I.5Создание и редактирование текста

techwithsergiu/Qwen3.5-text-9B — производная текстовая модель семейства Qwen3.5, подготовленная автором techwithsergiu на основе Qwen/Qwen3.5-9B. Это плотная причинная языковая модель для генерации текста и диалога с архитектурой Qwen3_5ForCausalLM и 7,2 млрд параметров. Контекстное окно составляет 262 144 токена; веса текстовой части сохранены в формате bfloat16 без переобучения и изменений. Из модели удалена визуальная часть исходной мультимодальной модели, включая энкодер изображений и обработку видео. Модель предназначена главным образом как промежуточный артефакт для конвертации в GGUF или объединения с результатами LoRA-обучения на CPU; для прямого дообучения автор рекомендует отдельную 4-битную версию. Метаданные указывают возможности чата и интерфейс вызова инструментов, но модель не принимает изображения и видео. Модель распространяется по лицензии Apache-2.0. Она сохраняет текстовые веса базовой модели, однако README описывает её как промежуточный артефакт, а не как целевую модель для непосредственного обучения.

Это порт мультимодальной модели Qwen/Qwen3-VL-2B-Instruct в формат Core ML, подготовленный mlboydaisuke для запуска на устройствах Apple. Он принимает текстовые запросы и изображения и формирует текстовые ответы; рассчитан на локальный запуск на iOS 18+ и macOS 15+, включая ускорение на Apple Neural Engine. Модель включает 28-слойную текстовую основу с GQA и визуальный ViT-энкодер; изображения обрабатываются при их наличии в запросе, с фиксированным размером 448×448. Визуальные признаки DeepStack передаются в текстовые слои. Репозиторий содержит INT8-модель, разделённую на Core ML-компоненты. Для работы нужны токенизатор и процессор базовой модели, которые следует получать отдельно. Эта версия использует рекуррентный путь и сохранена для совместимости; автор рекомендует для новых проектов stateful-вариант, которому приписывает меньший расход памяти и более быстрое декодирование. Лицензия — Apache-2.0. Базовая модель поддерживает диалог и анализ изображений и видео, включая OCR, пространственное рассуждение и работу с визуальными интерфейсами; README этой версии описывает текст и изображения.

Re3Cap-CIM-Qwen2.5-VL-7B — мультимодальная модель на базе Qwen2.5-VL-7B-Instruct, дообученная методом GRPO с наградой Cross-modal Identity Mapping (CIM) и стратегией Re³Cap. Её разработчики представляют её в работе EMNLP 2026 Main. Модель предназначена для генерации и уточнения подписей к изображениям. Стратегия Re³Cap использует Caption Refinement Suggester и Caption Quality Assessor, чтобы находить галлюцинации и пропуски в подписи и получать более точные и подробные описания; дополнительной разметки для этого подхода не требуется. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Доступна в формате safetensors по лицензии Apache-2.0. Модель принимает изображения и текстовые инструкции и генерирует текстовые подписи. Карточка описывает её как специализированную для captioning, поэтому качество на других визуальных задачах не подтверждено.

T5-Efficient-MINI — англоязычный предварительно обученный вариант архитектуры T5 от Google, выпущенный вместе с исследованием Scale Efficiently: Insights from Pre-training and Fine-tuning Transformers. Это плотная encoder-decoder модель типа text-to-text с глубокой и узкой конфигурацией; в карточке Hugging Face указано 20,6 млн параметров, а README приводит для варианта Mini 31,23 млн. Контекст составляет 512 токенов. Веса доступны в форматах PyTorch, TensorFlow и Flax; лицензия — Apache-2.0. Модель обучена на английском корпусе C4 в течение 524 288 шагов с целью masked language modeling по фрагментам текста. Она предназначена как основа для дообучения под задачи суммаризации, ответов на вопросы и классификации текста. Для практического применения checkpoint необходимо дообучить; готовых результатов downstream-оценки в README нет. Модель рассчитана на английский язык и не подходит для других языков согласно карточке.

