I.5Создание и редактирование текста

RoBERTaSense-FACIL — испанская модель классификации текста, разработанная группой Ontology Engineering Group при Политехническом университете Мадрида. Она оценивает, сохраняет ли адаптация исходного текста смысл, принимая на вход пару текстов: оригинал и версию на лёгком для чтения испанском языке (Easy-to-Read, E2R). Модель основана на RoBERTa, содержит около 151,8 млн параметров и классификационную голову с двумя метками. Контекст — до 514 токенов; при парной токенизации в карточке указано усечение до 512 токенов. Модель предназначена для автоматической проверки доступных адаптаций и как один из сигналов в конвейерах контроля качества. На отложенной выборке авторы сообщают accuracy 0,81, F1 0,84 и ROC-AUC 0,83. Она обучена на испанских парах текстов и может хуже работать на других жанрах и предметных областях; бинарная оценка упрощает пограничные случаи, поэтому для важных решений нужна проверка человеком. Базовая модель PlanTL-GOB-ES/roberta-base-bne объявлена устаревшей и больше не поддерживается. Лицензия модели — Apache-2.0.

SOVL — разговорная языковая модель ResplendentAI на архитектуре Llama 3, предназначенная для генерации текста в диалогах. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. В метаданных указано, что она создана слиянием моделей jeiku/Average_Test_v1 и ResplendentAI/RP_Format_QuoteAsterisk_Llama3; последняя также указана как дообученная модель в тегах карточки. Модель распространяется в формате Safetensors под лицензией Apache-2.0. Карточка не описывает специальные навыки, оценку качества или дополнительные ограничения; по имеющимся данным её можно использовать для обычных текстовых диалогов на английском языке.

STAR1-R1-Distill-1.5B — языковая модель UCSC-VLAA для генерации ответов с более безопасным поведением и сохранением возможностей рассуждения. Это плотная архитектура Qwen2 с 1,5 млрд параметров, дообученная на наборе STAR-1 из 1 000 примеров, отобранных и оценённых с помощью GPT-4o. Базовая модель — deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Модель предназначена для диалоговых сценариев, где важно учитывать требования безопасности при решении задач рассуждения, математики и программирования. В README заявлены улучшения на нескольких бенчмарках безопасности при минимальном влиянии на способности рассуждать. Модель принимает текст и генерирует текст; метаданные указывают контекст до 131 072 токенов и поддержку Transformers. Распространяется в формате safetensors по лицензии Apache-2.0. Результаты оценки описаны в README без численных показателей, поэтому степень улучшения безопасности и сохранения качества рассуждений по этим данным оценить нельзя.

TigerBot-7B-base-v1 — базовая языковая модель TigerResearch для генерации текста и дальнейшей настройки под пользовательские задачи. Она построена на плотной архитектуре BLOOM и содержит 9,1 млрд параметров; модель доступна в формате PyTorch и совместима с Transformers. Репозиторий распространяется по лицензии Apache-2.0. Модель предназначена для генерации продолжений текста и как основа для создания специализированных языковых моделей. README показывает загрузку токенизатора и причинной языковой модели через Transformers. В карточке нет сведений о поддерживаемых естественных языках, длине контекста или конкретных результатах оценки качества.

Tower-7B-Sep_2c1t — модель Unbabel TowerInstruct-Mistral-7B-v0.2, дообученная SardineLab полным супервизируемым fine-tuning для многоязычного машинного перевода на уровне фрагментов документов. При переводе текущего фрагмента модель принимает два предшествующих фрагмента исходного текста в отдельных секциях контекста, чтобы учитывать связность документа. Обучение проводилось на примерах sardinelab/DocBlocks с разбиением на фрагменты фиксированного диапазона 256–512 токенов. Модель построена на плотной архитектуре Mistral с 7,1 млрд параметров; максимальная длина контекста — 32 768 токенов. Она переводит между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским и китайским в обоих направлениях. Для наилучшего соответствия обучению следует передавать два предыдущих фрагмента отдельно и использовать полные английские названия языков в промпте. Модель предназначена для последовательного перевода документов с учетом контекста между фрагментами. Это генеративная модель, поэтому качество перевода и соблюдение границ фрагментов могут зависеть от промпта и входных данных. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на аналогичных условиях, но некоммерческое.

