I.5Создание и редактирование текста

GujaratiBERT — монолингвальная модель на основе BERT, разработанная L3Cube-Pune и обученная на общедоступных корпусах текстов на гуджарати. Она предназначена для задач языкового понимания на гуджарати; основной сценарий использования по метаданным — восстановление скрытых токенов в тексте (fill-mask), а также подготовка представлений для последующих NLP-задач. Модель имеет архитектуру BertForMaskedLM и содержит 264,8 млн параметров. Она принимает текстовые последовательности с маскированными токенами и предсказывает их заполнение; максимальный контекст составляет 512 токенов. Опубликованные форматы — PyTorch и Safetensors. Модель распространяется по лицензии CC BY 4.0. README называет сведения о корпусах и результатах предварительными и отсылает к статье, поэтому конкретные показатели качества здесь не приводятся.

HeBERT — предварительно обученная языковая модель для иврита, разработанная авторами проекта HeBERT. Она построена на архитектуре Google BERT в конфигурации BERT-Base и содержит 136,7 млн параметров. Модель обучалась на ивритской части OSCAR, дампе Википедии на иврите и пользовательских комментариях с новостных сайтов. Доступны веса PyTorch и Flax; контекст ограничен 512 токенами. Основной режим этой версии — предсказание пропущенных токенов в тексте на иврите. HeBERT можно дообучать для прикладных задач; в карточке описаны эксперименты с анализом тональности и распознаванием эмоций, однако отмечено, что выпущена только модель для определения полярности, а распознавание эмоций пока не опубликовано. Лицензия в предоставленных данных не указана.

mlx-community/InternVL3-1B-4bit — конверсия модели InternVL3-1B в формат MLX с 4-битным представлением весов, подготовленная сообществом mlx-community. Это мультимодальная чат-модель для диалога по тексту и изображениям; основная задача в метаданных — image-text-to-text, также указана генерация текста. Архитектура относится к семейству InternVL Chat. Модель предназначена для локального запуска через mlx-vlm на оборудовании Apple Silicon; размер исходной модели в идентификаторе — 1B, однако точное число параметров в предоставленных данных отсутствует. Поддержка языков обозначена как многоязычная, но конкретные языки и длина контекста не приведены. 4-битное представление снижает требования к памяти, но может уступать полной точности по качеству. README отсылает к карточке исходной модели за подробностями. Лицензия в метаданных обозначена как other.

JP-EN-Translator-1K-steps-7B-merged — экспериментальная модель mpasila для перевода с японского на английский с учётом дополнительного контекста. Она дообучена на базе augmxnt/shisa-base-7b-v1 на модифицированной версии параллельного набора ParallelFiction-Ja_En-100k; карточка указывает формат запросов Alpaca. В основе — плотная авторегрессионная архитектура MistralForCausalLM с 7,5 млрд параметров и контекстом до 32 768 токенов. Модель принимает текст и выдаёт текст; метаданные указывают английский язык, а предназначение и обучающие данные — перевод между японским и английским. Лицензия — Apache-2.0. Автор предупреждает, что качество может быть невысоким; модель экспериментальная.

chunwoolee0/ke_t5_base_bongsoo_ko_en — дообученная модель KETI-AIR/ke-t5-base на датасете bongsoo/news_news_talk_en_ko. Это текстовая модель архитектуры T5 с 148,3 млн параметров, предназначенная для перевода с корейского на английский; в README указано обучение в течение одной эпохи. Базовая KE-T5 использует словарь SentencePiece из 64 000 подслов и обучалась на корпусе с корейскими и английскими текстами. Модель принимает текст и генерирует текст перевода. Максимальная длина контекста по метаданным — 512 токенов. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка указывает перевод с корейского на английский, поэтому её пригодность для других языковых пар и качество перевода в иных областях не подтверждены.

