I.6Перевод и языковая адаптация

Stoicheia literary fold 4 — анонимно выпущенный чекпойнт для анализа древнегреческих текстов. Это символьный masked-diffusion encoder на 405 млн параметров с архитектурой char-level BERT: 32 слоя, размерность d_model 1024 и чередование локального внимания в окне 256 символов с глобальным вниманием. Вход разделён на пять выровненных слоёв: буквы, границы слов и предложений, диакритика, регистр и пунктуация; каждый слой можно независимо маскировать, задавая неизвестные значения. Модель предназначена для восстановления пропусков и анализа вариантов записи, включая отредактированный текст, scriptio continua и лакуны неизвестной длины. Чекпойнт fold 4 исключал из обучения тестовую часть своего литературного корпуса и рассчитан на оценку обобщения на ранее не встречавшихся текстах. Выпущен анонимно вместе со статьёй на рецензировании. Лицензия Apache-2.0.

Stoicheia — literary fold 6 — это анонимно выпущенный 405-миллионный символьный masked-diffusion энкодер для древнегреческого языка. Модель использует архитектуру char-level BERT с 32 блоками и размерностью 1024; три из каждых четырёх блоков применяют локальное внимание в окне 256 символов, а четвёртый — глобальное. Вход разделён на пять выровненных слоёв: буквы, границы слов и предложений, диакритика, регистр и пунктуация; каждый слой можно независимо маскировать, задавая неизвестные элементы явно. Модель предназначена для восстановления пропусков и анализа древнегреческих текстов в разных формах записи, включая тексты без пробелов и лакуны неизвестной длины. Чекпойнт fold 6 исключает из обучения тестовую десятую часть литературного корпуса; авторы описывают процедуру удаления точных, переставленных и близких дубликатов на уровне предложений и произведений. Релиз сопровождает статью, находящуюся на рецензировании. Модель распространяется по лицензии Apache-2.0.

Banglish Companion 3B — модель диалоговой генерации текста, разработанная автором репозитория и дообученная на базе Ministral-3-3B-Base-2512 для коротких разговоров на Banglish — бенгальском, записанном латиницей. Модель имеет плотную архитектуру Ministral 3 с 3,2 млрд параметров и контекстное окно 262 144 токена; опубликована в формате Safetensors и рассчитана на запуск через Transformers на CPU или GPU без отправки сообщений во внешнюю сеть. Модель отвечает тем же способом записи, которым написан запрос, и стремится давать короткие ответы, близкие к вопросу. Она предназначена для неформального общения на Banglish, а не для получения проверенных фактов или длинных бесед. Разработчик предупреждает, что модель может уверенно выдумывать сведения и терять нить разговора; она не является заменой терапевту, врачу или юристу. В репозитории также описан отдельный классификатор опасных ситуаций с заранее заданным ответом, поэтому часть ответов может быть сформирована не этой языковой моделью. Лицензия — Apache-2.0.

bqclatn5mb — одноязычная авторегрессионная языковая модель Goldfish для языка Boko в Бенине, записанного латиницей. Модель разработана в рамках проекта Goldfish, посвящённого языковым моделям для 350 языков, прежде всего для языков с ограниченными ресурсами и сравнения результатов между языками. Это GPT-2 с 21,3 млн параметров, словарём из 15 113 токенов и контекстом до 512 токенов. Модель обучена на 4,88 МБ исходного текста (около 5 МБ с поправкой на различия в объёме UTF-8) и предназначена для генерации текста на Boko. Перед входным текстом для лучших результатов следует добавлять токен [CLS]. Модель может служить небольшим исследовательским чекпойнтом для экспериментов с генерацией и языковым моделированием на Boko. Авторы предупреждают, что результаты Goldfish для языков с большим объёмом ресурсов не рассчитаны на сравнение с современными крупными языковыми моделями. Лицензия — Apache-2.0.

