I.5Создание и редактирование текста

HyperCLOVA X SEED Think-14B SFT 71610 Correct Minimal — плотная языковая модель на 14,1 млрд параметров, созданная автором репозитория дообучением HyperCLOVAX-SEED-Think-14B. LoRA-адаптер обучен на подмножестве из 803 примеров AI Hub Dataset 71610 по финансовым и юридическим вопросам множественного выбора, где исходная модель уже отвечала правильно; затем адаптер объединён с базовой моделью. Модель предназначена для генерации текста и диалоговых ответов, в частности для выбора ответа A/B/C/D в финансовых и юридических MRC-задачах. Она принимает текст, поддерживает контекст до 131 072 токенов и рассчитана прежде всего на корейский язык. Весы доступны в формате BF16 safetensors и загружаются через Transformers без отдельного адаптера или пользовательского кода модели. В README не приведены результаты бенчмарков для этой версии. Обучение ограничено небольшой выборкой из одного набора данных, а модель не гарантирует точность и не должна быть единственным основанием для медицинских, юридических или финансовых решений. Лицензия указана как иная; применяются соглашение NAVER HyperCLOVA X SEED 14B Think Model License Agreement и условия использования исходных данных AI Hub, поэтому перед применением нужно ознакомиться с LICENSE и NOTICE репозитория.

Klyra-64M-Midtrain — чекпойнт продолженного предобучения компактной языковой модели Klyra, разработанной студентом направления «Инженерная информатика» Государственной политехнической школы Джакарты. Модель основана на Klyra-64M-Base и получила около 2 млрд дополнительных токенов обучения; суммарный объём предобучения и дополнительного обучения составляет около 3 млрд токенов. В метаданных указаны 75,7 млн параметров, а в README — около 63,9 млн уникальных параметров при связывании входных и выходных эмбеддингов; различие связано с тем, что в файле весов тензоры могут храниться раздельно. Это плотная авторегрессионная модель с архитектурой MiniMind-compatible decoder-only, 8 слоями Transformer и размером скрытого состояния 768. При обучении использовались контекст длиной 1024 токена и точность BF16. Чекпойнт предназначен для продолжения предобучения, последующей SFT-настройки, адаптации к предметной области и экспериментов; он ещё не прошёл инструкционную настройку. Подходит для генерации текста и диалоговых сценариев после соответствующей настройки, но README не приводит результаты оценки качества. Лицензия — Apache-2.0.

AlekseyCalvin/Lyrical_MT_mini_rus2eng_MiniPLM_llama3.1_212m — экспериментальная модель машинного перевода, созданная авторами Silver Age Poets на базе MiniLLM/MiniPLM-llama3.1-212M. Это плотная авторегрессионная модель семейства Llama с 211,7 млн параметров, дообученная методом ORPO на датасете русско-английских переводов песенных текстов. Она предназначена для перевода и литературной локализации русских песен и стихов на английский с учётом идиом, ритма, рифмы, размера и исполнительской подачи, сохраняя при этом смысл оригинала. Модель принимает текст и генерирует текст; в метаданных указан контекст до 131 072 токенов. Карточка описывает версию как экспериментальную работу в процессе разработки, поэтому качество перевода может быть нестабильным и требует проверки, особенно при точной передаче смысла и поэтической формы. Лицензия — Apache-2.0.

Mahou-1.3-M2-mistral-7B — разговорная модель на базе архитектуры Mistral, созданная слиянием моделей через mergekit. Она предназначена для коротких сообщений в диалоге, непринуждённого общения и ролевых сценариев с отыгрышем персонажа. Модель содержит 7,1 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. Для общения используется формат ChatML; в ролевом режиме речь рекомендуется выводить без кавычек, а действия — между звёздочками. Модель опубликована в формате safetensors и предназначена для запуска через Transformers. В метаданных указана лицензия, но её тип не приведён.

Mahou-1.5-llama3.1-70B — диалоговая языковая модель FlammenAI для коротких сообщений в разговоре, непринуждённого общения и ролевых сценариев. Она построена на плотной архитектуре Llama 3.1 с 69,5 млрд параметров и дообучена методом ORPO на наборе MahouMix-v1 в течение трёх эпох. Модель рассчитана на генерацию текста и поддерживает контекст до 131 072 токенов. Для общения используется формат ChatML; в ролевом режиме речь оформляется без кавычек, а действия — звёздочками. В карточке приведены результаты оценок IFEval и BBH. Модель распространяется под лицензией Llama 3.1. README рекомендует настройки SillyTavern для запуска, но не уточняет языки общения и ограничения по содержанию.

