I.5Создание и редактирование текста

uw-hai/polyjuice — перенесённая версия Polyjuice, универсальной модели для генерации контрфактических вариантов текста. Модель основана на архитектуре GPT-2 и предназначена для задач генерации текста, в частности для создания альтернативных формулировок, меняющих отдельные свойства исходного текста. В метаданных указаны контекст до 1024 токенов и языковой тег английского языка. Доступны веса в форматах PyTorch и Flax. Карточка называет модель переносом Polyjuice; отдельные сведения о лицензии и конкретной базовой модели не приведены.

Qwen2-VL-2B-Abliterated-Caption-it — экспериментальная модель Prithiv M, дообученная на базе Qwen/Qwen2-VL-2B-Instruct для подробного описания изображений. Она принимает изображение и текстовый запрос и генерирует текстовые подписи: от общего описания сцены до детализированного разбора объектов и визуальных особенностей. Модель ориентирована на разные категории изображений, включая художественные, технические, абстрактные и изображения с чувствительным содержанием, а также на нестандартные соотношения сторон и разрешения. Модель построена на архитектуре Qwen2-VL, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Основной язык вывода — английский; README заявляет возможность многоязычных описаний по запросу. Указанная лицензия — Apache-2.0. Модель может выдавать откровенные, чувствительные или оскорбительные описания и не подходит для систем, которым необходима встроенная фильтрация контента. Стиль подписи зависит от формулировки запроса, а точность на незнакомых и синтетических визуальных стилях может снижаться.

Qwen3.5-27B Ancient RL R32 Step 250 Merged — слитый чекпойнт на базе Qwen3.5-27B от автора MooreMuaMu. Это плотная модель семейства Qwen3.5 с примерно 27,36 млрд параметров, представленная в формате safetensors и предназначенная для загрузки через Transformers. Модель дообучена методом GRPO с адаптером LoRA ранга 32 на переводе и аннотировании уйгурского, традиционного монгольского и тибетского языков. Чекпойнт выбран как лучший из этапа Ancient Swift RL Stage 2 в небольшой оценке на 300 промптах: автор сообщает об улучшении относительно базовой модели по Exact, Char-F1 и BERTScore-F1. Он подходит для перевода и аннотирования материалов на указанных языках в формате диалога. README помечает модель как экспериментальную и рекомендует проводить собственную оценку для конкретной задачи; результат небольшой тестовой выборки не гарантирует качество на других данных. Лицензия в предоставленных сведениях не указана.

Qwen3-VL-8B-Abliterated-Caption-it — мультимодальная модель, созданная дообучением Qwen/Qwen3-VL-8B-Instruct. Она принимает изображения и текстовые инструкции и генерирует подробные текстовые описания изображений; разработчик позиционирует её как модель для детального описания содержимого, включая чувствительные и сложные сцены, без обычных фильтров контента. Модель основана на архитектуре Qwen3-VL, имеет 8 млрд параметров и работает через Transformers; веса представлены в формате safetensors. Модель подходит для описания изображений общего, художественного, технического и абстрактного содержания, в том числе изображений с нестандартными пропорциями и разрешениями. Можно запрашивать краткие сводки или детальные описания; английский указан как язык по умолчанию, также заявлена генерация на других языках по формулировке запроса. Модель может создавать откровенные, чувствительные или оскорбительные описания и не подходит для систем, которым необходимы фильтрация контента или модерация. Стиль ответов зависит от формулировки запроса, а точность на незнакомых и синтетических изображениях может снижаться. Лицензия — Apache-2.0.

