I.5Создание и редактирование текста

Hviske v3 conversation — модель распознавания датской речи, разработанная syv.ai и дообученная на базе CoRal-project/roest-whisper-large-v1. Она предназначена для транскрибации естественных разговоров: встреч, интервью, подкастов и других записей реальной речи. Модель построена на архитектуре Whisper и доступна в формате safetensors для запуска через Transformers. В README заявлено, что модель превосходит Whisper Large v3 и v3 Turbo по метрикам WER и CER, однако приведённое там исследование гендерного смещения основано на тестовом наборе всего с четырьмя дикторами и не является репрезентативным. Модель бесплатна согласно указанной в репозитории лицензии; тип лицензии в предоставленных данных не уточнён.

Index-Homura-9B — специализированная модель перевода из семейства Index-Translate, разработанная IndexTeam на основе Qwen3.5. Она принимает исходный текст и заданное пользователем целевое число слогов, подбирая формулировку перевода с учётом этого ограничения и сохранением смысла и естественности. Модель также поддерживает обязательные термины и глоссарии одновременно с контролем числа слогов, что подходит для подготовки реплик дубляжа и субтитров с заданной длительностью. Модель имеет плотную текстовую архитектуру Qwen3_5ForCausalLM и около 7,2 млрд параметров; заявленное контекстное окно — 262 144 токена. В SandGlass, на 3 600 случаях для каждого тестируемого варианта, RL-чекпойнт показал 74,42% переводов в пределах одного слога от цели и 81,92% в пределах 10%; эти показатели описывают приближение к целевой длине, а не гарантию точного совпадения. Оценка качества перевода в том же тесте составила 0,7863. Испытания охватывали английский, японский, арабский и испанский языки перевода; это не подтверждает одинаковую точность управления слогами для всех языков. Для запуска руководство рекомендует CUDA GPU и сборку vLLM с поддержкой Qwen3.5; для версии 9B указано около 24 ГБ памяти под bf16 без учёта KV-кэша. Модель распространяется под лицензией Apache-2.0.

InternVL3_5-8B-GGUF — это квантизированная версия мультимодальной модели InternVL3_5-8B, разработанной OpenGVLab. Модель предназначена для задач преобразования изображений и текста в текст, включая сценарии, где требуется анализ визуальной информации и генерация текстового ответа. Формат GGUF ориентирован на локальный запуск с использованием совместимых инструментов, в частности llama.cpp и LM Studio. Квантизацию выполнил bartowski на основе llama.cpp release b6258. В предоставленных данных указаны мультимодальный pipeline image-text-to-text и размер базовой модели 8B; сведения о конкретной архитектуре, поддерживаемых языках, длине контекста и доступных вариантах модальностей отсутствуют. Квантизация может упростить локальное развертывание и снизить требования к ресурсам, но потенциально влияет на точность по сравнению с исходной моделью. Лицензия в README не указана, поэтому условия использования необходимо уточнять в документации исходной модели OpenGVLab/InternVL3_5-8B и соответствующей версии GGUF. Как и другие модели такого типа, она может генерировать неточные, вредные или неподходящие ответы.

JGOS-31B-Think — корейская модель с акцентом на рассуждения, разработанная VIDRAFT. Это плотная модель семейства Gemma 4 с 31 млрд параметров, предназначенная для диалогов и задач с изображениями и текстом. В карточке заявлен пошаговый режим рассуждений; метаданные также указывают поддержку зрения. Модель можно развернуть через vLLM и OpenAI-совместимый API. Лицензия — Apache-2.0.

PersonaPO/lfm25-1.2b-pv-openness-high — дообученная PersonaPO модель LiquidAI/LFM2.5-1.2B-Base для генерации текста в диалоговом формате. Она предназначена для ответов на вопросы и общения; пример в карточке показывает ответ на открытый вопрос. Модель плотная, относится к семейству LFM2.5, содержит 1,5 млрд параметров и поддерживает контекст до 128 000 токенов. Для запуска в карточке используется Transformers, веса хранятся в формате safetensors. Карточка не описывает отдельно, как именно обучение на «высокую открытость» меняет стиль или качество ответов. Лицензия в предоставленных метаданных и README не указана.

