I.6Перевод и языковая адаптация

Модель oddadmix/whisper-large-v3-arabic-dialectal-v2 разработана автором oddadmix на базе Whisper large-v3 от OpenAI и дообучена для распознавания разговорного арабского языка в разных диалектах. Она принимает аудио и преобразует речь в текст; в карточке описано дообучение на сбалансированном по диалектам наборе lahgtna-v3-small: 52 тысячи обучающих и 2,6 тысячи тестовых фрагментов. Размер базовой модели — 1,54 млрд параметров, архитектура — WhisperForConditionalGeneration, веса опубликованы в формате safetensors. На сбалансированной тестовой выборке модель показала WER 0,3199 и CER 0,1203 при оценке нормализованного текста без диакритических знаков. В приведённых результатах лучше распознаются саудовский и другие заливные варианты, сложнее — магрибские диалекты, включая тунисский, алжирский и марокканский. Модель рассчитана на транскрибацию арабской речи, а не на генерацию текста по произвольным запросам. Модель распространяется по лицензии Apache-2.0. Она унаследовала мультиязычные возможности Whisper large-v3, однако дообучение и заявленная специализация ориентированы на арабские диалекты; показатели зависят от диалекта, качества аудио и принятой нормализации транскрипта.

drewschaub/whisper-large-v3-japanese-4k-steps — дообученная модель автоматического распознавания речи на базе Whisper large-v3 от OpenAI. Она предназначена для транскрибации японской речи в текст и обучена на Common Voice 16.1; модель содержит 905,2 млн параметров и распространяется в формате Safetensors по лицензии Apache-2.0. Обучение продолжалось 4000 шагов на Google Colab с A100. В README указаны оценка loss 0,4057 и WER 18,2149; автор также сообщает, что validation loss и WER росли в ходе обучения, что указывает на переобучение и может ограничивать качество распознавания. Модель принимает аудио и выдаёт текст.

Это дообученная модель автоматического распознавания речи на основе Whisper Large-v3 Turbo от OpenAI, адаптированная для кхмерского языка. Она преобразует аудио в текст и предназначена для транскрибирования с нормализацией числительных, денежных сумм и дат. Модель содержит 905,2 млн параметров и использует архитектуру WhisperForConditionalGeneration; веса представлены в формате safetensors. Она рассчитана на кхмерскую речь, а в качестве лицензии указана MIT. Качество проверялось только на внутренних валидационных и тестовых наборах. Точность может снижаться на длинных аудиозаписях, акцентах вне обучающей выборки и записях с фоновым шумом.

Это модель автоматического распознавания речи, созданная Мохаммедом Али тонкой настройкой openai/whisper-large-v3-turbo на наборе MohamedRashad/arabic-english-code-switching. Она преобразует аудио с египетской арабской речью в текст и при переключении на английский старается записывать английские слова латиницей, а не арабским письмом. Модель основана на архитектуре Whisper и содержит 809 млн параметров. Модель предназначена для расшифровки речи с переключением между египетским арабским и английским, например разговоров с распространёнными английскими терминами. Лицензия — MIT. Для лучшего распознавания рекомендуется монофоническое аудио с частотой 16 кГц; максимальная длина сегмента — 30 секунд.

Модель whisper-medium-v1-luxembourgish разработана Департаментом гуманитарных наук Университета Люксембурга в рамках проекта LuxASR. Это дообученная версия Whisper Medium для автоматической расшифровки люксембургской речи в текст; модель подходит для транскрибирования аудио, задач доступности, подготовки субтитров и исследований по распознаванию речи на люксембургском языке. Архитектура — WhisperForConditionalGeneration, размер — 455,8 млн параметров по метаданным. Модель обучалась на более чем 150 часах пар «аудио—текст» на люксембургском языке. Веса представлены в формате safetensors. README указывает лицензию Open Model, Data & Weights (open-mdw); условия использования следует сверять с текстом лицензии репозитория.

alakxender/whisper-small-dv-full — дообученная автором alakxender модель автоматического распознавания речи на основе openai/whisper-small. Она предназначена для транскрибирования аудио на дивехи; модель использует архитектуру Whisper и содержит 153,1 млн параметров. В README приведены результаты оценки: WER 2,3726 и орфографический WER 15,8343. Модель принимает аудио и выдаёт текст. Она доступна в формате safetensors для Transformers под лицензией Apache-2.0.

