I.6Перевод и языковая адаптация

SauerkrautLM-1.5b — демонстрационная языковая модель VAGO solutions на архитектуре Qwen2 с 1,5 млрд параметров. Она создана на базе Qwen/Qwen2-1.5B с помощью непрерывного предобучения на немецких данных методом Spectrum CPT, затрагивающим 25% слоёв, а затем дообучена с помощью SFT и DPO. Модель предназначена для генерации текста и диалогов на немецком и английском языках. Её можно использовать для ответов на вопросы и работы с немецкоязычными материалами, в том числе в сценариях RAG. Контекст — до 32 768 токенов. Авторы сообщают об улучшении немецкого языка и результатах на немецких бенчмарках, однако описывают модель как демонстрационную и отмечают, что для продуктивного применения может потребоваться дополнительное обучение на немецких данных. Модель распространяется по лицензии Apache 2.0.

Suzume 8B Japanese — диалоговая языковая модель компании Lightblue, дообученная на базе Meta-Llama-3-8B-Instruct для общения на японском языке. Модель содержит около 7,5 млрд параметров, использует архитектуру Llama и поддерживает контекст до 8192 токенов. Модель предназначена для генерации ответов в диалоге на японском языке. Для дообучения использовано более 3000 японских диалогов из нескольких наборов данных. Авторы сообщают о высоких результатах на ряде японских бенчмарков для моделей класса 7–8B, но отмечают, что их мультиязычная модель показала лучший результат на Japanese MT-Bench. Модель принимает текстовые запросы и выдаёт текстовые ответы. В README указана лицензия метаданных «other»; её конкретные условия следует проверить на странице модели перед использованием.

Модель billingsmoore/tibetan-asr-nict-tib1-wav2vec2-base разработана авторами исследования Дж. Муром, С. Ли и П. Лореном как часть набора чекпойнтов для оценки распознавания тибетской речи. Это wav2vec 2.0 Base с архитектурой Wav2Vec2ForCTC, полностью дообученная на корпусе NICT-Tib1; все параметры обновлялись, адаптеры и квантизация не использовались. Модель принимает аудио и преобразует речь в текстовую транскрипцию на тибетском языке.

QuantFactory/Trendyol-LLM-8b-chat-v2.0-GGUF — квантизированная версия чат-модели Trendyol LLM v2.0, разработанной Trendyol и преобразованной с помощью llama.cpp. Модель основана на Trendyol LLM base v2.0 — версии Llama 3 8B с дополнительным предобучением на 13 млрд токенов. Это авторегрессионная текстовая языковая модель для генерации ответов в диалогах и выполнения общих задач обработки текста. Модель ориентирована прежде всего на английский и турецкий языки, включая сценарии создания текстов, ответов на вопросы и использования в качестве чат-ассистента. Доступный вариант в формате GGUF и квантизация делают её пригодной для запуска через совместимые инструменты llama.cpp с потенциально меньшими требованиями к памяти. Точная схема квантизации, размер контекста и поддерживаемые модальности в README не указаны; модель является текстовой. Модель может быть полезна как локальный турецко-английский чат-ассистент, однако её ответы могут быть неточными, вводящими в заблуждение, предвзятыми или токсичными. Надёжность в разнообразных прикладных сценариях не прошла обширную проверку, а понимание сленга, неформальной речи и других языков может быть ограничено. Для публичных и критически важных приложений рекомендуются фильтрация, человеческий контроль и отдельное тестирование безопасности. Лицензия указана как llama3.

TheHappyDrone/Uoxudo_V2 — это дообученная авторами TheHappyDrone языковая модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров. Она принимает текст и генерирует текст; карточка показывает формат общения с инструкцией и ответом, а также пример перевода с французского на английский. Модель дообучена от TheHappyDrone/Occult_V02 и опубликована в формате PyTorch. Модель предназначена для выполнения текстовых инструкций и генерации ответов, включая перевод. Заявленная длина контекста — 32 768 токенов. В карточке указан английский как язык модели. Лицензия — Apache-2.0. Качество и поддержка других языков или специализированных сценариев в карточке не описаны.

