I.5Создание и редактирование текста

Sami92/XLM-R-Large-Sensationalism-Classifier — дообученная Sami92 модель XLM-RoBERTa Large для классификации предложений по признаку сенсационности. Она предназначена для анализа коротких текстов, в частности публикаций в Twitter, и относит их к сенсационным или несенсационным утверждениям. Для обучения использовались аннотированные данные Twitter из работы Ashraf et al. (2024), а оценка проводилась на отложенной тестовой части того же набора. В тесте модель достигла точности 0,86; F1 для сенсационного класса составил 0,71, для несенсационного — 0,91. Модель построена на архитектуре XLM-RoBERTa Large с классификационной головой, содержит около 658,7 млн параметров и рассчитана на последовательности длиной до 514 токенов. Метаданные связывают карточку с немецким языком; базовая XLM-RoBERTa поддерживает множество языков, однако обучение этого классификатора описано на данных Twitter, и отдельная проверка других языков не приведена. Модель опубликована под лицензией CC BY 4.0. Карточка отмечает недостаток сведений о рисках и ограничениях.

Bert Large Cased — шведская языковая модель семейства BERT, разработанная AI Sweden. Модель обучена на шведской части корпуса Nordic Pile с использованием Wafer-Scale Engine (WSE); её архитектура — BertForMaskedLM, объём — 468,2 млн параметров, контекст — до 512 токенов. Модель предназначена для заполнения пропусков в шведском тексте: она предсказывает замаскированные токены с учётом окружающего контекста. Подходит для языковых экспериментов и задач, где требуется восстановить пропущенные слова или исследовать представления шведского текста. Доступный формат весов — PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

Borealis-10.7B-DPO — разговорная модель Undi95 для ролевых диалогов, ERP и обычного общения. Она построена на 48 слоях Mistral 7B с конфигурацией Llama 2, дообучена на наборах разговоров и ролевых диалогов, а затем оптимизирована методом DPO. В репозитории представлены веса PyTorch в формате FP16; модель содержит около 10,6 млрд параметров и рассчитана на контекст до 4096 токенов. Модель ориентирована на беседы и ролевые сценарии, а не на достижение высоких результатов в бенчмарках. В обучающие данные вошли обычные разговоры, ролевые диалоги и наборы с откровенным содержанием. Карточка не описывает поддержку конкретных естественных языков. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и запрещает коммерческое использование.

MaziyarPanahi/calme-3.1-llamaloi-3b — языковая модель MaziyarPanahi, дообученная на базе meta-llama/Llama-3.2-3B для работы с французскими юридическими текстами. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров; она поддерживает генерацию текста и диалоговый режим. В метаданных указан контекст длиной до 131 072 токенов, а формат весов репозитория — safetensors. Модель предназначена для ответов и черновиков по юридическим вопросам на французском языке, а также для диалоговой работы с правовыми материалами. Карточка указывает французский и английский языки; специализация заявлена для французского права. Модель использует шаблон ChatML и распространяется по лицензии llama3.2. Автор предупреждает, что из-за небольшого размера модель может хуже справляться с некоторыми запросами и быть чувствительной к гиперпараметрам; юридические ответы требуют проверки человеком.

MrBananaHuman/char_ko_bert_small — компактная модель BERT для обработки корейского языка, разработанная автором репозитория MrBananaHuman. Она токенизирует текст на уровне корейских слогов и предназначена для заполнения пропусков в тексте с помощью masked language modeling; модель также можно дообучать для распознавания именованных сущностей. Архитектура — трансформерный энкодер BertForMaskedLM с 3 слоями и словарём из 7 477 токенов; размер составляет 34,1 млн параметров, максимальная длина контекста — 512 токенов. Модель рассчитана на корейский язык и может применяться в компактных системах, включая мобильные и серверные среды. Распространяется по лицензии Apache License 2.0, допускающей академическое и коммерческое использование.