Llama3.2-1B-Bulgarian — языковая модель, разработанная petkopetkov и дообученная на базе unsloth/llama-3.2-1b-bnb-4bit. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 1,2 млрд параметров; заявленная длина контекста — 131 072 токена. Модель дообучена на болгарских переводах наборов MMLU, Winogrande, HellaSwag, ARC Easy/Challenge, GSM-8K и MathQA. Она предназначена для генерации текста на болгарском языке, ответов на вопросы, проверки знаний, завершения фраз, логических задач и школьной математики. В карточке также указаны английский и болгарский языки. Модель распространяется в формате safetensors по лицензии Apache-2.0. Результаты и качество на болгарском языке в README не оценены; дообучение на переводах учебных и тестовых наборов не гарантирует точность ответов или надёжность рассуждений.

RDson/Llama-3-5B-Experimental — экспериментальная разговорная языковая модель семейства Llama, опубликованная RDson. Это плотная авторегрессионная модель для генерации текста и диалога с 4,5 млрд параметров и контекстом 8192 токена; репозиторий содержит веса в формате safetensors. Модель создана на основе частей Meta-Llama-3-8B-Instruct, объединённых методом passthrough с последующим дообучением или «восстановлением» через QLoRA на DPO-датасете evol-codealpaca-v1-dpo. Обучение охватило примерно 64% запланированных шагов; автор также сомневается в корректности токенизатора, поэтому качество и совместимость могут быть нестабильны. Эксперимент ориентирован на разговорную генерацию, в том числе ответы в стиле обучающих примеров по коду. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели.

MiLMMT-46-1B-v0.1 — языковая модель для машинного перевода, разработанная Xiaomi. Это дообученная версия MiLMMT-46-1B-Pretrain на базе Gemma3-1B: базовая модель прошла дополнительное предобучение на смеси из 143 млрд токенов монолингвальных и параллельных данных для 46 языков. Модель имеет плотную архитектуру Gemma 3 с причинным языковым моделированием, содержит 1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для перевода текста между поддерживаемыми языками с помощью текстового запроса, в котором задаются исходный и целевой языки. Она поддерживает 46 языков, включая русский, английский, китайский, японский, арабский, хинди и другие. В метаданных указана лицензия Gemma; веса доступны в формате safetensors для Transformers. Модель может переводить только между перечисленными в карточке языками; качество перевода на другие языки не гарантируется. Xiaomi отмечает, что качество перевода продолжает улучшаться.

Motif-Technologies/Motif-2-12.7B-Reasoning — версия модели Motif-2-12.7B с усиленными способностями к рассуждению. README приводит результаты на бенчмарках MMLU и MMLU-Redux, но подробное описание модели обещано позднее. Модель предназначена для генерации текста в диалогах и решения задач, требующих рассуждений. Она построена на плотной архитектуре MotifForCausalLM и дообучена на Motif-Technologies/Motif-2-12.7B-Base. Метаданные указывают 10,8 млрд параметров, поддержку контекста до 131 072 токенов и языки английский и корейский; README описывает запуск через vLLM с длиной последовательности до 65 536 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. README сообщает о текущей проверке поддержки Motif в официальном пакете vLLM и приводит способ запуска через контейнер; практическое использование может требовать соответствующей версии vLLM и настройки.

K024/mt5-zh-ja-en-trimmed — дообученная модель семейства mT5, основанная на mt5-base и предназначенная для перевода между китайским, японским и английским языками. Она использует архитектуру MT5ForConditionalGeneration и содержит около 164,6 млн параметров. Словарь токенизатора сокращён примерно до трети исходного: оставлены 85 тысяч наиболее частотных токенов из обучающих данных. Пример в карточке показывает перевод с японского на китайский с префиксом ja2zh; модель запускается через Transformers как text-to-text generation. Модель подходит для машинного перевода текстов между поддерживаемыми языками. Карточка не описывает качество перевода, полный набор направлений и ограничений, поэтому их нельзя оценить по имеющимся сведениям. Репозиторий содержит веса PyTorch и распространяется по лицензии CC BY-NC-SA 4.0, которая предусматривает указание авторства, распространение производных работ на тех же условиях и некоммерческое использование.

Helsinki-NLP/opus-mt-bg-fr — модель машинного перевода из семейства OPUS-MT, созданная Helsinki-NLP. Она переводит текст с болгарского на французский; модель построена на архитектуре Transformer и реализована как MarianMTModel. Веса содержат около 56,6 млн параметров, для токенизации используются нормализация и SentencePiece с словарями размером 32 тыс. токенов. В карточке приведён результат BLEU 53,7 на тестовом наборе Tatoeba-test.bul.fra. Модель подходит для перевода предложений и коротких текстов с болгарского языка на французский в приложениях, исследовательских проектах и локальных конвейерах перевода. Поддерживаются форматы PyTorch и TensorFlow; указанное в метаданных ограничение контекста — 512 токенов. Лицензия Apache-2.0 разрешает использование, изменение и распространение на её условиях.