Viraj008/whisper-small-mr_v4 — дообученная модель распознавания речи на базе Viraj008/whisper-small-mr_v3, разработанная Viraj Patil. Модель семейства Whisper содержит 153,1 млн параметров и предназначена для преобразования аудио в текст на маратхи. В метаданных указана архитектура WhisperForConditionalGeneration и формат safetensors; дообучение выполнено на Common Voice 17.0. На оценочном наборе указаны loss 0,2132 и WER 34,4975. Модель распространяется по лицензии Apache-2.0. Она предназначена для автоматического распознавания речи; сведений о контекстных ограничениях и других сценариях применения в карточке нет.

chuuhtetnaing/whisper-small-myanmar — модель распознавания речи на основе Whisper Small, дообученная разработчиком на датасете chuuhtetnaing/myanmar-speech-dataset-openslr-80. Она принимает аудио и предназначена для преобразования речи на мьянманском языке в текст; архитектура — WhisperForConditionalGeneration, размер — 153,1 млн параметров. Модель доступна в формате safetensors и рассчитана на использование через Transformers. На оценочном наборе указаны loss 0,1904 и WER 49,065%. Лицензия — Apache-2.0. Метаданные не приводят длину контекста; качество распознавания может различаться для аудио, не похожего на обучающие данные.

Модель dmusingu/WHISPER-SMALL-SWAHILI-ASR-CV-14 — дообученная Denis Musinguzi версия Whisper для автоматического распознавания речи на суахили. Она обучена на наборе Common Voice 14.0 и предназначена для преобразования аудио с речью в текст. В метаданных указаны архитектура Whisper, 153,1 млн параметров и формат весов safetensors; базовая модель — openai/whisper-large. На оценочной выборке README приводит Loss 0,4428, WER 0,2513 и CER 0,0983. Модель подходит для транскрибации записей и голосовых материалов на суахили. Лицензия — Apache-2.0. Результаты приведены только для указанной оценочной выборки Common Voice 14.0; README не сообщает подробностей о методике оценки или поведении на других аудиоданных.

Whisper Tiny Myanmar — модель распознавания речи, созданная Thant Zin Phyo путём дообучения openai/whisper-tiny на наборе thantzinphyo/burmese-speech-refined-openslr-80. Она преобразует аудиозаписи на бирманском языке в текст и предназначена для транскрибации речи. Модель использует архитектуру Whisper, содержит 29,4 млн параметров и сохранена в формате Safetensors. В карточке приведены результаты на проверочной выборке: WER 51,72% и CER 13,11% для лучшего контрольного состояния на шаге 1200. Эти показатели указывают на заметные ошибки распознавания, поэтому результат может требовать проверки и исправления. Лицензия — Apache-2.0.

YanoljaNEXT-Rosetta-12B-2510-GGUF — это квантизированная версия языковой модели YanoljaNEXT-Rosetta-12B-2510, разработанной yanolja. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель распространяется в формате GGUF и предназначена для локального запуска через llama.cpp, LM Studio и другие совместимые приложения. Модель относится к классу текстовых генеративных моделей с примерно 12 млрд параметров. В README указаны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ, поэтому можно выбирать между качеством ответов, размером файла и требованиями к оперативной памяти. Доступны файлы размером примерно от 6,4 до 25,55 ГБ. В примере шаблона запросов предусмотрен сценарий с исходным текстом и переводом, однако точные поддерживаемые языки, максимальный контекст и полный перечень задач в README не указаны. Сильные стороны модели — широкий выбор квантизаций, возможность локального запуска и использование imatrix для повышения качества сжатых версий. Ограничениями являются отсутствие указанного chat template, из-за чего стандартный шаблон может работать некорректно, а также неизвестные параметры контекста, языковые возможности и результаты тестирования. Лицензия в представленном README не указана.

AstralZander/yoruba_ASR — модель распознавания речи на основе Wav2Vec2ForCTC, созданная дообучением facebook/wav2vec2-xls-r-300m на данных OpenSLR SLR86 и Mozilla Common Voice 12.0 для языка йоруба. Модель содержит около 402,8 млн параметров и принимает аудио, выдавая текстовые транскрипции; пример использования через Hugging Face указывает также временные метки и вероятности для распознанных фрагментов. Модель предназначена для транскрибирования аудиозаписей на йоруба. В README приведён показатель WER 0,51. Репозиторий распространяется по лицензии Apache-2.0.