Configurable-Llama-3.1-8B-Instruct — плотная авторегрессионная языковая модель семейства Llama 3.1, разработанная vicgalle и дообученная методом configurable safety tuning на наборе vicgalle/configurable-system-prompt-multitask. Она генерирует текст в формате диалога и позволяет задавать поведение системным промптом: от безопасного помощника до помощника с отключёнными ограничениями, а также задавать роль или персону. Модель рассчитана на исследование управляемости поведения, безопасности и выравнивания языковых моделей, а также на эксперименты с системными промптами и ролевыми диалогами. Размер по метаданным — 7,5 млрд параметров, контекст — до 131 072 токенов; для работы используется Transformers, веса опубликованы в формате safetensors. Поддерживаемый язык в источниках явно не перечислен. Модель может генерировать вредный или оскорбительный контент, в том числе по запросу, поэтому результаты требуют проверки и осторожного применения. Лицензия — Apache-2.0; README описывает модель как исследовательский артефакт в области безопасности и выравнивания.

Модель barmyman/distilrubert-ai-detector разработана на базе DeepPavlov/distilrubert-base-cased-conversational и предназначена для бинарной классификации русскоязычного текста: она определяет, написан ли текст человеком или сгенерирован ИИ. Архитектура — DistilBERT для классификации последовательностей, веса представлены в формате safetensors, контекст — до 512 токенов. Модель подходит для предварительной проверки текстов на признаки машинной генерации, например для модерации пользовательских материалов или анализа учебных и редакционных текстов. В README заявлено, что она обучена на чистых текстах без артефактов разметки и ориентируется на стилистические признаки, канцелярит и типичные ИИ-штампы. Эти заявления не сопровождаются метриками или описанием тестового набора. Лицензия в предоставленных данных не указана.

jhu-clsp/ettin-encoder-17m — англоязычная модель-энкодер из набора Ettin, разработанного исследователями Johns Hopkins University. Это компактная модель с 16,8 млн параметров на архитектуре ModernBERT, обученная методом masked language modeling; она предсказывает замаскированные токены в тексте. По описанию набора, модели Ettin обучались на общей открытой смеси данных и предназначены для сопоставления энкодерных и декодерных архитектур. Для этой версии README указывает размер XXS и сценарии мобильных и периферийных устройств. Модель подходит для заполнения пропусков в английском тексте и как основа для задач классификации и получения эмбеддингов после соответствующей настройки. В метаданных указаны контекст до 7 999 токенов, форматы PyTorch и ONNX и лицензия MIT. В README заявлены сильные результаты семейства Ettin в классификации и поиске, однако конкретные метрики для версии 17M не приведены. Это энкодер для понимания текста, а не генеративная модель для свободного продолжения текста; также она не предназначена для обработки языков, кроме английского, согласно доступным языковым тегам.

Gaja-v2.00 — разговорная языковая модель от автора репозитория damerajee, дообученная на базе SarvamAI/OpenHathi для диалогов на хинди и хинглише. Это плотная модель семейства Llama с 6,7 млрд параметров, реализованная через Transformers и сохранённая в формате safetensors; максимальная длина контекста составляет 4096 токенов. Модель предназначена для чат-ботов, ответов на вопросы и ведения разговоров на хинди и хинглише. По README, дообучение проводилось на 5 тысячах примеров; автор также сообщает о результате выше Airavata на наборе OpenLLM Leaderboard, но подробные сравнительные условия не приведены. Модель рассчитана на экспериментирование с чат-ботами и может быть ограничена небольшим объёмом диалоговых данных и контекстом в 4096 токенов. Лицензия указана как llama2; перед использованием следует учитывать её условия.

Gemma4_E2B_ADS — полноразмерная донастройка Gemma 4 E2B IT от Google DeepMind, созданная для перевода финансовых текстов с английского на корейский. Модель обучена методом supervised fine-tuning на финансовом корпусе с отбором примеров по низкому показателю оценки качества перевода. В репозитории доступны BF16 чекпойнт Transformers и вариант GGUF Q4_K_M для LM Studio и llama.cpp. Основной сценарий — перевод финансовых материалов с английского на корейский. Мультимодальные компоненты базовой модели сохранены, а комплектный mmproj обеспечивает ввод изображений; языковые и аудиослои при дообучении не обучались, а поддержка аудио зависит от среды запуска и не гарантируется. На тестовом наборе из 500 строк BF16 версия показала BLEU 30,76, chrF 49,33 и COMET 0,8968; эти результаты не заявлены для Q4_K_M. Лицензия — Apache-2.0.

