I.5Создание и редактирование текста

Helsinki-NLP/opus-mt-fr-ms — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer-align и реализованная как MarianMTModel. Она переводит текст с французского языка на малайский; README также указывает целевые языковые коды индонезийского и малайского вариантов. Для выбора целевого языка перед предложением требуется токен вида >>id<<. Модель насчитывает 54,6 млн параметров, использует SentencePiece с словарями размером 32 тыс. токенов и имеет контекст длиной до 512 токенов. Модель подходит для перевода отдельных фраз и текстов с французского на малайский. В тесте Tatoeba для пары fra–msa указаны BLEU 35,3 и chr-F 0,617. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-gem-en — это модель машинного перевода семейства OPUS-MT, разработанная Helsinki-NLP и обученная для перевода с германских языков на английский. Она использует архитектуру Transformer в реализации MarianMT; размер модели составляет 54,2 млн параметров, а длина контекста — 512 токенов. Перед обработкой применяются нормализация и токенизация SentencePiece с моделью на 32 тысячи единиц. Модель поддерживает широкий набор исходных языков и разновидностей: африкаанс, немецкий, нидерландский, датский, шведский, норвежские формы, исландский, идиш, фризские и исторические германские языки, а также другие языки германской группы. Целевой язык — английский. Модель подходит для перевода отдельных фраз и текстов; в карточке приведены оценки на нескольких тестовых наборах, включая BLEU 27,2 для одного из наборов немецко-английского направления. Модель доступна в форматах PyTorch и TensorFlow по лицензии Apache-2.0. Результаты для редких, исторических и региональных языков могут быть менее надёжными, чем для распространённых языков; качество также зависит от жанра и соответствия текста обучающим данным.

Helsinki-NLP/opus-mt-inc-en — модель машинного перевода из проекта OPUS-MT, основанная на архитектуре Transformer и реализованная как MarianMT. Она переводит текст с группы индийских языков на английский. Среди исходных языков: ассамский, бенгальский, бходжпури, гуджарати, хинди, непальский, маратхи, ория, пенджаби, синдхи, сингальский и урду; README также перечисляет ряд других языковых разновидностей и письменностей. Для токенизации используется SentencePiece с моделями по 32 тысячи токенов. Модель содержит 56,8 млн параметров, её родной контекст — до 512 токенов. Модель подходит для перевода отдельных текстов и документов с поддерживаемых индийских языков на английский. В README приведены результаты BLEU на нескольких тестовых наборах, которые показывают заметно различающееся качество в зависимости от языка и набора. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Модель Helsinki-NLP из проекта OPUS-MT предназначена для машинного перевода с немецкого, английского, французского, португальского и испанского на широкий набор западногерманских языков и их вариантов. Это трансформер архитектуры MarianMT типа transformer-big с примерно 150 млн параметров и контекстом до 1024 токенов; веса доступны в форматах PyTorch и Safetensors для использования через Transformers. Модель подходит для перевода текстов, включая материалы на языках с ограниченными ресурсами, и поддерживает указание целевого языка специальной меткой. Она обучена на данных OPUS. Разработчик предупреждает о возможных рисках и смещениях, характерных для машинного перевода; качество для отдельных языков и текстов может различаться. Лицензия — Apache-2.0.

Это крупная нейронная модель машинного перевода OPUS-MT, разработанная Language Technology Research Group Хельсинкского университета в рамках проекта OPUS-MT. Модель архитектуры Transformer-big на основе Marian принимает текст на немецком, английском, французском, португальском или испанском и переводит на множество языков, включая языки с ограниченными цифровыми ресурсами. Веса доступны в форматах PyTorch и Safetensors; число параметров — 165,1 млн, заявленная длина контекста — 1024 токена. Модель подходит для перевода текстов с одного из пяти исходных языков на поддерживаемый целевой язык, в том числе для доступа к материалам на малоресурсных языках. Качество заметно различается между языковыми парами: для многих целевых языков обучающих данных мало, поэтому перевод может быть слабым или не работать. Обучение основано на данных OPUS и процедурах OPUS-MT-train. Лицензия — Apache-2.0.

