложениях на Transformers. Она обучена на данных OPUS с применением процедур OPUS-MT-train; в README приведены результаты тестирования для чешского и польского языков. Репозиторий доступен в форматах PyTorch, SafeTensors и TensorFlow. Лицензия — CC-BY-4.0, при использовании авторы просят цитировать публикации проекта.

Platypus2-70B-instruct — англоязычная авторегрессионная языковая модель на архитектуре LLaMA 2, созданная объединением Platypus2-70B от Cole Hunter и Ariel Lee с Llama-2-70b-instruct-v2 от upstageAI. Модель насчитывает 68,7 млрд параметров, принимает текстовые инструкции и генерирует текст; её контекст составляет 4096 токенов. Модель предназначена для ответов на инструкции и задач рассуждения, в том числе по STEM-темам и логике. Для Platypus2-70B использовался датасет Open-Platypus, а в метаданных также указан OpenOrca. Оценка проводилась на английском языке; результаты включают ARC, HellaSwag, MMLU и TruthfulQA. Модель может выдавать неточные, предвзятые или нежелательные ответы, а испытания не охватили все сценарии применения. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях с указанием авторства.

yuxuanw8/qwen3b-rlcr-hotpot-racpo-v1-checkpoint-210 — текстовая генеративная модель на базе семейства Qwen с 3,1 млрд параметров, доступная для использования через библиотеку Transformers. По названию репозитория это контрольная точка, связанная с RLCR и RACPO и ориентированная на сценарии HotpotQA или многошаговых ответов на вопросы, однако README не содержит подробностей о разработчике, обучении, оценивании и точной базовой архитектуре. Модель поддерживает контекст до 32 768 токенов и относится к задачам генерации текста.

yuxuanw8/qwen3b-rlcr-hotpot-racpo-v1-checkpoint-240 — чекпойнт текстовой генеративной модели семейства Qwen с примерно 3,1 млрд параметров. Модель опубликована пользователем yuxuanw8 и предназначена для запуска через библиотеку Transformers. Название чекпойнта указывает на эксперименты с многошаговым рассуждением и вопросно-ответными задачами HotpotQA, однако README не содержит подробного описания обучения, архитектуры или результатов оценки. Модель поддерживает текстовый и conversational-сценарий использования, имеет контекст до 32 768 токенов и может применяться для генерации ответов, включая задачи, требующие последовательного анализа нескольких фрагментов информации. Метаданные не содержат подтверждённых языковых кодов, сведений о лицензии, датасетах, процедуре обучения или точных показателях качества, поэтому эти характеристики нельзя надёжно определить по доступным материалам. Ограничения включают неполную карточку модели, отсутствие описания рисков, тестов и рекомендаций по применению. Модель может генерировать фактически неверные ответы и не должна использоваться в критически важных решениях без проверки человеком; условия лицензирования необходимо уточнить отдельно.

Модель wordcab/t5-small-email-summarizer разработана командой Wordcab и дообучена на базе Falconsai/text_summarization, модели семейства T5. Она предназначена для суммаризации электронных писем на английском языке и создаёт краткие однострочные или подробные пересказы по режимам summarize_brief: и summarize_full:. Модель рассчитана на обработку деловой и неформальной переписки, включая тексты с опечатками, сокращениями и разным форматированием; её можно применять для управления почтовым ящиком, разбора приглашений на встречи, первичной сортировки обращений в поддержку и пересказа рассылок. В метаданных указаны 38,5 млн параметров, архитектура T5ForConditionalGeneration, библиотека Transformers и контекст длиной до 512 токенов. Модель принимает текст письма и генерирует текстовый пересказ. Лицензия — Apache 2.0. Модель ориентирована на английский язык; она может упускать нюансы длинных цепочек писем, а автор не рекомендует использовать её для пересказа юридических и медицинских документов.

