I.5Создание и редактирование текста

LumiNeuro-8B-Instruct — разговорная модель, опубликованная safe049 и дообученная на NeverSleep/Lumimaid-v0.2-8B. По карточке, обучение проводилось на наборе данных Neuro-Sama-QnA с использованием Unsloth и библиотеки TRL; модель построена на архитектуре Llama и содержит 7,5 млрд параметров. Модель предназначена для генерации текста в диалоге и сценариях вопросов и ответов. Указан контекст до 131 072 токенов; данные карточки обозначают английский язык. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка не приводит оценок качества или подробностей ограничений, поэтому пригодность для конкретного сценария следует проверять самостоятельно.

Модель vlada22/Meta-Llama-3.1-8B-Instruct-finki-edu-5c разработана Влатко Николoвски и дообучена на базе unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit для задач высшего образования. Это плотная авторегрессионная языковая модель семейства Llama с 7,5 млрд параметров, предназначенная для генерации, улучшения и предварительной оценки экзаменационных вопросов с учётом учебных целей, ясности формулировок и сложности. Модель поддерживает диалоговый режим и контекст до 131 072 токенов. В обучении использовались категории экзаменационных вопросов и уровни когнитивных задач по таксономии Блума; карточка указывает английский язык. Модель может помогать преподавателям готовить и рецензировать задания, но её оценки требуют проверки человеком, особенно при принятии важных образовательных решений. Возможны смещения из обучающих данных, а специализация на экзаменационных сценариях ограничивает применение в других областях. Лицензия — Apache-2.0.

Burmese LLM — языковая модель Ko Yin Maung из Myanmar Innovative Group (MIG), дообученная на базе Gemma 3 Text с 1 млрд параметров. Модель предназначена для перевода между английским и бирманским языками, ответов на базовые вопросы о буддизме и генерации связного текста на бирманском. В карточке указана архитектура Gemma3ForCausalLM, формат safetensors и контекст до 32 768 токенов. Модель подходит для учебных вопросов о буддийских знаниях и перевода коротких фраз между английским и бирманским. Ответы на вопросы описаны как основанные на RAG с векторной базой данных. Для сложных буддийских текстов возможны ошибки и выдуманные сведения, а качество перевода может снижаться на длинных или специализированных материалах; результаты следует проверять человеком. Лицензия — Apache-2.0.

Koichi Yasuoka разработал ModernBERT для японского языка и предварительно обучил модель на японской Википедии и текстах Aozora Bunko. Это плотная модель с архитектурой ModernBertForMaskedLM, содержащая 128,2 млн параметров и работающая с контекстом до 8192 токенов. Основная задача — предсказание замаскированных фрагментов японского текста; модель также можно дообучать для разметки частей речи и синтаксического анализа зависимостей. Репозиторий содержит веса PyTorch. Модель распространяется по лицензии Apache-2.0.

MosaicBERT-Base — англоязычная предварительно обученная модель семейства BERT, разработанная MosaicML. Она предназначена для дообучения на прикладных задачах и для исследований эффективного предобучения и обработки длинных текстовых последовательностей. Веса содержат 136,7 млн параметров; архитектура — плотный BERT для masked language modeling. Модель обучена с ALiBi на последовательностях длиной 1024 токена, что помогает переносить её на более длинные последовательности при дообучении; метаданные указывают контекст 512 токенов. Используются FlashAttention, GLU/GeGLU, удаление паддинга внутри блока трансформера и низкоточная LayerNorm. Основной сценарий каталога — заполнение пропусков в тексте; также модель служит базой для дообучения на других задачах обработки английского языка. Для загрузки с пользовательской реализацией FlashAttention карточка требует trust_remote_code=True; по умолчанию Triton Flash Attention не включён. Токенизатор — bert-base-uncased. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-ja-tr — модель машинного перевода, разработанная Helsinki-NLP в рамках проекта OPUS-MT. Она переводит текст с японского на турецкий; архитектура — Transformer-align на базе MarianMT, размер — 58,4 млн параметров. Модель обрабатывает текст с нормализацией и токенизацией SentencePiece и имеет контекст до 512 токенов. Модель подходит для перевода японских фраз и документов на турецкий язык. В карточке приведён результат BLEU 16,7 и chr-F 0,434 на наборе Tatoeba-test.jpn.tur; эти показатели относятся к указанному тесту и не гарантируют такое же качество на других текстах. Модель опубликована в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0. Она предназначена для перевода только в направлении с японского на турецкий; сведения о поддержке обратного перевода не приводятся.