Карточка модели Ronaldodev/Qwen2.5-0.5B на Hugging Face совпадает с карточкой Qwen/Qwen2.5-0.5B, поэтому описание составлено по ней. Qwen2.5-0.5B — базовая предобученная языковая модель семейства Qwen2.5, разработанная командой Qwen. Это причинная плотная трансформерная модель с 494 млн параметров, 24 слоями, механизмом GQA и контекстом до 32 768 токенов; веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Модель предназначена для генерации текста и служит основой для дальнейшего дообучения, например SFT, RLHF или продолженного предобучения. Семейство поддерживает более 29 языков, включая русский и английский, а также улучшено для следования инструкциям, работы с длинным текстом, структурированными данными, JSON, кодом и математикой. Для этого базового чекпойнта карточка отдельно не рекомендует диалоговое применение без постобучения. К сильным сторонам относятся небольшой размер, многоязычность и относительно длинный контекст для модели такого масштаба. Возможности конкретной версии ограничены её размером и предварительным этапом обучения; качество диалога и следования инструкциям может быть ниже, чем у инструктивно настроенных вариантов семейства.

mlx-community/Qwen3.5-2B-4bit — квантизированная 4-битная версия мультимодальной модели Qwen3.5-2B, преобразованная сообществом mlx-community в формат MLX из Qwen/Qwen3.5-2B с использованием mlx-vlm 0.3.12. Модель предназначена для задач преобразования изображений и текста, в частности для генерации текстовых ответов по изображениям; запуск предусмотрен через библиотеку mlx-vlm на совместимом оборудовании Apple MLX. Из доступных данных известны размер 2B и поддержка сценариев image-text-to-text. Точные сведения об архитектуре, поддерживаемых языках, размере контекста, наборе обучающих данных и результатах тестирования в этой карточке не указаны. 4-битное представление снижает требования к памяти и может быть удобным для локального запуска, но потенциально ограничивает точность по сравнению с полноразмерной версией. Модель распространяется по лицензии Apache-2.0; дополнительные условия и характеристики следует уточнять в оригинальной карточке Qwen/Qwen3.5-2B.

Мультимодальная модель HauhauCS на архитектуре Qwen3.6-35B-A3B с MoE: 35 млрд параметров всего и около 3 млрд активных. Репозиторий содержит конверсию исходной модели в формат Hugging Face safetensors с точностью bf16. В текстовой части 40 слоёв, 256 маршрутизируемых экспертов и один общий эксперт на слой; активируются 8 маршрутизируемых экспертов. Визуальный энкодер включает 27 слоёв. Модель предназначена для диалогов с текстом и изображениями и может служить целевой моделью для ускоренного декодирования DFlash или EAGLE-3 в vLLM. Поддерживает контекст до 262 144 токенов и английский язык. Карточка называет вариант uncensored и aggressive, однако не уточняет границы или гарантии такого поведения. Распространяется по лицензии Apache-2.0.

Qwen3-VisionCaption-2B — мультимодальная модель PrithivMLmods для создания подробных подписей к изображениям и анализа их содержимого. Это дообученная версия prithivMLmods/Qwen3-VL-2B-Instruct-abliterated-v1 на архитектуре Qwen3-VL с плотной моделью и форматом весов safetensors. Модель принимает изображения и текстовые инструкции, выдаёт текстовые описания и рассуждения; заявлена поддержка английского и китайского языков, а также возможность многоязычного вывода при подходящих инструкциях. Модель предназначена для описания обычных, художественных, технических, синтетических и абстрактных изображений, включая изображения с нестандартным соотношением сторон. Можно задавать краткий или более детальный стиль ответа. Разработчик также указывает сценарии творческого описания, визуального анализа и оценки модерации. Лицензия — Apache-2.0. Модель может формировать откровенные, чувствительные или оскорбительные описания в зависимости от изображения; разработчик не рекомендует её для производственных сценариев со строгими требованиями безопасности. Качество может снижаться на сильно абстрактных или синтетических изображениях, а тон и детализация зависят от формулировки запроса.

