I.5Создание и редактирование текста

Slop Detector BERT — модель классификации текста, дообученная разработчиком hiello67ello на базе google-bert/bert-base-cased для определения, написан ли текст человеком или сгенерирован ИИ. Она выдаёт метку Human или AI-generated. По карточке, точность на валидации составляет 96%; для обучения использовались абзацы Wikipedia и их переписанные ИИ варианты. Модель построена на архитектуре BERT и содержит 135,5 млн параметров. Она принимает текст, поддерживает английский язык и рассчитана на контекст до 512 токенов. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Модель подходит для предварительной проверки текстов, но результат классификатора не следует считать доказательством авторства: карточка не описывает состав и независимость валидационной выборки или устойчивость к новым стилям генерации.

SmolLM-135M-de — компактная языковая модель на архитектуре Llama, созданная LemiSt на базе HuggingFaceTB/SmolLM-135M. Авторы продолжили предварительное обучение базовой модели примерно на 6 млрд немецкоязычных токенов; модель содержит 134,5 млн параметров и рассчитана на контекст до 2048 токенов. Модель предназначена для генерации немецкого текста и экспериментов, например быстрого сравнения датасетов. Это базовая модель без чатовой донастройки: она может выдавать в основном корректный немецкий текст, но не предназначена для использования как готовый диалоговый ассистент. Обучающие данные собраны из немецкоязычных веб-текстов, новостей, книг и Википедии. Из-за небольшого размера модель может генерировать фактически неверную информацию; автор также предупреждает о возможности непристойного или другого нежелательного содержания из-за отсутствия дополнительной фильтрации данных. Лицензия — Apache-2.0.

Vertex 0.6 100M — базовая авторегрессионная языковая модель семейства Vertex 0.6 от Vertex Research. Это плотный Qwen3-based трансформер с 96,75 млн параметров и связанными эмбеддингами, доступный в формате safetensors и предназначенный для генерации продолжений текста. Модель обучена с нуля на 10,01 млрд токенов англоязычных веб-текстов Ultra-FineWeb и небольшой доле кода; затем контекст расширен до 8192 токенов поэтапным обучением на дополнительных данных Ultra-FineWeb. Это сырой pretrain-чекпойнт без дообучения на инструкциях и без чат-выравнивания. Он подходит для экспериментов с генерацией и продолжением английского текста, а также простого завершения кода. Лицензия — Apache-2.0. Из-за небольшого размера модель может выдавать несвязные или повторяющиеся продолжения и фактические ошибки, особенно при длинной генерации. Корпус обучения охватывает сведения примерно до апреля 2024 года.

ViLegalQwen2.5-1.5B-Base — авторегрессионная языковая модель с архитектурой Qwen2, разработанная в рамках набора ViLegalLM. Она продолжает предварительное обучение Qwen/Qwen2.5-1.5B на корпусе вьетнамских юридических текстов объёмом 16 ГБ и содержит 1,54 млрд параметров. Модель предназначена для генерации и продолжения юридических текстов, а также для дальнейшей адаптации к задачам вопросно-ответных систем, определения логического следования и силлогистических рассуждений на вьетнамском языке. В оценках на вьетнамских юридических бенчмарках авторы сообщают о результатах на уровне лучших моделей сопоставимого размера. Контекст составляет 2 048 токенов; модель доступна в формате safetensors и использует библиотеку Transformers. Это базовая, не настроенная на выполнение инструкций модель: для диалога и прикладных задач может потребоваться дополнительное дообучение. Она обучена на юридических текстах Вьетнама, может не переноситься на другие юрисдикции, а знания о законодательстве могут устаревать. Результаты не заменяют проверку специалистом. Лицензия — Apache-2.0.

Wombat-7B-Delta — набор дельта-весов для 6,6-миллиардной языковой модели Wombat-7B, разработанной Alibaba DAMO Academy и Университетом Цинхуа. Модель основана на LLaMA и дообучена от Alpaca методом RRHF (Rank Response to align Human Feedback), чтобы следовать инструкциям и отвечать в диалоге с учётом предпочтений, имитирующих обратную связь людей. Модель предназначена для экспериментов с обучением по обратной связи и исследования методов выравнивания языковых моделей. Репозиторий содержит дельта-веса: для восстановления Wombat-7B требуется базовая модель LLaMA-7B и применение этих весов. Модель работает с текстом на английском языке. Авторы указывают лицензию CC BY-NC 4.0 для данных и не рекомендуют использовать модель в производственных системах; также применение не должно конкурировать с OpenAI API. Это исследовательский прототип, предназначенный прежде всего для специалистов по NLP, машинному обучению и искусственному интеллекту.