HmarBERT — экспериментальная ранняя модель для работы с языком хмар, опубликованная под идентификатором azinamotoe/HmarBERT. Это модель BERT для восстановления замаскированных токенов в тексте. Она основана на robzchhangte/MizBERT: в словарь из 30 522 токенов внесли 303 замены родственных слов мизо на хмарские и дообучили модель с маскированием целых слов на корпусе примерно из 101 тысячи предложений на хмарском языке. В метаданных указаны 136,7 млн параметров и контекст до 512 токенов. Модель предназначена для экспериментов с языковой моделью хмар и подстановки пропущенных слов в предложениях. В описанной оценке лучшая версия достигла потери 2,48 и perplexity 12,0. Поскольку исходной моделью была MizBERT, на редких словах HmarBERT может сохранять характерные для мизо шаблоны. Выпущена по лицензии MIT.

cyberagent/open-calm-small — компания CyberAgent, Inc. создала эту компактную авторегрессионную языковую модель семейства OpenCALM на базе Transformer с архитектурой GPT-NeoX. Модель содержит около 153,3 млн параметров по метаданным (в карточке README указано 160 млн), имеет 12 слоёв, размерность 768 и 12 голов внимания. Модель предварительно обучена на японских текстах из Wikipedia и Common Crawl и предназначена для генерации текста на японском языке. Её можно использовать для продолжения текста и создания простых японских текстовых ответов. Контекст составляет 2048 токенов. Модель распространяется в формате PyTorch по лицензии CC BY-SA 4.0; при использовании требуется указать авторство CyberAgent, Inc. и соблюдать условия лицензии. Модель небольшого размера, что упрощает её запуск по сравнению с более крупными языковыми моделями. Она обучена на японских данных, поэтому не предназначена для надёжной работы на других языках; как базовая языковая модель, она также может генерировать неточные или неподходящие продолжения и не заявлена как модель диалога, следующих инструкциям.

Orkhon Tangri — компактная разговорная языковая модель семейства Orkhon, разработанная korkmazumut. По README, модель содержит около 100 млн параметров и дообучена методом SFT на коротких ответах учителя Grok-4.5; метаданные указывают архитектуру OrkhonForCausalLM и формат Safetensors. Модель предназначена для коротких ответов на вопросы на английском и турецком в узкой тематике Orkhon, простых арифметических задач и преобразования древнетюркских рунических символов в латиницу через детерминированный маршрутизатор. Модель рассчитана на работу как чат-ассистент с маршрутизатором, который также обеспечивает отказ от ответа за пределами её специализации. Она не позиционируется как универсальный чат-бот. README сообщает об обучении на Apple Silicon с MPS; это не устанавливает требования к запуску. Длина контекста и отдельное описание языковой поддержки коктюркского не приведены. Лицензия — Apache-2.0.

PhilBerta — многоязычная модель кодировщика на архитектуре RoBERTa, разработанная для классической филологии. Это модель размера RoBERTa-base с 162,4 млн параметров, обученная на текстах Open Greek & Latin Project, CLARIN Greek Medieval Texts, Patrologia Graeca, Corpus Corporum и Project Gutenberg. Она предсказывает замаскированные токены и может служить основой для дообучения на задачах анализа древних текстов. Модель рассчитана прежде всего на древнегреческий и латинский языки; среди языковых меток также указан английский. Контекст составляет до 514 токенов. В README приведены результаты последующего дообучения для морфосинтаксической разметки древнегреческого и латыни, но это не отдельные задачи исходного чекпойнта. Модель распространяется по лицензии Apache-2.0.

Stoicheia-doc_clean — 405-миллионная символьная модель-кодировщик для древнегреческого языка, выпущенная анонимной командой в сопровождение статьи на рецензировании. Она обучена предсказывать замаскированные символы с помощью masked diffusion и предназначена для восстановления и анализа древнегреческих текстов, в том числе с пропусками и разными способами записи. Вход разбит на пять согласованных слоёв: буквы, границы слов и предложений, диакритика, регистр и пунктуация; каждый слой можно независимо маскировать. Архитектура CharBERT имеет размерность 1024 и 32 блока: три блока из четырёх используют локальное внимание в окне 256 символов, а каждый четвёртый — глобальное. Контрольная точка documentary-clean не обучалась на надписях и папирусах, а также на текстах, отмеченных проверкой как цитирующие их. Это помогает использовать её для исследований документальных текстов без прямого загрязнения предобучения, но не гарантирует отсутствия всех возможных пересечений. Модель доступна в формате safetensors и распространяется по лицензии Apache-2.0.

