I.6Перевод и языковая адаптация

Claudius 400M Base — базовая языковая модель, разработанная fbandov и обученная с нуля только на латинских текстах. Это плотная авторегрессионная модель семейства Llama с 342 млн параметров, контекстом 2 048 токенов и весами в формате safetensors; для работы используется библиотека Transformers. Обучение охватило около 6,8 млрд токенов из классической, средневековой и неолатинской литературы, преимущественно схоластических и церковных текстов. Модель предназначена для продолжения латинского текста, генерации прозы и стихов, а также для дальнейшего предобучения или дообучения. Она не обучалась выполнять инструкции или вести диалог; автор рекомендует для большинства сценариев генерации использовать дообученную версию fbandov/claudius-latin-400m. Модель может писать грамматически связную латынь, но ненадёжно отвечает на фактические вопросы и способна выдумывать сведения. Стиль модели тяготеет к средневековой латыни; она может воспроизводить заголовки глав и номера разделов, а генерируемый текст выводится заглавными буквами. Греческий язык в обучающие данные не входил. Лицензия весов — CC BY-SA 4.0.

EScorlec — дообученная на неопределённом наборе данных модель генерации текста на базе DeepESP/gpt2-spanish, опубликованная maesneako. Она использует архитектуру GPT-2 и веса PyTorch; заявленное окно контекста — 1024 токена. Карточка не описывает специализацию, обучающие данные или результаты оценки, поэтому назначение модели за пределами генерации текста определить нельзя. Модель распространяется по лицензии MIT.

Akimite разработал экспериментальную разговорную модель на 9 млрд параметров на основе HODACHI/EZO-Common-9B-gemma-2-it. Это плотная причинно-языковая модель Gemma 2 для генерации текста и диалогов на японском языке; в карточке указан контекст 8192 токена. Для настройки использовалась библиотека deccp и короткие примеры японских вопросов и ответов из hatakeyama-llm-team/AutoGeneratedJapaneseQA-other. В примерах модель отвечает на повседневные вопросы и поддерживает непринуждённую беседу в образе персонажа. Модель может быть полезна для экспериментов с японским разговорным ИИ, ролевыми диалогами и генерацией ответов в заданном стиле. Автор отмечает, что английские слова могут примешиваться к японскому, а характер персонажа и окончания фраз нестабильны. Указана лицензия Gemma; применимость её условий следует проверять для конкретного сценария использования.

Модель vaishnavi0901/gemma-4-31b-kannada-ocr-smoketest представляет собой дообученную адаптером PEFT версию unsloth/gemma-4-31b-it-unsloth-bnb-4bit. Базовая модель разработана и опубликована командой Unsloth; сведения об отдельном разработчике дообучения в карточке не указаны. Дообучение выполнено методом supervised fine-tuning (SFT) с использованием TRL. Судя по идентификатору и названию, модель предназначена для экспериментов с OCR на языке Kannada и генерации текста, однако подробности о формате входных данных, поддержке изображений, наборе данных и целевых сценариях не приведены. В карточке указано, что модель относится к text-generation, использует LoRA, основана на Gemma 4 с размером 31B и представлена в 4-битной конфигурации BNB. Языковые возможности, размер контекста и фактические показатели качества не указаны. Модель может быть полезна для тестирования адаптации большой языковой модели к задачам, связанным с Kannada OCR, но её надежность и пригодность для практического OCR-применения требуют отдельной проверки. Ограничения, результаты оценки и требования к аппаратному обеспечению не описаны. В метаданных указана лицензия с обозначением «license», без точного текста или условий лицензирования, поэтому перед использованием необходимо уточнить применимые лицензионные ограничения базовой модели и адаптера.

nikokons/gpt2-greek — грекоязычная авторегрессионная модель генерации текста, созданная на основе GPT-2 small. Она дообучена на коллекции греческих текстов объёмом почти 5 ГБ, преимущественно из Википедии; обучающие примеры включали по пять предложений. Архитектура содержит 12 слоёв, скрытый размер 768 и 12 голов внимания, а максимальная длина последовательности составляет 512 токенов. Модель предназначена для продолжения греческого текста по заданному промпту. Доступны веса в форматах PyTorch и Flax. Лицензия — MIT. Карточка описывает корпус и архитектуру, но не приводит оценок качества или иных сценариев применения.

