I.6Перевод и языковая адаптация

mshojaei77/gemma-3-4b-persian-v0 — языково-специализированная модель для персидского языка, разработанная на основе Google Gemma 3 4B Instruct. Она дообучена методом Supervised Fine-Tuning с использованием QLoRA и 4-битной квантизации на датасете Persian_sft, содержащем около 681 000 примеров инструкций и диалогов на персидском языке. Модель предназначена для ответов на вопросы, следования текстовым инструкциям, генерации связного персидского текста, чат-ботов и виртуальных ассистентов. Она работает с текстом и сохраняет возможность принимать изображения, унаследованную от базовой модели. Точный размер контекста и полный перечень поддерживаемых языков в README не указаны. Модель совместима с Hugging Face Transformers и Ollama. К преимуществам относятся адаптация к персидскому языку и сниженные требования к памяти благодаря QLoRA и 4-битной квантизации, однако квантизация может ухудшать точность и приводить к несвязным ответам. Для этой версии отсутствуют комплексные результаты оценки; возможны предвзятость и галлюцинации, а специальная настройка безопасности не проводилась, поэтому требуется осторожность в чувствительных сценариях. Модель распространяется по лицензии Apache-2.0.

Hviske v3 conversation — модель распознавания датской речи, разработанная syv.ai и дообученная на базе CoRal-project/roest-whisper-large-v1. Она предназначена для транскрибации естественных разговоров: встреч, интервью, подкастов и других записей реальной речи. Модель построена на архитектуре Whisper и доступна в формате safetensors для запуска через Transformers. В README заявлено, что модель превосходит Whisper Large v3 и v3 Turbo по метрикам WER и CER, однако приведённое там исследование гендерного смещения основано на тестовом наборе всего с четырьмя дикторами и не является репрезентативным. Модель бесплатна согласно указанной в репозитории лицензии; тип лицензии в предоставленных данных не уточнён.

Japanese-StableLM-Instruct-Alpha-7B-v2 — авторегрессионная языковая модель для генерации текста, разработанная Meng Lee, Fujiki Nakamura, Makoto Shing, Paul McCann, Takuya Akiba и Naoki Orii. Она создана на основе Japanese-StableLM-Base-Alpha-7B и дообучена на наборах инструкций, включая японские переводы Databricks Dolly-15k и части Anthropic HH, а также подвыборку Wikinews из izumi-lab/llm-japanese-dataset. Модель предназначена для диалоговых приложений и выполнения инструкций на японском языке. Она использует decoder-only архитектуру NeoX с 8,9 млрд параметров по метаданным; в карточке README указана конфигурация на 7 млрд параметров, 32 слоя и 32 головы. Метаданные указывают контекст 2048 токенов, а в описании обучения README приведена длина последовательности 1024 токена. Модель принимает текст и генерирует текст. Возможные ограничения включают предвзятость, токсичность и фактические ошибки; ответы не заменяют человеческую оценку. Лицензия — Apache 2.0.

jp-parallel-gloss — англоязычный sentence-transformer, разработанный для оценки семантического сходства японских глосс и их английских определений. Модель дообучена на более чем 4 млн пар параллельных и непараллельных глосс из JMDict, а также на парах синонимов и антонимов из WordNet. В основе — BERT-энкодер sentence-transformers/all-MiniLM-L6-v2; модель содержит 25,9 млн параметров и создаёт нормализованные векторы размерности 384. README указывает предел длины входа 256 токенов, а метаданные — контекст до 512 токенов. Основное применение — поиск и сопоставление английских определений японских слов по смыслу. Векторы также подходят для семантического поиска, поиска перефразировок, кластеризации и классификации текста. Для сравнения используется косинусное сходство. В README приведены результаты оценки бинарной классификации, но они не гарантируют такое же качество на других данных и задачах. Модель работает с текстом на английском языке; лицензия в предоставленных сведениях не указана.