Maple — ассистентская модель канадской направленности, разработанная на базе Victoria и дообученная для ответов на повседневные вопросы с учётом контекста Канады. Если пользователь не указывает страну, модель трактует вопросы о налогах, работе, пособиях, иммиграции, здоровье и жилье в канадском контексте; при указании другой юрисдикции должна учитывать её. С инструментом веб-поиска модель ищет сведения и цитирует официальные канадские источники. Модель использует архитектуру Qwen4ExpForConditionalGeneration; заявлено 5,9 млрд активных параметров на токен. Это текстовая модель с интерфейсом чата и вызова инструментов. Версия опубликована в формате NVFP4 для vLLM и рассчитана на один графический процессор NVIDIA Blackwell, например B200 или B300. В карточке указаны английский и французский языки. Лицензия обозначена как other, поэтому условия использования следует проверять в репозитории модели. В опубликованной оценке на 600 отложенных вопросах Maple прошла заданный стандарт ответов в 21,8% случаев с веб-поиском и в 7,5% без него; сравнение проводили два ИИ-оценщика. Авторы отмечают, что человеческой оценки пока не было. На dev-наборе модель уступила Qwen3.8-Flash-Next в вопросах о канадской культуре и чаще не отвечала на вопросы. Для актуальных и важных сведений следует проверять цитируемые источники.

MARBERTv2 — арабоязычная модель семейства BERT от UBC NLP, описанная в статье ACL 2021 «ARBERT & MARBERT: Deep Bidirectional Transformers for Arabic». Это дальнейшее предобучение MARBERT на данных современного стандартного арабского языка и наборе AraNews: модель обучена на 29 млрд токенов и использует контекст до 512 токенов. Модель предназначена для восстановления скрытых токенов в арабском тексте. Её можно применять для заполнения пропусков и как основу для задач обработки арабского языка; авторы также сообщают о результатах на наборах вопросов и ответов, хотя отмечают, что результаты ARBERT и MARBERT в QA неконкурентны. В метаданных указаны 190 млн параметров и поддержка PyTorch и TensorFlow. Условия лицензии в доступных данных не приведены.

zimplex/olmo7-think-sft-euc — дообученная на наборе allenai/Dolci-Think-SFT-7B модель allenai/Olmo-3-1025-7B, опубликованная для эксперимента с рассуждениями. В README она обозначена как контрольная модель с обычной евклидовой выходной головой для сравнения с экспериментом с гиперболической головой; размер составляет 6,9 млрд параметров, контекст — 65 536 токенов. Модель предназначена для генерации текста в формате диалога и решения задач с пошаговыми рассуждениями, в частности математических задач с извлечением ответа после маркера финального ответа. Модель использует плотную архитектуру Olmo 3 и формат весов safetensors. Для запуска подходит Transformers через AutoModelForCausalLM; README указывает шаблон ChatML и жадное декодирование. Базовая модель англоязычная, однако отдельные языки дообучения в данных не перечислены. Лицензия — Apache-2.0. Результаты и качество на задачах за пределами описанного математического оценивания не охарактеризованы.

Pico Decoder Medium — плотная авторегрессионная языковая модель с архитектурой decoder-only Transformer в стиле LLaMA, разработанная в рамках семейства pico-decoder. Модель содержит 181 млн параметров и 12 слоёв; её обучали с помощью pico-train на наборе pretokenized-dolma в течение 200 000 шагов с длиной последовательности 2048 токенов. Модель предназначена для генерации текста и изучения того, как языковые модели обучаются на разных этапах: авторы предусмотрели анализ поведения слоёв с помощью pico-analyze и оценку perplexity на pico-paloma-tinsy. Компактный размер подходит для экспериментов с анализом обучения, однако карточка не приводит результатов оценки качества генерации и не подтверждает пригодность для конкретных прикладных задач. Репозиторий распространяется по лицензии Apache-2.0.

Mercity разработала базовую языковую модель примерно на 1 млрд параметров на архитектуре Llama 3-style с плотным декодером и таблицами хешированных n-граммных эмбеддингов LongCat. Около 25% параметров приходится на эти таблицы; чтобы сохранить общий размер, модель использует 23 трансформерных слоя вместо 32 у базовой конфигурации. По карточке, обучение проходило на 6 млрд токенов английского набора FineWeb. Модель поддерживает генерацию текста, а её контекст составляет 8192 токена. Это базовый чекпойнт для продолжения предобучения и экспериментов с языковыми моделями; он не проходил настройку для инструкций или безопасности. Карточка приводит результаты нескольких zero-shot-бенчмарков и LoRA-дообучения для Few-NERD, но отмечает, что бюджет обучения невелик для модели такого размера, оценки получены с одним seed, а модель может повторять текст и выдумывать факты. Лицензия в предоставленных данных не указана.

