I.5Создание и редактирование текста

anuj1541/rotary-indictrans2-indic-en-mr-docs — модель перевода, дообученная автором репозитория на базе RotaryIndicTrans из семейства IndicTrans2. Она переводит текст с маратхи на английский, включая документы; обучение проведено методом LoRA на 4 773 парах и 596 парах для валидации, в течение пяти эпох. Архитектура — плотная условная генеративная модель RotaryIndicTrans; базовая модель содержит 200 млн параметров. Модель загружается через Transformers с пользовательским кодом. В оценке на 500 примерах перевода с маратхи на английский дообученная версия показала BLEU 49,05 и ChrF 65,92; эти результаты относятся к указанному в README набору и протоколу оценки. Модель рассчитана на перевод документов, но возможны ошибки перевода и качества для текстов, отличающихся от обучающих данных. Репозиторий не сообщает лицензию.

Dhahlan2000 әзірлеген Simple_Translation-model-for-GPT-v11 — T5 архитектурасындағы 38,5 млн параметрлі мәтіннен мәтінге модель. Ол Dhahlan2000/Simple_Translation-model-for-GPT-v10 моделін белгісіз деректер жиынында қосымша оқыту арқылы жасалған және аудармаға арналған. Контекст ұзындығы — 512 токен, салмақтары safetensors форматында берілген. Бағалау жиынында модельдің loss көрсеткіші 0,4043, BLEU көрсеткіші 13,2694, ал орташа генерация ұзындығы 18,53 токен болған. README нақты тіл жұптарын, деректер жиынын, қолдану шектеулерін немесе лицензияны сипаттамайды; сондықтан модельді қолданар алдында нақты аударма сапасын өз деректеріңізде тексеру қажет.

SmolMaestra-1.7b-Translation-i1-GGUF — набор квантованных моделей в формате GGUF, созданный mradermacher на основе puettmann/SmolMaestra-1.7b-Translation. Модель предназначена для задач машинного перевода между английским и итальянским языками и рассчитана на запуск в средах, поддерживающих GGUF. В метаданных указана библиотека Transformers и размер базовой модели около 1,7 млрд параметров. Преимущество набора — широкий выбор вариантов квантования с размером файлов примерно от 0,5 до 1,5 ГБ, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством. Некоторые варианты отмечены как более быстрые или рекомендуемые, однако низкобитные конфигурации могут заметно уступать по качеству; конкретные показатели точности и сведения о максимальном контексте в README не указаны. Доступна лицензия Apache-2.0.

Tower-7B-Stair_2c1t — мультиязычная модель машинного перевода от авторов работы Doc2FRC, созданная полнопараметрическим дообучением Unbabel/TowerInstruct-Mistral-7B-v0.2. Она переводит фрагменты документов между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским и китайским языками. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров. Для обработки контекста документа вариант Stair_2c1t принимает текущий фрагмент вместе с нулём, одним или двумя предыдущими исходными фрагментами; при этом используется схема, зависящая от позиции фрагмента. Для обучения применялась фиксированная нарезка на фрагменты длиной 256–512 токенов, максимальная длина последовательности — 32 768 токенов. Модель рассчитана на перевод документов с учётом локального контекста, а не только отдельных предложений. Для точного воспроизведения разбиения документов, формата запросов и процедуры оценки нужны скрипты проекта Doc2FRC. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и задаёт условия распространения производных материалов.

Iker/TowerInstruct-7B-v0.2-EN2ES — модель семейства Llama, дообученная автором Iker на базе Unbabel/TowerInstruct-7B-v0.2 для перевода инструкций и ответов с английского на испанский. Для обучения использовано около 1 500 пар промптов и ответов из OpenHermes-2.5, переведённых с помощью GPT-4-0125-preview. Модель предназначена для перевода англоязычных инструкционных данных и может запускаться локально. Это плотная авторегрессионная модель с 6,6 млрд параметров, контекстом до 8 096 токенов и форматом safetensors; использует библиотеку Transformers. Лицензия — Apache-2.0. Карточка заявляет качество перевода GPT-4, но не приводит независимых оценок. Автор также отмечает сбой на очень больших входах; поэтому качество и устойчивость на длинных текстах не гарантированы.