FancieF/Qwythos-27B-v1-MLX-VLM-bf16 — конвертированная для MLX версия мультимодальной модели Qwythos-27B-v1 от Empero AI, предназначенная для компьютеров Apple Silicon. Это плотная модель семейства Qwen3.5 с 27 млрд параметров; в сборке сохранены языковая модель и vision tower. Она принимает изображения и текст и формирует текстовые ответы в диалоге, в том числе по визуальному содержимому. Сборка использует веса BF16 без квантизации, распространяется в формате MLX safetensors и доступна по лицензии Apache-2.0. Объём модели около 55 ГБ; для запуска требуется большой объём объединённой памяти, поэтому README рекомендует этот вариант для максимальной точности, дополнительной квантизации или Mac с большим объёмом памяти. На обычных MacBook возможны подкачка памяти или нехватка памяти; модель не содержит встроенного MTP-драфтера.

Rain-7B-v0.1 — экспериментальная разговорная языковая модель, созданная дообучением Qwen1.5-7B-Chat на тысячах диалогов с пошаговыми рассуждениями. Она предназначена для генерации ответов в чате и лучше работает с запросами, предлагающими рассуждать шаг за шагом. В README приведён результат MMLU 58,1 против 55,8 у исходной Qwen1.5-7B-Chat. Модель основана на плотной архитектуре Qwen2, содержит 7,1 млрд параметров и использует формат safetensors; контекст — до 32 768 токенов. Карточка указывает китайский и английский языки. Лицензия обозначена как other, поэтому условия использования следует уточнить в репозитории модели.

KingNish Reasoning-Llama-3b-v0.1 — экспериментальная версия языковой модели, созданная Nishith Jain дообучением Meta Llama 3.2 3B Instruct. Модель генерирует ответы с предварительным этапом рассуждения и предназначена для диалогов и задач, где полезно пошагово обдумать запрос. Модель содержит 3,2 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст, выдавая текст. Заявленная длина контекста — 131 072 токена; в карточке указан английский язык. Для дообучения использован набор KingNish/reasoning-base-20k, а обучение выполнялось с Unsloth и TRL. Это первая итерация модели: автор сообщает об обучении на 10 тысячах строк и приводит результаты как предварительные. Лицензия — llama3.2; применяются условия лицензии Meta Llama 3.2.

RKMVNLP-scihigh-task1-bart-large-run1 — англоязычная модель команды RKMV_NLP для генерации кратких научных highlights. Она создана дообучением BART-Large с помощью LoRA на задаче FIRE SciHigh Subtask 1, набор MixSub-SciHigh, и предназначена для преобразования научного текста в краткие основные выводы. Модель использует архитектуру BART encoder-decoder, принимает текст и генерирует текст; базовая модель имеет контекст до 1024 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

ScholarCopilot-v1 — дообученная TIGER-Lab языковая модель для помощи в написании научных статей. Она основана на Qwen2.5-7B: плотная архитектура Qwen2 с 7,1 млрд параметров, контекст до 131 072 токенов. Модель обучена на полном корпусе научных статей arXiv и поддерживает генерацию текста на английском языке. Модель предлагает продолжение текста на следующие три предложения, генерирует черновики разделов и по запросу рекомендует релевантные научные публикации и места для цитирования. Она предназначена прежде всего для работы над введением и обзором связанных работ; генерация всей статьи пока не поддерживается. Для рекомендаций цитат используется контекстно-зависимый подход с поиском по источникам (RAG), однако точность ссылок следует проверять. Модель распространяется по лицензии Apache-2.0.

T5-Efficient-MINI-NL24 — англоязычный предварительно обученный вариант архитектуры T5 от Google, выпущенный вместе с исследованием Scale Efficiently: Insights from Pre-training and Fine-tuning Transformers. Это плотная encoder-decoder модель для преобразования текста в текст; архитектура Deep-Narrow увеличивает глубину при сравнительно небольшом числе параметров. В README указано 125,69 млн параметров и 24 блока, тогда как метаданные каталога указывают 61,9 млн параметров; точный размер поэтому расходится между источниками. Метаданные также задают контекст длиной 512 токенов. Модель обучена на английском корпусе C4 с задачей восстановления замаскированных фрагментов текста. Чекпойнт предназначен для дальнейшего дообучения под прикладные задачи, например суммаризацию, ответы на вопросы и классификацию текста; готовой специализированной способности к этим задачам карточка не подтверждает. Доступны веса в форматах PyTorch, TensorFlow и Flax. Лицензия — Apache-2.0.

