I.5Создание и редактирование текста

CT-LLM-SFT — версия CT-LLM-Base с выравниванием, разработанная командой M-A-P. Это плотная авторегрессионная языковая модель семейства Llama с 1,9 млрд параметров, предназначенная для генерации текста. Контекст модели составляет 4096 токенов; веса опубликованы в формате safetensors. Модель подходит для академических экспериментов и генерации текста в исследовательских сценариях. В README указано, что при обучении использовались данные, прошедшие проверку на соответствие требованиям, однако это не гарантирует точность или уместность ответов. README не сообщает поддерживаемые естественные языки и лицензию. Модель и обучающие данные предназначены только для научных исследований.

Mitchins/deberta-v3-small-literary-explicitness — англоязычная модель классификации текста, разработанная на основе microsoft/deberta-v3-small и дообученная для анализа литературного контента. Она относит текст к одной из семи категорий явности, включая предупреждения о содержании, оскорбительную лексику и сексуальный контент; предназначена для литературных исследований, кураторской работы с текстами и поддержки модерации.

DRT-7B — дообученная авторами статьи «DRT: Deep Reasoning Translation via Long Chain-of-Thought» языковая модель для машинного перевода с рассуждением в несколько шагов. Она построена на Qwen2.5-7B-Instruct и содержит 7,1 млрд параметров; архитектура — плотная Qwen2, формат весов — safetensors, контекст — до 32 768 токенов. Модель предназначена прежде всего для перевода с английского на китайский, в том числе литературных фрагментов с метафорами и сравнениями. Она сначала формирует цепочку рассуждений, а затем выдаёт перевод; карточка также указывает диалоговый интерфейс и интерфейс вызова инструментов. В статье DRT представлена как исследовательский подход к применению длинных рассуждений в машинном переводе, а не как система, заявленная конкурентом OpenAI o1. Лицензия — CC BY-NC-SA 4.0: использование ограничено некоммерческими условиями, а производные материалы должны распространяться на тех же условиях. Переводная направленность в README подтверждена для пары английский—китайский; качество на других направлениях не установлено.

Модель lomahony/eleuther-pythia160m-hh-sft — языковая модель на архитектуре GPT-NeoX, полученная дообучением Pythia-160m на наборе Anthropic/hh-rlhf в течение одной эпохи. Она предназначена для генерации текста и ответов в диалогах; её можно использовать для экспериментов с поведением языковых моделей и оценки на тестах с помощью lm-evaluation-harness. Модель содержит 151,9 млн параметров и поддерживает контекст до 2048 токенов. Карточка указывает лицензию Apache-2.0.

Neobe разработала дообученную модель byT5-large для перевода отдельных предложений с английского на дивехи. Это байтовая encoder-decoder модель на архитектуре T5 с 1,2 млрд параметров; базовая модель — google/byt5-large. Модель рассчитана на вход на английском языке и выдаёт текст на дивехи письмом тханаа. Модель обучена на корпусе предложений о Мальдивах, включая новости, пресс-материалы и Википедию. В карточке приведены оценки chrF, chrF++ и BLEU на тестовых данных; для дивехи автор рекомендует ориентироваться на chrF, поскольку BLEU ненадёжен из-за особенностей сегментации слов и морфологии. Лицензия — Apache-2.0. Модель предназначена только для перевода одного предложения за раз: на абзацах она теряет связность. Перевод технического и разговорного английского может быть ненадёжным, поскольку эти типы текстов выходят за распределение обучающих данных; эталонные переводы в части оценки созданы машинным способом.

