I.5Создание и редактирование текста

Young-Children-Storyteller-Mistral-7B — дообученная ajibawa-2023 версия Mistral-7B-v0.1, созданная для генерации историй и образовательных рассказов для детей 6–12 лет. Модель обучалась на наборе Children-Stories-Collection, включающем более 0,9 млн историй; для диалогов используется формат ChatML. Модель предназначена для создания детских сказок, приключений и рассказов, в том числе с интерактивными сюжетами и познавательными элементами. Это плотная авторегрессионная языковая модель Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. В метаданных указан английский язык. Модель принимает текстовые запросы и генерирует текст. В README указано, что это версия qLoRA; лицензия репозитория — Apache-2.0. Качество и соответствие текста возрасту могут зависеть от запроса и генерации модели, поэтому результаты для детей требуют проверки взрослым.

jimypbr/bart-large-test — дообученная модель на базе facebook/bart-large, обученная на наборе cnn_dailymail 3.0.0. Это BART с 252,8 млн параметров, предназначенный для генерации текста; обучение на новостных статьях и их сводках указывает на сценарий создания кратких пересказов новостей. Модель использует архитектуру BART и принимает текст, выдавая сгенерированный текст. Максимальная длина контекста — 1024 токена. Репозиторий содержит веса PyTorch и опубликован по лицензии Apache-2.0. Автор README помечает веса как незавершённую работу и не рекомендует их использовать. Поэтому качество и пригодность модели для практического применения не подтверждены.

KBLab/bert-base-swedish-cased-new — шведская модель BERT-base с архитектурой BertForMaskedLM, обученная KBLab с использованием библиотеки Transformers. Она предназначена для предсказания замаскированных слов в шведском тексте и может служить базой для экспериментов и последующей адаптации к задачам обработки шведского языка. Модель обучалась на корпусе около 70 ГБ, главным образом из OSCAR и газетных текстов, собранных Национальной библиотекой Швеции. Последовательности при обучении имели длину 512 токенов; в метаданных указано 162,4 млн параметров. Доступны веса PyTorch и safetensors. Карточка не приводит лицензию и специальных ограничений применения. Для практического использования стоит учитывать, что модель обучена преимущественно на общих и газетных текстах, поэтому качество на других жанрах и специализированных областях может отличаться.

Модель tohoku-nlp/bert-large-japanese-char разработана группой Tohoku NLP и предварительно обучена на японских текстах Википедии. Это версия BERT large с 24 слоями, размерностью скрытых состояний 1024 и 16 головами внимания; число параметров — около 408,9 млн. Модель использует токенизацию на основе словаря Unidic 2.1.2: текст сначала сегментируется по словам, затем разбивается на символы. При обучении для задачи masked language modeling применялось маскирование целых слов. Модель предназначена для заполнения пропусков в японском тексте и может служить основой для задач понимания японского языка. Контекст составляет до 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Модель обучена на японской Википедии; лицензия — CC BY-SA 4.0.

AmberYifan/capsd-qwen3-sciweb-stackexchange-Qwen3-4B-Base-science_random_b8000_s0 — дообученная плотная языковая модель Qwen3 с 3,7 млрд параметров, созданная на базе Qwen/Qwen3-4B-Base. Название и карточка указывают на обучение на смеси данных SciWeb и StackExchange с научными примерами и случайной выборкой. Модель предназначена для генерации текста; метаданные также отмечают возможность диалогового применения. Базовая модель поддерживает контекст до 32 768 токенов. Карточка не описывает конкретные сценарии, оценки качества или языковую специализацию дообученной версии, поэтому её научную направленность следует считать ориентиром по обучающим данным, а не гарантией экспертной точности. Лицензия указана как other; конкретные условия использования в карточке не раскрыты.

