I.5Создание и редактирование текста

Parakeet TDT 0.6B v3 INT8 — модель распознавания речи, подготовленная Sonic Speech на основе модели NVIDIA Parakeet TDT v3 и предназначенная для запуска через MLX, в том числе на компьютерах Apple Silicon. Она преобразует аудио в текст и подходит для транскрибации записей и речи.

Qwen1.5-110B — базовая плотная языковая модель из серии Qwen1.5, разработанной командой Qwen. Это бета-версия семейства Qwen2: авторегрессионная модель-декодер на архитектуре Transformer с 110 млрд параметров, предназначенная для дальнейшего дообучения и экспериментов с генерацией текста. В карточке модели указаны поддержка контекста до 32 768 токенов и формат весов Safetensors. Модель подходит для генерации и продолжения текста, а также как основа для постобучения под диалоговые сценарии с помощью SFT, RLHF или дополнительного предобучения. Семейство поддерживает несколько языков; метаданные этой карточки отмечают английский. В архитектуре семейства используются активация SwiGLU и смещение в проекциях QKV; для версии 110B также заявлен grouped-query attention. Для запуска рекомендуется Transformers версии 4.37.0 или новее, и не требуется включать trust_remote_code. Авторы не рекомендуют использовать базовую модель напрямую для генерации текста и советуют сначала провести постобучение. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

Qwen2.5-7B-d2d — полноразмерно дообученная модель Qwen2.5-7B-Instruct от ynklab для перевода документов целиком между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским и китайским языками. Она обучена на параллельных данных DocBlocks для задачи перевода «документ в документ» и рассчитана на сохранение связности перевода в пределах документа. Модель использует плотную авторегрессионную архитектуру Qwen2 с 7,1 млрд параметров, работает через Transformers и принимает контекст до 32 768 токенов. Для перевода рекомендуется шаблон ChatML с явным указанием исходного и целевого языков. Модель поддерживает перевод между английским и каждым из перечисленных языков в обоих направлениях. Чекпойнт выпущен в рамках исследовательской работы Doc2FRC; качество зависит от языковой пары, длины и тематики документа, а оценка в карточке не приведена. Лицензия — Apache-2.0.

Карточка модели dragonstorm123/qwen3.5-4b-sft-base на Hugging Face совпадает с карточкой dragonstorm123/qwen3.5-4b-sft-disambiguation, поэтому описание составлено по ней. Мультимодальная модель Qwen3.5-4B, дообученная разработчиком dragonstorm123 на базе Qwen/Qwen3.5-4B с использованием Unsloth и библиотеки TRL. Предназначена для диалогового взаимодействия и задач image-text-to-text: модель принимает текст и изображения и формирует текстовые ответы. В метаданных также заявлены возможности работы с изображениями и интерфейс вызова инструментов. Модель содержит 4 млрд параметров и распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает обучающие данные и специальные ограничения применения; качество на конкретных задачах зависит от сценария использования.

mlx-community/Qwen3.5-9B-bf16 — мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 9 млрд параметров, подготовленная сообществом mlx-community для запуска в экосистеме MLX. По метаданным, модель поддерживает диалоговый режим и понимание изображений, а её основная задача — image-text-to-text: она принимает текст и изображения и формирует текстовые ответы. Карточка сообщает, что модель преобразована в формат MLX из Qwen/Qwen3.5-9B с помощью mlx-vlm 0.3.12; базовая модель в метаданных указана как Qwen/Qwen3.5-9B-Base. Репозиторий содержит веса safetensors. Модель распространяется по лицензии Apache-2.0. README отсылает за дополнительными подробностями к исходной карточке, поэтому конкретные параметры контекста и перечень поддерживаемых языков здесь не приводятся.