Helsinki-NLP/opus-mt-tc-bible-big-gem-fra_ita_por_spa — модель машинного перевода проекта OPUS-MT, разработанная группой Language Technology Research Group Хельсинкского университета. Она переводит с германских языков на французский, итальянский, португальский или испанский; целевой язык задаётся специальной меткой. Модель предназначена для перевода текстов, включая материалы религиозной тематики, на которой специализируется вариант tc-bible. Это плотная модель MarianMTModel архитектуры Transformer-big с 158,8 млн параметров и контекстом до 1024 токенов. Она принимает текст и выдаёт текст; веса доступны в форматах PyTorch и Safetensors. Поддерживаемые исходные языки включают африкаанс, датский, немецкий, английский, фарерский, фризский, исландский, нидерландский, норвежский, шведский и ряд других языков и их вариантов. Модель лицензирована по Apache-2.0. Качество зависит от языка, жанра и соответствия входного текста обучающим данным; карточка не приводит количественных оценок качества.

OPUS-MT-tiny-rus-eng — компактная модель машинного перевода Helsinki-NLP на архитектуре MarianMT. Это дистиллированная ученическая модель, обученная с помощью OpusDistillery на данных Tatoeba; её учитель — OPUS-MT-models/ru-en/opus-2020-02-26. Модель переводит текст с русского языка на английский и содержит 14,5 млн параметров; родной контекст составляет 256 токенов. В метаданных указаны форматы safetensors и TFLite, а также лицензия Apache-2.0. В тестах на Flores+ ученическая модель показала BLEU 28,4, chr-F 56,8 и COMET 0,8220; на Bouquet — BLEU 31,1, chr-F 54,1 и COMET 0,8151. Компактный размер подходит для сценариев, где важны экономия ресурсов и перевод коротких фрагментов. Ограничения: направление перевода только с русского на английский, контекст короткий; метрики относятся к указанным тестовым наборам и не гарантируют качество на других текстах.

Модель uthayamurthy/origin-task1-bart-large — дообученный на всех параметрах чекпойнт facebook/bart-large-cnn для SciHigh-2026 Task 1. Она формирует краткие исследовательские тезисы по аннотациям научных статей, помогая быстро выделять основные выводы публикации. Модель основана на архитектуре BART и содержит 252,8 млн параметров по метаданным; принимает текст длиной до 1024 токенов и рассчитана на генерацию текста. Обучение проводилось на 10 000 примерах SciHigh Task 1 MixSub-SciHigh, а результаты проверки на 1985 примерах включают ROUGE-1 0,3808 и ROUGE-L 0,2503. Поддерживается английский язык. Модель доступна под лицензией Apache-2.0.

Orion-HYMT1.5-7B-SFT-v2601-i1-GGUF — это квантизированная версия модели Orion-HYMT1.5-7B-SFT-v2601, разработанной 3tic и преобразованной в формат GGUF пользователем mradermacher. Модель содержит около 7 миллиардов параметров и ориентирована на работу с японским и китайским языками. Основные сценарии применения — перевод и обработка текстов в жанре light novel. Доступны варианты квантизации от IQ1_S до Q6_K, различающиеся размером, скоростью и качеством; рекомендуемым для баланса этих характеристик назван вариант Q4_K_M, а Q4_K_S отмечен как оптимальный по соотношению размера, скорости и качества. Более низкобитные варианты требуют меньше памяти, но могут заметно уступать в качестве. В README не указаны архитектура базовой модели, размер контекста, поддержка дополнительных модальностей, точные языковые возможности за пределами японского и китайского, а также результаты тестирования. Модель распространяется по custom-лицензии; подробные условия следует уточнять в файле LICENSE.