Kimi-K3-Alis-MLX-Dynamic — 2.10 bpw — это квантованная версия мультимодальной модели Kimi K3 от Moonshot AI, подготовленная пользователем avlp12 для запуска на Apple Silicon с использованием MLX. Модель основана на Kimi-K3 с архитектурой MoE и заявленным общим размером 2,8 трлн параметров; поддерживает генерацию текста и обработку изображений благодаря сохранённой vision-компоненте MoonViT-3d. Сборка предназначена для локального инференса и веб-чата на двух компьютерах Apple Silicon, каждый из которых должен иметь около 512 ГБ unified memory. Общий размер весов составляет 737,1 ГБ при средней точности 2,096 bpw. Маршрутизируемые эксперты используют ternary codebook-квантизацию, часть экспертных экземпляров переведена в MXFP4, а attention, dense-слои и shared experts имеют 6-битное представление; vision tower оставлен без квантизации в bf16. В модели используется маршрутизация top-16-of-896. README не указывает полный список поддерживаемых языков, но качество отдельно измерялось на английском и корейском корпусах. Сильной стороной сборки является существенное уменьшение размера при сохранении качества: по приведённым измерениям она превосходит предыдущую версию v2 на тестах wikitext и корейской Википедии, а также ближе к исходной teacher-модели по KL-дивергенции и доле изменений top-1 предсказаний. Ограничения — чрезвычайно большой объём памяти, необходимость двух связанных машин Apple Silicon и специализированного runtime MLX; запуск на одном компьютере заявлен как невозможный. Лицензия обозначена как kimi-k3-license; точные условия следует уточнять в лицензии базовой модели Moonshot AI.

ThuyNT03/KLTN_COQE_viT5_total_ASPOL_v4 — дообученная модель VietAI/vit5-large на архитектуре T5 с 389,3 млн параметров. В карточке указано дообучение на наборе данных, название которого не приведено; описание задач и оценок качества отсутствует. Базовая VietAI/vit5-large предназначена для генерации текста на вьетнамском языке, включая ответы на вопросы, суммаризацию и перевод. Эти возможности дают ориентир для сценариев использования модели, но карточка не подтверждает, какие именно задачи решает данная версия и насколько хорошо. Модель распространяется в формате Safetensors по лицензии MIT.

JY623/KoSOLAR-10.7B-merge-v3.0 — объединённая модель генерации текста, созданная с помощью mergekit методом SLERP из hyeogi/SOLAR-10.7B-v1.5 и yanolja/KoSOLAR-10.7B-v0.2. Модель основана на архитектуре Llama и содержит 10,6 млрд параметров; она предназначена для генерации текста, в том числе на корейском языке, с возможностью дальнейшей адаптации к корейским задачам. Модель принимает текст и генерирует текст. Контекст составляет 4096 токенов. Веса доступны в формате safetensors, лицензия — Apache-2.0. Карточка не приводит оценки качества или подробных ограничений для отдельных сценариев применения.

ccrains/larson-gemma-2b-chinese-v0.1 — плотная языковая модель на архитектуре GemmaForCausalLM, разработанная на базе Gemma 2B. По описанию автора, модель получила китайский токенизатор, затем прошла предварительное обучение на китайском и англоязычном материале и дообучение на инструкциях. Она предназначена для генерации текста и диалогов на китайском и английском языках; заявлен демонстрационный чат-сценарий. Модель содержит 2,5 млрд параметров, использует контекст до 8192 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. README не приводит оценки качества и конкретные результаты обучения, поэтому пригодность для специализированных задач не подтверждена.

FlagAlpha/Llama2-Chinese-13b-Chat — плотная авторегрессионная языковая модель семейства Llama 2, подготовленная сообществом Llama-Chinese. Модель размером 12,9 млрд параметров получена объединением LoRA-дообучения на китайских инструкциях с весами meta-llama/Llama-2-13b-chat-hf; в репозитории опубликована готовая для использования версия в формате PyTorch. Модель предназначена для диалогов и ответов на вопросы на китайском языке, а также поддерживает английский. Её можно применять в чат-ботах и системах вопросно-ответного взаимодействия. Контекст составляет 4096 токенов. Лицензия — Apache-2.0. Дообучение направлено на улучшение китайского диалога по сравнению с исходной Llama 2. Карточка не приводит количественных оценок качества или подробных ограничений; ответы могут быть неточными, поэтому модель следует проверять в целевых сценариях.

