I.5Создание и редактирование текста

InternLM-XComposer2.5-Chat — мультимодальная чат-модель, разработанная командой InternLM и дообученная на базе internlm/internlm-xcomposer2d5-7b. Она предназначена для диалога с пользователем, выполнения мультимодальных инструкций и ответов на открытые вопросы по изображениям. Модель содержит 7,4 млрд параметров, использует плотную архитектуру InternLM2 и поддерживает контекст до 24 576 токенов. Модель принимает текст и изображения и выдаёт текстовые ответы; в карточке заявлены улучшенное следование мультимодальным инструкциям и открытый диалог. Для загрузки через Transformers README указывает PyTorch и `trust_remote_code=True`; для экономии памяти рекомендуется bfloat16. Лицензия указана как `other`, поэтому конкретные условия использования следует сверить с лицензией репозитория.

ewof/koishi-7b-qlora — языковая модель для генерации текста, разработанная на основе Mistral-7B-v0.1. Её дообучили методом LoRA ранга 16 на наборе ewof/koishi-instruct-metharme в течение одной эпохи, после чего адаптер объединили с базовой моделью. Для обучения использовался Axolotl; веса опубликованы в формате PyTorch. Модель предназначена для генерации ответов в диалогах по заданному формату промпта и истории переписки. Она содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В README описаны роли для дополнительной информации, пользовательского ввода и генерации ответа. Карточка не сообщает о специализированной области применения или поддерживаемых естественных языках. Лицензия в предоставленных данных не указана. Модель обучалась одну эпоху; других сведений о качестве, оценке и ограничениях не приведено.

Apollo Raines выпустил экспериментальный вариант Llama-3.1-8B-Instruct, изменённый инструментом jBlaze методом representation engineering. Дополнительное обучение не проводилось; модель остаётся каузальной языковой моделью LlamaForCausalLM и распространяется в формате safetensors. В метаданных указан размер 7,5 млрд параметров и контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов с опорой на предоставленный контекст: при наличии справочных материалов она стремится следовать им, а не полагаться на знания из параметров. Подходит для ответов на вопросы по переданным документам и задач, где важно удерживать содержание источника. По заявлению автора, выпущенная версия намеренно ослаблена и служит демонстрацией возможностей jBlaze, поэтому её возможности ограничены. Лицензия — Llama 3.1.

mlx-community/llava-v1.6-mistral-7b-4bit — мультимодальная модель для задач image-text-to-text, то есть обработки изображений совместно с текстовыми запросами и генерации текстовых ответов. Модель разработана сообществом mlx-community и конвертирована в формат MLX из llava-hf/llava-v1.6-mistral-7b-hf с использованием mlx-vlm версии 0.0.9. Модель имеет размер 7B параметров и поставляется в 4-битном представлении, что снижает требования к памяти по сравнению с полноразмерной версией и делает её ориентированной на запуск в экосистеме MLX. Поддерживает визуально-текстовые сценарии, однако в предоставленной карточке не указаны точные параметры архитектуры, максимальная длина контекста, перечень языков, результаты оценивания, ограничения качества и системные требования. Для использования требуется библиотека mlx-vlm. Модель распространяется по лицензии Apache-2.0.

santhosh/madlad400-3b-ct2 — конвертированная в CTranslate2 версия мультиязычной модели машинного перевода MADLAD-400-3B-MT, созданной Google. В основе лежит архитектура T5; исходную модель обучали на корпусе MADLAD-400 и параллельных данных для перевода. По карточке модели она охватывает более 400 языков, а в метаданных перечислены языки, включая русский, английский, китайский, японский и хинди. Модель предназначена для перевода текстов и многоязычных NLP-сценариев. Конвертацию выполнил Santhosh Thottingal; веса оптимизированы для запуска через CTranslate2. В карточке заявлено обучение исходной модели на триллионе токенов. Лицензия — Apache 2.0. Качество зависит от языковой пары и предметной области. Оценка охватывала 204 языка и задачи машинного перевода и few-shot перевода; модель обучена на данных общего назначения и не оценивалась для производственных сценариев. Веб-данные могли содержать чувствительный, оскорбительный или низкокачественный контент, что может отражаться на ответах.