Erlangshen-MegatronBert-3.9B-Chinese — китайская языковая модель семейства MegatronBERT, разработанная командой Fengshenbang при IDEA-CCNL. Это плотная модель с архитектурой MegatronBertForMaskedLM и 5,1 млрд параметров по метаданным; она обучена на китайском корпусе WuDao объёмом 300 ГБ и предназначена для задач понимания китайского языка. Модель восстанавливает пропущенные токены в тексте, а также может служить основой для настройки на прикладные задачи NLU, например классификацию и определение логических отношений между предложениями. Модель поддерживает китайский язык, имеет контекст 512 токенов и представлена в формате PyTorch. В README приведены результаты на китайских задачах FewCLUE; указанная там таблица относится к версии 3.9B. Лицензия — Apache-2.0. Большой размер требует значительных ресурсов для загрузки и запуска, а базовый режим fill-mask сам по себе не является готовым решением для классификации или диалога.

mlx-community/gemma-4-E2B-it-qat-4bit — мультимодальная модель для понимания изображений и генерации текста, опубликованная сообществом mlx-community. Она предназначена для сценариев image-text-to-text, например для описания изображений и ответов на текстовые запросы по визуальному содержимому. Модель доступна в формате MLX и рассчитана на запуск через библиотеку mlx-vlm. В названии указаны размер E2B, инструкция-настроенная версия it и 4-битное QAT-квантование, однако README не раскрывает точную архитектуру, размер контекста, полный перечень поддерживаемых языков или другие параметры. В метаданных указан английский язык. Ключевые преимущества модели — поддержка визуально-текстовых запросов и 4-битное квантование, потенциально снижающее требования к памяти при запуске в экосистеме MLX. Ограничения и качество на конкретных задачах в README не описаны. Лицензия также не указана, поэтому условия использования по представленным данным определить нельзя.

GPT-SW3-126M-Instruct — компактная плотная авторегрессионная языковая модель семейства GPT-2 с 126 млн параметров. Это общественное зеркало модели AI-Sweden-Models/gpt-sw3-126m-instruct; семейство GPT-SW3 разработано AI Sweden совместно с RISE и WASP WARA for Media and Language и обучалось на 320 млрд токенов веб-данных, включая код. Модель предназначена для генерации текста в формате инструкций и диалога, а небольшой размер позволяет быстро запускать её для прототипирования и экспериментов. Она ориентирована на шведский, норвежский, датский, исландский и английский языки. Контекстное окно — 2048 токенов; модель доступна в формате safetensors для Transformers. Карточка предупреждает о сильных смещениях и возможности неточных, оскорбительных или неподходящих ответов; модель не прошла дополнительное выравнивание или настройку безопасности. Лицензия — модифицированная RAIL-лицензия AI Sweden; README ограничивает предполагаемое использование научными и исследовательскими целями и не рекомендует коммерческое или потребительское развёртывание без тщательной оценки и дополнительных мер безопасности.

Это GGUF-версия переводческой модели Hy-MT1.5-1.8B с экстремальной квантизацией Sherry до эффективных 1,25 бита. Базовую модель разработала команда Tencent Hunyuan; репозиторий опубликован в рамках проекта AngelSlim. В основе лежит специализированная модель перевода на 1,8 млрд параметров, обученная на задачах машинного перевода и поддерживающая 33 языка, пять диалектов или малых языков и 1 056 направлений перевода. Модель предназначена для двустороннего перевода текстов, в том числе для локального офлайн-перевода на мобильных устройствах. Sherry использует разреженное тернарное представление весов и сокращает размер FP16-варианта с 3,3 ГБ до 440 МБ при заявленной минимальной потере качества. Для запуска этой GGUF-версии требуется специальное ядро STQ в llama.cpp; README также описывает Android-демонстрацию и извлечение слов для перевода из других приложений. Карточка заявляет высокое качество перевода, но не приводит здесь числовых результатов бенчмарков. Из-за сильной квантизации фактическое качество и скорость могут зависеть от реализации ядра и устройства. Условия лицензирования в предоставленных данных не описаны.

Карточка модели ai4bharat/IndicBERTv2-SS 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-qwen3-4b-intent-implicit 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.

Карточка модели allenai/intent-aware-lfqa-qwen3-4b-multiview 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.

Карточка модели allenai/intent-aware-lfqa-qwen3-8b-baseline 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.

Карточка модели allenai/intent-aware-lfqa-qwen3-8b-intent-implicit 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.