Модель keystats/w2v-bert-2.0-lingala-main предназначена для автоматической транскрибации речи на языке лингала. Она создана дообучением facebook/w2v-bert-2.0: к многоязычному речевому энкодеру добавлена символьная CTC-голова, обученная на объединённых корпусах Google WaxalNLP и Lingala_100hrs. Модель содержит около 402,7 млн параметров и принимает аудио, выдавая текст. Модель рассчитана на распознавание речи одного говорящего. Текст выводится строчными буквами без пунктуации; для читаемого оформления может потребоваться дополнительная обработка. Точность зависит от акустических условий, качества записи и диалектного охвата обучающих данных. Для повышения качества README рекомендует декодирование с совместимой языковой моделью KenLM keystats/waxal-kenlm-models. Лицензия — Apache-2.0.

BrainTheos/wav2vec2-large-mms-1b-all-lingala-ojpl — модель распознавания речи на основе wav2vec2, дообученная на facebook/mms-1b-all на данных audiofolder. Она преобразует входящую речь в текст и предназначена для распознавания речи на лингала; архитектура модели — Wav2Vec2ForCTC, размер — 1,3 млрд параметров. В оценке на тестовой выборке указаны loss 0,8394 и WER 0,2698. Модель подходит для транскрибирования записей и голосовых сообщений на лингала. Репозиторий содержит веса PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка не содержит подробных сведений о сценариях обучения и ограничениях качества.

Это модель автоматического распознавания речи на языке йоруба, дообученная Daniel Ogbuigwe на базе facebook/mms-1b-all с использованием данных Common Voice 16.1. Она построена на архитектуре Wav2Vec2 и содержит около 1,3 млрд параметров; исходное семейство MMS поддерживает более тысячи языков, но этот чекпойнт дообучен для транскрибации йоруба. Модель принимает аудио и преобразует речь в текст, например для расшифровки записей и голосовых сообщений на йоруба. На оценочной выборке указаны loss 0,6682 и WER 0,6802, что следует учитывать при применении к реальным записям. Карточка не описывает дополнительные сценарии и ограничения. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

wav2vec2-large-xlsr-53-faroese-100h — акустическая модель для автоматического распознавания речи на фарерском языке. Её дообучил Carlos Daniel Hernández Mena в Language and Voice Lab Университета Рейкьявика на 100 часах фарерской речи из набора Ravnursson Faroese Speech and Transcripts, выпущенного проектом Ravnur. Модель построена на архитектуре wav2vec2 и использует CTC для преобразования аудио в текст. Она предназначена для транскрибирования фарерской речи; в README приведён результат оценки 0,076, но метрика не названа. Модель опубликована в формате PyTorch и содержит около 402,7 млн параметров. Лицензия — CC BY 4.0.

Wav2Vec2-Large-XLSR-53-ncj/nah — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 для науатля северной части Пуэблы (ncj). Она принимает аудио и распознаёт речь, выдавая текст; модель можно использовать без языковой модели. В карточке указана оценка 50,95% на тестовых данных Common Voice для этого варианта науатля. Модель основана на архитектуре Wav2Vec2ForCTC и содержит 402,7 млн параметров. Для обучения использованы производный набор SLR92 и некоторые примеры испанского и немецкого из Common Voice. Репозиторий распространяется с лицензией Apache-2.0.

Это модель автоматического распознавания речи на архитектуре Wav2Vec2ForCTC, дообученная на базе facebook/wav2vec2-xls-r-300m на наборе MOZILLA-FOUNDATION/COMMON_VOICE_8_0 — MR. Она преобразует входящее аудио в текст и предназначена для распознавания речи на языке маратхи. В карточке указаны результаты на оценочной выборке: loss 0,6693 и WER 0,5921. Модель содержит около 402,7 млн параметров, распространяется в формате PyTorch и доступна по лицензии Apache-2.0. Дата публикации на Hugging Face — 2 марта 2022 года. Высокое значение WER указывает на заметную долю ошибок распознавания на указанной оценочной выборке, поэтому качество следует проверять на аудио и сценариях целевого применения. Карточка не приводит дополнительных сведений о длине аудио, акустических условиях или использовании языковой модели, несмотря на суффикс «with-lm» в названии репозитория.

shhossain/whisper-base-bn — модель распознавания речи на основе Whisper, предназначенная для транскрибации аудиофайлов и речи с микрофона. Карточка предлагает использовать её через библиотеку banglaspeech2text и указывает возможность ускорения вывода на GPU. В метаданных указаны архитектура WhisperForConditionalGeneration, 51,7 млн параметров и формат PyTorch. Модель ориентирована на бенгальский язык; метаданные также отмечают английский. Для обучения или оценки указан Common Voice 11.0, а в README приведён результат WER 46 без дополнительных условий измерения. Лицензия — Apache-2.0.

