I.5Создание и редактирование текста

LLM-jp-4-8b-base — базовая языковая модель, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это плотная авторегрессионная Transformer-модель семейства Llama с 8,59 млрд параметров: 32 слоя, размер скрытого состояния 4096 и 32 головы внимания. Репозиторий содержит веса Safetensors для Transformers. Модель обучена на предварительном и промежуточном этапах на корпусе объёмом 11,7 трлн токенов. Она предназначена для генерации текста и служит базой для дальнейшей адаптации под диалоговые и другие языковые задачи. Контекстное окно составляет 65 536 токенов; языки карточки — японский и английский. Токенизатор основан на Unigram с поддержкой byte fallback, а шаблон чата совместим с форматом OpenAI Harmony. Разработчики отмечают, что модель находится на ранней стадии исследований и разработок и не настроена для надёжного следования намерениям пользователя и требованиям безопасности. Для корректной токенизации следует использовать токенизатор из репозитория; библиотека openai-harmony напрямую не поддерживается. Лицензия — Apache-2.0.

MiniLM-searchkeys — англоязычный энкодер Sentence Transformers, дообученный Saber Zahhar, Nédra Mellouli, Christophe Rodrigues и Nicolas Travers в рамках SearchKeys для многодоменного ранжирования ключевых фраз. Модель кодирует документ и кандидаты ключевых фраз в общее 384-мерное пространство; косинусное сходство служит оценкой релевантности, в том числе для фраз, которых буквально нет в документе. Модель предназначена для ранжирующего компонента конвейера предсказания ключевых фраз с поиском по размеченному корпусу: кандидаты сначала извлекаются, например BM25-поиском по близким документам, а затем сортируются по эмбеддинговому сходству, при необходимости с учётом частоты кандидата. Обучение объединяет датасеты компьютерной науки, биомедицины и новостей, поэтому модель рассчитана на эти три области. Это BERT-подобная модель на базе sentence-transformers/all-MiniLM-L12-v2 с 40 млн параметров; принимает текст и возвращает эмбеддинги. Контекст составляет 512 токенов, более длинный текст обрезается. Лицензия — CC; точный вариант лицензии в предоставленных данных не уточнён.

Helsinki-NLP/opus-mt-zh-de — модель машинного перевода, разработанная Helsinki-NLP в рамках проекта OPUS-MT. Она переводит текст с китайского на немецкий и построена на архитектуре Transformer с выравниванием. Вариант реализован как MarianMTModel и содержит около 58,4 млн параметров. Модель рассчитана на перевод стандартного китайского и ряда вариантов китайского, включая кантонский, уский и классический китайский, на немецкий. Для предобработки используются нормализация и SentencePiece с словарём на 32 тыс. токенов; длина контекста — 512 токенов. В карточке приведён результат BLEU 32,1 на тестовом наборе Tatoeba для пары китайский—немецкий. Модель подходит для автоматического перевода китайских текстов на немецкий, но качество может зависеть от диалекта, тематики и длины текста. Лицензия — Apache-2.0.

gokaygokay/paligemma-rich-captions — дообученная модель семейства PaliGemma, разработанная автором репозитория на базе PaliGemma и обученная на датасете google/docci. Она принимает изображение и текстовый запрос и формирует текстовое описание изображения длиной примерно 200–350 символов. Модель предназначена для создания более подробных подписей к изображениям; автор отмечает снижение числа галлюцинаций. Модель использует архитектуру PaliGemma для условной генерации текста по изображению. В метаданных указаны поддержка английского языка, библиотека Transformers и формат весов safetensors. Лицензия — Apache-2.0. Данные не сообщают размер модели или длину контекста.

PLaMo 3 NICT 31B Base — базовая языковая модель с причинным декодером на 31 млрд параметров, разработанная Preferred Networks совместно с Национальным институтом информационных и коммуникационных технологий Японии (NICT). Модель предварительно обучена на 3 трлн токенов на английских, японских и программных данных; архитектура сочетает слои Sliding Window Attention и традиционного внимания. Модель предназначена для генерации продолжения текста и служит базой для последующей адаптации под прикладные задачи. Она не проходила инструкционную настройку для диалогов и других downstream-задач. Поддерживает английский и японский языки. Выпущена под лицензией PLaMo community license; для коммерческого использования разработчик просит ознакомиться с лицензией и связаться с ним.

