I.5Создание и редактирование текста

mlx-community/Qwen3.5-9B-6bit — модель, преобразованная сообществом mlx-community в формат MLX из Qwen/Qwen3.5-9B с использованием mlx-vlm версии 0.3.12. Базовая модель указана как Qwen/Qwen3.5-9B-Base, а исходная карточка модели размещена в репозитории Qwen/Qwen3.5-9B. Модель предназначена для задач, связанных с пониманием изображений и генерацией текста по визуальному содержимому, включая описание изображений. Она классифицируется как image-text-to-text и может использоваться через библиотеку mlx-vlm на устройствах, совместимых с MLX. В README не указаны архитектура, точный размер в параметрах, поддерживаемые языки и размер контекстного окна. Обозначение 6bit указывает на шестибитное представление модели, но дополнительные сведения о характеристиках квантования не приведены. Модель распространяется по лицензии Apache-2.0. README не содержит подробностей о сильных сторонах, ограничениях и полном наборе сценариев применения; за ними предлагается обращаться к оригинальной карточке Qwen/Qwen3.5-9B.

ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5 — дообученная ConnorYU модель семейства Qwen3.5 с плотной архитектурой и классом Qwen3_5ForConditionalGeneration. Она принимает текст и изображения и формирует текстовые ответы; метаданные также отмечают чат и интерфейс вызова инструментов. Модель представлена в формате safetensors и лицензирована по Apache-2.0. Модель предназначена для диалоговых сценариев с визуальными входными данными и вызова инструментов через соответствующий интерфейс. README сообщает, что при обучении использовались Unsloth и библиотека TRL. Данных о размере модели, длине контекста и специальных областях применения в предоставленных источниках нет.

Qwen3.8-27B-PrismaAQUA-5.5bit-vllm — это смешанно-точная квантованная версия Qwen/Qwen3.8-27B, опубликованная rdtand. Модель предназначена для задач преобразования изображения и текста в текст и рассчитана на запуск через vLLM. Чекпойнт использует стандартный формат compressed-tensors и обслуживается обычным vLLM без форка среды выполнения и пользовательских ядер. Размер модели составляет около 21,98 GiB на диске, эффективная разрядность — 5,5002 бита на параметр квантируемой части, содержащей 24,35 млрд параметров. В архитектуре применена индивидуальная смешанная квантализация отдельных Linear-слоёв: NVFP4 W4A4 с группировкой 16, FP8 E4M3 с поканальным масштабированием и BF16 для наиболее чувствительных компонентов. В полном разрешении сохранены lm_head, embed_tokens, визуальная башня, головы multi-token prediction, нормы и маршрутизаторы. README не указывает поддерживаемые языки и размер контекста. По измерениям на WikiText-2 квантализация увеличивает perplexity с 9,361 до 9,580, то есть примерно на 2,34%. Проверены загрузка и генерация в режимах vLLM eager и CUDA graph. Сильными сторонами являются экономия памяти, сохранение чувствительных компонентов в BF16 и совместимость со стандартным vLLM. Ограничение — заметный хвост ошибок: p99 и максимальное значение KL существенно выше среднего, поэтому средние показатели могут скрывать ухудшение на отдельных позициях. Набор downstream-задач в описании не тестировался. Модель распространяется по лицензии Apache-2.0.

prajdabre/rotary-indictrans2-indic-en-1B — модель машинного перевода, созданная как независимое воспроизведение исследования по развитию возможностей работы с длинным контекстом у многоязычных нейросетевых моделей перевода. Автор заменил синусоидальные позиционные эмбеддинги базовой модели IndicTrans2 на Rotary Positional Embedding и дополнительно дообучил модель для выравнивания. Это плотная модель класса RotaryIndicTransForConditionalGeneration с примерно 1 млрд параметров, предназначенная для перевода с индийских языков на английский, прежде всего на уровне документов и длинного контекста. Для предварительной обработки текстов используется IndicTransToolkit с модулем IndicProcessor. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Модель ориентирована на длинные документы; автор приводит пример обработки входа размером 1457 на одном GPU A100. Для коротких предложений результат может быть немного хуже, чем у базовых моделей IndicTrans2, и может потребоваться настройка параметров генерации. В отдельных случаях перевод бывает неоптимальным; также версия 1B может требовать значительных вычислительных ресурсов или уменьшения размера beam search. Автор рекомендует проверять качество на целевом сценарии до масштабного использования.