AfroXLMR-mini — языковая модель на архитектуре XLM-RoBERTa, разработанная Davlan. Она создана адаптацией модели XLM-R-miniLM методом masked language modeling на 17 африканских языках и трёх высокоресурсных языках: арабском, французском и английском. Модель содержит 124,3 млн параметров, принимает последовательности длиной до 514 токенов и предназначена для заполнения маскированных токенов. В оценке на MasakhaNER модель показала результаты для ряда африканских языков, включая хауса, игбо, киньяруанда, пиджин и суахили; эти результаты указывают на применимость представлений модели к задачам обработки африканских языков. Она доступна в форматах PyTorch и Safetensors по лицензии MIT. Pipeline Hugging Face — fill-mask; карточка не описывает отдельную модель для генерации текста или готовый конвейер распознавания сущностей.

BERTabaporu Large Uncased — модель BERT-Large, разработанная для работы с текстами Twitter на бразильском португальском языке. Она обучена на корпусе из 238 миллионов твитов от более чем 100 тысяч пользователей, содержащем свыше 2,9 миллиарда токенов. Модель имеет 24 слоя; в метаданных указано 468,2 млн параметров, а контекст ограничен 512 токенами. Модель предназначена для предсказания замаскированных слов в португалоязычных твитах и может служить основой для дальнейшей адаптации к задачам анализа коротких сообщений. Доступны веса PyTorch и загрузка через Transformers. Лицензия — MIT. README указывает 335 млн параметров, тогда как метаданные — 468,2 млн; эти сведения расходятся.

CKIP BERT Base Chinese — разработанная CKIP базовая модель BERT для работы с традиционным китайским языком. В репозитории представлена модель класса BertForMaskedLM с примерно 129,5 млн параметров и контекстом до 512 токенов; доступны веса PyTorch и Flax. Модель предназначена для заполнения пропусков в тексте: она предсказывает замаскированные токены и может служить базой для задач обработки китайского текста. Проект CKIP также включает другие модели и инструменты для сегментации слов, определения частей речи и распознавания именованных сущностей, но README не подтверждает, что именно этот чекпойнт выполняет эти задачи. Для токенизации рекомендуется BertTokenizerFast. Модель выпущена под лицензией GPL-3.0. Поддерживаемый язык — традиционный китайский; заявленная задача и архитектура соответствуют заполнению маскированных токенов.

Chocolatine-Admin-3B-SFT-v0.3b — французская языковая модель для генерации текста в административном стиле. Её разработал Jonathan Pacifico из Cellenza в сотрудничестве с Microsoft. Это модель семейства Phi-3 с плотной архитектурой Phi3ForCausalLM, дообученная методом supervised fine-tuning на базе jpacifico/Chocolatine-3B-Instruct-DPO-v1.2; в исходной модели указана база microsoft/Phi-3.5-mini-instruct. Размер — 3,7 млрд параметров, контекст — 4096 токенов. Модель предназначена для диалоговых ответов на вопросы о французской административной терминологии: обучающий набор составлен на основе официального глоссария DITP и содержит 2362 термина с определениями, вопросами и ответами. Она может помогать разъяснять административные понятия и формулировки на французском языке. Выпущена под лицензией MIT. В серии нет механизма модерации; карточка характеризует её как демонстрацию возможностей тонкой настройки, поэтому качество ответов следует проверять.

Christian Bible Expert v2.0 12B — модель, дообученная sleepdeprived3 на базе Mistral Nemo Instruct 2407 для ответов на богословские вопросы с никейской христианской перспективы. Она предназначена для объяснения библейских текстов, подготовки материалов для изучения Библии и диалогов о духовном росте и ученичестве. Модель использует плотную архитектуру MistralForCausalLM, содержит 12,1 млрд параметров и поддерживает контекст до 131 072 токенов. README заявляет поддержку более десяти языков, включая английский, испанский, французский и корейский; в метаданных карточки указан английский язык. Модель делает акцент на историко-грамматическом толковании Писания, ключевых христианских доктринах и Никейском символе веры, при этом заявляя уважение к разнообразию конфессий. Репозиторий содержит веса Safetensors; README также упоминает GGUF и варианты квантования. Лицензия — Apache-2.0. Модель предназначена для поддержки изучения Библии и служения, но не заменяет пастырское руководство местной церкви.

