I.5Создание и редактирование текста

Карточка модели rhombus18/rhododendron-analyst-1o на Hugging Face совпадает с карточкой rhombus18/rhododendron-professor-1o, поэтому описание составлено по ней. Rhombus18 Rhododendron Professor 1o — дообученная языковая модель семейства Qwen3, разработанная пользователем rhombus18 на основе unsloth/qwen3-32b-bnb-4bit. Модель имеет плотную архитектуру Qwen3ForCausalLM и содержит 29,7 млрд параметров. Карточка указывает обучение с помощью Unsloth и библиотеки TRL от Hugging Face; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. Она поддерживает английский язык и контекст длиной до 128 000 токенов. В README не описаны специализированные области применения или результаты оценки качества, поэтому пригодность для конкретных задач следует проверять отдельно. Лицензия — Apache 2.0.

Карточка модели rhombus18/rhododendron-efficiency-1o на Hugging Face совпадает с карточкой rhombus18/rhododendron-professor-1o, поэтому описание составлено по ней. Rhombus18 Rhododendron Professor 1o — дообученная языковая модель семейства Qwen3, разработанная пользователем rhombus18 на основе unsloth/qwen3-32b-bnb-4bit. Модель имеет плотную архитектуру Qwen3ForCausalLM и содержит 29,7 млрд параметров. Карточка указывает обучение с помощью Unsloth и библиотеки TRL от Hugging Face; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. Она поддерживает английский язык и контекст длиной до 128 000 токенов. В README не описаны специализированные области применения или результаты оценки качества, поэтому пригодность для конкретных задач следует проверять отдельно. Лицензия — Apache 2.0.

Rhombus18 Rhododendron Professor 1o — дообученная языковая модель семейства Qwen3, разработанная пользователем rhombus18 на основе unsloth/qwen3-32b-bnb-4bit. Модель имеет плотную архитектуру Qwen3ForCausalLM и содержит 29,7 млрд параметров. Карточка указывает обучение с помощью Unsloth и библиотеки TRL от Hugging Face; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. Она поддерживает английский язык и контекст длиной до 128 000 токенов. В README не описаны специализированные области применения или результаты оценки качества, поэтому пригодность для конкретных задач следует проверять отдельно. Лицензия — Apache 2.0.

Это текстовая генеративная модель семейства Llama с плотной архитектурой LlamaForCausalLM, размещённая пользователем pxyyy на Hugging Face. В репозитории указаны веса в формате safetensors; модель содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста. Карточка не описывает специальные сценарии применения, обучение, базовую модель, поддерживаемые языки или лицензию, поэтому её пригодность для конкретной задачи и условия использования следует проверять отдельно. README автоматически сгенерирован и не содержит сведений о качестве, обучающих данных и ограничениях.

Rombo-LLM-V2.5-Qwen-14b — плотная языковая модель на архитектуре Qwen2, созданная Rombo-Org на основе Qwen2.5-14B-Instruct. В README автор описывает её как результат непрерывного дообучения и слияния instruct- и base-моделей методом TIES; метаданные также указывают на дообучение Qwen/Qwen2.5-14B-Instruct. Модель содержит 14 млрд параметров, использует формат Safetensors и поддерживает контекст до 131 072 токенов. Модель предназначена для диалогов и генерации текста; в метаданных также заявлен интерфейс вызова инструментов. Её можно применять для ответов на запросы, следования инструкциям и создания структурированных ответов. README приводит результаты отдельных оценок IFEval и BBH, однако не описывает методику и полный набор тестов. Указана лицензия Apache-2.0. README заявляет о превосходстве над исходными instruct- и base-моделями, но не приводит достаточных подробностей для независимой оценки этого утверждения. Языки обучения или поддержки отдельно не перечислены.