Hirundo Qwen3.6-35B-A3B Westernized — модель Hirundo на базе Qwen/Qwen3.6-35B-A3B, изменённая методом поведенческого unlearning для снижения цензурирующих и геополитически предвзятых ответов при сохранении прочих возможностей. Это мультимодальная MoE-модель для диалогов и анализа изображений; метаданные указывают семейство Qwen 3.5 MoE, интерфейс вызова инструментов и задачу image-text-to-text. Репозиторий содержит самостоятельный объединённый чекпойнт в формате Safetensors, который загружается без отдельного адаптера. В README не приведены размер контекста и список языков. Модель подходит для мультимодальных диалогов, анализа изображений и сценариев с вызовом инструментов, где требуется уменьшить отказы или геополитически обусловленные ответы. В оценках Thinking-OFF из блога Hirundo сообщается о снижении показателей на CCPC-500, DECCP и ChinaBench; результаты безопасности различаются по тестам, а README подчёркивает, что они относятся только к указанным бенчмаркам. Чекпойнт распространяется по лицензии Apache-2.0.

ArrowNeo-AME-4x3B-v0.1-MoE — диалоговая языковая модель, созданная DataPilot на базе Sarashina 2.2 Instruct от SB Intuitions. В ней объединены базовая модель и три экспертные модели с помощью Mergekit-MoE: для программирования, следования инструкциям и многошаговых диалогов. Архитектура — MoE на базе Mixtral; объём модели составляет 3,1 млрд параметров, контекст — 8192 токена. Модель предназначена для диалогового использования в качестве «личности» виртуального ютубера AItuber. Она ориентирована на продолжительные беседы, следование запросам и генерацию кода. Поддерживает японский и английский языки, работает с текстом и выдаёт текст; метаданные также отмечают интерфейс вызова инструментов. Распространяется под лицензией MIT. Разработчик предупреждает об ограниченном обучении безопасности: возможны бессмысленные последовательности, фактические ошибки, предвзятые или оскорбительные ответы. Перед применением рекомендуется дополнительная настройка с учётом человеческих предпочтений и требований безопасности.

munkhbayar-batkhuu/gemma-3-4b-mongolian — текстовая чат-модель на основе Gemma 3 от Munkhbayar Batkhuu. Она дообучена на тщательно отобранном корпусе с преобладанием академических текстов, новостей и книг на монгольском языке в кириллице; также содержит английские тексты. Модель предназначена для ответов на вопросы и диалога на монгольском, особенно в сценариях RAG, где ей передают фрагменты источников и просят отвечать по ним, приводить ссылки и воздерживаться от ответа при нехватке сведений. В карточке также упоминаются перевод, математические задачи и работа со словарём. Модель имеет плотную авторегрессионную архитектуру Gemma3ForCausalLM, около 4 млрд параметров и контекстное окно в метаданных 131 072 токена. При этом README сообщает об обучении на окне 1 280 токенов и заявляет поддержку только текстового ввода, без изображений и файлов. Лицензия — Gemma. Разработчик позиционирует её для исследовательского и образовательного использования, но не для решений с высокими ставками. По оценке автора, ответы заметно надёжнее при наличии источников, однако модель всё ещё может выдумывать факты и ссылки, ошибаться в арифметике и смешивать сведения о разных сущностях. Она обучена на монгольской кириллице, а не на традиционной монгольской письменности; качество английской технической лексики ограничено. Обучение преимущественно на одном вопросе за раз, поэтому модель не рассчитана на последовательный многоходовый диалог; целевой настройки безопасности, достаточной для работы с уязвимыми пользователями, нет.

Карточка модели kyutai/helium-1-2b-books на Hugging Face совпадает с карточкой kyutai/helium-1-2b, поэтому описание составлено по ней. Helium-1-2B — базовая языковая модель Kyutai с архитектурой Llama и 1,9 млрд параметров, представленная в формате safetensors для библиотеки Transformers. Модель обучена на текстах на 24 официальных языках Европейского союза; её контекст составляет 4096 токенов. По карточке, модель дистиллирована из Gemma 2. Модель предназначена для генерации и понимания текста, а также для исследований и разработки систем NLP. Она не дообучена следовать инструкциям или предпочтениям людей, поэтому для прикладных сценариев обычно требуется дополнительное выравнивание, например supervised fine-tuning или RLHF. Компактный размер ориентирован на использование на устройствах с ограниченными ресурсами, включая мобильные и периферийные устройства. Модель может генерировать фактические ошибки, предвзятый, вредный или бесполезный текст; перед применением необходимы оценка и меры снижения рисков. Поддерживаются английский, болгарский, чешский, датский, немецкий, греческий, испанский, эстонский, финский, французский, ирландский, хорватский, венгерский, итальянский, литовский, латышский, мальтийский, нидерландский, польский, португальский, румынский, словацкий, словенский и шведский языки. Лицензия — CC-BY-SA 4.0; также действуют условия использования Gemma.