Latxa-Qwen3-VL-32B-Instruct — мультимодальная инструктивная модель HiTZ Research Center и исследовательской группы IXA Университета Страны Басков UPV/EHU. Она дообучена на базе Qwen/Qwen3-VL-32B-Instruct и предназначена для диалога с пользователем и выполнения инструкций с учётом изображений. Модель принимает текст и изображения и генерирует текст; архитектура — плотная Qwen3-VL, размер — 32 млрд параметров. Основной вариант адаптирован для баскского языка; мультиязычная ревизия дополнительно адаптирована для галисийского и каталанского. Карточка также указывает поддержку испанского, английского и других языков, но качество вне баскского не гарантируется. Модель распространяется по лицензии Apache 2.0. Разработчики отмечают, что опубликованные версии предварительные и продолжают развиваться.

LFM2-350M-ENJP-MT-GGUF — языковая модель Liquid AI, созданная на основе LFM2-350M и дообученная для двунаправленного перевода между английским и японским языками. Она предназначена для near real-time перевода коротких и средних по объёму текстовых входов, включая сценарии, где важны скорость обработки и запуск на периферийных устройствах. Модель распространяется в формате GGUF и может использоваться с llama.cpp. Из известных характеристик указаны размер базовой модели 350M параметров, языки English и Japanese, а также поддержка квантованных вариантов, например Q4_0. README не содержит сведений о точной архитектуре, размере контекста, дополнительных модальностях, качестве на конкретных наборах данных или системных требованиях. Лицензия обозначена как lfm1.0; подробные условия следует уточнять в файле LICENSE и оригинальной карточке модели.

Apollo Raines представляет экспериментальный вариант Meta Llama 3.1 8B Instruct, поведение которого изменено методом representation engineering с помощью инструмента jBlaze. По README, модель не дообучали: изменение направлено на подавление угодливости, оговорок и многословия, чтобы ответы звучали прямо и по-деловому. Это диалоговая плотная авторегрессионная модель семейства Llama с примерно 7,5 млрд параметров и контекстом до 131 072 токенов; принимает текст и генерирует текст. Карточка приводит примеры ответов на общие вопросы, простые вычисления, программирование и утверждения, противоречащие научному консенсусу. Указан английский язык. Автор сообщает, что выпущенная версия намеренно ослаблена и служит демонстрацией возможностей jBlaze; качество и поведение на иных задачах отдельно не подтверждены. Лицензия — Llama 3.1.

llama-3.1-8B-vision-378 — мультимодальная модель на базе Llama 3.1 8B Instruct, созданная yeswondwerr и qtnx_. К базовой языковой модели добавлен обученный проекционный модуль, который подключает визуальные возможности с помощью SigLIP. Модель предназначена для диалога по изображениям и генерации текстовых ответов на их основе. В метаданных указаны задачи image-text-to-text и text-generation, но основное назначение — анализ изображений в разговорном интерфейсе. Репозиторий содержит веса в формате safetensors; README также упоминает 4-битную квантизацию. Модель основана на Llama 3.1 8B Instruct и использует визуальный энкодер SigLIP. Лицензия указана как llama3.1. Карточка не сообщает длину контекста, поддерживаемые языки и подробные ограничения качества; ответы могут содержать ошибки.

Это 4-битная версия Llama 3.2 90B Vision Instruct, подготовленная mlx-community для запуска в формате MLX. Модель преобразована из unsloth/Llama-3.2-90B-Vision-Instruct с помощью mlx-vlm версии 0.1.4; архитектура — Mllama с плотной моделью условной генерации, исходная модель содержит 90 млрд параметров. Модель принимает изображения и текст и формирует текстовые ответы. Она подходит для диалога по изображениям, ответов на вопросы о визуальном содержимом и создания описаний. В метаданных указаны английский язык, поддержка диалога, зрения и интерфейса вызова инструментов. Репозиторий распространяется по лицензии Llama 3.2. README описывает конвертацию в MLX, однако в метаданных указан формат файлов safetensors; сведения о контекстном окне и конкретных ограничениях качества в доступных данных отсутствуют.

