I.5Создание и редактирование текста

Helsinki-NLP/opus-mt-ine-ine — модель машинного перевода из проекта OPUS-MT, построенная на архитектуре Transformer и реализованная как MarianMTModel. Она переводит между многочисленными индоевропейскими языками: язык цели задаётся начальным токеном вида >>id<<. Модель использует нормализацию текста и SentencePiece с моделью словаря spm32k; размер составляет 47 млн параметров, контекст — до 512 токенов. Доступны веса в форматах PyTorch и TensorFlow. Модель подходит для перевода предложений и коротких текстов между поддерживаемыми языками, включая европейские языки, русский, хинди и бенгальский. README приводит тестовые оценки на отдельных языковых парах; результаты различаются по парам и наборам данных, поэтому качество для конкретного направления следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

Xenova/opus-mt-ko-en — модель машинного перевода с весами в формате ONNX, предназначенная для использования через Transformers.js. Она основана на модели Helsinki-NLP/opus-mt-ko-en, разработанной Helsinki-NLP, и переводит текст с корейского языка на английский. Основной сценарий применения — веб-приложения и другие среды, совместимые с Transformers.js. В карточке указано, что репозиторий содержит ONNX-веса для запуска модели в Transformers.js; сведения о размере, архитектуре, максимальной длине контекста и точных характеристиках качества не приведены. Ключевое преимущество — готовность к использованию в JavaScript- и web-сценариях без применения исходного формата весов. Ограничения, условия лицензирования и дополнительные модальности в предоставленных данных не указаны.

Helsinki-NLP/opus-mt-tc-bible-big-gem-deu_eng_fra_por_spa — модель машинного перевода проекта OPUS-MT, разработанного группой Language Technology Research Group Хельсинкского университета. Это модель MarianMT на базе архитектуры Transformer-big, содержащая 150,7 млн параметров и принимающая текст для перевода с германских языков на немецкий, английский, французский, португальский или испанский. Для выбора целевого языка используются специальные метки; доступные языки-источники перечислены в карточке модели. Модель подходит для перевода текстов между германскими языками и пятью целевыми языками, в том числе для пакетного перевода и интеграции в приложения на Transformers. Контекст ограничен 1024 токенами. Веса доступны в форматах PyTorch и Safetensors; модель преобразована из Marian NMT для Transformers. Лицензия Apache-2.0. Карточка указывает на обучение на данных OPUS, но не описывает специализацию именно на библейских текстах и не приводит оценки качества. Перевод может быть неточным, особенно для редких языков и текстов вне обучающих данных.

Модель OPUS-MT для машинного перевода с корейского языка на английский. Её разработала группа Language Technology Research Group Хельсинкского университета в рамках проекта OPUS-MT. Модель основана на архитектуре Marian transformer-big, содержит 133,4 млн параметров и обучена на данных OPUS с предварительной обработкой SentencePiece. Репозиторий содержит варианты весов для PyTorch, safetensors и TensorFlow; длина контекста — до 1024 токенов. Модель предназначена для перевода корейских предложений и текстов на английский. В карточке приведены результаты оценки на Tatoeba test 2021 и FLORES-101 devtest; качество зависит от тематики и особенностей исходного текста, поэтому для важных переводов нужна проверка человеком. Лицензия — CC-BY-4.0.

Helsinki-NLP/opus-mt-uk-pl — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с украинского на польский и предназначена для перевода отдельных фраз и текстов. Модель основана на архитектуре Marian Transformer с выравниванием, содержит 57,2 млн параметров и использует предварительную обработку с нормализацией и SentencePiece; размер контекста — 512 токенов. В карточке приведён результат BLEU 49,9 на тестовом наборе Tatoeba-test.ukr.pol. Модель поддерживает только направление украинский → польский. Распространяется по лицензии Apache-2.0.