CleverBoi-Llama-3.1-8B-Instruct — языковая модель для генерации текста, разработанная theprint. Она дообучена на базе unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL на наборе данных CleverBoi, ориентированном на задачи логики, вывода, математики и программирования. Модель предназначена для текстовых сценариев, где важны рассуждения, решение задач и следование инструкциям. Указан английский язык; поддержка других языков и размер контекстного окна в README не уточняются. Мультимодальные возможности не заявлены. Ключевая характеристика модели — размер базовой Llama-архитектуры 8B и 4-битное представление bnb, что может снижать требования к памяти при запуске. Среди ограничений — относительно невысокие результаты представленной оценки Open LLM Leaderboard: средний показатель 13,55, включая 16,82 на IFEval, 24,05 на BBH, 2,42 на MATH Level 5, 6,71 на GPQA, 8,28 на MuSR и 23,06 на MMLU-PRO. Эти результаты указывают, что модель может быть полезна для специализированных экспериментов и задач рассуждения, но её качество следует дополнительно проверять перед использованием в критически важных приложениях. Модель распространяется по лицензии Apache-2.0.

Crunchy-onion — разговорная языковая модель, созданная Epiculous дообучением модели семейства Mixtral на примерах из LimaRP в формате ShareGPT, а также на данных по теории разума и наборе Gnosis. Она предназначена для генерации текста в диалоге, в том числе для ролевых сценариев и ответов, учитывающих намерения и психическое состояние собеседников. Модель имеет архитектуру Mixtral MoE, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии AGPL-3.0.

Neobe/dhivehi-en-mt5-large-sentence — модель машинного перевода с дивехи на английский, разработанная на базе mT5-large и дообученная на корпусе предложений на дивехи и английском. Это encoder-decoder модель семейства mT5 с 608,4 млн параметров по метаданным; она рассчитана на перевод отдельных предложений, а для многофразового текста автор рекомендует вариант для абзацев. Модель подходит для перевода новостей, пресс-материалов и статей Википедии с дивехи на английский. В тестах на отложенных предложениях внутри распределения указаны chrF 63,94 и BLEU 39,45; автор считает chrF более надёжной метрикой для текста на письме тхаана. Эталонные переводы в обучающих данных были сгенерированы машиной, а тест на человеческих эталонах показывает более низкие результаты. Для запуска автор рекомендует fp32: по его наблюдениям, режимы bf16 и fp16 дают некорректные результаты; требуется около 5–6 ГБ видеопамяти. Переводы специализированных технических текстов и неформального английского могут быть ненадёжными. Лицензия — Apache-2.0.

Карточка модели hustvl/DiffusionVL-Qwen2.5-7B на Hugging Face совпадает с карточкой hustvl/DiffusionVL-Qwen2.5VL-7B, поэтому описание составлено по ней. DiffusionVL-Qwen2.5VL-7B — модель зрения и языка на основе Qwen2.5-VL, представленная исследователями Huazhong University of Science and Technology. Авторы применили к предварительно обученной авторегрессионной модели метод diffusion fine-tuning, преобразовав её в vision-language-модель с диффузионной генерацией. Модель содержит 7,1 млрд параметров, использует архитектуру DiffusionVL_Qwen2_5_VL_ForConditionalGeneration и поддерживает контекст до 128 000 токенов. Модель предназначена для диалоговых сценариев с изображениями и текстом, включая ответы на вопросы по изображениям и генерацию текста по визуальному контексту. DiffusionVL использует блочное декодирование, допускающее генерацию произвольной длины и повторное использование KV-кэша; авторы сообщают об ускорении инференса в 2 раза по сравнению с рассматриваемыми ими существующими diffusion vision-language-моделями. Репозиторий предоставляет веса safetensors для Transformers. Лицензия — Apache 2.0.

DunbaaBERT-32k — урдуязычная модель семейства DunbaaBERT, разработанная авторами проекта и обученная с нуля. Это encoder-only Transformer на архитектуре RoBERTa для предсказания замаскированных токенов; вариант использует словарь Byte-BPE размером 32 009 токенов и содержит около 137,8 млн параметров по метаданным. Обучение проводилось с Whole Word Masking на очищенном корпусе урдуязычных текстов объёмом 17 ГБ. Модель подходит для восстановления пропущенных слов и как языковой энкодер для последующей адаптации к задачам классификации и анализа текстов на урду. Длина последовательности составляет 512 токенов; авторы сообщают о результатах на лингвистических и прикладных тестах, включая классификацию текстов. Указанные в README параметры варианта — 110 625 024 — расходятся с метаданными репозитория, поэтому число параметров в описании приведено по метаданным. Лицензия MIT.