Модель potsawee/t5-large-generation-race-Distractor разработана как дообученная версия T5-large для генерации вариантов-отвлечений в заданиях с вопросами и множественным выбором. Она принимает вопрос, правильный ответ и контекст, а затем формирует список из трёх дистракторов. В статье MQAG она используется как второй компонент конвейера генерации вопросов (g2). Модель построена на архитектуре T5 и содержит 385,2 млн параметров; для запуска указана библиотека Transformers и формат PyTorch. Она предназначена для англоязычного набора RACE, а максимальная длина контекста составляет 512 токенов. Распространяется по лицензии Apache-2.0.

Tower-7B-Sep_0c1t — модель ynklab, выпущенная в рамках исследования Doc2FRC. Это полно-параметрически дообученная версия Unbabel/TowerInstruct-Mistral-7B-v0.2 на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для машинного перевода фрагментов документов: каждый вызов переводит один исходный фрагмент в целевой без использования предыдущих фрагментов контекста. Обучение проводилось на примерах sardinelab/DocBlocks с фиксированным разбиением на фрагменты длиной 256–512 токенов; максимальная длина последовательности составляет 32 768 токенов. Модель переводит между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским и китайским языками в обоих направлениях. Она принимает текст с указанием исходного и целевого языков и генерирует переведённый текст. Для воспроизведения документного разбиения, формата запросов и оценки авторы рекомендуют использовать материалы проекта Doc2FRC. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

Tower-7B-Stair_FS4 — модель Unbabel/TowerInstruct-Mistral-7B-v0.2, дообученная SardineLab полным обновлением параметров для многоязычного машинного перевода фрагментов документов. Она переводит между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским или китайским языком в обоих направлениях. Вариант Stair_FS4 обучен на четырёх последовательных фрагментах документа: для каждого следующего фрагмента можно передать до трёх предыдущих частей исходного текста, чтобы учитывать контекст документа. При подготовке данных использовалось разбиение на фрагменты длиной 256–512 токенов; максимальная длина последовательности модели — 32 768 токенов. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров. Она предназначена для сценариев, где нужно переводить документы частями с учётом предыдущего контекста; точное разбиение документа и формат промптов важны для соответствия обучению. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий лицензии.

Tower-7B-Uni_2c1t — модель компании SardineLab для машинного перевода фрагментов документов. Она создана полнопараметрическим дообучением Unbabel/TowerInstruct-Mistral-7B-v0.2 и построена на плотной архитектуре Mistral с 7,1 млрд параметров. Модель обучена совместно работать с запросами без контекста и с одним или двумя предыдущими фрагментами исходного текста, передаваемыми в хронологическом порядке. Данные разбиваются на фрагменты длиной 256–512 токенов. Модель переводит между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским и китайским языками в обоих направлениях. Контекст модели — до 32 768 токенов. Она предназначена для документного перевода, при котором предыдущие фрагменты помогают учитывать контекст между частями текста. Для загрузки контрольных точек PyTorch авторы рекомендуют PyTorch 2.6 или новее. Лицензия CC BY-NC-SA 4.0 допускает использование с указанием авторства и на условиях «одинаково распространяемых» материалов, но запрещает коммерческое использование.

WizardMath 7B V1.1 GGUF — это квантизированная версия языковой модели WizardMath 7B V1.1, разработанной командой WizardLM и подготовленной в формате GGUF пользователем TheBloke. Модель предназначена для генерации текста по инструкциям, прежде всего для решения математических задач и других сценариев, где требуется следовать заданному запросу. Указанный шаблон промпта основан на формате Alpaca. Модель имеет тип mistral и размер 7B параметров. Поддерживается английский язык; сведения о других языках, мультимодальности и размере контекстного окна в README не указаны. Формат GGUF предназначен для локального запуска через llama.cpp и совместимые приложения и библиотеки, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Доступны варианты квантизации от 2 до 8 бит для инференса на CPU и GPU, что позволяет выбирать между требованиями к памяти и качеством генерации. Квантизация может снижать точность по сравнению с исходной моделью fp16. Исходная модель распространяется по Microsoft Research License; ссылка на текст лицензии указана в карточке. Конкретные разрешения и ограничения лицензии следует проверять в её полном тексте.