Translate Gemma 4 Sub E4B — мультимодальная модель Google Gemma 4 E4B Instruct, дообученная автором репозитория для обычного перевода и перевода субтитров с учётом контекста предыдущих реплик. Она предназначена прежде всего для потоковой и разговорной речи: может учитывать предыдущие исходные и переведённые сегменты, стиль, сведения о говорящих, терминологию и глоссарии. Модель стремится сохранять смысл, тон, сленг, повторы, неопределённость и незавершённые фразы. Это плотная модель семейства Gemma 4 с поддержкой текста и изображений; в карточке указаны возможности диалога и vision. Переводная настройка охватывает 11 языков: английский, русский, испанский, немецкий и японский отнесены к наиболее освоенным, французский, португальский, китайский, нидерландский, итальянский и корейский — к следующей группе. Для других языков Gemma 4 качество перевода специально не оценивалось. В README приведены результаты сравнительной оценки, но они не гарантируют качество для каждого направления и сценария. Лицензия — Apache-2.0.

Werea-TR-TextRestore — турецкая модель для восстановления диакритических знаков в тексте, записанном ASCII-символами. Она дообучена разработчиками Werea на базе google/mt5-small и предназначена для преобразования турецких фраз, например восстановления букв и апострофов в именах и географических названиях. Модель построена на архитектуре mT5 и содержит 157,4 млн параметров. README сообщает о тестировании на отложенной выборке реальных новостных предложений TR-News и точности на уровне слов 96,5%. Для запуска через Transformers используется задача text2text-generation и префикс «şapka: ». Модель опубликована в формате safetensors под лицензией MIT.

AIArchiveInfo/academic-ds-9B — неизменённая архивная копия модели ByteDance-Seed/academic-ds-9B, сохранённая AIArchive. По README, оригинальная модель разработана ByteDance-Seed и обучена с нуля на более чем 350 млрд токенов из полностью открытых англоязычных наборов данных; копия не обучалась и не изменялась. Архитектура — плотная DeepSeek V3 для генерации текста, в том числе диалогового. Модель содержит 1,6 млрд параметров по метаданным каталога и поддерживает контекст длиной 8192 токена. Модель предназначена для разработки и отладки в сообществе открытого исходного кода. Метаданные указывают на чат-возможности и интерфейс вызова инструментов; практическое качество этих возможностей отдельно не описано. README характеризует модель как англоязычную. Использование регулируется лицензией Apache-2.0, указанной для копии и оригинала.

ChatGPT-2.V2 — разговорная языковая модель, созданная дообучением MBZUAI/LaMini-GPT-774M. Она основана на плотной архитектуре GPT-2 и предназначена для генерации ответов в чат-ботах и многоходовых диалогах. Модель обучалась на публичных разговорных и отобранных для интерактивного общения наборах данных; заявленная длина контекста — до 1024 токенов. Модель рассчитана на текстовый ввод и генерацию текста. Карточка описывает её как универсальную для обычных диалогов, но предупреждает о возможных ошибках в узкоспециализированных темах и потере контекста в длинных разговорах. Указано, что модель не проходила дополнительное выравнивание предпочтений, например DPO, поэтому её ответы не гарантируют соответствия человеческим предпочтениям или этическим нормам. Лицензия — Apache-2.0.

Hy-MT2-1.8B — плотная мультиязычная модель перевода от Tencent Hy, построенная на архитектуре Hunyuan Dense V1 и содержащая 1,8 млрд параметров. Она предназначена для перевода между 33 языками, включая выполнение многоязычных инструкций по переводу и сценарии с деловым и предметным текстом. Модель работает с текстом; в метаданных указан контекст длиной до 262 144 токенов. Для запуска поддерживаются Transformers, vLLM и SGLang. Лёгкий вариант 1.8B рассчитан на сценарии, где важны компактность и скорость; для развёртывания на устройствах README описывает отдельную экстремальную квантизацию AngelSlim до 440 МБ, но это не формат данного репозитория. В карточке сообщается о результатах на общих, деловых, предметных и инструктивных переводческих задачах, однако конкретные сравнительные оценки здесь не приведены. Модель опубликована под лицензией Apache-2.0.

LMT-60-0.6B — модель машинного перевода от команды NiuTrans, дообученная на базе NiuTrans/LMT-60-0.6B-Base. Она относится к плотной архитектуре Qwen3ForCausalLM, содержит около 507,9 млн параметров и принимает контекст до 32 768 токенов. Модель входит в семейство LMT-60, обученное на 90 млрд токенов; семейство рассчитано на перевод между 60 языками в 234 направлениях с особым вниманием к китайскому и английскому языкам. Модель предназначена для многоязычного перевода текстов, включая языки с высоким, средним и низким объёмом ресурсов. Её можно использовать для перевода документов, сообщений и пользовательского контента между поддерживаемыми языками. Карточка заявляет конкурентное качество среди моделей с сопоставимым языковым охватом, но не приводит здесь конкретных метрик для этого чекпойнта. Выпущена под лицензией Apache-2.0.