Stoicheia-doc_clean — это 405-миллионная символьная модель-энкодер с маскированной диффузией для древнегреческого языка, выпущенная анонимной командой вместе с научной статьёй, находящейся на рецензировании. Она предназначена для восстановления замаскированных символов и анализа древнегреческих текстов, включая тексты без пробелов, с редакторской разметкой и лакунами неизвестной длины. Вход модели разделён на пять синхронизированных слоёв: буквы, границы слов и предложений, диакритические знаки, регистр и пунктуация; каждый слой можно маскировать независимо. Архитектура использует 32 слоя, размерность 1024 и чередует локальное внимание в окне 256 символов с глобальным вниманием. Чекпойнт обучен без надписей и папирусов, что позволяет использовать его для исследований документальных текстов без прямого загрязнения предобучающими примерами из этих источников. Модель распространяется по лицензии Apache-2.0. README не сообщает языки помимо древнегреческого и не приводит явных ограничений качества или применимости.

Stoicheia literary fold 0 — анонимно выпущенный чекпойнт энкодера на 405 млн параметров для древнегреческого языка, сопровождающий научную статью на рецензировании. Это символьная masked-diffusion-модель семейства char_bert с размерностью скрытого слоя 1024 и 32 блоками. Внимание в трёх из четырёх блоков ограничено окном в 256 символов, а каждый четвёртый блок использует глобальное внимание. Вход разбит на пять совмещённых плоскостей: буквы, границы слов и предложений, диакритика, регистр и пунктуация; каждую можно независимо заменять явным состоянием «неизвестно». Модель предназначена для восстановления пропусков и анализа вариантов представления древнегреческого текста, включая редакторский текст, scriptio continua и лакуны неизвестной длины. Чекпойнт fold 0 не обучался на отложенной для этой складки десятой части литературного корпуса; описание сообщает о разделении корпуса с защитой от совпадающих и близких дубликатов. Доступны веса в формате safetensors, библиотека Transformers, лицензия Apache-2.0. Релиз анонимный и связан с работой, находящейся на рецензировании.

Stoicheia-fold-1 — символьный энкодер на 405 млн параметров для древнегреческого языка, выпущенный анонимно вместе со статьёй на рецензировании. Модель использует masked diffusion: вход разбит на пять выровненных слоёв — буквы, границы слов и предложений, диакритические знаки, регистр и пунктуацию; каждый слой можно независимо заменить явным состоянием «неизвестно». Архитектура char-level с размерностью 1024 и 32 блоками внимания: три из каждых четырёх блоков ограничены окном в 256 символов, а каждый четвёртый учитывает всю последовательность. Модель предназначена для заполнения пропусков и анализа древнегреческих текстов в разных формах записи: от отредактированного текста до scriptio continua и лакун неизвестной длины. Чекпойнт fold 1 обучен без десятой части литературного корпуса, отведённой для его тестовой зоны; README описывает многоэтапную группировку редакций и фильтрацию совпадающих и близких фрагментов. Это исследовательский выпуск, сопровождающий статью на рецензировании. Лицензия — Apache-2.0.

Stoicheia literary fold 7 — анонимно выпущенный исследовательский чекпойнт размером 405 млн параметров для древнегреческого языка. Это символьный masked-diffusion encoder с архитектурой char-level BERT: пять выровненных входных плоскостей кодируют буквы, границы слов и предложений, диакритические знаки, регистр и пунктуацию; параметры модели — d_model 1024, 32 слоя и полосное внимание, где три из каждых четырёх блоков используют окно в 256 символов, а четвёртый — глобальное внимание. Модель предназначена для восстановления замаскированных фрагментов и анализа вариантов записи древнегреческого текста, включая тексты без пробелов и лакуны неизвестной длины. Входные признаки можно независимо заменять явным состоянием «неизвестно», поэтому модель подходит для работы с редакторской разметкой и неполными источниками. Чекпойнт обучен без тестовой части литературного корпуса, отнесённой к fold 7; авторы описывают его как часть анонимного релиза к статье на рецензировании. Лицензия — Apache 2.0.