Карточка модели allenai/intent-aware-lfqa-llama3-8b-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.

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

Dharshna/interview-llama — дообученная модель для генерации текста на базе unsloth/llama-3-8b-Instruct-bnb-4bit. Разработчик — Dharshna; обучение выполнялось с использованием Unsloth и библиотеки Hugging Face TRL. Модель семейства Llama с плотной архитектурой LlamaForCausalLM содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Она предназначена для диалоговой генерации текста на английском языке; название указывает на применение в подготовке к собеседованиям, но карточка не описывает конкретные сценарии или специализацию. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не приводит оценок качества или подробностей обучения, поэтому пригодность ответов для интервью следует проверять на целевых примерах.

Модель peterhsu/marian-finetuned-kde4-en-to-zh_TW — дообученная на датасете KDE4 модель машинного перевода на базе Helsinki-NLP/opus-mt-en-zh. Она построена на архитектуре MarianMT, содержит 58,4 млн параметров и рассчитана на перевод текста с английского на традиционный китайский (Тайвань). В карточке указаны результаты оценки на тестовом наборе: BLEU 39,0863 и loss 1,0047. Модель предназначена для перевода текстов в домене KDE4, в частности строк интерфейса и документации KDE. Доступны веса PyTorch; лицензия — Apache-2.0. Контекст модели составляет 512 токенов.

MGM-8x7B-HD — мультимодальный чат-бот семейства MGM, разработанный на базе Mixtral-8x7B-Instruct-v0.1 и дообученный на наборе MGM-Instruction с синтетическими инструкциями GPT. Модель использует архитектуру MiniGeminiMixtralForCausalLM с MoE и предназначена для понимания изображений высокого разрешения, рассуждений по ним и диалога на естественном языке. Модель подходит для исследовательских и демонстрационных сценариев компьютерного зрения и обработки естественного языка: например, для вопросов об изображениях и мультимодального общения. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. В репозитории представлены веса safetensors; доступные сведения не описывают отдельный выходной режим генерации изображений. Карточка ориентирует модель на исследователей и энтузиастов. Ограничения по качеству, аппаратным требованиям и коммерческому использованию в предоставленных материалах не раскрыты; лицензия также не указана.

MobileMoE-L-Base — базовая языковая модель семейства MobileMoE, разработанного Meta для локального запуска на мобильных устройствах. Это предобученный и прошедший mid-training чекпойнт на архитектуре Mixture-of-Experts: 5,3 млрд параметров всего, из которых 922 млн активны при генерации. В модели 32 слоя, группированное запросное внимание и 60 маршрутизируемых экспертов; для каждого токена выбираются четыре эксперта, а общий эксперт работает постоянно. Модель предназначена для продолжения текста и оценки базовых языковых способностей при ограничениях на вычисления и память. Она принимает и генерирует текст, обучена для английского языка и поддерживает контекст до 8192 токенов. По данным карточки, на ряде базовых тестов MobileMoE сопоставима с более крупными моделями при меньших вычислительных затратах; заявленные результаты относятся к конкретным бенчмаркам и не гарантируют качество в каждом сценарии. Это базовая, не настроенная на инструкции модель: у неё нет шаблона чата, поэтому она рассчитана на текстовое продолжение, а не на готовое следование запросам пользователя. Для загрузки требуется Transformers с trust_remote_code=True, поскольку архитектура пока не входит в upstream Transformers. Лицензия FAIR Noncommercial Research License ограничивает коммерческое использование.