MADLAD-400-7B-MT — многоязычная модель машинного перевода на архитектуре T5, опубликованная в виде конвертации исходных весов Juarez Bochi; исследовательская разработка MADLAD-400 обучалась на 250 млрд токенов общедоступных данных для более чем 450 языков. Репозиторий содержит модель с 3,3 млрд параметров в форматах Safetensors и GGUF; она рассчитана на перевод и многоязычные NLP-задачи. Контекст составляет 512 токенов. Модель предназначена для перевода между языками, включая языки, недостаточно представленные в крупных корпусах. В карточке отмечена конкурентоспособность с существенно более крупными моделями, однако качество различается по языкам и может меняться в зависимости от предметной области. Оценка охватила только часть поддерживаемых языков, а модель не проверялась для производственного применения и не предназначена для специализированных областей без дополнительной адаптации. Обучающие веб-данные могут приводить к низкокачественным, предвзятым или токсичным ответам. Лицензия — Apache 2.0.

MFANN3bv0.4 — экспериментальная языковая модель семейства Phi примерно на 3,5 млрд параметров, разработанная автором репозитория netcat420. Это вариант MFANNv0.5, дообученный на датасете MFANN; автор описывает работу как эксперимент с пошаговыми рассуждениями. Модель предназначена для генерации текста и классификации текста. В карточке приведены результаты бенчмарков ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K. Модель построена на плотной архитектуре PhiForCausalLM, использует библиотеку Transformers и формат весов safetensors. Контекст составляет 2048 токенов. Лицензия — Apache-2.0. Датасет MFANN, по словам автора, находится в разработке; качество и надёжность пошаговых рассуждений могут быть ограничены экспериментальным характером модели.

EViSE, ранее выпущенная под именем MultiEvalSumViet2, — компактная модель для оценки качества вьетнамских кратких изложений, разработанная авторами исследования о суммаризации на вьетнамском языке. Она получает исходный документ и кандидатное резюме и оценивает их по трём критериям: фактическая обоснованность, связность и релевантность. Результаты выдаются отдельными оценками от 0 до 1; при необходимости их можно преобразовать в шкалу от 1 до 5. Модель основана на ViDeBERTa и использует cross-encoder: документ и резюме кодируются совместно, а общая обработка подаёт представление на три критериальные головы. Это позволяет получить оценки одним локальным непорождающим проходом, без эталонного резюме на этапе применения. Модель содержит 211,6 млн параметров, принимает текстовые пары и поддерживает контекст до 512 токенов. Она предназначена для оценки вьетнамских резюме, фильтрации данных, построения предпочтений и использования как замороженный компонент оценки или вознаграждения. Модель обучалась преимущественно на вьетнамских новостях; проверка на техническом образовательном материале не подтверждает устойчивость к жанрам в целом. Перенос методики на другие языки не означает, что данный чекпойнт проверен для них. Оценки не следует использовать как единственный сигнал при оптимизации вознаграждения или фильтрации. Репозиторий распространяется по лицензии Apache-2.0.

Это квантованная версия NLLB-200 distilled 600M, подготовленная в формате CTranslate2 int8 для машинного перевода. В основе — модель facebook/nllb-200-distilled-600M с 600 млн параметров, рассчитанная на перевод между 202 языками, включая языки с ограниченными ресурсами. Входной текст передаётся с кодом исходного языка, а целевой язык задаётся при декодировании. В README приведены результаты проверки на FLORES-200 devtest для переводов между индонезийским, вьетнамским, английским и русским; измерения выполнены на CPU с beam search шириной 4. Модель подходит для локального перевода отдельных текстов и интеграции в приложения на CTranslate2. Лицензия CC-BY-NC-4.0 разрешает использование только на некоммерческих условиях.