JustRL-Qwen3-1p7b-Selective-Top5pct — экспериментальный разговорный языковой чекпойнт на архитектуре Qwen3, опубликованный из экспериментов BiDirect-OPD. Основная ветка содержит состояние обучения global_step_300; также доступны более ранние чекпойнты от global_step_20 до global_step_280. Модель содержит 1,7 млрд параметров, работает через Transformers и принимает текст, генерируя текст; заявленный контекст — до 40 960 токенов. Карточка не описывает отдельную специализацию или языки применения, поэтому её можно рассматривать как экспериментальную модель общего назначения для генерации диалоговых ответов. Чекпойнт предназначен прежде всего для изучения и сравнения состояний обучения в рамках экспериментов, а не представлен как готовая к эксплуатации система. Лицензия в предоставленных данных не указана.

KoMultiGen-General — корейская модель генерации текста, разработанная в рамках проекта koVast. Она основана на Sinatra-Mixtral и дообучена на наборе данных, созданном с помощью GPT-4 Turbo. Модель предназначена для генерации многоходовых диалогов на корейском языке по заданным неструктурированным данным: обычно она создаёт последовательность из 3–5 ходов. Модель относится к семейству Mixtral и использует архитектуру MoE; в метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Она рассчитана на чатовый сценарий и генерацию обучающих диалоговых данных. Для вопросов и ответов авторы использовали корейскую разговорную форму «해체», а для входов, по которым трудно создать данные, модель обучали воздерживаться от генерации. Доступна по лицензии Apache-2.0.

Карточка модели realPCH/kosolra-wiki-QA-1epoch на Hugging Face совпадает с карточкой realPCH/kosolra-wiki-QA, поэтому описание составлено по ней. realPCH/kosolra-wiki-QA — дообученная языковая модель на архитектуре Llama, созданная на основе yanolja/KoSOLAR-10.7B-v0.1. В README указано, что при обучении использовался набор kyujinpy/KOR-gugugu-platypus-set; метаданные также связывают модель с датасетом maywell/ko_wikidata_QA. Модель предназначена для генерации текста и ответов на вопросы по корейским энциклопедическим знаниям. Она содержит 10,7 млрд параметров, принимает текст, выдаёт текст и имеет контекстное окно 4096 токенов. Для загрузки в README приведён пример с Transformers. Лицензия — MIT. Карточка содержит мало сведений об оценке качества и ограничениях; ответы могут быть неточными, особенно за пределами корейской тематики.

Law LLM 13B — языковая модель для работы с юридическими текстами и задачами генерации текста, разработанная AdaptLLM. Представлена в репозитории TheBloke в формате GGUF и является квантизированной версией исходной модели AdaptLLM/law-LLM-13B. Модель основана на архитектуре Llama, имеет около 13 млрд параметров и предназначена для англоязычных сценариев. Модель ориентирована на юридическую тематику и может использоваться для генерации и обработки текста, включая работу с правовыми запросами и документами. В обучении или дообучении заявлены наборы Open-Orca, GAIR/lima, WizardLM_evol_instruct_V2_196k и EleutherAI/pile. Для взаимодействия предусмотрен шаблон запросов Llama-2-Chat. Модальности, размер контекстного окна и результаты конкретных тестов в README не указаны; заявленная метрика — accuracy. Формат GGUF позволяет запускать модель через llama.cpp и совместимые приложения и библиотеки, в том числе с использованием CPU и GPU. Квантизация снижает требования к памяти, но может приводить к потере качества по сравнению с исходной версией; точные варианты квантизации и их характеристики зависят от выбранного файла. Модель предназначена для исследовательского и прикладного использования, однако юридические ответы требуют проверки специалистом. Лицензия указана как other, без уточнения условий в представленном README.