MiLMMT-46-4B-v1.0-4bit-MLX — это 4-битная MLX-квантизация модели MiLMMT-46-4B-v1.0, разработанной Xiaomi Inc. Модель предназначена для локального машинного перевода на устройствах Apple Silicon и распространяется в формате MLX safetensors. Она работает только с текстом: исходная мультимодальная архитектура Gemma 3 с визуальной башней SigLIP была преобразована в языковую модель без компонентов обработки изображений. Модель поддерживает 46 языков, включая английский, русский, китайский, японский, корейский, арабский, хинди, французский, немецкий и другие. Размер квантованной модели составляет около 2,1 ГБ; используется 4-битное аффинное квантование с размером группы 64. Она предназначена для перевода между поддерживаемыми языками и может запускаться на устройстве с помощью библиотеки MLX. Размер контекста в README не указан. По измерениям на FLORES+ средний результат 4-битной версии составил 53,06 chrF++ против 53,86 у полной bf16-модели, то есть потеря составляет около 0,9 chrF++ и статистически значима. Снижение качества особенно заметно для языков с меньшим объёмом данных, например турецкого, узбекского и тамильского. Модель не гарантирует качество для неподдерживаемых языков: для Telugu, Marathi и Gujarati она может выдавать текст на хинди вместо корректного отказа. Для более высокого качества доступна 5-битная версия, практически сопоставимая с полной точностью. Модель распространяется на условиях Gemma Terms of Use с применением ограничений, включая правила запрещённого использования. В README указано авторство Xiaomi Inc. за MiLMMT-46 и Google за базовую архитектуру Gemma 3.

hts98/Model2 — модель автоматического распознавания речи на архитектуре Whisper с 455,8 млн параметров. Разработчик указывает, что модель дообучена на основе hts98/Model1; задача обучения названа, но набор данных обозначен как None. Модель принимает аудио и генерирует текстовую транскрипцию. Она распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не содержит сведений о целевых языках, сценариях применения, результатах оценки или известных ограничениях. Поэтому качество распознавания и пригодность для конкретных типов аудио по имеющимся данным определить нельзя.

Nemotron-3-Nano-Omni-30B-Abliterated-MM-bf16 — мультимодальная модель Matt Macosko на базе NVIDIA Nemotron-3-Nano-Omni-30B, подготовленная для запуска на Apple Silicon через MLX. Это сборка с directional ablation: автор удалил направление отказа из языковой части, оставив визуальную и аудиочасти без изменений. В README заявлены полноточные веса объёмом около 62 ГБ; тензоры совпадают с базовой моделью по именам и включают языковые, визуальные, звуковые и проекционные компоненты. Модель принимает текст и изображения и работает с аудио: она описывает изображения и транскрибирует речь. Основной сценарий по метаданным — image-text-to-text; для запуска README рекомендует mlx-vlm версии 0.6.12 или новее с поддержкой Omni. Базовая модель — mlx-community/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-bf16. Автор сообщает о проверке удаления отказов на тестовом наборе из шести примеров. Это не доказывает надёжность поведения на более широком наборе запросов. README прямо предупреждает, что защитное выравнивание удалено. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

uwe311/Nemotron-Mini-4B-Instruct-heretic — англоязычная версия NVIDIA Nemotron-Mini-4B-Instruct, изменённая методом abliteration с помощью Heretic v1.4.0 для снижения частоты отказов. Это плотная авторегрессионная Transformer-модель с 4,3 млрд параметров, поддерживающая диалоговую генерацию текста и контекст до 4096 токенов. В README приведено сравнение: доля отказов снизилась со 100 из 100 у исходной модели до 10 из 100 у этой версии; указанная KL-дивергенция относительно оригинала — 0,0568. Модель подходит для ролевых диалогов, ответов на вопросы по документам в RAG-системах и генерации ответов в приложениях, где нужно меньше отказов. README описывает базовую модель как оптимизированную для скорости и развёртывания на устройствах и упоминает применение в игровых сценариях NVIDIA ACE. Рекомендуется использовать исходный шаблон диалога; без него качество может снижаться. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели и условиях NVIDIA.