Карточка модели nandbins/tinyllama-trl-merged на Hugging Face совпадает с карточкой SaniaKhalid/tinyllama-trl-merged, поэтому описание составлено по ней. SaniaKhalid/tinyllama-trl-merged — дообученная и объединённая с LoRA чат-модель на основе TinyLlama-1.1B-Chat-v1.0, созданная с использованием TRL. Это самостоятельная модель с архитектурой LlamaForCausalLM и примерно 1 млрд параметров; веса сохранены в формате safetensors, в README также указана точность FP16. Контекст модели составляет 2048 токенов. Модель предназначена для генерации текста и диалоговых ответов, в частности для ответов на вопросы по образовательным материалам. Карточка указывает обучающий набор arif-butt/arifbutt_dataset и английский язык. По сравнению с исходной TinyLlama модель адаптирована под образовательные вопросы и ответы; компактный размер подходит для сценариев с ограниченными вычислительными ресурсами. Лицензия — Apache-2.0.

Tower-7B-Sep_1c1t — модель SardineLab, выпущенная в рамках работы Doc2FRC о переводе документов с разбиением на фрагменты фиксированного диапазона длины. Это полно-параметрически дообученная на supervised-примерах версия Unbabel/TowerInstruct-Mistral-7B-v0.2: плотная Mistral-архитектура с 7,1 млрд параметров, рассчитанная на генерацию текста и перевод между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским или китайским в обоих направлениях. Вариант Sep_1c1t переводит текущий исходный фрагмент в один целевой, учитывая один непосредственно предшествующий фрагмент исходного текста. Модель обучалась на фрагментах длиной 256–512 токенов; максимальная длина последовательности при обучении составляла 32 768 токенов. Для полного воспроизведения разбиения документов, формата запросов и оценки авторы отсылают к материалам проекта Doc2FRC. Модель предназначена для многоязычного машинного перевода фрагментов документов с учетом ближайшего контекста. Репозиторий содержит веса PyTorch для Transformers. Лицензия CC BY-NC-SA 4.0 допускает использование на условиях указания авторства, распространения производных материалов на той же лицензии и некоммерческого применения.

Villanova-2B-Base-2603 — базовая языковая модель семейства Villanova, разработанная проектом VillanovaAI. Это декодерный трансформер архитектуры Llama с 2,4 млрд параметров; модель обучена с нуля на 4,4 трлн токенов и принимает контекст до 32 768 токенов. Веса опубликованы в формате safetensors по лицензии Apache-2.0. Модель предназначена для продолжения текста и как основа для последующего дообучения и настройки под задачи. Она рассчитана прежде всего на английский, немецкий, испанский, французский и итальянский языки; частичная поддержка других языков и кода не гарантирует сопоставимого качества. Модель компактна для тонкой настройки и развёртывания при ограниченных ресурсах, а среди описанных сценариев обучения — работа с текстом, математикой и кодом. Это не instruction-tuned модель: сама по себе она не предназначена для диалогового следования инструкциям; для чата авторы указывают отдельную instruct-версию Villanova-2B-2603. В README приведена оценка на тестах длинного контекста RULER при 32k токенов, но результат не гарантирует качества для конкретных прикладных задач.