RaviNaik/Llava-Phi2 — мультимодальная модель на основе Phi-2, разработанная Ravi Naik по мотивам LLaVA-Phi. Она объединяет языковую модель Phi-2 с визуальным модулем CLIP ViT-L/14 разрешением 336 пикселей и дообучена для работы с изображениями и инструкциями. В карточке указаны предварительное обучение на 200 тысячах примеров LAION-CC-SBU с подписями BLIP и дообучение на наборе из 150 тысяч инструкций на основе COCO. Модель предназначена для диалога по изображениям: она принимает изображение и текстовый запрос, а в ответ формирует текст. Размер составляет 3,5 млрд параметров, контекст — 2048 токенов; в метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

MaiBERT_TF — дообученная на текстах майтхили BERT-модель на базе google/muril-base-cased, представленная в формате TensorFlow. В метаданных указаны 264,8 млн параметров и контекст до 512 токенов; архитектура — BertForMaskedLM. README описывает предобучение с целью masked language modeling, а метаданные также указывают задачу классификации текста. Модель предназначена для языковых задач на майтхили, включая предсказание замаскированных слов и классификацию текста. README заявляет возможность генерации текста, однако не приводит подтверждённых характеристик или примеров для этой задачи. Лицензия — MIT. README содержит незаполненные шаблонные значения для словаря, размера и токенизатора, поэтому эти сведения не использованы.

Oyunbat26/mongolian-en-mn-translator — дообученная модель на архитектуре M2M100, созданная на базе facebook/nllb-200-distilled-600M для перевода с английского на халха-монгольский язык. Она специализируется на терминологии прав человека и юридических документов, поэтому подходит для перевода соответствующих отчётов и материалов. Обучение проводилось на примерно 4 000 профессионально переведённых пар предложений из таких документов; в тестировании указаны BLEU 17,56 и chrF 47,39. Модель принимает текст и выдаёт текст, поддерживает контекст длиной 1 024 токена. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

gokaygokay/moondream-prompt — дообученная версия Moondream2 для создания текстовых промптов по изображениям. Она принимает изображение и описывает его на естественном языке; пример в карточке сочетает описание персонажа и визуального стиля. Модель относится к компактному семейству Moondream, разработанному для эффективной работы на периферийных устройствах. Модель предназначена для подготовки промптов по изображению, например для повторного создания похожей сцены в генераторе изображений. В README не приведены сведения о размере, длине контекста и поддерживаемых языках. Лицензия репозитория — Apache-2.0.

Модель Helsinki-NLP OPUS-MT-cpf-en разработана в рамках проекта OPUS-MT для перевода с французской основой креольских языков и пиджинов на английский. Она принимает текст на гваделупском креольском, гаитянском креольском или маврикийском креольском и выдаёт английский перевод. В основе — трансформер MarianMT с 54,7 млн параметров; для предобработки используются нормализация и SentencePiece с моделью словаря 32k. Контекст модели составляет 512 токенов. Это специализированная многоязычная модель машинного перевода с одним целевым языком — английским. В приведённых тестах результаты заметно различаются по исходным языкам: BLEU составляет 8,4 для гваделупского креольского, 28,0 для гаитянского и 66,0 для маврикийского. Модель распространяется под лицензией Apache-2.0.

polish-roberta-base-v2 — языковая модель-энкодер на архитектуре RoBERTa, предварительно обученная на большом корпусе польских текстов. В карточке модели автор указан как sdadas. Модель предназначена для заполнения пропусков в польском тексте: она предсказывает замаскированные токены с учётом окружающего контекста. Её можно применять как основу для задач обработки польского языка, требующих представлений текста или дообучения под конкретную задачу. Модель содержит 151,6 млн параметров, рассчитана на последовательности до 514 токенов и доступна в форматах PyTorch и safetensors. Модель выпущена под лицензией Apache-2.0. Карточка не приводит отдельных сведений о качестве на конкретных наборах данных или ограничениях сверх её назначения как энкодера для польского языка.

Qwen3.5-27B-WebArena-Agentic-ESOpt — полноразмерная дообученная текстовая модель на базе Qwen/Qwen3.5-27B, подготовленная для задач WebArena. Разработчик репозитория описывает её как итоговую модель эксперимента NoSkill + Agentic-ESOpt: обучение велось методом Agentic-ESOpt с популяцией из 8 вариантов и 70 поколениями, с обновлением всех параметров и нормализацией награды z-score. Модель предназначена для генерации текста в агентных сценариях, связанных с выполнением задач в веб-среде WebArena. В трёх запусках она показала средний результат 36,16% по оценке WebArena. Архитектура — плотная Qwen3.5 для причинной генерации текста; размер по метаданным — 22,3 млрд параметров, контекст — до 262 144 токенов. Репозиторий содержит веса safetensors и файлы токенизатора. Лицензия — Apache-2.0. Указанный результат относится к оценке WebArena и сам по себе не характеризует качество на других задачах; карточка не приводит подробностей обобщения на другие веб-сайты или сценарии.