Это исследовательский контрольный чекпойнт на базе LED-base для суммаризации совещаний и диалогов. Модель разработана и опубликована Immich; она обучена на подходящем подмножестве AMI Meeting Corpus с seed 73. Вариант baseline предназначен для суммаризации полной записи совещания или для иерархического конвейера сегментации, извлечения и генерации. Модель построена на архитектуре LED и содержит 95,2 млн параметров. Она принимает текст и генерирует текстовое резюме; для загрузки указаны Transformers и AutoModelForSeq2SeqLM. Репозиторий содержит веса safetensors. Лицензия — MIT. Карточка описывает конкретный экспериментальный baseline и не приводит оценок качества или подробностей о поддерживаемых языках.

mosama/Qwen2.5-1.5B-Instruct-CoT-Reflection — компактная языковая модель на архитектуре Qwen2, дообученная автором mosama на основе unsloth/Qwen2.5-1.5B-Instruct. Модель содержит 1,5 млрд параметров, принимает текст и генерирует текст; контекст — до 32 768 токенов. Она обучена формировать пошаговые ответы с рассуждениями и рефлексией, подходит для диалогов и следования инструкциям на английском языке. Модель может использоваться для генерации ответов с пояснением хода решения и для экспериментов с Chain of Thought. Для лучших ответов автор рекомендует применять шаблон запроса из примера в README. Модель распространяется по лицензии Apache-2.0. Данных о качестве на независимых тестах в карточке нет.

Qwen2.5-7B-Sep_0c1t — языковая модель на 7,1 млрд параметров, разработанная авторами работы Doc2FRC и полученная полнопараметрическим дообучением Qwen/Qwen2.5-7B-Instruct. Это вариант Sep_0c1t: за один вызов он переводит один фрагмент исходного текста в целевой, не используя предыдущие фрагменты документа. Модель основана на плотной архитектуре Qwen2 и работает через Transformers. Модель предназначена для машинного перевода фрагментов между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским и китайским языками в обоих направлениях. Она обучалась на фрагментах длиной 256–512 токенов; максимальная длина последовательности составляет 32 768 токенов. Для перевода целых документов авторы предлагают использовать фиксированное разбиение на фрагменты и скрипты проекта Doc2FRC. Модель выпущена под лицензией Apache-2.0. Поскольку вариант Sep_0c1t не получает контекст предыдущих фрагментов, согласованность перевода между частями документа может быть ограничена; для воспроизведения настроек и оценки из статьи следует обратиться к материалам Doc2FRC.

Мультимодальная модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration и 0,8 млрд параметров. Репозиторий mlx-community содержит вариант в формате MLX, полученный преобразованием Qwen/Qwen3.5-0.8B; метаданные также связывают его с базовой моделью Qwen/Qwen3.5-0.8B-Base и указывают дообучение относительно неё. Модель предназначена для диалоговых сценариев с текстом и изображениями: она принимает текстовые запросы и изображения, а в ответ генерирует текст. Для запуска в MLX README указывает библиотеку mlx-vlm. Лицензия — Apache-2.0. Карточка отсылает к исходной модели за подробностями, поэтому сведения о поддерживаемых языках, контекстном окне и конкретных ограничениях качества здесь не приведены.

Это мультимодальная модель семейства Qwen, созданная RangerX на основе Qwen/Qwen3.6-35B-A3B. Чекпойнт получен методом REAP (Router-weighted Expert Activation Pruning): маршрутизируемые эксперты отбирались по весам маршрутизатора и нормам активаций; коэффициент pruning — 0,50. Модель использует архитектуру Qwen3_5MoeForConditionalGeneration и распространяется в формате safetensors для Transformers. Модель предназначена для диалогов и задач «изображение—текст», включая анализ изображений. При создании сохранены конфигурация vision-language, общий эксперт, токенизатор и процессор; для калибровки pruning использовалась смесь примеров по коду, вызову функций, математике, науке и траекториям SWE-bench. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества после pruning, поэтому сохранение исходного уровня возможностей не подтверждено.