Dynamo 8B — предобученная языковая модель DynamoFL на архитектуре Mistral для многоязычного моделирования текста. Модель содержит 7,6 млрд параметров и принимает текст, формируя продолжение текста; её контекстное окно в метаданных указано как 32 768 токенов. В README заявлено окно 128 000 токенов, поэтому фактическую поддерживаемую длину контекста следует сверить с используемой конфигурацией. Разработчики расширили токенизатор Mistral для английского, немецкого, испанского, корейского, итальянского и турецкого языков, а затем продолжили предобучение на 210 млрд мультиязычных токенов, включая данные CulturaX и RedPajama. В карточке приведены результаты на PAWS и XCOPA и заявлено преимущество над несколькими моделями на большинстве протестированных мультиязычных бенчмарков. Модель не проходила инструкционную настройку или RLHF, поэтому предназначена прежде всего для языковых экспериментов и дальнейшей адаптации, а не для готового диалогового помощника. Модель выпущена по исследовательской лицензии DynamoFL; применение должно также соответствовать Acceptable Use Policy. Возможны неточные, непроверенные и предвзятые ответы, поэтому результаты следует проверять и оценивать для конкретного применения.

Daniele Marcoaldi подготовил EuroLLM-22B Legislative Text — вариант EuroLLM-22B-Instruct-2512, дообученный методом LoRA для работы с законодательными текстами и объединённый с базовой моделью с масштабом LoRA-весов 50%. Такой масштаб выбран, чтобы сохранить способность базовой модели следовать инструкциям и связность ответов, добавив специализацию на юридических текстах. Модель построена на плотной архитектуре Llama с 21,9 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Основное назначение — перевод; также модель может генерировать текст. Карточка указывает языки ЕС, включая английский, болгарский, чешский, датский, немецкий, греческий, испанский, эстонский, финский, французский, хорватский, венгерский, итальянский, литовский, латышский, нидерландский, польский, португальский, румынский, словацкий и словенский; метаданные также перечисляют ирландский и шведский. Выпущена под лицензией Apache-2.0.

ToPo-ToPo подготовил конверсию Gemma 4 26B-A4B Instruct из google/gemma-4-26b-a4b-it для запуска с библиотекой MLX и mlx-vlm. Это мультимодальная модель семейства Gemma 4 с архитектурой MoE и 128 экспертами; веса хранятся в формате safetensors с точностью bf16 без квантизации. Модель принимает текст и изображения и предназначена для диалогов и генерации ответов с учётом визуального содержимого. Конверсия проверена на загрузку и корректную генерацию текста в mlx-vlm 0.6.3. В репозитории изменён шаблон чата: для ответов после вызова инструмента он подавляет канал рассуждений, когда отключён режим thinking; веса модели это изменение не затрагивает. Лицензия — Gemma. Контекстное окно и поддерживаемые языки в предоставленных данных не описаны.

Huihui-Hunyuan-MT-7B-abliterated-i1-GGUF — это квантизированная версия модели Huihui-Hunyuan-MT-7B-abliterated, разработанной huihui-ai и преобразованной в формат GGUF пользователем mradermacher. Модель основана на архитектуре, совместимой с Transformers, имеет около 7 млрд параметров и ориентирована прежде всего на задачи машинного перевода и работы с текстом. В метаданных указана поддержка английского языка. Модель поставляется в нескольких вариантах квантизации, включая IQ1–IQ4, Q2–Q6 и другие форматы, размером примерно от 1,9 до 6,3 ГБ. Это позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством: Q4_K_M обозначен как рекомендуемый быстрый вариант, а Q4_K_S — как сбалансированный по размеру, скорости и качеству. Более низкие варианты квантизации могут заметно уступать по качеству. В названии и метаданных указано, что модель является abliterated и uncensored, то есть из неё удалены или ослаблены некоторые ограничения поведения; конкретные последствия этого для качества и безопасности в README не описаны. Длина контекста, полный набор поддерживаемых языков, точные характеристики архитектуры и лицензия не указаны, поэтому их следует уточнять по исходной модели Huihui-Hunyuan-MT-7B-abliterated.