Это 8-битная версия модели NLLB-200 Distilled 600M, подготовленная пользователем osa911 для запуска через CTranslate2 на основе facebook/nllb-200-distilled-600M от Meta AI. Она предназначена для перевода между языками и использует токенизатор SentencePiece BPE. В репозитории указаны файлы модели CTranslate2 и общий словарь. Базовая NLLB-200 предназначена для перевода отдельных предложений между 200 языками, включая языки с ограниченными ресурсами. Квантизация INT8 уменьшает размер файла модели примерно до 591 МБ. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Prompsit разработала эту модель для оценки того, является ли одна английская фраза перефразированием другой. Это модель классификации последовательностей на архитектуре BERT, дообученная на базе bert-base-uncased; в репозитории доступны веса PyTorch и Safetensors. Модель рассчитана на пары фраз, а не на длинные тексты или предложения с пунктуацией, и поддерживает контекст до 512 токенов. В README сообщается о проверке на 16 500 размеченных человеком парах фраз. Сведения о лицензии в предоставленных материалах отсутствуют.

Модель Immich — контрольная точка BigBird-Pegasus для суммаризации диалогов и встреч. Она обучена на подходящей части AMI Meeting Corpus с seed 42 и предназначена для создания краткого содержания полной встречи либо для иерархического конвейера сегментации, извлечения и генерации. Архитектура — BigBird-Pegasus для последовательной генерации текста; модель содержит 366,8 млн параметров и поддерживает контекст до 4096 токенов. Модель ориентирована на англоязычные записи встреч AMI. Лицензия — MIT. Карточка описывает обученную контрольную точку, но не приводит метрик качества или подробностей поведения при обработке длинных и шумных диалогов.

PLaMo 3 NICT 8B Base — базовая языковая модель на 8 млрд параметров, разработанная Preferred Networks совместно с Национальным институтом информационных и коммуникационных технологий Японии (NICT). Это авторегрессионная архитектура decoder-only с сочетанием слоёв Sliding Window Attention и обычного Attention. Модель предварительно обучена на английских и японских текстах и коде; в обучении использовано 800 млрд токенов. Модель предназначена для генерации продолжения текста и служит основой для дальнейшей адаптации под диалоговые и другие прикладные задачи. Она не проходила instruction tuning, поэтому сама по себе не настроена на чат-диалог или следование инструкциям. Для запуска предусмотрена поддержка Transformers и плагин vLLM. Модель выпущена по лицензии PLaMo Community License. Для коммерческого использования разработчик просит ознакомиться с лицензией и связаться с ним. Возможны неточные, предвзятые или нежелательные ответы; перед внедрением модель следует проверить и адаптировать для конкретного сценария.

prometheus-2-llama-3-8b — языковая модель для диалоговой генерации текста, созданная как репликация prometheus-7b-v2.0 на базе Llama 3 8B Instruct. Веса получены слиянием с равными коэффициентами двух моделей, отдельно обученных на наборах Preference-Collection и Feedback-Collection. Модель предназначена для диалоговых сценариев генерации и оценки ответов по предпочтениям и обратной связи. Это плотная авторегрессионная архитектура Llama с 7,5 млрд параметров и контекстом 8192 токена; она принимает текст и выдаёт текст. В карточке указаны английский язык и формат Transformers safetensors. Обучение описано как один этап длительностью одну эпоху с эффективным размером пакета 128, learning rate 1e-5, косинусным расписанием и примерно 5% warmup. Модель распространяется по лицензии Apache-2.0.

Карточка модели Bongoosus/Qwen2.5-1.5B на Hugging Face совпадает с карточкой Qwen/Qwen2.5-1.5B, поэтому описание составлено по ней. Qwen2.5-1.5B — базовая языковая модель компании Qwen, обученная на этапе предобучения. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров: 28 слоёв, RoPE, SwiGLU, RMSNorm и группированное внимание. Репозиторий содержит веса в формате safetensors, модель рассчитана на запуск через Transformers. Модель предназначена для дальнейшего дообучения и генерации текста. Семейство Qwen2.5 поддерживает следование инструкциям, код, математику, структурированные данные и более 29 языков, включая русский, однако этот чекпойнт является базовым: разработчик не рекомендует использовать его непосредственно для диалогов. В README для этого варианта указан контекст 32 768 токенов; метаданные каталога указывают 131 072 токена, поэтому длина контекста в источниках расходится. Модель может служить компактной основой для экспериментов, адаптации под предметную область и разработки генеративных приложений. Лицензия Apache-2.0 допускает широкое использование и модификацию при соблюдении её условий. Для работы рекомендуется актуальная версия Transformers.