turboderp/Qwen3.8-Flash-Next-exl3 — это набор EXL3-квантизаций модели Qwen3.8-Flash-Next, разработанной Qwen и переквантованной turboderp. Модель предназначена для задач преобразования изображений и текста в текст и рассчитана на локальный запуск с использованием ExLlamaV3 версии 1.4.5 или ветки dev. Доступны варианты с точностью 2,05, 3,05, 4,05, 5,05 и 6,05 бит на вес, что позволяет выбирать компромисс между требованиями к памяти, скоростью и сохранением качества. В README не указаны точный размер модели, архитектурные детали базовой модели, поддерживаемые языки и максимальная длина контекста. Приведены результаты самокалибровки и несколько графиков, однако подробные бенчмарки заявлены как будущие. Лицензия обозначена как qwen-community-1.0; дополнительные условия следует уточнять в файле LICENSE.

Re3Cap-SC-LLaVA1.5-7B — мультимодальная модель для описания изображений, разработанная на основе LLaVA-1.5-7B. Модель дообучена методом GRPO с вознаграждением за самокоррекцию на уровне ключевых слов и стратегией Re³Cap, которая использует поиск для уточнения подписи к изображению. Подход Re³Cap включает Caption Refinement Suggester и Caption Quality Assessor: они помогают обнаруживать галлюцинации и пропущенные детали в сгенерированном описании. Модель предназначена для получения более точных и подробных подписей без дополнительных аннотаций. Поддерживает ввод изображений и текста, выдаёт текст; контекст — 4096 токенов. Репозиторий содержит веса Safetensors. Лицензия — Llama 2 Community License.

s1.1-32B — дообученная SimpleScaling плотная языковая модель семейства Qwen2, созданная на основе Qwen/Qwen2.5-32B-Instruct. Разработчики сообщают, что это преемник s1-32B с улучшенными способностями к рассуждению; при обучении использованы трассы рассуждений r1 для набора s1K-1.1. Модель имеет 32 млрд параметров, работает через Transformers и принимает текстовые запросы, в том числе в диалоговом формате. Модель предназначена для генерации текста и решения задач, требующих многошагового рассуждения, особенно математических задач. В README приведены результаты на AIME 2024 и AIME 2025 I; для сравнения s1.1-32B использовала budget forcing — игнорирование маркера завершения рассуждений и добавление «Wait» до четырёх раз, поэтому результаты зависят от этого приёма. Контекст модели составляет 32 768 токенов. Указанная лицензия — Apache-2.0.

Minibase разработала компактную модель перевода испанского текста на английский на базе плотной архитектуры LlamaForCausalLM. Метаданные указывают 922,7 млн параметров, формат GGUF и контекст до 4096 токенов; в README также заявлена квантизация Q8_0 и размер файла 386 МБ. Модель рассчитана на локальный запуск и перевод без отправки данных во внешние сервисы. Основной сценарий — перевод с испанского на английский. В карточке также заявлены сохранение смысла и оттенков контекста, а также работа с новостными, литературными, техническими, деловыми и академическими текстами. Модель обучалась на парах испанских и английских текстов; указанные языки — испанский и английский. README приводит метрики на тесте из 20 примеров, поэтому эти результаты не гарантируют качество на других текстах. Модель распространяется по лицензии Apache-2.0. Среди ограничений README указывает, что она ориентирована только на испанский вход и английский выход, хуже справляется с узкоспециальной терминологией, а качество может зависеть от диалекта испанского. Для очень коротких и длинных текстов карточка не заявляет оптимальные характеристики; предпочтительным диапазоном названы 50–1000 слов.

google/switch-base-64 — англоязычная модель Google семейства Switch Transformers, построенная на архитектуре Mixture of Experts (MoE) для генерации текста из текста. Она близка к T5, но заменяет плотные полносвязные слои разреженными слоями экспертов; число параметров — 123,8 млн. Модель предобучена на задаче masked language modeling на корпусе C4. Чекпойнт предназначен для дальнейшей настройки под прикладные задачи, а не для готового использования: для downstream-сценариев потребуется дообучение. Карточка описывает модель как англоязычную; заявленная лицензия — Apache 2.0. Конкретные ограничения и оценки качества в карточке не раскрыты.