RCT-4B — языковая модель для генерации текста и многошаговых рассуждений, разработанная Ian Wu, Yuxiao Qu, Amrith Setlur и Aviral Kumar. Это плотная причинная модель семейства Qwen3 с 3,7 млрд параметров, опубликованная в формате safetensors и рассчитанная на контекст до 262 144 токенов. Модель обучена с использованием Reasoning Cache — итеративного алгоритма декодирования, описанного в одноимённой исследовательской работе. Он предназначен для продолжения и улучшения цепочек рассуждений на длинных горизонтах, в том числе с масштабированием вычислений во время вывода. В README сообщается о результатах на сложных математических бенчмарках, включая HMMT 2025. Для обычной загрузки и работы с моделью подходит библиотека Transformers. Чтобы использовать итеративное декодирование Reasoning Cache и получить описанные возможности, нужна дополнительная логика инференса: она не включена в репозиторий. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

RobBERT-2023 Dutch Base — базовая языковая модель, выпущенная исследовательской группой DTAI KU Leuven как обновлённая версия RobBERT для нидерландского языка. Она обучена на данных OSCAR 2023 с новым токенизатором, чтобы лучше учитывать современную лексику и актуальные для корпуса сведения. Модель использует архитектуру RoBERTa и задачу предобучения с маскированными токенами; в этой версии около 151,6 млн параметров и контекст до 514 токенов. Основной сценарий — заполнение пропусков в нидерландском тексте. Как базовую модель её также можно дообучать для задач классификации и других прикладных задач обработки нидерландского языка. Модель рассчитана прежде всего на нидерландский, включая фламандское употребление. Лицензия MIT разрешает свободное использование и модификацию при соблюдении её условий. Качество зависит от предметной области и последующего дообучения; модель не предназначена для непосредственной генерации длинных ответов.

lassl/roberta-ko-small — компактная предварительно обученная языковая модель RoBERTa для корейского языка, обученная с использованием фреймворка LASSL. Она предназначена для предсказания пропущенных токенов и может служить основой для задач понимания корейского текста, включая классификацию тональности, определение текстового сходства и ответы на вопросы после дополнительной настройки. Модель содержит 25,7 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и распространяется в формате PyTorch. В README приведены результаты оценки на корейских наборах NSMC, KLUE NLI, KLUE STS, KorQuAD v1 и KLUE MRC; среднее значение указано как 72,7330. Модель выпущена под лицензией Apache-2.0. Оценки отражают тестирование на декабрь 2021 года; для прикладного использования качество на конкретных данных следует проверять отдельно.

prajdabre/rotary-indictrans2-en-indic-dist-200M — модель машинного перевода, созданная как независимое воспроизведение исследования по развитию длинного контекста в многоязычных системах перевода. Она основана на соответствующей версии IndicTrans2: синусоидальные позиционные эмбеддинги заменены на Rotary Positional Embeddings, после чего модель дополнительно обучена для выравнивания. Архитектура — плотная encoder-decoder модель RotaryIndicTransForConditionalGeneration; формат весов — PyTorch, лицензия — MIT. Модель предназначена прежде всего для перевода документов и длинных фрагментов между английским и индийскими языками. Для предобработки исходного текста README рекомендует IndicTransToolkit и модуль IndicProcessor. Для обработки длинного входа приводится пример на 1457 токенов на одной GPU A100; это не гарантирует аналогичной производительности на другом оборудовании. На коротких предложениях качество может быть несколько ниже, чем у стандартных задач перевода на уровне предложения, и может потребоваться настройка параметров генерации. В README также отмечена возможная вариативность и неоптимальные результаты; перед масштабным применением качество следует проверить на целевом сценарии.

S1-mini — компактная модель Superwhisper для нормализации результатов автоматического распознавания речи. Данная версия mlboydaisuke/S1-mini-CoreAI является портом модели superwhisper/s1-mini в формат Apple Core AI и предназначена для работы полностью на устройстве, включая iPhone и Mac. Модель принимает необработанный текстовый транскрипт на английском языке и преобразует его в связный письменный текст: удаляет слова-паразиты, исправляет фальстарты и самокоррекции, добавляет пунктуацию и заглавные буквы, а также записывает словами произнесённые числа, даты, время, валютные значения и адреса электронной почты в стандартном текстовом формате. Это специализированный постпроцессор для диктовки и speech-to-text, а не диалоговая или универсальная chat-модель. Размер модели составляет около 0,6 млрд параметров. Она основана на superwhisper/s1-mini и имеет quantized-связь с базовой моделью; в поставке используется decode-бандл размером около 759 МБ с int8-квантизацией по блокам для основной части и fp16 для связанной с embedding выходной головы. Поддерживается только английский язык. Модель рассчитана на локальное выполнение на GPU или Neural Engine через Apple Core AI, что обеспечивает сохранение транскриптов на устройстве и подходит для приватных сценариев диктовки. Ограничением является узкая специализация и необходимость обрабатывать длинные тексты частями: на iPhone суммарный объём prompt и генерации ограничен примерно 1024 токенами. Лицензия указана как s1-mini-license; согласно README, она основана на Apache-2.0 и требует сохранять идентификацию модели как «S1-mini» от «Superwhisper» при использовании, распространении или интеграции в продукт.

