I.5Создание и редактирование текста

Qwen2-Math-7B-Instruct-GGUF — это квантизированная версия языковой модели Qwen2-Math-7B-Instruct, подготовленная пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалогового взаимодействия, прежде всего для решения математических задач и формулирования ответов на английском языке. Она распространяется в формате GGUF и может запускаться, в частности, через LM Studio. Модель содержит около 7 миллиардов параметров; архитектура исходной модели в README не описана. Доступны варианты от F32 до низкобитных Q2–Q8-квантизаций с размером файлов примерно от 2,78 до 30,47 ГБ. Более высокие уровни квантизации обычно сохраняют лучшее качество, тогда как варианты Q3 и Q2 рассчитаны на системы с меньшим объёмом оперативной памяти. Для отдельных вариантов эмбеддинги и выходные веса сохранены в формате Q8_0. Рекомендуемый формат prompt использует специальные токены чата Qwen. Сильной стороной является выбор вариантов квантизации, позволяющий запускать модель на различном оборудовании при компромиссе между качеством и требованиями к памяти. Ограничения включают отсутствие в README сведений о размере контекстного окна, поддерживаемых модальностях помимо текста и результатах оценки качества; заявлен только английский язык. Модель и её квантизированные файлы распространяются по лицензии Apache-2.0.

legraphista/Qwen2-Math-7B-Instruct-IMat-GGUF — это набор GGUF-квантизованных версий модели Qwen/Qwen2-Math-7B-Instruct, подготовленный пользователем legraphista с использованием llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев, прежде всего для решения математических задач и инструкционного взаимодействия. В README указана поддержка английского языка. Модель имеет размер 7B параметров и распространяется в формате GGUF. Доступны варианты от BF16 и FP16 до Q8_0, Q6_K, Q5_K, Q4 и более компактных 3- и 2-битных квантований. Для ряда вариантов применена IMatrix-калибровка, призванная лучше сохранять качество при уменьшении размера модели. Размер файлов составляет примерно от 3,02 до 15,24 ГБ. Контекстное окно, точные сведения об архитектуре и мультимодальные возможности в README не указаны; модель ориентирована на текстовый ввод и вывод. Основные преимущества — широкий выбор уровней квантования, возможность локального запуска через совместимые инструменты llama.cpp и компромисс между размером файла и сохранением качества, особенно в вариантах с IMatrix. Более агрессивное квантование может снижать точность и качество рассуждений, а характеристики зависят от выбранного файла. Модель распространяется по лицензии Apache-2.0.

guille-mas/Qwen3.6-27B-mlx-fp16 — мультимодальная модель семейства Qwen, преобразованная из Qwen/Qwen3.6-27B в формат MLX с помощью mlx-lm 0.31.2. В метаданных архитектура указана как плотная Qwen3_5ForConditionalGeneration с 27 млрд параметров; модель предназначена для диалоговой работы с текстом и изображениями, а основная задача — image-text-to-text. Модель подходит для вопросов по изображениям и диалоговых сценариев, где текстовый запрос сопровождается визуальным содержимым. Базовая модель описана как пригодная для программирования и агентных задач, однако карточка этой конверсии отдельно подтверждает только мультимодальный диалог и работу с изображениями. Репозиторий распространяется по лицензии Apache-2.0.

RJ3vans/SSCCVspanTagger — модель на архитектуре BERT для разметки токенов по принадлежности к типам синтаксических составляющих. Она предназначена для выявления границ и типов фрагментов предложения, в том числе в сценариях упрощения текста. В примерах README квадратными скобками отмечается левая граница фрагмента; карточка указывает, что при развёртывании в системе упрощения текста эту отметку может предварительно определять отдельная модель. Модель дообучена для задачи token classification на наборе данных из докторской диссертации Р. Эванса о упрощении предложений для обработки текста. Чекпойнт содержит 432,3 млн параметров, принимает последовательности длиной до 512 токенов и опубликован в формате PyTorch. Лицензия в предоставленных данных не указана.