Stoicheia-fold-9 — анонимно выпущенный чекпойнт модели Stoicheia, представленный вместе со статьёй на рецензировании. Это символьный masked-diffusion encoder на 405 млн параметров для древнегреческого языка: архитектура CharBERT с 32 блоками, размерностью 1024 и полосовым вниманием, где три из четырёх блоков используют окно в 256 символов, а четвёртый — глобальное внимание. Вход разделён на пять синхронизированных плоскостей: буквы, границы слов и предложений, диакритика, регистр и пунктуация; каждую можно независимо маскировать, обозначая неизвестные элементы явно. Модель предназначена для заполнения пропусков и анализа древнегреческих текстов в разных видах записи, в том числе без пробелов и с лакунами неизвестной длины. Чекпойнт fold 9 обучен без десятой части литературного корпуса, выделенной в тестовую зону этого фолда; README описывает процедуру контроля пересечений с тестовыми текстами. Весы доступны в формате safetensors, библиотека — Transformers. Лицензия Apache-2.0. Это анонимный выпуск, сопровождающий статью на рецензировании.

Stoicheia-fold-9 — анонимно выпущенный символьный masked-diffusion энкодер на 405 млн параметров для древнегреческого языка. Модель представлена как основа для литературной части серии Stoicheia; в карточке сказано, что её обучающие данные исключают тексты тестовой зоны девятого фолда. Архитектура использует пять выровненных слоёв входных признаков: буквы, границы слов и предложений, диакритические знаки, регистр и пунктуацию. Каждый слой можно независимо маскировать, задавая неизвестные символы или признаки. Модель предназначена для восстановления замаскированных элементов и работы с древнегреческими текстами в разных видах записи, в том числе с диакритикой, без разделения слов и с лакунами неизвестной длины. В энкодере 32 слоя при размерности 1024; три из каждых четырёх блоков внимания ограничены окном в 256 символов, а четвёртый использует глобальное внимание. Опубликована в формате safetensors, библиотека — Transformers; лицензия Apache-2.0. Выпуск сопровождает статью, находящуюся на рецензировании.

Stoicheia — модель для совместной морфосинтаксической разметки и синтаксического анализа древнегреческих текстов. Это 405-миллионный символьный энкодер с masked-diffusion архитектурой: 32 блока, размерность d_model 1024 и полосное внимание, где три из четырёх блоков используют окно в 256 символов, а каждый четвёртый — глобальное внимание. Модель разработана анонимной командой и выпущена вместе со статьёй, находящейся на рецензировании. За один проход общей сети модель предсказывает XPOS, леммы с помощью edit-script лемматизатора, вспомогательные UPOS-теги и зависимости между словами. Вход разделён на пять выровненных слоёв: буквы, границы слов и предложений, диакритические знаки, регистр и пунктуация; каждый слой можно независимо маскировать, чтобы обрабатывать отредактированный текст, scriptio continua и лакуны неизвестной длины. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0.

Matej разработал вторую версию BERT-модели для буддийского санскрита на основе архитектуры bert-base. Модель предварительно обучена с нуля как masked language model на справочном корпусе санскрита, а затем дообучена на меньшем корпусе буддийского санскрита; в этой версии использован несколько более крупный корпус буддийских текстов, чем в первой версии. Работа описана в статье «Embeddings models for Buddhist Sanskrit», опубликованной на LREC 2022. Модель предназначена для заполнения пропусков в санскритских текстах и получения контекстных представлений слов для исследований буддийского санскрита. Она содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. Лицензия — MIT. В карточке ограничений не заявлено; область обучения узкая, поэтому пригодность для других языков и общих задач не установлена.

zhuimengshaonian/gpt2-ancient-medium — языковая модель генерации текста на основе архитектуры GPT-2 medium, обученная разработчиком на корпусе древнекитайского языка. Она предназначена для продолжения и создания текстов в стиле древнекитайской письменности по заданному фрагменту. Модель работает с текстом и имеет контекст длиной 1024 токена; в карточке указано обучение на четырёх GPU P100 в течение примерно восьми дней. Модель может подойти для экспериментов с генерацией древнекитайского текста и создания стилизованных продолжений. В README приведён пример использования через Transformers с GPT2LMHeadModel и TextGenerationPipeline. Лицензия в предоставленных данных не указана.