WayneLinn/Whisper-Cantonese — модель распознавания речи, созданная дообучением openai/whisper-small на наборе Common Voice 11.0. Она предназначена для преобразования кантонской речи в текст. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров; опубликованные веса представлены в формате PyTorch. В карточке приведены результаты оценки: WER 60,0485 и loss 0,3030. Высокое значение WER указывает на существенные ошибки распознавания, поэтому качество транскрипции может быть ограниченным. Модель выпущена под лицензией Apache-2.0.

Модель Whisper Large, дообученная Карлосом Даниэлем Эрнандесом Меной в Лаборатории языка и голоса Университета Рейкьявика для автоматического распознавания исландской речи. Для обучения использовано около 1000 часов данных, включая речь детей, парламентские выступления и речь изучающих исландский; часть материалов не опубликована. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и доступна в формате PyTorch. Она принимает аудио и генерирует текстовую расшифровку на исландском языке. Лицензия — CC BY 4.0. В README приведён результат оценки 12,325, но метрика и условия тестирования не уточнены.

Whisper Large v3 Turbo STT Zeroth KO v2 — дообученная модель OpenAI Whisper, созданная автором репозитория на базе openai/whisper-large-v3-turbo для автоматического распознавания корейской речи. Модель использует архитектуру Whisper и содержит около 905,3 млн параметров; для работы с ней указана библиотека Transformers. Модель предназначена для преобразования корейской речи в текст. В README сообщаются результаты текущего этапа дообучения на оценочной выборке: WER 19,9134 и CER 0,0660; автор уточняет, что обучение ещё продолжается. Данные для обучения связаны с Zeroth-STT-Korean; в README указано 102 263 примера с разделением на обучающую и тестовую выборки. В карточке не указаны условия лицензии. Результаты могут измениться по мере продолжения дообучения, а заявленная специализация ограничена корейским ASR; показатели на других языках и в иных условиях не приведены.

Whisper Small Bisaya — модель распознавания речи, полученная дообучением openai/whisper-small на частном корпусе Bisaya Speech Corpus. Она принимает аудио и преобразует речь на бисайя в текст. В карточке указана оценка WER 44,52 на тестовой выборке; подробности протокола оценки не приведены. Модель распространяется под лицензией Apache-2.0.

Модель Congo Digital Services (CDS SARL), созданная для проекта MALOBA совместно с ПРООН в Республике Конго, распознаёт устную речь на лингала и преобразует её в текст. Это дообученная версия OpenAI Whisper Small: модель адаптировали методом QLoRA/LoRA, а адаптеры объединили с базовыми весами. Репозиторий содержит веса в формате safetensors с поддержкой bitsandbytes; для запуска подходит Transformers или совместимый сервер транскрибирования. Модель предназначена для черновой расшифровки передач сельского радио и полевых записей на лингала. В README указано, что для распознавания следует передавать язык ln и задачу transcribe; аудио нужно предварительно привести к частоте 16 кГц. На тестовом наборе из 1 882 сегментов модель показала WER 46,4% после нормализации. Результат заметно лучше базового Whisper Small, но ошибки остаются частыми, поэтому текст требует проверки человеком. Модель не предназначена для других языков, идентификации говорящих или использования без проверки в юридических, медицинских и других критически важных сценариях. Тестовый набор содержит 17 сегментов с аудио, совпадающим с обучающими данными, а записи охватывают лишь 20 источников и не позволяют оценить все региональные варианты речи и шумные условия. Лицензия модели — MIT.