MuXodious создал Qwen3.5-4B-SOMPOA-heresy-v2 — дообученную версию мультимодальной модели Qwen3.5-4B, обработанную методом abliteration с использованием Self-Organizing Maps и Magnitude-Preserving Orthogonal Ablation. Модель предназначена для диалогов, анализа изображений, рассуждений и работы с инструментами; README сообщает о снижении частоты отказов после обработки. Это плотная модель на 4 млрд параметров с языковой частью и визуальным энкодером, построенная на гибридной архитектуре с Gated Delta Networks и gated attention. Базовая модель поддерживает 201 язык и диалект, а длина контекста составляет 262 144 токена с возможностью расширения до 1 010 000 токенов. Репозиторий содержит веса в формате Safetensors для использования с Transformers и совместимыми движками инференса. Модель может подходить для мультимодальных диалогов, вопросов по изображениям, рассуждений и сценариев с вызовом инструментов. Указанный в README результат UGI и метрики снижения отказов относятся к заявлениям автора; независимая оценка качества здесь не приведена. Лицензия — Apache-2.0.

violetxi выпустила дообученную полноразмерную модель Qwen3.5-9B для генерации текста и диалоговых агентных сценариев. Она обучена на заметках и траекториях, обусловленных заметками: около 70% обучающих токенов приходилось на заметки, 30% — на ответы ассистента в траекториях. Опубликован финальный чекпойнт после двух эпох и 6 134 обновлений; обучение проводилось без KL-регуляризации. Модель использует плотную архитектуру Qwen3.5 и загружается через Transformers. Базовая Qwen3.5-9B мультимодальна, однако в этой карточке заявлена задача генерации текста; данных о языках, кроме английского, нет. Длина упаковки обучающих последовательностей составляла 16 384 токена, но это не подтверждает нативное окно контекста модели. Модель предназначена для диалоговой генерации и агентных задач по протоколу работы с файлами, включая поиск и чтение заметок. В исторической оценке доля попыток, прошедших все критерии, составила 5% при бюджете в 5 ходов и 8% при бюджете в 20 ходов на 250 задачах с четырьмя образцами на задачу; результаты следует считать ограниченными историческим протоколом, без нового бенчмарка для публикации. Доступна по лицензии Apache-2.0.

Skywork-13B-Base-3.1TB — это промежуточный чекпойнт базовой языковой модели Skywork-13B-Base, разработанной командой Skywork. Он соответствует завершению первого этапа предварительного обучения на 3,1 трлн токенов; в карточке указано 13,6 млрд параметров. Это плотная авторегрессионная модель семейства Skywork для генерации текста, с архитектурой из 52 слоёв и контекстом до 131 072 токенов. Модель обучалась на очищенных китайских, английских и программных данных. Она предназначена для продолжения текста и служит базой для последующей адаптации под прикладные сценарии; карточка описывает оценки на языковых и математических бенчмарках, но это именно промежуточный базовый чекпойнт, а не готовая диалоговая модель. Используются BPE-токенизатор и формат PyTorch. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория.

dinesh480/telugu-whisper-finetuned — модель распознавания речи на телугу, разработанная на основе Swecha Gonthuka ASR и дообученная на пользовательском наборе телугуязычных аудиозаписей. Она использует архитектуру Wav2Vec2ForCTC и преобразует речь в текст на телугу в Unicode. Модель подходит для транскрибации, голосовых помощников, создания субтитров, образовательных приложений и анализа речи. Модель принимает монофонический звук WAV с частотой дискретизации 16 кГц; размер составляет 113,3 млн параметров. Репозиторий использует Transformers и хранит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Качество может снижаться при сильном фоновом шуме, нескольких говорящих, низком качестве записи и региональных акцентах, отсутствовавших в обучающих данных. README не приводит количественных результатов оценки.

Translate Gemma 4 Sub E4B GGUF — мультиязычная дообученная версия Gemma 4, разработанная 17slever17. Модель предназначена для обычного перевода и контекстного перевода субтитров, в частности для потокового и разговорного контента. Она используется в open-source проекте SubWave для перевода субтитров в реальном времени. Модель поддерживает передачу предыдущих исходных и переведённых сегментов, что помогает обрабатывать фразы, разделённые между субтитрами, и сохранять смысл, тон, сленг, неуверенность, повторы, незавершённую речь и особенности разговорного стиля. Также она может учитывать инструкции о стиле, тоне, степени формальности, говорящих, терминологии и глоссариях. Основные языки — английский, русский, испанский, немецкий и японский; французский, португальский, китайский, нидерландский, итальянский и корейский поддерживаются на втором уровне. Другие языки Gemma 4 могут работать, но специально не дообучались для перевода и оценивались ограниченно. Представленная версия распространяется в формате GGUF и предназначена для запуска с llama.cpp. По данным независимого от обучения тестирования в формате Q4, E4B-вариант показал высокие результаты среди сравниваемых моделей по chrF++, BERTScore, COMET-DA и MetricX-24 Ref, хотя уступил Gemma 4 12B по COMETKiwi и MetricX-24 QE. Ограничениями являются зависимость качества от предоставленного контекста, менее изученная поддержка языков за пределами основных и отсутствие в README точных сведений о размере архитектуры и длине контекста. Лицензия — Apache-2.0.

