I.5Создание и редактирование текста

BnLM-C — компактная предварительно обученная языковая модель для бенгальского языка из семейства BnLM, разработанного для задач NLP на малоресурсных языках. Модель содержит 66 млн параметров, использует архитектуру DistilBERT и обучена с нуля на корпусе B-CORE с помощью masked language modeling. Для токенизации применяется WordPiece-словарь на 30,5 тыс. токенов; длина контекста — 512 токенов. Модель предназначена для предсказания пропущенных слов и как компактный энкодер для последующей адаптации к downstream-задачам, например классификации текста. Её небольшой размер рассчитан на сценарии с ограниченными вычислительными ресурсами и требованиями к задержке. Карточка описывает BLUGE и бенчмарки для семейства BnLM в целом, поэтому заявления об их результатах не следует считать отдельной оценкой BnLM-C. Модель распространяется по лицензии CC BY 4.0.

CAT-Translate-7b-i1-GGUF — это GGUF-квантизированная версия модели CAT-Translate-7b, разработанной cyberagent и преобразованной в набор квантованных файлов пользователем mradermacher. Базовая модель обучалась с использованием набора данных CAT-Translate-Dataset и предназначена для машинного перевода между японским и английским языками. Модель имеет размер 7 миллиардов параметров. В README не указаны точная архитектура, размер контекстного окна, поддержка дополнительных модальностей или конкретные варианты использования помимо перевода. Доступны многочисленные варианты квантизации imatrix и стандартные GGUF-варианты объёмом примерно от 1,8 до 6,2 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством; для практического использования автор рекомендует вариант i1-Q4_K_M, а i1-Q4_K_S отмечает как сбалансированный по размеру, скорости и качеству. Более агрессивные варианты могут заметно снижать качество перевода. Модель распространяется по лицензии MIT. Ограничения включают зависимость качества от выбранного типа квантизации и отсутствие в предоставленных данных подробных оценок качества, описания контекстного окна и сведений о работе с языками, отличными от японского и английского.

chatglm6b-dddd — личная версия кода для семейства ChatGLM, подготовленная автором yuanzhoulvpi для запуска собственных вариантов ChatGLM после LoRA-дообучения. Это плотная модель ChatGLM с 8,1 млрд параметров, предназначенная для генерации текста; карточка описывает её как совместимый с пользовательскими LoRA-версиями вариант кода, а не сообщает об отдельном обучении весов. Для работы указаны PyTorch и Transformers. В метаданных указан китайский язык. Лицензия в предоставленных данных не приведена.

CycleReviewer-ML-Llama-3.1-8B — текстовая генеративная модель WestlakeNLP для имитации рецензирования научных работ по машинному обучению, включая компьютерное зрение, NLP и мультимодальное машинное обучение. Это дообученная версия Meta Llama 3.1 8B Instruct на Transformer-архитектуре, предназначенная для генерации отзывов и оценок по тексту статьи; модель может имитировать нескольких рецензентов и метарецензента, а также помогать авторам дорабатывать рукописи и готовиться к рецензированию. Модель рассчитана на текстовый ввод и вывод. Метаданные указывают поддержку английского, китайского, японского, корейского, французского и немецкого языков, однако README предупреждает о возможном снижении качества на неанглоязычных работах. Размер контекста в источниках не приведён. Знания модели ограничены январём 2024 года; она не анализирует изображения, графики и сложные формулы, может быть непоследовательна в оценках и уступать экспертам в узких или новых областях. Её запрещено применять для официального рецензирования и решений о публикации, а также использовать как единственный источник проверки фактов или научной новизны. Лицензия указана как other; README дополнительно запрещает формальное рецензирование и ссылается на условия лицензии Llama.

Koichi Yasuoka разработал DeBERTa V2 Large, предварительно обученную на текстах библиотеки 青空文庫 с токенизатором BertJapaneseTokenizer. Модель содержит 435,4 млн параметров, принимает текстовые последовательности длиной до 512 токенов и предназначена для задачи fill-mask: предсказания замаскированных фрагментов японского текста. Модель можно дообучать для последующих задач обработки японского языка, включая разметку частей речи и синтаксический анализ зависимостей. Для загрузки токенизатора требуются fugashi и unidic-lite. Репозиторий содержит веса PyTorch; лицензия — CC BY-SA 4.0.