TranslateGemma 4B IT INT8 — это неофициальная конверсия модели Google TranslateGemma 4B IT из семейства Gemma 3 в формат OpenVINO IR с INT8-квантованием весов с помощью NNCF. Репозиторий light434 не дообучал модель, а выполнил экспорт исходного чекпойнта; модель не является оригинальным чекпойнтом Google и не связана с официальной поддержкой Google. Модель предназначена для текстового машинного перевода и поддерживает многоязычные сценарии, включая перевод между английским и хинди, а также другие языковые направления исходной TranslateGemma. Это генеративная text-to-text модель с контекстом до 2048 входных токенов и генерацией до 512 новых токенов в приведённой конфигурации. В поставку входят INT8-граф языка размером около 3,7 ГБ и INT8-модель текстовых эмбеддингов размером около 641 МБ. Для запуска используется OpenVINO GenAI на CPU или Intel GPU; NVIDIA CUDA не поддерживается. Ключевое преимущество версии — снижение требований к памяти и возможность эффективного запуска через OpenVINO. На подмножестве WMT24++ для направления en-es_MX указаны BLEU 34,83, chrF 62,1 и chrF++ 60,01 при жадной генерации, однако эти результаты нельзя напрямую обобщать на все языковые пары. Мультимодальный режим фактически недоступен: vision encoder SigLIP удалён, а vision-граф заменён заглушкой, поэтому передача изображений может привести к ошибкам или нехватке памяти. Для корректной остановки генерации требуется учитывать токен Gemma <end_of_turn>. Использование регулируется Gemma Terms of Use и политикой запрещённых применений Google. Также необходимо учитывать условия лицензии исходной модели; репозиторий не аффилирован с Google и не одобрен компанией.

YanoljaNEXT-Rosetta-12B-2510-i1-GGUF — это набор квантованных GGUF-версий модели YanoljaNEXT-Rosetta-12B-2510, подготовленный пользователем mradermacher. Модель предназначена прежде всего для задач перевода и поддерживает арабский, болгарский, китайский, чешский, датский, нидерландский, английский, финский, французский, немецкий, греческий, гуджарати, иврит, хинди, венгерский, индонезийский, итальянский, японский, корейский, персидский, польский, португальский, румынский, русский, словацкий, испанский, шведский, тагальский, тайский, турецкий, украинский и вьетнамский языки. В репозитории представлены варианты с разными типами квантования, включая IQ1–IQ4, Q2–Q6 и другие форматы, размером примерно от 3,4 до 10,6 ГБ. Это позволяет выбирать между требованиями к памяти, скоростью и качеством; автор указывает, что i1-Q4_K_M является быстрым рекомендуемым вариантом, а i1-Q4_K_S предлагает сбалансированное соотношение размера, скорости и качества. Низкобитные варианты могут заметно уступать по качеству. Архитектура, размер контекстного окна, мультимодальность и дополнительные характеристики в README не указаны. Лицензия модели обозначена как Gemma.

Kevincp560/bart-large-finetuned-pubmed — модель для суммаризации научных текстов из PubMed, созданная дообучением facebook/bart-large на наборе pub_med_summarization_dataset. Она построена на архитектуре BART и содержит 252,8 млн параметров; максимальная длина контекста — 1024 токена. Модель принимает текст и генерирует его краткое изложение. В карточке приведены результаты оценки на тестовой выборке: Loss 1,8135, ROUGE-1 10,946, ROUGE-2 5,0933, ROUGE-L 9,5608 и ROUGE-Lsum 10,4259. Эти значения сами по себе не позволяют судить о качестве без сведений о протоколе оценки и шкале. Модель распространяется под лицензией Apache-2.0.

dbmdz German BERT uncased — немецкоязычная модель BERT, выпущенная командой MDZ Digital Library Баварской государственной библиотеки. Это вариант без различения регистра, предназначенный для восстановления замаскированных слов и дальнейшей адаптации к задачам обработки немецкого языка. Модель содержит 137,1 млн параметров, использует архитектуру BERT для masked language modeling и принимает последовательности длиной до 512 токенов. Модель предварительно обучена на корпусе объёмом около 16 ГБ и 2,35 млрд токенов, включающем Википедию, EU Bookshop, Open Subtitles, CommonCrawl, ParaCrawl и News Crawl. Её можно применять для заполнения пропусков в немецком тексте и как основу для дообучения на задачах, например, распознавания именованных сущностей или разметки частей речи. Лицензия — MIT. Карточка перечисляет PyTorch, TensorFlow и Flax-версии весов.