Huihui-Hunyuan-MT-Chimera-7B-abliterated — дообученная версия Tencent Hunyuan-MT-Chimera-7B, созданная huihui-ai методом abliteration для снижения числа отказов модели. Это плотная авторегрессионная языковая модель на 7,5 млрд параметров с контекстом до 32 768 токенов, рассчитанная прежде всего на перевод. Разработчик позиционирует её также для диалогов, совмещающих перевод с обычным общением; для одного лишь перевода README рекомендует исходную модель без abliteration. Модель работает с текстом и поддерживает перевод между 33 языками благодаря возможностям базовой ансамблевой модели. Использовать её можно через библиотеку Transformers или Ollama. README называет реализацию грубой проверкой концепции и предупреждает, что фильтрация безопасности существенно снижена, поэтому ответы могут быть чувствительными, спорными или неприемлемыми. Лицензия в предоставленных данных не указана.

Hunyuan-MT-7B-i1-GGUF — квантизированная GGUF-версия модели Hunyuan-MT-7B, разработанной Tencent. Квантизацию выполнил mradermacher; доступны варианты с imatrix-квантизацией разных типов и размеров. 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, польский, чешский, нидерландский, кхмерский, бирманский, персидский, гуджарати, урду, телугу, маратхи, иврит, бенгальский, тамильский, украинский, тибетский, казахский, монгольский и уйгурский языки. Это модель размером 7B в формате GGUF, ориентированная на локальный запуск с ограниченными требованиями к памяти. Доступны файлы примерно от 1,9 до 6,3 ГБ. В README рекомендуются варианты i1-Q4_K_M как быстрые и сбалансированные, а i1-Q4_K_S — как оптимальные по соотношению размера, скорости и качества; более агрессивные квантизации могут заметно снижать качество. Архитектура, размер контекста, дополнительные модальности и точные показатели качества не указаны. Лицензия в предоставленных данных не указана.

Это зеркало Kaption модели Tencent Hy-MT2 1.8B, преобразованной AngelSlim в формат GGUF с квантизацией STQ 1,25 бит. Репозиторий содержит файлы, побайтно совпадающие с указанной исходной ревизией; изменений в модели Kaption не вносил. Базовая модель имеет 1,8 млрд параметров и предназначена для перевода текста между 33 языками и выполнения инструкций по переводу. Модель подходит для встраивания в приложения и локальные сценарии перевода, поддерживает диалоговый интерфейс. Квантизация до 1,25 бит уменьшает размер файла, однако карточка не приводит оценок качества после квантизации или требований к ресурсам. Лицензия — Apache License 2.0.

LaViDa-LLaDa v1.0 Instruct — версия контрольной точки, совместимая с Transformers, для загрузки и инференса через API библиотеки Hugging Face Transformers. Архитектура модели относится к семейству Llava-LLaDa; модель принимает изображения и текст и предназначена для диалогового взаимодействия с визуальным содержимым, а также генерации текста. В README приведён пример загрузки модели и обработчика изображений с использованием bfloat16. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0. Метаданные указывают поддержку задач image-text-to-text и text-generation. Размер модели, длина контекста и поддерживаемые естественные языки в предоставленных данных не описаны.

llama-2-13b-chat-platypus — авторегрессионная языковая модель, дообученная Луисом Г. Алвесом на основе семейства LLaMA 2. В карточке указаны 12,9 млрд параметров, архитектура LlamaForCausalLM и контекст до 4096 токенов; веса доступны в форматах PyTorch и Safetensors. Модель предназначена для генерации текста и ответов на инструкции, особенно в задачах, связанных с STEM-дисциплинами и логикой. Она обучалась на наборе Open-Platypus и рассчитана прежде всего на английский язык. В приведённых тестах ARC и HellaSwag её результаты ниже, чем у Platypus2-13B и базовой llama-2-13b-chat-hf. Для использования требуется соблюдать лицензию Llama 2. Модель может выдавать неточные, предвзятые или нежелательные ответы; перед применением в конкретном продукте рекомендуется провести оценку безопасности и настроить ограничения.