Zen Legal — специализированная языковая модель Hanzo AI для юридических сценариев, дообученная на основе Qwen3-8B с дополнительным обучением на данных для агентных задач и настройкой идентичности. Модель с плотной архитектурой Qwen3ForCausalLM содержит 7,6 млрд параметров и предназначена для генерации текста; заявленный контекст составляет 40 960 токенов по метаданным, а README указывает 32K токенов нативно и до 131K с YaRN. Модель рассчитана на анализ договоров, исследование судебных дел, проверку нормативного соответствия и составление юридических документов. Она работает с текстом на английском языке и унаследовала многоязычные возможности базовой Qwen3-8B. Это инструмент для разработчиков юридических технологий и исследователей; ответы не являются юридической консультацией. Лицензия Apache 2.0 разрешает локальный запуск, дообучение и коммерческое развёртывание.

Albertina 900M PT-PT — энкодерная языковая модель семейства BERT на архитектуре DeBERTa-v2, разработанная совместной командой Лиссабонского и Португальского университетов. Модель содержит 1,1 млрд параметров, 24 слоя, скрытый размер 1536 и контекст до 512 токенов; предназначена для европейского португальского языка Португалии. Модель обучена на корпусе примерно из 2,2 млрд токенов, включающем веб-тексты, материалы Европейского парламента и стенограммы португальского парламента. Основной сценарий применения — восстановление замаскированных токенов; энкодер также подходит как основа для задач понимания текста на португальском, например определения сходства предложений и текстового следования. В README приведены результаты на португальских вариантах GLUE для таких задач. Весами можно пользоваться по лицензии MIT. Модель рассчитана на португальский вариант PT-PT; указанные в карточке оценки получены на автоматически переведённых наборах, а качество для других языков и вариантов португальского не подтверждено.

CAMeLBERT-MSA-eighth — арабская модель семейства BERT, разработанная CAMeL Lab и предварительно обученная на одной восьмой корпуса для современного литературного арабского языка (MSA). Это вариант модели CAMeLBERT, представленный в исследовании о влиянии языкового варианта, размера корпуса и типа задачи на арабские предобученные языковые модели. Модель содержит 136,3 млн параметров, использует архитектуру BERT с головой masked language modeling и принимает последовательности длиной до 512 токенов. Она предназначена для заполнения пропусков в тексте и как основа для дообучения на задачах обработки арабского языка, включая распознавание именованных сущностей, разметку частей речи, анализ тональности, определение диалекта и классификацию поэзии. Для предобучения использовались корпуса современного литературного арабского языка, включая Arabic Gigaword, Arabic Wikipedia и OSIAN. Модель рассчитана на современный литературный арабский и может хуже подходить для диалектов и других языков. Для специализированных задач обычно требуется дообучение. Лицензия — Apache-2.0.

Карточка модели VIzzxy/Bhashaverse_base_updt_WMT2026 на Hugging Face совпадает с карточкой ltrciiith/bhashaverse, поэтому описание составлено по ней. OneNMT v3b — мультиязычная модель машинного перевода, представленная в репозитории ltrciiith/bhashaverse. Она использует архитектуру seq2seq на основе Transformer с 18 слоями энкодера и 18 слоями декодера и обёрткой MBartForConditionalGeneration. README заявляет поддержку 36 × 36 языковых пар для 35 индийских языков и английского; метаданные указывают 369 млн параметров и контекст до 1026 токенов. Модель предназначена для перевода между поддерживаемыми индийскими языками и английским. Для токенизации требуется предоставленный в репозитории fairseq-словарь и рекомендованный скрипт или обёртка: стандартный токенизатор MBart может сопоставлять токены с неверными ID и давать некорректный результат. Модельные веса опубликованы в формате safetensors, лицензия — MIT.

Chinese-LLaVA-Cllama2 — двуязычный китайско-английский визуально-языковой помощник, разработанный проектом LinkSoul. Модель построена на архитектуре LLaVA с языковой частью на основе Chinese-Llama-2; в метаданных указано 6,6 млрд параметров и контекст 2048 токенов. Репозиторий содержит веса PyTorch. Модель предназначена для диалога на китайском и английском языках с учетом визуального содержимого. Она может отвечать на вопросы по изображениям и вести мультимодальный диалог; основная задача в метаданных — генерация текста. В README заявлена возможность коммерческого использования, однако указаны разные лицензии: OpenRAIL в метаданных Hugging Face и Apache-2.0 в карточке проекта, поэтому условия лицензирования следует сверить для конкретных файлов модели.