Infomaniak AI подготовила конфигурацию TranslateGemma 12B IT на базе Google TranslateGemma 12B IT для развёртывания с vLLM. Изменены шаблон чата, конфигурация RoPE и токен EOS для совместимости с vLLM; формат safetensors и архитектура Gemma 3 сохранены. Модель предназначена для перевода текста между 55 языками, а также для извлечения текста из изображения с последующим переводом. Запрос задаёт исходный и целевой языки в содержимом сообщения; также поддерживается ввод с пользовательской инструкцией. Размер семейства рассчитан на локальное или облачное развёртывание при ограниченных ресурсах, хотя конкретный размер этой версии — 12 млрд параметров. К сильным сторонам относятся мультимодальный перевод и поддержка множества языков. Качество может снижаться на неоднозначных выражениях, сложном контексте и темах, недостаточно представленных в обучающих данных; возможны предвзятость и фактические ошибки. Используется лицензия Gemma.

fathyy разработал wav2vec2-large-xlsr-53-fourth-train как дообученную версию fathyy/wav2vec2-large-xlsr-53-third-train для автоматического распознавания речи. Модель построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров; для работы используется библиотека Transformers. В карточке приведены результаты оценки: loss 1,3589 и WER 0,7930. Датасет обучения и целевые языки не определены в доступных сведениях, поэтому применимость к конкретному языку или сценарию подтвердить нельзя. Модель распространяется под лицензией Apache-2.0.

namquangstudy/aaie-ddense-gft-llama — экспорт модели AAIE-Distilled Dense Instruct в формате LlamaForCausalLM, подготовленный для совместимости с vLLM и Transformers. Разработчик сообщает, что веса скопированы без изменений, а конфигурация и имена параметров преобразованы; переобучения не проводилось. Совпадение генерации с исходной моделью проверено на одном примере. Модель предназначена для генерации текста в диалоговом формате и может использоваться через нативную реализацию Llama в vLLM без trust_remote_code. В карточке указана оценка 7,50 из 10 по оценке LLM-судьи на отложенных темах обратной связи по заданиям в IT и компьютерных науках. Архитектура плотная, семейство Llama; размер — 354,4 млн параметров, контекст — 1024 токена. Поддерживаемый язык по метаданным — английский. Репозиторий содержит веса Safetensors и распространяется по лицензии MIT. Описанная оценка относится к ограниченному набору тем; контекст в 1024 токена ограничивает работу с длинными входами. Экспорт меняет упаковку и совместимость, но сохраняет поведение исходной модели.

BERTomelo ModernBERT Base v1 — португалоязычный энкодер типа BERT, разработанный на базе архитектуры ModernBERT и предварительно обученный с нуля на португальской части корпуса ClassiCC. Версия Base содержит 22 слоя и около 135,5 млн параметров, принимает последовательности до 1 024 токенов и предназначена для заполнения пропусков в тексте. Для обучения использовано около 386,48 млрд токенов; модель применяет RoPE, чередование локального и глобального внимания, а также FlashAttention 2. Карточка сообщает о результатах оценки на задачах семантического сходства, распознавания текстовых следствий и распознавания именованных сущностей для бразильского португальского. Модель подходит для заполнения пропущенных слов и может служить энкодером для последующей адаптации к задачам понимания португальского текста. Контекст 1 024 токена поддерживает обработку более длинных фрагментов по сравнению со многими ранними моделями для бразильского португальского. Репозиторий содержит веса в формате safetensors и имеет лицензию Apache-2.0. Среди ограничений карточка отмечает отсутствие стандартизированных тестов длинного контекста для португальского языка, отсутствие упаковки последовательностей в текущем выпуске и возможность смещений, унаследованных от веб-данных ClassiCC PT.