Proctora — экспериментальная языковая модель со смешанной экспертной архитектурой (MoE) на базе Mixtral. Автор собрал её с помощью mergekit из OpenPipe/mistral-ft-optimized-1227 и двух экспертных моделей: SanjiWatsuki/Kunoichi-7B для ролевых сценариев и samir-fama/SamirGPT-v1 для фактических ответов. В метаданных указаны 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors. Модель предназначена для генерации текста, в частности для ролевых игр и оценки ответов по заданным рубрикам. Автор отмечает, что она хорошо учитывает ограничения персонажей и игровых способностей, сохраняет роль и может принимать целенаправленные решения в сценарии. Результат 71,88 на OpenLLM Leaderboard не обязательно отражает эти специализированные качества. Модель описана как uncensored, поэтому ответы могут включать нежелательный контент. Доступна по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Qwen2.5-7B-Stair_FS4 — полноразмерно дообученная SardineLab модель на базе Qwen/Qwen2.5-7B-Instruct для многоязычного перевода частей документов с учётом контекста предыдущих частей. Она использует плотную архитектуру Qwen2 и принимает контекст отдельными блоками: для каждой позиции в четырёхчастном документе доступны от нуля до трёх предшествующих частей. При обучении документы сегментировали в диапазоне 256–512 токенов и объединяли в группы по четыре части; максимальная длина последовательности — 32 768 токенов, размер модели — 7,1 млрд параметров. Модель предназначена для перевода между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским и китайским языками, в обоих направлениях. Контекстная схема ориентирована на сохранение согласованности перевода на уровне документа. Для воспроизведения обработки и настроек оценки авторы отсылают к коду и статье Doc2FRC; рекомендуется соблюдать предложенный формат из четырёх частей и передавать контекстные блоки в хронологическом порядке. Модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0.

Elliott/Qwen2.5-Math-7B-16k-think — разговорная языковая модель на архитектуре Qwen2, основанная на Qwen2.5-Math-7B, которую использует LUFFY в работе «Learning to Reason under Off-Policy Guidance». В репозитории заявлены 7,1 млрд параметров и контекстное окно 16 384 токена. Модель предназначена для генерации текста и диалогов, в частности для рассуждений и решения математических задач. Разработчик изменил параметр RoPE theta с 10 000 до 40 000, расширил контекст до 16k и модифицировал шаблон чата для системного промпта. Модель доступна в формате safetensors и распространяется по лицензии MIT. README не уточняет языковую поддержку и результаты оценки качества.

Qwen2.5-Math-7B-Instruct-IMat-GGUF — это GGUF-квантизированная версия модели Qwen2.5-Math-7B-Instruct, разработанной командой Qwen и подготовленной квантизатором legraphista с использованием llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев, прежде всего для решения математических задач и следования инструкциям. В README указан английский язык, однако дополнительные языковые возможности не описаны. Модель имеет размер 7B параметров и изначально представлена в формате BF16. Репозиторий содержит варианты от BF16 и FP16 до низкобитных форматов 8-, 6-, 5-, 4-, 3- и 2-бит, включая Q4_K, Q3_K и Q2_K. Для ряда вариантов применена IMatrix-квантизация на основе calibration dataset, что позволяет уменьшить размер файлов и требования к ресурсам при сохранении качества по сравнению с обычной квантизацией. Доступны отдельные файлы GGUF размером примерно от 3,02 до 15,24 ГБ. Сильной стороной репозитория является широкий выбор уровней квантизации для запуска модели с различными ограничениями по памяти и производительности, а также совместимость с экосистемой llama.cpp. Ограничения включают возможное снижение качества в низкобитных вариантах и отсутствие в README сведений о размере контекста, архитектурных деталях исходной модели, мультимодальности, показателях качества и системных требованиях. Модель распространяется по лицензии Apache-2.0.