Terminus-LFM2.5-350m-i1-GGUF — это набор квантизованных GGUF-версий языковой модели Terminus-LFM2.5-350m, разработанной OrionLLM и дополнительно квантизованной mradermacher. Модель обучалась на наборе данных OrionLLM/OpenAgentInstruct и предназначена для генерации текста, работы с агентами, а также сценариев, связанных с terminal-bench и SWE-bench. Заявлен английский язык. Модель имеет около 350 миллионов параметров и доступна в нескольких вариантах квантования размером примерно от 0,2 до 0,4 ГБ. Среди них есть IQ- и K-квантизации с разным соотношением размера, скорости и качества; автор рекомендует варианты i1-Q4_K_M и i1-Q4_K_S, а IQ-квантизации часто предпочтительнее сопоставимых по размеру обычных вариантов. Формат GGUF подходит для локального запуска в совместимых инструментах, однако конкретные требования к контексту, архитектуре, аппаратному обеспечению и мультимодальности в README не указаны. Сильными сторонами являются малый размер, возможность локального использования и широкий выбор уровней квантования. Ограничения связаны с компромиссом между качеством и компактностью: наиболее малые варианты отмечены как низкокачественные или предназначенные для экстремальной экономии памяти. Модель и производные файлы распространяются по лицензии Apache-2.0.

gardner/TinyLlama-1.1B-Instruct-3T — компактная языковая модель семейства Llama с плотной архитектурой LlamaForCausalLM и примерно 1 млрд параметров. Она дообучена на наборе OpenHermes в течение четырёх эпох и предназначена прежде всего для дальнейшего дообучения.

TinyMistral-248M-v2.5 — компактная языковая модель семейства Mistral, опубликованная Locutusque. Она получена слиянием TinyMistral-248M-v1 и TinyMistral-248M-v2 методом TIES, после чего продолжено предварительное обучение на синтетических учебниках. В репозитории указано 215,2 млн параметров, формат весов safetensors и контекст до 32 768 токенов. Модель предназначена для генерации и продолжения текста, базовых ответов на вопросы и задач по программированию. Англоязычные данные карточки и обучающие наборы связаны с учебниками и книгами по программированию. Автор сообщает о средней perplexity 4 и о том, что модель проще дообучать, чем v2; эти оценки основаны на личной оценке и приведённых результатах бенчмарков. Лицензия — Apache-2.0. Автор предупреждает, что качество может снижаться при использовании через inference API; результаты и пригодность для конкретных сценариев следует проверять самостоятельно.

Windstorm Labs опубликовала модель машинного перевода с немецкого на нидерландский. Это дообученная модель MarianMT на 54,6 млн параметров с контекстом до 512 токенов; LoRA-дообучение на параллельных текстах объединено с весами исходной модели Helsinki-NLP/opus-mt-de-nl. Модель загружается через Transformers в формате safetensors и предназначена для перевода текстов в направлении de→nl. В проверке на 48 предложениях FLORES-200 dev модель получила chrF++ 54,81 и BLEU 28,42; авторы характеризуют этот результат как предварительную оценку, а не публикационный результат. Репозиторий лицензирован по Apache-2.0. Модель поддерживает только перевод с немецкого на нидерландский.

itzune/txukun-cap-punct-eu — это версия модели HiTZ/cap-punct-eu, подготовленная для запуска в браузере и на устройствах с ограниченными ресурсами. Её разработчик — автор репозитория itzune; исходную модель создал HiTZ Zentroa (UPV/EHU). Архитектура MarianMT с 6 слоями кодировщика и 6 слоями декодера, размер — 41,6 млн параметров. Веса экспортированы в ONNX и динамически квантованы до int8; модель рассчитана на контекст до 512 токенов. Модель восстанавливает регистр букв и пунктуацию в строчном тексте на баскском языке без знаков препинания. Она предназначена в частности для очистки результатов автоматического распознавания речи; используется в браузерном инструменте Txukun. При квантовании размер файлов весов сокращён примерно на 74%, что облегчает загрузку и запуск в Transformers.js через WASM. Лицензия — Apache-2.0.