dbmdz/bert-base-italian-cased — итальянская модель BERT от команды MDZ Digital Library Баварской государственной библиотеки. Это регистрозависимый энкодер с архитектурой BertForMaskedLM, предназначенный для заполнения пропусков в тексте и использования как языковая основа для последующих задач обработки итальянского языка. Модель содержит 137,1 млн параметров и поддерживает контекст до 512 токенов. Для обучения использованы итальянская Википедия и тексты из корпусов OPUS: корпус объёмом 13 ГБ и около 2,05 млрд токенов. Модель рассчитана на итальянский язык; регистр букв сохраняется. Подходит для предсказания замаскированных слов и адаптации в задачах вроде распознавания сущностей и разметки частей речи. Лицензия — MIT.

LangAGI-Lab/camel — диалоговая языковая модель на архитектуре Llama с 7,5 млрд параметров и контекстным окном 8192 токена. Она предназначена для генерации текста в формате чата и может использоваться в разговорных сценариях. Модель представлена в формате safetensors и распространяется по лицензии GPL. Карточка содержит фрагменты кода для настройки и определения агентов, однако не описывает дополнительные возможности модели.

Cerpen-7B-v0.1 — языковая модель на архитектуре Llama, разработанная для генерации творческих историй на индонезийском языке. Она дообучена на базе Yellow-AI-NLP/komodo-7b-base и содержит 6,6 млрд параметров; максимальная длина контекста составляет 4096 токенов. Модель предназначена для авторов, учащихся и других пользователей, которым нужно создавать рассказы на Bahasa Indonesia. Направление истории можно задавать тегами тем, стиля и других элементов: в README рекомендуется использовать примерно 3–6 тегов в формате [[tag]] перед разделом [[content]]. Модель распространяется по лицензии Llama 2. Результаты могут содержать фактические ошибки, предвзятые или оскорбительные высказывания; качество зависит от тегов и сложности запроса. Перед использованием текст следует критически оценивать.

deep-wizard-7B-slerp — объединённая языковая модель на архитектуре Llama, созданная с помощью mergekit на основе DeepSeekMath-7B-RL и DeepSeekMath-7B-Instruct, с DeepSeekMath-7B-Base в качестве общей базовой модели. Она предназначена для генерации текста и может применяться для решения математических задач и ответов в диалоговом формате. Модель содержит 6,5 млрд параметров, принимает текст и выдаёт текст; длина контекста составляет 4096 токенов. В конфигурации слияния использован метод dare_ties с весами 0,7 для RL-модели и 0,3 для Instruct-модели, плотностью 0,5 и типом данных bfloat16. Репозиторий распространяет веса в формате safetensors. Лицензия указана как other, поэтому условия использования следует сверять с лицензиями базовых моделей и файлами репозитория. Данных о поддерживаемых естественных языках нет.

DistilGPT2-TinyStories — языковая модель на архитектуре GPT-2, созданная дообучением DistilGPT2 на наборе TinyStories. Она предназначена для генерации коротких простых историй для детей и может использоваться для создания сюжетных заготовок и упражнений на творческое письмо. Модель работает с текстом, имеет контекстное окно 1024 токена и распространяется в формате safetensors по лицензии MIT. Размер базовой модели DistilGPT2 — 82 млн параметров.

Locutusque/Esmeralda-Gemma4-26B-A4B — дообученная Locutusque модель семейства Gemma 4 на базе unsloth/gemma-4-26b-a4b-it. Она предназначена для диалогов с текстом и изображениями: принимает текстовые запросы и изображения, а отвечает текстом. В карточке указано, что модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель представлена в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает конкретную специализацию или результаты оценки качества, поэтому модель можно характеризовать как универсальную мультимодальную диалоговую модель; отдельные преимущества и ограничения сверх доступных сведений определить нельзя.

