I.5Создание и редактирование текста

XLM-R-BERTić — модель компании CLASSLA, созданная дополнительным предобучением XLM-RoBERTa-large на 48 тысячах шагов на южнославянских языках с использованием набора XLM-R-BERTić. Это трансформер XLM-RoBERTa с 658,7 млн параметров, предназначенный для предсказания замаскированных токенов и адаптации к последующим задачам обработки южнославянского текста. Модель подходит как основа для дообучения на распознавание именованных сущностей, оценку тональности и COPA — выбор правдоподобной альтернативы. В README приведены результаты таких downstream-моделей для боснийского, хорватского и сербского языков; сами задачи требуют отдельного дообучения. Репозиторий содержит веса PyTorch, заявленная лицензия — CC BY-SA 4.0. Контекст составляет 514 токенов. Приведённые в карточке оценки относятся к конкретным наборам данных и дообученным вариантам, поэтому не гарантируют такое же качество при других сценариях.

zen3-vl-i1-GGUF — это набор GGUF-квантизаций мультимодальной vision-модели zen3-vl, разработанной zenlm и квантизированной mradermacher. Модель предназначена для задач image-text-to-text, то есть обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. В README указана поддержка английского языка и библиотека Transformers. Архитектура, количество параметров, максимальный контекст и точный перечень поддерживаемых форматов изображений не указаны. Репозиторий содержит варианты квантизации от i1-IQ1_S до i1-Q6_K размером примерно от 2,2 до 6,8 ГБ, а также файл imatrix для создания собственных квантизаций. Более компактные варианты требуют меньше ресурсов, но могут заметно уступать в качестве; среди доступных вариантов README рекомендует i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Для работы с изображениями могут потребоваться отдельные mmproj-файлы из статического репозитория. Модель распространяется по лицензии Apache-2.0. README не содержит результатов тестирования, поэтому фактическое качество, производительность и ограничения в конкретных сценариях не определены.

ArliAI-Llama-3-8B-Cumulus-v0.1 — разговорная модель OwenArli на архитектуре Llama 3, дообученная на основе Meta-Llama-3-8B-Instruct. Это эксперимент по снижению ограничений исходной модели; автор отмечает, что она особенно подходит для ролевых диалогов, но уступает оригиналу в рассуждениях и знаниях. Модель имеет 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Она принимает текст и генерирует текст в формате диалога. Для обучения использовалась QLoRA с 64 рангом и alpha 128; длина последовательности при обучении составляла 4096 токенов. Модель распространяется по лицензии Meta Llama 3 License. Перед использованием следует учитывать её сравнительно слабые по отношению к исходной модели способности к рассуждению и ответам на вопросы, требующие широких знаний.

tohoku-nlp/bert-base-japanese-v2 — японская языковая модель BERT, разработанная группой Tohoku NLP и предварительно обученная на японской Википедии. Она предназначена для восстановления скрытых фрагментов текста и может служить основой для задач, где требуется представление японского языка. Модель использует архитектуру BERT base с 12 слоями, размерностью скрытых состояний 768 и 12 головами внимания; число параметров — 138,4 млн, контекст — до 512 токенов. Текст разбивается морфологическим токенизатором MeCab на слова с использованием словаря Unidic 2.1.2, затем на подслова WordPiece. При предобучении применялось маскирование целых слов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Модель ориентирована на японский язык и обучена на корпусе из японской Википедии, собранном по дампу от 31 августа 2020 года. Лицензия — CC-BY-SA-4.0. Качество за пределами японского языка и предметных областей, отсутствующих в обучающих данных, не подтверждено; модель не является готовым диалоговым ассистентом.

gueleilo/bert-base-uncased-finetuned-swag — модель BERT, дообученная на наборе данных SWAG для выбора наиболее подходящего варианта продолжения ситуации из нескольких предложений. Она содержит 136,7 млн параметров, принимает текстовые варианты и выдаёт оценку для выбора ответа; максимальная длина контекста — 512 токенов. На оценочном наборе SWAG указаны loss 1,0294 и accuracy 0,7865. Модель распространяется под лицензией Apache-2.0. README не содержит подробностей о сценариях применения и ограничениях.