S1-mini-GGUF — квантованные сборки модели s1-mini, разработанные Superwhisper для запуска через llama.cpp, Ollama, LM Studio и совместимые приложения. Это специализированная текстовая модель нормализации результатов автоматического распознавания речи, а не универсальный чат-бот: она преобразует сырой транскрипт в связный письменный текст. Модель удаляет слова-паразиты, обрабатывает оговорки и самокоррекции, расставляет пунктуацию и заглавные буквы, а также преобразует произносимые числа, даты, время, валюты и адреса электронной почты в письменный вид. Поддерживаются сценарии диктовки, постобработки ASR и подготовки обычного текста или электронной почты. Доступен выбор стиля, структуры и контекста через специальную управляющую строку. Поддерживается только английский язык. Архитектура — qwen3, 28 блоков и 311 тензоров; контекстное окно составляет 40 960 токенов. Уникальный размер модели — около 0,6 млрд параметров. Рекомендуемая сборка Q4_K_M занимает 462 МБ и рассчитана на комфортную работу на процессоре ноутбука; также доступна сборка F16 размером 1,4 ГБ. На тестовой выборке из 7 519 англоязычных примеров Q4_K_M достигла точности 94,8% по токенам. Модель эффективна и компактна для целевой задачи, однако чувствительна к формату входа: необходимо передавать заданный системный промпт и управляющую строку с допустимыми значениями параметров. Изменение формата может привести к галлюцинациям или некорректному выводу. Модель не предназначена для общего диалога и не следует произвольным инструкциям. Указана специальная лицензия s1-mini-license; условия следует проверить в файле LICENSE.

Spark-X2.5-4B-Uncensored — созданная Toan Doan версия Spark-X2.5-4B с ослабленным поведением отказа. Для этого изменения автор применил ортогонализацию направления отказа в представлениях модели, без дополнительного дообучения. Модель имеет плотную архитектуру Spark2.5 с 36 слоями, размером 3,8 млрд параметров и контекстом до 1 048 576 токенов по метаданным; в README указано окно контекста 128 тыс. токенов. Модель предназначена для диалогов, ответов на чувствительные запросы, исследований механистической интерпретируемости, проверки устойчивости и авторизованного red teaming. Она принимает текст и генерирует текст; заявлена поддержка вьетнамского, английского и китайского языков. Автор сообщает о сохранении результатов базовой модели в тестах на рассуждение и знания, однако эти результаты приведены в карточке модели и не являются независимой оценкой. Ослабленные защитные отказы позволяют модели выдавать вредоносный или чувствительный контент; также могут сохраняться краткие оговорки на отдельных темах. Лицензия — Apache 2.0.

Swift-Qwen3.8-27B Heretic — это мультимодальная диалоговая модель на 27 млрд параметров, созданная автором репозитория акумабурн на основе UkisAI/Swift-Qwen3.8-27b и Qwen/Qwen3.8-27B. Это BF16-версия с удалённым направлением активаций, связанным с отказами: веса не дообучались, а модифицировались методом Heretic. Сохранены визуальный энкодер и голова MTP для спекулятивного декодирования; длина контекста — 262 144 токена. Модель предназначена для диалога и анализа изображений, а также для исследований интерпретируемости и безопасности, red teaming и оценки поведения моделей без отказов. В тесте автора на 100 вредоносных запросах модель не выдала жёстких отказов; при этом примерно в 26% случаев эвристика отметила мягкое перенаправление к безопасному варианту запроса. Это не является исчерпывающей оценкой безопасности или качества. Лицензия обозначена как other; автор предоставляет модель только для исследований, без гарантий и ответственности.