Qwen3.8-27B-VMLU — дообученная разработчиком huyhoangvbck модель на основе Qwen/Qwen3.8-27B. Она прошла SFT с LoRA на 8 195 вопросах бенчмарка VMLU по 58 учебным предметам, охватывающим STEM, общественные и гуманитарные науки и другие области; адаптер объединён с исходными весами. Модель предназначена для диалоговых ответов на вопросы и решения учебных задач, особенно на вьетнамском языке. Это плотная языковая модель с архитектурой Qwen3_5ForCausalLM и 22,3 млрд параметров. Метаданные указывают контекст до 262 144 токенов, формат safetensors и лицензию other. В карточке описано обучение Megatron-SWIFT на четырёх NVIDIA A100-40GB; это сведения о процессе обучения, а не требование к запуску.

Это экспериментальная текстовая модель Jamie Bradfield, дообученная для диалогов и планирования вызовов инструментов в формате Hermes. Она основана на empero-ai/Qwen3.8-9B-Distill; в карточке указаны архитектура семейства Qwen3.5 и 9,20 млрд параметров. Модель принимает текст и выдаёт текст, включая структурированные вызовы инструментов. Визуальная часть базовой архитектуры удалена. Для обслуживания автор указывает контекст 65 536 токенов. Дообучение QLoRA на 218 синтетических траекториях усилило склонность сначала составлять план todo для многошаговых задач. При этом оценка показала регрессии: модель чаще чрезмерно вызывает инструменты на простых и посторонних запросах, а при продолжении после собственного текста может остановиться вместо вызова инструмента. Результаты первоначального теста использовали синтетический формат запросов, который не совпадает с нативным интерфейсом Hermes; README приводит исправленное сравнение и рекомендует не использовать этот чекпойнт как замену модели для длительных агентных сессий. Лицензия — Apache-2.0.

Samantha-1.1-Westlake-7b — разговорная модель-компаньон QuixiAI, дообученная на датасете Samantha-1.1 с базовой моделью Westlake-7b. Она предназначена для диалога, эмоциональной поддержки и ответов на вопросы; в примерах соблюдает границы в ответах на просьбы о физической близости и умеет оформлять ответ в JSON. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. При этом автор отмечает, что поведение может отклоняться от намерения избегать романтического и сексуального общения. Модель распространяется по лицензии Apache-2.0.

Vanilla — Instruct (3B) — это англоязычная инструкционная модель EPFL DLAB, построенная с нуля по архитектуре семейства Llama и дообученная методом persona-binding supervised fine-tuning (PBSFT). Она предназначена для исследований выравнивания поведения и безопасности: конституционного выравнивания, обобщения ценностей и устойчивости к jailbreak-запросам. Модель обучалась примерно на 500 млрд токенов из части смеси Olmo 3 Dolma 3, а затем на 300 тысячах одноходовых примеров инструкций и запросов безопасности. Доступны ревизии с разной долей примеров безопасности; основная ревизия содержит 10%. Размер модели — 3 млрд параметров, контекст — 2048 токенов. Используется токенизатор SmolLM2 с добавленным токеном для начала хода ассистента и встроенный шаблон чата без системного промпта. Модель может отвечать на инструкции и участвовать в диалогах, причём ответы обучались следовать конституции и включать внутритекстовые ссылки вида [N.M]. Это исследовательский артефакт, а не готовое производственное решение: ответы могут быть ошибочными или небезопасными. В метаданных указана лицензия other, а в README лицензия названа ещё не окончательной; условия использования следует проверить в репозитории перед применением.