Delphi 9e19 — базовая предобученная языковая модель команды Marin из открытой серии экспериментов по законам масштабирования. Модель обучена по рецепту Delphi на вычислительном бюджете 9 × 10¹⁹ FLOPs и примерно 10,6 млрд токенов; в README указано 1,384 млрд параметров, тогда как метаданные каталога приводят 1,2 млрд. Это плотная авторегрессионная модель семейства Qwen3 с архитектурой Qwen3ForCausalLM; она принимает текст и генерирует текст, максимальный контекст — 4096 токенов. Чекпойнт предназначен для исследования масштабирования языковых моделей и для генерации текста на английском языке. Он обучен преимущественно на англоязычной смеси веб-данных, кода и математических материалов. Это базовая модель без дообучения на инструкциях, RLHF и выравнивания безопасности, поэтому она не настроена на диалоговые инструкции и может выдавать неподходящий или небезопасный текст. README описывает её как исследовательский артефакт, а не производственную модель. Веса опубликованы в формате safetensors; лицензия — Apache-2.0. Для сценариев с интенсивным инференсом авторы отмечают, что модель, обученная с избытком токенов при меньшем размере, может быть предпочтительнее. Чекпойнт является частью более крупной серии Delphi, предназначенной для изучения вычислительно-оптимального обучения и прогнозирования качества более крупных моделей.

FalconThink3-10B-IT — экспериментальная демонстрационная языковая модель команды Fluently, созданная методом SFT дообучения tiiuae/Falcon3-10B-Instruct на наборе fluently-sets/ultrathink. Модель с архитектурой LlamaForCausalLM и примерно 9,9 млрд параметров предназначена для генерации текста в диалогах и задачах, требующих рассуждений; карточка также указывает интерфейс вызова инструментов. Контекст модели составляет до 32 768 токенов. Модель ориентирована преимущественно на английский язык. Автор описывает её как пример использования набора данных и предупреждает, что качество далеко от идеального. Репозиторий содержит веса safetensors; лицензия — Apache-2.0.

Gemma4-12B-Uncensored — мультимодальная модель Toan Doan, созданная на основе google/gemma-4-12B-it. Это полноразмерный чекпойнт BF16 в формате safetensors с архитектурой Gemma 4 Unified; он сохраняет интерфейс базовой модели для генерации текста по текстовым и графическим инструкциям. Модель предназначена для экспериментов с отказами, избыточными отказами и устойчивостью мультимодального следования инструкциям. Модель принимает текст и изображения и генерирует текст. В README описана модификация поведения отказов методом вмешательства в веса после обучения, направленная на снижение отказов в ответах. Приведённая проверка на 20 примерах MM-SafetyBench и трёх пробах распознавания изображения является ограниченной smoke-проверкой, а не полноценной оценкой безопасности или возможностей. Для использования действуют лицензия Gemma и её условия.

Gemma 4 E4B Instruct в формате MLX — конверсия модели Google Gemma 4 для работы на компьютерах Apple с Apple Silicon. Это плотная мультимодальная модель с диалоговым режимом и поддержкой анализа изображений; пример из карточки показывает генерацию текстового описания по изображению. Репозиторий содержит веса в формате safetensors с точностью bf16 и рассчитан на запуск через библиотеку mlx-vlm. Модель подходит для визуальных вопросов и ответов, описания изображений и диалога с текстовыми запросами. Она унаследовала возможности базовой Gemma 4 E4B Instruct, включая рассуждения, программирование и обработку аудио, однако карточка этой конверсии явно подтверждает только сценарий с изображениями. Для использования требуется среда MLX на Apple Silicon. Лицензия — Gemma.

tamdd18/gpt2-finetuned-squad — модель семейства GPT-2 для генерации текста, опубликованная на Hugging Face и предназначенная для работы через библиотеку Transformers. По идентификатору модели она связана с дообучением на SQuAD, поэтому может применяться в сценариях, где требуется формировать ответы на вопросы по предоставленному контексту. Модель работает с текстовой модальностью и имеет максимальную длину контекста 1024 токена. Метаданные указывают архитектурное семейство GPT-2 и задачу text-generation. В README отсутствуют сведения о разработчике, лицензии, составе обучающих данных, результатах оценки и рекомендуемых параметрах генерации. Модель может быть полезна для экспериментов с генерацией ответов и прототипирования систем вопросов и ответов на основе контекста. Для производственного применения необходимы самостоятельная проверка качества, настройка генерации и оценка безопасности результатов.