nakamoto-yama/t5-resume-generation — модель семейства T5, дообученная разработчиком на 10 000 парах описаний вакансий и резюме. Она принимает текст описания вакансии и генерирует структурированное представление резюме в формате JSON, чтобы помочь соискателю адаптировать резюме под требования конкретной позиции и автоматизировать его подготовку. Модель содержит 123,8 млн параметров, использует архитектуру T5ForConditionalGeneration и принимает до 512 токенов контекста. Она рассчитана на английский язык. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Качество результата зависит от полноты и ясности описания вакансии, а сгенерированное резюме требует проверки человеком. Модель может упускать отраслевые нюансы; кроме того, для фигурных скобок в выводе используются токены RB> и LB>, а не символы { и }.

TinyLlama-1.1B-intermediate-step-1431k-3T — промежуточный контрольный чекпойнт проекта TinyLlama, разработанного для предварительного обучения компактной языковой модели семейства Llama. Модель использует плотную архитектуру LlamaForCausalLM и токенизатор Llama 2; размер составляет около 1,1 млрд параметров, а длина контекста — 2048 токенов. В метаданных указаны форматы PyTorch и Safetensors, а также лицензия Apache-2.0. Модель предварительно обучалась на 3 трлн токенов; для проекта указаны датасеты SlimPajama и StarCoderData. Она предназначена для генерации текста и экспериментов с компактными языковыми моделями, а небольшой размер снижает требования к памяти и вычислениям. Карточка приводит результаты оценивания на наборах задач на рассуждение и понимание текста, но это промежуточный чекпойнт, поэтому качество ответов и пригодность для диалоговых сценариев могут быть ограничены.

AfroXLMR-large-75L — многоязычная модель Davlan для восстановления замаскированных фрагментов текста. Она создана адаптацией MLM модели XLM-R-large на корпусах mC4, Википедии и OPUS, охватывающих 75 языков, широко используемых в Африке, а также четыре языка с большим объёмом ресурсов. Модель основана на архитектуре XLM-RoBERTa, содержит около 658,7 млн параметров и принимает последовательности длиной до 514 токенов. Основная задача — предсказывать пропущенные токены в тексте. Модель подходит для многоязычной языковой обработки, особенно для африканских языков; она также может служить базой для задач, требующих языковых представлений, после соответствующей настройки. Модель распространяется под лицензией MIT.

Alan LLM Jeju Dialect v1 4B — разработанная ESTsoft языковая модель на архитектуре Qwen3 с 3,7 млрд параметров, дообученная методом LoRA на данных о диалекте Чеджу. Модель предназначена для двустороннего перевода между диалектом Чеджу и стандартным корейским, генерации диалогов на диалекте и ответов на вопросы на нём. Модель принимает текст и генерирует текст; заявленный контекст составляет 40 960 токенов. Основные языки — корейский и диалект Чеджу. В README приведены результаты сравнительной оценки генерации на диалекте и корейских бенчмарков, однако они не гарантируют качество для каждого запроса или варианта диалекта. Модель распространяется по лицензии Apache-2.0.

Bruphin-Mika-7B — разговорная языковая модель на архитектуре Mistral, созданная автором репозитория слиянием моделей Epiculous/Mika-7B и nbeerbower/bruphin-theta методом SLERP с помощью mergekit. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; её нативная длина контекста — 32 768 токенов. Модель предназначена для генерации диалогов и ролевых ответов. Базовая Mika-7B описана как разговорная модель, обученная на синтетических RP-данных; слияние объединяет её с Bruphin Theta. Репозиторий распространяет веса в формате safetensors для Transformers. Лицензия — Apache-2.0.