Tanpo Retention — компактная языковая модель автора d4rkninja для задач удержания клиентов и customer success. Это дообученная и объединённая с базовыми весами модель LiquidAI/LFM2.5-1.2B-Instruct: плотная архитектура LFM2, около 1,5 млрд параметров по метаданным и контекст до 128 000 токенов. Модель принимает текст и генерирует текст; в карточке указан английский язык. Она предназначена для подготовки планов адаптации и активации клиентов, анализа сигналов риска оттока, подготовки продлений, возврата ушедших клиентов, расширения сотрудничества и эскалаций. Может структурировать рекомендации по сигналам, диагнозу, ответственному, срокам и следующему шагу; рассчитана на локальный и недорогой запуск. Внутренняя автоматическая оценка автора показывает преимущество над базовой моделью, но результаты не являются отраслевым бенчмарком и не гарантируют качество в реальных сценариях. Модель специализирована на удержании клиентов: её качество может снижаться за пределами этого распределения, а небольшой размер ограничивает знания и сложные рассуждения. Рекомендации о клиентах и продлениях следует проверять по достоверным данным, а коммуникации и значимые решения — оставлять на проверку человеку. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

TinyPoliticaLlama-1.1B — чат-модель на архитектуре Llama, созданная дообучением TinyLlama/TinyLlama-1.1B-Chat-v1.0 методом SFT. Разработчик обучал её около 24 часов на одной A100 40GB на корпусе примерно из 225 млн токенов; модель содержит около 1 млрд параметров, принимает текст и рассчитана на контекст до 2048 токенов. Модель предназначена для генерации текста и диалоговых ответов на политические темы. В обучающие данные вошли речи парламентов Австрии, Дании, Франции, Великобритании, Венгрии, Нидерландов, Норвегии, Польши, Швеции и Турции, а также политические новости The New York Times, USA Today и The Washington Times. Проект исследует, как тематический отбор данных может улучшить политические знания компактных языковых моделей. Модель распространяется под лицензией Apache-2.0. Её политическая специализация и обучающий корпус не гарантируют точность или сбалансированность ответов; контекст ограничен 2048 токенами.

tnayajv2.0 — разговорная языковая модель Jayant AI Labs для генерации текста в медицинской и биомедицинской областях. Согласно карточке, она дообучена на основе Meta-Llama-3-8B-Instruct с использованием DPO-данных и медицинских инструкций. Архитектура — плотная LlamaForCausalLM; метаданные указывают 7,5 млрд параметров и контекст до 8192 токенов. Модель предназначена для диалоговой генерации и подготовки ответов по медицинским и биологическим темам. В карточке заявлена специализация на медицине и науках о жизни, но количественные результаты оценки не приведены. Доступна по лицензии Apache-2.0.

neureps разработала warmly-nmt-nllb600-enko — дообученную на англо-корейских комментариях модель машинного перевода на базе NLLB-200-distilled-600M. Она предназначена для перевода эмоциональных комментариев с английского на корейский; использует архитектуру M2M100ForConditionalGeneration и библиотеку Transformers. В обучении применялись 1410 примеров, для проверки — 300, обучение шло 6 эпох. Модель содержит 463,7 млн параметров, поддерживает контекст до 1024 токенов и распространяется в формате safetensors. Модель лучше исходной версии справляется с пробелами, восклицаниями и сохранением эмодзи при использовании внешней обёртки для маскирования и восстановления эмодзи. В тестировании chrF составил 33,7 на полном наборе из 40 примеров и 36,3 на примерах, соответствующих реальному распределению. При этом сохраняются отдельные ошибки перевода тематической лексики, связанные с ограниченным словарным запасом модели. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование; карточка позиционирует модель для исследований и сравнительной оценки.

WhizReviewer-ML-Llama3.1-8B — текстовая генеративная модель WestlakeNLP для предварительной оценки и улучшения научных статей по машинному обучению, включая компьютерное зрение, обработку естественного языка и мультимодальное обучение. Это плотная Transformer-модель семейства Llama с 7,5 млрд параметров, дообученная на комментариях рецензентов; она основана на meta-llama/Meta-Llama-3.1-8B-Instruct. Модель рассчитана на генерацию отзывов и оценок, в том числе симуляцию нескольких рецензентов и метарецензента. Заявленная длина контекста — 131 072 токена. Модель работает с текстом и не анализирует изображения, графики или сложные формулы напрямую. Карточка указывает поддержку английского, китайского, японского, корейского, французского и немецкого языков, но предупреждает о возможном снижении качества на неанглоязычных работах. Среди ограничений — срез знаний на январь 2024 года, непостоянство оценок и возможная предвзятость; результаты требуют проверки человеком. Модель предназначена только для неофициальной помощи авторам и обучения: её запрещено использовать для формального рецензирования. Лицензия обозначена как other; действуют также ограничения базовой лицензии Llama.