gpt2-small-cs — компактная авторегрессионная языковая модель семейства GPT-2. В карточке указано, что разработчики предварительно обучили её на 115 ГБ очищенных текстов на чешском языке, преимущественно из Common Crawl. Модель состоит из 4 слоёв, 8 голов внимания и имеет скрытый размер 512; архитектура — GPT2LMHeadModel. Она предназначена для генерации продолжения текста на чешском языке. Длина контекста — 1024 токена; доступны веса в форматах PyTorch и safetensors. Модель может служить компактной основой для экспериментов и приложений, которым нужна генерация чешского текста. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространять производные материалы нужно на тех же условиях, а коммерческое использование не разрешено. Карточка не приводит оценок качества или специальных ограничений сверх лицензии и компактного контекста.

danghuy1999/gpt2-viwiki — языковая модель GPT-2, дообученная на статьях из раздела Latest pages в вьетнамской Википедии. Она предназначена для генерации текста на вьетнамском языке и продолжения текстов в стиле энциклопедических статей. Модель основана на архитектуре GPT2DoubleHeadsModel, принимает текст и выдаёт текст; длина контекста — 1024 токена. В карточке указана лицензия MIT. Обучение на статьях Википедии делает модель подходящей для экспериментов и черновой генерации энциклопедического текста на вьетнамском языке; фактическая точность сгенерированных сведений не гарантируется.

Gregg Vision v0.2.1 — модель Grascii, которая преобразует изображение отдельной формы стенографии Грегга в её текстовое представление Grascii. Она предназначена для распознавания рукописной стенографической формы; вместе с Grascii Search результат можно использовать для поиска возможных интерпретаций на английском языке. Модель построена на архитектуре vision encoder-decoder: ViT-энкодер обрабатывает одноканальное изображение, а декодер на основе RoBERTa генерирует текст. Энкодер был инициализирован из vit-small-patch16-224-single-channel, декодер — случайно; модель обучена на наборе gregg-preanniversary-words. Лицензия — MIT. Модель рассчитана на изображения отдельных форм, поэтому карточка не подтверждает распознавание длинных записей или произвольного текста. Она генерирует Grascii, а не готовую английскую расшифровку; для получения возможных английских интерпретаций требуется Grascii Search.

Norod78/hewiki-articles-distilGPT2py-il — компактная языковая модель на архитектуре GPT-2, созданная для генерации текста на иврите. По карточке, модель размера distilGPT2 обучена на извлечённых статьях иврителингвистического раздела Википедии за июль 2020 года; для разметки текста добавлялись специальные маркеры, а пустые строки удалялись. Модель подходит для продолжения и генерации ивритского текста в сценариях, где достаточно короткого контекста. Максимальная длина контекста — 1024 токена. Доступны веса в форматах PyTorch, TensorFlow и Flax, включая safetensors. Лицензия — MIT. Обучение на Википедии ограничивает тематику и стиль модели энциклопедическими текстами; карточка не сообщает об оценках качества или дополнительных возможностях. Результаты могут содержать фактические ошибки и отражать ограничения и перекосы источника обучения.

neurlang/ipa-whisper-medium — дообученная модель распознавания речи на базе мультиязычной Whisper medium от OpenAI. Она построена на архитектуре Transformer encoder-decoder и содержит 455,8 млн параметров. Модель дообучена на 75 000 синтетических аудиозаписей с транскрипциями в Международном фонетическом алфавите (IPA); данные для обучения были созданы с помощью фонемизатора goruut и взяты из случайных записей Common Voice 21 на 74 языках. Модель предназначена для преобразования речи в фонетическую запись IPA и подходит для экспериментов с фонемным распознаванием и анализа произношения. Whisper рассчитана на аудиофрагменты длиной до 30 секунд; для более длинных записей README описывает обработку с разбиением на чанки. Валидационный CER на наборе слов словацкого языка составил 28,38, поэтому качество для конкретного языка и сценария следует проверять отдельно. Как и другие модели Whisper, она может галлюцинировать слова, которых нет в аудио, повторять фрагменты и показывать неодинаковую точность для разных языков, акцентов и диалектов. Репозиторий распространяется по лицензии Apache-2.0.