Модель Congo Digital Services (CDS SARL), созданная для проекта MALOBA совместно с ПРООН в Республике Конго, распознаёт устную речь на лингала и преобразует её в текст. Это дообученная версия OpenAI Whisper Small: модель адаптировали методом QLoRA/LoRA, а адаптеры объединили с базовыми весами. Репозиторий содержит веса в формате safetensors с поддержкой bitsandbytes; для запуска подходит Transformers или совместимый сервер транскрибирования. Модель предназначена для черновой расшифровки передач сельского радио и полевых записей на лингала. В README указано, что для распознавания следует передавать язык ln и задачу transcribe; аудио нужно предварительно привести к частоте 16 кГц. На тестовом наборе из 1 882 сегментов модель показала WER 46,4% после нормализации. Результат заметно лучше базового Whisper Small, но ошибки остаются частыми, поэтому текст требует проверки человеком. Модель не предназначена для других языков, идентификации говорящих или использования без проверки в юридических, медицинских и других критически важных сценариях. Тестовый набор содержит 17 сегментов с аудио, совпадающим с обучающими данными, а записи охватывают лишь 20 источников и не позволяют оценить все региональные варианты речи и шумные условия. Лицензия модели — MIT.

AXELIDEA-QUON-14B-Japanese-v01 — языковая модель Axelidea Inc. для творческого мышления и генерации идей на японском и английском языках. Она содержит 14,1 млрд параметров, использует архитектуру Llama и предназначена для генерации текста и диалогов. Контекст модели — до 16 384 токенов. Модель создана на основе shisa-ai/shisa-v2.1-unphi4-14b и объединяет 60 экспертных LoRA, обученных на японских патентных документах для дивергентного мышления, аналогий, смены перспективы и генерации идей с ограничениями. Разработчик заявляет о применении модели для мозговых штурмов, межотраслевых инноваций, анализа патентного ландшафта, подготовки раскрытий изобретений и исследовательской работы. В сравнительной оценке, приведённой в карточке, модель заняла первое место среди перечисленных моделей класса 14B на японском наборе задач; результат не гарантирует аналогичного качества в других сценариях. Карточка предупреждает, что модель может ненадёжно выполнять сложные или строго структурированные инструкции: обучение было ориентировано на творческую генерацию. Репозиторий распространяется по лицензии MIT.

CAMeLBERT-MSA-sixteenth — предварительно обученная модель BERT для арабского языка, выпущенная CAMeL Lab. Это вариант семейства CAMeLBERT для современного литературного арабского языка (MSA), обученный на одной шестнадцатой корпуса MSA; число параметров — 136,3 млн, длина контекста — до 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Модель предсказывает замаскированные токены и подходит как языковая основа для дообучения на задачах обработки арабского языка, включая распознавание именованных сущностей, разметку частей речи, анализ тональности, определение диалектов и классификацию поэзии. Для обучения использовались арабские текстовые корпуса, включая Arabic Gigaword, Abu El-Khair Corpus, OSIAN, Arabic Wikipedia и Arabic OSCAR. Лицензия — Apache-2.0. Модель обучалась на MSA, поэтому её специализация не распространяется автоматически на диалектный и классический арабский; для прикладных задач, кроме заполнения пропусков, обычно требуется дообучение.

Bioinspired-Llama-3-1-8B-128k-gamma — плотная авторегрессионная языковая модель семейства Llama 3.1, опубликованная lamm-mit. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста в диалоговом режиме; заявленное нативное окно контекста — 131 072 токена. В метаданных указаны области биологии, химии, биологических материалов, материаловедения, инженерии и научного ИИ. Модель подходит для диалога и генерации текста по научным темам, связанным с биологически вдохновлёнными материалами и материаловедением. Карточка показывает пример загрузки через Transformers и общения в несколько ходов. Данные не подтверждают конкретные языки, специализированную точность в отдельных научных задачах или отдельный обучающий набор; следует проверять ответы, особенно при использовании в исследовательских и инженерных решениях. Репозиторий содержит веса Safetensors. Лицензия в предоставленных источниках не указана.

yanekyuk/camembert-keyword-extractor — модель извлечения ключевых слов на основе CamemBERT, дообученная автором репозитория на неизвестном наборе данных. Она размечает входной текст по токенам и предназначена для выделения ключевых слов во франкоязычном тексте. Модель содержит 137,8 млн параметров, работает в формате PyTorch и поддерживает контекст до 514 токенов. В карточке приведены результаты оценки: F1 0,6859, точность 0,6743, полнота 0,6979 и accuracy 0,9346. Данные обучения и подробные ограничения не описаны, поэтому качество на текстах других жанров и доменов по этим цифрам оценить нельзя. Лицензия — MIT.