AXCXEPT разработала эту инструкционную модель на базе Meta Llama 3.1 8B Instruct, дообучив её для улучшения работы с японским языком. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, предназначенная для диалогов и генерации ответов по инструкциям; в метаданных указано контекстное окно 131 072 токена и поддержка японского и английского языков. Модель доступна в формате Safetensors и поддерживает интерфейс вызова инструментов. Дообучение выполнено методом instruction tuning с QLoRA на инструкционных данных, составленных из отобранных материалов японской Википедии и FineWeb. Основной сценарий применения — диалоги и генерация текста на японском языке; карточка также заявляет улучшения в разных языках и областях, но не приводит количественных оценок качества. Модель может выдавать неточные, предвзятые или проблемные ответы, а безопасность для конкретного приложения требует отдельного тестирования и настройки. Разработчик характеризует её как экспериментальный прототип для исследований и разработок, не предназначенный для коммерческого или критически важного применения. Применяется лицензия Llama 3.1 Community License Agreement.

Это языковая модель Atsuki Yamaguchi на архитектуре Llama 3.1 8B Instruct, адаптированная для сингальского языка. Модель содержит 7,5 млрд параметров и дополнительный словарь из 10 тысяч токенов с весами эмбеддингов и LM-головы, инициализированными методом среднего значения. Она непрерывно предобучалась на 500 млн токенов сингальского языка из набора MADLAD-400. Модель предназначена для генерации текста и диалоговых сценариев на сингальском языке. Она принимает текст и выдаёт текст; заявленная длина контекста — 131 072 токена. Использование основано на Transformers и формате safetensors. Модель дообучена на базе meta-llama/Llama-3.1-8B-Instruct и распространяется по лицензии Llama 3.1 Community License Agreement.

Llama-3.1-Carballo — текстовая авторегрессионная модель семейства Carballo, разработанная для работы с галисийским языком. Это продолжительно предварительно обученная версия meta-llama/Llama-3.1-8B: в README указан размер 8 млрд параметров, а метаданные каталога — 7,5 млрд. Обучение продолжалось на многоязычном корпусе примерно из 20 млрд токенов с акцентом на галисийские тексты. Модель предназначена для генерации текста и может быть дообучена под конкретные сценарии. Она поддерживает галисийский, португальский, испанский, каталанский и английский языки; максимальный контекст по метаданным — 131 072 токена. Оценка качества в карточке ещё не завершена, поэтому результаты для конкретных задач не приведены. Для использования указана лицензия Llama 3.1. Модель описана как готовая для авторегрессионного языкового моделирования; пригодность для других сценариев зависит от дополнительной настройки и оценки.

Kyara — экспериментальная предварительная версия модели, разработанная в рамках проекта Knowledge Yielding Adaptive Retrieval Augmentation. Она дообучена на базе Meta Llama 3.2 3B Instruct и предназначена для генерации текста в диалогах и улучшения понимания языков, особенно традиционного китайского, за счёт адаптивного использования знаний. В README приведено сравнение с исходной моделью на бенчмарке TMMLUPlus в режиме zero-shot: Kyara-3b-it набрала 42,54 балла против 40,01 у базовой модели. Модель имеет плотную архитектуру LlamaForCausalLM, 3,2 млрд параметров и контекст до 131 072 токенов. Карточка указывает английский и китайский языки; проект уделяет особое внимание традиционному китайскому. Репозиторий использует Transformers и формат safetensors. Лицензия — llama3.2; применяются условия лицензии Meta Llama 3.2.

AXCXEPT разработала EZO — плотную авторегрессионную языковую модель семейства Llama 3 на 7,5 млрд параметров, основанную на Meta-Llama-3-8B-Instruct. Модель дополнительно обучали на японских текстах из Википедии и FineWeb, а затем настраивали на следование инструкциям; она рассчитана прежде всего на задачи на японском языке, но предназначена и для многоязычного применения. Модель принимает текст и генерирует текстовые ответы в диалоговом формате. Контекст составляет 8192 токена; карточка указывает поддержку японского и английского языков. Модель можно применять для ответов на вопросы, диалоговых помощников и других задач генерации текста. Разработчик описывает модель как экспериментальный прототип для исследований и разработки и не рекомендует коммерческое или критически важное применение; качество и результаты не гарантируются. Использование регулируется условиями Llama 3.