Это версия TranslateGemma 12B Instruct от chbae624, подготовленная для запуска с vLLM. Веса совпадают с google/translategemma-12b-it: модель не переобучалась, изменены только конфигурационные файлы и шаблон чата. Архитектура — плотная Gemma 3; файлы весов представлены в safetensors, библиотека — Transformers. Модель предназначена для перевода между 55 языками через стандартный чат API vLLM. Шаблон передаёт языки и текст в формате `>>{source_lang}>>{target_lang}>>{text_to_translate}`; для пользовательского запроса предусмотрен формат `>>{text}`. Лицензия — Gemma. Обучение ориентировано примерно на последовательности длиной 2 тыс. токенов; заметно более длинный ввод может ухудшить качество перевода. Эта версия адаптирует интерфейс и конфигурацию для vLLM, сохраняя исходные веса.

allenai/wmt19-de-en-6-6-base — портированная в Transformers версия модели машинного перевода на базе fairseq, разработанная AllenAI для перевода с немецкого на английский. Это модель семейства FSMT с архитектурой Transformer, содержащая 25,2 млн параметров; принимает текст и генерирует текст перевода. Она обучена на данных WMT19, а для варианта в карточке приведена оценка BLEU 38,37. Модель подходит для перевода немецких фраз и текстов на английский, например технических предложений. Весовые коэффициенты оставлены идентичными исходной модели AllenAI. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Указанное ограничение контекста — 1024 токена; модель предназначена для направления de→en и не подтверждена для других языковых пар.

Bangla Punctuation Restoration v2 — модель Манжары Хасин Аль Питома (HasinManjare) для восстановления знаков препинания в бенгальском тексте. Она дообучена на BanglaBERT — дискриминаторе ELECTRA для бенгальского языка — и присваивает токенам метки пунктуации; среди меток указаны отсутствие знака, запятая и бенгальская точка «।». Размер модели — 137,8 млн параметров, максимальный контекст — 512 токенов. Модель предназначена для пунктуации текста без знаков, в том числе расшифровок автоматического распознавания речи. README сообщает оценку macro F1 около 0,570 для пунктуации и 0,623 в целом на отложенной тестовой выборке; качество заметно различается между классами. Для производственного применения рекомендуется оценить её на данных, характерных для целевой системы распознавания речи. Модель распространяется под лицензией с меткой «other»; конкретные условия следует сверить на странице репозитория.

voidful/context-only-question-generator — англоязычная модель генерации вопросов, разработанная на основе предварительно обученной BART-base. Она принимает контекстный текст и генерирует вопрос по его содержанию; вход подаётся как последовательность текста в метод генерации Transformers. Модель имеет архитектуру BART encoder-decoder с 95,2 млн параметров и рассчитана на контекст до 1024 токенов. В карточке указан датасет UnifiedQA. Репозиторий содержит веса PyTorch и Safetensors. Лицензия в доступных данных не указана.

microsoft/deberta-large — крупная англоязычная модель Microsoft семейства DeBERTa, основанная на архитектуре Transformer с раздельным механизмом внимания (disentangled attention) и улучшенным декодером маскирования. Она предназначена прежде всего для заполнения пропусков в тексте: модель предсказывает замаскированный токен по окружающему контексту. Предобученная модель также служит основой для дообучения под задачи понимания языка, включая классификацию текста и ответы на вопросы. Модель содержит 454,1 млн параметров, поддерживает последовательности длиной до 512 токенов и доступна в форматах PyTorch и TensorFlow. Карточка приводит результаты дообучения семейства на SQuAD и наборах GLUE; это результаты отдельных настроенных вариантов, а не гарантия качества исходного чекпойнта для каждой задачи. Лицензия — MIT.