elprofessor67/om-logistics-pod-v8-8b — дообученная elprofessor67 мультимодальная модель семейства Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration и 8B-параметрической базой, предназначенная для задач image-text-to-text. В карточке указано, что модель дообучена на elprofessor67/om-logistics-pod-v7-8b с использованием Unsloth и библиотеки TRL. Модель принимает текст и изображения и формирует текстовые ответы; метаданные также отмечают чат и интерфейс вызова инструментов. Английский указан среди языков карточки. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка не описывает конкретные сценарии логистики или результаты оценки, поэтому её специализацию и качество в таких сценариях нельзя установить по имеющимся данным.

Это GGUF-квантизированная версия мультимодальной модели InternVL3_5-2B, разработанной OpenGVLab. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix; доступны варианты от BF16 до различных форматов 2–8-битной квантизации. Модель предназначена для задач image-text-to-text: обработки изображений и генерации текстовых ответов, а также для локального запуска в LM Studio, llama.cpp и совместимых проектах. Варианты файлов имеют размер примерно от 0,97 до 4,07 ГБ. Более высокие уровни квантизации обеспечивают лучшее сохранение качества, а низкие позволяют работать при ограниченном объёме оперативной памяти; наиболее сбалансированным вариантом указан Q4_K_M. README не содержит сведений о точной архитектуре, максимальном контексте, поддерживаемых языках, формате промптов и лицензии исходной модели, поэтому эти характеристики нельзя достоверно определить по имеющимся данным.

Helsinki-NLP/opus-mt-es-mt — модель машинного перевода семейства MarianMT, разработанная проектом OPUS-MT. Она переводит текст с испанского языка на язык, обозначенный в карточке как «mt»; README не раскрывает, какой именно это язык. Модель построена на архитектуре Transformer, содержит 54,4 млн параметров и рассчитана на контекст до 512 токенов. Для предобработки применяются нормализация текста и SentencePiece. Модель предназначена для автоматического перевода испанских текстов на указанный целевой язык. В README приведён результат 28,1 BLEU и 0,460 chr-F на тестовом наборе JW300.es.mt. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Google PaliGemma 2 3B FT DOCCI 448 — мультимодальная модель на основе Gemma 2 и визуального энкодера SigLIP, дообученная на датасете DOCCI для изображений размером 448×448. Она принимает изображение и текстовый запрос и генерирует текст; семейство PaliGemma 2 поддерживает несколько языков. Репозиторий содержит веса в формате bfloat16 и использует библиотеку Transformers. Модель предназначена для описания изображений и других задач «изображение — текст». Её можно применять для генерации подписей к изображениям и ответов на вопросы о визуальном содержимом. Это однораундовая модель, а не чат-бот с многошаговым диалогом; качество зависит от ясности запроса, и ответы могут содержать фактические ошибки или отражать смещения обучающих данных. Лицензия — Gemma; авторы указывают исследовательское применение весов.

Mungert/Qwen2.5-VL-72B-Instruct-GGUF — это GGUF-версия мультимодальной модели Qwen2.5-VL-72B-Instruct, разработанная на основе базовой модели Qwen/Qwen2.5-VL-72B-Instruct. Репозиторий подготовлен пользователем Mungert и предназначен для запуска модели через llama.cpp с использованием основного GGUF-файла и отдельного файла mmproj для мультимодального компонента. Модель предназначена для сценариев image-text-to-text: она принимает изображения и текстовые инструкции и может, например, описывать содержимое изображений. Для работы используются совместимые инструменты llama.cpp, включая llama-mtmd-cli. Известно, что размер базовой модели составляет 72B параметров; поддерживается обработка изображений, а в метаданных репозитория указан английский язык. Размер контекстного окна в README не указан. Основное преимущество этой версии — возможность локального инференса в формате GGUF с выбором вариантов точности и компромисса между качеством, скоростью и потреблением памяти. При этом для мультимодального запуска требуются два файла: модель и соответствующий mmproj. Конкретные показатели качества именно для Qwen2.5-VL-72B-Instruct в README не приведены, а описанные результаты DynamicGate относятся к тестам Llama-3-8B и не характеризуют данную модель. Лицензия указана как other, с названием qwen и ссылкой на лицензию исходной модели Qwen.