TinyLlama-1.1B-Chat-v0.5 — компактная чат-модель семейства Llama, разработанная проектом TinyLlama. Она дообучена на базе TinyLlama/TinyLlama-1.1B-intermediate-step-955k-2T на наборе OpenAssistant/oasst_top1_2023-08-25 в формате ChatML. Модель имеет плотную архитектуру LlamaForCausalLM с 1 млрд параметров и контекстом до 2048 токенов; она использует архитектуру и токенизатор Llama 2 и совместима с экосистемой проектов для Llama. Модель предназначена для генерации текста в диалоге и может применяться в чат-ботах, прототипах ассистентов и других задачах, где важны небольшие требования к памяти и вычислениям. В метаданных указан английский язык. Модель распространяется в форматах PyTorch и safetensors под лицензией Apache-2.0.

Translate-15L — компактная многоязычная модель машинного перевода, разработанная WhirlwindAI и обученная на OPUS100. Она построена на архитектуре T5 с условной генерацией текста, содержит 38,5 млн параметров и принимает последовательности длиной до 512 токенов. Модель переводит между английским и 14 другими языками, включая русский, испанский, французский, немецкий, китайский и японский, в обоих направлениях. Она рассчитана на быстрый вывод и компактное развертывание в многоязычных приложениях. В карточке приведены результаты BLEU для нескольких языковых пар; отмечено, что лучше всего модель работает с распространёнными европейскими языками. Для малоресурсных языков качество ограничено. Модель распространяется по лицензии Apache-2.0.

WindyTranslate/translate-en-roa — модель машинного перевода от Windstorm Labs, созданная на основе Helsinki-NLP/opus-mt-en-roa. Это MarianMTModel с 54,2 млн параметров и контекстом до 512 токенов. Модель принимает английский текст и переводит его на романские языки и их разновидности (roa); доступно только направление с английского. Веса дообучены методом LoRA на параллельном корпусе, а адаптер объединён с базовыми весами. Модель распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Качество этой версии пока не оценивалось; факт изменения весов не подтверждает качество перевода.

Transync — мультиязычная модель машинного перевода на архитектуре MBart, предназначенная для локальной работы без подключения к интернету. Её можно использовать для перевода между более чем 50 языками, включая основные языки Индии, а также для пакетной обработки текстов через интерфейс командной строки. Модель поддерживает запуск на CPU и GPU. Модель построена на архитектуре MBart с кодировщиком и авторегрессионным декодировщиком; для токенизации используется SentencePiece в формате, совместимом с MBart50. В репозитории представлены веса PyTorch и safetensors. Размер модели — около 457,4 млн параметров, длина контекста — 1024 токена. Лицензия MIT разрешает использование в соответствии с её условиями. Качество зависит от языковой пары, поэтому перед применением в производственных сценариях его следует оценить на целевых текстах. Скорость и практический предел длины входа зависят от оборудования и длины текста.

Tri-1.8B Translation — компактная мультиязычная модель перевода от Trillion Labs. Она основана на плотной архитектуре Llama с причинным языковым моделированием и содержит около 1,5 млрд параметров по метаданным (в README заявлено около 1,8 млрд). Модель поддерживает перевод во всех направлениях между английским, корейским, японским и китайским языками; для работы используется краткая инструкция с указанием исходного и целевого языков. Контекст составляет 16 384 токена. Модель прошла предварительное обучение и supervised fine-tuning, а также дистиллирована из более крупной Tri-21B для компактного развёртывания, в том числе на одной GPU. Её можно адаптировать к предметной области с помощью дообучения или лёгких адаптеров. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия Apache-2.0.

WideSeek-SFT-4B — языковая модель семейства Qwen3, дообученная командой WideSeek-R1 на наборе WideSeek-R1 SFT Data. Она предназначена для генерации текста в диалогах и работы с многоходовыми траекториями агентов для задач с широкой или глубокой структурой. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Модель подходит для экспериментальных агентных сценариев, где требуется вести диалог и последовательно обрабатывать этапы задачи. Она принимает и генерирует текст; карточка не сообщает о специализированной поддержке конкретных естественных языков. Распространяется по лицензии Apache-2.0.