rinna/japanese-gpt2-xsmall — компактная авторегрессионная языковая модель семейства GPT-2, разработанная компанией rinna Co., Ltd. Она предназначена для генерации японского текста и продолжения заданного фрагмента. Модель построена на трансформере с 6 слоями и размером скрытого состояния 512; максимальная длина контекста составляет 1024 токена. Модель обучена на японских данных CC-100 и Википедии с использованием стандартной цели языкового моделирования. Для токенизации применяется SentencePiece с вокабуляром, обученным на японской Википедии. В README приведено значение perplexity около 28 на выбранной валидационной выборке CC-100. Репозиторий предоставляет веса в форматах PyTorch, Safetensors и TensorFlow. Модель подходит для экспериментов и приложений, которым нужна небольшая GPT-2 для японского автодополнения и генерации. Её специализация на японском языке и контекст до 1024 токенов ограничивают применение для других языков и длинных документов. Лицензия — MIT.

KW5-Lite Base — компактная языковая модель Regnant, обученная с нуля для продолжения текста на суахили (кисуахили). Это декодерный трансформер, совместимый с Llama, с 109,5 млн параметров и контекстом 2048 токенов. Модель обучена на 1,41 млрд токенов очищенного корпуса FineWeb-2 на суахили; токенизатор BPE обучен с нуля и содержит 32 тыс. токенов. Модель предназначена прежде всего как основа для дообучения на суахили: например, для адаптации к предметной области, настройки следования инструкциям или добавления классификационной головы. Она умеет связно продолжать текст, но не обучена выполнять инструкции и не предназначена для непосредственного использования как чат-бот или источник фактов. В тестах на понимание прочитанного и логический вывод результаты были около случайного уровня. Модель выпущена в формате safetensors и распространяется по лицензии Apache-2.0. Корпус преимущественно отражает танзанийский вариант суахили. Фактическая надёжность низкая, а из-за отсутствия настройки безопасности модель может воспроизводить вредный, предвзятый или откровенный материал из обучающих веб-данных.

LaBerta — одноязычная модель семейства RoBERTa, разработанная для задач классической филологии. Это энкодерная модель размером с RoBERTa-base, обученная на корпусе Corpus Corporum; её архитектура предназначена для восстановления замаскированных токенов в тексте. Модель содержит 153,2 млн параметров и поддерживает контекст до 514 токенов. LaBerta подходит для предсказания пропущенных слов и может служить основой для дообучения на филологических задачах. В карточке приведены результаты дообучения на данных разметки частей речи EvaLatin 2022: 98,11 для классического жанра, 96,73 при переносе между жанрами и 93,33 при переносе между периодами. Эти показатели относятся к дообученной модели и не описывают напрямую качество исходного чекпойнта. Модель распространяется по лицензии Apache-2.0.

aifeifei798 создал llama3-8B-feifei-1.0 с помощью mergekit, объединив четыре языковые модели семейства Llama 3 методом Model Stock на основе hfl/llama-3-chinese-8b-instruct-v3. Это плотная авторегрессионная модель с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она предназначена для диалогов от лица виртуального персонажа Aifeifei с использованием карточки персонажа. Модель ориентирована на ролевое общение и связную генерацию на китайском, английском и японском языках. В репозитории также есть mmproj для использования возможностей обработки изображений через Koboldcpp. Автор предупреждает, что без карточки персонажа результаты заметно хуже, а заявленные моральные ограничения проверены недостаточно. Контекст модели составляет 8192 токена. Лицензия указана как llama3; условия использования следует сверять с лицензиями исходных моделей слияния.

siyah1/malayalam-moe-pretrain — модель генерации текста, опубликованная пользователем siyah1 на Hugging Face. В README указано, что это дообученная версия siyah1/malayalam-moe-pretrain; для оценки приведено значение loss 1,0009. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. По названию модель предназначена для работы с текстом на малаялам, однако карточка не описывает её архитектуру, размер, контекст, данные обучения или конкретные сценарии применения. README также не сообщает лицензию, поэтому условия использования определить нельзя.