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.

Xirui1208/readall-readtwice-step5-20260921 — контрольный чекпойнт Qwen2, разработанный в рамках обучения ReadAll / ReadTwice с обучением с подкреплением. Это плотная авторегрессионная модель генерации текста на 7,1 млрд параметров с контекстом 32 768 токенов; репозиторий содержит веса BF16 в формате Safetensors и конфигурацию для Transformers. Модель предназначена для диалога и ответов на вопросы по длинным документам. В оценке HQA на входе длиной 224 тыс. токенов она использовалась вместе с соответствующим рекуррентным конвейером ReadTwice: документ обрабатывается частями и несколькими последовательными вызовами, а не одним запросом к модели. README также приводит оценку на LongBench QA. На фиксированном наборе HQA модель получила 57,81% exact match, 73,19% F1 и 75,78% bidirectional SubEM; по сравнению с исходным чекпойнтом step36 приросты невелики. Эти результаты не подтверждают устойчивое улучшение на новых данных. Для сопоставления при оценке README рекомендует жадное декодирование с отключённой выборкой. Репозиторий публичный; лицензия в предоставленных данных не указана.

SenseNova-U1-8B-MoT-SFT — мультимодальная модель SenseNova, обученная для совместного понимания, рассуждения и генерации текста и изображений. Она построена на плотной архитектуре NEO-unify с MoT и содержит 8 млрд параметров. Модель принимает изображения и текст, поддерживает визуальное понимание, редактирование и генерацию изображений, а также создание чередующихся фрагментов текста и изображений в одном ответе. Модель предназначена для диалоговых сценариев, где нужно описывать или анализировать изображения, отвечать на вопросы по визуальному содержимому, редактировать изображения по текстовому запросу и создавать насыщенные информацией визуальные материалы. В README заявлена поддержка английского и китайского языков; веса доступны в формате safetensors. Лицензия — Apache 2.0. Это SFT-чекпойнт серии SenseNova-U1. В README также говорится, что финальные модели серии после этапов унифицированного обучения проходят начальный раунд обучения с подкреплением для генерации текста в изображение; не утверждается, что этот SFT-чекпойнт содержит этот этап. Показанный пример запуска редактирования использует репозиторий SenseNova-U1-8B-MoT, поэтому параметры контекста и отдельные характеристики именно варианта SFT не приведены. Опубликованные сведения не позволяют оценить ограничения качества на конкретных задачах.

Shivik-1.7B-Phase1-General — языковая модель серии Shivik, разработанная автором репозитория и дообученная методом LoRA на архитектуре, основанной на Llama 3.2 1B. Модель содержит около 1,7 млрд параметров и рассчитана на генерацию ответов с рассуждениями, общие вопросы, базовые математические задачи, объяснение кода и учебные материалы. Обучение первой фазы включало 80 тысяч примеров из общих, образовательных, медицинских, инженерных и программных источников. Модель принимает текст и генерирует текст. В карточке указана поддержка английского языка; заявленная длина контекста — 131 072 токена. Модель может формировать структурированные рассуждения, однако формат цепочки рассуждений непоследователен и может требовать явной инструкции в запросе. Автор отмечает, что это ранняя фаза обучения, не предназначенная для производственных приложений с требованиями к строгому формату или безопасности. Лицензия — Apache-2.0.

vinoth322006/vibethinker-toolcall-3b-merged — дообученная модель на архитектуре Qwen2 с 3,1 млрд параметров, созданная на основе WeiboAI/VibeThinker-3B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста в диалоге и работы с интерфейсом вызова инструментов; базовая модель ориентирована на математические задачи, соревновательное программирование и STEM-рассуждения. Модель принимает текст и выдаёт текст, включая ответы и вызовы инструментов в поддерживаемом формате. Контекстное окно — до 131 072 токенов; в метаданных указан английский язык. Распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не описывает отдельные методы обучения вызову инструментов или результаты оценки качества именно этой версии. Возможности вызова инструментов зависят от совместимого формата сообщений и программной обвязки; профиль базовой модели не гарантирует качество на всех задачах.