X-ALMA — мультиязычная модель для машинного перевода, разработанная Haoran Xu и соавторами. Она расширяет ALMA-R с 6 до 50 языков и включает предобученную базовую модель X-ALMA и языковые модули, которые подключаются по мере необходимости. Это плотная авторегрессионная модель класса XALMAForCausalLM на 12,9 млрд параметров, рассчитанная на контекст до 4096 токенов; веса опубликованы в формате safetensors. Модель предназначена прежде всего для перевода между поддерживаемыми языками, включая русский, английский, китайский, японский, арабский и многие другие. В README также упоминается возможность открытых многоязычных ответов на вопросы. Карточка сообщает о высоком качестве перевода, в том числе для языков с ограниченными ресурсами, однако независимые показатели качества здесь не приведены. Модель дообучена на базе haoranxu/X-ALMA-13B-Pretrain с использованием корпусов OSCAR, NLLB и OPUS-100. Лицензия — MIT.

BanglaT5 small — предварительно обученная модель семейства T5, разработанная исследователями CSE BUET для работы с бенгальским языком. Это последовательностная модель типа encoder-decoder на 38,5 млн параметров, обученная на задаче восстановления скрытых фрагментов текста. Контекст модели составляет 512 токенов. Чекпойнт предназначен для дообучения под задачи генерации текста на бенгальском языке, включая машинный перевод, абстрактивное суммирование, ответы на вопросы, многоходовый диалог и создание новостных заголовков. Для лучшего результата перед токенизацией рекомендуется применять использованный авторами конвейер нормализации бенгальского текста. Сильная сторона модели — компактный размер при специализации на бенгальском языке; опубликованные авторами результаты относятся к версиям, дообученным для конкретных задач. Сам исходный чекпойнт является базовой предварительно обученной моделью и сам по себе не гарантирует качество на этих задачах без дополнительного дообучения. Сведения о лицензии в предоставленных источниках отсутствуют.

yanekyuk/bert-uncased-keyword-extractor — модель на базе BERT, дообученная для извлечения ключевых слов из текста. Она выполняет токенную классификацию: каждому токену присваивается метка, позволяющая выделять ключевые слова. Модель содержит 136,7 млн параметров, принимает текст длиной до 512 токенов и доступна в формате PyTorch. Модель рассчитана на англоязычный текст. Её можно применять для автоматического выделения ключевых слов в документах и фрагментах текста. В README приведены результаты оценки: precision 0,8547, recall 0,8825, accuracy 0,9741 и F1 0,8684; обучающий датасет не описан. Модель распространяется по лицензии Apache-2.0. Качество на других типах текстов и языках не подтверждено; из-за отсутствия сведений о датасете и предназначенных сценариях следует проверять результаты на собственных данных.

almanach/camembertav2-base-pawsx — франкоязычная модель классификации текста, разработанная Виссамом Антуном из Almanach, Inria-Paris. Это дообученная для распознавания перефразировок модель DeBERTa-v2 с 138,4 млн параметров и контекстом до 1024 токенов. Она определяет, выражают ли две фразы или предложения одинаковый смысл, и предназначена для классификации французского текста. Модель обучена на FLUE-PAWS-X и показала точность 0,93511 на этом наборе данных. Лицензия MIT. Результаты могут зависеть от обучающих данных, а качество на других наборах данных и задачах может быть ниже.

Cohere и Cohere Labs разработали Command A Translate — языковую модель на 111 млрд параметров, предназначенную прежде всего для перевода. Это авторегрессионная модель на оптимизированной архитектуре Transformer, дообученная с помощью supervised fine-tuning и обучения на предпочтениях. Она принимает текст и генерирует текст; заявлена поддержка 23 языков и контекст до 8 тыс. токенов на входе и 8 тыс. на выходе. Модель подходит для перевода между поддерживаемыми языками и для исследовательских экспериментов с качеством машинного перевода. По карточке модели она показывает передовые результаты в качестве перевода. Для запуска через Transformers требуются изменения из исходного репозитория библиотеки. Веса опубликованы для исследований. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование; также необходимо соблюдать политику допустимого использования Cohere Labs. Для коммерческого применения Cohere предлагает обратиться в отдел продаж.

baffo32/decapoda-research-llama-7B-hf — конвертированная версия базовой модели LLaMA 7B, подготовленная для работы с Transformers и Hugging Face. Исходную модель разработала команда FAIR в Meta AI. Это авторегрессионная плотная языковая модель на архитектуре Transformer с примерно 6,6 млрд параметров; репозиторий содержит веса PyTorch. Модель предназначена для генерации текста и исследований языковых моделей. Её можно использовать как основу для экспериментов с ответами на вопросы, пониманием прочитанного и естественного языка. В обучающих данных преобладает английский, но в описании указаны также 20 языков, включая русский. Это базовая модель без обучения с обратной связью от человека: она может выдавать ошибочную, токсичную или предвзятую информацию и не предназначена для непосредственного применения в важных решениях без дополнительной оценки и мер снижения рисков. Лицензия специальная, некоммерческая; перед использованием следует ознакомиться с файлом LICENSE.