Sakura-SOLRCA-Math-Instruct-DPO-v2 — текстовая генеративная модель Kyujin Han (kyujinpy) на архитектуре Llama с 10,6 млрд параметров и контекстом до 4096 токенов. Она предназначена для диалоговых ответов и решения математических задач. Модель обучена методом DPO на предпочтениях из Intel/orca_dpo_pairs и argilla/distilabel-math-preference-dpo; в README также приведены результаты на тестах общего рассуждения, включая GSM8K. Модель принимает текст и генерирует текст. В метаданных указан английский язык. Репозиторий распространяет веса в формате safetensors по лицензии CC BY-NC-SA 4.0. README сообщает о сравнительно высоком результате на GSM8K, но приведённые оценки не гарантируют точность на отдельных задачах; контекст ограничен 4096 токенами.

Samantha-1.1-Westlake-7b — разговорная модель-компаньон, разработанная QuixiAI и дообученная на базе senseable/Westlake-7B с использованием набора Samantha-1.1. Она предназначена для диалогов в эмпатичном стиле, эмоциональной поддержки и ответов на вопросы; также может форматировать ответы, например, в JSON. Модель построена на плотной архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Принимает текст и генерирует текст. В примерах модель проявляет эмпатию и обозначает границы общения. Автор отмечает, что при определённых подсказках модель может вступать в романтические или сексуальные взаимодействия вопреки намерениям обучения. Распространяется по лицензии Apache-2.0.

Sequential-Qwen3-1.7B — исследовательский чекпойнт коллекции Direct-OPD, разработанный командой BytedTsinghua-SIA. Это плотная авторегрессионная языковая модель семейства Qwen3 с 1,7 млрд параметров, дообученная по последовательной схеме Sequential / ContinueOPD на основе Qwen3 1.7B. Репозиторий содержит веса Safetensors для Transformers; модель поддерживает диалоговую генерацию текста и имеет контекстное окно до 40 960 токенов. Чекпойнт предназначен для изучения постобучения и оптимизации в стиле обучения с подкреплением, сравнения вариантов Direct-OPD и офлайн-оценки рассуждений, следования инструкциям и выравнивания. Его также можно использовать как исходную точку для дальнейших исследований. Карточка не приводит результатов бенчмарков, а сведения о данных и полном расписании обучения неполны. Ответы могут быть ошибочными, предвзятыми или небезопасными; результаты зависят от формата запроса и настроек генерации, а исследовательское дообучение может ухудшить общие навыки следования инструкциям и безопасности. Лицензия — Apache-2.0.

smolllama-81M-tied — небольшая авторегрессионная языковая модель семейства Llama, разработанная BEE-spoke-data и обученная с нуля. Веса входных и выходных эмбеддингов связаны; архитектура включает 6 слоёв, скрытый размер 768 и 24 головы стандартного многоголового внимания. Модель содержит 81,3 млн параметров и рассчитана на контекст до 1024 токенов. Это исходная предварительно обученная модель для генерации текста, а не настроенный чат-бот или специализированный инструмент. Она обучалась на англоязычных корпусах, включая MiniPile, Wikipedia и RefinedWeb, и обычно требует дообучения под конкретные задачи перед практическим применением. Модель опубликована в формате safetensors по лицензии Apache-2.0.

ydshieh/vit-gpt2-coco-en-ckpts — модель типа vision-encoder-decoder, дообученная как демонстрация фреймворка FlaxVisionEncoderDecoder. Она предназначена для генерации английских подписей к изображениям: принимает изображение и выдаёт текстовое описание. В карточке отмечено, что модель не является передовой, но даёт приемлемые результаты для создания подписей; размер набора данных и длина контекста не приведены. Доступны веса в форматах PyTorch и Flax. Условия лицензии в предоставленных данных не указаны.