WindyTranslate/translate-en-st — модель машинного перевода от Windstorm Labs для перевода текста с английского языка на сесото. Это дообученная версия Helsinki-NLP/opus-mt-en-st: к исходным весам применили LoRA дообучение на параллельном корпусе и объединили адаптер с базовыми весами. Модель построена на архитектуре MarianMT, содержит 54,5 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Модель можно использовать для перевода коротких текстов и как компонент конвейера машинного перевода. В проверке FLORES-200 на выборке из 48 предложений она получила chrF++ 38,59 и BLEU 10,66; авторы относят результат к уровню «пригодно к использованию» и отмечают, что это предварительная проверка, а не публикационный результат. Доступны веса в формате safetensors для Transformers. Лицензия — Apache-2.0.

Windstorm Labs опубликовала модель машинного перевода с фиджийского языка на английский. Это дообученная версия Helsinki-NLP/opus-mt-fj-en: LoRA-дообучение на параллельных данных объединено с базовыми весами. Модель использует архитектуру MarianMT, содержит 53,8 млн параметров и принимает текстовый ввод с контекстом до 512 токенов. Модель предназначена для перевода фиджийских текстов на английский, например отдельных фраз и документов. В проверке на 48 предложениях FLORES-200 она получила chrF++ 29,31 и BLEU 7,76; это ограниченная скрининговая оценка, а не публикационный результат. Поддерживается только направление fj→en. Репозиторий содержит веса safetensors для Transformers. Лицензия — Apache-2.0.

XLMRoBERTa-Multilingual-Clickbait-Detection — модель классификации текста, разработанная на основе XLM-RoBERTa large и дообученная для обнаружения кликбейта. Она предназначена для оценки заголовков и других коротких текстов на предмет кликбейтной подачи, в том числе в рамках проекта ЕС. Архитектура — XLM-RoBERTa для классификации последовательностей, размер — около 658,7 млн параметров, контекст — до 514 токенов. Модель поддерживает английский, греческий, итальянский, испанский, румынский, немецкий, французский и польский языки. В карточке приведены высокие результаты на тестовой выборке: общий Macro-F1 97,28; качество может отличаться на других данных и текстах, не похожих на обучающие. Обучающий набор основан на англоязычных данных о кликбейте, переведённых на другие языки с помощью машинного перевода. Модель распространяется по лицензии MIT.

Zamba-7B-v1-phase1 — базовая языковая модель Zyphra для генерации текста, включая текст и код. Это исследовательский предобученный чекпойнт, созданный для сравнения влияния этапа annealing в обучении; он обучен предсказанию следующего токена на 1 трлн токенов текстовых данных и кода из открытых веб-датасетов. Репозиторий использует архитектуру Zamba: основу из слоёв Mamba с общим трансформерным слоем внимания через каждые шесть блоков, а также токенизатор Mistral v0.1. В метаданных указано 16,9 млрд параметров и контекст 4096 токенов. Модель ориентирована на продолжение текста и эксперименты с генерацией, а не на диалог с пользователем: она не дообучалась для чата и не имеет встроенного механизма модерации. Архитектура с пространственным состоянием рассчитана на эффективную генерацию с меньшими затратами памяти на KV-кэш; README предупреждает, что текущая реализация Hugging Face работает медленнее внутренней реализации Zyphra, а запуск без оптимизированных Mamba-ядер заметно увеличивает задержку. Лицензия — Apache-2.0.

rhymes-ai/Aria-sequential_mlp — это форк модели Aria от Rhymes AI. В нём grouped GEMM заменён последовательным выполнением экспертов как слоёв torch.nn.Linear; такая реализация упрощает квантизацию с помощью открытых библиотек, рассчитанных на nn.Linear. Модель использует архитектуру AriaForConditionalGeneration и предназначена для диалоговой работы с текстом и изображениями, включая генерацию текста по визуальному содержимому. Репозиторий содержит веса в формате safetensors и рассчитан на запуск через Transformers. Для форка указана лицензия Apache-2.0. Последовательная реализация упрощает совместимость с инструментами квантизации, но grouped GEMM обеспечивает более высокую скорость обучения. Размер модели и длина контекста в предоставленных данных не указаны.

