I.5Создание и редактирование текста

Index-NativeLong-2B, опубликованная под идентификатором IndexTeam/Index-Nailong-2B, — специализированная модель команды IndexTeam для перевода длинных документов. Это плотная модель семейства Qwen3.5 с 2 млрд параметров; она получает исходный документ целиком и формирует перевод за одну генерацию, чтобы сохранять охват текста, единообразие имён и терминов, а также последовательность глав и абзацев. Контекст опубликованной конфигурации обслуживания — 262 144 токена, включая запрос, исходный текст и перевод. Клиент модели предоставляет шаблоны для направлений китайский→английский, английский→китайский, китайский→японский и японский→китайский. Обучение включало многоязычную подготовку на базе Qwen3.5, настройку для перевода и дообучение на документах; карточка сообщает об оценках на трёх корпусах длинных текстов. Для запуска рекомендованы CUDA GPU и vLLM с поддержкой Qwen3.5; для весов bf16 требуется около 8 ГБ памяти, дополнительно нужна память под KV-кэш, особенно при длинном контексте. Лицензия — Apache-2.0.

Letta-o1 — дообученная разговорная языковая модель на архитектуре Qwen2, опубликованная пользователем minchyeom. Она предназначена для генерации текста в сценариях диалога и использования с Letta/MemGPT с немного изменённой системной инструкцией. Модель содержит 7,1 млрд параметров, работает с контекстом до 32 768 токенов и принимает и выдаёт текст. В метаданных указан английский язык и формат safetensors. Модель распространяется по лицензии Apache-2.0. Карточка рекомендует адаптировать системный prompt для Letta/MemGPT, но не раскрывает его содержимое и не приводит оценок качества или подробных результатов. Базовая модель — AIDC-AI/Marco-o1.

ManhHoDinh/lfm25-titlegen-17-languages — экспериментальная модель генерации короткого информативного заголовка по тексту пользовательского диалога. Это этап supervised fine-tuning модели LiquidAI/LFM2.5-230M; архитектура — плотная LFM2, размер — 221,2 млн параметров. Для запуска предусмотрена библиотека Transformers, веса опубликованы в формате Safetensors. Заявленная длина контекста — 128 000 токенов. Модель предназначена для создания заголовков, сохраняющих основное намерение разговора, важные сущности и существенные оговорки. Вариант обучался для 17 языков, однако карточка отмечает, что проверенные примеры есть только для английского и вьетнамского; языковые результаты получены автоматическими оценками. Оценка на 2 550 тестовых примерах не устанавливает готовность к производству: проверка ограничена одним автоматическим оценщиком, отсутствует подтверждённый аудит носителями языка, а точность сохранения намерения и сущностей остаётся ограниченной. Лицензия указана как other; конкретные условия следует сверять с лицензией репозитория.

ManhHoDinh/lfm25-titlegen-sft — дообученная методом supervised fine-tuning компактная языковая модель для создания краткого информативного заголовка по пользовательской беседе. Она основана на LiquidAI/LFM2.5-230M: плотная causal language model семейства LFM2 с 221,2 млн параметров; для работы используется библиотека Transformers, веса представлены в формате safetensors. Заявленная длина контекста — 128 000 токенов. Модель предназначена для автоматического озаглавливания разговоров, сохраняя их основное намерение, важные сущности и существенные детали. В карточке описана оценка на многоязычном наборе из 17 языков, однако фактические оценённые примеры указаны только для английского и вьетнамского. Результаты benchmark не подтверждают готовность к промышленному применению: проверка ограничена, автоматизирована и не включает достаточную нативную проверку. Лицензия в метаданных обозначена как other, конкретные условия использования в предоставленных данных не раскрыты.

yanggangu/Llama-3.1-8B-Instruct-FT-ScienceQA — дообученная диалоговая языковая модель на архитектуре Llama 3.1, представленная как эксперт ScienceQA в работе SMAT (Simple and Efficient Merge-Aware Training). Она предназначена для генерации текста и ответов в диалоговом формате; карточка связывает её с сохранением качества на задаче при улучшении возможностей слияния моделей. Модель содержит 7,5 млрд параметров, принимает текст и выдаёт текст, а её базовая модель поддерживает контекст до 131 072 токенов. Модель основана на meta-llama/Llama-3.1-8B-Instruct и распространяется в формате safetensors. Для использования действуют лицензия Llama 3.1 и политика допустимого использования Meta. Карточка не приводит отдельной оценки качества ScienceQA или подробных ограничений.