Rombo-LLM-V2.5-Qwen-3b — компактная плотная языковая модель семейства Qwen2, созданная Rombo-Org на основе Qwen2.5-3B-Instruct. В карточке указано, что модель получена непрерывным дообучением и слиянием instruct- и базовой версий методом TIES; метаданные подтверждают дообучение Qwen/Qwen2.5-3B-Instruct. Параметров — 3,1 млрд, архитектура — Qwen2ForCausalLM, максимальный контекст — 32 768 токенов. Модель предназначена для диалогов и генерации текста по инструкциям; метаданные также отмечают интерфейс для вызова инструментов. Разработчик заявляет о более высокой производительности по сравнению с исходными instruct- и базовой моделями, но карточка не приводит результатов оценки. Модель работает с текстом и распространяется в формате Safetensors; README упоминает варианты GGUF. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели.

Rombo-LLM-V2.7-gemma-2-9b — языковая модель Rombo-Org на 9 млрд параметров, основанная на Google Gemma 2 9B Instruct. По описанию, в модели объединены предварительно обученная и инструктивно настроенная версии Gemma 2 9B. Она предназначена для дальнейшего дообучения и генерации текста, в том числе в диалоговом режиме. Модель использует плотную архитектуру Gemma 2, формат safetensors и контекст до 8192 токенов. Модель можно применять для диалогов, ответов на вопросы и генерации текста; базовая Gemma 2 Instruct также описана как подходящая для суммаризации. В README не приведены результаты оценки качества или сведения о поддерживаемых языках, поэтому их нельзя подтвердить. Указана лицензия Gemma; условия её использования определяются этой лицензией.

Rombo-LLM-V2.7-llama-3.2-1b — плотная авторегрессионная языковая модель Rombo-Org на архитектуре LlamaForCausalLM. По карточке, модель объединяет предварительно обученную и инструктивно настроенную версии Llama 3.2 1B; в метаданных базовой моделью указана meta-llama/Llama-3.2-1B-Instruct. Модель содержит 1,2 млрд параметров, принимает текст и рассчитана на контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, а также может использоваться для дальнейшего дообучения или инференса без дополнительной настройки. Метаданные также отмечают интерфейс вызова инструментов. Модель опубликована в формате safetensors и распространяется по лицензии Llama 3.2. README не приводит результаты оценивания качества, поэтому пригодность для конкретных задач следует проверять отдельно.

Rombos-2.5-T.E-8.1 — объединённая модель генерации текста, собранная с помощью mergekit из rombodawg/Rombos-LLM-V2.5-Qwen-7b и Cran-May/T.E-8.1. Она построена на архитектуре Qwen2 и содержит 7,1 млрд параметров. Модель предназначена для диалогов и генерации текста; поддерживает формат ChatML и интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена. Слияние выполнено методом SLERP с настройками весов для слоёв внимания и MLP; веса сохранены в формате safetensors. Карточка приводит результаты оценивания на IFEval и BBH. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных работ, но запрещает коммерческое использование. Данных о поддерживаемых естественных языках и отдельных ограничениях качества карточка не приводит.

ruadapt_llama2_7b_v0.1 — русская адаптация LLaMA 2, опубликованная как дообученная версия TheBloke/Llama-2-7B-fp16. В модели заменён токенизатор и дообучены эмбеддинги и языковая голова на русскоязычном корпусе объёмом 33 ГБ. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, примерно 6,6 млрд параметров и контекстом до 4096 токенов. Модель предназначена для генерации текста на русском языке. В README приведены результаты оценки: loss 2,7569 и accuracy 0,4617; отдельная instruct-версия упомянута, но её характеристики здесь не описаны. Модель распространяется по лицензии Llama 2 Community License Agreement; условия лицензии следует учитывать при использовании.

sn4kebyt3/ru-bart-large — уменьшенная версия facebook/mbart-large-50 с архитектурой mBART, разработанная на основе метода David Dale с дополнительными изменениями для mBART. В модели оставлены русские и английские эмбеддинги, а словарь SentencePiece сокращён с 250 тысяч до 25 тысяч токенов: 10 тысяч наиболее частотных английских и 15 тысяч русских токенов. Модель предназначена для генерации текста и задач преобразования текста в текст на русском и английском языках. Она содержит 226,2 млн параметров, принимает текст с контекстом до 1024 токенов и доступна в форматах PyTorch и Safetensors. Лицензия — MIT.