Falcon3-Mamba-R1-v0 — дообученная Ханзлой Джавайдом модель на основе tiiuae/Falcon3-Mamba-7B-Instruct для рассуждений и генерации текста. Это причинный декодер на архитектуре Mamba с 64 блоками и размером скрытого слоя 4096; в метаданных указано 8,9 млрд параметров. Архитектура Mamba масштабируется линейно с ростом числа токенов. Модель предназначена для математических и логических задач, структурированного решения проблем, ответов на STEM-вопросы и общего диалога. Модель ориентирована прежде всего на английский язык. В README приведены результаты MMLU 72,1 и GSM8K 89,5 в режиме 5-shot, однако это результаты авторской оценки. Это ранний чекпойнт конвейера дообучения. Производительность может снижаться при генерации длиннее 64 тысяч токенов; ответы следует проверять, особенно в критически важных сценариях. Лицензия в предоставленных данных не указана.

HelpingAI_Helpingai3-raw-GGUF — набор квантизированных моделей Helpingai3-raw, разработанной HelpingAI и подготовленной в формате GGUF пользователем bartowski. Квантизация выполнена с помощью llama.cpp b4925 и метода imatrix. Модель относится к генеративным языковым моделям и ориентирована на диалоговые сценарии с акцентом на эмоциональный интеллект, понимание эмоций и EQ-focused взаимодействие. Модель предназначена для текстовой генерации, conversational-приложений и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Заявлен английский язык. README не указывает архитектуру, число параметров, размер контекстного окна или поддержку мультимодальности, поэтому эти характеристики нельзя определить по имеющимся данным. Доступны варианты от F16 размером 20,62 ГБ до более компактных квантизаций Q2–Q8; высококачественные варианты Q5 и Q6 отмечены как рекомендуемые, а Q4_K_M описан как типичный вариант для большинства задач. Сильными сторонами являются возможность локального использования, широкий выбор уровней квантизации и специализация на эмоционально ориентированном диалоге. Более сильная квантизация обычно требует больше оперативной памяти, тогда как компактные варианты экономят ресурсы за счёт снижения качества; некоторые форматы обозначены как устаревшие или нерекомендуемые. Для работы следует использовать указанный chat-шаблон с токенами im_start и im_end. Модель распространяется по лицензии HelpingAI; в README приведена ссылка на условия лицензии: https://helpingai.co/license.

Карточка модели HuggingFaceM4/idefics-80b на Hugging Face совпадает с карточкой HuggingFaceM4/idefics-9b, поэтому описание составлено по ней. IDEFICS-9B — мультимодальная модель Hugging Face для работы с изображениями и текстом, созданная как открытая реализация подхода Flamingo. Она принимает текст вместе с одним или несколькими изображениями и генерирует текстовые ответы; без изображений может использоваться как языковая модель. Модель предназначена для визуальных вопросов и ответов, описания изображений и создания историй, связанных с несколькими изображениями. Архитектура объединяет визуальный энкодер CLIP ViT-H/14 и языковую модель LLaMA-65B, связанные новыми блоками Transformer с перекрёстным вниманием. В карточке указано 9 млрд параметров; метаданные репозитория сообщают 6,6 млрд. Модель рассчитана на английский язык, обучалась в том числе на наборах OBELICS, Wikipedia, PMD и LAION-2B-en, а длина контекста составляет 2048 токенов. Она демонстрирует возможности few-shot обучения на визуально-текстовых задачах и может служить основой для дообучения на пользовательских данных. Модель не генерирует изображения. Её ответы могут содержать фактические ошибки и вредные стереотипы, поэтому их следует проверять. Лицензия указана как other; карточка отсылает к отдельному разделу License для условий использования.