MQT-LLaVA-7b — открытый мультимодальный чат-бот, разработанный путём дообучения LLaMA/Vicuna на инструкционных данных, созданных GPT. Это авторегрессионная модель на архитектуре Transformer семейства LLaVA-LLaMA с 6,6 млрд параметров; она принимает изображения и текст и отвечает текстом. Длина контекста составляет 4096 токенов. Модель предназначена для исследований мультимодальных языковых моделей и чат-ботов, а также для экспериментов с компьютерным зрением и обработкой естественного языка. Обучающие данные включают пары изображение–текст, инструкции для мультимодальных задач, данные для визуальных вопросов и ответов и диалоги ShareGPT. Модель подходит для описания изображений и ответов на вопросы о них. В README указана открытая модель, но конкретная лицензия не приведена. Результаты зависят от обучающих данных и исследовательского характера модели; карточка не сообщает специальных гарантий качества или ограничений применения.

Helsinki-NLP/opus-mt-ase-fr — модель машинного перевода семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит тексты с языка жестов ase на французский язык и предназначена для автоматического перевода последовательностей, представленных в текстовом виде. Модель построена на архитектуре Marian Transformer-align, содержит 51,2 млн параметров и использует нормализацию и токенизацию SentencePiece; контекст — до 512 токенов. Для направления ase→fr в карточке приведён результат на тестовом наборе JW300.ase.fr: BLEU 37,8 и chr-F 0,553. Модель распространяется по лицензии Apache-2.0. Результаты теста не гарантируют качество на других данных; сведения о поддержке входных данных в видеоформате или непосредственного распознавания жестов не приведены.

Это модель машинного перевода OPUS-MT, разработанная Language Technology Research Group Хельсинкского университета в рамках проекта OPUS-MT. Архитектура — Transformer-big на базе Marian; модель содержит 163,5 млн параметров и принимает последовательности длиной до 1024 токенов. Репозиторий содержит веса PyTorch и Safetensors, подготовленные для Transformers. Модель переводит с немецкого, английского, французского, португальского и испанского на семитские языки и исторические языковые варианты, включая арабский, амхарский, иврит, арамейский, древнееврейский и финикийский. Для выбора целевого языка используются специальные метки направления перевода. Она подходит для перевода текстов на поддерживаемые языки, в том числе материалов из низкоресурсных языковых пар и религиозных текстов. Качество может зависеть от языка и тематики исходного текста; README не приводит количественных результатов оценки. Лицензия — Apache-2.0.

PMC_LLaMA_7B — языковая модель на архитектуре LLaMA с 6,6 млрд параметров, созданная дообучением LLaMA-7B на научных статьях по биомедицине из корпуса PMC в составе S2ORC. Модель разработана Chaoyi Wu и предназначена для генерации текста в научном и медицинском контексте. Модель можно использовать для продолжения и составления текстов по биомедицинским публикациям, а также как основу для исследовательских задач генерации научного текста. При обучении использовались последовательности длиной до 512 токенов; карточка не сообщает длину контекста при работе. Репозиторий содержит веса PyTorch. Модель распространяется по лицензии Apache 2.0. Её специализация на научных статьях не гарантирует точности медицинских утверждений; результаты следует проверять, особенно перед использованием в клинических решениях.

Qwen3-0.6B-khm-ft3 — модель генерации текста, разработанная автором репозитория и дообученная на основе Qwen/Qwen3-0.6B для работы с кхмерским языком. Это плотная причинно-языковая модель Qwen3 с 385,9 млн параметров и контекстом до 40 960 токенов; README описывает сокращение словаря примерно до 32 тыс. кхмероориентированных токенов, продолженное предобучение и настройку по инструкциям. Модель предназначена для ответов на вопросы по найденным фрагментам пользовательских документов в локальных RAG-сценариях. Она рассчитана на запуск офлайн на мобильных устройствах с ограниченной памятью, включая телефон Galaxy S10 2019 года. Модель в первую очередь ориентирована на кхмерский язык и может давать более полные ответы, чем ранние версии ft и ft2. Для корректной работы с документами приложению требуется извлечь релевантный контекст и передать его модели; без него ответы могут быть ошибочными или галлюцинировать. Репозиторий предоставляет веса в формате safetensors для Transformers. Лицензия — Apache-2.0.