Barcenas-Llama3-8b-ORPO — разговорная модель генерации текста на архитектуре Llama, разработанная автором репозитория Danielbrdz. Модель содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Она обучена методом ORPO на основе VAGOsolutions/Llama-3-SauerkrautLM-8b-Instruct с использованием датасета предпочтений reciperesearch/dolphin-sft-v0.1-preference, включающего данные Dolphin, подготовленные с помощью GPT-4 для улучшения диалоговых ответов. Модель предназначена для диалогов и генерации ответов на английском языке. Распространяется в формате Safetensors; лицензия указана как other, поэтому конкретные условия использования следует уточнить в карточке репозитория. В карточке не приведены результаты оценки качества и подробные ограничения, поэтому их нельзя охарактеризовать точнее.

Bifrost Flash 430M — компактная модель машинного перевода от NodeNestor для переводов между английским и скандинавскими языками. Она поддерживает шведский, датский, норвежский букмол и нюношк, финский и исландский; модель обучена дистилляцией из Bifrost 1.2B и содержит около 510,8 млн параметров по метаданным. Лицензия — Apache-2.0. Модель использует плотную гибридную архитектуру декодера: динамические причинные свёртки чередуются с grouped-query attention. Контекст составляет 4096 токенов; веса доступны в формате safetensors, в README рекомендован запуск в bf16. На тесте FLORES-200 модель показала chrF++ 54,5 в среднем по направлениям. Она подходит для недорогого и быстрого перевода между английским и североевропейскими языками, а также между самими скандинавскими языками. По сравнению с учительской Bifrost 1.2B качество ниже; наиболее заметные слабые места — перевод с английского на финский и исландский, где также чаще встречается перевод не на целевой язык. Модель не настроена на выполнение инструкций и ограничена контекстом в 4096 токенов.

BioinspiredLlama-3-1-8B-128k — разговорная языковая модель семейства Llama, опубликованная организацией lamm-mit. Она предназначена для генерации текста и диалога по темам биологии, химии, биологических материалов, материаловедения и инженерии. По метаданным, модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Модель загружается через Transformers в формате safetensors. Карточка содержит примеры инференса и многоходового взаимодействия, но не описывает обучение, оценку качества или конкретный перечень поддерживаемых языков. Лицензия в предоставленных данных не указана.

Карточка модели hustvl/DiffusionVL-Qwen2.5VL-3B 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.

YeungNLP/firefly-qwen-7b — модель Qwen-7B, дообученная в рамках проекта Firefly на более чем миллионе примеров многоходовых диалогов. В обучающие данные вошли набор moss, опубликованный проектом, и 20 тысяч примеров по школьной математике. Модель предназначена для генерации текста в формате одноходового и многоходового диалога, включая ответы на вопросы и решение школьных математических задач. Это плотная модель семейства Qwen с архитектурой QWenLMHeadModel и примерно 11,4 млрд параметров; заявленный контекст — 8192 токена. Репозиторий содержит веса PyTorch. Карточка не сообщает лицензию. Качество может зависеть от темы и формулировки запроса; данные об обучении указывают на диалоговый и школьный математический фокус, поэтому возможности за пределами этих сценариев не следует считать подтверждёнными.

Ryex/Floppa-12B-Gemma3-Uncensored — мультимодальная модель Ryex, дообученная на основе Google Gemma 3 12B Instruct. Она предназначена для перевода с японского на английский с сохранением сленга, ненормативной лексики и культурных нюансов, а также для описания изображений, включая откровенные и жестокие сцены. Модель принимает текст и изображения и выдаёт текст; в README указана архитектура Dense Transformer с визуальным энкодером SigLIP и гибридным вниманием. В метаданных указаны 12 млрд параметров базовой модели, поддержка английского, японского и других языков, библиотека vLLM и формат safetensors. Модель дообучена методом 4-битного QLoRA с последующим объединением весов в bfloat16. README описывает обучающие данные для перевода, диалогов, рассуждений и понимания изображений. Модель рассчитана на сценарии, где требуется передавать исходное содержание без смягчения формулировок; она может выводить оскорбительную, сексуальную или жестокую лексику и описывать соответствующие изображения. Лицензия — Gemma; применяйте модель согласно её условиям.