Granite-7b-base — базовая предварительно обученная языковая модель из серии Granite, разработанная IBM Research и выпущенная по лицензии Apache-2.0 для коммерческого и некоммерческого использования. Она создана с нуля на данных, отобранных IBM, как открытая реализация архитектурного варианта Llama 2 7B. Модель имеет плотную архитектуру LlamaForCausalLM примерно на 6,6 млрд параметров, использует токенизатор Llama 2 и обрабатывает контекст длиной до 4096 токенов. Она рассчитана прежде всего на английский язык и предназначена для генерации текста и дальнейшей адаптации под прикладные задачи. Обучение проведено на 2 трлн токенов; карточка приводит результаты оценок на MMLU и ARC. Это базовая модель без настройки на инструкции и без выравнивания безопасности, поэтому ответы могут быть небезопасными или фактически неверными. Для применения в диалоге или чувствительных сценариях потребуется дополнительная настройка и проверка результатов.

Human-Like-Mistral-Nemo-Instruct-2407 — текстовая диалоговая модель на архитектуре Mistral, созданная дообучением Mistral-Nemo-Instruct-2407 с помощью LoRA и Direct Preference Optimization (DPO). Разработчики настроили её на более естественные, связные и разговорные ответы с эмоционально чутким тоном. Модель предназначена для диалоговых ассистентов и генерации ответов в повседневных беседах на разные темы. Для общения используется шаблон Mistral-Nemo; карточка указывает поддержку английского языка. Размер модели — 12,1 млрд параметров, заявленная длина контекста — 1 024 000 токенов. Доступна в формате safetensors и рассчитана на Transformers. В описанном сравнении улучшились отдельные показатели, включая MuSR, но снизились средние результаты и показатели IFEval относительно базовой модели; качество следования инструкциям может быть слабее. Модель распространяется по лицензии Apache-2.0.

Это зеркальная копия модели Tencent HY-MT1.5-1.8B, подготовленная Kaption для загрузки в приложениях Kaption. Файл GGUF побайтно совпадает с указанной в карточке upstream-версией; модель предназначена для перевода между языками. Базовая модель описана как компактная система с поддержкой 33 языков, контекста, терминологии и форматированного вывода. В репозитории размещена квантизированная версия в формате GGUF с 1,25-битным представлением STQ, созданная AngelSlim. Лицензия в метаданных обозначена как other; более точные условия из предоставленных сведений установить нельзя.

mlx-community подготовила вариант переводческой модели Tencent Hunyuan Hy-MT2-1.8B для MLX. Это плотная авторегрессионная модель с 1,8 млрд параметров; данный репозиторий содержит веса bf16, преобразованные из официального чекпойнта и предназначенные для запуска через mlx-lm на Apple Silicon. Указанная в метаданных длина контекста — 262144 токена. Модель предназначена для перевода между языками: ей можно передать текст и инструкцию с целевым языком, чтобы получить перевод. В карточке заявлена многоязычность, но конкретные языки не перечислены. Лицензия — Apache 2.0. Карточка рекомендует этот вариант как базовый чекпойнт для Apple Silicon; запуск на Linux CPU может быть слишком медленным для практических запросов.

Hy-MT2-7B MLX — созданная Tencent Hunyuan многоязычная модель перевода, представленная сообществом mlx-community в формате MLX для запуска через mlx-lm на Apple Silicon. Это плотная причинная языковая модель на 7,5 млрд параметров; данная версия содержит веса bfloat16 и является вариантом по умолчанию с более высоким качеством и повышенными требованиями к памяти. Длина контекста составляет 262 144 токена. Модель предназначена для перевода текста между языками. В README приведён пример перевода с японского на английский; метаданные указывают на многоязычную поддержку, но конкретный перечень языков не приводится. Лицензия Apache-2.0. Репозиторий содержит конвертированные из официального чекпойнта веса MLX и связан с Tencent-Hunyuan/Hy-MT2-7B как производная модель.