Карточка модели kyutai/helium-1-2b-wiki на Hugging Face совпадает с карточкой kyutai/helium-1-2b, поэтому описание составлено по ней. Helium-1-2B — базовая языковая модель Kyutai с архитектурой Llama и 1,9 млрд параметров, представленная в формате safetensors для библиотеки Transformers. Модель обучена на текстах на 24 официальных языках Европейского союза; её контекст составляет 4096 токенов. По карточке, модель дистиллирована из Gemma 2. Модель предназначена для генерации и понимания текста, а также для исследований и разработки систем NLP. Она не дообучена следовать инструкциям или предпочтениям людей, поэтому для прикладных сценариев обычно требуется дополнительное выравнивание, например supervised fine-tuning или RLHF. Компактный размер ориентирован на использование на устройствах с ограниченными ресурсами, включая мобильные и периферийные устройства. Модель может генерировать фактические ошибки, предвзятый, вредный или бесполезный текст; перед применением необходимы оценка и меры снижения рисков. Поддерживаются английский, болгарский, чешский, датский, немецкий, греческий, испанский, эстонский, финский, французский, ирландский, хорватский, венгерский, итальянский, литовский, латышский, мальтийский, нидерландский, польский, португальский, румынский, словацкий, словенский и шведский языки. Лицензия — CC-BY-SA 4.0; также действуют условия использования Gemma.

HRM-Text-1B — языковая модель Sapient Intelligence на архитектуре Hierarchical Reasoning Model (HRM), обученная с нуля на смеси общедоступных текстовых корпусов. В метаданных указано 553,6 млн параметров, контекст — 4096 токенов; модель использует плотную архитектуру и доступна в формате safetensors. HRM сочетает две рекуррентно работающие Transformer-стопки: высокоуровневую медленную и низкоуровневую быструю, что позволяет выполнять дополнительные шаги вычислений при фиксированном числе параметров. Модель предназначена как исходный чекпойнт для генерации текста и экспериментов с рассуждениями, математическими запросами, классификацией, извлечением информации, структурированными ответами и короткими вопросами и ответами. Она обучена на PrefixLM-цели с префиксными условиями, а не на диалогах и инструкциях. Для лучших результатов на прикладных NLP-задачах README рекомендует несколько примеров в контексте; для математических и открытых запросов — составное условие synth,cot. Чекпойнт ориентирован на английский язык. Это не готовый чат-ассистент: качество ответов неровное, особенно без примеров, и для ассистентских сценариев потребуется дополнительное дообучение и выравнивание. Обучение на коде не проводилось, поэтому возможности программирования ограничены; ответы также могут содержать ошибки, предвзятость или небезопасный контент. Лицензия — Apache-2.0.

Tencent HY-MT1.5-1.8B-GGUF — GGUF-версия модели перевода HY-MT1.5-1.8B, разработанной командой Tencent Hunyuan. Модель содержит 1,8 млрд параметров и предназначена для взаимного перевода между 33 языками, а также поддерживает 5 этнических и диалектных вариантов. Она ориентирована на высокую скорость и качество перевода, включая сценарии реального времени и развёртывание на периферийных устройствах после квантования. Модель подходит для машинного перевода общего назначения, терминологического вмешательства, контекстного и форматированного перевода. GGUF-вариант может использоваться с llama.cpp и Ollama; в README приведён пример квантования Q8_0. Заявляется производительность, лидирующая среди моделей сопоставимого размера, и качество, близкое к более крупной версии HY-MT1.5-7B. Поддерживаемые языки включают китайский, английский, французский, португальский, испанский, японский, турецкий, русский и другие языки из заявленного набора. README не указывает архитектуру базовой нейросети, размер контекстного окна, точный состав диалектов, результаты измерений, ограничения применения или лицензию. Поэтому эти характеристики нельзя надёжно определить по представленным данным; условия лицензирования требуют проверки в карточке модели или сопутствующих документах.