Модель mazhar00968/wav2vec2-base-scl-common-voice — дообученная версия facebook/wav2vec2-base для автоматического распознавания речи. Она использует архитектуру Wav2Vec2ForCTC и содержит 113,3 млн параметров. Модель принимает аудио и выдаёт распознанный текст. В карточке приведены результаты оценки: loss 1,7258 и WER 0,8720. Описание данных для обучения и целевых сценариев в README не раскрыто, поэтому качество распознавания для конкретных языков и условий записи по этим сведениям оценить нельзя. Модель распространяется по лицензии Apache-2.0.

xLAM-8x22b-r-IMat-GGUF — GGUF-квантизированная версия модели Salesforce/xLAM-8x22b-r, подготовленная пользователем legraphista с использованием llama.cpp и IMatrix-калибровки. Исходная модель имеет формат BF16; в репозитории доступны варианты от BF16 и FP16 до низкобитных Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K, включая варианты с IMatrix. Файлы распространяются в разделённом виде и предназначены для запуска в совместимой инфраструктуре, например llama.cpp. Модель ориентирована на задачи function calling, tool use и работу в LLM-агентах: она может применяться в сценариях, где языковая модель должна выбирать и вызывать внешние инструменты или функции. В метаданных указаны английский язык и текстовая генерация; мультимодальность и поддерживаемый размер контекста не заявлены. Архитектурные сведения ограничены указанием на исходную модель и тегом mistral, поэтому точные параметры и устройство модели по README определить нельзя. Ключевое преимущество — широкий выбор уровней квантизации, позволяющий выбирать компромисс между размером файлов, требованиями к ресурсам и сохранением качества; для вариантов Q4_K и ниже заявлено использование IMatrix. Ограничения включают очень большой размер файлов: от 48,10 ГБ для Q2_K_S до 281,27 ГБ для BF16/FP16, а также необходимость совместимого ПО и аппаратных ресурсов. Модель распространяется по лицензии CC BY-NC 4.0; доступ к репозиторию требует подтверждения условий лицензии.

XLM-R Longformer, или XLM-Long, — мультиязычная модель на архитектуре XLM-RoBERTa с механизмом Longformer, разработанная в рамках магистерского проекта в Peltarion. Её дообучили от чекпойнта XLM-RoBERTa по схеме предварительного обучения Longformer на английском корпусе WikiText-103. Модель содержит 305,2 млн параметров и рассчитана на последовательности до 4098 токенов; основной сценарий из карточки Hugging Face — заполнение пропусков в тексте. Увеличенное окно контекста предназначено для экспериментов с эффективными трансформерами и последующей адаптации к задачам на длинных последовательностях, включая многоязычный вопросно-ответный поиск. В README также упоминается дообучение для задач вопросно-ответного типа. Модель поддерживает мультиязычные тексты, но предварительно обучалась на англоязычном WikiText-103, поэтому качество для отдельных языков может различаться. Для обучения авторы рекомендуют крупный GPU, NVIDIA Apex, точность 16 бит и накопление градиентов. Лицензия — Apache-2.0.

ALINEAR/albert-japanese-v2 — японская языковая модель семейства ALBERT, разработанная ALINEAR Corporation и опубликованная на Hugging Face. Модель предназначена для задач заполнения пропусков в японском тексте и может использоваться как базовая модель для последующего дообучения на задачах классификации, извлечения признаков и других задачах обработки японского языка. Модель реализована на архитектуре ALBERT, поддерживает библиотеку Transformers и имеет около 137,8 млн параметров. Максимальная длина контекста составляет 512 токенов. Основная модальность — текст, задача задаётся через pipeline fill-mask. В найденных источниках сведения о лицензии отсутствуют.

AlexandriaX-2026 — дообученная NAMAA Community модель mT5-large для перевода диалогов с английского на разговорный арабский. Целевой диалект задаётся текстовым префиксом; модель обучена на распределении по странам с температурной балансировкой и охватывает 13 разновидностей арабского языка. Модель основана на google/mt5-large с архитектурой encoder-decoder T5 и содержит 608,4 млн параметров. Подходит для перевода англоязычных диалогов на заданный арабский диалект. Выпущена в формате safetensors под лицензией Apache-2.0. В README указано использовать bf16 или fp32: fp16 может приводить к переполнению и NaN.