BharatGPT-Instruct E2B — мультиязычная языковая модель компании CoRover.ai для генерации текста и диалогов на основных языках Индии. Модель рассчитана на работу через библиотеку Transformers; репозиторий содержит веса в формате safetensors и поддерживает чат-взаимодействие. Модель обучалась на корпусе, включающем хинди, пенджаби, маратхи, малаялам, ория, каннада, гуджарати, бенгали, урду, тамильский и телугу, с акцентом на естественные разговорные данные Индии. В карточке приведены оценки на тестах понимания языка и RAG, включая вопросы по базе знаний и проверку релевантности; численные результаты относятся к заявленным разработчиком оценкам. Лицензия некоммерческая: модель предназначена для академического и исследовательского использования. Для коммерческого применения README предлагает обращаться к CoRover.ai. Карточка не приводит сведения о размере параметров или длине контекста.

Chocolatine-3B-Instruct-DPO-Revised-Q4_K_M-GGUF — это квантизированная версия языковой модели Chocolatine-3B-Instruct-DPO-Revised, разработанная Jonathan Pacifico в 2024 году. Модель предназначена для генерации текста и диалоговых сценариев на французском и английском языках. Модель распространяется в формате GGUF с квантизацией Q4_K_M и совместима с llama.cpp и LM Studio. Она может работать на CPU, включая Raspberry Pi 5 с 8 ГБ памяти, а также использоваться через Ollama. Размер базовой модели составляет 3B параметров; другие сведения об архитектуре и размере контекста в README не указаны. К сильным сторонам относятся относительно низкие требования к оборудованию и удобство локального запуска. Ограничение модели — отсутствие встроенного механизма модерации, поэтому за фильтрацию и безопасное применение должен отвечать пользователь или интегрирующее приложение. Модель распространяется по лицензии MIT.

DeepSeek-V4.1-Flash-MLX-mixed-4_8bit — это квантованная сборка DeepSeek-V4.1-Flash для Apple Silicon на базе MLX, подготовленная PipeNetwork. Модель предназначена для генерации текста и запуска локального инференса на компьютерах Mac с большим объёмом unified memory. Для работы требуется специальный runtime deepseek-v41-mlx, поскольку стандартные transformers, mlx-lm и mlx-vlm эту архитектуру не поддерживают. Модель содержит около 754,6 млрд параметров и построена на архитектуре mixture-of-experts: 40 слоёв с 384 маршрутизируемыми экспертами. Она использует MLA с межслойным разделением KV-кэша, двухслойные hashed n-gram engram-таблицы, hyper-connections и attention sinks. Экспертные веса квантованы до 4 бит, attention, shared-части, embeddings и head — до 8 бит, а engram-таблицы также представлены в 8-битном формате; часть служебных компонентов остаётся в bf16 или fp32. Размер файлов составляет около 427,6 ГБ, поэтому для запуска практически требуется Mac с 512 ГБ оперативной памяти. Vision tower и aligner сохранены, но данный runtime работает только с текстом. Сборка прошла проверку на численное соответствие эталонной реализации DeepSeek, а заявленная perplexity на тестовой части wikitext-2 составляет 2,8963; авторы также отмечают связную жадную генерацию. Основные ограничения — очень высокие требования к памяти, зависимость от нестандартного runtime, текстовый режим без поддержки мультимодального вывода и отсутствие трёх слоёв multi-token prediction. Модель распространяется по лицензии MIT, как и исходная модель.

ERNIE-4.5-21B-A3B-MLX-6bit — это 6-битная квантованная версия языковой модели ERNIE-4.5-21B-A3B-PT, разработанной Baidu и адаптированной командой LM Studio с использованием MLX и mlx_lm. Модель предназначена для генерации текста и оптимизирована для запуска на устройствах Apple Silicon. Модель относится к текстовым генеративным моделям и поддерживает английский и китайский языки. В названии указаны 21B параметров и конфигурация A3B, однако README не содержит дополнительных сведений об архитектуре, размере контекста, поддерживаемых модальностях или целевых сценариях применения. Квантование до 6 бит снижает требования к памяти, но README не приводит результаты тестов производительности или качества. Основное преимущество модели — оптимизация под экосистему Apple Silicon и более компактное представление по сравнению с полноразмерной версией. Возможные ограничения связаны с потерями качества из-за квантования и отсутствием подтверждённых характеристик производительности. В качестве лицензии указана Apache-2.0; при использовании следует также учитывать ограничения и условия исходной модели ERNIE-4.5-21B-A3B-PT.