exaone3-instrucTrans-v2-enko-7.8b — модель на базе EXAONE 3 7.8B IT, дообученная разработчиками проекта Translation-EnKo на наборах данных для перевода с английского на корейский. Она предназначена для перевода английских инструкций и текстов на корейский язык и может использоваться через Transformers или vLLM. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,4 млрд параметров и поддерживает контекст до 8192 токенов. В карточке приведены результаты оценки на наборах AIHub/FLoRes, IWSLT 2023 и новостных текстах, однако для этой версии не приведено достаточно чисел, чтобы оценить качество перевода. Для запуска с vLLM README указывает потребность как минимум в 24 ГБ видеопамяти, либо использование режима FP8 при 12 ГБ. Модель опубликована в формате safetensors; лицензия в доступных данных не указана.

openaccess-ai-collective/falcon-7b-4k-alibi — это версия Falcon, расширенная до контекста 4k с использованием выборки RedPajama Sample. В README базовая Falcon-7B описана как причинная авторегрессионная модель с декодерной архитектурой; в метаданных указаны плотная архитектура RefinedWebModel и класс RWForCausalLM. Размер в метаданных указан как 10,9 млрд параметров. Базовая Falcon-7B разработана Technology Innovation Institute (TII) и обучена на корпусе RefinedWeb с дополнительными данными; версия в этом репозитории адаптирована для более длинного контекста. Модель предназначена прежде всего для генерации продолжения текста и как основа для дальнейшей специализации и дообучения, например для суммаризации или чат-ботов. README характеризует исходную Falcon-7B как англо-французскую модель и описывает rotary embeddings, multiquery attention и FlashAttention. Лицензия Apache 2.0 допускает коммерческое использование. Это сырая предварительно обученная модель, поэтому для инструкционного диалога и прикладного использования обычно требуется дообучение и оценка рисков; модель может воспроизводить предвзятости веб-данных и плохо работать на языках, отличных от английского и французского.

ishwarbb23/finetuned-baseline-phase-0.0 — дообученная модель T5 от автора ishwarbb23, созданная на основе valhalla/t5-small-e2e-qg. Это компактная модель с архитектурой T5ForConditionalGeneration и 38,5 млн параметров, предназначенная для генерации вопросов по заданному тексту. Базовая модель умеет автоматически создавать несколько вопросов по входному тексту; назначение этой версии связано с той же задачей. Модель принимает текст и генерирует текст. Для неё заявлены контекст до 512 токенов, формат PyTorch и лицензия MIT. В README указана оценка Loss 4.0205, однако подробности набора данных, процедуры оценки, предполагаемых сценариев применения и ограничений не приведены.

Мультимодальная модель семейства Gemma 3 с плотной архитектурой, предназначенная для диалогового понимания текста и изображений с генерацией текстовых ответов. Репозиторий mlx-community содержит 8-битную версию Gemma 3 4B IT, преобразованную из google/gemma-3-4b-it в формат MLX с помощью mlx-vlm 0.1.18. Модель подходит для вопросов по изображениям, визуального описания и обычного общения с текстовым помощником. Входные данные — текст и изображения, выход — текст. Размер — 4 млрд параметров; карточка Hugging Face относит её к задаче image-text-to-text и указывает библиотеку Transformers. Лицензия — Gemma; для условий использования следует учитывать лицензию и правила Google для семейства Gemma.

HalleluBERT_large — крупная модель RoBERTa, разработанная как часть семейства HalleluBERT для современного иврита. Её обучили с нуля на корпусе примерно из 49,1 ГБ очищенного иврита из веба и Википедии; для токенизации используется byte-level BPE с GPT-2-совместимым словарём на 52 009 токенов. В метаданных указано 455,9 млн параметров, а родная длина контекста составляет 514 токенов. Модель предназначена для заполнения пропусков в тексте и может служить энкодером для задач анализа иврита, включая распознавание именованных сущностей и анализ тональности. В оценке на бенчмарках иврита HalleluBERT_large показала высокие результаты в NER и анализе тональности. Модель распространяется по лицензии MIT.