yahma/llama-7b-hf — конвертированная версия базовой языковой модели LLaMA 1 от команды FAIR в Meta AI, подготовленная для работы с Transformers и исправляющая проблемы с токеном EOS. Это авторегрессионная плотная Transformer-модель класса LlamaForCausalLM примерно с 6,6 млрд параметров; веса представлены в формате PyTorch. Модель генерирует текст по текстовому запросу и подходит для исследовательских экспериментов с языковыми моделями, включая проверку ответов на вопросы, понимание естественного языка и чтение с пониманием. В обучающей выборке преобладал английский язык; также использовались тексты на 19 других языках, в том числе русском. Это базовая модель без обучения на обратной связи от людей, поэтому она может выдавать неверную, токсичную или предвзятую информацию и не предназначена для прикладного использования без отдельной оценки рисков и мер защиты. Репозиторий предназначен для пользователей, уже получивших доступ к весам LLaMA и которым нужна их копия в формате Transformers; действует специальная некоммерческая лицензия Meta.

Карточка модели mediabiasgroup/magpie-babe-ft-xlm на Hugging Face совпадает с карточкой mediabiasgroup/magpie-babe-ft, поэтому описание составлено по ней. 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.

LalitaDeelert разработал MarianMT-модель для перевода с тайского языка на китайский упрощённый. Это трансформерная модель архитектуры MarianMT с 41,6 млн параметров, обученная с нормализацией текста и токенизацией SentencePiece. В README указана оценка 15,53 на тестовом наборе, но метрика не названа. Модель принимает текст на тайском и генерирует перевод на упрощённом китайском. Она предназначена для автоматического перевода коротких текстовых фрагментов; максимальная длина контекста составляет 512 токенов. Модель опубликована в формате PyTorch и использует библиотеку Transformers. Карточка описывает собственное дообучение команды LalitaDeelert на данных проекта NLP-ZH_TH-Project; базовая модель не указана. Лицензия в предоставленных данных не указана.

TransQuest/monotransquest-da-multilingual — модель оценки качества машинного перевода без эталонного перевода, основанная на XLM-RoBERTa и классификаторе последовательностей. Разработчики TransQuest создали её для sentence-level direct assessment: модель получает исходный текст и его перевод и оценивает качество перевода. В карточке указаны 658,7 млн параметров, контекст до 514 токенов и лицензия Apache-2.0. Модель предназначена для отбора вариантов машинного перевода, оценки надёжности переведённого текста и решения, нужна ли публикация без правок или постредактирование человеком. README описывает также возможности семейства TransQuest для оценки усилий постредактирования и разметки качества на уровне слов, однако для этой модели метаданные подтверждают задачу классификации текста. Карточка относится к датскому языку; других поддерживаемых языков для данного чекпойнта README и метаданные не устанавливают.

Davlan/mT5_base_yoruba_adr — модель восстановления диакритических знаков и тоновых отметок в текстах на языке йоруба. Она основана на mT5-base и дообучена для автоматического восстановления диакритики на корпусах JW300 Yorùbá и Menyo-20k. Архитектура — encoder-decoder mT5 с 291,2 млн параметров; модель принимает текст и выдаёт текст с восстановленными знаками. Модель предназначена для нормализации текстов на йоруба, например при подготовке публикаций и обработке корпуса без тоновых отметок. В README указаны BLEU 64,63 на тестовой части Global Voices и 70,27 на Menyo-20k. Качество может снижаться на текстах из других областей и за пределами распределения обучающих данных. Формат весов — PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

MuduoLLM — языковая модель для базового образования, совместно разработанная Пекинским педагогическим университетом и TAL Education Group. Она создана с учётом китайских образовательных стандартов и предназначена для учеников и учителей: модель решает учебные задачи, отвечает в диалоговом формате, составляет вопросы и помогает готовить планы уроков. В основе модели — плотная авторегрессионная архитектура Qwen2.5-14B-Instruct с 14 млрд параметров и контекстом 32 768 токенов. README описывает предварительное обучение на общих и образовательных текстах, дообучение с учителем и оптимизацию предпочтений экспертов. Модель рассчитана прежде всего на китайский язык; метаданные также отмечают английский. Доступны веса в формате safetensors и интерфейс диалога с поддержкой вызова инструментов. Модель подходит для разработки образовательных помощников и генерации учебных материалов, но её специализация на китайских учебных программах ограничивает переносимость на другие образовательные системы. Лицензия — Apache-2.0; перед использованием ответов в обучении следует проверять их корректность и соответствие учебной программе.