nnethercott/llava-v1.5-7b_vicuna — производная модель на основе LLaVA v1.5 7B, опубликованная для проведения бенчмарков языковых моделей. В карточке указано, что в репозитории находятся дообученные веса liuhaotian/llava-v1.5-7b_vicuna. Архитектура — авторегрессионный трансформер LLaMA; в метаданных указаны 6,6 млрд параметров, контекст 4096 токенов и формат safetensors. Исходная LLaVA обучалась как мультимодальный чат-бот на данных следования инструкциям, связанных с изображениями, включая визуальные вопросы и ответы. Однако для этой копии Hugging Face указывает задачу text-generation, поэтому её основное назначение в каталоге — генерация текста и оценка в языковых бенчмарках. Карточка приводит результаты отдельных бенчмарков, но не описывает точный способ подачи изображений в этой версии. Модель основана на весах семейства Vicuna/LLaMA и распространяется по лицензии llama2, указанной в метаданных. Данные карточки не подтверждают отдельную лицензию на наборы для обучения или условия коммерческого использования сверх этой метки.

Maelstrom_4B — разговорная модель на 3,9 млрд параметров, созданная при участии нескольких участников Anthracite. Это слияние моделей Deedlit, NeuroCom, NeuroCom v2, Luxe и Zenith на базе производной от Minitron архитектуры Llama; модель предназначена для роли универсального ассистента и ролевых диалогов. Репозиторий содержит веса в формате Safetensors, модель использует Transformers и заявляет контекст до 131 072 токенов. При этом README уточняет, что на всех этапах модель настраивали с контекстом 8 тыс. токенов, поэтому заявленную длину контекста следует учитывать с этой оговоркой. Лицензия — Apache-2.0. Карточка не приводит оценок качества и подробностей о поведении модели в разных языках или сценариях.

Mahou-1.2-llama3-8B — диалоговая языковая модель Flammen AI для общения и ролевых сценариев. Это дообученная плотная модель семейства Llama 3 с 7,5 млрд параметров; она принимает текст и выдаёт текст, поддерживает чат и рассчитана на контекст до 8192 токенов. Модель обучена на разговорных данных Flammen AI с использованием формата ChatML. README описывает дообучение с помощью Direct Preference Optimization (DPO) и LoRA; для общения и ролевых диалогов модель предлагает использовать ChatML-шаблон и режим Instruct. В карточке приведены результаты оценивания на тестах рассуждения и здравого смысла. Лицензия указана как llama3. Модель предназначена для диалогового применения, однако опубликованные результаты и описание не гарантируют качество для всех сценариев; в README также не приведены подробные оценки безопасности или ограничения по темам.

MedGo — медицинская языковая модель, разработанная на основе Qwen3-32B и дообученная для клинической практики и медицинских исследований. Это плотная авторегрессионная модель на 29,7 млрд параметров с контекстом до 40 960 токенов; она предназначена для диалогового использования и работает с текстом. Модель подходит для ответов на медицинские вопросы, составления клинических сводок и документации, обсуждения дифференциальных диагнозов, рекомендаций по обследованиям, диалога по клиническим случаям и поддержки медицинских исследований. В README заявлена ориентация прежде всего на китайские медицинские сценарии; метаданные также отмечают китайский и английский языки. Модель распространяется по лицензии Apache-2.0. MedGo может ошибаться в медицинских рассуждениях и рекомендациях, особенно при сложных случаях, осложнениях и неполных данных. Медицинские знания могут устаревать; модель не заменяет врача и не предназначена для экстренных решений или самостоятельного принятия высокорисковых клинических решений. Результаты требуют проверки специалистом.

ychenNLP/nllb-200-3.3B-easyproject — модель машинного перевода на базе архитектуры M2M100, дообученная автором на датасете EasyProject поверх facebook/nllb-200-3.3B. Она предназначена для перевода текста; датасет EasyProject указывает на адаптацию к связанным с ним сценариям, но карточка не уточняет языковую пару или предметную область. Модель содержит 2,1 млрд параметров и рассчитана на контекст до 1024 токенов. Репозиторий содержит веса PyTorch и использует лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование.