Haidass-143M — компактная двуязычная языковая модель на 143 млн параметров, разработанная DALabCommunity и обученная на инфраструктуре Huawei Ascend с использованием MindSpeed-LLM. Это плотная авторегрессионная модель семейства Qwen3 с 30 слоями и контекстом до 4096 токенов. Обучение проводилось примерно на 100 млрд токенов английских и китайских текстов; токенизатор SentencePiece BPE использует словарь из 64 000 токенов. Модель предназначена для генерации текста на английском и китайском языках, экспериментов с компактными языковыми моделями и использования в качестве основы для дообучения. Карточка приводит результаты оценки на нескольких бенчмарках, однако модель небольшая, поэтому её возможности рассуждения и генерации ограничены. Это базовая предварительно обученная модель, а не готовый чат-ассистент. Распространяется по лицензии Apache-2.0.

Hy-MT2-1.8B-1.25Bit-GGUF — квантованная версия мультиязычной модели перевода Tencent Hy-MT2-1.8B, размещённая Zanish Labs / Voco. Модель предназначена для перевода текста между 33 языками и локального запуска на устройствах; также доступна в разговорном интерфейсе. Репозиторий содержит веса в формате GGUF с квантизацией STQ1_0 (1,25 бита); размер файла составляет около 441 МБ. Для запуска заявлена совместимость с llama.cpp на CPU с NEON. На Apple Silicon требуется общий режим диспетчеризации ядер STQ1_0, поскольку NEON-ядро работает некорректно. Модель распространяется по лицензии Apache 2.0. Крайне низкая разрядность квантизации сокращает размер для локального инференса, но README не приводит измерений точности или скорости, поэтому качество перевода после квантизации не установлено.

inkling-UD-Q2_K_XL-layers — экспериментальный пакет слоёв GGUF для запуска модели inkling через Mesh LLM. Он создан на основе unsloth/inkling-GGUF и распределяет её веса по отдельным артефактам для вывода на локальном кластере Mesh LLM. Метаданные указывают на поддержку визуального ввода и диалогового режима; задача модели — преобразование изображений и текста в текст. Пакет предназначен для локального приватного запуска, распределения вычислений между несколькими машинами, когда полный GGUF не помещается на одном хосте, и обслуживания запросов через совместимый с OpenAI API. Используется формат GGUF, вариант квантования — UD-Q2_K_XL. Для работы нужна среда Mesh LLM. Подробности архитектуры, языков, контекста и лицензии следует сверять с карточкой исходной модели unsloth/inkling-GGUF, поскольку в README пакета они не приведены.

Salesforce разработала InstructBLIP с языковой моделью Flan-T5-xl. Это модель компьютерного зрения и языка, представляющая собой вариант BLIP-2, дообученный следовать инструкциям о визуальном содержимом. Она принимает изображение и текстовый запрос и формирует текстовый ответ, например описание или ответ на вопрос об изображении. Модель предназначена для задач image-text-to-text; в карточке указана поддержка английского языка. Модель выпущена в рамках исследовательской работы InstructBLIP: Towards General-purpose Vision-Language Models with Instruction Tuning. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии MIT. Авторы не оценивали модель для всех сценариев применения; перед использованием следует проверять точность и учитывать риски ошибок, безопасности и предвзятости.