Meta Chameleon 7B — мультимодальная модель с ранним слиянием модальностей, разработанная исследовательской группой FAIR компании Meta. Репозиторий содержит контрольную точку на 7 млрд параметров; семейство Chameleon также включает вариант на 30 млрд параметров. Модель предназначена для обработки изображений и текста в единой последовательности и относится к задаче image-text-to-text. Её можно применять для генерации текстовых ответов с учётом изображения и для мультимодального диалога. В карточке указана лицензия other; конкретные условия использования следует сверять с лицензией репозитория.

Chinese-Mixtral — языковая модель, созданная командой HFL путём дополнительного предварительного обучения Mixtral-8x7B-v0.1. Это базовая модель для генерации текста, а не готовый чат-бот: в карточке отдельно указано, что она не предназначена для диалогов и ответов на вопросы без дополнительной адаптации. Модель построена на архитектуре Mixtral с разреженной экспертной структурой MoE; в метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Карточка указывает поддержку китайского и английского языков. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Карточка модели ronigold/dictalm2.0-instruct-fine-tuned на Hugging Face совпадает с карточкой ronigold/dictalm2.0-instruct-fine-tuned-alpaca-gpt4-hebrew, поэтому описание составлено по ней. 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.

mHossain/en_bn_summarize_v1 — дообученная на неизвестном наборе данных модель Google mT5-small для суммаризации на английском и бенгальском языках. Она построена на архитектуре encoder-decoder MT5ForConditionalGeneration и содержит около 157,4 млн параметров. Модель принимает текст и генерирует его краткое изложение; репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. В карточке приведены результаты оценки: loss 2,9948, а значения ROUGE-1, ROUGE-2, ROUGE-L и ROUGE-Lsum равны 0,0. Эти результаты не подтверждают качество суммаризации, поэтому модель следует оценивать на собственных примерах перед применением.

En-Indic Translate 4B — модель sulabhkatiyar, дообученная на google/gemma-4-E4B-it для перевода с английского на 11 индийских языков: ассамский, бенгальский, гуджарати, хинди, каннада, малаялам, маратхи, одия, панджаби, тамильский и телугу. Она предназначена для перевода сложных документов, сохраняя формулы LaTeX, блоки кода, заголовки и структуру документа. Модель использует плотную архитектуру Gemma 4 и доступна в формате safetensors для Transformers. В README приведена оценка на 500 сложных англоязычных документах: сообщается о низкой частоте зацикливания и сохранении математической разметки; результаты сравниваются с Sarvam-Translate и другими вариантами семейства. Лицензия — Gemma. Проверка проводилась на AMD MI300X с ROCm; для среды NVIDIA CUDA могут потребоваться корректировки версий пакетов. Приведённые метрики относятся к конкретному тестовому набору и не гарантируют такого же качества на других типах документов или текстов.

IDEA-CCNL совместно с проектом Fengshenbang разработала Erlangshen-DeBERTa-v2-97M-Chinese — китайскую модель DeBERTa-v2 для понимания естественного языка. В карточке указано 97 млн параметров, тогда как метаданные репозитория сообщают 123,1 млн; модель использует архитектуру DebertaV2ForMaskedLM и предобучалась на корпусе WuDao объёмом 180 ГБ с маскированием целых слов (Whole Word Masking). Максимальная длина контекста — 512 токенов. Основной сценарий применения — заполнение пропусков в китайском тексте. Представленные в README результаты также показывают её использование в задачах классификации и определения текстовых отношений, но для них могут потребоваться соответствующие дообученные варианты. Модель доступна в форматах PyTorch и Safetensors и распространяется по лицензии Apache-2.0.