Llama 3 Youko 8B — языковая модель rinna, созданная на основе Meta Llama 3 8B. Разработчики продолжили предварительное обучение базовой модели примерно на 22 млрд токенов из японских и английских корпусов, чтобы улучшить её результаты на задачах на японском языке. Модель имеет плотную архитектуру LlamaForCausalLM: 32 слоя и скрытый размер 4096; размер — около 7,5 млрд параметров, контекст — 8192 токена. Модель предназначена для генерации текста на японском и английском языках, в том числе для продолжения заданного текста и адаптации к языковым задачам. Это базовая модель продолженного предобучения, а не версия с настройкой для следования инструкциям. Использование возможно через Transformers; веса представлены в формате safetensors. Лицензия — Llama 3 License.

aixsatoshi выпустил разговорную модель Llama-3-youko-8b-instruct-chatvector — плотную авторегрессионную модель семейства Llama 3 с 7,5 млрд параметров. Она создана слиянием разностного вектора между Meta-Llama-3-8B-Instruct и Meta-Llama-3-8B с японской моделью rinna/llama-3-youko-8b, прошедшей дополнительное продолжение предобучения на японском языке. Модель рассчитана на генерацию текста в формате диалога и особенно свободно работает с японским языком; заявленный контекст составляет 8192 токена. Модель подходит для японского чат-бота, ответов на вопросы и генерации японского текста. В карточке указана лицензия llama3. Данные о специальных ограничениях качества или безопасности не приведены.

llm-jp-3-1.8b-instruct3 — инструктивная языковая модель серии LLM-jp-3, разработанной Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это плотный трансформер семейства Llama с 1,7 млрд параметров, доступный в формате Transformers и предназначенный для диалогов и генерации текста по инструкциям. Модель обучалась на корпусе объёмом 2,1 трлн токенов; постобучение включает supervised fine-tuning и выравнивание методом Direct Preference Optimization. Модель подходит для ответов на вопросы и выполнения текстовых инструкций, особенно на японском языке; метаданные также отмечают поддержку английского. Контекст составляет 4096 токенов. Карточка описывает серию как находящуюся на раннем этапе исследований и разработки и предупреждает, что ответы не настроены для надёжного соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

MalayaLLM_7B_Instruct_v0.2 — инструктивная языковая модель, разработанная VishnuPJ для генерации текста и ответов на вопросы, с акцентом на малаялам. Это плотная авторегрессионная модель семейства LLaMA 2 с 6,7 млрд параметров; она обучалась на инструкциях из набора Alpaca_Instruct_Malayalam и использует контекст до 4096 токенов. В README также описано расширение словаря малаялам примерно до 18 000 токенов в семействе MalayaLLM. Модель предназначена для диалогов и выполнения текстовых инструкций на малаялам и английском. В README разработчик характеризует её как раннюю версию, которой нужны дальнейшее обучение и доработка; качество на конкретных задачах не гарантируется. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

MRNH разработал дообученную модель mBART для исправления грамматики в немецком тексте. Она принимает текст и генерирует исправленный вариант, сохраняя немецкий язык; при обучении использовался публичный датасет Falko-MERLIN. Модель построена на архитектуре MBartForConditionalGeneration, содержит около 457,4 млн параметров и имеет контекст длиной до 1024 токенов. Модель предназначена для автоматической коррекции грамматических ошибок в немецких предложениях и может применяться для проверки пользовательских текстов и подготовки черновиков. Репозиторий содержит веса PyTorch; для работы в README приведён пример использования Transformers и токенизатора mBART. Лицензия в предоставленных данных не указана.

MWirelabs/ne-asr — мультиязычная модель автоматического распознавания речи, разработанная MWirelabs и дообученная на базе openai/whisper-medium. Она предназначена для распознавания речи на восьми языках Северо-Восточной Индии. Модель использует архитектуру Whisper и содержит 455,8 млн параметров; принимает аудио и генерирует текстовую транскрипцию. В обучении использованы 150 483 образца из набора Vaani и собственного корпуса MWire. В README приведены результаты на тестах для кхаси (WER 16,89%), гаро (9,31%) и мизо (23,85%). Модель распространяется по лицензии CC BY 4.0; результаты для трёх языков показывают, что качество различается по языкам.