LLongMA-2-13b-storysummarizer — дообученная модель семейства LLaMA, созданная на основе conceptofmind/LLongMA-2-13b. Она предназначена для создания кратких пересказов и литературного анализа художественных произведений, включая анализ отдельных глав и сюжетных линий. В карточке приведены примеры пересказа и анализа текста романа. Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и работает с текстом. Размер контекстного окна — 8192 токена. Для обучения использовался адаптированный датасет BookSum; при инференсе предусмотрен пользовательский код для Flash Attention 2, ускоряющий обработку длинного контекста. Модель подходит для анализа художественной прозы, но её специализация не подтверждает качество на иных жанрах и задачах. Лицензия — Apache-2.0.

Nemotron-4-340B-Instruct-SafeTensors — текстовая языковая модель NVIDIA, опубликованная пользователем failspy. Это веса Nemotron-4-340B-Instruct, перенесённые из архитектуры NVIDIA NeMo в формат SafeTensors; автор репозитория предупреждает, что на момент публикации запуск инференса не поддерживается. Исходная модель дообучена на базе Nemotron-4-340B-Base с помощью SFT, DPO и RPO и предназначена для англоязычного чата и генерации синтетических данных для обучения и настройки языковых моделей. Модель использует авторегрессионный decoder-only Transformer с Grouped-Query Attention и RoPE, содержит 466,8 млрд параметров и рассчитана на контекст до 4096 токенов. В карточке описаны способности к следованию инструкциям, математическим рассуждениям и программированию; исходная модель обучалась на английских текстах, более чем 50 естественных языках и коде, но её основное назначение — английский язык. Для инференса в BF16 исходная карточка указывает на необходимость нескольких ускорителей H100, H200 или A100. Для репозитория указана лицензия other; README называет лицензию исходной модели NVIDIA Open Model License и сообщает о возможности коммерческого использования и создания производных моделей. Следует учитывать предупреждение автора о неподдерживаемом инференсе, а также риск неточных ответов, токсичных высказываний и усиления смещений из обучающих данных.

facebook/nllb-moe-54b — модель машинного перевода семейства NLLB-MoE, представленная командой NLLB в работе No Language Left Behind. Архитектура — смесь экспертов; в метаданных указано 2,1 млрд параметров, формат PyTorch и контекст до 1024 токенов. Модель предназначена для перевода между языками с указанием целевого языка через его код, например fra_Latn для французского. Модель обучалась с использованием Expert Output Masking; исследование NLLB-200 описывает методы обучения и работу с языками с разным объёмом ресурсов. Карточка указывает датасет FLORES-200 и поддержку множества языков. Для хранения чекпойнта требуется около 350 ГБ, поэтому для генерации может потребоваться Accelerate и достаточные системные ресурсы. Лицензия CC-BY-NC-4.0 ограничивает использование некоммерческими условиями.

bark07/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная языковая модель семейства Qwen3, разработанная bark07 и дообученная на основе NotoriousH2/Qwen3-0.6B-JSON-SFT. В репозитории указано обучение с использованием Unsloth и TRL. Модель предназначена для генерации текста в диалоговом формате; базовая модель ориентирована на извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний в JSON. Модель содержит 507,9 млн параметров, принимает текст и поддерживает контекст до 40 960 токенов. Доступна в формате safetensors, лицензия — Apache-2.0. Карточка не уточняет, насколько именно эта версия сохраняет специализацию базовой модели на корейских протоколах и структурированном JSON.