Это исследовательский чекпойнт Qwen3 плотной авторегрессионной архитектуры с 1,7 млрд параметров, разработанный dsinghvi; он использует общий токенизатор для текста и аудиотокенов. Модель предназначена для генерации текста и речевых сценариев: синтеза речи из текста, распознавания речи, продолжения текстовой или речевой последовательности и преобразования речи в речь. Аудиокодирование и декодирование выполняется SNAC 24 кГц; для синтеза можно использовать аудио-пример для голосового кондиционирования. Карточка описывает итерацию обучения 23 447 и отмечает, что синтез речи дал слышимые результаты в тестах проекта. Распознавание речи и межмодальное продолжение пока экспериментальны: результаты могут быть низкого качества, повторяться или отсутствовать. Чекпойнт не включает аудиофайлы; входное или референсное аудио нужно предоставить отдельно. Лицензия — Apache-2.0.

Qwen3-VL-4B-Instruct-GPTQ-W4A16 — сторонний квантованный чекпойнт на базе Qwen/Qwen3-VL-4B-Instruct. Модель предназначена для мультимодального вывода и обработки задач, объединяющих изображения и текст, включая эффективный инференс, оценивание в VLMEvalKit, эксперименты с vLLM, построение baseline для post-training quantization и исследования квантования vision-language моделей. Указанные языки — английский и китайский. Модель использует архитектуру семейства Qwen3-VL и поддерживает мультимодальный сценарий image-text-to-text. Применено посттренировочное квантование GPTQ W4A16 в llm-compressor: веса Linear-слоёв сжаты до 4-битных симметричных целых значений с group_size 128, при этом lm_head и визуальные модули не квантовались. Для калибровки использованы 128 мультимодальных примеров из Flickr30k, максимальная длина последовательности составляла 2048 токенов. В конфигурации оценки указан максимальный контекст 16384 токена, однако это значение относится к рекомендуемому запуску и не обязательно описывает полный предел базовой модели. Основные преимущества — уменьшенный объём хранения, более эффективное развертывание и сохранение визуальных модулей без квантования. Ограничения включают возможное снижение качества, особенно в задачах детального визуального понимания и рассуждений; это неофициальный релиз команды Qwen, а сторонняя сжатая версия. Репозиторий распространяется по лицензии Apache-2.0.

SMaLL-100 — компактная многоязычная модель машинного перевода, разработанная Alireza Mohammadshahi и соавторами и представленная на EMNLP 2022. Это дистиллированная версия M2M-100 на 12 млрд параметров: модель использует архитектуру M2M100ForConditionalGeneration с изменённым токенизатором и содержит 332,5 млн параметров. Модель предназначена для перевода между более чем 100 языками, включая малообеспеченные языковые пары; заявлено покрытие более 10 тысяч направлений перевода. Она ориентирована на сценарии, где важны меньшие требования к памяти и более быстрая генерация по сравнению с крупными мультиязычными моделями. Доступны веса PyTorch, Safetensors и ONNX; максимальная длина контекста составляет 1024 токена. В статье сообщается о конкурентных результатах на FLORES-101, Tatoeba и TICO-19, в том числе для низкоресурсных языков. Карточка рекомендует загружать специальный токенизатор SMALL100Tokenizer из репозитория; для него требуется SentencePiece. Сжатие может ухудшать качество на недостаточно представленных языках и усиливать гендерные и семантические смещения. Лицензия — MIT.