Farizeh/nllb-eng-arabic-wmt26 — дообученная разработчиком Farizeh модель машинного перевода на основе NLLB-200-3.3B для перевода с английского на арабский в рамках низкоресурсного направления WMT26 Task 1A. Это плотная модель архитектуры M2M100 с 2,1 млрд параметров, рассчитанная на контекст до 1024 токенов; веса доступны в формате safetensors. В репозитории также есть отдельный контроллер NTK-Mirror для масштабирования выбранных каналов скрытых состояний при инференсе. По результатам devtest контроллер почти не меняет качество NLLB после многоязычного дообучения. Модель предназначена для машинного перевода англоязычных текстов на арабский, в частности для низкоресурсных сценариев перевода, связанных с WMT26. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. В карточке приведены результаты на devtest; они не гарантируют аналогичного качества на других тематиках и данных.

Omni-Diffusion — мультимодальная модель семейства Dream, представленная как модель для совместного понимания и генерации текста, речи и изображений. Она использует дискретную диффузию с маскированием и моделирует совместное распределение мультимодальных токенов. Репозиторий содержит 7,2 млрд параметров; заявленная длина контекста — 131 072 токена. Модель предназначена для сценариев, где требуется связывать текст, речь и изображения в единой системе, включая мультимодальное понимание и генерацию. Для загрузки используется библиотека Transformers с пользовательской архитектурой и параметром trust_remote_code=True. Веса опубликованы в формате safetensors. Лицензия — Apache-2.0. В карточке нет результатов оценки качества или подробностей о поддерживаемых направлениях преобразования между модальностями, поэтому практические возможности конкретных сценариев по имеющимся данным не уточнить.

Это квантизированная версия INT8 модели Helsinki-NLP/opus-mt-en-ru, преобразованная в формат CTranslate2 автоматизированным конвейером. Она предназначена для перевода текстов с английского на русский и для эффективного инференса, в том числе на мобильных устройствах. Для работы используются токенизаторы SentencePiece; карточка сообщает о сокращении размера примерно на 75% и более быстром инференсе при сохранении качества перевода. Модель распространяется по лицензии Apache-2.0.

Quark-464M-v0.1.alpha — компактная разговорная языковая модель семейства Qwen2, выпущенная raincandy-u. Это alpha-версия для двуязычного общения на английском и китайском языках, ориентированная на быстрый запуск на устройствах с ограниченными ресурсами. Модель содержит около 464 млн параметров, использует архитектуру Qwen2ForCausalLM и принимает текст, выдавая текст. Заявленная длина контекста — 32 768 токенов. В карточке указано, что модель не проходила RLHF-донастройку; опубликованы результаты отдельных бенчмарков, но сам автор предупреждает, что выпуск предварительный и качество может меняться. Модель распространяется в формате Safetensors по лицензии other; конкретные условия лицензии в предоставленных данных не раскрыты.

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.

Qwen2.5-7B-Sep_2c1t — модель SardineLab, выпущенная в рамках исследования Doc2FRC и предназначенная для многоязычного машинного перевода фрагментов документов с учётом контекста. Это полнопараметрическое дообучение Qwen/Qwen2.5-7B-Instruct методом supervised fine-tuning; модель использует плотную архитектуру Qwen2 и содержит 7,1 млрд параметров. При обработке каждого фрагмента модель получает два предшествующих фрагмента исходного текста в отдельных секциях Context1 и Context2 и переводит текущий фрагмент в целевой язык. Поддерживаются переводы между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским и китайским языками. Обучение использовало фрагменты длиной 256–512 токенов; максимальная длина последовательности — 32 768 токенов. Модель работает с текстом и доступна в формате PyTorch через Transformers. Она подходит для контекстно-согласованного перевода частей длинных документов, где важно учитывать предшествующее содержание. Для воспроизведения схемы разбиения документов, настройки запросов и оценки авторы отсылают к материалам проекта Doc2FRC. Модель распространяется по лицензии Apache-2.0.