Xenova/m2m100_418M — модель машинного перевода, разработанная Facebook и представленная в формате ONNX для совместимости с Transformers.js. Она предназначена для интеграции переводческих сценариев в приложения, способные выполнять модели непосредственно в веб-среде или через экосистему Transformers.js. Модель основана на facebook/m2m100_418M; обозначение указывает на размер порядка 418 миллионов параметров. README подтверждает наличие ONNX-весов и принадлежность к семейству M2M100, однако не содержит сведений о точной архитектуре, поддерживаемых языках, размере контекста, модальностях или количественных результатах оценки. Основное преимущество репозитория — готовность к использованию в Transformers.js и веб-приложениях без необходимости работать с исходным форматом весов. Ограничения модели и её качество зависят от исходной модели facebook/m2m100_418M и конкретного сценария применения; подробности о производительности, требованиях к ресурсам и известных проблемах в README не указаны. Лицензия в предоставленных данных не обозначена. Репозиторий с ONNX-весами описан как временное решение до более широкого распространения WebML.

Это текстовая модель семейства Gemma 3, основанная на Google MedGemma 27B Text IT и подготовленная сообществом mlx-community для формата MLX. Репозиторий содержит веса safetensors в формате bf16; для запуска автор указывает библиотеку mlx-lm. Модель предназначена для генерации текста в диалоговом режиме. Базовая MedGemma адаптирована для медицинских текстов: её можно применять для подготовки ответов и кратких сводок, а также при разработке приложений для здравоохранения. Размер модели — 28,3 млрд параметров, заявленная длина контекста — 131 072 токена. Модель принимает и выдаёт текст. Медицинские ответы следует проверять специалистом; карточка не задаёт отдельные медицинские ограничения или условия безопасного применения. Лицензия указана как other, поэтому перед использованием нужно свериться с условиями лицензии исходной модели и репозитория.

MiMo-7B GDN Hybrid stage3-1.8B-OPD — экспериментальная языковая модель на 7 млрд параметров, созданная arianraje путём слияния вариантов MiMo-7B с гибридной архитектурой внимания Qwen2 и Gated DeltaNet; в метаданных базовыми указаны arianraje/mimo-7b-gdn-opd-predecay-1721m-step11144 и XiaomiMiMo/MiMo-7B-RL-0530. Модель обучалась методом on-policy distillation на основе MiMo-7B-RL-0530 и предназначена для генерации текста, диалогов и многошаговых математических рассуждений. В README приведены результаты оценок на AIME 2024, AIME 2025 и MATH-500, но для AIME автор предупреждает о малой выборке. Модель поддерживает контекст до 65 536 токенов и распространяется в формате safetensors. Для загрузки требуется пользовательская регистрация архитектуры mimo_gdn в transformers 4.57.x и flash-linear-attention 0.5.x, доступная в репозитории обучения. Лицензия — MIT. В карточке не заявлены языки, поэтому описание ограничено языковыми возможностями, явно подтверждёнными источниками.

MistarlingMaid-2x7B-base — разговорная текстовая модель семейства Mixtral, созданная dawn17. В README указано сочетание экспертов Silicon-Maid-7B и Starling-LM-7B-beta: первый ориентирован на ролевые сценарии, второй — на диалог. Для выбора экспертов применяется скрытый режим gate_mode; заявлены вычисления и выходной формат bfloat16. Модель предназначена для генерации диалоговых ответов и ролевого общения. Метаданные указывают архитектуру MixtralForCausalLM типа MoE, 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors. В README приведены результаты оценивания на нескольких бенчмарках, включая среднюю оценку 68,01. Модель распространяется по лицензии Apache-2.0. README ссылается на базовую Mistral-7B-Instruct-v0.2 и экспертные модели, однако это локальные пути; точный идентификатор базовой модели на Hugging Face из предоставленных данных установить нельзя.

Mistral-7B-AEZAKMI-v1 — языковая модель adamo1139, дообученная на наборе AEZAKMI v1, созданном на основе airoboros 2.2.1 и airoboros 2.2. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; репозиторий содержит веса в формате safetensors. Для обучения применялись Axolotl и QLoRA с NF4 double quantization, примерно два прохода по данным. Модель предназначена для непринуждённого общения в формате чат-бота; карточка отмечает естественную манеру ответов и отсутствие отказов как её особенности. Используется стандартный формат диалога ChatML. Автор предупреждает, что модель слаба в математике, загадках и сложных рассуждениях. Лицензия указана как other, поскольку автор не определил условия лицензирования с учётом лицензии исходного набора данных.