Gemma-4-E4B-it-DeepSeek-v4-Distill-openvino — версия модели Gemma 4, экспортированная в формат OpenVINO из armand0e/Gemma-4-E4B-it-DeepSeek-v4-Distill с помощью optimum-intel. Это плотная модель условной генерации с поддержкой изображений и текста, рассчитанная на диалоговое взаимодействие; метаданные также отмечают интерфейс вызова инструментов. Экспорт в OpenVINO предназначен для запуска в соответствующей среде инференса. Модель подходит для диалога с учётом изображений и текстовых запросов на английском и китайском языках. Репозиторий распространяется по лицензии Apache-2.0. В карточке не приведены сведения о размере параметров и длине контекста.

dkingtutcd/gemma-E4B-mt-b-split1 — дообученная мультимодальная модель семейства Gemma 4 на базе unsloth/gemma-4-e4b-it-unsloth-bnb-4bit, разработанная dkingtutcd. Она предназначена для диалогового взаимодействия с текстом и изображениями и относится к архитектуре Gemma4ForConditionalGeneration. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка сообщает, что обучение проводилось с использованием Unsloth и библиотеки TRL от Hugging Face. Модель поддерживает визуальный ввод и интерфейс вызова инструментов. Описание не уточняет целевую специализацию дообучения, размер модели, длину контекста или конкретные языковые возможности; в метаданных указан английский язык.

GemmaX2-28-2B-v0.1 — модель машинного перевода на основе языковой модели Gemma2, разработанная Xiaomi. Она получена дообучением GemmaX2-28-2B-Pretrain на высококачественных инструкциях по переводу. Базовая модель прошла дополнительное предобучение на монолингвальных и параллельных данных для 28 языков. Модель предназначена для перевода текста между поддерживаемыми языками. Она имеет плотную архитектуру Gemma2ForCausalLM, содержит 2,7 млрд параметров и поддерживает контекст до 8192 токенов. Для загрузки используются Transformers и веса Safetensors; лицензия — Gemma. Модель рассчитана на 28 языков, включая русский, английский, китайский, арабский, хинди, японский и другие. Карточка предупреждает, что качество перевода на языках вне этого списка не гарантируется. Указанная лицензия Gemma определяет условия использования.

Easy German GPT2 Model — языковая модель на базе немецкого GPT-2, дообученная автором на корпусах текстов на немецком языке в формате «лёгкого языка» (leichte Sprache). Дообучение в течение одной эпохи проводилось на 25 112 примерах, включавших энциклопедические и новостные тексты; архитектура — GPT-2 с плотной сетью, формат весов — PyTorch. Модель предназначена для генерации текста на немецком языке в упрощённом стиле. Её можно применять для создания простых новостных или справочных текстов и как основу для экспериментов с упрощением немецкого языка. Максимальная длина контекста составляет 1024 токена. На тесте из вручную выровненных текстов perplexity для новостей на лёгком немецком составила 17,3053 против 23,8257 у исходного German GPT-2, тогда как для стандартных новостей показатель модели хуже: 48,6314 против 24,0301. В README не указана лицензия, поэтому условия использования определить нельзя. Результаты указывают на специализацию модели на лёгком немецком и более слабое соответствие стандартному немецкому; отдельные оценки качества и ограничения применения за пределами описанного теста не приведены.

HPLT/hplt_bert_base_ka — одноязычная модель-кодировщик для грузинского языка, выпущенная проектом HPLT. Это masked language model на архитектуре LTG-BERT, модификации классического BERT. Модель обучена на грузинском корпусе HPLT 1.2 и использует собственный токенизатор, подготовленный для этого языка. Архитектура примерно соответствует BERT-base: 12 слоёв, 12 голов внимания, скрытый размер 768 и словарь из 32 768 токенов; число параметров — 124,3 млн, контекст — до 512 токенов. Основная задача — предсказание замаскированных токенов; модель также подходит для классификации текста и токенов, ответов на вопросы и задач с выбором ответа. Для загрузки через Transformers требуется пользовательский код модели с параметром trust_remote_code=True. Промежуточные версии обучения доступны в отдельных ревизиях. Лицензия — Apache-2.0.