Qwen3.6-27B-Della-Deckard-Terse-v2 — мультимодальная модель на архитектуре Qwen3.5 с 27 млрд параметров, созданная YFC-112358 слиянием весов. В 400 двухмерных проекционных матрицах применена линейная task-vector формула; остальные 799 тензоров скопированы из Della-Deckard-v1. Модель принимает текст и изображения и предназначена прежде всего для диалогов и коротких ответов с меньшим объёмом рассуждений. В небольшом тесте GSM8K автор сообщает о сокращении медианной длины рассуждений примерно в 7 раз относительно v1 при 17 правильных ответах из 20. На сложных задачах результат снизился относительно v1, поэтому модель лучше подходит для высоконагруженных сценариев коротких ответов, где важны задержка и стоимость, чем для многошаговых рассуждений. Возможности зрения, длинный контекст, программирование, использование инструментов, многоязычность и безопасность не оценивались; изменение языковой части может влиять на работу с изображениями. Лицензия в предоставленных данных не указана.

TEI Bibliographic Annotator — модель cmboulanger, дообученная на Qwen/Qwen2.5-3B-Instruct с помощью LoRA и объединённая с базовыми весами. Она размечает обычный текст библиографических цитат встроенными TEI XML-тегами: выделяет авторов, названия, даты, издателей и другие структурные элементы, сохраняя исходный текст без перефразирования и нормализации. Модель рассчитана на цитаты из сносок в юридико-социологических работах, включая сокращённые и анафорические ссылки вроде «Id.» и «ibid.», а также цитаты, смешанные с авторским текстом. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров и контекстом 32 768 токенов. Принимает текстовую инструкцию и цитату в формате чата, выдаёт размеченный текст; карточка указывает немецкий и английский языки. На пилотной проверке корректный TEI XML получен для 99,83% записей, точное совпадение с эталонной разметкой — для 42,50%; эти результаты относятся к первому пилоту и являются ограниченной проверкой, а не полной оценкой выпущенной версии. Лицензия указана как other, конкретные условия в карточке не раскрыты.

WindyTranslate/translate-fi-af — модель машинного перевода, опубликованная Windstorm Labs. Она переводит текст с финского языка на африкаанс и основана на Helsinki-NLP/opus-mt-fi-af: LoRA-дообучение на параллельном корпусе было объединено с базовыми весами. Модель использует архитектуру MarianMT, содержит 56,2 млн параметров и принимает контекст длиной до 512 токенов. Модель предназначена для перевода с финского на африкаанс в приложениях на базе Transformers. В репозитории доступна сборка в формате safetensors. В проверке на 48 предложениях FLORES-200 dev получены chrF++ 44,38 и BLEU 15,03; это предварительная скрининговая оценка, а не результат публикационного исследования. Модель распространяется по лицензии Apache-2.0.

NikolayKozloff/translategemma-12b-it-Q5_K_M-GGUF — это 12-миллиардная instruction-tuned модель Google TranslateGemma, преобразованная из google/translategemma-12b-it в формат GGUF с квантизацией Q5_K_M. Репозиторий подготовил NikolayKozloff с использованием llama.cpp и сервиса GGUF-my-repo. Модель предназначена прежде всего для задач перевода и может запускаться локально через llama.cpp в CLI- или серверном режиме. Формат GGUF обеспечивает совместимость с экосистемой llama.cpp и позволяет использовать модель на различных конфигурациях оборудования, включая CPU и GPU при соответствующей сборке. В README также указан пример запуска с контекстом 2048 токенов, однако точный максимальный размер контекста, поддерживаемые языки и дополнительные характеристики исходной модели здесь не описаны. К сильным сторонам относятся локальный запуск, широкая совместимость с llama.cpp и уменьшенный объём хранения благодаря квантизации Q5_K_M. Ограничения связаны с потерями точности, возможными для квантизированной версии, а также с отсутствием в представленном README подробных сведений о качестве перевода, модальностях и требованиях к ресурсам. Для использования требуется принять лицензию Google Gemma; условия исходной модели применяются к этой конвертированной версии.