MORENA 0.5B Mini Wolof Distill — экспериментальный артефакт на базе vamboai/morena-0.5b-mini, предназначенный для генерации текста на волоф. В карточке указаны протокол morena-native и замороженный токенизатор MORENA на 65 тысяч токенов. Для запуска требуются vendored-файл modeling_morena.py и обычный PyTorch; модель не использует Transformers. В README указан шаг чекпойнта 0, поэтому результаты метрик BPB 3,0955, perplexity 286,69 и BLEU 0,17 следует трактовать с учётом того, что это артефакт нулевого шага обучения. Лицензия в метаданных обозначена как other, без уточнения условий.

QuechuaBERT (PRPE) — небольшая модель BERT для заполнения пропусков в текстах на южном кечуа. Она использует класс BertForMaskedLM и морфологическую сегментацию PRPE из QuechuaTok; для токенизации требуется пользовательский токенизатор из пакета quechuatok. Модель обучена разработчиком на монолингвальных строках Llamacha и предназначена для языковых экспериментов и обработки низкоресурсного кечуа. Модель содержит 4,7 млн параметров и рассчитана на контекст до 64 токенов. В README указаны около 20 тысяч строк обучения, 5 тысяч шагов MLM и итоговая обучающая потеря около 6,19; автор характеризует чекпойнт как ранний и не претендующий на качество SOTA. Веса опубликованы в формате safetensors. Лицензия — MIT. Качество модели может быть ограничено небольшим размером, объёмом обучающих данных и ранним состоянием чекпойнта; для работы с ней нужна совместимая PRPE-токенизация QuechuaTok.

Stoicheia-fold-2 — 405 млн параметров, символьный энкодер с masked diffusion для древнегреческого текста. Разработчик не назван: модель выпущена анонимно вместе со статьёй, находящейся на рецензировании. Архитектура включает 32 слоя с размерностью 1024 и чередует локальное внимание в окне 256 символов с глобальным. Вход представлен пятью выровненными слоями: буквы, границы слов и предложений, диакритика, регистр и пунктуация; каждый слой можно независимо маскировать, включая обозначение неизвестных символов и лакун переменной длины. Модель предназначена для заполнения масок и работы с вариантами записи древнегреческих текстов, включая непрерывное письмо без пробелов и повреждённые места. Чекпойнт fold 2 исключает из обучения тестовую десятую часть литературного корпуса своего разбиения; README описывает методику, снижающую попадание дубликатов и близких текстов в обучение. Доступна лицензия Apache-2.0. В README не приведены оценки качества за пределами выбора шага по отложенным bits-per-character.

Stoicheia literary fold 4 — анонимно выпущенный исследовательский чекпойнт, сопровождающий статью на рецензировании. Это символьный masked-diffusion encoder на 405 млн параметров для древнегреческого языка: вход разбит на пять согласованных слоёв — буквы, границы слов и предложений, диакритика, регистр и пунктуация. Слои можно маскировать независимо, задавая неизвестные символы или признаки; модель рассчитана на чтение текстов с редакторской разметкой, слитным письмом без пробелов и лакунами переменной длины. Архитектура использует 32 блока и чередует локальное внимание в окне 256 символов с глобальным. Чекпойнт предназначен для филологических исследований и работы с корпусом древнегреческой литературы, в том числе для предсказания замаскированных фрагментов текста. Данные тестовой зоны fold 4 исключены из обучения этого чекпойнта; авторы также описывают процедуру поиска точных, переставленных и близких дубликатов для снижения риска загрязнения оценки. Репозиторий распространяется под лицензией Apache-2.0. Выпуск анонимный и связан со статьёй, находящейся на рецензировании.