Модель candra/blip-image-captioning-finetuned — дообученная версия BLIP (Bootstrapping Language-Image Pretraining) для автоматического описания изображений. Она принимает цветное изображение и генерирует текстовую подпись о его содержимом; из подписи также можно получить очищенные ключевые слова в формате хештегов. Базовая модель — Salesforce/blip-image-captioning-base. Модель подходит для автоматического создания подписей к изображениям и подготовки кратких тематических хештегов. В метаданных указаны архитектура BLIP с классом BlipForConditionalGeneration, поддержка изображений и текста, формат весов safetensors и английский язык. Данных о лицензии и размере модели в предоставленной карточке нет.

almanach/camembertv2-base-pawsx — франкоязычная модель классификации текста на архитектуре RoBERTa, разработанная Виссамом Антуном из Almanach, Inria-Paris. Она дообучена на FLUE-PAWS-X для выявления парафраз: модель определяет, выражают ли два предложения одинаковый смысл. В карточке указана точность 0,92254 на этом наборе данных. Модель содержит 138,4 млн параметров, принимает текст и выдаёт метку класса. Заявленный язык — французский; максимальный контекст составляет 1025 токенов. Модель распространяется по лицензии MIT. Результаты могут зависеть от характеристик обучающих данных, а качество на других наборах данных и задачах может быть ниже.

Cyfieithydd 7b Fersiwn 3 — экспериментальная модель перевода, разработанная BangorAI на основе BangorAI/mistral-7b-cy-epoch-2. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров, обученная для перевода между английским и валлийским языками на данных Cofnod y Cynulliad, подготовленных TechIaith, и архиве уведомлений правительства Уэльса. Модель принимает текст и генерирует текст; формат запросов в карточке показывает перевод с английского на валлийский и обратно. Модель использует веса PyTorch и распространяется по лицензии Apache-2.0. В метаданных указано контекстное окно 32 768 токенов, тогда как README описывает базовую Mistral-7B-v0.1 как модель с окном 4k и рекомендует подавать текст по абзацам. Поэтому при длинных входах следует учитывать эту оговорку и проверять фактически поддерживаемую длину в используемой конфигурации.

Карточка модели kamalkraj/deberta-v2-xlarge на Hugging Face совпадает с карточкой microsoft/deberta-v2-xlarge, поэтому описание составлено по ней. microsoft/deberta-v2-xlarge — англоязычная предварительно обученная модель понимания текста семейства DeBERTa V2, разработанная Microsoft. Она использует плотную архитектуру с disentangled attention и улучшенным декодером маски; версия XLarge содержит 24 слоя и скрытый размер 1536. В метаданных указаны 1,1 млрд параметров, контекст до 512 токенов и веса в форматах PyTorch и TensorFlow. Модель предназначена прежде всего для заполнения пропусков в тексте и может служить основой для дообучения на задачах понимания естественного языка, включая классификацию текста и ответы на вопросы. В карточке приведены результаты дообучения на SQuAD и наборах GLUE; исходная модель обучалась на больших текстовых корпусах. Лицензия — MIT.

DeepControl-Qwen2.5-3B — исследовательский чекпойнт разговорной модели Qwen2.5-3B-Instruct, разработанный для агента глубокого поиска в работе «Adaptive Information Control for Search-Augmented LLM Reasoning». Модель дообучена для рассуждений с использованием поиска и предназначена для сценариев, где генерация текста сочетается с поиском информации. В метаданных указаны плотная архитектура Qwen2, 3,1 млрд параметров, контекст до 32 768 токенов, поддержка английского языка и формат Safetensors. Модель доступна под лицензией Apache-2.0 и запускается, в частности, через vLLM. README приводит пример с ограничением контекста до 8192 токенов при запуске. Карточка не описывает качество на бенчмарках, конкретный поисковый интерфейс или ограничения поведения; для использования в агентной системе потребуется соответствующая поисковая инфраструктура.