IlyaGusev/rubert_telegram_headlines — модель для генерации заголовков по тексту, созданная как пример для соревнования по генерации заголовков. Она основана на RuBERT и использует архитектуру encoder-decoder; карточка указывает русский язык и формат PyTorch. Для обучения использовался датасет ru_all_split.tar.gz. Модель предназначена для краткого пересказа содержания текста в форме заголовка. Распространяется по лицензии Apache-2.0.

ehristoforu/rufalcon3-3b-it — языковая модель для генерации текста и диалогов, созданная ehristoforu дообучением tiiuae/Falcon3-3B-Instruct. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 2,8 млрд параметров; веса доступны в формате safetensors. Она рассчитана на контекст до 32 768 токенов. Модель подходит для диалогового взаимодействия и генерации ответов по текстовым запросам. В карточке указаны обучение с Unsloth и TRL и лицензия Apache-2.0. Язык, отмеченный в метаданных самой модели, — английский; базовая модель также описана как поддерживающая французский, испанский и португальский языки.

ruGPT-Neo 1.3B — предварительно обученная плотная трансформерная языковая модель семейства GPT-Neo, построенная на репликации архитектуры GPT-3 от EleutherAI и опубликованная AlexWortega. Модель содержит около 1,5 млрд параметров и предназначена для генерации продолжения текста; её можно запускать через библиотеку Transformers. Модель ориентирована на русский язык. В метаданных указаны датасеты Wikipedia и IlyaGusev/gazeta. Длина контекста составляет 2048 токенов. Репозиторий содержит веса PyTorch, лицензия — MIT. Возможные сценарии включают генерацию черновиков и продолжение русскоязычных текстов; качество конкретных ответов README не оценивает.

RUPunct_medium — средняя модель семейства RUPunct для автоматической расстановки пунктуации в русском тексте. По метаданным это модель token classification на архитектуре ELECTRA с 100,6 млн параметров и контекстом до 512 токенов; веса доступны в формате PyTorch. Автор README характеризует её как баланс между производительностью и качеством. Модель может применяться для восстановления пунктуации в текстах без знаков препинания, например в результатах распознавания речи. Репозиторий распространяется по лицензии MIT.

RWKV-4 Raven — чат-версия языковой модели семейства RWKV, проектом руководит Бо Пэн. Модель с плотной архитектурой RNN и примерно 14,9 млрд параметров предназначена для генерации текста и диалогов. Она запускается через Transformers и PyTorch; для Raven требуется специальный формат промпта. В карточке RWKV описана как архитектура, сочетающая последовательную обработку RNN с возможностью параллельного обучения, характерной для трансформеров. Авторы отмечают быструю генерацию и экономию видеопамяти; заявление о практически неограниченном контексте не сопровождается конкретной длиной контекста в доступных данных. В метаданных указан датасет EleutherAI/pile, но сведения о поддерживаемых естественных языках не приведены. Модель опубликована в формате PyTorch. Информация о лицензии в предоставленных источниках отсутствует.

mondk/Safetensors.claude_Deepseek-R1-Llama — дообученная языковая модель на архитектуре Llama, созданная на базе unsloth/DeepSeek-R1-Distill-Llama-8B-unsloth-bnb-4bit. Она предназначена для генерации текста и диалогового общения. Модель содержит 7,5 млрд параметров и поддерживает контекст длиной до 131 072 токенов. Для дообучения указан датасет mondk/claude-v2-super.jsonl; карточка также ссылается на вариант GGUF. В метаданных заявлен английский язык и интерфейс для вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0.