TEA-ASR-1.1-mini-fmt — компактная модель автоматического распознавания речи для тайваньского мандаринского языка, разработанная как вариант TEA-ASR-1.1-mini с управляемым форматом записи числительных. Модель дообучена на базе Qwen/Qwen3-ASR-0.6B и содержит около 780 млн параметров. Она принимает аудио и транскрибирует его традиционными китайскими иероглифами, включая тайваньскую лексику. Формат числительных задаётся префиксом декодера: можно выбрать арабские цифры или запись китайскими числительными. Управление форматом даёт умеренный эффект: оно заметнее на обычной тайваньской речи и слабее на спонтанных лекциях. Модель рассчитана прежде всего на мандаринскую речь; по устойчивости к плотному переключению между китайским и английским она уступает основной версии TEA-ASR-1.1-mini. В README приведены результаты тестирования на CommonVoice, ASCEND и CSZS. Подходит для расшифровки субтитров, записей и журналов, где требуется единое оформление чисел, при ограниченных вычислительных ресурсах. Использует архитектуру Qwen3-ASR и формат весов Safetensors; для работы с моделью указана библиотека Transformers. Лицензия — MIT.

YanoljaNEXT-Rosetta-27B-2511-i1-GGUF — это набор квантованных моделей в формате GGUF, созданный mradermacher на основе YanoljaNEXT-Rosetta-27B-2511 от Yanolja. Модель предназначена прежде всего для задач перевода и поддерживает арабский, болгарский, китайский, чешский, датский, нидерландский, английский, финский, французский, немецкий, греческий, гуджарати, иврит, хинди, венгерский, индонезийский, итальянский, японский, корейский, персидский, польский, португальский, румынский, русский, словацкий, испанский, шведский, тагальский, тайский, турецкий, украинский и вьетнамский языки. Базовая модель имеет размер 27 миллиардов параметров. Репозиторий содержит варианты квантования с разными требованиями к памяти и компромиссами между скоростью и качеством: от IQ1 и Q2 до Q6, с размером файлов примерно от 6,8 до 23,4 ГБ. В README рекомендуются варианты i1-Q4_K_M как быстрые и i1-Q4_K_S как оптимальные по соотношению размера, скорости и качества; низкобитные варианты могут заметно уступать по качеству. Сведения об архитектуре, модальностях и размере контекста не указаны, поэтому модель следует рассматривать как текстовую. Модель распространяется по лицензии Gemma. Для использования требуются совместимые инструменты, поддерживающие формат GGUF; конкретные требования к оборудованию зависят от выбранного варианта квантования.

CAMeLBERT-MSA-half — предварительно обученная модель BERT от CAMeL Lab для современного стандартного арабского языка (MSA). Это вариант семейства CAMeLBERT, обученный на половине корпуса MSA; в карточке указано 6,3 млрд слов в обучающих данных. Модель имеет архитектуру BERT с 136,3 млн параметров, контекст до 512 токенов и доступна в форматах PyTorch, TensorFlow и Flax. Модель предсказывает замаскированные фрагменты текста и предназначена также для дообучения под задачи обработки арабского языка, включая распознавание именованных сущностей, разметку частей речи, анализ тональности, определение диалекта и классификацию поэзии. Обучающие тексты собраны из арабских корпусов и Википедии; модель ориентирована на MSA, поэтому её применимость к диалектному и классическому арабскому может быть ограничена. Лицензия — Apache-2.0.

AmberYifan/capsdnum-marin-8b-base-code_cap_b1000_s0 — дообученная модель на базе marin-community/marin-8b-base, созданная с использованием набора данных capsd_marin-8b-base-n80000-opc__mix_code_cap_b1000_s0. Это плотная Llama-модель с 7,5 млрд параметров для генерации текста; метаданные также указывают на возможность диалогового использования. Заявленный контекст составляет 4096 токенов, библиотека — Transformers. Название набора данных указывает на примеры, связанные с кодом и его описаниями, однако карточка не уточняет конкретные задачи, языки программирования, методы оценки или ожидаемое качество. Базовая Marin 8B Base описана как англоязычная модель для генерации и продолжения текста. Лицензия указана как other, поэтому условия использования следует проверять в материалах репозитория.