HeackMT5-ZhCleanText1ML — дообученная модель mT5, созданная и поддерживаемая KongYang из Шанхайского университета Цзяотун. Она предназначена для очистки китайского текста: удаляет бессмысленные фрагменты и артефакты, стараясь сохранить исходную информацию. В редких случаях, когда модель уверена в результате, она может также кратко обобщить текст. Модель содержит 291,2 млн параметров и использует архитектуру MT5ForConditionalGeneration. Она обучена на миллионе строк данных; в карточке отмечена поддержка нескольких языков, однако README уточняет, что большие фрагменты текста не на китайском модель не обрабатывает. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

HY-MT1.5-1.8B-GGUF — квантизированная версия переводческой модели HY-MT1.5-1.8B, разработанной Tencent в рамках семейства Hunyuan Translation. Модель предназначена для автоматического перевода между 33 языками и поддерживает 5 этнических и диалектных вариантов. Среди заявленных языков — китайский, английский, русский, французский, испанский, японский, корейский, немецкий, арабский и другие языки Европы и Азии. Модель ориентирована на высокоскоростной перевод, включая работу на периферийных устройствах и сценарии реального времени. Она поддерживает терминологическое вмешательство, контекстный перевод и перевод с сохранением форматирования. По данным разработчика, при размере 1,8 млрд параметров модель обеспечивает качество, сопоставимое с более крупной HY-MT1.5-7B, сохраняя меньшие требования к вычислительным ресурсам. Формат GGUF подготовлен с использованием llama.cpp и предназначен для локального запуска в совместимых средах. К сильным сторонам относятся компактный размер, высокая скорость и широкая языковая поддержка. Ограничения включают отсутствие в предоставленных данных точных сведений об архитектуре, размере контекстного окна, конкретном уровне квантизации и количественной оценке качества. Лицензия в карточке модели не указана.

shawnw3i/Hy-MT2-7B-AWQ — квантованная 4-битная версия мультиязычной модели Hy-MT2-7B, разработанной Tencent Hy. Модель предназначена для машинного перевода в сложных практических сценариях и умеет следовать инструкциям на нескольких языках. Модель поддерживает перевод между 33 языками, включая китайский, английский, французский, португальский, испанский, японский, турецкий, русский, арабский, корейский, немецкий, итальянский, вьетнамский, индонезийский, хинди, украинский и другие. Она рассчитана на обычный, деловой, специализированный и инструкционный перевод, включая работу с терминологией, стилем, пользовательскими предпочтениями, разделителями и структурированными данными. Формат AWQ и 4-битное представление уменьшают требования к хранению и вычислительным ресурсам по сравнению с полноразмерной моделью. К сильным сторонам относятся широкий языковой охват, ориентация на реальные переводческие задачи и поддержка точного следования ограничениям инструкции. При этом README не содержит сведений о размере контекстного окна, конкретной архитектуре базовой модели, производительности именно этой квантованной версии и лицензии, поэтому эти характеристики нельзя подтвердить.

Карточка модели HuggingFaceM4/idefics-9b-instruct на Hugging Face совпадает с карточкой HuggingFaceM4/idefics-9b, поэтому описание составлено по ней. IDEFICS-9B — мультимодальная модель Hugging Face для работы с изображениями и текстом, созданная как открытая реализация подхода Flamingo. Она принимает текст вместе с одним или несколькими изображениями и генерирует текстовые ответы; без изображений может использоваться как языковая модель. Модель предназначена для визуальных вопросов и ответов, описания изображений и создания историй, связанных с несколькими изображениями. Архитектура объединяет визуальный энкодер CLIP ViT-H/14 и языковую модель LLaMA-65B, связанные новыми блоками Transformer с перекрёстным вниманием. В карточке указано 9 млрд параметров; метаданные репозитория сообщают 6,6 млрд. Модель рассчитана на английский язык, обучалась в том числе на наборах OBELICS, Wikipedia, PMD и LAION-2B-en, а длина контекста составляет 2048 токенов. Она демонстрирует возможности few-shot обучения на визуально-текстовых задачах и может служить основой для дообучения на пользовательских данных. Модель не генерирует изображения. Её ответы могут содержать фактические ошибки и вредные стереотипы, поэтому их следует проверять. Лицензия указана как other; карточка отсылает к отдельному разделу License для условий использования.

Light-TLLM-7B — языковая модель для машинного перевода, разработанная 360 AI Research на основе Qwen2.5-7B. Это плотная причинная трансформерная модель с 7,2 млрд параметров по метаданным; README указывает 7,61 млрд. В архитектуре используются RoPE, SwiGLU, RMSNorm и смещение в QKV-внимании, а контекст составляет до 131 072 токенов. Модель предназначена для многоязычного перевода, в том числе профессиональных документов и диалогов. Обучение включало продолжение предобучения, SFT с учебным планом и обучение с подкреплением MtPO. Расширенный словарь улучшает эффективность токенизации для ряда низкоресурсных письменностей, включая кхмерскую, лаосскую и мьянманскую. В README приведены результаты оценки на 90 направлениях FLORES-Plus и тестах следования ограничениям. Модель доступна в формате safetensors и совместима с библиотекой Transformers. Лицензия — Apache-2.0. Авторы указывают исследовательское и образовательное применение; это предупреждение само по себе не определяет зрелость модели.