CleverBoi-7B-v2 — языковая модель для генерации текста, разработанная theprint. Она дообучена на базе unsloth/mistral-7b-v0.3-bnb-4bit с использованием набора данных CleverBoi-Abridged; обучение продолжалось одну эпоху. Датасет серии CleverBoi ориентирован на задачи логики, вывода, математики и программирования, поэтому модель предназначена прежде всего для текстовых сценариев, требующих рассуждений и решения задач. Заявленный язык — английский. Модель относится к семейству Mistral и имеет размер 7 миллиардов параметров; базовая версия представлена в 4-битном формате bnb. README не содержит сведений о длине контекста, поддержке мультимодальности или специализированных режимах работы, поэтому модель следует рассматривать как текстовую. В оценках Open LLM Leaderboard средний результат составил 14,97 балла: 21,70 на IFEval, 23,44 на BBH, 1,89 на MATH уровня 5, 5,15 на GPQA, 18,66 на MuSR и 18,98 на MMLU-PRO. Эти результаты указывают на ограниченную и неравномерную эффективность в задачах следования инструкциям, общего знания и сложного рассуждения, поэтому ответы требуют проверки. Модель распространяется по лицензии Apache-2.0. Для обучения использовались Unsloth и библиотека TRL от Hugging Face.

Это англоязычная модель DistilBERT с маскированным языковым моделированием, доработанная методом GRADIEND для снижения гендерной предвзятости в языковых представлениях. Метод изменяет веса модели с помощью обученного представления и не требует дополнительного предварительного обучения. Модель основана на distilbert/distilbert-base-cased и предназначена для систем обработки языка, где важно уменьшить влияние гендерных стереотипов, например в инструментах для найма, образования и медицины. Модель принимает текст и предсказывает слова на месте маски; она поддерживает контекст до 512 токенов. Для оценки использовались метрики гендерной предвзятости SEAT, StereoSet и CrowS, а также метрики языкового моделирования StereoSet и GLUE. Модель менее предвзята по гендерному признаку, чем исходная, но эффект неполон: сохраняются остаточные гендерные смещения, а предвзятость по другим защищённым признакам не устранена; возможен компромисс между справедливостью и качеством. Распространяется по лицензии Apache-2.0.

Draig-Fach-v0.1 — экспериментальная инструктивно дообученная языковая модель, разработанная EryriLabs для понимания и генерации текстов на валлийском языке. Она основана на плотной архитектуре Mistral, содержит 7,1 млрд параметров и использует контекст до 32 768 токенов. Модель предназначена для диалогов и генерации текстов на валлийском, а также для образовательных проектов и поддержки сохранения языка. Для дообучения использовался специально собранный корпус из литературы, онлайн-статей и разговорных транскриптов. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Это подтверждение концепции с базовыми возможностями: модель может ошибаться, галлюцинировать и хуже справляться с нюансами, разговорными выражениями и региональными диалектами валлийского языка.

CLAck/en-km — модель машинного перевода с английского на кхмерский язык, созданная путём дообучения MarianMT на основе модели en-zh. По карточке, дообучение на кхмерском языке продолжалось 30 эпох. Модель имеет архитектуру MarianMT, содержит 60,6 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель предназначена для перевода текстов с английского на кхмерский. Это специализированный переводчик для одной языковой пары; данных о дополнительных сценариях применения или оценках качества в карточке нет. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

sigridjineth/fusellm-orion14b-korean — корейская модель семейства FuseLLM, созданная для изучения объединения знаний нескольких языковых моделей. Её основа — Orion с архитектурой Llama; при обучении объединялись представления Orion, OPEN-SOLAR-KO-10.7B и Yi-Ko-6B. Модель содержит 14,1 млрд параметров, использует библиотеку Transformers и принимает контекст до 4096 токенов. Модель предназначена для экспериментов с объединением языковых моделей и оценки их на корейских бенчмарках, включая KoBEST BoolQ, KoBEST HellaSwag, KorUns mile и NSMC. В метаданных указана задача text-classification, а классификатор каталога также отмечает text-generation; обе задачи включены в список поддерживаемых. Результаты в README показывают неодинаковое влияние объединения: на некоторых тестах показатели улучшились, на других оказались ниже базового Orion. README указывает на возможные смещения и зависимость качества от обучающих данных, а также отмечает необходимость дальнейшего анализа. Лицензия в предоставленных данных не приведена.