EditLens-Qwen3-0.6B — модель классификации текста, разработанная Reneeice для оценки степени его редактирования с помощью ИИ. Вместо бинарного вердикта она относит текст к одной из четырёх категорий — от человеческого до полностью сгенерированного — и сводит вероятности категорий к непрерывной оценке от 0 до 1. Модель основана на плотной архитектуре Qwen3 и содержит около 508 млн параметров. Для дообучения применялась QLoRA; модель принимает текст и выдаёт оценку и вероятности классов. Контекст — до 32 768 токенов. Модель предназначена для редакторской проверки, анализа академической добросовестности, аудита происхождения контента, отбора данных и модерации, когда важно оценить масштаб участия ИИ. В карточке приведены результаты на тестовой выборке, включая корреляцию оценки со степенью редактирования. Модель ориентирована на английский язык; короткие фрагменты могут давать менее надёжные оценки, а смена предметной области и намеренный парафраз способны снизить точность. Оценка не устанавливает намерение автора и должна рассматриваться как сигнал, а не окончательный вывод. Лицензия — Apache-2.0.

Модель tokhey/egyptian-mcq-generator-qwen-2.5-7b-synthetic — дообученная и объединённая с базовой моделью Qwen/Qwen2.5-7B-Instruct языковая модель от автора репозитория tokhey. Она предназначена для генерации вопросов с несколькими вариантами ответа на английском языке в стиле выпускных экзаменов Министерства образования Египта, включая задания по грамматике и лексике с учётом учебной программы и заданной темы или раздела. Модель основана на плотной архитектуре Qwen2, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Обучение проводилось методом LoRA на экзаменационных вопросах, метаданных учебной программы и синтетических примерах; адаптер был объединён с базовой моделью. Ответы формируются в виде JSON с вопросами, правильными ответами, отвлекающими вариантами и пояснениями. Лицензия — Apache-2.0. Модель подходит для подготовки учебных заданий и материалов для проверки знаний по английскому языку. Качество и соответствие учебной программе требуют проверки преподавателем; автор также характеризует модель как экспериментальную исследовательскую разработку.

erwanf/gpt2-mini — компактная авторегрессионная языковая модель семейства GPT-2 с 39 млн параметров, опубликованная erwanf. Модель предварительно обучена на подмножестве OpenWebText — открытого корпуса, созданного по образцу набора данных для обучения оригинальных моделей GPT-2. Она принимает текст и генерирует продолжение; максимальный контекст составляет 512 токенов. Модель подходит для быстрых экспериментов и учебных задач, особенно при ограниченных вычислительных ресурсах. Она способна создавать связный текст, но её небольшой размер ограничивает сложность и надёжность результатов по сравнению с более крупными моделями. В метаданных указан английский язык. Лицензия — MIT.

Hy-MT2-1.8B-GGUF — набор квантизированных файлов модели Hy-MT2-1.8B, разработанной Tencent и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена прежде всего для задач машинного перевода и поддерживает широкий набор языков, включая китайский, английский, французский, португальский, испанский, японский, турецкий, русский, арабский, корейский, немецкий, итальянский, вьетнамский, индонезийский, хинди, польский, украинский и другие. Модель содержит около 1,8 млрд параметров. Доступны варианты с разными уровнями квантования — от Q2_K до Q8_0, а также IQ4_XS и f16, с размером файлов примерно от 0,9 до 3,7 ГБ. В README не указаны архитектура, поддерживаемая длина контекста, точные характеристики качества или дополнительные модальности, поэтому модель следует рассматривать как текстовую систему перевода без подтверждённых возможностей за пределами этой задачи. К сильным сторонам относятся компактный размер, возможность локального запуска и выбор между экономией памяти, скоростью и качеством: варианты Q4_K_S и Q4_K_M рекомендованы как быстрые, Q6_K отмечен как обладающий очень хорошим качеством, а Q8_0 — как вариант с лучшим качеством среди быстрых сборок. К ограничениям относятся неизбежные потери качества при низком уровне квантования и отсутствие в README подробных сравнительных оценок. Распространение заявлено по лицензии Apache-2.0.