Translation-GPT-v3 — дообученная разработчиком Dhahlan2000 модель семейства mT5 для генерации текста по текстовому запросу. Она содержит 157,4 млн параметров и представлена в формате TensorFlow. По карточке указаны результаты обучения на одном неизвестном наборе данных: значение функции потерь на обучении — 3,2180, на проверке — 2,5928 после одной эпохи. Модель предназначена для перевода текста, однако README не описывает поддерживаемые языковые пары, качество перевода или конкретные сценарии применения. Она дообучена на базе Dhahlan2000/Translation-GPT-v2; лицензия — Apache-2.0.

luffycodes/vicuna-class-shishya-13b-ep3 — языковая модель для генерации текста на архитектуре Llama с 12,9 млрд параметров и контекстом до 4096 токенов. README связывает работу с проектом CLASS Meet SPOCK — образовательным чат-ботом-репетитором, разработанным с учетом принципов науки об обучении; модель предназначена для учебного диалога и помощи учащимся. Модель использует формат PyTorch и лицензию Llama 2. Данных о поддерживаемых языках, конкретных учебных предметах и ограничениях качества в источниках нет.

Yo-ByT5 — модель Ахмада Самуэля Гали для восстановления диакритических знаков в тексте на языке йоруба. Она дообучена на базе байтовой модели google/byt5-small архитектуры T5 и содержит 364,6 млн параметров. Модель принимает текст без диакритики и восстанавливает тоновые знаки и подточки, включая ẹ, ọ и ṣ. Модель предназначена для автоматической нормализации йоруба: например, для подготовки текстов, где знаки были утрачены при вводе или обработке. В тесте YAD на 3330 предложениях автор сообщает общий уровень ошибок восстановления 10,00% при жадном декодировании на исправленной версии эталона. Лицензия модели — Apache 2.0. Для обработки рекомендуется нормализация Unicode NFC. Входы длиннее 1024 байт следует разбивать на части по границам предложений или клауз. Обучающие данные включают MENYO-20k и текст современной Библии на йоруба; для этих данных указаны лицензии CC BY-NC 4.0 и CC BY-SA соответственно.

Chokri–English Translation Model — дообученная Meta модель NLLB-200 distilled 600M для перевода между языком чокри и английским. Это encoder-decoder архитектура семейства M2M-100 с 463,7 млн параметров и контекстом до 1024 токенов. Чокри — тибето-бирманский язык, на котором говорят в округе Пхек штата Нагаленд в Индии. Модель обучена на примерно 8 000 проверенных человеческих парах предложений, главным образом из перевода Нового Завета на чокри, дополненного материалами сообщества. Поскольку у NLLB нет отдельного токена языка чокри, модель использует `lus_Latn` как прокси-токен для чокри. Подходит для перевода предложений с чокри на английский и обратно, в том числе для текстов на региональных вариантах языка. Преимущество модели — поддержка низкоресурсного языка, ранее не охваченного системами машинного перевода. Качество может снижаться на бытовых и технических текстах из-за преобладания библейских данных; диалектные различия и отсутствие обозначения тона в орфографии также могут приводить к неоднозначности. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Cinder-Phi-2-V1-F16-gguf — чат-модель на архитектуре Phi с 3,5 млрд параметров, опубликованная Josephgflowers. Она предназначена для научных и образовательных бесед, ответов на вопросы о знаниях мира и STEM-темах, а также для ролевого общения от лица персонажа Cinder и творческого исследования идей. В README описана настройка на данных, сходных с OpenHermes 2.5, с дополнительными материалами по математике, STEM и рассуждениям, в основном из OpenOrca, а также данными для персонажа и вопросами и ответами, созданными с применением RAG. Модель принимает текст и генерирует текст. Для репозитория указаны форматы GGUF F16 и safetensors; контекст составляет 2048 токенов. Лицензия — MIT. В README приведены результаты Open LLM Leaderboard по нескольким метрикам, однако они сами по себе не гарантируют качество в конкретных сценариях.