Qwen3-VL-8B-Instruct-Minecraft-MT-en-zh-i1-GGUF — мультимодальная vision-language модель на базе Q1ngMang/Qwen3-VL-8B-Instruct-Minecraft-MT-en-zh, адаптированная для сценариев Minecraft и задач перевода между английским и китайским языками. Модель поддерживает работу с текстом и изображениями, поэтому может применяться для анализа визуального содержимого, связанного с Minecraft, и обработки мультимодальных запросов. Это GGUF-квантизованная версия, подготовленная mradermacher с использованием weighted/imatrix-квантования. Доступны варианты с разными уровнями квантизации и размером примерно от 2,2 до 5,3 ГБ; компромиссными вариантами по размеру, скорости и качеству в README названы i1-Q4_K_S и i1-Q4_K_M. Точный размер контекста, архитектурные детали, результаты тестирования и дополнительные поддерживаемые языки не указаны, поэтому качество на задачах за пределами заявленных сценариев оценить нельзя. Модель предназначена для локального запуска в совместимом ПО, поддерживающем GGUF, однако для обработки изображений могут потребоваться отдельные mmproj-файлы из статического репозитория. Чем сильнее квантизация, тем меньше требования к ресурсам, но потенциально ниже качество; некоторые варианты прямо помечены как низкокачественные. Распространяется по лицензии CC BY-NC-SA 4.0, допускающей использование с указанием авторства и на некоммерческих условиях с сохранением аналогичной лицензии.

Модель mediabiasgroup/roberta-babe-ft разработана Media Bias Group на основе RoBERTa-base и дообучена на экспертно размеченном наборе BABE. Она классифицирует английские новостные предложения по наличию лексической предвзятости: нейтральные или без лексической предвзятости и содержащие лексически окрашенную формулировку. Это компактная модель с архитектурой RoBERTa для классификации последовательностей, примерно на 151,8 млн параметров и с контекстом до 514 токенов. Модель предназначена для исследований и бенчмаркинга обнаружения лексической предвзятости в новостных текстах на уровне предложения. Её можно применять для первичной разметки текстов и анализа эмоционально окрашенной лексики; результаты требуют проверки человеком, поскольку восприятие предвзятости зависит от контекста и модель может чрезмерно помечать эмоциональные выражения. Она не предназначена для выявления информационной или селекционной предвзятости, политических взглядов, позиции автора или фактической достоверности, а также для решений о СМИ без тщательной проверки. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

ScholarBERT100 — англоязычная модель семейства BERT, разработанная для работы с научной литературой. Она предварительно обучена на 221 млрд токенов из корпуса научных статей PRD, охватывающего гуманитарные, биомедицинские, физические, социальные и технические дисциплины. Модель использует архитектуру BERT-large с 24 слоями, скрытым размером 1024 и 16 головами внимания; она чувствительна к регистру и имеет контекст длиной до 512 токенов. Основная задача модели — предсказание замаскированных токенов в научном тексте: она может подставлять пропущенные слова и помогать анализировать контекст терминов в статьях. Доступны веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. В README указано 340 млн параметров, тогда как метаданные Hugging Face сообщают 453,9 млн; размер модели в источниках расходится. Модель предназначена для английского языка и научных текстов; в карточке не заявлены возможности генерации связного текста или обработки других модальностей.

SejongKRX/Sejong-Qwen-v1은 한국의 KRX 금융·경제 분야에 초점을 맞춘 Qwen2.5 기반 언어 모델로, SejongKRX가 개발했습니다. 모델은 Qwen2.5-7B를 금융 관련 데이터로 추가 학습했으며, 크기는 7.1 млрд параметров이고 поддерживает контекст до 131072 токенов. Репозиторий содержит веса PyTorch и safetensors. Модель предназначена для генерации текста и ответов на вопросы по финансовой тематике на корейском языке. В обучении использовались данные Wikipedia, открытые данные Банка Кореи, набор open-perfectblend и Financial-MMLU-KO. Лицензия модели — Apache 2.0; README также указывает условия использования исходных наборов данных, которые следует учитывать при применении и распространении модели.

