I.6Перевод и языковая адаптация

TRM-textV3.6 — языковая модель семейства TRM, разработанная summerMC. Это финальная оценочная версия, дообученная на базе summerMC/TRM-textv3.5: автор сообщает о продолжении предобучения на 250 млн токенов и полном SFT на наборе databricks-dolly-15k-ja из 15 тысяч примеров. Модель предназначена для генерации текста и диалоговых сценариев на японском и английском языках. В карточке приведены результаты оценки после SFT на ARC-Easy, HellaSwag и PIQA: нормированная точность составляет соответственно 0,3300, 0,2638 и 0,5539. Модель распространяется в формате safetensors по лицензии Apache-2.0. Размер модели и длина контекста в доступных данных не приведены.

Vigogne-7B-Instruct — французская инструкционная языковая модель, созданная дообучением LLaMA-7B. Она предназначена для выполнения инструкций и генерации ответов на французском языке. Модель имеет плотную архитектуру LLaMA с 6,6 млрд параметров, работает через Transformers и принимает текст, выдавая текст; максимальная длина контекста составляет 2048 токенов. Обучение началось с переведённого набора Stanford Alpaca; последующие версии улучшали качество перевода и расширяли обучающую выборку. Модель может быть полезна для диалоговых помощников и выполнения текстовых инструкций на французском языке. Разработчики предупреждают, что ответы могут быть вредными, предвзятыми, ошибочными или бесполезными. Модель предназначена только для исследований; лицензия указана как OpenRAIL, а использованный датасет распространяется по CC BY-NC 4.0.

reichenbach/wav2vec2-large-xls-r-300m-as — модель автоматического распознавания речи, дообученная на Common Voice на основе facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, выдавая распознанный текст на ассамском языке. В карточке приведены результаты оценки: WER 0,5174 и WER 0,7224 на тестовом наборе Common Voice Assamese v7.0, CER 0,2882. Модель распространяется по лицензии Apache-2.0.

AAkhilesh/wav2vec2-large-xls-r-300m-ta-colab — модель распознавания речи, дообученная на базе facebook/wav2vec2-xls-r-300m на наборе Common Voice. Она использует архитектуру Wav2Vec2ForCTC и предназначена для преобразования аудиозаписей в текст; по названию модели она ориентирована на распознавание тамильской речи. Модель содержит 402,7 млн параметров, распространяется в формате PyTorch и доступна по лицензии Apache-2.0. Карточка не приводит сведения о точности, условиях записи или подробной оценке качества, поэтому пригодность для конкретных аудиоданных следует проверять отдельно.

Whisper Kannada Tiny — дообученная OpenAI модель Whisper-Tiny, подготовленная vasista22 в рамках Whisper fine-tuning sprint на общедоступных корпусах речи на каннада. Модель предназначена для автоматического распознавания речи и преобразования аудиозаписей на каннада в текст. Архитектура — WhisperForConditionalGeneration, размер — 29,4 млн параметров. Репозиторий содержит веса PyTorch и Flax; для оценки автор указывает код из проекта whisper-finetune. Обучение проводилось на IISc-MILE Kannada ASR Corpus, ULCA ASR Corpus, Shrutilipi ASR Corpus и обучающей и валидационной выборках Google Fleurs. Лицензия — Apache-2.0.

Elizabeth Mwangi разработала эту модель на базе Whisper Large V3 для распознавания кенийской суахилийской речи с нестандартным произношением. Это второй этап дообучения: исходная модель Whisper Large V3 была адаптирована на образовательной речи AfriVoice, а затем чекпойнт дообучили на датасете CDLI Kenyan Swahili Nonstandard Speech. Модель содержит 905,2 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для автоматической транскрипции кенийской суахилийской речи, в том числе речи с выраженными отклонениями от стандартного произношения. На тестовом наборе Kenyan Swahili Nonstandard Speech авторы сообщают WER 0,307 и CER 0,146; результат зависит от выраженности отклонений, причём для тяжёлых случаев WER выше, чем для лёгких. Оценка приведена для конкретного тестового набора и не гарантирует аналогичного качества на других разновидностях речи или в иных условиях записи.