Lightblue/DeepSeek-R1-Distill-Qwen-7B-Japanese — японская дообученная версия DeepSeek-R1-Distill-Qwen-7B от команды lightblue. Модель предназначена для диалогов и генерации ответов с многошаговыми рассуждениями на японском языке, в том числе для математических задач. Она построена на плотной архитектуре Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 131 072 токенов; для запуска в README описано использование vLLM. Для дообучения применили supervised fine-tuning на японских промптах и ответах с рассуждениями, подготовленных на основе англоязычных данных. В приведённых авторами оценках модель чаще выдавала связный японский текст на разнообразных запросах, чем исходная версия, а на небольшом тесте GSM8K-ja показала более высокую точность. Модель распространяется по лицензии Apache-2.0. Оценки основаны на первых 50 примерах двух наборов данных и не гарантируют качество на других задачах. Модель может ошибаться в рассуждениях и ответах; заявленная специализация — японский язык, поэтому её не следует считать равноценно оптимизированной для других языков.

Neobe разработал и дообучил byT5-large для перевода предложений с дивехи на английский. Это байтовая модель encoder-decoder на архитектуре T5 с 1,2 млрд параметров; она принимает текст на дивехи, записанный письмом тхаана, и выдаёт английский перевод. Модель рассчитана на перевод отдельных предложений, особенно новостных и справочных текстов о Мальдивах. В карточке приведены оценки на тестовых данных и примеры перевода. Для письма тхаана автор рекомендует ориентироваться на chrF, поскольку BLEU ненадёжно отражает качество при особенностях сегментации слов и морфологии. Модель обучалась на корпусе предложений с машинными переводами и хуже подходит для технического или неформального английского, отсутствующего в обучающих данных. Для входа следует использовать только одно предложение: на абзацах модель может давать неудовлетворительный результат. Базовая модель — google/byt5-large. Лицензия — Apache-2.0.

Это дообученная модель DistilBERT, созданная на основе distilbert-base-uncased и набора данных eoir_privacy. Она классифицирует текстовые фрагменты, определяя, следует ли заменять имена псевдонимами, чтобы не раскрывать персональные или чувствительные сведения в публичных материалах иммиграционных судов EOIR. Модель принимает текстовый абзац и выдаёт решение о необходимости псевдонимизации. Модель построена на DistilBERT и обрабатывает последовательности длиной до 512 токенов. На оценочном наборе указаны accuracy 0,9053 и F1 0,8088. Модель обучена на данных EOIR Privacy и предназначена для применения как минимальный стандарт приватности; на данных вне обучающего распределения её результаты могут быть ненадёжными. Лицензия — Apache-2.0.

Карточка модели yuhuili/EAGLE-LLaMA3-Instruct-70B на Hugging Face совпадает с карточкой yuhuili/EAGLE-LLaMA3-Instruct-8B, поэтому описание составлено по ней. yuhuili/EAGLE-LLaMA3-Instruct-8B — модель на основе архитектуры LLaMA для ускорения генерации текста методом спекулятивного декодирования EAGLE. Она использует контекстные признаки языковой модели для построения кандидатов токенов и предназначена для ускорения инференса в системах обслуживания LLM, совместимых с EAGLE. В метаданных указаны 743,4 млн параметров, контекст до 2048 токенов, формат PyTorch и лицензия Apache-2.0. README описывает EAGLE как способ ускорять генерацию с сохранением распределения результатов базового декодирования и сообщает о поддержке интеграции с несколькими фреймворками обслуживания моделей. Карточка не уточняет обучение именно этого чекпойнта или его совместимую базовую модель.