Thox-ai/thox-micro-125m — компактная языковая модель THOX.ai LLC, обученная с нуля на архитектуре Llama. Это плотная авторегрессионная модель с 123,6 млн параметров и контекстом 1024 токена; она доступна в safetensors и нескольких вариантах GGUF, включая F16 и Q4. Модель предназначена для генерации текста на устройствах и периферийных системах в составе THOX stack. Это базовая модель для продолжения текста, а не дообученный помощник, следующий инструкциям. Карточка сообщает о лучшем внутреннем значении validation loss 2,6099, но не приводит подробностей оценки. Для развёртывания в публичном ассистенте потребуется отдельный слой защитных правил: модель сама по себе не позиционируется как прошедшая настройку безопасности. Поддерживаемый язык в метаданных — английский. Лицензия — Apache-2.0.

TouchstoneGPT-7B-Instruct — диалоговая языковая модель IDEA-FinAI, дообученная на базе Qwen/Qwen2-7B-Instruct для финансовых задач на китайском и английском языках. Она представлена как базовая модель для исследований и разработки финансовых LLM и связана с бенчмарком Golden-Touchstone, охватывающим 22 набора данных. Модель использует плотную архитектуру Qwen2ForCausalLM с 7,1 млрд параметров, принимает текстовые запросы и генерирует текст. Контекстное окно составляет до 32 768 токенов; модель предназначена для диалогового взаимодействия и генерации ответов в финансовых сценариях. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

WindyTranslate/translate-alv-en — модель машинного перевода от Windstorm Labs, созданная на основе Helsinki-NLP/opus-mt-alv-en. Это дообученная модель семейства MarianMT с 56,7 млн параметров: LoRA-дообучение на параллельных данных объединено с базовыми весами. Модель принимает текст на языке с кодом alv и переводит его на английский; для загрузки доступна сборка Transformers в формате safetensors. Контекст составляет 512 токенов. Модель предназначена для перевода текста с alv на английский в приложениях на базе Transformers. Качество этой версии не оценивалось на бенчмарках, поэтому её пригодность для конкретных текстов следует проверять отдельно. Лицензия — Apache-2.0.

WindyTranslate/translate-en-guw — модель машинного перевода от Windstorm Labs, дообученная на базе Helsinki-NLP/opus-mt-en-guw. Она переводит текст с английского языка на гу́н. Модель построена на архитектуре MarianMT, содержит 51,9 млн параметров и рассчитана на контекст до 512 токенов. Веса изменены с помощью LoRA-дообучения на параллельном корпусе, после чего адаптер объединён с базовыми весами. Репозиторий содержит сборку Transformers в формате safetensors; лицензия — Apache-2.0. Модель подходит для перевода коротких текстов с английского на гу́н в приложениях и исследовательских сценариях. Качество перевода пока не оценено: проверка подтвердила язык вывода, но не точность перевода. Модель поддерживает только направление en→guw.

Banaxi-Tech разработала BananaMind 2.1 Unified — базовую авторегрессионную языковую модель с тремя взаимодействующими трансформерными башнями и примерно 35 млн параметров. Модель обучена на 38 млрд токенов; это предварительная версия, прошедшая полный запланированный объём обучения, но не настроенная на выполнение инструкций. Модель предназначена для генерации продолжения текста и оценки следующих токенов. Башни A и C имеют собственные выходные головы, чьи распределения вероятностей смешиваются; башня B служит промежуточным звеном обмена между ними. Контекст составляет 4096 токенов, словарь — 8192 токена. В карточке указана поддержка английского языка; среди обучающих данных названы FineWeb-HQ, DCLM, SmolLM Corpus и FineMath. Модель доступна в формате safetensors для Transformers и использует custom code с trust_remote_code. Не предназначена для диалогового следования инструкциям без дополнительной настройки. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой репозитория.