Huihui-HY-MT1.5-1.8B-abliterated — версия Tencent HY-MT1.5-1.8B, изменённая автором huihui-ai методом abliteration для снижения отказов модели. Это плотная авторегрессионная модель семейства HunYuan с 1,8 млрд параметров, предназначенная прежде всего для перевода, а также для диалогов вместе с переводом. Заявленный контекст — до 262 144 токенов; модель распространяется в формате safetensors и работает через Transformers. Модель рассчитана на многоязычную работу: метаданные перечисляют 33 языка, включая китайский, английский, русский, японский, арабский и другие. Исходная HY-MT1.5 поддерживает перевод между языками, работу с терминологией и форматированным выводом. Автор описывает эту версию как экспериментальную проверку метода снятия отказов и предупреждает о повышенном риске чувствительных, спорных или неподходящих ответов. Для одного лишь перевода автор рекомендует исходную модель Tencent. Лицензия в предоставленных данных не указана.

Это GGUF-сборка модели Huihui-Qwen3.5-35B-A3B-abliterated, опубликованная noctrex. Она предназначена для локального диалога и анализа изображений; метаданные указывают поддержку vision и chat. Вариант использует MXFP4 для тензоров MoE, а остальные тензоры хранит в BF16, чтобы сохранить их исходную точность. Для запуска автор рекомендует актуальную версию llama.cpp; для файла mmproj рекомендуется вариант F32. В репозитории также доступны варианты BF16, F16 и F32 GGUF, причём автор указывает порядок качества F32, BF16, F16. Модель основана на Huihui-Qwen3.5-35B-A3B-abliterated — мультимодальной версии Qwen3.5 с ослабленными отказами. Она подходит для общения с изображениями и другими сценариями визуального анализа. Указанный формат оптимизирован для локального запуска, но на некоторых архитектурах BF16 может работать медленнее. Условия лицензии в предоставленных данных не описаны.

Huihui-Qwen3.6-27B-abliterated-Athanorlite-ORPO-i1-GGUF — квантизированная GGUF-версия модели nbeerbower/Huihui-Qwen3.6-27B-abliterated-Athanorlite-ORPO, подготовленная mradermacher. Модель относится к vision-language моделям и предназначена для задач image-text-to-text, то есть для обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. В названии указано, что модель имеет размер 27B параметров, использует вариант обучения или выравнивания ORPO и относится к семейству Qwen3.6. В метаданных заявлен английский язык. Доступны многочисленные варианты квантования GGUF с размером примерно от 7,2 до 16,6 ГБ и более, включая IQ- и Q-форматы; выбор варианта позволяет регулировать компромисс между качеством, скоростью и требованиями к памяти. Для работы с изображениями могут потребоваться дополнительные файлы mmproj из статического репозитория. Сильной стороной модели является сочетание мультимодального ввода и широкого выбора степеней квантования для локального запуска. При этом README не содержит данных о размере контекстного окна, точном устройстве архитектуры, результатах бенчмарков, поддерживаемых языках помимо английского, системных требованиях или конкретных ограничениях качества. Лицензия в предоставленных данных не указана, поэтому условия использования необходимо уточнять в исходном репозитории базовой модели.

Hunyuan-MT-Chimera-7B-GGUF — это квантизированная версия модели Hunyuan-MT-Chimera-7B, разработанной Tencent и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена прежде всего для задач машинного перевода и поддерживает китайский, английский, французский, португальский, испанский, японский, турецкий, русский, арабский, корейский, тайский, итальянский, немецкий, вьетнамский, малайский, индонезийский, тагальский, хинди и ряд других языков, включая украинский, польский, чешский, нидерландский, персидский, иврит, бенгальский, тамильский и тибетский. Это модель размером 7B, доступная в нескольких вариантах GGUF-квантизации — от Q2_K объёмом около 3,1 ГБ до F16 объёмом около 15,1 ГБ. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как быстрый вариант с наилучшим качеством среди перечисленных. Квантизация позволяет запускать модель с различными компромиссами между размером, скоростью и качеством, однако низкобитные варианты могут заметно уступать по качеству. README не содержит сведений об архитектуре, размере контекстного окна, мультимодальности, точной лицензии или системных требованиях. Указан только тег translation; дополнительные weighted/imatrix-квантизации доступны в отдельном репозитории.