Mistral7B-PairRM-SPPO — языковая модель UCLA-AGI, дообученная методом Self-Play Preference Optimization на базе mistralai/Mistral-7B-Instruct-v0.2. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, представленная в формате safetensors и рассчитанная на контекст до 32 768 токенов. Модель предназначена для диалоговой генерации текста и выравнивания ответов по предпочтениям. При обучении использовались промпты UltraFeedback и синтетические ответы; карточка сообщает об оценке на AlpacaEval 2.0 и предупреждает, что для результатов, приведённых в статье, следует обращаться к чекпойнту Iter3. Основной язык — английский. Лицензия — Apache-2.0.

ishiki-emo подготовил конвертированную и квантованную версию многоязычной модели M2M-100 418M от Meta AI для использования в приложении Mojicast, которое создаёт субтитры для прямых трансляций. Модель переводит текст между 100 языками; в Mojicast её используют для перевода с японского на упрощённый китайский. Весы переведены в формат CTranslate2 и квантованы до int8 для ускорения работы на CPU: объём модели уменьшен примерно с 1,9 ГБ до 491 МБ. В репозитории также есть модель SentencePiece-токенизатора. Лицензия — MIT, согласно README модели.

NB-BERT-large — крупная модель семейства BERT, разработанная на основе цифровых коллекций Национальной библиотеки Норвегии. Она обучена с нуля на разнообразных норвежских текстах за последние 200 лет и использует монолингвальный норвежский словарь, охватывающий букмол и нюношк. Модель содержит 453,9 млн параметров, принимает последовательности длиной до 512 токенов и предназначена для предсказания пропущенных токенов в тексте; её можно дообучать для конкретных задач обработки норвежского языка. Модель общего назначения для норвежского языка доступна в форматах PyTorch, TensorFlow и Flax, включая safetensors. Для использования и распространения применяется лицензия CC BY 4.0. Карточка представляет выпуск 1.0beta; модель служит базой для дальнейшей настройки под прикладные сценарии.

Negentropy-claude-opus-4.7-4B — компактная мультимодальная модель с рассуждениями, созданная Jackrong совместно с Kyle Hessling на базе Qwen/Qwen3.5-4B. Модель дообучена на восстановленных цепочках рассуждений, построенных по сжатым фрагментам ответов Claude Opus 4.6/4.7; в README этот подход назван Trace Inversion. Архитектура — плотная Qwen3.5 с 4 млрд параметров, поддерживает диалог и понимание изображений. Модель предназначена для многошаговых логических задач, генерации синтетических цепочек рассуждений и локального запуска на устройствах с ограниченными ресурсами. Карточка заявляет поддержку английского, китайского, корейского, японского и русского языков. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Модель может выдавать убедительно выглядящие, но ошибочные рассуждения, особенно на сложных или незнакомых задачах; качество знаний ограничено базовой моделью. README не рекомендует использовать её выводы для медицинских, финансовых или юридических решений.

Nesso2-0.4B-Agentic — компактная двуязычная языковая модель сообщества mii-llm, созданная для вызова функций, формирования структурированного вывода и многошаговых сценариев с инструментами. Она дообучена на базе Zagreus-0.4B-ita и ориентирована на работу на периферийных устройствах, особенно для итальянских задач с инструментами. Модель использует плотную архитектуру Llama с GQA, содержит около 438 млн параметров и поддерживает контекст до 32 768 токенов. Она рассчитана на итальянский и английский языки; обучающие данные включают диалоги и примеры вызова инструментов, включая параллельные вызовы и выбор между вызовом инструмента и прямым ответом. Лицензия — Apache-2.0. Карточка сообщает, что модель находится на этапе supervised fine-tuning, а DPO только планируется. Среди ограничений отмечены случаи, когда модель недостаточно опирается на результат инструмента, а также склонность вызывать инструмент или подставлять значение по умолчанию, если запрос неполон или решение неоднозначно. Для таких сценариев рекомендуется проверять аргументы и результаты вызовов.

Nexus-4x7B-Internal-Knowledge-Map — экспериментальная дообученная языковая модель Severian на базе архитектуры Mixtral, обученная на датасете Internal Knowledge Map для рассуждений и генерации ответов на вопросы в разных областях знаний. Она предназначена для связывания сведений из разных дисциплин, решения сложных задач и подготовки идей, в том числе в научных, технологических, экологических и гуманитарных контекстах. В карточке указано дообучение в течение 10 эпох; метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. Модель принимает текст и генерирует текст. Это экспериментальная работа, представленная разработчиком как ранняя версия для проб и дальнейших итераций. Пример ответа и сравнительная оценка в README не подтверждают стабильно более высокое качество; результаты следует проверять на целевых задачах. Лицензия — MIT.