KonradBRG/deberta-v3-base-figurative — дообученная модель Microsoft DeBERTa-v3-base для классификации образных выражений в тексте. Она относит текстовые примеры к категориям буквального выражения, идиомы, метафоры и сравнения; набор меток следует из приведённых в карточке отдельных оценок для этих категорий. Модель построена на архитектуре DeBERTa-v2 и содержит 211,6 млн параметров. Она принимает текст, поддерживает контекст до 512 токенов и выдаёт метки классификации. В README на оценочном наборе указаны Macro F1 0,8727, F1 для буквальных выражений 0,8941, идиом 0,9697, метафор 0,7290 и сравнений 0,8980; данные обучения в карточке не раскрыты. Лицензия — MIT.

DeepSeek-V4-Flash-DSpark-Abliterated-Uncensored — модифицированные веса DeepSeek-V4-Flash-DSpark от автора репозитория drowzeys. Это языковая модель архитектуры MoE с 284 млрд параметров и примерно 13 млрд активных параметров; в README заявлено окно контекста до 1 048 576 токенов. Модель предназначена для генерации текста в сценариях, где требуется поведение без стандартных отказов, включая red teaming, исследовательскую оценку и локального ассистента. По описанию, отказы удалены прямым изменением весов проекции внимания в слоях 10–42 и спекулятивной голове MTP; слои 0–9 оставлены без изменений для сохранения чата и протокола вызова инструментов. README приводит результаты теста скорости на двух NVIDIA DGX Spark, но они относятся к указанной конфигурации оборудования и vLLM. Модель принимает текст и генерирует текст; конкретные поддерживаемые языки в предоставленных данных не перечислены. Модель опубликована под лицензией MIT в метаданных, однако README сообщает о gated-доступе и необходимости соблюдать лицензию исходной DeepSeek-модели и условия доступа. Удаление защитных отказов означает, что при развёртывании требуются собственные фильтры безопасности, контроль доступа и проверка результатов; веса предоставляются без гарантий.

Карточка модели droplychee/droplychee0170 на Hugging Face совпадает с карточкой droplychee/droplychee-2.1-27b, поэтому описание составлено по ней. droplychee-2.1-27b — дообученная разработчиком droplychee мультимодальная плотная модель семейства Qwen3.5 на базе Qwen/Qwen3.8-27B. Она предназначена для диалога с текстом и изображениями и может использоваться в сценариях, где нужно учитывать визуальный контекст при ответе. В метаданных указаны поддержка vision и интерфейс вызова инструментов; размер базовой модели — 27 млрд параметров. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка сообщает, что обучение выполнялось с Unsloth и библиотекой Hugging Face TRL. Данные не описывают конкретные наборы для дообучения, оценку качества или длину контекста, поэтому эти характеристики нельзя установить по доступной информации.

Einstein-v7-Qwen2-7B — полноценно дообученная Weyaxi языковая модель на базе Qwen/Qwen2-7B с архитектурой Qwen2 и 7,1 млрд параметров. Она предназначена для диалоговой генерации текста и ответов на вопросы, с особым акцентом на естественные науки, физику, химию, биологию и математику. Модель обучалась два прохода по разнообразным наборам данных; карточка указывает шаблон диалога ChatML и контекст до 131 072 токенов. Модель работает с текстом и поддерживает инструкции и диалог на английском языке. В оценке Open LLM Leaderboard v2 указаны результаты IFEval 41,00 и BBH 32,84; эти показатели не гарантируют точность отдельных ответов. Весовые файлы доступны в формате safetensors. Указана лицензия other, поэтому конкретные условия использования следует проверять в карточке и сопутствующих материалах модели.