AfriGuardPlain-tiny-aya-global-lora-merged — дообученная модель CohereLabs, созданная на базе CohereLabs/tiny-aya-global для безопасных диалоговых ответов. Она обучалась на наборе adzcai/AfriGuard-plain: на безопасные запросы должна давать полезный ответ, а на небезопасные — кратко отказывать, не выводя метку безопасности. LoRA-адаптер ранга 16 применялся ко всем линейным слоям, затем его веса были объединены с базовой моделью. Модель имеет плотную архитектуру Cohere2ForCausalLM на 3,3 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Предназначена для диалоговых сценариев, где требуется прямой ответ или отказ без отдельной системной инструкции безопасности и без меток в выводе. В карточке указана лицензия CC BY-NC 4.0, которая ограничивает использование некоммерческими условиями.

BanterBot — чат-модель, разработанная Alannikos768 для конструктивного выражения эмоций и общения в напряжённых социальных ситуациях. Она предназначена для генерации остроумных, сдержанных ответов, смягчения конфликтов и поддержания отношений. Модель дообучена на базе InternLM2.5 с 1,7 млрд параметров и архитектурой InternLM2; её контекст составляет до 32 768 токенов. Она принимает текст и генерирует текстовые ответы, ориентирована на английский язык. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0.

BEREL 3.0 — модель Dicta для обработки текстов на иврите, представленная как BERT с головой языкового моделирования. В карточке указана статья Avi Shmidman и соавторов о BEREL; модель загружается через Transformers и содержит около 211,6 млн параметров. Метаданные относят её к генерации текста, а архитектура и пример использования указывают на задачу masked language modeling. Модель рассчитана на языковые задачи с текстами на иврите и обучена для работы с особой токенизацией: авторы предупреждают, что обычный BertTokenizer даст плохие результаты, и рекомендуют AutoTokenizer или BertTokenizerFast. Максимальная длина контекста составляет 512 токенов. Веса доступны в форматах PyTorch и safetensors по лицензии Apache-2.0.

gaBERT — базовая модель семейства BERT, разработанная для работы с ирландским языком. Это энкодерный Transformer с 136,4 млн параметров, обученный на 7,9 млн предложений на ирландском языке. Модель предназначена для получения признаков и последующего дообучения под прикладные задачи обработки языка; в карточке Hugging Face для неё указана задача fill-mask. Модель принимает текст и предсказывает замаскированные токены, а также может служить основой для дообучения на других задачах для ирландского языка. Она поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Предобучающие данные частично собраны из интернета и могут содержать предвзятый, оскорбительный или взрослый контент, поэтому результаты прикладных систем на её основе требуют проверки. Лицензия в предоставленных данных не указана.

Bioinspired-SmolLM-1.7B-Instruct — компактная языковая модель команды LAMM-MIT, созданная на базе SmolLM-1.7B с продолженным предобучением, дообучением на инструкциях и оптимизацией предпочтений DPO. Она предназначена для диалогов и генерации текста по темам биоинспирированных материалов, биоматериалов и их механики; обучение включало около 5 000 научных статей в этой области и наборы инструкций и диалогов. Модель использует плотную архитектуру LlamaForCausalLM, содержит 1,7 млрд параметров, принимает текст и имеет контекст до 2 048 токенов. Карточка демонстрирует диалоговый шаблон ChatML и примеры ответов на вопросы о материалах и биологии, однако пример также показывает, что ответы могут содержать вымышленные сведения. Поддержка русского языка не заявлена. Распространяется в формате Safetensors по лицензии Apache-2.0.

Карточка модели thesephist/contra-bottleneck-t5-xl-wikipedia на Hugging Face совпадает с карточкой thesephist/contra-bottleneck-t5-large-wikipedia, поэтому описание составлено по ней. Bottleneck T5 Large — англоязычный автоэнкодер текста, разработанный Linus Lee на основе LM-adapted T5 v1.1. Это плотный трансформер T5 с энкодером-декодером, attention pooling в узком латентном представлении и gated cross-attention. По метаданным модель содержит 385,2 млн параметров; README описывает семейство вариантов размером от 60 млн до 3 млрд параметров, включая Large с 770 млн, поэтому указанное в карточке число относится к метаданным репозитория. Модель кодирует текст длиной до 512 токенов в нормализованный вектор фиксированной длины и восстанавливает текст из этого представления. Латентное пространство предназначено для семантической интерполяции и редактирования атрибутов текста, таких как длина, тон, структура и тема. Обучение проводилось на отфильтрованной части англоязычной Википедии, поэтому модель лучше подходит для энциклопедического и похожего текста. Это прототип для экспериментов с редактированием текста в латентном пространстве; для работы требуется обёртка BottleneckT5Autoencoder. Технический, разговорный и другой нетипичный для обучающих данных текст может обрабатываться хуже. Лицензия — MIT.