Ex-Omni-2D — мультимодальная диалоговая модель, разработанная авторами проекта Ex-Omni-2D. Репозиторий содержит веса языковой, визуальной и речевой частей модели, а также LoRA-адаптер видеогенератора для публичного inference-пайплайна. В метаданных архитектура указана как плотная Qwen3 с классом LlavaHerQwen3ForCausalLM; заявлен размер 7,6 млрд параметров и контекст до 40 960 токенов. Модель предназначена для выразительного диалога с визуальным присутствием и работы с разными модальностями, включая текст, изображения, речь и видео. Для запуска README предписывает использовать конфигурацию из inference-репозитория; пайплайн загружает дополнительные зависимости, в том числе Wan2.1-T2V-1.3B, Qwen3-VL-2B-Instruct, Qwen3-TTS, Whisper-large-v3 и OmniAvatar-1.3B. Полный последовательный Teacher включён, причинный Student в этой версии отсутствует. Лицензия — Apache-2.0.

Fwizzer-R1-3B-ZH-v2 — лёгкая языковая модель с 3 млрд параметров, разработанная fwizzer1 на базе Ministral-3-3B-Instruct-2512. Модель дообучена за 2200 шагов на наборе zh-deepthink-mega из 17 281 очищенного примера по китайской математике, алгоритмам и задачам с многошаговым рассуждением. Для формирования ответа она использует структурированную цепочку рассуждений в тегах <think>...</think>. Модель предназначена прежде всего для китайскоязычных задач рассуждения, математики, логики, генерации кода и текстового общения; заявлена поддержка китайского и английского языков. Основной формат распространения — GGUF с квантованиями Q4_K_M, Q5_K_M и Q8_0, рассчитанными соответственно на мобильные и маломощные устройства, обычные компьютеры и конфигурации с не менее чем 6 ГБ видеопамяти. Также доступен F16 vision-проект для мультимодального понимания изображений и OCR при совместимом запуске, однако характеристики этой возможности подробно не описаны. Заявленная длина контекста — 8192 токена. Сильные стороны модели — компактный размер, локальный запуск, ориентация на китайское рассуждение и доступность для устройств с ограниченными ресурсами. В README приведены результаты CMMLU 68,4%, C-Eval 66,8%, GSM8K-ZH 74,2%, Math-ZH 58,6% и HumanEval-ZH 54,8%, но методика и условия тестирования не уточнены. Ограничения включают небольшой размер модели, возможные ошибки в сложных или общих задачах и зависимость мультимодальных функций от совместимого vision-компонента. Модель распространяется по лицензии Apache 2.0, допускающей академическое и коммерческое использование.

kez-lab/gemma-2-2b-quiz-korean — дообученная на базе Google Gemma 2 2B Instruct компактная плотная языковая модель для генерации тестов с одним правильным ответом по предоставленным корейским текстам. Она формирует вопросы с четырьмя вариантами, пояснением и дословной цитатой из источника, а также подбирает отвлекающие варианты ответов. Модель предназначена для создания учебных заданий по статьям, блогам и технической документации; автор также заявляет о возможности локального запуска на Android через LiteRT и MediaPipe. Архитектура Gemma2ForCausalLM, около 2,7 млрд параметров, контекст до 8192 токенов. Карточка сообщает об оценке 0,985 на тестовом наборе из 100 статей по десяти тематическим областям, однако эти результаты относятся к заявленной автором оценке. Модель принимает текст и выдаёт текст со структурированным JSON-полезным содержимым. Для модели указана лицензия Gemma; перед использованием следует учитывать её условия. Заявления о полном отсутствии галлюцинаций не следует считать гарантией для произвольных входных данных.