deepset/gbert-base — базовая немецкоязычная модель BERT, созданная совместно авторами оригинальной German BERT и dbmdz BERT; среди разработчиков указаны Branden Chan, Stefan Schweter и Timo Möller. Модель обучена для работы с немецким текстом и использует архитектуру BERT base с головой masked language modeling. В каталоге Hugging Face указаны 137,1 млн параметров и контекст до 512 токенов. Основная задача модели — заполнение пропусков в тексте: она предсказывает замаскированные токены с учётом окружающего контекста. Её можно применять как основу для задач понимания немецкого языка и адаптировать под конкретные сценарии. В README приведены результаты на наборах GermEval14 и GermEval18, где модель, по утверждению авторов, превосходит предшественников. Обучение использовало данные, связанные с Wikipedia, OPUS и OpenLegalData. Модель распространяется по лицензии MIT. Она предназначена для немецкого языка и не является генеративным чат-ассистентом; основное применение — masked language modeling, а не свободная генерация длинных текстов.

Это дообученная ajujohn8 мультимодальная модель Gemma 4 для диалогов с текстом и изображениями. Она основана на ajujohn8/gemma-4-e4b-it-unsloth-bnb-4bit-aj, имеет плотную архитектуру Gemma4ForConditionalGeneration и предназначена для сценариев, где нужно задавать вопросы по изображениям и получать текстовые ответы. В карточке также указана поддержка интерфейса вызова инструментов. Модель обучали с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса в формате Safetensors; лицензия — Apache 2.0. Поддерживаемый в карточке язык — английский. Подробности о качестве на конкретных задачах и ограничениях применения в README не приведены.

GLM-4.6V-Flash-MLX-8bit — это 8-битная квантованная версия мультимодальной модели GLM-4.6V-Flash, разработанной компанией zai-org. Квантование в формате MLX предоставлено командой LM Studio с использованием библиотеки mlx_vlm; модель оптимизирована для запуска на компьютерах с Apple Silicon. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. В README заявлена поддержка китайского и английского языков. Она может использоваться в локальных мультимодальных приложениях, способных анализировать визуальные данные и отвечать на текстовые запросы, при условии совместимости программного окружения с MLX. Ключевой особенностью является 8-битное представление, снижающее требования к памяти по сравнению с полноразмерной версией и ориентированное на эффективное выполнение на Apple Silicon. Архитектура, точный размер модели, максимальная длина контекста и дополнительные характеристики в предоставленных данных не указаны. README также не описывает специфические ограничения качества или перечень поддерживаемых сценариев сверх мультимодальной обработки текста и изображений. Для модели указана лицензия MIT. При использовании следует учитывать, что модель может генерировать неточную, вредную или неподходящую информацию, поэтому результаты требуют проверки.

HSC Wuxia MarianMT zh-en — модель машинного перевода, разработанная в рамках выпускной работы по автоматическому переводу литературы wuxia. Это дообученная модель Helsinki-NLP/opus-mt-zh-en на основе архитектуры MarianMT с 58,4 млн параметров. Она предназначена для перевода художественных текстов жанров wuxia и xianxia с китайского на английский; обучение проводилось на 100 тысячах параллельных предложений. В оценке на тестовом наборе wuxia модель показала SacreBLEU 28,39, chrF 50,02 и ROUGE-L 57,40. Модель принимает текст и генерирует перевод. Максимальная длина контекста — 512 токенов. Лицензия — CC BY 4.0; при использовании необходимо соблюдать её условия.

Index-NativeLong-9B — специализированная модель перевода длинных документов из семейства Index-Translate, опубликованная IndexTeam под идентификатором IndexTeam/Index-Nailong-9B. Это плотная авторегрессионная модель на архитектуре Qwen3.5 с 7,2 млрд параметров, дообученная на многоязычных данных и переводах документов. Она получает исходный документ целиком и генерирует перевод одним проходом, чтобы сохранять полноту, согласованность имён и терминологии, а также связность глав и сцен. В опубликованном клиенте доступны направления китайский→английский, английский→китайский, китайский→японский и японский→китайский. Окно контекста конфигурации сервинга составляет 229 376 токенов и включает запрос, источник и сгенерированный перевод; для длинных текстов нужно оставлять место под результат. Модель рассчитана на работу через vLLM с поддержкой Qwen3.5 и CUDA. Для хранения bf16-весов указано около 24 ГБ видеопамяти, дополнительно требуется память под KV-кэш, объём которой зависит от длины контекста. README приводит результаты внутреннего теста NativeLongBench на длинных книжных фрагментах. Модель распространяется по лицензии Apache-2.0. Заявленная семейная поддержка 150 языков относится к общей текстовой модели и не подтверждает качество этой версии для всех этих языков.