Open-Chinese-LLaMA-7B-Patch — патч для базовой языковой модели LLaMA-7B, разработанный проектом Open-Chinese-LLaMA. Он получен продолжением предварительного обучения на китайских наборах данных и распространяется в формате PyTorch для Transformers. Для работы патч необходимо объединить с официальными весами LLaMA-7B. Модель предназначена для генерации текста и задач на понимание китайского языка, а также может применяться в последующих задачах на китайских и английских данных. В README сообщается об улучшении результатов относительно исходной LLaMA-7B на нескольких китайских тестах. Общее число параметров составляет 6,6 млрд. Лицензия — Apache-2.0; для использования требуются базовые веса LLaMA и соблюдение условий их лицензии.

Lexius/Phi-4-multimodal-instruct — мультимодальная модель семейства Phi-4, размещённая пользователем Lexius. Это дообученная для распознавания корейской речи версия Phi-4-multimodal: автор сообщает о 35 тысячах пар корейской речи и транскрипций, собранных из открытых и собственных наборов данных. Модель предназначена для преобразования корейской речи в текст; карточка также упоминает перевод речи и демонстрационные материалы для проверки концепции. Модель использует архитектуру Phi4MMForCausalLM с 3,8 млрд параметров и работает через Transformers. Вход — аудио, выход — текст. В README базовой модели описана мультимодальная обработка текста, изображений и аудио, однако сведения о корейском дообучении подтверждают именно задачу распознавания речи. Метаданные указывают контекст 4096 токенов; README базовой модели приводит другое значение, поэтому длина контекста для этой версии неясна. Автор характеризует дообученную версию как PoC, не предназначенную для производственного применения. Качество может зависеть от скорости речи и условий записи; оценка на широком наборе корейской речи не приведена. Лицензия — MIT.

Qwen2-1.5B-ITA-Instruct — итальянская инструктивная языковая модель, разработанная e-palmisano на основе unsloth/Qwen2-1.5B-Instruct-bnb-4bit. Она дообучена на итальянском корпусе gsarti/clean_mc4_it и наборе инструкций FreedomIntelligence/alpaca-gpt4-italian для улучшения работы с итальянским языком и ответов на запросы. Модель использует плотную архитектуру Qwen2ForCausalLM с 1,5 млрд параметров, поддерживает контекст до 32 768 токенов и работает с текстом в формате safetensors. Модель подходит для диалога и генерации ответов на итальянском, а также для задач общего текстового общения на английском. В README приведены результаты оценки на итальянских вариантах HellaSwag, ARC и MMLU со средним нормализованным показателем 42,57. Модель распространяется по лицензии Apache-2.0.

jaykwok/Qwen3-ASR-1.7B-JA-Anime-Galgame-hf — японская модель распознавания речи, созданная на базе Qwen3-ASR-1.7B и дообученная для аудио из аниме и галгеймов. Репозиторий преобразован в формат, совместимый с нативной загрузкой через Hugging Face Transformers; дообученные веса сохранены без изменений. Для загрузки требуется Transformers версии 5.13.0 или выше, модель принимает аудио и выдаёт текст на японском языке. В репозитории также доступны отдельные CTC-головы для выравнивания японской транскрипции с аудио. Они определяют временные границы символов и паузы, что помогает создавать точные субтитры и выбирать места разбиения длинной записи. Головы используют аудиоэнкодер именно этой дообученной модели и не предназначены для переноса на другие модели или дообучения. Модель распространяется по лицензии Apache-2.0.

RIFA-PRO-3B-GGUF — это GGUF-квантизированная версия языковой модели RIFA-PRO-3B, разработанной smshahbaj и квантизированной mradermacher. Модель предназначена для генерации текста и ведения диалогов, включая сценарии на английском и бенгальском языках. Она может использоваться в локальных приложениях и инструментах, поддерживающих формат GGUF. Модель содержит около 3 миллиардов параметров. Точная архитектура, размер контекста и набор модальностей в README не указаны; по имеющимся данным, это текстовая модель без заявленной поддержки изображений, аудио или других мультимодальных входов. Доступны варианты с разным уровнем квантизации: от компактного Q2_K до f16; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант с очень хорошим качеством, а Q8_0 — как быстрый вариант с наилучшим качеством среди перечисленных. Основные преимущества модели — небольшой размер, поддержка английского и бенгальского языков, а также возможность запуска в различных GGUF-совместимых средах при выборе подходящего варианта квантизации. Ограничения включают отсутствие подробных сведений о базовой архитектуре, контексте, обучающих данных, результатах оценки и фактическом качестве на конкретных задачах; сильная квантизация может снижать качество генерации. Модель распространяется по лицензии Apache-2.0.