mondk/Safetensors.claude-sonnet-mistral-7b-it-v0.3 — разговорная языковая модель, созданная на основе unsloth/mistral-7b-instruct-v0.3-bnb-4bit и дообученная на датасете mondk/claude-v2-super.jsonl. Она использует плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и предназначена для генерации текста в диалоговом формате, включая ответы на вопросы и ведение беседы на английском языке. Модель поддерживает контекст до 32 768 токенов и интерфейс вызова инструментов. Весы опубликованы в формате safetensors; лицензия — Apache-2.0. Карточка краткая, поэтому конкретные результаты оценивания и дополнительные ограничения не описаны.

Saiga/Llama3 8B — русскоязычный чат-бот Ильи Гусева на базе Llama 3 8B Instruct. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 8192 токенов, предназначенная для диалогов и генерации ответов на русском языке. Модель дообучалась на русскоязычных диалоговых и предпочтительных данных; в карточке описаны версии с SFT и KTO-настройкой. Для общения используется исходный формат промптов Llama 3 начиная с v4. Модель подходит для русскоязычного чат-ассистента и ответов на инструкции. В README приведены результаты сравнительной оценки, но они относятся к отдельным версиям и наборам оценки. Указана лицензия Hugging Face «other», поэтому конкретные условия использования следует сверить с лицензией репозитория и базовой модели. Модель принимает текст и генерирует текст; карточка не сообщает об обработке других модальностей.

JosephNguyen дообучил Sailor2-8B-Chat для диалогов и генерации текста. Модель построена на плотной архитектуре Qwen2, содержит 8 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для текстового общения и генерации ответов. Карточка указывает английский язык; базовая Sailor2-8B-Chat ориентирована на многоязычные диалоги, особенно на языках Юго-Восточной Азии, однако README не уточняет языковые возможности именно этого дообучения. Модель распространяется в формате Safetensors по лицензии Apache 2.0. Данных о специальных ограничениях качества или применения карточка не приводит.

Sailor2-8B-Chat-GGUF — это набор GGUF-квантизаций чатовой языковой модели Sailor2-8B-Chat, разработанный командой sail и квантизированный bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для диалогов, генерации текста и выполнения инструкций, включая мультиязычные сценарии на английском, китайском, индонезийском, тайском, вьетнамском, малайском, лаосском, бирманском, яванском, кхмерском, сунданском и тагальском языках. Модель имеет размер 8B параметров; архитектура и размер контекста в README не указаны. Доступны варианты от F16 до низкобитных Q2/Q3/Q4/Q5/Q6/Q8 и IQ-квантизаций, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Для чата следует использовать формат с маркерами system, user и assistant. Сильной стороной является сочетание мультиязычной направленности и широкого выбора форматов для локального запуска, в том числе через LM Studio. Ограничения включают возможное снижение качества при агрессивной квантизации и отсутствие сведений о результатах оценивания, поддерживаемых модальностях помимо текста и максимальной длине контекста. Модель распространяется по лицензии Apache-2.0.

Saka-14B — объединённая языковая модель на архитектуре Qwen2, созданная Sakalti методом TIES с помощью mergekit на основе Qwenvergence-14B-v11 и Lamarck-14B-v0.7. Модель содержит 14 млрд параметров, работает с текстом и рассчитана на генерацию ответов в диалоге; каталог также отмечает интерфейс вызова инструментов. Длина контекста составляет 131 072 токена. Модель может применяться для диалоговых сценариев и генерации текста. В README не приведены оценки качества, конкретные поддерживаемые языки или дополнительные ограничения. Файлы представлены в формате safetensors; лицензия в доступных данных не указана.