Qwen3.8-2B-Distill-heretic — текстовая чат-модель на архитектуре Qwen3.5-2B, созданная Empero как декензурированная версия Qwen3.8-2B-Distill с помощью Heretic. Исходная модель получена полнопараметрической дистилляцией модели-учителя Qwen3.8 2.4T A95B: для обучения использовали около 30 тысяч отобранных трасс рассуждений по математике, общему reasoning и следованию инструкциям. У модели около 2 млрд параметров и нативный контекст 262 144 токена; веса доступны в формате Safetensors и работают с Transformers и совместимыми рантаймами Qwen3.5. Модель предназначена для диалогов, решения математических задач, рассуждений и следования инструкциям, в том числе на устройствах с ограниченными ресурсами. Она поддерживает интерфейс вызова функций Qwen3.5. В README приводятся результаты сравнений с базовой Qwen3.5-2B на GSM8K и MMLU, а также снижение частоты отказов после декензурирования. Для этой версии указано 3 отказа из 100 проверок против 84 у исходной модели. Тонкая настройка выполнена на текстовых данных; поведение с изображениями унаследовано от мультимодальной базы, но не оценивалось. Размер 2B ограничивает фактический запас знаний и способность решать особенно трудные многошаговые задачи; при длинной генерации возможны циклы повторов. Модель распространяется по лицензии Apache-2.0; авторы предоставляют веса «как есть» для исследований и экспериментов.

Qwen3-8B-LOPD — языковая модель на базе Qwen3-8B, дообученная методом Latent On-Policy Self-Distillation (LOPD) для сценариев агентного использования инструментов. Она предназначена для диалоговой генерации текста и вызова инструментов в агентных системах. Модель имеет плотную архитектуру Qwen3ForCausalLM и содержит 7,6 млрд параметров; заявленный контекст — 40 960 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Модель унаследовала от Qwen3-8B многоязычные возможности, включая генерацию текста, рассуждения, следование инструкциям и работу с кодом. Опубликована под лицензией Apache-2.0. README не приводит результатов оценки качества, списка поддерживаемых инструментов или подробностей о языках, на которых проверялось агентное поведение.

duytran3112/whisper-sm-vivos — дообученная модель распознавания речи на базе openai/whisper-small, опубликованная на Hugging Face. Она предназначена для преобразования аудио в текст; карточка сообщает о дообучении на наборе данных, название которого указано как None. Модель построена на архитектуре Whisper, содержит 153,1 млн параметров и принимает аудио, выдавая текст. В оценке на тестовом наборе указаны Loss 0,2370 и WER 54,8563; высокий WER может ограничивать точность транскрибирования. Лицензия — Apache-2.0.

ihanif/whisper-turbo-ar-v2 — дообученная модель распознавания речи на основе openai/whisper-large-v3-turbo, созданная Hanif Rahman. Она предназначена для преобразования аудио в текст; обучение проводилось на наборе Common Voice 17.0. В карточке приведены результаты оценки: WER 39,2011 и орфографический WER 39,8068. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и распространяется в формате safetensors для Transformers. Лицензия — MIT. В карточке нет сведений о целевом языке или специальной области применения; суффикс ar в имени репозитория сам по себе этого не подтверждает.

TurkuNLP/bert-base-finnish-uncased-v1 — финская версия BERT Base с архитектурой BertForMaskedLM, разработанная TurkuNLP и обученная с нуля на финских текстах. Модель содержит 151,7 млн параметров, использует словарь из 50 000 WordPiece-токенов с улучшенным покрытием финской лексики и принимает последовательности длиной до 512 токенов. Предварительное обучение выполнено в течение 1 млн шагов на более чем 3 млрд токенов финских новостей, интернет-обсуждений и веб-данных. Модель предназначена для заполнения пропусков в тексте и может служить основой для дообучения под классификацию документов, распознавание именованных сущностей, разметку частей речи и другие задачи обработки финского языка. В README приведены результаты, превосходящие multilingual BERT на нескольких финских наборах данных. Для запуска доступны веса в PyTorch, TensorFlow и Flax, включая формат safetensors. Лицензия в предоставленных данных не указана.

ctyau подготовил CoreML-версию Cohere Transcribe 2B с квантованием весов до INT8 (W8A16) для распознавания речи на устройствах Apple. Модель предназначена для преобразования аудио в текст и запуска на Apple Silicon и мобильных устройствах Apple; в README описано разделение на Conformer-энкодер и Transformer-декодер с выполнением энкодера на Apple Neural Engine и использованием GPU и Metal для декодирования. По метаданным, модель содержит 151 млн параметров и рассчитана на английский язык; лицензия CC BY-NC 4.0 ограничивает коммерческое использование. README приводит замеры на Apple M5 для аудиозаписи длительностью около 15 минут: INT8-вариант обработал её за 14,837 секунды. Эти показатели относятся к указанной конфигурации и не гарантируют такой же скорости на других устройствах. Модель основана на CohereForAI/c4ai-transcribe-2b и поставляется в формате CoreML.