AfriNLLB-8enc-8dec-iterative-498m-ft — многоязычная модель перевода команды AfriNLP для африканских языков и связанных с ними языковых пар. Она основана на архитектуре M2M-100 с 8 слоями кодировщика и 8 слоями декодировщика; в репозитории указано около 463,7 млн параметров и контекст до 1024 токенов. Модель получена итеративным удалением слоёв из AfriNLLB-12enc-12dec-full-ft-kd и обучена на наборах AfriNLLB-train и AfriNLLB-train-distilled. Модель предназначена для перевода между английским и 13 языками, а также между французским и лингала и волоф; среди поддерживаемых языков перечислены суахили, хауса, йоруба, амхарский, сомали, зулу, африкаанс, волоф, египетский арабский, арабский, французский, португальский и испанский. Сокращённая архитектура призвана ускорить инференс; README приводит результаты сравнения качества и производительности на тестовых наборах FLORES. Для запуска доступны Transformers и варианты CTranslate2, последний рекомендован авторами для производственного инференса. Лицензия — CC BY-NC 4.0, допускающая использование с ограничением на коммерческое применение.

OsaurusAI подготовила Bonsai-27b-1bit-JANG — квантованную версию мультимодальной плотной модели Bonsai-27B-unpacked на архитектуре Qwen3.5 с 27 млрд параметров. Модель принимает текст и изображения и предназначена для диалогов и генерации текстовых ответов по визуальному содержимому; в комплект входят обработчики изображений и видео, а шаблон чата поддерживает режим рассуждений и интерфейс вызова инструментов. Текстовые матрицы хранятся в формате JANG affine с 1-битными кодами и размером группы 128. Линейные слои зрения используют 4-битное affine-хранение, а нормы, состояния и некоторые другие тензоры сохраняются в float16. Для запуска требуется сборка vMLX с поддержкой дискретного JANG-affine и смешанной точности для зрения; обычный mlx_lm эти форматы не поддерживает. Проверка README описывает запуск на Apple M5 Max с 128 ГБ объединённой памяти. Лицензия — Apache-2.0.

agentlans/deberta-v3-xsmall-zyda-2 — англоязычная модель, дообученная на подмножестве набора Zyphra/Zyda-2. Она основана на архитектуре DeBERTa-v3-xsmall и обучалась с целью masked language modeling; размер модели — 77,5 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для заполнения пропусков в тексте, классификации текста и получения текстовых эмбеддингов. В README приведены результаты оценки: loss 2,6347 и accuracy 0,5607. Модель можно использовать как основу для дальнейшего дообучения. Поддерживается только английский язык. Модель может ошибаться на специализированной терминологии, диалектах, сленге, коде и LaTeX; также она может наследовать смещения обучающих данных, поэтому её результаты требуют проверки, особенно в чувствительных сценариях. Лицензия — MIT.

DevQuasar/deepreinforce-ai.Ornith-1.0-35B-GGUF — GGUF-версия модели Ornith-1.0-35B от deepreinforce-ai. По метаданным, модель предназначена для диалоговой работы с текстом и изображениями и поддерживает возможности vision. В репозитории представлены веса в формате GGUF F16. Модель основана на deepreinforce-ai/Ornith-1.0-35B, указанной как базовая дообученная модель. README не сообщает дополнительных сведений об архитектуре, языках, длине контекста, условиях лицензии или ограничениях применения.

Модель разработал Roni Goldshmidt: это дообученная Dicta-IL dictalm2.0-instruct на базе Mistral с 7,1 млрд параметров. Она предназначена для генерации вопросов и ответов на иврите по фрагментам текста, в частности по энциклопедическим материалам; карточка описывает синтетический набор данных, созданный на основе статей Википедии на иврите. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors по лицензии MIT. Подходит для подготовки учебных вопросов, проверки понимания текста и создания пар «вопрос—ответ» по предоставленному материалу. В описанной автором оценке на синтетическом отложенном наборе указаны F1 88% и exact match 75%; эти результаты относятся к данному набору и не гарантируют точность на других данных. Модель может воспроизводить смещения обучающих данных, а ответы требуют проверки; её не рекомендуют использовать для критически важных медицинских или юридических сведений без проверки человеком.