mlx-community/InternVL3-8B-8bit — мультимодальная чат-модель семейства InternVL3, опубликованная mlx-community и преобразованная из models/InternVL3-8B в формат MLX с помощью mlx-vlm 0.1.23. Она предназначена для диалога по изображениям и задач визуального понимания: пользователь передаёт изображение и текстовый запрос, а модель отвечает текстом. Метаданные также отмечают поддержку text-generation и интерфейс вызова инструментов. Модель относится к плотной архитектуре InternVLChatModel; README указывает вариант 8B и 8-битное представление. В карточке названа мультиязычной, но конкретные языки и длина контекста не приведены. Лицензия указана как other; перед использованием следует проверить условия оригинальной модели. README отсылает к её исходной карточке за подробностями.

kevin009/llamaRAGdrama — дообученная модель для генерации ответов на вопросы и синтеза текста в сценариях RAG. По метаданным это плотная авторегрессионная модель семейства Mistral объёмом 7,1 млрд параметров с контекстом до 32 768 токенов; репозиторий содержит веса в формате Safetensors. Разработчик сообщает, что обучение ориентировано на ответы, сохраняющие фактическую точность в драматических текстовых сценариях, с использованием художественных материалов, баз данных и надёжных источников. Модель предназначена для генерации ответов по предоставленному контексту и объединения сведений из источников в RAG-системах. Она может быть полезна для вопросно-ответных приложений, которым нужно работать с художественным или драматическим содержанием, сохраняя фактические сведения. Поддерживаемый язык карточкой не определён. В README отмечены возможные предвзятость и неточности, а также отсутствие гарантии безопасности ответов. Модель распространяется по лицензии Apache-2.0.

mediabiasgroup/magpie-babe-ft — мультиязычная модель для классификации медийной предвзятости на уровне предложений. Разработчики дообучили MAGPIE-PT-XLM сначала на смеси LBM из 59 задач анализа медийной предвзятости, а затем на наборе BABE. Модель построена на архитектуре RoBERTa и содержит 151,9 млн параметров; для обработки текста доступно контекстное окно до 514 токенов. Модель предназначена для автоматической проверки предложений из новостей и других медиатекстов на наличие предвзятости. Она принимает текст и выдаёт результат классификации. В карточке заявлена мультиязычность, а метаданные явно подтверждают английский язык. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.

Mahou-1.2-phi-14B — экспериментальная разговорная языковая модель команды flammen.ai, дообученная на базе microsoft/Phi-3-medium-128k-instruct. Модель с архитектурой Phi-3 содержит 13,8 млрд параметров, принимает текст и генерирует текст; поддерживает диалоговый режим и формат ChatML. В карточке указано контекстное окно 4096 токенов. Модель предназначена для диалогов и ролевых сценариев. Для ролевых ответов авторы рекомендуют оформлять речь без кавычек, а действия — в звёздочках. Модель выпущена как экспериментальная версия и не протестирована; описание также упоминает итеративное развитие и дообучение на разговорных данных flammen.ai. Распространяется по лицензии Apache-2.0.

yudiwbs/marian-finetuned-kde4-en-to-id — модель машинного перевода на архитектуре MarianMT, созданная дообучением Helsinki-NLP/opus-mt-en-id на наборе данных KDE4. Она предназначена для перевода текстов с английского на индонезийский, в том числе текстов из домена KDE. Модель содержит 53,2 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате TensorFlow. В карточке приведены значения потерь на обучающей и валидационной выборках, но нет примеров переводов или показателей качества перевода. Модель распространяется по лицензии Apache-2.0.