En-Indic Translate 26B — дообученная модель на базе google/gemma-4-26B-A4B-it, представленная автором карточки как система перевода с английского на 11 индийских языков: ассамский, бенгальский, гуджарати, хинди, каннада, малаялам, маратхи, одиа, пенджаби, тамильский и телугу. Она предназначена для перевода сложных, длинных документов с формулами и структурированным содержимым. Модель сохраняет LaTeX-формулы, блоки кода, заголовки и структуру документа. Базовая Gemma 4 — мультимодальная модель, но README описывает именно перевод текста; указанная архитектура — Gemma4ForConditionalGeneration, формат весов — safetensors, библиотека — Transformers. В карточке приведена оценка на 500 документах, где отдельно измерялись сохранность математических элементов, кода и склонность к циклическим повторам. Возможность модели обрабатывать тысячи токенов согласованно заявлена в README, но точная длина контекста в предоставленных сведениях не приведена. Автор сообщает о тестировании на AMD MI300X с ROCm; для NVIDIA CUDA могут потребоваться корректировки версий пакетов. Лицензия — Gemma.

UNIST-Eunchan разработал FLAN-T5-NLP-Paper-to-Question-Generation — модель семейства T5, дообученную на базе google/flan-t5-large для создания вопросов и ответов по научным статьям. На вход подаются аннотация и введение статьи, а на выходе формируются пары «вопрос — ответ»; модель также предназначена для суммаризации научных и длинных документов, в том числе в форме вопросов и ответов. Модель содержит 385,2 млн параметров по метаданным, использует архитектуру T5ForConditionalGeneration и принимает текст с контекстом до 512 токенов. Карточка описывает обработку англоязычных NLP-статей и приводит примеры применения к научным публикациям из других областей. Для генерации нескольких пар используется top-p sampling. В README указано, что инференс на CPU может быть медленным; для GPU автор сообщает об ускорении примерно в 60 раз в сравнении с CPU на Colab T4. Модель распространяется по лицензии Apache-2.0. README сообщает о дообучении на датасете NLP-Paper-to-QA-Generation, основанном на QASPER; при этом в обучающую выборку включены train и test части этого датасета, поэтому результаты на связанных оценочных данных могут быть смещены.

Модель google/gemma-4-26B-A4B-it-qat-q4_0-unquantized-assistant разработана Google DeepMind и представляет собой вариант Gemma 4 26B A4B для совместной работы с целевой моделью в конвейере спекулятивного декодирования с multi-token prediction. Это дообученная версия базовой модели google/gemma-4-26B-A4B-it-assistant, опубликованная в формате safetensors и лицензированная по Apache 2.0. Семейство Gemma 4 использует архитектуры Dense и MoE, гибридное внимание с локальными и глобальными слоями и поддерживает длинный контекст до 256 тысяч токенов для модели 26B A4B. Семейство принимает текст и изображения и выдаёт текст; заявлены диалоговый режим, рассуждение, работа с кодом, понимание документов и вызов инструментов. Эти сведения описывают семейство, а карточка не уточняет отдельно все возможности данного assistant-чекпойнта. Для совместимости с QAT-целевой моделью ассистент должен иметь тот же вариант QAT и точность.

HY-MT1.5-1.8B-FP8 — квантованная в формате FP8 версия модели Hunyuan Translation Model 1.5 с 1,8 млрд параметров, разработанная Tencent Hunyuan. Модель предназначена для машинного перевода и взаимного перевода между 33 языками, а также поддерживает пять этнических и диалектных вариантов. Среди заявленных языков — китайский, английский, русский, японский, корейский, арабский, французский, немецкий, испанский, португальский и другие. Модель ориентирована на быстрый и качественный перевод, включая сценарии реального времени и развёртывание на периферийных устройствах после квантования. Она поддерживает вмешательство в терминологию, контекстный перевод и перевод с сохранением форматирования. Для работы предусмотрена интеграция с библиотекой Transformers; в README приведены шаблоны запросов для перевода с китайского и на китайский, перевода между другими языками, передачи контекста и сохранения тегов форматирования. К сильным сторонам относятся высокая скорость, компактность относительно 7B-версии и заявленная конкурентоспособная производительность среди моделей сопоставимого размера, включая сравнение с коммерческими API. Ограничения README не раскрывает: не указаны размер контекста, точные архитектурные характеристики, результаты отдельных тестов, требования к оборудованию и перечень поддерживаемых форматов ввода помимо текстового. Лицензия в предоставленных материалах не указана.