Seed-X-RM-7B — модель оценки переводов из семейства Seed-X, разработанная ByteDance. Это причинная языковая модель на архитектуре Mistral с 7,2 млрд параметров и контекстом 32 768 токенов. Она принимает запрос в формате Seed-X-PPO и оценивает качество перевода, выдавая наградной балл; баллы можно сравнивать только для одного и того же направления перевода. Модель предназначена для оценки и ранжирования переводов между 28 языками, в том числе для сравнения вариантов перевода и поддержки исследований и прикладных систем машинного перевода. Обучение включает предобучение и последующее обучение на данных человеческих предпочтений для многоязычного перевода. README описывает оценки на FLORES-200, WMT-25 и наборе проверок с человеческими оценками, но не приводит здесь численные результаты. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому перед использованием следует проверить её условия в карточке модели. Модель выдаёт оценку перевода, а не готовый перевод; её наградные баллы не следует сопоставлять между разными языковыми направлениями.

Shisa Gamma 7B v1 — диалоговая языковая модель, разработанная командой Shisa и дообученная на базе Japanese Stable LM Base Gamma 7B от Stability AI. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров. Она предназначена для генерации текста и общения на японском и английском языках; контекстное окно составляет 32 768 токенов. Авторы применили к базовой модели собственный вариант набора данных для дообучения и сообщают о результатах в JA MT-Bench. Модель распространяется в формате Safetensors по лицензии Apache 2.0. README не приводит подробных оценок качества, инструкций по развёртыванию или сведений о дополнительных возможностях.

Это побайтная копия модели NVIDIA stt_ar_fastconformer_hybrid_large_pcd_v1.0, созданная пользователем dev-ahmedhany для резервного доступа к исходному чекпойнту. Модель распознаёт арабскую речь и выдаёт текст с пунктуацией, капитализацией и диакритическими знаками (ташкиль). Она построена на архитектуре FastConformer и использует гибридный подход Transducer-CTC; для работы предназначена библиотека NeMo. Модель подходит для транскрибации арабской речи с восстановлением знаков препинания и диакритики. Репозиторий не меняет исходные веса NVIDIA. Лицензия — CC-BY-4.0.

ad019el/tamasheq-99-3 — дообученная модель распознавания речи на архитектуре wav2vec2 с декодированием CTC. Она принимает аудио и преобразует речь в текст; в README указана оценка WER 0,4994 на наборе оценки. Модель содержит 402,7 млн параметров и распространяется в формате PyTorch. Модель предназначена для транскрибирования речи на тамашек. README сообщает о дообучении на ad019el/tamasheq-99-2, но не описывает обучающие данные и сценарии применения подробнее. Лицензия — Apache-2.0.

Hishab titulm-llama-3.2-1b-v2.0 — плотная авторегрессионная языковая модель на архитектуре Llama 3.2 с 1,3 млрд параметров, предназначенная прежде всего для генерации и понимания текста на бенгальском языке. Разработчик продолжил предобучение базовой модели meta-llama/Llama-3.2-1B на корпусе Hishab объёмом около 268 ГБ и 37 млрд токенов, расширив словарь с 128 тыс. до 170 тыс. токенов, включая примерно 42 тыс. новых бенгальских токенов. Модель поддерживает чатовый сценарий, использует библиотеку Transformers и имеет контекстное окно до 131 072 токенов по метаданным. Основной язык — бенгальский; также заявлена поддержка английского. Модель рассчитана на генерацию бенгальского текста, языковое понимание и последующую настройку под инструкции. В README приведены результаты оценки на бенгальских и английских наборах тестов, однако они не гарантируют качество в конкретном приложении. Модель обрабатывает текст и выдаёт текст. Модель распространяется по лицензии llama3.2, то есть условия использования основаны на лицензии сообщества Llama 3.2; перед применением следует учитывать её ограничения и требования.