IndicTrans2 Indic-En 1.1B — модель машинного перевода от AI4Bharat, предназначенная для перевода с индийских языков на английский. Карточка сообщает, что это вариант семейства IndicTrans2 с 1,1 млрд параметров; модель использует текстовый формат «текст на входе — текст на выходе» и обучалась с использованием наборов данных FLORES-200, IN22-Gen и IN22-Conv. Модель подходит для перевода текстов с поддерживаемых индийских языков на английский. В тегах карточки перечислены ассамский, бенгальский, бодо, догри, английский, конкани, гуджарати, хинди, каннада, кашмири, майтхили, малаялам, манипури, маратхи, непальский, одиа, пенджаби, санскрит, сантали, синдхи, тамильский, телугу и урду; основной сценарий — перевод на английский. Для этого варианта в README не указана длина контекста; упомянутые там модели RoPE-IT2 с контекстом до 2048 токенов являются отдельными моделями. Модель распространяется по лицензии MIT.

Jamba-v0.1 — базовая предварительно обученная языковая модель компании AI21 для генерации текста и разработки специализированных решений. Она построена на гибридной архитектуре Joint Attention and Mamba с механизмом смеси экспертов (MoE). В README указаны 52 млрд параметров суммарно и 12 млрд активных параметров; метаданные Hugging Face указывают 7,2 млрд параметров. Модель работает с контекстом до 256 тысяч токенов и распространяется в формате safetensors через библиотеку Transformers. Модель предназначена для генерации продолжений текста, а также как основа для дообучения под пользовательские сценарии, включая создание чат- и instruct-версий. Архитектура рассчитана на высокую пропускную способность по сравнению с традиционными Transformer-моделями; в README приведены результаты на стандартных бенчмарках. Для оптимизированного запуска требуются CUDA и соответствующие Mamba-ядра; без них задержки значительно выше. Jamba-v0.1 не настроена на выполнение инструкций и диалоговое общение, не содержит встроенных механизмов модерации и требует добавления BOS-токена к запросам. Лицензия — Apache 2.0.

KONI-Llama3.1-8B-Instruct-20241024 — специализированная разговорная языковая модель, разработанная Корейским институтом науки и технологий информации (KISTI) для работы с научными и техническими темами. Модель основана на KONI-Llama3.1-8B-Merged-20240830, объединяющей Meta-Llama-3-8B и KONI-Llama3.1-8B-20240824, и содержит 7,5 млрд параметров. Для настройки применялись supervised fine-tuning на примерно 11 тысячах примеров и direct preference optimization на примерно 7 тысячах примеров. Модель предназначена для диалоговых ответов, помощи в исследованиях и работе с научно-техническими вопросами. В карточке приведены результаты LogicKor по рассуждению, математике и письму; также заявлена улучшенная производительность относительно первоначальной версии. Модель поддерживает корейский язык и контекст до 131 072 токенов, использует архитектуру Llama и формат safetensors. Модель распространяется по лицензии Llama 3.1. Результаты бенчмарка приведены для LogicKor и сами по себе не гарантируют качество в других сценариях; в карточке также не приведены подробности о составе специализированного корпуса.

Konkani Qwen2-1.5B — языковая модель, разработанная Nischay Mandrekar на основе Qwen/Qwen2-1.5B. Модель прошла продолженное предварительное обучение на 300 тысячах фрагментов текстов на конкани и supervised fine-tuning на 13 417 парах инструкций и ответов. Это плотная авторегрессионная модель Qwen2 на 1,5 млрд параметров с контекстом до 131 072 токенов, предназначенная для генерации текста и диалога. Модель ориентирована на гоанский диалект конкани в письме деванагари: она отвечает на вопросы о Гоа, его истории и культуре, поддерживает беседу на конкани, переводит с английского и хинди на конкани, а также пишет стихи, рассказы и описания мест и традиций. Лучше всего подходит для тем, связанных с Гоа и конкани; автор указывает на риск обрыва ответов и галлюцинаций в ответах о собственной идентичности, а также на отсутствие актуальной информации в реальном времени. Лицензия — Apache-2.0.

Azazelle/L3-Persephone-8B-v1.0 — языковая модель на архитектуре Llama, созданная слиянием предварительно обученных языковых моделей с помощью mergekit. По описанию разработчика, в состав слияния вошли модели с разными характеристиками и LoRA-слияния, после чего применялся ExPO; модель ориентирована на диалог и ролевые сценарии. Модель содержит 7,5 млрд параметров, принимает и генерирует текст и поддерживает контекст длиной до 8192 токенов. Для запуска в карточке рекомендуются настройки с температурой 1.0, TFS 0.85 и штрафом за повторы 1.1. Доступны веса в формате safetensors; библиотека для работы — Transformers. Модель распространяется по лицензии Llama 3. README не приводит результатов оценки качества или подробных ограничений по сценариям использования.