InternLM2-WQX-VL-20B — мультимодальная модель серии 文曲星, выпущенная командой InternLM в 2024 году перед вступительными экзаменами в вузы Китая. Она предназначена для решения учебных задач и вопросов по разным школьным дисциплинам; в README заявлены высокие результаты на тестовом наборе GAOKAO-Eval, сопоставимые с GPT-4o. Модель основана на плотной архитектуре InternLM2 с классом InternLM2ForCausalLM и содержит 19,3 млрд параметров. Репозиторий содержит веса PyTorch и компонент CLIP, а метаданные указывают поддержку чата и контекст до 32 768 токенов. Название VL и компонент CLIP указывают на визуальную составляющую, однако README не описывает конкретные возможности обработки изображений, поэтому в поисковых полях отражена только подтверждённая текстовая задача. Метаданные автора задают задачу feature-extraction, тогда как классификатор каталога определяет text-generation; модель также обозначена как поддерживающая генерацию текста. README не сообщает лицензию и подробности подготовки данных, поэтому условия использования и точность заявленных результатов оценить по предоставленным сведениям нельзя.

jojangju-KR-31B — это доработанная moche-ai мультимодальная модель на архитектуре Gemma4ForConditionalGeneration, основанная на google/gemma-4-31B-it. Она содержит около 31 млрд параметров и принимает текст и изображения; для текстовой части README указывает контекст 256 тыс. токенов. Модель ориентирована на корейское понимание, знания, здравый смысл и рассуждения, включая ответы на вопросы и задания с выбором варианта. Разработчик сообщает об улучшении результатов на корейских культурных и общеобразовательных вопросах CLIcK, а также на тестах многошагового и причинного рассуждения MuSR и Com2. Приведённые оценки получены во внутреннем тестировании на отложенной выборке и не гарантируют качество в реальных сценариях; официальные результаты K-AI Leaderboard на момент карточки ожидали публикации. Подробности адаптации не раскрыты: указана обработка весов без использования оценочных данных бенчмарков. Модель подходит для корейских вопросов и ответов, мультимодального анализа изображений и исследовательского тестирования. Возможны фактические ошибки, галлюцинации и предвзятость; безопасность унаследована от базовой модели. Репозиторий распространяется по лицензии Gemma.

kl3m-002-520m — небольшая языковая модель семейства kl3m, разработанная 273 Ventures и переданная институту ALEA. Это модель Mixtral с архитектурой Mixture of Experts: 4 локальных эксперта, из которых для каждого токена выбираются 2. В README указано 520 млн параметров, тогда как метаданные Hugging Face содержат значение 184,5 млн; контекст ограничен 1 024 токенами со скользящим окном 256 токенов. Модель обучена предсказывать следующий токен на очищенных юридически допустимых данных, преимущественно на английском языке. Модель предназначена для юридических, нормативных, финансовых и корпоративных сценариев: генерации черновиков положений договоров, базовых ответов на вопросы о регулировании и извлечения сведений в JSON. Её небольшой размер позволяет запускать генерацию на CPU и использовать модель как основу для дообучения или обучения более крупных моделей. README отмечает низкую токсичность, но также предупреждает об ограниченных общих знаниях и отсутствии полноценного instruction-tuning. Модель опубликована по лицензии CC-BY 4.0. Разработчик представил её как историческую исследовательскую модель, созданную в ходе работы над kl3m-003-3.7b, и рекомендует выбирать другие модели для производственного применения. Сгенерированные юридические и нормативные тексты могут быть ошибочными и требуют проверки специалистом; модель не заменяет профессиональную юридическую консультацию.

circulus/koelectra-polite-v1 — корейская модель классификации текста от circulus, созданная на базе KoELECTRA-Base-v3 от monologg. По названию репозитория она предназначена для классификации вежливости корейских высказываний; модель использует архитектуру ELECTRA для классификации последовательностей, содержит около 140,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для определения уровня вежливости в корейском тексте. KoELECTRA разработана для корейского языка, а её базовая архитектура включает 12 слоёв, скрытый размер 768 и 12 голов внимания. В карточке модели не обнаружены сведения о метках классов и результатах оценки качества, поэтому конкретную схему классификации и точность нельзя подтвердить. Репозиторий использует формат PyTorch. Лицензия этой производной модели в доступных источниках не подтверждена; лицензия базовой KoELECTRA — Apache-2.0, но её условия нельзя автоматически приписать этому чекпойнту.