Chuvash mGPT 1.3B — языковая модель для генерации текста на чувашском языке, разработанная ai-forever на базе mGPT-XL 1.3B. Модель построена на архитектуре GPT-2 и содержит 1,3 млрд параметров. Модель дополнительно обучили на данных для чувашского языка: README указывает 1000 шагов дообучения и оценку perplexity 28,76 на валидационной выборке. Она подходит для продолжения чувашского текста и экспериментов с генерацией для языка с примерно 1,1 млн носителей. Базовая mGPT обучалась на 61 языке с использованием Wikipedia и корпуса C4. Контекст модели составляет 2048 токенов. Доступны веса в формате PyTorch, лицензия — MIT. В описании приведена оценка perplexity, но нет сравнений с другими моделями или подробностей о качестве на отдельных задачах; применение за пределами генерации текста отдельно не подтверждено.

miti-2.3b-base-v1 — экспериментальная базовая языковая модель для кыргызского языка, опубликованная metinovadilet. Модель построена с нуля и предназначена для низкоресурсных исследований NLP на кыргызском языке. По метаданным, это плотная архитектура семейства Llama с классом LlamaForCausalLM, 2,3 млрд параметров и контекстом до 4096 токенов; веса доступны в формате safetensors, библиотека — Transformers. Модель генерирует текст и может использоваться для экспериментов с кыргызскоязычной генерацией и исследованиями низкоресурсного языка. Автор отмечает, что связность пока экспериментальная, а обучающих данных не хватило для более качественного предобучения; проект приостановлен. Лицензия — MIT.

Prose Rewriter 1.7B v2.2 — англоязычная модель для переписывания художественной прозы, созданная на базе Qwen/Qwen3-1.7B-Base с объединённым адаптером LoRA rank 32. Она переформулирует один абзац за вызов, стараясь сохранить исходный смысл и сделать текст более естественным, с меньшими повторами и характерными для генерации языковыми штампами. Модель имеет плотную архитектуру Qwen3ForCausalLM, 1,7 млрд параметров и контекст 32 768 токенов; доступны веса safetensors и вариант GGUF Q8_0. Модель рассчитана на художественную прозу на английском языке, включая повествование от первого и третьего лица и диалоги. Это не универсальная чат-модель и не модель для выполнения инструкций: используется один заданный формат запроса. По оценке авторов, v2.2 реже вводит отсутствующие в оригинале имена, но всё ещё может добавлять детали, повторять фразы и заметно сокращать текст. Авторы рекомендуют подавать абзацы от 15 слов; очень короткий текст лучше пропускать без изменений. Лицензия — AGPL-3.0.

prose-rewriter-4b-v2.1 — дообученная модель на базе Qwen/Qwen3-4B-Base, опубликованная автором репозитория chartreuse-verte. Она переписывает отдельные абзацы художественной прозы на английском языке, стремясь сделать стиль естественнее и убрать характерные для генерации языковых моделей штампы, сохраняя исходный смысл. Модель плотная, с архитектурой Qwen3ForCausalLM, содержит 3,7 млрд параметров и поддерживает контекст до 32 768 токенов. Доступны веса safetensors и варианты GGUF Q8_0 и Q4_K_M. Модель рассчитана на один абзац за вызов и не предназначена для диалога с инструкциями. Она активнее редактирует текст, чем предыдущая версия, но может добавлять неподтверждённые исходником детали, менять имена или местоимения и заметно сокращать текст. Лучше подходит для художественной прозы; короткие фрагменты менее 15 слов могут обрабатываться ненадёжно. Лицензия — AGPL-3.0.

BlinkDL/rwkv-4-novel — семейство языковых моделей RWKV-4, дообученных на романах на основе RWKV-4-Pile. Автор указывает варианты с разным составом данных: ChnEng обучена на смеси китайского текста и The Pile, ChnEng-ChnPro дополнительно дообучена на качественных профессиональных китайских романах, а Chn — на китайских текстах. Модель предназначена для генерации художественного текста и продолжения прозы. Архитектура RWKV сочетает языковую модель с рекуррентной обработкой; README характеризует её как «100% RNN». Карточка не приводит размер модели или длину контекста. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

Shakespeare — дообученная QuillBytes модель на базе Qwen3-4B, предназначенная для диалога и генерации текста в стиле раннего современного английского языка. Она использует елизаветинскую лексику, обращения thee/thou/thy и стремится к ямбическому ритму, сохраняя этот стиль в ответах. Модель подходит для развлекательных бесед, стилизации текста и создания реплик с шекспировским звучанием. В репозитории есть веса GGUF, включая 4-битную квантизованную версию для локального запуска, а также вариант F16; метаданные указывают архитектуру семейства Qwen3. Лицензия — Apache-2.0. Модель рассчитана на развлечение и может постоянно отвечать в заданной стилистике, что ограничивает её применение для нейтральных ответов и задач, требующих современного языка.