CompassJudger-1-7B-Instruct — разработанная OpenCompass модель-судья на базе Qwen2.5-7B-Instruct с 7,1 млрд параметров. Это плотная авторегрессионная языковая модель семейства Qwen2, предназначенная для оценки ответов и моделей по инструкциям пользователя. Модель поддерживает выставление оценок, попарное сравнение, подробную критику и отзывы в заданном формате. Её можно применять для автоматической оценки ответов на субъективных наборах данных и как универсальную инструктивную модель для диалогов и повседневных задач. Контекст — до 32 768 токенов; README также отмечает возможность ускоренного инференса через vLLM и LMDeploy. Модель принимает и генерирует текст. Языки в карточке не перечислены. Лицензия — Apache-2.0. Оценки модели-судьи могут зависеть от формулировки критериев и смещений при автоматической оценке; README не приводит конкретных ограничений качества.

DeltaP2S-Qwen2.5-14B-DeltaP2S-Code-S13 — объединённый чекпойнт Qwen2.5, созданный экспериментальным пакетом Delta-P2S с учётом архитектуры Qwen. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 14 млрд параметров и рассчитана на контекст до 131 072 токенов. Репозиторий предоставляет веса в формате Safetensors для Transformers. Модель предназначена для генерации текста в диалоговом режиме. Суффикс Code в названии указывает на кодовую направленность чекпойнта, однако README не описывает конкретные задачи, обучение или проверенные возможности в программировании. Лицензия в предоставленных данных не указана.

Extended-Mind-Mpt-7b-chat — модель генерации текста, разработанная Normal Computing на основе архитектуры и кода Mosaic ML. Она сохраняет исходные веса MPT-7B без дообучения и добавляет механизм внешней памяти: во время генерации модель извлекает и использует переданные ей текстовые воспоминания в виде последовательностей token ID. Это позволяет дополнять контекст диалога внешними сведениями и обновлять набор памяти между запросами. Модель предназначена для генерации ответов с опорой на внешний кэш ключей и значений; память можно передавать вручную или связывать с векторной базой данных. Качество представлений памяти зависит от stride при построении кэша: меньший шаг требует больше вычислений. Для загрузки требуется библиотека Transformers и параметр trust_remote_code=True. Модель распространяется по лицензии Apache 2.0; авторы отмечают, что это часть продолжающегося исследования Normal Computing.

Карточка модели tepirale/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-assistant-safetensors-yuxinlu1 на Hugging Face совпадает с карточкой tepirale/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-safetensors-yuxinlu1, поэтому описание составлено по ней. Это версия Gemma 4 12B в формате SafeTensors, опубликованная пользователем tepirale. Согласно карточке, веса преобразованы из GGUF в SafeTensors; метаданные связывают модель с yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-GGUF и классифицируют её как дообученную производную. Модель предназначена для диалоговых сценариев с изображениями; теги также указывают на агентное использование, работу с инструментами и кодом. Архитектура — плотная Gemma4UnifiedForConditionalGeneration, размер семейства — 12B по идентификатору модели. Карточка указывает поддержку изображений и текста, а лицензия в метаданных — Apache-2.0. README сообщает о конверсии формата, но не описывает методику преобразования или проверку сохранности поведения; сведений о контекстном окне и поддерживаемых естественных языках в предоставленных данных нет.