jkminder подготовил эту модель как чатовую версию небольшой плотной GPT-модели nanochat из эксперимента Scaling Ladder. Это дообучение с учителем базовой модели jkminder/d16_268m_seed1: один проход смеси диалогов smol-smoltalk с дополнительными обучающими данными MMLU и GSM8K. Модель содержит около 302 млн параметров, использует токенизатор nanochat BPE на 32 768 токенов и принимает контекст длиной до 2048 токенов. Модель предназначена для базового диалога на английском языке, ответов на вопросы и простых задач на знания и математику. В обучающей смеси использовались задачи MMLU и GSM8K, включая примеры вызова калькулятора; карточка сообщает результаты оценивания на ARC и MMLU. Размер ограничивает полезность модели, а специального обучения безопасности не проводилось. Веса опубликованы в формате bfloat16 safetensors; лицензия CC BY-NC 4.0 запрещает коммерческое использование.

DeepSeek-V4-Flash-0731-Q8Experts-GGUF — это GGUF-сборка модели DeepSeek-V4-Flash-0731, подготовленная пользователем ltpla для запуска через движок ds4 (DwarfStar). В ней маршрутизируемые эксперты Mixture of Experts представлены в формате Q8_0; остальные тензоры перенесены без изменений из сборки antirez с q4-imatrix. По карточке, файл занимает около 282,33 ГиБ, а для весов с запасом требуется примерно 291 ГиБ объединённой памяти, без учёта KV-кэша. Модель предназначена для генерации текста и диалогового использования, в частности для контролируемых экспериментов по сравнению потерь от квантования. Автор сообщает, что на указанном тесте различие качества с q4-imatrix статистически незначимо; сборка примерно на 11% медленнее, но в 1,85 раза больше. Поэтому её главное практическое применение — исследование влияния повторного квантования, а не повседневный запуск. Это производная квантованная версия DeepSeek-AI DeepSeek-V4-Flash-0731. В метаданных указана лицензия MIT, совпадающая, согласно README, с upstream-лицензией.

Digital Socrates 7B (DS-7B) — открытая модель для автоматической критики объяснений, разработанная Allen Institute for AI. Она принимает вопрос с вариантами ответа и правильным ответом, а также ответ и объяснение другой модели, после чего указывает наиболее существенный недостаток объяснения, предлагает, как его исправить, и оценивает качество числом. Модель предназначена для анализа цепочек рассуждений и интерпретируемой оценки объяснений без привлечения разметчиков или платных API. Это дообученная версия Llama-2-7b-Chat с архитектурой LlamaForCausalLM и 6,6 млрд параметров; максимальная длина контекста — 4096 токенов. В README сообщается о результатах критики, близких к оценкам GPT-4 по человеческим оценкам и количественным показателям. Карточка также приводит результаты на нескольких бенчмарках, но рекомендует более производительную версию на 13 млрд параметров. Модель работает с текстом и ориентирована на английский язык. Лицензия репозитория — Apache-2.0; README отдельно советует проверить лицензию и правила использования базовой Llama-2-7b-Chat перед применением. Оценки относятся к описанным в карточке сценариям и метрикам, поэтому их не следует считать гарантией качества для любых предметных областей.

dQwen3-1.7B-Base — базовая языковая модель с маскированной диффузионной генерацией, разработанная на основе Qwen3-1.7B в рамках семейства dQwen3.5. Она использует плотную архитектуру DiffuQwen3 с полнослойным двунаправленным вниманием; модель служит контрольной точкой для сравнения с гибридной dQwen3.5-2B и не проходила настройку на инструкции. Модель предназначена для генерации текста и диалоговых экспериментов с диффузионным подходом. Она содержит 1,7 млрд параметров и поддерживает контекст до 40 960 токенов. Для запуска указаны Transformers версии 5.13 или выше и CUDA GPU. Модель основана на Qwen3-1.7B и распространяется под лицензией Apache-2.0. Поскольку это базовая модель без instruction tuning, она может хуже выполнять запросы в формате ассистента и не гарантирует следование инструкциям; запуск требует совместимого GPU-окружения.