Helsinki-NLP/opus-mt-en-gmw — модель машинного перевода из семейства OPUS-MT, опубликованная Helsinki-NLP. Это трансформер Marian с 53,6 млн параметров, предназначенный для перевода с английского на западногерманские языки. Модель поддерживает целевые языки африкаанс, немецкий, нидерландский, люксембургский, фризские языки, идиш и ряд региональных языков и исторических вариантов. Для выбора языка перевода в начале входа требуется токен вида >>id<< с допустимым кодом целевого языка. Модель использует нормализацию текста и SentencePiece с раздельными словарями размером 32 тыс. токенов; длина контекста — 512 токенов. В README приведены результаты оценки на наборах новостных переводов, включая BLEU 21,4 для направления английский–немецкий. Модель принимает текст и выдаёт текст перевода. Распространяется по лицензии Apache-2.0; возможны ошибки перевода, особенно для редких региональных и исторических вариантов языка.

Helsinki-NLP/opus-mt-gmw-en — переводческая модель проекта OPUS-MT на архитектуре Transformer, реализованная как MarianMTModel. Она переводит с западногерманских языков и их вариантов на английский. Источники включают африкаанс, немецкий, нидерландский, фризские и идишские варианты, нижненемецкий, люксембургский, шотландский и другие языки, перечисленные в карточке. Модель содержит 53,6 млн параметров и использует нормализацию текста и SentencePiece с словарями по 32 тыс. токенов; максимальный контекст — 512 токенов. Модель предназначена для машинного перевода текстов с поддерживаемых западногерманских языков на английский. В README приведены результаты BLEU и chr-F на тестовых наборах, включая немецко-английские; фактическое качество может различаться для языков и текстов, не представленных этими оценками. Модель выпущена под лицензией Apache-2.0.

Helsinki-NLP/opus-mt-it-uk — модель машинного перевода из семейства OPUS-MT, разработанного Helsinki-NLP. Это плотная модель архитектуры MarianMT на базе Transformer-align с 57,1 млн параметров, предназначенная для перевода с итальянского на украинский и обратно? По карточке указано направление только с итальянского на украинский, поэтому её следует использовать для перевода с итальянского на украинский. Модель нормализует текст и применяет SentencePiece с моделями токенизации по 32 тыс. элементов. В метаданных указан контекст 512 токенов. Для тестового набора Tatoeba-test.ita.ukr в карточке приведены BLEU 45,9 и chr-F 0,657. Поддерживаются форматы PyTorch и TensorFlow. Модель подходит для перевода фраз и текстов общего назначения с итальянского на украинский. Она специализирована на одной языковой паре и одном направлении; качество может зависеть от тематики текста и отличаться от результатов на указанном тестовом наборе. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-ja-pt — модель машинного перевода японского текста на португальский из семейства OPUS-MT, основанная на архитектуре Transformer и реализованная как MarianMTModel. Модель содержит 58,3 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Для перевода используются нормализация и SentencePiece; перед текстом требуется указать начальный токен целевого языка в формате `>>id<<` с допустимым идентификатором языка. Модель подходит для перевода предложений и коротких текстов с японского на португальский. В README приведён результат на тестовом наборе Tatoeba: BLEU 22,2 и chr-F 0,444. Доступны веса в форматах PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0.

Это многоязычная модель машинного перевода OPUS-MT из проекта OPUS-MT, разработанная группой Language Technology Research Group Хельсинкского университета. Она переводит между множеством языков и предназначена для сценариев, где нужны доступные нейросетевые переводы, в том числе для языков с ограниченными ресурсами. Модель построена на архитектуре MarianMT типа transformer-big, содержит 172 млн параметров, принимает текст и выдаёт текст. Она обучена на данных OPUS; заявленная длина контекста — 1024 токена. Модель доступна в форматах PyTorch и Safetensors и распространяется по лицензии Apache-2.0. Поддержка языков и пар перевода неоднородна: для многих языков обучающих данных мало, качество сильно различается, а некоторые пары могут не работать. Поэтому результаты для редких языков следует проверять и не считать гарантированно пригодными для критичных задач.