Это квантизированная версия Tencent Hy-MT2-30B-A3B, подготовленная alphaZimuth в формате GGUF с помощью APEX на основе llama.cpp. Модель с архитектурой MoE имеет около 30 млрд параметров, из которых примерно 3 млрд активны при обработке. В репозитории представлены варианты разного размера и точности; рекомендуемая серия APEX-I откалибрована с матрицей важности на многоязычных данных для перевода. Модель предназначена прежде всего для перевода текстов между поддерживаемыми языками и запуска через llama.cpp. Варианты занимают от 11,5 до 19 ГБ; для работы требуется llama.cpp версии b9993 или новее с поддержкой архитектуры hy_v3. В карточке заявлена лицензия Apache-2.0. Разработчик сообщает о лучших качестве и стабильности переводов у APEX-I по сравнению с некалиброванными вариантами, однако численные результаты приведены для собственного тестирования.

adipras1407/indictrans2-en-indic-1B-conversational — дообученная модель перевода на основе IndicTrans2 от AI4Bharat. Она предназначена для перевода с английского на 21 индийский язык в разговорном регистре: например, для чатов, диалогов и субтитров. Модель использует архитектуру IndicTrans для условной генерации текста и содержит около 1,1 млрд параметров; для работы применяется библиотека Transformers. В README заявлено улучшение chrF2 на разговорных тестах при близком к базовой модели результате на FLORES, однако прирост не подтверждён оценкой людьми и может частично отражать сходство стиля с тестовыми примерами. Модель обучали на смешанных разговорных и общих данных, а затем усреднили веса с базовой моделью. Направление перевода — только с английского на индийские языки; перевод в обратном направлении и между индийскими языками не проверялся. Для официального или новостного текста базовая модель может быть не хуже, а качество для языков с малым объёмом данных ограничено. Весам указана лицензия MIT; README также рекомендует проверять условия лицензирования исходных обучающих данных, особенно для коммерческого использования.

ISOM-R1-Enterprise-40B-Beta — экспериментальная реализация Prannessh K.V.A. для запуска Falcon-40B-Instruct с ограниченным кэшем KV. Согласно карточке, веса Falcon загружаются без изменений, а собственная часть проекта применяется во время инференса: использует динамический кэш IsomStateCache, INT8-квантование кэша и отбор ориентиров по оценке значимости. Это не дообученная версия весов Falcon. Модель предназначена для генерации текста, рассуждений и анализа длинных документов в сценариях с ограниченной памятью. В README описана архитектура Falcon с 60 слоями и многозапросным вниманием; заявлены 40 млрд параметров, тогда как метаданные указывают 65 млрд. Метаданные задают контекст 8192 токена, а README приводит теоретические спецификации вплоть до 32768 токенов и бюджет кэша 4096 токенов. Заявленные характеристики кэша представлены как теоретические расчёты, а не как результаты аудированных аппаратных испытаний. Карточка указывает английский язык и лицензию CC BY-NC-ND 4.0 для авторских компонентов; базовые веса Falcon-40B-Instruct распространяются по Apache 2.0. Для практического развёртывания README ориентируется на мног GPU-системы корпоративного класса. Различие в заявленном числе параметров и отсутствие эмпирической проверки длинных контекстов требуют осторожности при планировании ресурсов и оценке качества.

nsi319 разработал legal-led-base-16384 — модель Longformer Encoder Decoder (LED) для абстрактивного суммирования длинных юридических документов. Она обучена на наборе sec-litigation-releases, содержащем более 2700 пресс-релизов о судебных разбирательствах и исковых заявлений, и рассчитана на входные документы длиной до 16 384 токенов. Модель имеет 95,2 млн параметров и доступна в формате PyTorch. Модель предназначена для создания кратких изложений юридических материалов, в частности документов о судебных разбирательствах. В карточке приведены результаты ROUGE на юридических документах, превосходящие базовую LED-модель по указанным метрикам. Лицензия — MIT. Языковая метка модели — английский.