Это конвертированная в формат CTranslate2 модель Whisper-small для распознавания речи в лекциях на китайском и английском языках. Её подготовили для использования с faster-whisper и Speaches на основе Creaturelove7/whisper-small-lora-ntu-ml2021, где LoRA-адаптер объединён с openai/whisper-small. Модель принимает аудио и выдаёт текст; результат нормализуется в упрощённый китайский с сохранением английских технических терминов. В README сообщается, что на 11 919 отложенных тестовых высказываниях базовая дообученная модель показала CER 8,51% против 25,53% у исходной Whisper-small; также заявлена устойчивость поведения при int8-квантизации. Репозиторий распространяет веса в формате CTranslate2 с точностью float16. Лицензия — Apache-2.0. Оценка качества и ограничения унаследованы от базовой модели и её адаптера.

Gajendra-v0.1 — языковая модель Bhabha AI для генерации текста и ответов на инструкции. Она дообучена на базе OpenHathi и использует плотную архитектуру LlamaForCausalLM с 6,7 млрд параметров. Модель рассчитана на английский и хинди, включая общение в стиле хинди-хинглиш-английский. Модель предназначена для диалогов с ассистентом и выполнения пользовательских инструкций. Контекст составляет до 4096 токенов; веса доступны в формате Safetensors. Указана лицензия Llama 2.

Gemma-2-9b-it-Ko-Crypto-Translate — дообученная Hyoun Jun Lee языковая модель на архитектуре Gemma 2 для перевода англоязычных новостей о криптовалютах на корейский язык. Она рассчитана на перевод криптоновостей для финансовых платформ и новостных сайтов; также её можно дообучать для смежных финансовых или юридических текстов. Модель содержит 9 млрд параметров, использует плотную архитектуру Gemma2ForCausalLM и поддерживает контекст до 8192 токенов. Она принимает текст и генерирует текст; для загрузки доступны веса Safetensors, библиотека — Transformers. Лицензия — MIT. Специализация на криптовалютной тематике помогает работать с профильной терминологией, но модель может допускать ошибки в переводе и хуже справляться с текстами вне финансовой и криптовалютной областей. Результаты следует проверять перед публикацией и использованием в важных финансовых решениях.

QuantFactory/gemma-2-baku-2b-it-GGUF — квантованная версия инструкционной языковой модели rinna/gemma-2-baku-2b-it, подготовленная QuantFactory с использованием llama.cpp. Исходную модель разработала команда rinna: Xinqi Chen, Toshiaki Wakatsuki и Kei Sawada. Модель предназначена для генерации текста и диалогового взаимодействия с выполнением инструкций, прежде всего на японском и английском языках. Модель основана на Gemma 2 Baku 2B и имеет архитектуру трансформера с 26 слоями и размером скрытого представления 2304; заявленный масштаб — около 2 миллиардов параметров. Инструкционные способности получены посредством слияния с Gemma 2 2B Instruct методом Chat Vector, а затем дополнительной оптимизации предпочтений ORPO на части внутреннего датасета rinna. Используется оригинальный токенизатор google/gemma-2-2b-it и формат чата Gemma 2. README не указывает размер контекста и конкретный тип или уровень квантования GGUF. К сильным сторонам относятся небольшой размер, поддержка японского языка и адаптация к диалоговым сценариям и следованию инструкциям. Ограничения включают отсутствие подробных результатов бенчмарков в карточке, неизвестные характеристики квантования и неуказанные ограничения качества по сравнению с более крупными моделями. Для исходной модели указана лицензия Gemma Terms of Use; отдельные условия для квантованного файла в README не приведены.

Модель karanjaxyz/gikuyu-asr-v0 — дообученная на наборе karanjaxyz/kikuyu-asr-data модель OpenAI Whisper Small для автоматического распознавания речи на кикуйю. Она принимает аудио и генерирует текстовую транскрипцию. В карточке указаны результаты оценки: WER 32,86 и CER 10,47; описание не содержит подробностей о сценариях применения или условиях записи, использованных при оценке. Модель построена на архитектуре Whisper и опубликована в формате safetensors для Transformers. Лицензия — Apache-2.0.