Ganda Gemma 1B — дообученная CraneAILabs инструктивная модель на базе Google Gemma 3 1B Instruct для перевода с английского на луганда и общения на луганда. Это плотная авторегрессионная языковая модель с 1 млрд параметров, поддержкой диалогового режима и форматом safetensors; метаданные указывают контекст до 32 768 токенов. README описывает настройку на парах английский—луганда и оценку перевода без примеров на FLORES-200. Модель принимает текст на английском и луганда, а ответы генерирует только на луганда. Помимо перевода, её можно применять для диалогов, ответов на вопросы, кратких пересказов и создания текстов на луганда; она рассчитана в том числе на переводческие, образовательные и культурные приложения с запуском на потребительском оборудовании. В README заявлены высокая эффективность по BLEU относительно размера и конкурентное качество перевода, однако приведённая таблица сравнения неполна, поэтому эти заявления нельзя независимо проверить по карточке. Указаны ограничения: только луганда на выходе, возможные пробелы в культурных нюансах и диалектах; README называет её оптимизированной для коротких диалогов и указывает контекст 2048 токенов, тогда как метаданные сообщают нативный контекст 32 768 токенов. Лицензия — Gemma; условия использования определяются лицензией Gemma от Google.

Gaon-1.7B v2 Translate — модель для перевода между корейским и английским языками. Она основана на архитектуре Qwen3 и дообучена на 100 тысячах открытых параллельных пар из новостных, разговорных и энциклопедических текстов; дополнительный набор диалогов помогает сохранять возможности общего чата. Модель содержит 1,7 млрд параметров и имеет контекст длиной 2048 токенов. Модель предназначена для локального использования и перевода простых и средних по сложности предложений в обоих направлениях. Для генерации автор рекомендует температуру 0,3. Доступны сторонние GGUF-квантизации, а также браузерная демонстрация с WebGPU. Модель распространяется по лицензии Apache-2.0. На длинных предложениях со сложной структурой модель может пропускать или добавлять уточняющие обороты. README характеризует перевод таких текстов как ограничение модели масштаба 1,7 млрд параметров.

edusc182/Gemma_2B — дообученная модель семейства Gemma 4 E2B IT, разработанная edusc182 на базе unsloth/gemma-4-E2B-it с использованием Unsloth и библиотеки Hugging Face TRL. Она предназначена для диалога и обработки запросов с изображениями, включая анализ визуального содержимого и документов. Метаданные также указывают на обучение на наборах данных для программирования и диалоговых рассуждений, но не подтверждают отдельные гарантированные возможности модели. Модель имеет плотную архитектуру Gemma4ForConditionalGeneration и сохраняется в формате safetensors. В карточке указаны английский и испанский языки, поддержка чата и изображений. Лицензия — Apache-2.0. Размер модели и длина контекста в предоставленных данных не указаны.

GemmaX2-28-9B-v0.2 — языковая модель для машинного перевода, разработанная Xiaomi Inc. Модель дообучена на GemmaX2-28-9B-Pretrain, основанной на Gemma2-9B и обученной на смеси монолингвальных и параллельных данных для 28 языков. Архитектура — плотная Gemma2ForCausalLM с 9 млрд параметров; модель работает с текстом и имеет контекст 8192 токена. Модель предназначена для перевода между 28 языками, включая русский, английский, китайский, арабский, японский и хинди. Версия 0.2 использует инструкции перевода, применявшиеся при дообучении моделей MiLMMT-46. Для других языков качество перевода не гарантируется. Лицензия — Gemma.

Helium-1 Preview — плотная базовая языковая модель с 2 млрд параметров, разработанная Kyutai. Она предназначена для генерации и понимания текста в системах обработки естественного языка, а также для исследований и разработки. Архитектура включает 24 слоя, 20 голов внимания и размерность модели 2560; нативная длина контекста — 4096 токенов. Модель работает с английским, французским, немецким, итальянским, португальским и испанским языками. Это базовая модель, не дообученная следовать инструкциям и не согласованная с предпочтениями людей. Для прикладных сценариев обычно требуется дополнительное обучение и оценка; без этого модель может выдавать ошибочные, предвзятые, вредные или бесполезные ответы. README не рекомендует использовать её для языков, отличных от перечисленных. Лицензия — CC-BY 4.0.