Это 4-битная GPTQ-квантизация текстовой инструктивной модели Google MedGemma 27B, подготовленная Беном Барнардом и Оладимеджи Адарамевой для Medical Policy Applied Research Team (MPART) в Innovate Springfield и University of Illinois Springfield. Модель предназначена для разработчиков и исследователей, создающих приложения для работы с медицинскими текстами, в том числе для анализа политики здравоохранения, Medicaid и финансирования систем здравоохранения. Модель принимает и генерирует текст, поддерживает диалог и рассчитана на английский язык. Квантизация выполнена методом GPTQ через llmcompressor: веса 4-битные, активации 16-битные, размер группы 128; слой lm_head оставлен в полной точности. По README, это снижает потребность в памяти примерно с 55 до 15 ГБ и позволяет запускать модель на одной видеокарте с 24 ГБ или более видеопамяти. Приведённые результаты медицинских бенчмарков относятся к базовой модели до квантизации. Модель может быть полезна для анализа и обобщения медицинских и связанных с политикой здравоохранения текстов, но не предназначена для непосредственного клинического применения: ответы необходимо независимо проверять квалифицированным специалистам. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

MITRE (Multilingual Translation with Registers) — многоязычная авторегрессионная модель с архитектурой decoder-only, разработанная для перевода NAIST NLP. Репозиторий содержит предварительно обученную модель примерно с 1 млрд параметров для инференса; доступна через библиотеку Transformers и использует SentencePiece для токенизации. Модель предназначена для перевода между 24 языками в 552 направлениях, включая прямой перевод между языковыми парами. В README описаны пять языковых групп: германская, романская, славянская, малайско-полинезийская и азиатская. Разработчики указывают, что подход основан на M2M и включает изменения, призванные снизить стоимость генерации. Модель распространяется под лицензией MIT. Контекст ограничен 256 токенами, поэтому она рассчитана на короткие фрагменты текста; ограничения качества и результаты оценки в предоставленных материалах не описаны.

msy127/mnsim-dpo-peftmerged-2-eos — разговорная модель генерации текста на архитектуре Llama, подготовленная командой, указанной в карточке как David Sohn. Она основана на mncai/llama2-13b-dpo-v7 и предназначена для диалогов в формате пользовательских инструкций; в карточке показан пример вопроса о здоровом питании. Модель также представлена как часть платформы AI Companion для общения с виртуальным собеседником. Модель содержит 12,9 млрд параметров, использует библиотеку Transformers и веса Safetensors. Карточка указывает поддержку корейского и английского языков и контекст длиной 2048 токенов. Лицензия — llama2. README отмечает пользовательский формат инструкций и наличие chat template, поэтому при использовании важно соблюдать ожидаемый формат диалога.

Koichi Yasuoka разработал эту модель на архитектуре ModernBERT и предварительно обучил её на японской Википедии и текстах «Аодзора бунко». Это языковая модель с маскированными токенами, предназначенная для заполнения пропусков в японском тексте; её также можно дообучить для разметки частей речи, синтаксического анализа зависимостей и других задач обработки японского языка. Модель содержит 160,2 млн параметров, принимает текст и поддерживает контекст длиной до 8192 токенов. Она распространяется в формате PyTorch по лицензии Apache-2.0. Для применения через Transformers в README показана загрузка с параметром trust_remote_code=True. Качество на перечисленных задачах после дообучения зависит от обучающих данных и настройки.

Murasaki-4B-v0.3-GGUF — это GGUF-квантизированная версия текстовой языковой модели Murasaki-Project/Murasaki-4B-v0.3, подготовленная mradermacher. Модель предназначена прежде всего для генерации и перевода текстов, связанных с визуальными новеллами, ранобэ, galgame и аниме-субтитрами. Заявлены японский и китайский языки, а также поддержка сценариев с chain-of-thought и text generation inference. Модель содержит около 4 миллиардов параметров и распространяется в формате GGUF, совместимом с соответствующими средствами инференса. Доступны варианты квантования от Q2_K до Q8_0, IQ4_XS и полноточный f16; размеры файлов составляют примерно от 1,9 до 8,9 ГБ. В README не указаны архитектура исходной модели, размер контекста, точный набор поддерживаемых языков и результаты бенчмарков, поэтому качество для конкретных задач заранее оценить нельзя. Квантованные варианты позволяют снизить требования к памяти, однако более агрессивное квантование может ухудшать качество. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных работ.