OpenBuddyEA/openbuddy-llama2-70b-v13-base — базовая многоязычная языковая модель семейства LLaMA 2, выпущенная командой OpenBuddy. Это плотная авторегрессионная модель на 68,8 млрд параметров для генерации текста; карточка указывает контекст до 4096 токенов и поддержку китайского, английского, французского, немецкого, японского, корейского, итальянского и русского языков. Модель обучена примерно на 50% разговорных данных и сохраняет способности к диалогу, но не прошла полноценную настройку для обычных бесед. Её предназначение — дальнейшее дообучение и создание специализированных моделей; для готового чат-бота авторы рекомендуют варианты OpenBuddy без суффикса «-base». Модель распространяется по лицензии Llama 2 и требует соблюдения условий Meta, включая получение допуска к загрузке. Возможны ошибочные, вредные или оскорбительные ответы; авторы предостерегают от использования в критически важных сценариях.

CharlesLi/OpenELM-1_1B-SFT — дообученная версия авторегрессионной языковой модели Apple OpenELM-1_1B с плотной архитектурой на 1,1 млрд параметров. Разработчик дообучил её на диалоговом наборе HuggingFaceH4/ultrachat_200k; в метаданных также указана поддержка чат-сценариев. Модель предназначена для генерации текста в диалоге: она может формировать ответы на сообщения и поддерживать простые беседы. В README приведено значение loss 1,1288 на наборе оценки, но не описаны протокол оценки и сравнительные результаты. Веса опубликованы в формате safetensors и доступны через библиотеку Transformers. Указана лицензия other; конкретные условия использования карточка не раскрывает. Данных о поддерживаемых естественных языках и длине контекста в предоставленных источниках нет.

Ik45 разработала гибридную модель машинного перевода с архитектурой MarianMT — трансформером типа encoder-decoder, созданным методом переноса компонентов и последующего дообучения. Модель переводит текст с арабского на индонезийский. В её основе — энкодер из Helsinki-NLP/opus-mt-ar-en и декодер с индонезийскими эмбеддингами из Helsinki-NLP/opus-mt-en-id; в README указаны 6 слоёв энкодера и 6 слоёв декодера, 8 голов внимания и размер скрытого представления 512. Контекст модели — 512 токенов. Модель предназначена для перевода арабских текстов на индонезийский, в том числе материалов из тематик и корпусов, представленных в данных для обучения: Библия, Коран, TED Talks и QED. Распространяется по лицензии Apache-2.0. Качество перевода для иных жанров и доменов в предоставленных сведениях не описано.

Privasis-Cleaner-4B-i1-GGUF — это квантизированная версия текстовой генеративной модели Arsh9210/Privasis-Cleaner-4B, подготовленная в формате GGUF пользователем mradermacher. Модель предназначена для задач, связанных с конфиденциальностью текста: обнаружения и удаления персональных данных (PII), обезличивания, санитарной обработки и редактирования текстовых документов. В метаданных также указана принадлежность к семейству Qwen3, однако подробности архитектуры не приведены. Модель имеет размер 4B параметров, работает с текстом и ориентирована на английский язык. Репозиторий содержит множество вариантов квантизации с разными компромиссами между размером, скоростью и качеством; рекомендуются варианты i1-Q4_K_M и i1-Q4_K_S, при этом более низкобитные варианты могут заметно уступать по качеству. Размер контекста и результаты бенчмарков не указаны, поэтому возможности обработки длинных документов и точность удаления персональных данных требуют самостоятельной проверки. Лицензия обозначена как NVIDIA, тип лицензии — other; дополнительные условия находятся в файле LICENSE.

pure-reasoning-7b-230726 — разговорная модель breitburg, дообученная методом LoRA SFT на основе breitburg/pure-7b-210726 для генерации ответов с предварительным блоком рассуждений. По описанию, она получает чатовый запрос, формирует блок рассуждений, затем выдаёт ответ. Модель построена на плотной архитектуре Llama с 6,6 млрд параметров, принимает текст и рассчитана на контекст до 2048 токенов. Модель предназначена для диалоговых задач, где полезна последовательная генерация рассуждения и итогового ответа. Карточка указывает датасет breitburg/reasonable-chats; поддерживаемый язык — английский. Весами опубликованы в формате safetensors. Лицензия — Apache-2.0. README не приводит сравнительных оценок качества или подробной оценки надёжности рассуждений, поэтому пригодность ответов для конкретных задач следует проверять отдельно.