Stoicheia literary fold 7 — это анонимно выпущенный чекпойнт размером 405 млн параметров: символьный masked-diffusion энкодер для древнегреческого языка. Архитектура char-level с d_model 1024 и 32 блоками; в трёх из каждых четырёх блоков внимание ограничено окном в 256 символов, а каждый четвёртый блок использует глобальное внимание. Модель представлена в формате safetensors и доступна по лицензии Apache-2.0. Модель предназначена для восстановления замаскированных элементов текста и анализа древнегреческих литературных текстов, в том числе с редакторскими знаками, непрерывным письмом без пробелов и лакунами неизвестной длины. Вход разделён на пять согласованных слоёв: буквы, границы слов и предложений, диакритика, регистр и пунктуация; каждый слой можно независимо обозначить как неизвестный. Чекпойнт fold 7 не обучался на тестовой части соответствующего литературного корпуса, что позволяет исследовать эти тексты с меньшим риском запоминания конкретных фрагментов. Модель разработана анонимными авторами как выпуск к статье, находящейся на рецензировании. Она рассчитана на древнегреческий и задачи классической филологии. README не описывает чат-интерфейс или генерацию связных ответов; основное назначение модели — предсказание замаскированных элементов. Доступна по лицензии Apache-2.0.

Stoicheia-fold-8 — анонимно выпущенный 405-миллионный символьный энкодер для древнегреческого языка, представленный как основа исследовательской работы на рецензировании. Модель использует masked-diffusion и пять выровненных входных плоскостей: буквы, границы слов и предложений, диакритические знаки, регистр и пунктуацию. Их можно маскировать независимо, задавая неизвестные элементы явно; архитектура включает 32 слоя с чередованием локального внимания в окне 256 символов и глобального внимания. Модель предназначена для предсказания замаскированных элементов древнегреческого текста, в том числе при работе с редакционным текстом, scriptio continua и лакунами неизвестной длины. Это чекпойнт восьмого разбиения литературного корпуса: заявлено, что тестовая часть этого разбиения исключена из обучающих данных. Доступные веса сохранены в формате safetensors, лицензия — Apache-2.0. README не описывает метрики качества, поэтому практическую точность для конкретных корпусов следует оценивать отдельно.

Stoicheia-fold-8 — анонимно выпущенный чекпойнт на 405 млн параметров для древнегреческого языка, сопровождающий статью на рецензировании. Это символьный masked-diffusion энкодер семейства char_bert с 32 слоями и размерностью скрытого представления 1024. Три из каждых четырёх блоков используют локальное внимание в окне 256 символов, а каждый четвёртый — глобальное. Модель предназначена для восстановления скрытых фрагментов и анализа текстов на древнегреческом. Вход разделён на пять выровненных плоскостей: буквы, границы слов и предложений, диакритика, регистр и пунктуация. Каждую плоскость можно независимо маскировать, что позволяет подавать отредактированный текст, текст без пробелов (scriptio continua) или лакуны неизвестной длины. Чекпойнт fold 8 исключает из обучения тестовую десятую часть литературного корпуса; авторы описывают процедуру разделения, направленную на предотвращение утечки совпадающих и близких текстов между обучением и тестом. Модель распространяется по лицензии Apache-2.0. Это экспериментальный анонимный выпуск, связанный со статьёй на рецензировании; README не сообщает о результатах оценки качества. Описанная гарантия исключения текстов относится к литературному корпусу и разбиению fold 8.

WindyTranslate/translate-fiu-fiu — модель машинного перевода от Windstorm Labs, дообученная на параллельных данных на основе Helsinki-NLP/opus-mt-fiu-fiu. Это архитектура MarianMT с 42,4 млн параметров, рассчитанная на перевод с языка, обозначенного кодом fiu, на тот же язык; максимальный контекст составляет 512 токенов. LoRA-дообучение слито с базовыми весами, изменив 36 из 254 тензоров. Модель доступна в формате safetensors для Transformers и распространяется по лицензии Apache-2.0. Качество перевода не оценивалось, поэтому пригодность для конкретных сценариев требует отдельной проверки.