Карточка модели ai4bharat/IndicBERTv2-MLM-Back-TLM на Hugging Face совпадает с карточкой ai4bharat/IndicBERTv2-MLM-only, поэтому описание составлено по ней. IndicBERTv2-MLM-only — многоязычная модель на архитектуре BERT от AI4Bharat, обученная на корпусе IndicCorp v2 с задачей маскированного языкового моделирования. Она предназначена для предсказания скрытых токенов и как основа для дообучения задачам обработки языков Индии и английского. Модель содержит около 305,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель поддерживает 23 индийских языка и английский; в карточке перечислены, среди прочих, ассамский, бенгальский, бодо, догри, конкани, гуджарати, хинди, каннада, кашмири, майтхили, малаялам, маратхи, манипури, непальский, одиа, пенджаби, санскрит, сантали, синдхи, тамильский, телугу и урду. Лицензия — MIT. Подходит для заполнения пропусков в тексте и как база для языковых задач после дополнительного дообучения.

Карточка модели allenai/intent-aware-lfqa-qwen3-8b-intent-explicit на Hugging Face совпадает с карточкой allenai/intent-aware-lfqa-llama3-8b-intent-implicit, поэтому описание составлено по ней. allenai/intent-aware-lfqa-llama3-8b-intent-implicit — диалоговая языковая модель Allen Institute for AI (Ai2), созданная дистилляцией для исследований обучения с учётом намерений в длинных ответах на вопросы. Модель основана на Meta-Llama-3-8B-Instruct и имеет архитектуру LlamaForCausalLM с 7,5 млрд параметров; принимает текст и генерирует текст. Метаданные указывают английский язык и контекст до 131 072 токенов. Модель предназначена для исследовательского и образовательного применения, связанного с intent-aware обучением и генерацией ответов на вопросы. Карточка сообщает, что результаты будут добавлены позднее, поэтому она не подтверждает качество на конкретных тестах. Лицензия — ODC-BY; применение должно соответствовать рекомендациям Ai2 по ответственному использованию.

JPharmatron-7B — языковая модель на 7 млрд параметров от EQUES Inc., предназначенная для фармацевтических документов и исследований. Модель построена на Qwen2.5-7B и непрерывно предварительно обучена на 8,8 млрд токенов японских и английских данных; улучшенные диалоговые возможности получены слиянием с Qwen2.5-7B-Instruct. Это причинная архитектура decoder-only для генерации текста и чата. Модель рассчитана на работу с фармацевтической документацией и исследовательскими задачами в фармацевтике. В описанных авторами оценках она показала лучшие результаты среди сравниваемых моделей на пяти тестах, включая JPharmaBench, JMMLU (pharma) и IgakuQA. Эти результаты не подтверждают пригодность для клинических решений: модель не валидирована для медицинского или другого чувствительного к рискам применения. Лицензия — CC-BY-SA-4.0.

KinyaRoBERTa-small — предварительно обученная модель Jean-Paul для языка киньяруанда, построенная на архитектуре RoBERTa и обученная предсказывать замаскированные токены. Она подходит для восстановления пропусков в тексте и извлечения контекстных признаков для последующих задач обработки киньяруанда. Модель содержит 79,7 млн параметров, принимает текст и поддерживает контекст длиной до 512 токенов. Токенизация нечувствительна к регистру: например, ikinyarwanda и Ikinyarwanda обрабатываются одинаково. Для предобучения использовались новостные статьи из Руанды, материалы Википедии и книги на киньяруанда. Модель опубликована в формате PyTorch; лицензия в предоставленных данных не указана.