MLP-KTLim разработала эту мультиязычную модель для перевода коротких текстов между корейским, вьетнамским, индонезийским, кхмерским и тайским языками. Это дообученная версия инструкционной модели Meta Llama 3.1 8B Instruct с архитектурой Llama и 7,5 млрд параметров; она принимает текстовые запросы и генерирует перевод. В карточке заявлены все пары направлений между пятью языками и обучение на 20 млн примеров. Модель предназначена для перевода коротких фраз, распространённых выражений и простых разговоров. Контекстное окно составляет 131 072 токена, однако авторы предупреждают, что качество может снижаться на длинных и сложных текстах и различаться в зависимости от языковой пары и содержания. Модель распространяется по лицензии Llama 3.1.

Shahradmz создал OLMo-1B-hf-PPO-constitution-1 — дообученную с помощью TRL языковую модель семейства OLMo для генерации текста в диалоговом формате. Пример в карточке показывает, как передать вопрос пользователя и получить ответ; метаданные также отмечают поддержку чата. Модель построена на плотной архитектуре OlmoForCausalLM и содержит 1,2 млрд параметров. Она принимает текст и генерирует текст, поддерживает контекст длиной до 2048 токенов и распространяется в формате safetensors. Лицензия и целевой язык в доступных сведениях не указаны.

OLMo 2 1B — базовая авторегрессионная языковая модель на архитектуре Transformer, разработанная Allen Institute for AI (Ai2). Это младшая модель семейства OLMo 2: около 1,3 млрд параметров, 16 слоёв, размер скрытого состояния 2048 и 16 голов внимания. Модель обучалась на корпусе OLMo-mix-1124, а затем проходила промежуточное обучение на Dolmino-mix-1124; в README указано около 4 трлн токенов предобучения. Контекст — 4096 токенов. Модель предназначена для генерации продолжений текста и исследовательских экспериментов с языковыми моделями; её можно запускать и дообучать через Transformers. Основной язык — английский. Доступны веса в формате safetensors, для использования требуется Transformers версии 4.48 или выше. Модель распространяется по лицензии Apache 2.0. Как базовая языковая модель, она может выдавать неточные сведения и нежелательный или предвзятый контент; факты в её ответах следует проверять. Она не является мультимодальной и не описана как специализированная инструкционная модель.

domenicrosati/opus-mt-en-es-scielo — модель машинного перевода на архитектуре Marian, дообученная на датасете SciELO. Она предназначена для перевода текстов с английского на испанский; размер модели — 58,4 млн параметров, родной контекст — до 512 токенов. В оценке на тестовой выборке указаны BLEU 41,54 и loss 1,2189. Модель принимает текст и выдаёт перевод текстом. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Helsinki-NLP/opus-mt-rn-en — модель машинного перевода из проекта OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с рунди на английский; направление перевода обозначено как run-eng, без поддержки других языков в качестве исходного или целевого. Модель построена на архитектуре Marian, содержит около 29 млн параметров и принимает текстовые последовательности с контекстом до 512 токенов. Для предварительной обработки используются нормализация текста и SentencePiece. В карточке приведён результат на тестовом наборе Tatoeba: BLEU 26,7 и chr-F 0,428. Модель подходит для перевода фраз и текстов с рунди на английский, однако опубликованный результат не гарантирует качество для всех типов текстов и предметных областей. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-trk-en — модель машинного перевода семейства OPUS-MT, представленная Helsinki-NLP. Это трансформер MarianMT с 56,8 млн параметров, обученный переводить тексты с тюркских языков на английский. Поддерживаются, в частности, турецкий, татарский, казахский, кыргызский, узбекский, азербайджанский, башкирский, чувашский, уйгурский и другие языки и варианты письма из семейства тюркских, перечисленные в карточке. Модель подходит для перевода отдельных фраз и текстов, а также для включения в конвейеры автоматического перевода. Для предобработки используются нормализация и SentencePiece с моделью на 32 тысячи токенов; контекст — до 512 токенов. В README приведены оценки BLEU и chr-F на наборах OPUS, включая низкие BLEU-оценки на нескольких тестах турецко-английского перевода, поэтому качество может существенно зависеть от языка и тематики текста. Веса доступны в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0. Карточка не заявляет специализацию на конкретной предметной области.