M2M100 418M — мультиязычная модель последовательность-в-последовательность с архитектурой encoder-decoder, разработанная Meta и представленная в исследовательской работе. Она предназначена для прямого машинного перевода между 100 языками по 9 900 направлениям; при генерации целевой язык задаётся специальным токеном в начале последовательности. Модель содержит 332,5 млн параметров, принимает текст и генерирует текст, обучена для перевода без необходимости переводить через английский язык. Поддерживает 100 языков, включая русский и английский; длина контекста — 1024 токена. Подходит для перевода текстов между поддерживаемыми языками и интеграции в приложения машинного перевода. Опубликована в формате PyTorch и распространяется по лицензии MIT. Качество может различаться между языковыми парами; модель предназначена для перевода, поэтому её не следует рассматривать как универсального чат-ассистента.

ExAi/Meta-Llama-3-MoE-4x8B-Instruct — текстовая модель с архитектурой Mixture of Experts, представленная в формате Safetensors. Карточка позиционирует её как модель только для тестирования и обучения; метаданные указывают поддержку генерации текста и диалоговый режим. Модель содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. В тегах указан английский язык. Лицензия обозначена как other, поэтому конкретные условия использования по имеющимся сведениям установить нельзя.

MAGAer13/mplug-owl-llama-7b — модель для описания изображений, построенная на архитектуре mPLUG-Owl. По идентификатору модели она относится к варианту с LLaMA 7B. Предназначена для преобразования визуального содержимого в текстовые описания. Модель принимает изображения и выдаёт текст. В метаданных указан английский язык, библиотека Transformers и формат PyTorch. Лицензия — Apache-2.0.

OPT-66B — предобученная языковая модель семейства OPT, разработанная Meta AI и выпущенная в составе серии Open Pre-trained Transformers. Это плотный декодерный трансформер с авторегрессионной целью обучения; модель содержит 87,4 млрд параметров и принимает контекст длиной до 2048 токенов. Основной язык обучающих данных — английский, хотя в корпусе присутствует небольшое количество неанглоязычных текстов. Модель предназначена для генерации текста, оценки языковых моделей с помощью промптов и последующей адаптации к прикладным задачам. Она подходит для исследовательской работы с крупными языковыми моделями и экспериментов с генерацией и few-shot-подходами. Из-за большого размера для запуска требуются значительные вычислительные ресурсы; для эффективной генерации рекомендуется использовать половинную точность и прямой вызов generate. В обучающих данных много неотфильтрованного интернет-контента, поэтому модель может воспроизводить предвзятость, выдавать неточные ответы и демонстрировать ограниченное разнообразие генераций. Указанная в метаданных лицензия — other; конкретные условия следует проверять в официальных материалах Meta AI и карточке модели.

gaudi/opus-mt-en-zh-ctranslate2 — конвертированная в формат CTranslate2 модель машинного перевода, основанная на Opus-MT от Helsinki-NLP. Репозиторий подготовлен с использованием CTranslate2 и работы michaelfeil; архитектура относится к семейству Marian и использует схему «кодировщик—декодировщик». Модель предназначена для перевода с английского на китайский. Формат CTranslate2 рассчитан на ускоренный вывод и снижение потребления памяти на CPU и GPU; README указывает режимы вычислений int8 для CPU и int8_float16 для CUDA. Приведённые в карточке бенчмарки относятся к другим общим конфигурациям Opus-MT, поэтому их показатели не подтверждают скорость именно этой модели. README также сообщает о возможном снижении качества перевода после конвертации и квантования. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-es-ru — модель машинного перевода из испанского языка на русский, разработанная Helsinki-NLP в рамках проекта OPUS. Это Transformer-модель семейства MarianMT с архитектурой transformer-align, обученная на данных OPUS; перед обработкой применяются нормализация текста и токенизация SentencePiece. Размер модели — 57,6 млн параметров, максимальный контекст — 512 токенов. Доступны веса PyTorch и TensorFlow. Модель предназначена для перевода испанских текстов на русский, включая отдельные фразы и более длинные фрагменты в пределах контекста. В карточке приведены результаты на тестовых наборах newstest2012, newstest2013 и Tatoeba; качество зависит от тематики и формулировок текста. Распространяется по лицензии Apache-2.0.