Munindra28/whisper-small-telugu-finetuned — модель распознавания речи на основе Whisper Small от OpenAI, дообученная на 450 аудиозаписях на телугу с помощью Mozilla.ai Blueprint для настройки распознавания речи. Она предназначена для преобразования речи на телугу в текст. В отчёте карточки после дообучения указаны WER 54,81 (нормализованный) и 94,4 (орфографический), CER 30,103 и 38,904 соответственно, а также loss 0,693; на тестовом наборе базовой модели показатели были хуже. Модель распространяется в формате safetensors по лицензии Apache-2.0. Небольшой объём обучающих данных и высокие значения ошибок указывают на ограничения точности; результаты могут зависеть от условий записи и состава речи.

zuazo/whisper-tiny-eu — модель автоматического распознавания речи, созданная дообучением Whisper Tiny от OpenAI на баскской части набора Common Voice 13.0. Она предназначена для преобразования баскской речи в текст, например для транскрибации записей и голосовых сообщений. Модель использует архитектуру Whisper и содержит 29,4 млн параметров. В README указаны результаты на оценочном наборе: WER 32,2694 и loss 0,6522. Модель принимает аудио и выдаёт текст; опубликована в формате PyTorch. Лицензия Apache-2.0 разрешает использование, изменение и распространение с указанием авторства.

Модель XLS-R-300M Uyghur CV8 разработана Lucio и дообучена на базе facebook/wav2vec2-xls-r-300m для распознавания уйгурской речи. Это модель Wav2Vec2ForCTC размером около 402,7 млн параметров, обученная на данных Common Voice 8.0 для уйгурского языка; её словарь использует буквы уйгурского алфавита на персо-арабской графической основе. Модель преобразует аудиозапись речи в текст и подходит для черновых субтитров к видео и индексирования записанных передач. На тестовой выборке указана WER 0,3248. Apache-2.0 — лицензия модели. Распознавание недостаточно надёжно для живых субтитров, используемых в целях доступности. При работе с записями следует учитывать приватность говорящих, представленных в Common Voice и других аудиоматериалах.

Модель lucio/xls-r-uzbek-cv8 — система автоматического распознавания узбекской речи, созданная дообучением facebook/wav2vec2-xls-r-300m на узбекской части Mozilla Common Voice 8.0. Она построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров; модель принимает аудио и преобразует речь в текст на современном латинском письме узбекского языка. Декодер использует языковую модель KenLM, построенную на текстах Common Voice. Модель предназначена для черновых субтитров к видео и индексирования записанных передач. На валидационной выборке указаны WER 0,3852 и CER 0,0777; автор предупреждает, что качество недостаточно для надёжных субтитров в реальном времени, например для обеспечения доступности. Модель выпущена под лицензией Apache-2.0.

Mijatovic-Adriaticum-1B — компактная причинная языковая модель примерно на 1 млрд параметров, разработанная Mijatovic и обученная с нуля. Она предназначена для генерации текста, диалогов и выполнения инструкций; модель использует собственную архитектуру MijatovicForCausalLM и работает с контекстом до 2048 токенов. Основной упор сделан на сербский, хорватский и боснийский языки; сербский поддерживается в латинице и кириллице. Английский использовался при предобучении и настройке, поэтому модель может выполнять перевод между английским и сербским или хорватским, хотя английский не является её главным целевым языком. Модель подходит для локальных приложений, прототипирования и экспериментов с компактными многоязычными LLM. Модель распространяется по лицензии Apache 2.0. Из-за компактного размера она может ошибаться, выдумывать факты и непоследовательно следовать сложным инструкциям; качество зависит от языка, диалекта, предметной области и длины запроса. Контекст ограничен 2048 токенами, вызов инструментов не поддерживается. Для важных решений ответы следует проверять; модель не предназначена для автономного применения в критически важных сценариях.

AfriGuardInst-AfriqueQwen3.5-4B-50Langs-lora-merged — диалоговая языковая модель, созданная дообучением McGill-NLP/AfriqueQwen3.5-4B-50Langs командой adzcai. Модель адаптирована для генерации ответов с инструкциями безопасности: при обучении использовались примеры с системными инструкциями безопасности и пользовательскими запросами из набора israel/AfriGuard-inst. LoRA-адаптер ранга 16 применён ко всем линейным слоям, а его веса объединены с базовой моделью. Модель построена на архитектуре Qwen3.5 и содержит 4 млрд параметров согласно описанию базовой модели. Предназначена для диалоговых приложений и генерации текста с учётом инструкций безопасности. Базовая модель рассчитана на 50 африканских языков; доступные языковые коды в метаданных включают en, am, ha, ig, om, sn, sw, tw, wo, yo и zu. Репозиторий использует Transformers и формат safetensors. Лицензия — CC BY 4.0. В карточке описан один этап обучения длительностью одну эпоху, поэтому качество и устойчивость ответов в разных языках и сценариях могут различаться; сравнительные оценки и длина контекста не приведены.