KoGemma-E2B — корейская компактная разговорная модель для локального запуска, разработанная waylake на основе Google Gemma 4 E2B IT. Это версия v6 с 2,3 млрд эффективных и 5,1 млрд общих параметров; веса представляют собой слитый LoRA-чекпойнт в формате safetensors. Модель дообучена на синтетических данных, включая корейские диалоги и примеры вызова инструментов. Она предназначена для ответов на корейском языке и выдачи однострочных JSON-действий для инструментов web_search, fetch_page и calculator. Вызов инструмента зависит от системного промпта: если в нём перечислены инструменты, модель часто вызывает их даже без необходимости. В сравнении с базовой моделью качество знаний осталось примерно на прежнем уровне, а форматирование и вызов инструментов улучшились. Модель принимает текст и выдаёт текст, в том числе структурированные действия в JSON. README рекомендует отключать режим рассуждений, использовать низкую температуру и repetition_penalty 1.15: при включённом рассуждении модель может расходовать токены на английский блок, а высокая температура ухудшает связность ответов. При 2,3 млрд эффективных параметров она уступает крупным корейским моделям; также снизилось качество отказа на запросы о приватной информации, поэтому не следует полагаться на неё как на средство безопасности. Лицензия — Gemma; применяются условия лицензии Gemma.

Koshur Kouter KS-EN v1 — модель для машинного перевода между кашмирским и английским языками, разработанная Haq Nawaz Malik и Nahfid Nissar. Это дообученная модель Gemma 3 на базе sarvamai/sarvam-translate: QLoRA-адаптер обучен на параллельных примерах перевода в обоих направлениях и объединён с базовыми весами. Чекпойнт содержит около 4 млрд параметров и загружается через Transformers; метаданные указывают контекст до 131 072 токенов. Модель предназначена для коротких переводов на уровне предложений, оценки и сравнения систем обработки кашмирского языка, а также ручной проверки переводов в обоих направлениях. Карточка рекомендует детерминированное декодирование: генерация чувствительна к настройкам, а выборка и чрезмерно длинное продолжение могут ухудшать результат. Модель не рассчитана на длинные документы или открытый диалог; качество на технической, юридической и диалектной лексике не проверено. Лицензия — GPL-3.0.

Llama3.1-70B-GeoGPT — специализированная языковая модель проекта GeoGPT, созданная для поддержки исследований в области геонаук. Она разработана на основе Meta Llama 3.1 70B и дообучена в несколько этапов: продолженное предобучение на геонаучных текстах, обучение следованию инструкциям и настройка ответов с помощью предпочтений. Модель содержит 69,5 млрд параметров, использует плотную авторегрессионную архитектуру Llama и формат safetensors; максимальный контекст составляет 131 072 токена. Модель предназначена для генерации текста и диалогов по геонаучным темам, включая ответы на вопросы и помощь исследователям и специалистам. В README указаны английский и китайский как основные языки. Лицензия обозначена в метаданных как other, поэтому перед использованием следует проверить условия распространения в карточке модели и у базовой модели. Как и другие языковые модели, GeoGPT может выдавать неточные, предвзятые или нежелательные ответы. Для практического применения рекомендуется проверять результаты и тестировать безопасность в контексте целевого сценария.