Gemma-4-E4B-it-Minecraft-MT-en-zh-v0.1-i1-GGUF — квантизированная GGUF-версия модели Q1ngMang/Gemma-4-E4B-it-Minecraft-MT-en-zh-v0.1, подготовленная mradermacher. Модель ориентирована на работу с тематикой Minecraft и перевод между английским и китайским языками. В README также указано, что это vision-модель, однако подробности о поддерживаемых визуальных входах не приведены. Модель распространяется в нескольких вариантах квантизации i1, включая IQ и QK-типы, с размером файлов примерно от 4,5 до 6,3 ГБ. Доступны варианты с разным компромиссом между размером, скоростью и качеством: Q4_K_M отмечен как быстрый и рекомендуемый, Q4_K_S — как сбалансированный, а Q6_K — как близкий по характеристикам к статической квантизации Q6_K. Квантизация снижает требования к ресурсам, но может ухудшать качество по сравнению с исходной моделью; конкретные архитектурные параметры, размер контекста и требования к видеомодулю не указаны. Лицензия модели — CC BY-NC-SA 4.0, поэтому перед использованием необходимо учитывать условия атрибуции, некоммерческого применения и распространения производных работ. Модель предназначена для локального запуска в совместимом ПО, поддерживающем формат GGUF; для визуальных сценариев могут потребоваться дополнительные mmproj-файлы из статического репозитория.

Модель bookbot/gpt2-indo-medium-kids-stories разработана Уилсоном Вонгсо на основе предварительно обученной GPT-2 Medium для индонезийского языка. Это причинная языковая модель GPT-2 с 345 млн параметров, дообученная на детских историях из Room to Read и Let's Read. Она генерирует продолжение текста на индонезийском языке; например, может сочинять или продолжать детские рассказы по заданному началу. Для обучения использовались Transformers Trainer и PyTorch. Контекст модели — до 1024 токенов. На отложенной части обучающей выборки указаны значение функции потерь 3,579 и perplexity 35,84. Модель распространяется по лицензии MIT. В результатах могут проявляться смещения исходной GPT-2 и набора детских историй.

Granite 4.2 3B Heretic — доработанная методом редактирования представлений версия причинной языковой модели Granite 4.2 3B от IBM, опубликованная tinyopsec. Модель с архитектурой GraniteForCausalLM содержит около 3,4 млрд параметров, распространяется в формате Safetensors и поддерживает контекст до 131 072 токенов. Она предназначена для генерации текста и диалогов, а также для экспериментов с поведением модели, отказами, следованием инструкциям и сохранением возможностей исходной модели после редактирования. Модель можно использовать для сравнения с исходной Granite 4.2 3B, прототипирования и оценки генерации на нескольких языках. В метаданных указаны английский, немецкий, французский, испанский, итальянский, португальский, японский, корейский и китайский языки. После редактирования модель не прошла всестороннюю оценку: её точность, устойчивость, следование инструкциям и поведение при отказах могут отличаться от базовой версии. Лицензия — Apache 2.0 с учётом условий базовой модели; результаты требуют проверки человеком.

Hy-MT2-30B-A3B-GGUF — квантованная версия модели Hy-MT2-30B-A3B, разработанной Tencent и опубликованной в формате GGUF пользователем mradermacher. Модель предназначена прежде всего для задач машинного перевода и поддерживает широкий набор языков, включая китайский, английский, русский, французский, испанский, немецкий, японский, корейский, арабский и другие. В README указано, что исходная модель имеет размер 30B и конфигурацию A3B, однако сведения об архитектуре, длине контекста, модальностях и точных характеристиках качества не приведены. Доступны варианты квантования от Q2_K до Q8_0, а также IQ4_XS; файлы занимают примерно от 11,2 до 32,1 ГБ. Более лёгкие варианты требуют меньше ресурсов и быстрее работают, но могут уступать в качестве, тогда как Q6_K и Q8_0 обеспечивают более высокое качество при больших требованиях к памяти. Модель подходит для локального запуска и интеграции в приложения перевода при наличии совместимого ПО для GGUF. Ограничения включают возможное снижение качества из-за квантования и отсутствие в README подробностей о результатах тестирования, рекомендуемом контексте и аппаратных требованиях. Лицензия исходной модели указана как Apache-2.0.