Canarim-7B-Instruct-i1-GGUF — квантизированная версия инструкционной языковой модели Canarim-7B-Instruct, разработанной dominguesm и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена для генерации и обработки текста, прежде всего на португальском языке; в метаданных также указана связь с экосистемой Llama 2. Обучение связано с набором данных CC-MAIN-2023-23. Модель имеет около 7 миллиардов параметров и представлена в виде набора вариантов квантизации i1, включая IQ1–IQ4, Q4, Q5 и Q6. Размер файлов варьируется примерно от 1,6 до 5,6 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Версии с более низкой точностью занимают меньше места, но могут заметно уступать по качеству; в README рекомендуются отдельные варианты Q4_K_M и Q4_K_S как сбалансированные по размеру, скорости и качеству. Формат GGUF удобен для локального запуска совместимыми инструментами, однако конкретные требования к аппаратному обеспечению и максимальная длина контекста в README не указаны. Модель ориентирована на португалоязычные сценарии, но подробные результаты тестирования, перечень поддерживаемых модальностей и ограничения качества не приведены. Указанная лицензия — llama2.

CantoneseLLMChat-preview20240326 — предварительная чат-модель, разработанная hon9kon9ize на основе Yi-6B. Это плотная авторегрессионная модель семейства Llama с 5,8 млрд параметров и контекстом 4096 токенов; веса опубликованы в формате safetensors. Для адаптации к кантонскому языку модель прошла дополнительное предобучение на корпусе примерно из 200 млн токенов: переводных новостях Гонконга, статьях Википедии, субтитрах и открытых диалоговых корпусах. Словарь расширен частотной кантонской лексикой. Модель предназначена для понимания и генерации текста на кантонском языке, включая диалог с ассистентом. В ответах может смешивать письменный китайский с кантонским; качество для других вариантов китайского и неформального или диалектного кантонского может быть ниже. Возможны галлюцинации, предвзятость и устаревшие знания о Гонконге, особенно в ответах на других языках. Это preview-версия, авторы описывают продолжающуюся настройку DPO и планы заменить репозиторий новой версией. Лицензия — CC BY-NC-SA 4.0.

DeepSeek-V4-Pro-0813 GGUF — это набор суб-4-битных GGUF-квантизаций базовой модели DeepSeek-V4-Pro-0813, подготовленный командой 6block с калибровкой importance matrix (imatrix). Модель предназначена для генерации текста и локального запуска через llama.cpp; заявлены английский и китайский языки. Лицензия — MIT. Архитектура — MoE с 1,57 трлн параметров, из которых 48 млрд активируются для каждого токена. Модель содержит 61 слой, 384 маршрутизируемых эксперта с выбором top-6 и одного общего эксперта. Доступны варианты Q3_K_M, IQ3_XXS, Q2_K, IQ1_M и IQ1_S размером примерно от 314 до 711 ГиБ; первые три поставляются в виде шардов. Для работы требуется версия llama.cpp с поддержкой LLM_ARCH_DEEPSEEK4. Размер контекста в README не указан. Главное преимущество набора — возможность уменьшить размер исходной FP4-модели при сохранении приемлемого качества; лучшим балансом размера и качества названа IQ3_XXS, а максимальное качество среди опубликованных вариантов обеспечивает Q3_K_M. Существенные ограничения — исключительно высокие требования к дисковому пространству и памяти, необходимость загрузки всех шардов для соответствующих вариантов и заметное падение качества у IQ1_M и IQ1_S. Все варианты проходят вторичную квантизацию поверх заводской FP4-квантизации, поэтому повышение разрядности не гарантирует восстановления исходной информации.