NanoSakura-2.3-0.2B — компактная модель примерно с 188 млн параметров, разработанная telecomadm1145 для перевода с японского языка на китайский. Это Seq2Seq-архитектура: Transformer-энкодер обрабатывает исходный текст, а декодер Mamba2 с перекрёстным вниманием формирует перевод. По заявлению автора, генерация не требует растущего KV-кэша, что снижает расход памяти и подходит для развёртывания на устройствах с ограниченными ресурсами и высоконагруженных API. Модель обучалась на наборах skr_trans_distill и очищенных японско-китайских парах Википедии. В карточке приведены результаты FLORES-200 и тестового набора; автор предупреждает, что версия 2.3 не превосходит NanoSakura-2.2 во всех оценках. Для загрузки через Transformers требуется включить trust_remote_code=True. Лицензия — MIT.

NLLB-200 distilled 600M — модель машинного перевода, разработанная командой NLLB. Это версия архитектуры M2M-100 с 463,7 млн параметров, доступная в формате PyTorch. Модель предназначена для перевода отдельных предложений между 200 языками, в том числе языками с ограниченными обучающими данными; контекст составляет до 1024 токенов, хотя при обучении использовались последовательности не длиннее 512 токенов. Модель подходит для исследовательских задач машинного перевода и переводов общетематических текстов. Она оценивалась на FLORES-200 с метриками BLEU, spBLEU и chrF++, а также с человеческой оценкой. Карточка указывает на ограниченную проверку за пределами домена Wikimedia и предупреждает о возможных ошибках перевода. Модель не предназначена для производственного развертывания, специализированных медицинских и юридических текстов, перевода документов или сертифицированных переводов. Лицензия — CC-BY-NC-4.0.

NusaBERT Large — многоязычная языковая модель на основе энкодера BERT, разработанная LazarusNLP. Это версия IndoBERT Large p1, продолжительно предобученная примерно на 16 млрд токенов из открытых корпусов, включая индонезийскую Википедию, KoPI-NLLB и CulturaX. Модель содержит 435,5 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Модель предназначена для восстановления замаскированных слов и может служить основой для задач анализа текста на индонезийском и нескольких языках Юго-Восточной Азии. В README приведены результаты оценки на отложенной части корпуса: accuracy 0,7117 и perplexity 3,769. Она обучалась с Transformers и PyTorch, распространяется под лицензией Apache 2.0.

opus-mt-es-en-scielo — модель машинного перевода на архитектуре MarianMT, созданная дообучением Helsinki-NLP/opus-mt-es-en на датасете SciELO. Она предназначена для перевода научных текстов с испанского на английский. Модель содержит 58,4 млн параметров, принимает текст и выдаёт текст; максимальная длина контекста — 512 токенов. В карточке указаны результаты оценки на тестовой выборке: BLEU 40,8788 и loss 1,2593. Модель распространяется по лицензии Apache-2.0.

Модель OPUS-MT для машинного перевода с английского на сербохорватский разработана группой Language Technology Research Group Хельсинкского университета в рамках проекта OPUS-MT. Она построена на архитектуре MarianMT и содержит 55,2 млн параметров; исходная реализация на Marian NMT преобразована для использования с PyTorch и Transformers. Модель предназначена для перевода текстов с английского на варианты сербохорватского: боснийский, хорватский, черногорский и сербский в латинице или кириллице. Это специализированная модель для перевода между указанными языками, а не универсальная языковая модель. В метаданных указан контекст до 512 токенов. Обучение выполнено на данных OPUS с использованием процедур OPUS-MT-train. Модель распространяется по лицензии CC-BY-4.0, которая требует указания авторства.