MADLAD-400-10B-MT — многоязычная модель машинного перевода на архитектуре T5, созданная исследовательской командой MADLAD-400; автор карточки jbochi конвертировал исходные веса. Модель обучена на 250 млрд токенов общедоступных данных и предназначена для перевода и многоязычных NLP-задач более чем на 400 языках. В репозитории представлены веса Safetensors и GGUF, а метаданные указывают около 2,4 млрд параметров и контекст 512 токенов. Модель можно применять для перевода текстов между языками, в том числе для языков, недостаточно представленных в крупных корпусах. Качество зависит от языка и, вероятно, от предметной области; оценка охватывала 204 языка и задачи машинного перевода и перевода по нескольким примерам. Обучающие веб-данные могут приводить к низкокачественным или проблемным ответам. Модель выпущена под лицензией Apache 2.0; карточка отмечает, что готовность к производственному использованию не оценивалась.

Mahou-1.3-yi-9B — разговорная языковая модель Flammen AI для диалогов и ролевых сценариев. Это плотная авторегрессионная модель архитектуры Llama с 8,6 млрд параметров, распространяемая в формате Safetensors и рассчитанная на контекст до 4096 токенов. Модель дообучена на flammenai/Mahou-1.2-yi-9B на наборе flammenai/MahouMix-v1; README указывает обучение в течение 10 эпох и формат диалога ChatML. Модель предназначена для генерации ответов в чатах и ролевых диалогах. Для ролевой записи README рекомендует оформлять речь без кавычек, а действия — между звёздочками. Указана лицензия Apache-2.0. Карточка описывает модель как ориентированную на готовое к применению общение, однако фактическое качество и поведение в конкретных сценариях могут различаться.

Карточка модели MergekitCloud/mergekit-74 на Hugging Face совпадает с карточкой MergekitCloud/mergekit-73, поэтому описание составлено по ней. MergekitCloud/mergekit-73 — объединённая языковая модель на основе Llama 3.1, созданная с помощью mergekit методом Model Stock. В слияние вошли четыре модели для диалогов и ролевого общения; базовой указана vicgalle/Humanish-Roleplay-Llama-3.1-8B. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и предназначена для генерации текста в формате диалога. Заявленная длина контекста — 131 072 токена. Модель подходит для ведения диалогов и ролевых сценариев, в том числе с более свободными ответами. README не приводит результаты оценки качества или подробностей о поддерживаемых языках. В репозитории указаны веса safetensors; библиотека для работы — Transformers. Условия лицензирования в предоставленных данных не описаны.

Helsinki-NLP/opus-mt-en-tn — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с английского языка на тсвана (Setswana) и предназначена для автоматического перевода фраз и документов в прикладных системах. Модель построена на архитектуре Transformer-align, использует нормализацию текста и токенизацию SentencePiece; в метаданных указаны 54,5 млн параметров и контекст длиной 512 токенов. Доступны веса в форматах PyTorch и TensorFlow. Модель обучена на данных OPUS. В README приведены результаты на тестовом наборе JW300.en.tn: BLEU 45,5 и chr-F 0,636. Поддерживается направление перевода только с английского на тсвана. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-en-zle — модель машинного перевода из проекта OPUS-MT, опубликованная Helsinki-NLP. Это трансформер Marian с 56,7 млн параметров, предназначенный для перевода с английского на восточнославянские языки: белорусский, русский, украинский, русинский, старославянский и латинизированный белорусский. Для выбора целевого языка в начале входа требуется специальный токен вида >>id<<; модель использует нормализацию и SentencePiece с словарями по 32 тыс. токенов. Модель принимает текст на английском и генерирует перевод на выбранном восточнославянском языке. В README приведены результаты на тестовых наборах англо-русского перевода, включая BLEU 27,4 для newstest2012. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — Apache-2.0. Качество зависит от языка, тематики и формулировки исходного текста; результаты тестов англо-русского перевода не характеризуют одинаково качество для всех целевых языков. Нативный контекст ограничен 512 токенами, поэтому длинные тексты могут потребовать разбиения на фрагменты.