Helsinki-NLP OPUS-MT-tiny-eng-rus — компактная модель машинного перевода с английского на русский, разработанная Helsinki-NLP. Это дистиллированная student-модель архитектуры Marian на базе учителя OPUS-MT en-ru, обученная на данных Tatoeba. Модель содержит 14,5 млн параметров, использует архитектуру Marian с обычным Transformer-декодером и рассчитана на контекст до 256 токенов. Модель предназначена для перевода коротких англоязычных фраз и текстов на русский. В карточке приведены результаты на Flores+ и Bouquet: BLEU 24,4 и 28,0 соответственно для student-модели. Доступны веса в форматах safetensors и TFLite. Лицензия — Apache-2.0.

gaudi/opus-mt-zh-en-ctranslate2 — версия модели перевода Opus-MT, подготовленная сообществом на основе работ Helsinki-NLP, CTranslate2 и michaelfeil. Это encoder-decoder модель семейства Marian для перевода с китайского на английский, преобразованная в формат CTranslate2 для ускоренного инференса на CPU и GPU. Для вычислений поддерживаются режимы int8 на CPU и int8_float16 на CUDA. Модель предназначена для перевода текстов с китайского языка на английский, в том числе при пакетной обработке и развёртывании сервиса перевода. CTranslate2 оптимизирует выполнение за счёт таких приёмов, как квантование весов и объединение слоёв; приведённые в README бенчмарки показывают ускорение на тестовых конфигурациях, но относятся к другим языковым направлениям и условиям запуска. Внутренние тесты авторов конвертации показали возможное небольшое снижение BLEU относительно исходных чекпойнтов; эффект зависит от конфигурации и квантования. Размер модели и длина контекста в предоставленных данных не указаны. Лицензия — Apache-2.0.

ressl/Ornith-1.5-9B-uncensored-GGUF — это версия языковой модели Ornith-1.5-9B, разработанной командой Ornith и доработанной Robert Ressl. Модель предназначена для генерации текста и локального запуска через llama.cpp в сценариях исследований безопасности, red-teaming и penetration testing. Она создана методом abliteration с тремя проходами biprojection, что существенно снижает количество жёстких отказов на вредоносных запросах по сравнению с базовой моделью. Модель распространяется в формате GGUF с вариантами BF16, Q8_0, Q6_K, Q5_K_M и Q4_K_M; размеры файлов составляют примерно от 5,8 до 18,4 ГБ. Также доступен файл mmproj BF16 размером около 0,92 ГБ. Заявленная длина контекста — 262 144 токена, однако в этой публикации модель обслуживается с контекстом до 131 072 токенов. Указан английский язык. Для запуска рекомендуется llama.cpp; README подтверждает работу с llama-server и CUDA. Сильной стороной модели является высокая готовность отвечать на запросы, которые стандартная версия обычно отклоняет: в указанной оценке частота жёстких отказов снизилась с 767 до 20 из 1120 запросов для родственного NVFP4-варианта и составила 101 из 1120 для Q4_K_M. При этом квантование усиливает остаточные отказы, а Q4_K_M иногда демонстрирует ошибочную самопрезентацию, хотя проверки математики, общих знаний и кода проходят успешно. Модель не предназначена для безусловно безопасного использования и требует ответственного применения. Модель распространяется по лицензии MIT, унаследованной от Ornith. Базовая модель принадлежит команде Ornith, а abliteration, конвертацию в GGUF и валидацию выполнил Robert Ressl.

Это контрольный чекпойнт Immich на базе LED-base для суммаризации диалогов и совещаний. Модель обучена на подходящей подвыборке AMI Meeting Corpus; seed 17 обозначена как каноническая для качественных примеров в статье. В карточке упомянуты два сценария: суммаризация полной встречи и иерархический конвейер с сегментацией, извлечением информации и генерацией итогового текста. Модель имеет архитектуру LEDForConditionalGeneration и содержит 95,2 млн параметров. Она принимает текст и генерирует текстовое резюме; данные об основном языке и длине контекста не приведены. Репозиторий содержит веса safetensors. Лицензия — MIT. Это обученный вариант LED-base, предназначенный для экспериментов и суммаризации встреч; заявлений о качестве за пределами описанного набора данных карточка не содержит.