DrMedra4B-abliterated-i1-GGUF — это квантизированная в формате GGUF версия модели DrMedra4B-abliterated, подготовленная пользователем mradermacher на основе модели drwlf. Модель дообучалась на наборе данных nicoboss/medra-medical и ориентирована на медицинские сценарии, включая клиническое рассуждение, суммаризацию и диагностику. Указана поддержка английского и румынского языков. Модель заявлена как vision model, однако в данном описании не приведены сведения о точной архитектуре, количестве параметров базовой модели, размере контекстного окна и поддерживаемых типах изображений. Доступны многочисленные варианты квантизации с размером файлов примерно от 1,5 до 3,8 ГБ; более компактные варианты экономят память, но могут заметно уступать по качеству. README рекомендует i1-Q4_K_M как быстрый вариант и компромисс между размером, скоростью и качеством. Модель предназначена для локального запуска средствами, совместимыми с GGUF, однако медицинские ответы требуют обязательной проверки специалистом и не должны использоваться как самостоятельное основание для диагностики или лечения. Лицензия указана как Apache-2.0. Информация о результатах бенчмарков, ограничениях безопасности и качестве на реальных клинических данных отсутствует.

Карточка модели petals-team/falcon-rw-1b на Hugging Face совпадает с карточкой tiiuae/falcon-rw-1b, поэтому описание составлено по ней. Falcon-RW-1B — авторегрессионная языковая модель с декодерной архитектурой, разработанная TII. Это плотная модель семейства Falcon примерно на 1,7 млрд параметров, обученная предсказывать следующий токен на 350 млрд токенов англоязычного набора RefinedWeb, очищенного фильтрацией и дедупликацией. Архитектура использует ALiBi и FlashAttention; модель опубликована в формате PyTorch. Модель предназначена прежде всего для исследований влияния веб-данных на свойства языковых моделей, а также может генерировать продолжения текста на английском языке. В карточке отмечены потенциальные задачи классификации текста, разметки токенов и ответов на вопросы, однако модель обучалась как генеративная языковая модель, поэтому для прикладных сценариев может потребоваться дообучение. Модель не рассчитана на надёжную работу с другими языками и может воспроизводить стереотипы и смещения из веб-данных. Разработчик не рекомендует использовать её в производстве без оценки рисков и защитных мер. Лицензия — Apache 2.0.

Gemma-FULL-RAC-Colombia_v2 — модель для генерации текста на основе Gemma, разработанная Edison Bejarano и Nicolai Potes при финансировании Fundación Universitaria Los Libertadores. Модель дообучена с помощью LoRA на датасете колумбийских авиационных правил Reglamento Aeronáutico Colombiano (RAC) и предназначена для испаноязычного контекста Колумбии. Модель поддерживает диалог и генерацию ответов на вопросы о RAC, упрощение нормативных текстов и подготовку учебных материалов. Архитектура — плотная GemmaForCausalLM с 2,5 млрд параметров; библиотека — Transformers, формат весов — safetensors, контекст — до 8192 токенов. Лицензия — Apache-2.0. Модель может ошибаться и отражать смещения обучающих данных; область её специализации ограничена авиационными правилами Колумбии, а знания не обновляются автоматически при изменении законодательства. Ответы для важных решений следует сверять с актуальными нормативными актами и специалистами; модель не предназначена для навигации и не заменяет юридическую консультацию.

skytnt/gpt2-japanese-lyric-medium — языковая модель семейства GPT-2 для генерации текстов японских песен. Модель разработана skytnt и обучена на 143 587 японских текстах песен, собранных с сайта uta-net. Модель предназначена для создания японских песенных текстов по текстовому запросу. Это плотная авторегрессионная модель GPT2LMHeadModel; она поддерживает генерацию текста на японском языке с контекстом до 1024 токенов. Модель распространяется под лицензией MIT. Её обучение на текстах песен означает, что генерации могут воспроизводить стилистические особенности или фрагменты исходных текстов; карточка не приводит оценок качества или дополнительных ограничений.

HER-RL — языковая модель для ролевого диалога, разработанная авторами проекта HER и дообученная с подкреплением на базе Qwen3-32B. Она моделирует персонажа с помощью двух уровней рассуждения: внешнего планирования того, как передать образ, и внутренних мыслей персонажа, после которых формируются действия, выражения и реплики. Модель предназначена для многошагового ролевого общения и когнитивной симуляции персонажей. В README сообщается о результатах на CoSER и MiniMax Role-Play Bench, превосходящих базовую Qwen3-32B. Это плотная архитектура Qwen3 с 29,7 млрд параметров и контекстом до 131 072 токенов; метаданные указывают поддержку китайского и английского языков, а также интерфейс вызова инструментов. Доступны веса Safetensors для Transformers. Модель выпущена под лицензией Apache-2.0. Ответы могут включать внутренние мысли и метауровневое планирование наряду с видимыми действиями и диалогом; формат может потребовать обработки, чтобы отделить эти части. Заявленные результаты бенчмарков не гарантируют качество в других сценариях.