Sahaj 30M — небольшая экспериментальная языковая модель от Gurpreet Singh Dhillon (Nam-toon Studio), дообученная для ответов на вопросы. Это причинный байтовый трансформер: он обрабатывает сырые байты UTF-8 без токенизатора, использует словарь из 256 байтов и ориентирован прежде всего на пенджабский язык в письме гурмукхи. Модель насчитывает около 29,6 млн параметров, имеет контекст 512 байт и распространяется в формате PyTorch. Модель предназначена для генерации текста и простых ответов на вопросы; её небольшой размер позволяет запускать её на процессоре ноутбука. Карточка не содержит подтверждённых результатов оценки: приведённые ранее бенчмарки были удалены, а автор характеризует модель как ранний эксперимент, а не проверенного ассистента. Модель часто ошибается в фактах и может повторять фразы, поэтому её не следует использовать для медицинских, юридических и других важных решений. Лицензия — MIT.

Stoicheia literary fold 5 — это анонимно выпущенная модель на 405 млн параметров для работы с древнегреческими текстами. Она использует символьный masked-diffusion encoder с архитектурой char-level BERT и пятью выровненными входными слоями: буквами, границами слов и предложений, диакритикой, регистром и пунктуацией. Слои можно маскировать независимо, задавая неизвестные символы и границы; три из каждых четырёх блоков внимания ограничены окном в 256 символов, а четвёртый обрабатывает текст глобально. Модель предназначена для восстановления пропусков и анализа вариантов представления текста: от отредактированных изданий до scriptio continua и лакун неизвестной длины. Чекпойнт относится к пятому из десяти литературных фолдов; авторы сообщают, что тестовая часть этого фолда исключена из обучения, а разделение учитывает дубликаты и близкие совпадения текстов. Это исследовательский релиз к статье, находящейся на рецензировании. Лицензия — Apache-2.0.

Stoicheia-fold-6 — анонимно выпущенный чекпойнт character-level masked-diffusion encoder на 405 млн параметров для древнегреческого языка. Архитектура использует 32 блока и чередует локальное внимание в окне 256 символов с глобальным: три блока из четырёх работают локально, каждый четвёртый — глобально. Вход разделён на пять выровненных слоёв: буквы, границы слов и предложений, диакритические знаки, регистр и пунктуация; каждый слой можно независимо маскировать, задавая неизвестные символы или признаки. Модель предназначена для восстановления пропусков и анализа древнегреческого текста в разных формах, включая редакторский текст, scriptio continua и лакуны неизвестной длины. Чекпойнт обучен без десятой части литературного корпуса, выделенной в тестовую зону fold 6; авторы описывают многоэтапную проверку на пересечения с дубликатами и близкими копиями. Это анонимный исследовательский выпуск, сопровождающий статью на рецензировании; лицензия — Apache-2.0. README указывает лучший результат на отложенных данных на шаге 78 001, но не приводит оценок качества для прикладных сценариев.

Stoicheia-restoration-test4 — модель для восстановления повреждённых надписей и папирусов на древнегреческом языке. Это символьный masked-diffusion encoder на 405 млн параметров, дообученный от Stoicheia-doc_clean. Модель обрабатывает пять выровненных слоёв текста: буквы, границы слов и предложений, диакритические знаки, регистр и пунктуацию. Каждый слой можно независимо маскировать, поэтому модель рассчитана на отредактированный текст, scriptio continua и лакуны известной или неопределённой длины. Контрольная выборка исключает документы, чьи идентификаторы PHI/TM оканчиваются цифрой 4, чтобы предложенное чтение не было воспоминанием о конкретной редакции. Чекпойнт выпущен вместе со статьёй, находящейся на рецензировании. Для использования предусмотрена запись дефиса на каждый пропущенный символ либо обозначения [N±M] для лакуны неопределённой ширины; README указывает функцию restore_respaced. Лицензия — Apache-2.0.