Qwen2.5-7B-Stair_2c1t — плотная языковая модель на 7,1 млрд параметров, разработанная как часть проекта Doc2FRC и дообученная полным параметрическим supervised fine-tuning на базе Qwen/Qwen2.5-7B-Instruct. Она предназначена для машинного перевода фрагментов документов с учётом контекста соседних фрагментов: первый переводится без контекста, второй получает один предыдущий исходный фрагмент, а последующие — два. Модель загружается через Transformers и имеет контекстное окно 32 768 токенов. Модель переводит между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским и китайским языками в обоих направлениях. Обучение проводилось на чанках длиной 256–512 токенов; для точного воспроизведения разбиения, формата запросов и оценки авторы отсылают к репозиторию Doc2FRC. Модель распространяется по лицензии Apache-2.0.

win10/Qwen2.5-Math-12.3B-Instruct — объединённая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом passthrough на основе Qwen/Qwen2.5-Math-7B-Instruct. Она предназначена для генерации текста в диалоге и решения математических задач с пошаговым рассуждением; карточка базовой модели также указывает английский и китайский языки и поддержку использования инструментов. Модель содержит 11,7 млрд параметров, принимает текст и имеет контекст длиной 4096 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

aashish1904/Qwen3.5-2B-Base-GGUF — квантизированная версия базовой модели Qwen3.5-2B-Base, созданная с помощью llama.cpp и опубликованная пользователем aashish1904. Исходную модель разработала команда Qwen. Формат GGUF предназначен для локального запуска, в частности через llama.cpp и Ollama, а также для экспериментов с генерацией текста, дообучением и in-context learning. Исходная карточка указывает, что базовая модель предназначена прежде всего для исследований и разработки, а не для непосредственного диалогового использования. Модель имеет около 2 млрд параметров и представляет собой каузальную языковую модель с vision encoder, то есть поддерживает текстово-визуальное обучение и обработку мультимодальных токенов. Архитектура сочетает Gated Delta Networks и Gated Attention; модель содержит 24 слоя, скрытое измерение 2048 и контекст длиной 262 144 токена с возможностью расширения до 1 010 000 токенов. Заявлена поддержка 201 языка и диалекта. Доступны варианты квантизации от Q2_K до Q8_0: более компактные варианты требуют меньше памяти, но сильнее теряют в качестве; Q4_K_M и Q5_K_M обозначены как рекомендуемые сбалансированный и высококачественный варианты соответственно. Основные преимущества — небольшой размер, широкий контекст, мультимодальная архитектура и возможность эффективного локального инференса. Ограничения включают неизбежную потерю качества при низких уровнях квантизации и базовый, а не специализированный чатовый характер исходной модели. Лицензия в предоставленном README не указана.

SakThai Context 1.5B Merged V2 — это дообученная и объединённая модель на основе Qwen2.5-1.5B-Instruct, опубликованная House of Sak. Она предназначена для генерации текста и структурированных вызовов инструментов и функций в диалоговых сценариях, в том числе при локальном запуске на CPU или периферийном устройстве. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2 и имеет контекстное окно 32 768 токенов. Доступны веса SafeTensors и GGUF Q4_K_M; для работы с вызовами инструментов требуется XML-блок описания инструментов в системном запросе. Карточка сообщает о результатах внутренних тестов, но они не прошли независимую проверку. Модель компактнее варианта на 7B параметров, однако уступает ему в рассуждениях; точность формирования аргументов вызова инструментов ограничена. Поведение при вызовах инструментов проверялось на английском языке, поддержка других языков для этой задачи не подтверждена. Лицензия — Apache 2.0.

SLIM-QA-GEN-TINY — специализированная языковая модель компании llmware для генерации вопросов и ответов по заданному фрагменту текста. Она формирует результат в виде словаря Python и поддерживает режимы «вопрос и ответ», «да/нет» и «множественный выбор». Модель представляет собой плотную авторегрессионную архитектуру Llama с примерно 1 млрд параметров и контекстом до 2048 токенов; она дообучена на TinyLlama 1.1B. Модель подходит для автоматического создания вопросов и ответов по контексту, включая подготовку проверочных вопросов и вариантов с ответами. README показывает использование через Transformers и LLMWare; веса доступны в формате PyTorch. Лицензия — Apache-2.0. Карточка рекомендует для быстрого вывода отдельную квантизованную версию slim-qa-gen-tiny-tool.