Llama-3-OpenBioMed-8B-slerp-v0.2 — объединённая модель для генерации текста на основе Llama 3, созданная с помощью LazyMergekit. Она объединяет aaditya/Llama3-OpenBioLLM-8B и johnsnowlabs/JSL-MedLlama-3-8B-v2.0 методом SLERP; в конфигурации указана точность bfloat16. Модель предназначена для генерации ответов и текста в биомедицинской области, включая работу с медицинскими и биомедицинскими запросами. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. Базовые модели ориентированы на английский язык, поэтому основной язык применения — английский. Репозиторий распространяется в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

EpistemeAI/Mistral-Nemo-Instruct-12B-Philosophy-Math — дообученная языковая модель EpistemeAI на базе unsloth/Mistral-Nemo-Instruct-2407-bnb-4bit. Это плотная архитектура Mistral с 12,1 млрд параметров, предназначенная для генерации текста в диалоговом формате; название указывает на фокус на философских и математических запросах. Модель обучали с использованием Unsloth и библиотеки Hugging Face TRL. Заявленная длина контекста — до 1 024 000 токенов, язык карточки — английский. Модель подходит для ответов на философские и математические вопросы, объяснения понятий и ведения диалога. Метаданные также указывают интерфейс вызова инструментов. Доступна по лицензии Apache-2.0. README не приводит оценок качества или подробностей обучающих данных, поэтому специализацию по философии и математике следует считать основанной на названии модели.

Koichi Yasuoka разработал ModernBERT-large для японского языка и предварительно обучил модель на японской Википедии и текстах библиотеки «Аодзора Бунко». Это плотная трансформерная модель с архитектурой ModernBERT и примерно 367,1 млн параметров; она принимает последовательности текста и предсказывает замаскированные токены. Максимальная длина контекста — 8192 токена. Модель предназначена для заполнения пропусков в японском тексте и как основа для дообучения под задачи разметки частей речи, синтаксического разбора зависимостей и другие задачи обработки японского языка. Доступны веса PyTorch; для загрузки в Transformers в README приведён пример с AutoTokenizer и AutoModelForMaskedLM, использующий trust_remote_code=True. Лицензия — Apache-2.0. Качество для конкретных задач зависит от дополнительного дообучения и оценки на целевых данных. В README не приведены результаты бенчмарков.

Motif-3 Direct IQ2 XXS DGX Spark — это квантизированная GGUF-сборка ядра модели Motif-3, опубликованная пользователем jhkim55 и основанная на модели Motif-Technologies/Motif-3. Модель предназначена для генерации текста и запуска локальных экспериментов через llama.cpp, прежде всего на одной NVIDIA DGX Spark с 128 ГБ памяти. Сборка содержит около 314,7 млрд параметров и использует смешанную квантизацию IQ2_XXS. Заявлена архитектура mixture-of-experts; поддерживаются английский и корейский языки. Размер файла составляет 83,56 GiB, все слои в протестированной конфигурации размещались на GPU. В примере запуска используется контекст до 32 768 токенов, однако это относится к указанной конфигурации llama.cpp. Опубликованные средние показатели составляют 316,71 tok/s для обработки 512 токенов и 16,49 tok/s для генерации 128 токенов. Основные преимущества — возможность запуска очень крупной модели на одной DGX Spark, высокая скорость обработки входного контекста и наличие открытых инструкций сборки, контрольных сумм и результатов тестирования. Ограничения существенны: совместимость со стандартной upstream-версией llama.cpp не подтверждена, требуется специальный Motif-совместимый runtime и патч токенизатора. Квантизация не прошла заранее заданные критерии сохранения качества BF16, поэтому релиз рекомендуется рассматривать как системный и исследовательский, а не как полноценную замену BF16-модели. Лицензия — MIT.

Helsinki-NLP разработала Helsinki-NLP/opus-mt-en-alv — модель машинного перевода на архитектуре Transformer, реализованная как MarianMTModel. Она переводит текст с английского на языки группы Atlantic-Congo: ewe, fuc, fuv, igbo, kinyarwanda, lingala, luganda, nyanja, kirundi, sango, shona, суахили, tsonga, umbundu, wolof, xhosa и зулу. Для выбора целевого языка перед предложением требуется специальный токен вида >>id<<. Модель содержит 56,7 млн параметров, использует нормализацию и SentencePiece с словарями spm32k; длина контекста — 512 токенов. Метаданные указывают поддержку английского и ряда языков назначения, включая шона, киньяруанда, волоф, игбо, сango, эве, зулу, луганда, тсонга, лингала, ньянджа, йоруба, кирунди и коса. В README приведены оценки на тестах, включая низкие BLEU для нескольких языковых пар, поэтому качество может заметно различаться по языкам. Модель опубликована под лицензией Apache 2.0.