Hunyuan-MT-Chimera-7B-i1-GGUF — это набор квантизированных GGUF-версий модели Hunyuan-MT-Chimera-7B, разработанной Tencent и опубликованной пользователем mradermacher. Репозиторий предназначен для запуска модели в средах, поддерживающих формат GGUF, а также для создания собственных квантованных вариантов с использованием файла imatrix. Модель ориентирована на задачи машинного перевода и поддерживает широкий набор языков, включая китайский, английский, французский, португальский, испанский, японский, турецкий, русский, арабский, корейский, немецкий, итальянский, вьетнамский, украинский и другие. Точный размер контекста, архитектура и сведения о мультимодальности в README не указаны; из названия базовой модели следует размер около 7 миллиардов параметров. Доступно множество вариантов квантования от i1-IQ1_S до i1-Q6_K размером примерно от 1,9 до 6,3 ГБ. Они позволяют выбирать компромисс между требованиями к памяти, скоростью и качеством; в README отдельно отмечены низкое качество некоторых малых вариантов и рекомендации по i1-Q4_K_M и i1-Q4_K_S как сбалансированным версиям. Лицензия модели в предоставленных данных не указана.

U-CURATE v2.0 — NAVER HyperCLOVA X SEED Text Instruct 1.5B негізіндегі, корей тілінде мәтін генерациялауға арналған тәжірибелік модель. Оны 2026 жылғы K-DS хакатоны мен K-AI көшбасшылар тақтасын бағалау үшін жасаған. LlamaForCausalLM архитектурасындағы 1,6 млрд параметрлі модель бастапқы модельге U-CURATE Random 1K деректер жиыны бойынша QLoRA арқылы бір дәуір доқытылып, адаптері негізгі салмақтармен біріктірілген; нәтижесі BF16 форматындағы жеке safetensors артефактісі. Контекст терезесі 131 072 токенге дейін, Transformers және vLLM арқылы пайдалануға болады. Модель корей тіліндегі әкімшілік құжаттар, жаңалықтар, техникалық-ғылыми мәтіндер, сандық есептер, қылмыстық құқық, оқу материалдары және бухгалтерлік есеп бойынша сұрақтарға жауап беру мен нұсқауларды орындауға бейімделген. Сондай-ақ корей тіліндегі көпсессиялық диалогты қолдайды. Деректер жиыны бар болғаны 1 000 мысалдан және бір оқыту seed-інен тұрады; ішкі бағалау нәтижелері ресми K-AI ұпайын немесе жалпы жағдайда жақсы жалпылауды кепілдемейді. Фактілік дәлдігі, қауіпсіздігі, бейтараптығы және жоғары тәуекелді шешімдерге жарамдылығы кепілденбейді. Лицензиясы — HyperCLOVA X SEED Model License Agreement; толық шарттар репозиторийдегі LICENSE, өзгерістер MODIFICATIONS.md, ал ескертпелер NOTICE файлында берілген.

Index-Homura-2B — специализированная модель перевода из семейства Index-Translate, разработанная IndexTeam на базе Qwen3.5. Она принимает исходный текст и заданное пользователем целевое число слогов, затем подбирает формулировку перевода, стремясь сохранить смысл и естественность при соблюдении ограничения по длине. Модель также поддерживает глоссарий и может сохранять заданные термины одновременно с управлением числом слогов. Модель предназначена для подготовки реплик дубляжа и субтитров с контролируемой длительностью. По оценке SandGlass на английском, японском, арабском и испанском целевых языках, в 54,39% случаев результат укладывался в отклонение не более одного слога, а в 63,08% — в пределах 10% от цели; качество перевода оценено отдельно. Чекпойнт построен на архитектуре Qwen3.5, имеет 2 млрд параметров и обучался с мультиязычным промежуточным обучением, дообучением для перевода и оптимизацией с подкреплением. Для запуска авторы рекомендуют CUDA и vLLM с поддержкой Qwen3.5; указанный пресет использует контекст 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Точность контроля числа слогов приблизительная и может различаться между языками; результаты оценки на четырёх целевых языках не подтверждают одинаковую точность для всех языков.