SamChat — текстовая генеративная модель на архитектуре Mistral, созданная слиянием моделей Intel/neural-chat-7b-v3-3 и cognitivecomputations/samantha-mistral-7b. В README также указан macadeliccc/WestLake-7B-v2-laser-truthy-dpo как базовая модель конфигурации слияния. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. SamChat предназначена для генерации текста и диалогового взаимодействия. Карточка приводит результаты оценок на бенчмарках рассуждений и здравого смысла, включая AI2 Reasoning Challenge и HellaSwag, но не описывает отдельную специализацию. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0.

Sarvam-30B — языковая модель семейства Sarvam, разработанная Sarvam AI. Это модель Mixture-of-Experts для генерации текста и диалогов; в README указано 2,4 млрд активных параметров без эмбеддингов, а метаданные репозитория — 3,7 млрд параметров. Модель ориентирована на практическое развёртывание, рассуждения, программирование и диалоги на индийских языках. Поддерживает вызов инструментов; архитектура включает 128 экспертов и маршрутизацию top-6. Контекст по метаданным — до 131 072 токенов. Основной упор сделан на индийский контекст и 22 индийских языка. В метаданных явно перечислены английский, хинди, бенгальский, тамильский, телугу, маратхи, гуджарати, каннада, малаялам, пенджаби, ория, ассамский, урду, санскрит, непальский, синдхи, конкани, майтхили, догри, манипури, сантали, кашмирский и тибетский. Модель может применяться для многоязычных голосовых звонков в составе речевой системы, но сама карточка описывает её как текстовую генеративную модель. Распространяется по лицензии Apache-2.0.

Sarvam-30B — языковая модель, разработанная командой Sarvam Foundation Models. Это модель класса Mixture-of-Experts (MoE), ориентированная на практическое развертывание, мультиязычные диалоги и голосовые вызовы на индийских языках, включая выполнение вызовов инструментов. Она также предназначена для задач рассуждения, генерации кода и общего текстового общения. Модель содержит 30 млрд параметров, из которых 2,4 млрд активируются для отдельного запроса, и представлена в виде FP8-квантизированных весов в формате FP8 E4M3. Архитектура включает 19 слоёв, 128 экспертов с общим экспертом, маршрутизацию top-6, grouped KV attention с четырьмя KV-головами, dense FFN размером 8192 и MoE-FFN размером 1024. Высокое значение rope_theta, равное 8e6, предназначено для стабильной работы с длинным контекстом без дополнительного RoPE scaling, однако точный размер контекстного окна в README не указан. Заявлена передовая производительность для своего размера в 22 индийских языках; также заявлена поддержка английского языка. К сильным сторонам относятся эффективность по памяти и пропускной способности, сниженные требования к ресурсам благодаря MoE и FP8-квантизации, а также сочетание рассуждения, программирования, диалогового взаимодействия и поддержки индийского языкового контекста. Ограничением является необходимость специальной настройки инфраструктуры: для запуска рекомендуются SGLang или модифицированная версия либо hot-patch для vLLM, а точная производительность зависит от оборудования и конфигурации. Модель распространяется по лицензии Apache 2.0.

Карточка модели chrischain/Satoshi1337-8B на Hugging Face совпадает с карточкой NousResearch/Meta-Llama-3-8B, поэтому описание составлено по ней. Meta Llama 3 8B — плотная авторегрессионная языковая модель семейства Llama 3, разработанная Meta. Эта версия принимает текст и генерирует текст, в том числе код; карточка репозитория описывает предварительно обученные и настроенные варианты семейства, но не уточняет, какой именно вариант представлен в этом репозитории. Модель предназначена для генерации текста на английском языке. Предварительно обученную версию можно адаптировать для разных задач генерации естественного языка, а настроенные варианты предназначены для диалоговых сценариев. Архитектура основана на оптимизированном Transformer и использует Grouped-Query Attention; размер модели — 7,5 млрд параметров, длина контекста — 8192 токена. Модель подходит для создания разговорных помощников, генерации и продолжения текста и кода. Результаты требуют проверки, а для приложения следует настроить дополнительные меры безопасности под конкретную аудиторию и сценарий. Лицензия — специальная коммерческая лицензия Meta Llama 3 с условиями использования и ограничениями; перед внедрением необходимо ознакомиться с её текстом и Acceptable Use Policy.