Это инструкционно дообученная на юридических данных турецкоязычная модель newmindai на архитектуре Llama 3.1, основанная на meta-llama/Llama-3.1-8B-Instruct. Веса модели сохранены в формате bfloat16; FP8 применялся в ходе обучения для вычислений с активациями и градиентами в эксперименте по ускорению распределённого обучения FSDP2. Модель содержит около 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для диалогов и генерации текста по юридическим вопросам на турецком языке. Её можно применять для подготовки ответов и черновиков юридических текстов, а также для вопросов и ответов по юридическим материалам. В карточке описано сравнение режимов точности и профилирование обучения; она не подтверждает конкретные показатели юридического качества. Лицензия — Llama 3.1, с условиями использования Meta Llama 3.1 Community License.

Карточка модели luffycodes/llama-class-shishya-7b-ep3 на Hugging Face совпадает с карточкой luffycodes/vicuna-class-shishya-13b-ep3, поэтому описание составлено по ней. 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.

luffycodes/llama-shishya-7b-ep3-v2 — диалоговая языковая модель на архитектуре Llama, представленная как студенческая модель для образовательного чат-бота. В карточке она связана с фреймворком CLASS и работой «CLASS Meet SPOCK: An Education Tutoring Chatbot based on Learning Science Principles». Модель предназначена для генерации ответов в диалоге и образовательного тьюторинга. Модель содержит 6,6 млрд параметров, использует формат PyTorch и имеет контекстное окно 4096 токенов. README не уточняет языки, учебные предметы или конкретные методики обучения модели. Указана лицензия llama2; применяйте её с соблюдением условий лицензии Llama 2.

uzabase разработала японскую версию LUKE для работы с японским текстом и сущностями. Модель основана на studio-ousia/luke-japanese-base, но вместо RoBERTa использует японский BERT; токенизатор SentencePiece заменён на WordPiece. Модель предварительно обучена на данных японской Википедии по состоянию на 1 июля 2023 года и поддерживает сущности [UNK]. Модель можно применять для предсказания замаскированных токенов в японском тексте и как основу для задач понимания текста с сущностями. Она содержит 138,4 млн параметров, использует архитектуру LUKE и поддерживает контекст до 512 токенов. Для загрузки токенизатора в Transformers требуется trust_remote_code=True. Распространяется по лицензии Apache-2.0.

Mahou-1.3-mistral-7B — разговорная языковая модель для чата и ролевых сценариев, разработанная FlammenAI. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров; она принимает текст и генерирует текст. Модель обучена на формате ChatML и рассчитана на контекст до 32 768 токенов. Модель предназначена для ведения диалогов и ролевых игр. В рекомендациях по ролевому формату речь предлагается выводить без кавычек, а действия заключать в звёздочки. В README указано дообучение в течение 10 эпох на A100; метаданные связывают модель с базовой nbeerbower/Flammen-Mahou-mistral-7B и датасетом flammenai/MahouMix-v1. Лицензия — Apache-2.0. Заявлена как модель для готового к применению разговорного и ролевого взаимодействия, но README не приводит количественных оценок качества. Её назначение и обучающие данные ориентированы на беседы и ролевые сценарии; качество в других задачах не охарактеризовано.

Карточка модели TIGER-Lab/MAmmoTH2-7B на Hugging Face совпадает с карточкой TIGER-Lab/MAmmoTH2-8B-Plus, поэтому описание составлено по ней. MAmmoTH2-8B-Plus — языковая модель TIGER-Lab на архитектуре Llama 3, дообученная методом instruction tuning для улучшения рассуждений и диалоговых ответов. Модель содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Она предназначена для решения математических задач, включая школьные текстовые задачи и открытые задачи по математике, а также для ответов на инструкции и общих диалоговых сценариев. Разработчики сообщают об обучении на собранных из веб-корпуса инструкциях и дополнительном дообучении на открытых наборах инструкций; заявлена оценка на математических и общих тестах рассуждения. Основной язык модели — английский. Модель работает с текстом и выдаёт текст. В README отмечено, что качество может зависеть от сложности и специфики задачи, а математические области покрыты не полностью. Лицензия — MIT.