Hunyuan-MT-7B — языковая модель перевода от Tencent, построенная на плотной архитектуре Hunyuan v1 и содержащая 7,5 млрд параметров. Она предназначена для перевода текста между 33 языками, в том числе пятью языками национальных меньшинств Китая. В соревновании WMT25 модель заняла первое место в 30 из 31 языковых категорий, в которых участвовала. Модель принимает текстовые запросы в формате чата и генерирует перевод; для репозитория указаны Transformers и контекст длиной 32 768 токенов. README описывает также отдельную ансамблевую модель Hunyuan-MT-Chimera, но эта карточка относится к Hunyuan-MT-7B. В README приведён пример использования через Transformers, однако условия лицензии в предоставленных данных не описаны.

unsloth/Hy-MT2-7B-GGUF — GGUF-квантизированная версия мультиязычной модели перевода Hy-MT2-7B, разработанной Tencent. Модель предназначена для быстрого машинного перевода в реальных, деловых, специализированных и инструкционно-ориентированных сценариях, а также для локального запуска через llama.cpp. Она поддерживает перевод между 33 языками, включая китайский, английский, русский, французский, немецкий, испанский, японский, корейский, арабский, турецкий, португальский, итальянский, вьетнамский, хинди и другие языки, перечисленные в карточке модели. Модель относится к семейству Hy-MT2 и имеет размер 7B; точные сведения об архитектуре, размере контекста и формате конкретной квантизации в README не указаны. По заявлению разработчиков, Hy-MT2-7B демонстрирует высокое качество в режиме fast-thinking и превосходит некоторые открытые модели в различных тестах перевода. GGUF-формат упрощает запуск на совместимом локальном оборудовании, однако квантизация может влиять на качество по сравнению с полной точностью, а требования к памяти и скорость зависят от выбранного варианта GGUF и конфигурации. Модель распространяется по лицензии Apache-2.0.

Intern-S1-Pro — мультимодальная научно-ориентированная модель рассуждений, разработанная командой InternLM. Она предназначена для сложных задач AI4Science, включая химию, материаловедение, науки о жизни и науки о Земле, а также для общих текстовых и мультимодальных сценариев. Модель поддерживает работу с изображениями и текстом и заявлена как обеспечивающая результаты, сопоставимые с ведущими закрытыми моделями на ряде научных и общих тестов. Модель построена по архитектуре Mixture of Experts (MoE) и имеет около 1 трлн общих параметров, 512 экспертов и 8 активируемых экспертов на каждый токен, то есть примерно 22 млрд активных параметров. Для маршрутизации используются STE и grouped routing, предназначенные для эффективного обучения, стабильной сходимости и балансировки параллельной работы экспертов. Fourier Position Encoding (FoPE) и улучшенное моделирование временных рядов позволяют обрабатывать длинные неоднородные последовательности размером от 10⁰ до 10⁶ точек. Сильные стороны модели — научное reasoning, широкие мультимодальные возможности и поддержка временных рядов с большим диапазоном длин. К ограничениям относятся крайне большие вычислительные требования: запуск через стандартный forward-метод Hugging Face затруднён, поэтому рекомендуется размещение через LMDeploy, vLLM или SGLang и доступ по API. README не указывает точный набор поддерживаемых языков и размер контекстного окна. Модель распространяется по лицензии Apache-2.0.

Карточка модели sureshnam9/Llama-4-Maverick-17B-128E-Instruct-FP8 на Hugging Face совпадает с карточкой meta-llama/Llama-4-Maverick-17B-128E-Instruct, поэтому описание составлено по ней. Llama 4 Maverick Instruct — мультимодальная модель Meta для диалогов и задач понимания изображений. Это авторегрессионная модель с архитектурой смеси экспертов (MoE) и ранним объединением модальностей; в варианте Maverick используются 17 млрд параметров и 128 экспертов. Модель предназначена для чат-ассистентов и визуальных задач: распознавания и анализа изображений, составления описаний и ответов на вопросы по изображению. Она поддерживает арабский, немецкий, английский, испанский, французский, хинди, индонезийский, итальянский, португальский, тайский, тагальский и вьетнамский языки. Проверено понимание до пяти входных изображений; для большего числа изображений требуется дополнительная проверка в конкретном приложении. Модель разработала Meta. Репозиторий содержит дообученную версию базовой Llama 4 Maverick, распространяемую в формате Safetensors. Использование регулируется пользовательской коммерческой лицензией Llama 4 Community License и Acceptable Use Policy.