NightPrince/stt-arabic-whisper-finetuned-diactires — модель автоматического распознавания речи на основе Whisper Small, дообученная разработчиком NightPrince на записях чтения Корана из набора tarteel-ai/everyayah. Модель принимает аудио чтения и выдаёт арабскую транскрипцию с ташкилем — диакритическими знаками, включая огласовки и шадду. В метаданных указаны архитектура WhisperForConditionalGeneration, 153,1 млн параметров и библиотека Transformers. Модель предназначена для распознавания аятов и подходит для инструментов оценки чтения, приложений для изучения Корана и исламских образовательных платформ. В README сообщается о низком CER на тестировании, однако результаты относятся к указанному корпусу и конфигурации оценки. Модель обучена исключительно на чтении Корана, поэтому качество на обычной разговорной арабской речи может быть значительно хуже; длинные записи рекомендуется сегментировать. Вывод использует стиль письма Усмани из обучающего корпуса. Лицензия — Apache-2.0.

Это исследовательский чекпойнт Jeesup на основе Meta-Llama-3-8B-Instruct, сжатый методом SVD-LLM и затем обработанный в 10 раундах параметрически нейтрального обмена весов по правилу gap_iter. Удалено около 40% параметров; в метаданных указан размер 7,5 млрд параметров, архитектура Llama с плотной причинной языковой моделью и контекстом 8192 токена. Модель работает с текстом и предназначена для генерации ответов в диалоге. Чекпойнт создан как один из вариантов в исследовании влияния сжатия на безопасность и полезность языковых моделей и способов восстановления поведения. В README приведены результаты на тестах AdvBench, StrongREJECT и WildGuard; их следует трактовать как измерения конкретного экспериментального варианта, а не как гарантию поведения в других условиях. Это не универсальный чат-ассистент и не готовая к развёртыванию модель: некоторые варианты исследования намеренно ухудшают безопасность относительно исходной модели. Для использования базовой модели применяются условия лицензии Llama 3.

Swallow-70b-NVE-RP — 68,7-миллиардная плотная языковая модель на архитектуре Llama, созданная nitky слиянием нескольких моделей для ролевых сценариев и написания историй. В качестве основы использована tokyotech-llm/Swallow-70b-NVE-instruct-hf; в слияние также вошли GOAT-70B-Storytelling, dreamgen/opus-v0.5-70b, lzlv-limarpv3-l2-70b и адаптер Waxwing-Storytelling-70B-LoRA. Модель работает с текстом, поддерживает японский и английский языки, а длина контекста составляет 4096 токенов. Модель предназначена прежде всего для ролевых игр и художественной генерации; автор отмечает, что она не очень хорошо подходит для многоходового чата. В README приведены рекомендуемые параметры генерации и формат инструкций Alpaca, а также отмечена экспериментальная совместимость с форматами подсказок нескольких включённых моделей. Опубликованные веса представлены в формате safetensors. README указывает на личное и академическое использование. Используется лицензия Llama 2, однако автор предупреждает, что коммерческие права на некоторые компоненты слияния неясны; перед коммерческим применением следует проверить права на все исходные модели.

Это модель автоматического распознавания речи на основе wav2vec 2.0 XLS-R, дообученная slplab на фонетически сбалансированном корпусе чтения носителей корейского языка. Архитектура — Wav2Vec2ForCTC; в метаданных указано 402,7 млн параметров. Модель принимает аудио и выдаёт текстовую последовательность фонем корейской речи. Для обучения использовано 108 часов аудио из 54 000 записей 540 дикторов; оценка проводилась на 12 часах аудио из 6 000 записей 60 дикторов того же корпуса. В README указан Phone Error Rate 3,88%. Модель может применяться для фонетической транскрипции корейской речи и анализа произношения, в том числе ошибок изучающих корейский как второй язык. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Оценка относится к указанному корпусу чтения; качество на спонтанной речи, других условиях записи и иных языках по приведённым данным не установлено. Модель ориентирована на фонемную транскрипцию, поэтому её вывод не следует трактовать как обычную орфографическую транскрипцию без соответствующей обработки.