worldboss/en-ee-from-scratch — модель машинного перевода с английского языка на эве, разработанная автором репозитория. Это обученная с нуля encoder–decoder модель на PyTorch с архитектурой Pre-LN, 6 слоями и размерностью 512; словарь BPE-токенизатора содержит 32 000 токенов, а размер модели составляет 38,4 млн параметров. Модель предназначена для перевода английских фраз и вопросов на эве. В обучающие данные вошли вопросы и ответы для фермеров в Гане, пары английский–эве из NLLB и параллельные библейские тексты из корпуса ghananlpcommunity/ghana-corpus. Для работы нужен checkpoint best.pt и скрипт translate.py из репозитория обучения; модель не совместима с Transformers AutoModelForSeq2SeqLM. Лицензия — CC-BY-NC-4.0, а указанные обучающие данные имеют лицензию CC-BY-NC.

Gemstone-512x14 — языковая модель из семейства Gemstone Suite, обученная разработчиками набора моделей с разной шириной и глубиной. Она построена на архитектуре Gemma-2B, использует плотный декодер GemmaForCausalLM и предназначена для продолжения текста и других задач генерации на основе причинной языковой модели. Модель обучали с помощью litgpt и AxoNN на графических ускорителях AMD MI250X в Frontier Национальной лаборатории Оук-Ридж; обучение проводилось на подмножествах Dolma в течение 350 млрд токенов. Это не модель для следования инструкциям, поэтому она ориентирована на базовую генерацию текста, а не на диалоговый режим или выполнение запросов по инструкции. Контекст составляет 2048 токенов, размер — 80,8 млн параметров. Указана поддержка английского языка. Модель распространяется под лицензией Apache-2.0.

GneissWeb.7B_ablation_model_on_350B_FineWeb.Edu.seed2 — языковая модель IBM Research для генерации текста и сравнительных исследований предобучающих данных. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров, обученная на случайной выборке из 350 млрд английских токенов FineWeb.Edu.Score-2 с токенизатором StarCoder. Модель не проходила дообучение на инструкциях и настройку безопасности; её основное назначение — сравнение с моделями, обученными в сходных условиях. Модель принимает текст и генерирует продолжение; контекст составляет 8192 токена. В карточке заявлена лицензия Apache 2.0. Модель может выполнять генеративные задачи, однако отсутствие настройки на инструкции и выравнивания по безопасности ограничивает её применение в пользовательских диалогах и сценариях, требующих надёжных защитных механизмов.

AG2307/gpt2-finetuned-latex — модель генерации текста на базе архитектуры GPT-2, дообученная для работы с LaTeX. Она предназначена для авторов технических и научных документов, которым требуется автоматически продолжать или создавать фрагменты LaTeX-кода: формулы, структуры документов и другие текстовые элементы разметки. Модель используется через библиотеку Transformers и поддерживает контекст длиной до 1024 токенов. Её сильная сторона — специализированная генерация LaTeX-текста вместо универсального продолжения текста. README не содержит сведений о разработчике, обучающем наборе данных, размере модели, поддерживаемых естественных языках, результатах оценки или лицензии, поэтому применять её в критически важных сценариях следует с проверкой результата.

HER-RM-32B — генеративная reward-модель для оценки ответов в ролевых диалогах, разработанная авторами проекта HER. Вместо единой числовой оценки она формулирует принципы оценки с учётом контекста диалога, сравнивает два варианта ответа и выдаёт разбор с обоснованием. Модель основана на дообученной плотной авторегрессионной архитектуре Qwen3 с 29,7 млрд параметров и контекстным окном до 131 072 токенов. Модель предназначена для попарного ранжирования ролевых ответов и анализа качества персонажей по 12 измерениям, включая соответствие характеру, естественность взаимодействия и развитие сюжета, а также противоречия контексту, повторы и нарушения логики. По карточке, обучение включало более 300 тысяч пар предпочтений и 107 оценочных принципов. Указаны китайский и английский языки; модель распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Это специализированная модель оценки и сравнения ответов, а не универсальная модель для генерации ролевых реплик; её выводы следует рассматривать как оценку предпочтений, а не как объективную гарантию качества.