Romarchive/Qwen3.5-2B-Base-GGUF — репозиторий с GGUF-версией предобученной базовой модели Qwen3.5-2B-Base, основанной на архитектуре причинной языковой модели с энкодером зрения. В исходной карточке указаны 2 млрд параметров, 24 слоя и гибридная архитектура Gated DeltaNet и Gated Attention; контекст составляет 262 144 токена с возможностью расширения до 1 010 000 токенов. В карточке каталога также отмечена возможность чата, однако README рекомендует модель прежде всего для дообучения, экспериментов с контекстными примерами и разработки, а не для прямого общения. Модель рассчитана на генерацию текста и мультимодальные сценарии понимания текста и изображений, а заявленная поддержка семейства Qwen3.5 охватывает 201 язык и диалект. Этот репозиторий содержит GGUF-файлы; конкретные варианты квантования и параметры лицензии в предоставленных данных не описаны. Как базовая модель, она может требовать инструкционного дообучения для устойчивого выполнения пользовательских запросов.

guille-mas/Qwen3.5-9B-mlx-fp16 — конвертированная в формат MLX модель Qwen3.5-9B, подготовленная guille-mas для запуска с mlx-lm. Это плотная мультимодальная модель с 9 млрд параметров, поддерживающая диалог и обработку изображений вместе с текстом. Она подходит для вопросов по изображениям и других сценариев, где нужно сочетать визуальный ввод с текстовым ответом. Репозиторий содержит веса safetensors; README указывает преобразование исходной Qwen/Qwen3.5-9B с помощью mlx-lm 0.31.2. Лицензия — Apache-2.0.

mlx-community/Qwen3.8-27B-mxfp8 — мультимодальная модель, преобразованная в формат MLX сообществом mlx-community на основе Qwen/Qwen3.8-27B. Конвертация выполнена с использованием mlx-vlm версии 0.6.8. Модель предназначена для задач понимания изображений и генерации текста по визуальным входным данным, включая описание изображений, и рассчитана на запуск в экосистеме MLX. В карточке указано обозначение размера 27B, однако подробности об архитектуре, поддерживаемых языках, длине контекста, точных модальностях и характеристиках исходной модели не приведены. Ключевой особенностью является представление mxfp8 и совместимость с инструментами mlx-vlm. Ограничения и результаты тестирования в README не описаны, поэтому оценить сильные стороны модели по сравнению с альтернативами невозможно. Модель распространяется по лицензии Apache-2.0. Для полной информации о возможностях и ограничениях рекомендуется обратиться к карточке исходной модели Qwen/Qwen3.8-27B.

zeromodels/qwen3-8b-base — конверсия базовой авторегрессионной модели Qwen3-8B-Base в реализацию на Keras 3. Модель плотная, её веса хранятся в формате bfloat16; библиотека zeromodels позволяет запускать одну реализацию на TensorFlow, PyTorch или JAX. Модель предназначена для генерации текста и может служить основой для дальнейшей адаптации под прикладные задачи. Разработчик — zeromodels; исходную модель создала команда Qwen компании Alibaba. Карточка ссылается на технический отчёт Qwen3 и направляет за подробностями об использовании к исходной модели. Репозиторий распространяется по лицензии Apache 2.0. В метаданных указан английский язык; подробные сведения о контекстном окне и специальных ограничениях этой конверсии не приведены.

Rigel Base — базовая языковая модель на 2,3 млрд параметров, из которых активно используются 360 млн, разработанная Open LM Engine и обученная с помощью LM Engine. Это гибридная архитектура Mamba-2 и внимания с группировкой запросов (GQA) и смесью экспертов (MoE): 40 слоёв включают 30 слоёв Mamba-2 и 10 слоёв внимания. Репозиторий содержит предварительно обученный чекпойнт с контекстом 4 096 токенов. Модель предназначена для продолжения текста и как основа для дальнейшей адаптации; она не настроена на выполнение инструкций и не имеет шаблона чата. По данным авторов, на zero-shot оценках она приблизилась к Llama-3.2-3B и Granite-4.2-3B, используя существенно меньше вычислений при предобучении. Для запуска архитектуры требуется LM Engine, который регистрирует её в классах Auto библиотеки Transformers. Лицензия в предоставленных данных не указана.