paust/pko-flan-t5-large — корейская модель семейства T5, разработанная PAUST на основе paust/pko-t5-large с помощью дообучения на инструкциях. Она предназначена для выполнения текстовых задач по инструкциям; в карточке перечислены задачи классификации NSMC, KLUE YNAT и KorNLI, а также другие задачи из таблицы обучения. Модель содержит около 403,9 млн параметров, использует архитектуру T5ForConditionalGeneration и доступна в форматах PyTorch и Safetensors. Для работы применяется библиотека Transformers. Поддерживаемый язык по карточке — корейский. Лицензия — MIT. Автор сообщает, что инструкционное дообучение продолжается и публикуемые веса могут быть промежуточными результатами. README не раскрывает полный список задач, поэтому нельзя уточнить весь охват классификации или качество на отдельных сценариях.

PLaMo Translation Model — специализированная языковая модель для перевода, разработанная Preferred Networks. Это плотная авторегрессионная модель семейства PLaMo 2 с 8,1 млрд параметров, представленная в формате Safetensors и предназначенная для работы через Transformers. Модель дообучена на базе pfnet/plamo-2-8b и поддерживает контекст до 10 485 760 токенов. Модель рассчитана на задачи перевода, прежде всего между английским и японским языками. Она не проходила настройку для диалогового чата и других прикладных задач, поэтому её следует использовать как специализированный переводчик. Лицензия — PLaMo community license; для коммерческого использования разработчик просит ознакомиться с условиями и связаться с Preferred Networks. Проверки проводились на английском и японском языках, поэтому результаты могут быть неточными или предвзятыми; перед внедрением нужна проверка на целевых сценариях.

PortBERT-base — португалоязычная языковая модель семейства PortBERT, разработанная авторами проекта PortBERT. Это модель архитектуры RoBERTa, предварительно обученная с нуля на португальской части OSCAR23 и MC4, представленной дедуплицированными вариантами CulturaX. Вариант base в README указан с 126 млн параметров; метаданные репозитория указывают 153,2 млн параметров. Модель принимает текст и предсказывает скрытые токены, поэтому подходит для задачи заполнения пропусков и как основа для дообучения под португальские NLP-задачи. Авторы оценивали семейство на ExtraGLUE — португальской адаптации GLUE — с дообучением на задачах сходства предложений, распознавания текстовых следствий и классификации парафраз. В README указаны GPT-2-подобный токенизатор с размером словаря 52 тыс. и обучение PortBERT-base на 8 GPU A40; метаданные задают контекст в 514 токенов. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Модель распространяется по лицензии MIT. Оценки ExtraGLUE рассчитаны на валидационных наборах, поскольку авторы сообщают об отсутствии отложенных тестовых наборов; результаты поэтому не являются независимой оценкой на тесте. Размер модели также указан по-разному в README и метаданных.

Карточка модели BeautyQueen/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.

Карточка модели jiamingfeatherless/Qwen2.5-0.5B-Histogram 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/Qwen3.5-0.8B-4bit — это 4-битная квантизированная версия мультимодальной модели Qwen3.5-0.8B, разработанная сообществом mlx-community на основе Qwen/Qwen3.5-0.8B-Base и конвертированная в формат MLX с использованием mlx-vlm версии 0.3.12. Модель предназначена для задач image-text-to-text: анализа изображений и генерации текстовых ответов по текстовым запросам и визуальному содержимому, включая описания изображений. Модель содержит около 0,8 млрд параметров и поддерживает обработку текста и изображений. Формат 4-bit снижает требования к памяти и делает модель подходящей для локального запуска в экосистеме MLX, однако может ограничивать качество по сравнению с полноразмерной или менее квантизированной версией. В README не указаны поддерживаемые языки, размер контекстного окна и другие детальные характеристики архитектуры. Модель распространяется по лицензии Apache-2.0. Для использования требуется программный стек mlx-vlm; в README приведён сценарий запуска с локальным изображением и текстовым запросом.