EduGanda-Gemma-4-E2B-v4 — экспериментальный исследовательский чекпойнт Crane AI Labs, созданный на базе Google Gemma 4 E2B Instruct. Это плотная модель семейства Gemma 4 для генерации текста в формате диалога, настроенная на помощь в начальном образовании на луганда: обучение включало продолженное предобучение на словарных материалах, перевод, настройку на учебные программы и педагогику, а также два этапа обучения с подкреплением. Карточка приводит результаты по следованию инструкциям, математическим задачам и переводу между луганда и английским. Модель предназначена для учебных объяснений, упражнений и перевода в контексте начального образования. В README она обозначена как один из двух родительских чекпойнтов EduGanda-Gemma-4-E2B-v5; в метаданных указан формат safetensors и лицензия Gemma. Это экспериментальная версия: автор рекомендует проверять фактические и грамматические утверждения на луганда перед использованием с учащимися. На некоторых учебных запросах модель повторяется, а порядок инструкции и вопроса влияет на ответы в тестах с выбором варианта. Для генерации автор рекомендует greedy decoding и настройку ограничения повторов.

Floppa-12B-Gemma3-Uncensored-GGUF — квантизированная версия модели Ryex/Floppa-12B-Gemma3-Uncensored, подготовленная mradermacher в формате GGUF. Модель относится к семейству Gemma 3, имеет около 12 млрд параметров и заявлена как мультимодальная, поддерживающая работу с текстом и изображениями через дополнительный компонент mmproj. В метаданных указаны английский, японский и мультиязычный режимы. Модель предназначена для генерации и обработки текста, мультимодальных сценариев и перевода; тег anime указывает на возможную ориентацию на соответствующую тематику. Пометка uncensored означает ослабленные ограничения на содержание, однако README не содержит подробностей о данных обучения и фактическом качестве в отдельных задачах. Доступны варианты квантизации от Q2_K до Q8_0 и IQ4_XS объёмом примерно от 4,9 до 12,6 ГБ, а также мультимодальные дополнения mmproj размером 0,7 или 1,0 ГБ. Более лёгкие варианты требуют меньше памяти, тогда как Q6_K и Q8_0 ориентированы на более высокое качество; для Q3_K_M отдельно отмечено более низкое качество. Модель распространяется по лицензии Gemma. Для запуска GGUF-файлов требуется совместимое программное обеспечение, а для мультимодального использования — соответствующий файл mmproj. Контекстный размер, точная архитектура, результаты тестирования, требования к оборудованию и подробные ограничения лицензии в README не указаны.

QuantFactory/gemma-2-baku-2b-GGUF — квантизированная версия языковой модели rinna/gemma-2-baku-2b, созданная QuantFactory с использованием llama.cpp. Исходная модель разработана командой rinna на основе Google Gemma 2 2B и дообучена продолжительным предварительным обучением примерно на 80 млрд токенов японских и английских текстов. Модель предназначена для генерации текста и задач обработки японского и английского языков. Она может использоваться для автодополнения, создания текстов, языкового анализа и других сценариев, требующих компактной генеративной языковой модели. Архитектура представляет собой трансформер с 26 слоями и размером скрытого состояния 2304; используется исходный токенизатор google/gemma-2-2b. Поддержка мультимодальных входов не указана, размер контекстного окна также не указан. Ключевое преимущество модели — улучшенная, согласно описанию разработчиков, производительность на японских задачах по сравнению с исходной Gemma 2 2B благодаря обучению на японских корпусах. Формат GGUF и квантизация ориентированы на эффективный запуск через llama.cpp, однако конкретный вариант квантизации и его требования к памяти в README не указаны. Модель является базовой предварительно обученной моделью, а не instruction-tuned версией, поэтому качество выполнения команд и диалоговых сценариев может быть ограничено. Использование регулируется Gemma Terms of Use.

gemma-3-27b-it-Adetayo — дообученная cyboghostginx версия Google Gemma 3 27B IT, созданная для генерации текста на исландском языке с улучшенной обработкой исландской морфологии и грамматики. Это плотная языковая модель на 28,3 млрд параметров с архитектурой Gemma3ForCausalLM; она принимает текст и поддерживает диалоговый формат Gemma. Контекстное окно составляет до 131 072 токенов. Модель подходит для исландоязычных диалогов и прямых ответов на запросы. В README приведены результаты на таблице лидеров исландских LLM Miðeind, включая оценку 96,54 за склонение по морфологии BÍN. Модель не позиционируется как модель рассуждений. Распространяется в формате Safetensors по лицензии Gemma; перед использованием следует соблюдать её условия.