SauerkrautLM Mixtral 8X7B — это языковая модель для генерации текста в формате GGUF, созданная VAGO solutions и квантизированная TheBloke. Модель основана на VAGOsolutions/SauerkrautLM-Mixtral-8x7B, дообучалась с использованием наборов данных Open-Orca/SlimOrca и argilla/distilabel-math-preference-dpo. Она предназначена для диалогов, ответов на запросы и других задач генерации текста, включая локальный запуск на CPU и GPU. Модель использует архитектуру Mixtral и доступна в вариантах GGUF с квантизацией на 2, 3, 4, 5, 6 и 8 бит. README не указывает точное число параметров активной архитектуры или размер контекста. Заявлена поддержка английского, немецкого, французского, итальянского и испанского языков. Для взаимодействия используется шаблон ChatML. Файлы совместимы с llama.cpp и рядом сторонних интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Сильными сторонами являются мультиязычность, возможность выбора степени квантизации и локального запуска, а также поддержка CPU и GPU-инструментов. Квантизация позволяет снизить требования к памяти, однако может уменьшать точность по сравнению с исходной моделью, особенно при более низкой разрядности. Модель предназначена только для текстовой модальности; сведения о специализированных ограничениях качества и безопасности в README не приведены. Лицензия — Apache-2.0.

SauerkrautLM-Qwen-32b — диалоговая языковая модель, совместно разработанная VAGO solutions и Hyperspace.ai на базе Qwen/Qwen1.5-32B. Модель дообучена методом SFT и выровнена с помощью DPO; архитектура Qwen2, плотная причинная языковая модель с 31,7 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалогов и генерации текста на немецком и английском языках. Её можно применять для ответов на вопросы, написания текстов и работы с длинными запросами в формате помощника. В карточке приведены результаты оценки на Open LLM Leaderboard, но они не гарантируют качество для конкретной задачи. Использование регулируется лицензией tongyi-qianwen-research. Разработчики предупреждают, что модель может выдавать неподходящий или неотфильтрованный контент; её поведение не гарантированно всегда уместно.

arcee-ai разработала Saul-Base-Calme-7B-Instruct-slerp — объединённую методом SLERP языковую модель для генерации текста и диалогового общения. Она объединяет Equall/Saul-Base и MaziyarPanahi/Calme-7B-Instruct-v0.1.1; в конфигурации mergekit базовой указана Calme-7B-Instruct-v0.1.1. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и имеет контекстное окно до 32 768 токенов. Она принимает текст и генерирует текст; карточка описывает её как разговорную модель, однако языки обучения и приоритетные языки не установлены по предоставленным данным. Модель распространяется в формате safetensors по лицензии Apache-2.0. README не приводит оценок качества и подробных ограничений; результат генерации может требовать проверки, как и у других языковых моделей.

arcee-ai/Saul-Base-Clown-7B-Instruct-slerp — текстовая генеративная модель, созданная объединением Equall/Saul-Base и CorticalStack/pastiche-crown-clown-7b-dare-dpo методом SLERP с помощью mergekit. Это плотная причинная языковая модель архитектуры Mistral объёмом 7,1 млрд параметров, сохранённая в формате safetensors; заявленный контекст — до 32 768 токенов. Модель предназначена для генерации текста в формате инструкций и диалога. Её можно применять для ответов на запросы, написания и редактирования текстов, а также для задач, где полезны объединённые характеристики исходных моделей. В карточке не приведены отдельные результаты оценки качества или сведения о поддерживаемых языках. Модель распространяется по лицензии Apache-2.0. Качество ответов и поведение могут зависеть от используемого шаблона промпта; самостоятельные сведения о тестировании и ограничениях в карточке отсутствуют.