JiuZhou-Instruct-v0.2 — диалоговая языковая модель семейства Mistral, разработанная для геонаук. Она основана на Mistral-7B-v0.1, предварительно обученной на корпусе общих текстов и материалов по геонаукам, и дообучена для следования инструкциям и многошагового диалога. Модель содержит 7,2 млрд параметров, принимает и генерирует текст; заявленная длина контекста — 32 768 токенов. Модель предназначена для ответов на вопросы и выполнения инструкций, связанных с геонауками, а также для диалоговых сценариев на китайском и английском языках. В карточке описана оценка на GeoBench, C-Eval, CMMLU и MMLU. Инструкциям модель следует лучше базовой версии, однако при инструкционном дообучении часть геонаучных знаний могла быть утрачена. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

ale045/kaggle_math_model_v7 — дообученная автором ale045 модель семейства Llama для генерации текста. Она продолжает серию Kaggle Math и основана на ale045/kaggle_math_model_v6; обучение проводилось с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и принимает контекст до 12 288 токенов. Модель предназначена для генерации текста, в том числе в математических сценариях серии Kaggle Math. Репозиторий содержит веса в формате safetensors. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Карточка не описывает конкретные бенчмарки или ограничения качества.

Llama3.1-8B-K12KGraph — текстовая модель Meta Llama, дообученная автором репозитория полным supervised fine-tuning на данных K12-Train проекта K12-KGraph. Чекпойнт предназначен для ответов на вопросы по материалам школьного образования K–12 и исследований рассуждений с опорой на знания, извлечённые из графов знаний. Модель использует архитектуру LlamaForCausalLM и содержит около 8 млрд параметров; метаданные указывают контекст до 131 072 токенов, а README сообщает, что при подготовке данных использовалось окно 32 768 токенов. Доступен самостоятельный чекпойнт Transformers в формате safetensors, обученный в bfloat16; базовые веса отдельно загружать не требуется. Модель рассчитана на китайский и английский языки. Для использования действуют Llama 3.1 Community License и Acceptable Use Policy; необходимо также учитывать условия лицензий обучающих и оценочных данных. Ответы могут содержать ошибки, быть неполными или галлюцинированными, а качество за пределами школьной тематики может снижаться; модель не следует считать авторитетным источником для решений с высокими последствиями.

LLaMandement-13B — французскоязычная чат-модель, разработанная DGFIP для суммаризации французских законодательных предложений. Это авторегрессионная плотная трансформерная модель семейства Llama 2 с примерно 12,9 млрд параметров, дообученная на базе Llama 2-13B. Модель предназначена для генерации кратких изложений по инструкциям и использует шаблон промпта в стиле Alpaca. Модель принимает текст и генерирует текст; в метаданных указан контекст до 4096 токенов и формат весов Safetensors. Для её применения действует Llama 2 Community License Agreement. Карточка ориентирует модель на французские законодательные документы; качество на других типах текстов и языках не подтверждено.

IFM/LoopedLM-P1-dense-split-hl-x2-336b — контрольный чекпойнт семейства LoopedLM, опубликованный для работы Towards Looped Models Done Right. Part I: Topology, Input Injection, Recurrent-State Organization. Он предназначен для генерации текста и изучения рекуррентных языковых моделей с плотной архитектурой H/L. Рецепт dense_split_hl_x2 дважды применяет шестислойный модуль H/L на каждом обновлении состояния; модель выполняет восемь обновлений с внедрением входа и межсостояниевым сложением один раз на обновление. Чекпойнт соответствует этапу обучения на 336 млрд токенов и шагу оптимизатора 80 000, до завершения расписания обучения на отметке 500 млрд токенов. Веса представлены в BF16 Safetensors в нативном формате xLLM и архитектуре Huginn; для загрузки требуются код xLLM, CUDA GPU и FlashAttention 3. Это не чекпойнт для загрузки через Hugging Face Transformers. Лицензия — Apache-2.0. README не сообщает размер модели в параметрах, длину контекста или поддерживаемые естественные языки.