MedLLaMA_13B — языковая модель на архитектуре LLaMA с 12,9 млрд параметров, дообученная на медицинском корпусе. Она предназначена для генерации текста по запросам на медицинские темы и может использоваться для подготовки ответов или черновиков медицинских материалов на английском языке. Модель принимает текст и генерирует текст; в обучении использовалась длина последовательности до 2048 токенов. Веса опубликованы в формате PyTorch. Лицензия — Apache 2.0. Карточка не приводит оценок качества и не описывает клиническую проверку, поэтому ответы не следует считать подтверждёнными медицинскими рекомендациями.

Medra4b-65424-i1-GGUF — квантованная версия медицинской языковой модели Medra4b-65424, разработанной drwlf и подготовленной в формате GGUF пользователем mradermacher. Модель дообучена на наборе данных medra-medical-extended-thinking и предназначена для задач медицинского анализа текста, диагностического рассуждения, суммаризации и генерации текста. Заявлена поддержка английского и румынского языков. Модель относится к семейству Gemma 3 и является vision-моделью, поэтому может поддерживать обработку визуальных входов при наличии соответствующих mmproj-файлов. Точный размер базовой модели, архитектурные параметры и размер контекстного окна в README не указаны. Репозиторий содержит множество вариантов GGUF-квантизации размером примерно от 1,5 до 3,8 ГБ; варианты различаются соотношением скорости, размера и качества, причём более агрессивная квантизация может заметно снижать качество ответов. Модель удобна для локального запуска благодаря компактным квантованным версиям и подходит для исследовательских и прикладных сценариев, связанных с медицинскими текстами. Ограничения включают зависимость качества от выбранного варианта квантизации, отсутствие подробных результатов оценки и необходимость осторожной проверки медицинских ответов специалистом. Указанная лицензия — Apache-2.0.

NahuatlEspanolv1 — модель архитектуры T5 для генерации текста по тексту, обученная с нуля. Она предназначена для преобразования текста на науатле и испанском; название модели и BLEU 29,2544 на оценочном наборе указывают на задачу перевода, однако описание не уточняет направление перевода и состав данных. Модель содержит 123,8 млн параметров, принимает контекст до 512 токенов и представлена в формате safetensors. Разработчик и лицензия в доступных данных не указаны.

MEYNG/nllb-sango-finetuned-600m-v2-2 — модель машинного перевода, созданная MEYNG дообучением Facebook NLLB-200 distilled 600M. Она предназначена прежде всего для перевода с санго на французский; архитектура M2M100, число параметров — 463,7 млн, контекст — до 1024 токенов. Поддерживается перевод в обоих направлениях, но для перевода с французского на санго авторы рекомендуют исходную базовую модель. На тестах FLORES+ devtest и SIB-200 модель немного превзошла базовую в направлении санго → французский. Данные обучения преимущественно относятся к религиозному и гуманитарному веб-тексту, поэтому качество на разговорных и технических текстах санго проверено ограниченно. Лицензия CC-BY-NC-4.0 разрешает некоммерческое использование.

Это нейронная модель машинного перевода OPUS-MT, разработанная группой Language Technology Research Group Хельсинкского университета. Она переводит тексты с западногерманских языков на английский и предназначена для многоязычного перевода, в том числе библейских текстов. Модель использует архитектуру transformer-big на базе Marian NMT; в репозитории представлены веса PyTorch и Safetensors. Размер — 156,7 млн параметров, максимальный контекст — 1024 токена. Модель обучена на данных OPUS, включая параллельные корпуса и библейский корпус. В тестировании на наборе Tatoeba для направления «многоязычные языки → английский» указаны BLEU 52,6 и chr-F 0,70028. Обучающие данные могут содержать оскорбительный контент и исторические или современные стереотипы. Лицензия — Apache-2.0.

myrkur/persian-question-generator — модель на базе mT5, дообученная для генерации вопросов по тексту на персидском языке. Она принимает фрагмент текста и формулирует к нему естественные вопросы, подходящие для образовательных инструментов, разговорных систем и приложений для понимания персидских текстов. Модель имеет архитектуру MT5ForConditionalGeneration и содержит 291,2 млн параметров; для работы используется библиотека Transformers. В карточке приведён пример генерации через pipeline Transformers с задачей summarization. Модель сохранена в формате safetensors и распространяется по лицензии Apache-2.0. README заявляет контекстно релевантные результаты, однако не приводит количественных оценок качества или подробностей о наборе данных.