PLaMo-100B — большая языковая модель Preferred Elements, Inc., предварительно обученная на открытых англоязычных и японских данных. Это причинная авторегрессионная модель с архитектурой decoder-only и 100 млрд параметров; обучение охватило 2 трлн токенов, включая 1,3 трлн английских и 0,7 трлн японских. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. Модель предназначена для генерации продолжения текста на английском и японском языках. Она не проходила instruction-tuning, поэтому сама по себе не настроена на диалоговый чат и выполнение инструкций как ассистент. Модель доступна по коммерческой и некоммерческой лицензиям; условия коммерческого использования нужно согласовать с разработчиком, а для некоммерческого применения — проверить соответствующую лицензию. Ответы могут быть неточными, предвзятыми или нежелательными; перед внедрением требуется тестирование и настройка безопасности под конкретное приложение.

PMC_LLaMA_7B_10_epoch — языковая модель семейства LLaMA, разработанная Chaoyi Wu. Это версия LLaMA-7B, дообученная на научных статьях по биомедицине из корпуса PMC в наборе S2ORC; по сравнению с PMC_LLAMA_7B она обучалась 10 эпох. Модель содержит 6,6 млрд параметров и предназначена для генерации текста по запросу, в частности для работы с научной биомедицинской литературой. Модель принимает текст и генерирует текст. При обучении использовались фрагменты по 512 токенов из каждой статьи. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Карточка не сообщает о поддержке конкретных естественных языков или специализированных ограничениях качества; применение к клиническим решениям из описания не следует.

Qingqiu-MT-9B — мультиязычная модель машинного перевода с выполнением инструкций, разработанная командой WPS-Qingqiu компании Kingsoft Office для ограниченного трека соревнования WMT26 по общему машинному переводу. Это дообученная версия Qwen/Qwen3.5-9B с плотной архитектурой на 9 млрд параметров; модель запускается через Transformers и распространяется в формате safetensors. Модель переводит между 20 языками и поддерживает 22 из 23 официальных направлений WMT26, включая перевод с учётом дополнительных инструкций по терминологии, формату, стилю и другим требованиям. На вход подаются текст, исходный и целевой языки, инструкция и исходный текст; модель должна вернуть только перевод. В описанных разработчиками оценках на IF-WMT25 и IFMTBench она превзошла базовую Qwen3.5-9B по парным сравнениям, однако результаты зависят от тестового набора и оценки LLM-судьёй. Модель предназначена для многоязычного перевода с инструкциями, а не для универсальных диалоговых или мультимодальных задач. Для работы требуется актуальная версия Transformers с поддержкой Qwen3.5; в карточке рекомендуется Transformers 5.2.0 или новее. Лицензия — Apache 2.0.

Qwen3.8-27B-Leimroth3 — мультимодальная плотная модель на 27 млрд параметров, созданная Скоттом Леймротом на основе Qwen/Qwen3.8-27B. Это дообученная версия с изменённым направлением отказа: при lambda 1.5 компонент не просто удалён, а инвертирован в языковых слоях. Модель рассчитана на диалоговую генерацию текста и исследование механизмов отказа, выравнивания и red teaming; сохранённые компоненты зрения позволяют обрабатывать изображения и видео, хотя README не приводит отдельных проверок этих возможностей. В README описан BF16-мультимодальный чекпойнт в формате safetensors и приведён проверенный рецепт запуска через SGLang с явно заданным уровнем рассуждений medium. Также сообщается о сравнительном тестировании способности следовать инструкциям и работать с инструментами. Модель выпущена по лицензии Apache-2.0. Изменение снижает частоту отказов и инвертирует часть поведения отказа, поэтому ответы могут быть небезопасными. Автор предназначает модель для исследований и red teaming и рекомендует не внедрять её для пользователей без собственной защитной прослойки. Приведённые результаты ограничены описанными тестами и конфигурацией запуска.