ICONOCLAST Llama-3 8B PII Ablated — дообученная и отредактированная версия диалоговой модели Meta-Llama-3-8B-Instruct, выпущенная Varesh Patel в серии экспериментов ICONOCLAST. Это плотная авторегрессионная модель LlamaForCausalLM с 7,5 млрд параметров; веса опубликованы в формате safetensors с точностью float16. Метаданные указывают контекст до 131 072 токенов и поддержку английского языка. Модель предназначена для генерации текста и диалога с экспериментальным снижением утечки персональных идентификаторов. В локальном тесте генерации PII она показала 0 утечек из 150 запросов против 64 из 150 у базовой модели; результат MMLU составил 64,14% против 64,53%. Эти показатели относятся к описанным в карточке тестам и не гарантируют предотвращение утечек в других сценариях. Модель распространяется по лицензии AGPL-3.0; автор позиционирует выпуск для исследований, воспроизводимости и оценки редактирования открытых моделей.

Intern-S1-GGUF — набор GGUF-квантизированных версий модели Intern-S1, разработанной командой internlm и подготовленной пользователем bartowski. Модель предназначена для задач image-text-to-text и может запускаться локально через llama.cpp, LM Studio и другие проекты на базе llama.cpp. README не содержит подробностей об исходной архитектуре, количестве параметров, поддерживаемых языках и размере контекста. Доступны варианты квантования от Q8_0 до Q2_K и IQ2/IQ3/IQ4, с размером файлов примерно от 65,62 до 249,95 ГБ. Более высокие уровни квантования обычно обеспечивают лучшее качество, но требуют больше памяти; автор рекомендует, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS. Некоторые варианты используют Q8_0 для весов embeddings и output, а отдельные форматы ориентированы на особенности ARM, AVX или Apple Silicon. При этом конкретные модальности, языки, характеристики производительности и ограничения исходной модели в карточке не раскрыты. Лицензия в README не указана. Формат prompt также не предоставлен, поэтому его рекомендуется уточнять на странице исходной модели internlm/Intern-S1.

OLAIR/ko-r1-14b-v2.0.3 — корейская языковая модель для диалогов и задач рассуждения, разработанная OLAIR. Это экспериментальная версия, увеличенная по размеру относительно ko-r1-7b-v2.0.3, и дообученная на базе DeepSeek-R1-Distill-Qwen-14B на наборе OLAIR/Open-R1-Ko-SFT-v2.0. Модель построена на плотной архитектуре Qwen2 и содержит 14 млрд параметров. Она принимает текст и генерирует текст; заявленный контекст — до 131 072 токенов. Основной язык — корейский. В README приведено сравнение результатов на HAE-RAE Reasoning Challenge, включающем химию, математику, физику и головоломки, однако полная таблица результатов в доступном тексте отсутствует. Модель подходит для корейских диалогов, ответов с рассуждениями и решения задач по математике и естественным наукам. README предупреждает, что на корейских запросах модель может зацикливаться в рассуждениях. Весы опубликованы в формате safetensors; лицензия — MIT.

MedGemma 27B Text IT — инструкциялық медициналық мәтін моделін Google әзірлеген, Gemma 3 негізіндегі 27 млрд параметрлі decoder-only Transformer. Ол медициналық мәтіндермен жұмыс істеуге үйретілген және мәтіндік сұрауларға жауап пен құжат түйіндемесін құрастыру сияқты денсаулық сақтау қолданбаларын әзірлеуге арналған. Модель тек мәтінді қабылдап, мәтінді шығарады; grouped-query attention қолданып, 128K токенге дейінгі контекстті қолдайды. Hugging Face карточкасында Transformers кітапханасы мен safetensors пішімі көрсетілген. Оны медициналық сұрақтарға жауап беру, медициналық құжаттарды қорытындылау және денсаулық сақтау жүйелерінің бастапқы компоненті ретінде қолдануға болады. Google модельді нақты қолдану жағдайына бейімдеп, тиісті түрде тексеруді әзірлеушілерге жүктейді. Шығыстар қате болуы мүмкін және диагнозға, пациентті басқаруға немесе емдеу шешімдеріне тікелей негіз болмауы тиіс. Лицензиясы Health AI Developer Foundations пайдалану шарттарымен реттеледі.