Einstein-v4-phi2 — полноценно дообученная на разнообразных наборах данных модель Microsoft Phi-2, опубликованная Weyaxi. Она предназначена для генерации текста в формате инструкций и диалога ChatML, включая ответы на вопросы и рассуждения по научным и STEM-темам: физике, химии, биологии и математике. В обучающих данных также использовались наборы по общим вопросам, коду и диалогам. Модель имеет плотную архитектуру PhiForCausalLM и 3,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает английский язык, а длина контекста составляет 2048 токенов. Карточка сообщает о полном дообучении в течение двух эпох с использованием Axolotl. В качестве ограничений следует учитывать компактный контекст и то, что ответы модели могут содержать ошибки, в том числе в научных рассуждениях. Лицензия указана как «other», поэтому условия использования следует сверить с файлами репозитория Hugging Face.

ElanMT-BT-en-ja — модель машинного перевода с английского на японский, разработанная проектом ELAN MITSUA / Abstract Engine. Это дообученная версия ElanMT-base-en-ja на открыто лицензированных данных, включая созданный разработчиками параллельный корпус описаний Wikidata и обратный перевод японских материалов с помощью ElanMT-base-ja-en. В обучении не использовались веб-корпуса и результаты машинного перевода других моделей. Модель построена на архитектуре Marian MT: трансформер с шестислойными энкодером и декодером и токенизатором SentencePiece. Метаданные указывают 41,6 млн параметров и контекст до 512 токенов. Модель предназначена для перевода английских текстов на японский; в README приведены результаты оценки на FLORES+ и NTREX. Распространяется по лицензии CC BY-SA 4.0. Разработчики предупреждают, что переводы могут быть неточными, вредными или предвзятыми, поэтому модель не подходит для задач, где требуется высокая точность перевода.

EraX-Translator-V1.0 — компактная мультиязычная модель перевода, разработанная EraX AI на основе Gemma 3 4B IT и дообученная на переводных данных. Она предназначена для перевода между вьетнамским, английским, китайским, кантонским, классическим китайским, русским, украинским, французским, немецким, нидерландским, корейским, японским и хинди. Особое внимание уделено классическому китайскому, в том числе буддийским текстам; модель также рассчитана на практическое развёртывание при ограниченных ресурсах. По данным авторов, обучение включало около 8 млн мультиязычных примеров, среди которых 15 тыс. переводов буддийских текстов с классического китайского на вьетнамский. Модель имеет плотную архитектуру Gemma 3 и около 4 млрд параметров; README сообщает о скорости примерно 80 токенов/с в bfloat16 при использовании vLLM и около 20 ГБ видеопамяти. Рекомендуемый объём одного переводимого фрагмента — не более 1024 токенов. Лицензия — Gemma. Авторы ограничивают назначение переводом и отмечают, что качество зависит от языковой пары и сложности текста; модель не обучалась для перевода математического LaTeX и кода, а качество перевода классического китайского требует дальнейшей проверки.

EZO-Humanities-9B-gemma-2-it — это разговорная текстовая модель AXCXEPT, дообученная на базе Gemma-2-9B-it для повышения качества ответов по гуманитарным дисциплинам. Она предназначена для диалога и генерации текста, особенно при работе с литературой, философией, историей и культурными исследованиями. Модель построена на плотной архитектуре Gemma 2 и содержит 9 млрд параметров. Она ориентирована прежде всего на японский язык, но, согласно карточке, также отвечает на вопросы по широкому кругу тем и языков. Контекстное окно — 8192 токена. Веса доступны в формате safetensors; используется библиотека Transformers. README описывает обычное инструкционное дообучение на отобранных материалах японской Википедии и FineWeb. Модель может помогать с объяснением гуманитарных тем, однако качество ответов и фактическую точность следует проверять. Разработчик обозначает её как экспериментальный прототип, не предназначенный для коммерческого или критически важного применения. Применяются условия Gemma Terms of Use.

gemma-2-2b-it-MT-SFT — дообученная модель Google Gemma 2, подготовленная для машинного перевода на наборе sardinelab/MT-pref. Это плотная авторегрессионная языковая модель с архитектурой Gemma2ForCausalLM и 2,7 млрд параметров; она принимает текст и генерирует текст перевода. Контекст модели — до 8192 токенов. Модель подходит для перевода текстов в диалоговом формате. Метаданные также относят к её поддерживаемым задачам генерацию текста. Карточка не сообщает, какие языковые пары и направления перевода проверялись, поэтому нельзя определить её языковое покрытие и качество для конкретных пар. Модель распространяется под лицензией Gemma.