Sunflower-Qwen3.8-27B — открытая модель Sunbird AI на базе Qwen3.8-27B, дообученная для 68 африканских языков, с наиболее глубокой поддержкой 31 языка Уганды. Она предназначена прежде всего для перевода между английским и африканскими языками, а также для понимания текста, ответов на вопросы и рассуждений. Модель поддерживает диалоговый формат Qwen3.8; при включённом режиме thinking сама решает, когда применять рассуждение. Для массового перевода thinking можно отключить, чтобы ускорить генерацию без потери качества перевода. По результатам оценок авторов, модель показывает сильные результаты на переводческих наборах, включая FLORES-200 и SAHARA, и особенно эффективна при переводе на языки Уганды. Качество заметно различается между языками в зависимости от объёма обучающих данных: для языков базового уровня авторы рекомендуют проверять результат с носителем. Перевод оптимизирован сильнее, чем общий чат и рассуждения; как и другие большие языковые модели, Sunflower может уверенно выдавать неверную информацию. Модель распространяется по лицензии Apache-2.0.

WindyTranslate/translate-bg-sv — модель машинного перевода, опубликованная Windstorm Labs и предназначенная для перевода с болгарского языка на шведский. Это дообученная версия Helsinki-NLP/opus-mt-bg-sv на параллельных текстах: LoRA-адаптер объединён с базовыми весами. Модель построена на архитектуре MarianMT, содержит 55,6 млн параметров, принимает текст и выдаёт текст; длина контекста — 512 токенов. Модель подходит для перевода болгарских текстов на шведский в приложениях и рабочих процессах перевода. В карточке приведена скрининговая оценка FLORES-200 на 48 предложениях: chrF++ 51,15 и BLEU 22,59; это ограниченная оценка, а не результат публикационного исследования. Поддерживается только направление с болгарского на шведский. Лицензия — Apache-2.0.

Windstorm Labs публикует модель машинного перевода английского текста на вьетнамский язык. Это доработанная версия Helsinki-NLP/opus-mt-en-vi на архитектуре MarianMT с 52,7 млн параметров; веса поставляются в формате safetensors и рассчитаны на контекст до 512 токенов. По карточке, параметры намеренно изменены численным преобразованием, а не обучением; конкретная цель этого изменения не описана. Модель подходит для перевода коротких текстов с английского на вьетнамский, включая отдельные фразы и предложения. В скрининговой оценке на 48 предложениях FLORES-200 она получила chrF++ 45,30 и BLEU 25,62; этот результат не является публикационной оценкой и не гарантирует аналогичное качество на других текстах. Поддерживается только направление en→vi. Лицензия — Apache-2.0.

DDDSSS/translation_en-zh — модель машинного перевода с архитектурой MarianMT, разработанная автором репозитория DDDSSS для перевода с английского на китайский. Она содержит 58,4 млн параметров, использует PyTorch и распространяется в форматах PyTorch и Safetensors. По карточке, обучающие данные основаны на OPUS100 и CodeAlpaca_20K: английские тексты переводились на китайский с помощью ChatGLM, после чего данные фильтровались. Максимальный указанный контекст — 512 токенов; модель рассчитана на текстовый ввод и текстовый перевод. Модель подходит для перевода коротких английских фрагментов, включая технические тексты и примеры кода. Автор отмечает, что длинные предложения могут переводиться неполностью или пропускаться, поэтому перед обработкой текст следует разбивать на предложения. Лицензия — Apache-2.0.

WikiQwen-4B — языковая модель Devon7y, дообученная на базе Qwen/Qwen3.5-4B для генерации пошаговых инструкций. На любой запрос, включая приветствие или короткий вопрос, она отвечает в формате статьи: с заголовком, нумерованными шагами, советами и строками-подписями [IMAGE: …], которые можно передать модели WikiQwen-Illustrator для создания иллюстраций. Модель плотная, содержит около 3,4 млрд параметров, принимает текст и рассчитана на английский язык; нативный контекст — 262 144 токена. Для работы автор рекомендует Transformers 5.x и отключение thinking; в README указано, что веса bf16 занимают около 8 ГБ. Модель обучена с учителем на примерно 118 тысячах статей how-to из архива Kiwix за март 2023 года. Для обучения применялся LoRA, после чего адаптер объединили с базовыми весами. Проверка README оценивает соответствие формату, но не точность советов. Ответы могут повторять шаги или содержать неверные сведения; знания ограничены базовой моделью и снимком статей 2023 года, веб-поиска нет. Модель англоязычная и склонна оформлять любой запрос как инструкцию, а дополнительное обучение безопасному отказу не проводилось. Лицензия — CC BY-NC-SA 4.0.