Helsinki-NLP разработала opus-mt-en-tdt — модель машинного перевода на базе архитектуры Marian Transformer. Она переводит текст с английского языка на язык tdt; обучение выполнено на данных OPUS с нормализацией текста и токенизацией SentencePiece. В README указаны оценки на тестовом наборе JW300.en.tdt: BLEU 23,8 и chr-F 0,416. Модель содержит 42,8 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch, TensorFlow и TFLite. Лицензия Apache-2.0. Она предназначена для однонаправленного перевода с английского на tdt; качество и пригодность для конкретной тематики следует оценивать на собственных примерах.

Это полно-параметрическая дообученная модель на базе Google T5Gemma 2, созданная для SciHigh-2026 Task 1. Она преобразует аннотации научных статей в краткие исследовательские тезисы. Модель использует архитектуру encoder-decoder и рассчитана на обработку входного текста длиной до 1024 токенов с целевым текстом до 320 токенов; обучалась на 10 000 примерах из набора SciHigh Task 1 MixSub-SciHigh. На проверочной выборке из 1 985 примеров указаны метрики ROUGE-1 0,3818, ROUGE-2 0,1389 и ROUGE-L 0,2590. Для использования требуются библиотека Transformers и совместимое окружение PyTorch; в карточке приведён пример запуска на CUDA с bfloat16 и SDPA. Лицензия — Gemma, поэтому модель необходимо использовать в соответствии с условиями Google Gemma.

Phi-3-Clinical — разговорная языковая модель на архитектуре Phi-3, дообученная автором репозитория на наборах данных клинических исследований правительства США. Модель предназначена для специалистов и разработчиков в биофармацевтической сфере и поддерживает генерацию текста в диалоговом формате. Она содержит 3,7 млрд параметров и рассчитана на контекст до 4096 токенов. В карточке заявлены суммаризация и ответы на вопросы по материалам клинических исследований, а также дальнейшая работа над применением модели в RAG-сценариях. Модель представлена в формате safetensors; лицензия в доступных данных не указана. README описывает её как активно обновляемый исследовательский проект, поэтому качество ответов для медицинского применения следует проверять.

Qwen3.6-35B-A3B-Leimroth5 — экспериментальная версия Qwen3.6-35B-A3B, подготовленная Скоттом Леймротом. Это MoE-модель с 35 млрд параметров, опубликованная в формате safetensors с квантизацией NVFP4 для экспертных слоёв; языковая голова остаётся в BF16. Модель предназначена для генерации текста в диалогах и исследования механизмов отказа, выравнивания и red teaming. В ней удалено поведение отказа ортогонализацией направления отказа, при этом мультимодальные компоненты и возможность обработки изображений сохранены. Заявленная длина контекста составляет 131 072 токена. Авторские замеры показывают, что модель реже отказывает, чем исходная, но примерно в половине проверенных запросов всё ещё отвечает уклончиво; результаты получены на небольшом наборе и не прошли независимую проверку. Автор рекомендует не применять модель напрямую в пользовательских сценариях без собственного защитного слоя. Лицензия — Apache-2.0.

StellarX-4B-V0.2 — авторегрессионная языковая модель, разработанная Dampish на архитектуре GPT-NeoX. Версия содержит около 3,5 млрд параметров и обучалась на корпусе RedPajama; в README указано, что эта версия обучена на 300 млрд токенов. Контекст составляет 2048 токенов, модель распространяется в формате PyTorch. Модель предназначена для генерации текста и экспериментов с языковыми моделями, включая дообучение для прикладных задач. В карточке заявлена ориентация прежде всего на английский язык; другие языки могут работать, но это не гарантируется. Автор отмечает, что модель не проходила настройку для следования инструкциям или диалога и не предназначена для непосредственного использования без надзора. Лицензия CC-BY-NC-SA-4.0 разрешает некоммерческое использование с указанием авторства и распространением производных работ на тех же условиях; для коммерческого использования требуется отдельное соглашение.