zsmlatn5mb — одноязычная языковая модель семейства Goldfish, обученная авторами Goldfish для стандартного малайского языка в латинской письменности. Это плотная GPT-2 с 38 038 528 параметрами, созданная на основе примерно 5 МБ текстовых данных после поправки на различия в объёме UTF-8; в обучении использованы NLLB и Glot500. Модель рассчитана на сравнение возможностей языковых моделей для языков с ограниченными ресурсами, а не на конкуренцию с современными крупными моделями для высокоресурсных языков. Модель генерирует текст на стандартном малайском и принимает последовательности длиной до 512 токенов. Для лучшего результата README рекомендует добавлять в начало входа токен [CLS]. Возможные сценарии — исследование языкового моделирования и генерация или продолжение малайского текста. Для малайского языка также упоминается макроязыковая модель Goldfish msa_latn как возможная альтернатива. Репозиторий использует PyTorch и библиотеку Transformers; лицензия — Apache-2.0.

AIBunCho Japanese Novel GPT-J 6B — это конвертированная в формат GGUF версия модели japanese-novel-gpt-j-6b, опубликованной AI BunCho. Конвертацию выполнил mmnga. Модель предназначена для генерации японского текста, в частности художественной прозы и диалогов, на основе заданного текстового приглашения. В README приведены примеры продолжения японских реплик и повествования с использованием llama.cpp. Модель основана на архитектуре GPT-J и имеет размер около 6 млрд параметров. Она работает только с текстом и ориентирована на японский язык. Точный размер контекста и другие параметры обучения в README не указаны. GGUF-версия поддерживает запуск через экспериментальную ветку llama.cpp, включая выполнение на CPU и ускорение с использованием CUBLAS на совместимом GPU. Основное преимущество модели — специализация на японской художественной генерации и возможность локального запуска через llama.cpp. Ограничение заключается в экспериментальном статусе конвертации: при появлении поддержки GPT-NeoX и GPT-2 в основной ветке llama.cpp данный GGUF-файл может стать несовместимым. Указанная лицензия — OpenRAIL.

DevQuasar/Aratako.Qwen3-8B-NSFW-JP-GGUF — квантованная версия модели Aratako/Qwen3-8B-NSFW-JP, подготовленная для генерации текста. По идентификатору модели можно заключить, что она основана на Qwen3 с размером около 8 миллиардов параметров и ориентирована на японский контент с тематикой NSFW. Формат GGUF предназначен для локального запуска совместимыми инструментами вывода. Модель подходит для сценариев генерации и продолжения текста, прежде всего на японском языке и в рамках задач, для которых создана исходная модель. Квантование обычно уменьшает требования к памяти и может упростить локальное использование, однако README не содержит сведений о конкретном варианте квантования, поддерживаемых контекстных размерах, точных языках, архитектуре, качестве, ограничениях или результатах тестирования. Лицензия и условия использования в README не указаны.

ChatWaifu_v1.0 — японскоязычная диалоговая модель, разработанная spow12 для имитации персонажей визуальных новелл. Это дообученная причинная языковая модель Mistral объёмом 7,1 млрд параметров, основанная на Local-Novel-LLM-project/Vecteus-v1. В карточке указаны поддержка чата и контекст 4096 токенов по метаданным; автор отдельно заявляет контекст до 128 тыс. токенов и сохранение памяти при длинных диалогах, отмечая, что эти свойства унаследованы от базовой модели. Модель предназначена для ролевых бесед на японском языке: она может воспроизводить заданный характер по описанию персонажа и примерам его реплик, а в карточке приведены персонажи из визуальной новеллы Senren＊Banka. Автор предупреждает, что в обучающих данных остались материалы NSFW, поэтому модель может генерировать откровенный контент. Лицензия — CC BY-NC 4.0; автор указывает некоммерческое и исследовательское использование.

GPT2-Chinese-Ancient — авторегрессионная модель генерации текста на основе архитектуры GPT-2, предварительно обученная проектом UER-py. Она предназначена для генерации текстов на древнекитайском языке. Для обучения использовано около 3 миллионов текстов из корпуса daizhigev20; для части текстов без пунктуации применялась система пунктуации древнекитайского языка, разработанная лабораторией BNU ICIP. Модель принимает текстовый контекст и продолжает его, поддерживая контекст до 1024 токенов. Доступны варианты весов для PyTorch, TensorFlow и Flax. Карточка не сообщает отдельные ограничения качества или условия лицензии.