cckm/tinymistral_950m — базовая языковая модель семейства Mistral, опубликованная cckm. Это плотная архитектура MistralForCausalLM примерно на 908,7 млн параметров с 40 слоями и размером скрытого состояния 1440. Модель предназначена для запуска в периферийных приложениях, где важны компактность и генерация текста. Модель обучена примерно на 400 млрд токенов RefinedWeb и 400 млрд токенов FineWeb. Она поддерживает контекст до 32 768 токенов и рассчитана на английский язык. Это базовая модель без дообучения для инструкций или чата, поэтому она предназначена для продолжения текста и требует отдельной адаптации для надёжного выполнения пользовательских инструкций. В README приведены результаты на ARC-C, ARC-E и BoolQ. Модель распространяется в формате safetensors по лицензии MIT.

NikolayKozloff/translategemma-4b-it-Q8_0-GGUF — это конвертированная в формат GGUF версия модели google/translategemma-4b-it, подготовленная с использованием llama.cpp и сервиса GGUF-my-repo. Модель предназначена прежде всего для задач машинного перевода и запуска локально через llama.cpp в виде CLI-приложения или серверного API. В репозитории указан размер базовой модели 4B параметров и квантование Q8_0; доступен файл translategemma-4b-it-q8_0.gguf. Ключевое преимущество модели — совместимость с экосистемой llama.cpp, что упрощает локальный запуск на поддерживаемом оборудовании и позволяет использовать аппаратные оптимизации, включая CUDA. В примере запуска сервера задан размер контекста 2048 токенов, однако точные характеристики архитектуры, перечень поддерживаемых языков, модальности и результаты оценки в карточке не приведены; подробности предлагается уточнять в карточке исходной модели. Модель распространяется с лицензией Gemma; для доступа на Hugging Face требуется принять лицензионные условия Google.

Qyrou-1 Vega — экспериментальная базовая языковая модель семейства Qyrou-1 от Qyrou, предназначенная для исследований и дообучения. Это плотная decoder-only модель с причинным языковым моделированием, архитектурой qyrou-arch и 66,8 млн параметров; в README указано 65,3 млн. Она принимает текст и генерирует продолжение текста, включая краткие пересказы, простое дополнение кода, заполнение пропусков в коде, математические рассуждения и диалоговые ответы после подходящей настройки. Модель обучалась на корпусе преимущественно на английском языке, включавшем учебные тексты, код, математику и пошаговые рассуждения. Контекст при обучении — 2 048 токенов. Архитектура включает 21 слой: 17 слоёв с grouped-query attention и 4 слоя с причинными свёртками; доступны веса safetensors. Модель не проходила инструкционное дообучение, поэтому не рассчитана на надёжное следование запросам без дополнительной настройки. Автор характеризует выпуск как ранний экспериментальный чекпойнт, а не как готовую к производству систему. Лицензия — Apache-2.0.

YanoljaNEXT-Rosetta-4B-2511-GGUF — GGUF-версия языковой модели, разработанной Yanolja NEXT. Это дообученная версия google/gemma-3-4b-pt, использующая только текстовый компонент Gemma3ForCausalLM; модель предназначена для генерации текста и не поддерживает мультимодальные сценарии исходной архитектуры. Модель содержит около 4 млрд параметров и ориентирована прежде всего на перевод структурированных данных в форматах JSON, YAML и XML с сохранением исходной структуры, ключей и разметки. Она подходит для локализации каталогов товаров, отзывов об отелях и другого структурированного контента, а также может выполнять обычный перевод текста. Поддерживаются арабский, болгарский, китайский, чешский, датский, нидерландский, английский, финский, французский, немецкий, греческий, гуджарати, иврит, хинди, венгерский, индонезийский, итальянский, японский, корейский, персидский, польский, португальский, румынский, русский, словацкий, испанский, шведский, тагальский, тайский, турецкий, украинский и вьетнамский языки. К сильным сторонам относятся сочетание компактного размера и конкурентного качества перевода, а также наличие множества квантизированных вариантов для запуска на устройствах с разными ресурсами. В тесте WMT24++ для перевода с английского на корейский модель получила CHrF++ 35,64. Она оптимизирована для структурированных данных, поэтому качество и поведение в иных задачах и для языков, не входящих в заявленный набор, могут отличаться; конкретное максимальное окно контекста в README не указано. Для запуска рекомендуется современная версия llama.cpp с поддержкой Gemma 3; также подходят LM Studio, KoboldCPP и text-generation-webui. Указана лицензия Gemma.