Sugoi 14B Ultra — текстовая модель для перевода, разработанная Sugoi Toolkit на основе Qwen2.5-14B-Instruct. Она ориентирована прежде всего на перевод с японского на английский, особенно диалогов и игрового текста из RPG Maker с сохранением разметки в квадратных скобках. Модель использует плотную архитектуру Qwen2 и содержит 14 млрд параметров; поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. В README автор сообщает о BLEU 21,38 против 13,67 у предыдущей квантизированной версии и отмечает улучшенное следование инструкциям. Для лучшего результата рекомендуется задавать системную инструкцию переводчика и обрабатывать небольшие фрагменты — примерно до десяти строк. Поддержка JSON-вывода и сохранения RPG Maker-тегов обозначена как экспериментальная. Модель выпущена под лицензией Apache-2.0.

WindyTranslate/translate-en-cel — модель машинного перевода от Windstorm Labs, дообученная на основе Helsinki-NLP/opus-mt-en-cel. Это модель архитектуры MarianMT примерно на 54,8 млн параметров; веса дообучены методом LoRA на параллельном корпусе и объединены с базовыми весами. Модель принимает английский текст и переводит его на бретонский, корнский, валлийский, шотландский гэльский, ирландский или мэнский язык. Максимальный контекст составляет 512 токенов. Модель предназначена для перевода отдельных текстов с английского на один из шести кельтских языков; направление перевода ограничено. Качество этой версии не оценивалось бенчмарками, а факт изменения весов сам по себе не подтверждает улучшение перевода. Репозиторий содержит сборку Transformers в формате safetensors. Лицензия — Apache-2.0.

VideoLLaMA3-2B-Image-HF — мультимодальная модель семейства VideoLLaMA 3, разработанного Language Technology Lab при Alibaba DAMO Academy; репозиторий lkhl содержит совместимую с Transformers копию весов. Она предназначена для диалога по изображениям: отвечает на вопросы о содержимом, описывает сцены и связывает визуальные сведения с текстом. Модель использует архитектуру VideoLlama3ForConditionalGeneration; исходный вариант VideoLLaMA3-2B-Image построен на Qwen2.5-1.5B-Instruct. В переданных метаданных указаны вход изображений и текстовый диалог, выход — текст; библиотека — Transformers, формат весов — Safetensors. Семейство VideoLLaMA 3 также ориентировано на понимание видео, однако для данного репозитория подтверждена задача image-text-to-text. Карточка копии автоматически сгенерирована и не содержит сведений о лицензии, языках, размере контекста и ограничениях; у оригинальной карточки указан английский язык и лицензия Apache-2.0. Условия оригинала нельзя автоматически переносить на эту копию.

bert-medium-amharic — модель семейства BERT, разработанная Rasyosef для обработки амхарского языка. Она обучена с нуля на корпусах Oscar, mC4 и amharic-sentences-corpus, содержащих в сумме 290 млн токенов; токенизатор также обучен с нуля и использует словарь размером 28 тысяч токенов. Архитектура — BertForMaskedLM, размер по метаданным — 48,2 млн параметров, максимальный контекст — 512 токенов. Основная задача модели — предсказывать замаскированные слова в тексте. В README также приводятся результаты дообучения на классификации тональности и распознавании именованных сущностей, но эти задачи требуют соответствующего дообучения. На амхарском наборе оценки автор сообщает perplexity 13,74 и результаты, сопоставимые с XLM-RoBERTa-base значительно большего размера. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.