Mahou-1.3-llama3.1-8B — диалоговая модель FlammenAI для коротких сообщений в разговоре, непринуждённого общения и ролевых сценариев. Модель основана на Hermes-3-Llama-3.1-8B-lorablated и дообучена методом ORPO на наборах MahouMix-v1 и FlameMix-DPO-v1 в течение одной эпохи. Это плотная causal language model семейства Llama с 7,5 млрд параметров; она использует формат ChatML и поддерживает контекст до 131 072 токенов. Модель рассчитана на текстовый ввод и генерацию ответов в формате чата. В карточке рекомендованы настройки SillyTavern, включая ChatML и instruct mode. Лицензия — llama3. Карточка не сообщает о поддержке конкретных естественных языков; поэтому их нельзя надёжно перечислить.

MeBERT-Mixed — модель семейства BERT, разработанная авторами проекта MeBERT и дообученная на корпусе L3Cube-MeCorpus. Она предназначена для работы с код-смешанным текстом на маратхи и английском, записанным латиницей и письмом деванагари. Модель содержит 205,1 млн параметров, принимает последовательности длиной до 512 токенов и поддерживает задачу восстановления замаскированных токенов. Модель подходит для языковых исследований и построения систем, которым нужно предсказывать пропущенные слова в маратхи-английских текстах. Она основана на multilingual BERT и обучена на корпусе, ориентированном на код-смешанный язык. Репозиторий содержит веса PyTorch; лицензия — CC BY 4.0.

mini-beatrix-2.5s — модель AbstractPhil объёмом 237 млн параметров для генерации и продолжения англоязычного текста. Она принимает необработанные байты UTF-8, поэтому отдельный токенизатор не требуется. Ядро основано на плотной авторегрессионной архитектуре MiniBeatrix с линейным вниманием и splat-attention; в этой упаковке его веса побитово совпадают с mini-beatrix-2s. К модели прилагаются съёмные адаптеры-«рукава» объёмом около 8,6 млн параметров каждый и среда для их подключения. Некоторые адаптеры обучены читать правила и отвечать по вымышленным словам; приведённые результаты получены на ограниченных контролируемых наборах. Модель рассчитана на короткие продолжения текста и ограниченные эксперименты с адаптерами. По описанию README, она слаба в знаниях и может уверенно ошибаться; rule-chain адаптеры демонстрируют работу с искусственными правилами, а не общее рассуждение. Адаптеры привязаны к точному базовому ядру и несовместимы с другими версиями ствола. Лицензия CC-BY-NC-SA-4.0 запрещает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов.

optimum/mistral-1.1b-testing — экспериментальная плотная авторегрессионная языковая модель семейства Mistral с примерно 1 млрд параметров. По карточке, она создана на основе 3T base model: TinyLlama была адаптирована под архитектуру Mistral из-за проблем с обучением Llama с Flash Attention. Модель не настроена для диалогов и предназначена для генерации текста продолжением входного текста. Контекст модели — до 32 768 токенов. Весовые файлы опубликованы в формате safetensors; модель помечена лицензией Apache-2.0. Автор предупреждает, что модель не проходила обширное тестирование, поэтому её качество и надёжность не следует считать установленными.

Multilingual Sarcasm Detector — модель классификации текста, разработанная Helin Ivan и дообученная на базе bert-base-multilingual-uncased. Она определяет, содержит ли заголовок новостной статьи сарказм, и возвращает один из двух классов: «саркастичный» или «не саркастичный», а также оценку уверенности. Модель основана на BERT и насчитывает 194,6 млн параметров; максимальная длина контекста — 512 токенов. Обучающие данные включают англоязычный датасет заголовков новостей с Kaggle, нидерландские новостные материалы и итальянские заголовки; саркастические примеры собирались с сайтов De Speld и Lercio. В README указаны F1 87,23% и точность 88,30% для многоязычной модели. Она предназначена прежде всего для классификации новостных заголовков и может хуже работать на других жанрах, темах или языках. Лицензия в предоставленных данных не указана.

NheengatuMT é um modelo de geração de texto derivado por ajuste fino do Qwen3.5-2B, com cerca de 1,7 млрд параметров, criado для поддержки перевода между португальским и ньенгату (yrl), низкоресурсным языком Бразилии. Он предназначен для помощи при чтении и письме, а не для официального перевода; качество зависит от использования обучающего шаблона запроса на португальском языке, а не стандартного chat template. Модель показывает лучшие результаты на текстах, близких к общему регистру, чем на юридических, и может создавать беглый, но неверный перевод. Карточка сообщает о повторениях на длинных текстах, ошибках в юридической терминологии и случаях выдумывания сведений; оценки носителями языка пока не проводились. Орфографические решения основаны на источниках обучения и не являются авторитетными. Модель распространяется по лицензии Apache-2.0; она основана на Qwen3.5-2B, а не на NLLB.