Модель reazon-research/japanese-hubert-base-k2-rs35kh-bpe разработана Reazon Research: это HuBERT Base, дообученная с помощью фреймворка k2 на крупном японском корпусе распознавания речи ReazonSpeech v2.0. Модель содержит 115,6 млн параметров и предназначена для преобразования японской речи в текст; для работы доступна через библиотеку Transformers. В тестах авторов модель показала CER 11,07% в среднем на трёх наборах данных: JSUT-BASIC5000, Common Voice и TEDxJP-10K. Для длинной речи на JSUT-BOOK CER составил 84,55%, что указывает на существенное ограничение в таком сценарии. Модель принимает аудио и выдаёт текст. Распространяется по лицензии Apache-2.0.

Keural-Cortex-8B-DPO — двуязычный текстовый ассистент на основе Qwen3-8B-Base, разработанный авторами проекта Keural/MKD. Это плотная decoder-only модель Qwen3ForCausalLM с примерно 7,6 млрд параметров и контекстом до 65 536 токенов. Модель прошла дообучение с учителем и DPO на предпочтениях; чекпойнт DPO-v1 обучен на 291 084 парах предпочтений. Модель предназначена для диалогов на корейском и английском языках, следования инструкциям, вызова инструментов и задач с пошаговым рассуждением. В README подтверждена работа разделения ответа на поля reasoning и content при заданной конфигурации сервера, однако это подтверждает формат маршрутизации, а не точность рассуждений. Лицензия — Apache-2.0. Результаты полной оценки после DPO пока отсутствуют. В README описана ошибочная арифметика даже при корректно оформленном рассуждении; длинноконтекстное извлечение проверялось на предшествующей версии, поэтому качество рассуждений и следования инструкциям на длинном контексте для этого чекпойнта подтверждено слабее. Модель может ошибаться, галлюцинировать, неверно использовать инструменты или выдавать небезопасный контент.

AXCXEPT разработала эту модель на основе Meta AI Llama 3.1 70B и дообучила её методом instruction tuning с использованием QLoRA, чтобы повысить качество выполнения задач на японском языке. В карточке сообщается о высоких результатах на ElyzaTasks-100 среди открытых моделей; независимые условия и методика сравнения не описаны. Модель предназначена для диалогов и генерации текста, в том числе ответов на инструкции на японском и английском языках. Это плотная языковая модель семейства Llama с 69,5 млрд параметров и контекстом до 131 072 токенов; в репозитории представлены веса Safetensors и интерфейс вызова инструментов. Модель может выдавать неточные, предвзятые или проблемные ответы, а безопасность следует проверять и настраивать для конкретного приложения. Разработчик позиционирует её как экспериментальный прототип для исследований и разработок, не предназначенный для коммерческого или критически важного применения. Применяется лицензия Llama 3.1 Community License Agreement.

Llama-3.1-8B-Instruct-Galician, также называемая Cabuxa 2.0, — языковая модель UDC Information Retrieval Lab (IRLab), продолжительно предобученная на наборе данных CorpusNós на основе meta-llama/Llama-3.1-8B-Instruct. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров; она предназначена для диалогов и генерации текста с адаптацией к галисийскому языку. Модель принимает текст и генерирует текст. В метаданных указано контекстное окно до 131 072 токенов, поддержка чата и библиотека Transformers. README характеризует её как многоязычную, адаптированную к галисийскому; точный перечень остальных поддерживаемых языков не приведён. Лицензия — llama3.1. Карточка не описывает оценку качества или конкретные ограничения, поэтому результаты для галисийского и других языков следует проверять на целевых задачах.

Mungert/Llama-3.2-3B-Instruct-GGUF — это инструкционная языковая модель семейства Llama 3.2 в формате GGUF, разработанная на основе модели Meta. В README не указано, является ли Mungert автором конвертации или распространения модели, поэтому сведения о роли этого разработчика ограничены идентификатором репозитория. Модель предназначена для генерации текста и выполнения инструкций в языковых сценариях, включая диалоговые приложения и другие задачи text-generation. Заявлены английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Размер модели составляет 3B параметров; архитектура, поддерживаемые модальности и размер контекста в README не указаны. Формат GGUF ориентирован на локальное или оптимизированное инференс-использование, однако конкретные требования к ресурсам и доступные варианты квантования не приведены. Модель может быть удобна для многоязычной генерации текста при ограниченных вычислительных ресурсах, но README не содержит результатов бенчмарков, подробностей обучения или оценки качества, поэтому её сильные стороны и ограничения нельзя надежно сравнить с другими моделями. Использование регулируется Llama 3.2 Community License от Meta: при распространении материалов или производных продуктов необходимо соблюдать условия лицензии, включая предоставление текста соглашения, указание «Built with Llama», атрибуцию и Acceptable Use Policy. Для продуктов с более чем 700 миллионами месячных активных пользователей предусмотрено отдельное лицензионное требование.