AraBERTv2+D3Tok+Reg — модель оценки читаемости арабского текста, разработанная CAMeL Lab дообучением AraBERTv2 с функцией потерь Mean Squared Error. Модель использует вариант входных данных D3Tok из корпуса BAREC-Corpus-v1.0 и выдаёт числовую оценку, которую можно преобразовать в уровень читаемости. Для работы текст нужно предварительно обработать в формате D3Tok. Модель предназначена для автоматической оценки читаемости предложений и текстов на арабском языке, например при анализе учебных материалов или подборе текстов по уровню сложности. Она построена на архитектуре BERT для классификации последовательностей, содержит 162,4 млн параметров и поддерживает контекст до 512 токенов. Для запуска доступна через Transformers pipeline. Лицензия — MIT; качество и применимость зависят от соответствия входной предобработки варианту D3Tok.

Карточка модели officialmobai/rostam-r1-stage13-2 на Hugging Face совпадает с карточкой prog-love/rostam-r1-stage13-2, поэтому описание составлено по ней. Rostam R1 Stage 13-2 — разговорная модель серии Rostam, разработанная prog-love и дообученная методом Direct Preference Optimization на основе prog-love/rostam-r1-stage13-1. Она предназначена для генерации ответов и вопросов-ответов на персидском языке; карточка сообщает о проверке на тестовой выборке PQuAD из 8 002 примеров. В архитектуре указано семейство Gemma 4, плотная модель с классом Gemma4ForConditionalGeneration; все 5,104 млрд параметров обучались в BF16. Для версии Stage 13-2 в README приведены Exact Match 42,08%, F1 67,20% и доля ошибочного отказа от ответа 1,23% на PQuAD; также заявлено снижение повторов за счёт ограничителей остановки. Модель распространяется в формате safetensors по лицензии other; конкретные условия лицензии в предоставленных сведениях не раскрыты.

SaulLM-141B-Instruct — языковая модель для юридической области, разработанная Equall совместно с MICS при CentraleSupélec (Université Paris-Saclay). Она предназначена для исследовательской работы и адаптации к юридическим сценариям; обучалась на европейских и американских правовых текстах, судебных решениях и законодательных документах. Архитектура — Mixtral MoE; в метаданных указано 22 млрд параметров и контекст до 65 536 токенов. Модель работает с текстом на английском языке и поддерживает генерацию текста. Модель может помогать с анализом и подготовкой черновиков юридических материалов, однако её ответы могут быть неточными или отражать смещения обучающих данных. Обучение ориентировано на правовые системы США и Европы, поэтому качество для других юрисдикций может быть ниже; ответы не следует считать юридической консультацией. Лицензия — MIT.

Secure Legal Abstractor — дообученная разработчиком akshatdev14 текстовая модель семейства Phi-3 на базе unsloth/phi-4-mini-instruct. Она предназначена для работы с юридическими текстами и их абстрагирования; карточка не уточняет конкретные виды документов или формат итогового резюме. Модель содержит 3,8 млрд параметров, использует архитектуру Phi3ForCausalLM, принимает текст и поддерживает диалоговый интерфейс. Максимальная длина контекста — 4096 токенов; указанный язык — английский. Модель можно применять для получения краткого содержания юридических документов и вопросов и ответов по их содержанию. Она опубликована в формате safetensors по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробностей обучающих данных, поэтому пригодность ответов для юридических решений следует проверять.

Shieldstral-1.0-3B-GGUF — набор GGUF-квантизаций модели Shieldstral-1.0-3B, разработанной Mistral AI. По указанной карточке модель относится к классу image-text-to-text и предназначена для сценариев, в которых требуется обрабатывать изображения вместе с текстовыми запросами и генерировать текстовый ответ. Базовая модель имеет размер 3B параметров. Конкретные варианты квантизации, поддерживаемые языки, максимальная длина контекста и перечень модальностей в карточке не указаны. Для совместимости обновлён компонент mmproj, исправляющий проблемы загрузки в предыдущей версии; квантизации рассчитаны с использованием калибровочного набора text_eur_large. Ключевое преимущество этой версии — возможность локального запуска в формате GGUF с различными уровнями квантизации, что может снизить требования к памяти по сравнению с полноразмерной моделью. Ограничения, точные характеристики вариантов квантизации, требования к оборудованию и результаты тестирования не приведены. Лицензия в предоставленных данных не указана.