teddylee777/Llama-3-Open-Ko-8B-Instruct-preview-gguf — это квантизированная GGUF-версия инструкционной языковой модели Llama-3-Open-Ko-8B-Instruct-preview, разработанной beomi на основе Llama-3-8B. Квантизация выполнена с использованием llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на вопросы, объяснение тем и написание кода, с особым вниманием к корейскому языку. Модель представляет собой продолжительно предобученную языковую модель на базе Llama-3-8B. Для обучения использованы более 60 ГБ дедуплицированных общедоступных текстов и свыше 17,7 млрд токенов с новым токенизатором Llama-3; обучение проводилось на TPUv5e-256. Поддерживаются английский и корейский языки, а модальность — текстовая. Точный размер контекста и параметры квантизации в README не указаны. Сильная сторона модели — адаптация Llama-3 к корейскому языку и наличие инструкционного варианта для чат-приложений. При этом это предварительная версия: она не дообучалась на корейском наборе инструкций, поэтому качество следования инструкциям и фактическая точность могут быть нестабильными. Модель распространяется по лицензии Llama 3; подробные условия приведены в файле LICENSE.

Llama-Krikri-8B-Base — базовая языковая модель, разработанная ILSP для работы с греческим языком. Она основана на Llama-3.1-8B и прошла дополнительное непрерывное предобучение на корпусе греческих и английских текстов, параллельных греко-английских данных, а также материалов по математике и программированию. Модель содержит 7,6 млрд параметров, использует расширенный токенизатор Llama-3.1 с греческими токенами и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации и продолжения текста, а также для адаптации под грекоязычные приложения. В сравнительных тестах авторы сообщают об улучшении результатов на греческих бенчмарках относительно Llama-3.1-8B при сохранении сопоставимых результатов на английских. Это базовая, не настроенная на следование инструкциям версия; для чат-приложений разработчик рекомендует Llama-Krikri-8B-Instruct. Модель не выровнена по человеческим предпочтениям и может выдавать вводящие в заблуждение, вредоносные или токсичные ответы. Лицензия — Llama 3.1; её условия следует учитывать при использовании и распространении.

chargoddard/llama-polyglot-13b — экспериментальная многоязычная языковая модель на архитектуре Llama 2, созданная слиянием нескольких дообученных моделей. В конфигурации указаны модели для испанского, немецкого, корейского, китайского, французского и многоязычного диалогового общения; слияние выполнено методом DARE-TIES на базе TheBloke/Llama-2-13B-fp16. Модель содержит 12,9 млрд параметров и поддерживает контекст до 4096 токенов. Модель предназначена для генерации текста и многоязычного диалогового взаимодействия. Она хранится в формате safetensors и распространяется по лицензии Llama 2. В README разработчик описывает её как экспериментальную, поэтому качество и согласованность результатов на разных языках могут различаться.

VishnuPJ-ийн MalayaLLM_Gemma_7B_Instruct_V1 нь Malayalam болон англи хэлээр заавар дагаж текст үүсгэхэд зориулсан Gemma суурьтай, нягт архитектуртай 8.2 тэрбум параметртэй хэлний загвар юм. README-д загварыг MalayaLLM_Gemma_7B_Base_V1 дээр Malayalam токен ашиглан нарийн тохируулсан гэж тайлбарлаж, CohereForAI/aya_dataset өгөгдлийн багцыг дурдсан байна. Загвар нь асуултад хариулах, заавар биелүүлэх зэрэг ерөнхий харилцан ярианы хэрэглээнд зориулагдсан. 8192 токены төрөлх контексттэй бөгөөд safetensors форматаар түгээгддэг. Gemma загварын англи хэлний чадварыг Malayalam хэлний хэрэглээнд тохируулсан нь давуу тал боловч README-д үнэлгээний үр дүн, хэрэглээний нарийвчилсан хязгаарлалт мэдээлээгүй. MIT лицензтэй.