bartelds/whisper-large-v3-turbo-fy-cv22 — дообученная модель распознавания речи на базе openai/whisper-large-v3-turbo. Она предназначена для транскрибирования фризского языка (fy-NL) и обучена на данных Common Voice 22.0. Модель использует архитектуру Whisper и принимает аудио; размер составляет 905,2 млн параметров. В обучении энкодер был заморожен, адаптировалась часть декодера. В README указаны WER 0,0479 на dev и 0,0574 на test для выборок примерно по часу. Обучающие записи разделены по говорящим относительно dev и test, аудио приведено к 16 кГц, длительность клипов ограничена 30 секундами. Модель рассчитана на голосовые записи, похожие на Common Voice; на радио, телефонной речи и шумном аудио качество может снижаться. Для оформления регистра и пунктуации может понадобиться постобработка. Лицензия — MIT.

seastar105/whisper-medium-ko-zeroth — дообученная модель распознавания речи на основе openai/whisper-medium, созданная для корейского языка. Она обучена на наборе данных Zeroth Korean и предназначена для преобразования корейской речи в текст. В карточке приведены результаты на наборе оценки: WER 3,6440 и CER 1,4840; размер модели — 455,8 млн параметров, формат весов — PyTorch. Модель подходит для транскрибации корейской речи в сценариях, близких к данным Zeroth Korean. Автор указывает, что существуют другие дообученные модели с ожидаемо более высокой точностью, и рекомендует их вместо этой. Модель распространяется по лицензии Apache-2.0.

muneebharoon/whisper-small-ks — дообученная Muneeb Haroon модель автоматического распознавания речи на базе openai/whisper-small. Она предназначена для транскрибирования аудио на кашмирском языке. Модель построена на архитектуре Whisper и содержит 455,8 млн параметров; для работы используется библиотека Transformers. На указанном наборе оценки модель получила WER 39,8077 и loss 1,1578. Эти результаты относятся только к описанной оценочной выборке и не гарантируют такое же качество на других записях. Модель принимает аудио и генерирует текстовую транскрипцию. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

cifope/whisper-small-wolof — модель распознавания речи на базе Whisper small, дообученная на датасете FLEURS. Она предназначена для преобразования аудиозаписей на волоф в текст. Модель содержит 153,1 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в форматах PyTorch и Safetensors. Модель унаследовала мультиязычную основу OpenAI whisper-small, но дообучена для распознавания волоф. В карточке указана оценка WER 0,9218 на тестовой выборке; это свидетельствует о существенных ошибках распознавания и ограничивает применение без проверки и коррекции результата. Лицензия — Apache-2.0.

shajiu/Yak_Llama2_7B — языковая модель семейства Llama 2, разработанная с адаптацией для тибетского языка. Это плотная авторегрессионная модель с 6,7 млрд параметров и контекстом 4096 токенов. Для повышения эффективности обработки тибетского текста словарь расширен с 32 000 до 56 724 токенов на основе тибетского корпуса TibetanGeneralCorpus. Обучение продолжало предобучение Llama 2 на тибетских данных и смешанных англо-китайских текстах: сначала обновлялись эмбеддинги, затем эмбеддинги и параметры LoRA+. Модель предназначена для генерации текста и языковых задач на тибетском, английском и китайском языках. Расширенная токенизация нацелена на более эффективное кодирование тибетского текста. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. README не приводит результатов сравнительной оценки качества.

AfriGuardPlain-AfriqueQwen3.5-4B-lora-merged — модель генерации текста и диалогов, созданная дообучением McGill-NLP/AfriqueQwen3.5-4B командой adzcai. Модель обучена с помощью LoRA ранга 16 на всех линейных слоях, после чего адаптер объединён с базовыми весами. Обучающий набор adzcai/AfriGuard-plain содержит пользовательские запросы и обычные ответы без системной инструкции по безопасности и специальных маркеров. Модель предназначена для генерации ответов в диалоге на языках Африки и других языках, поддерживаемых базовой AfriqueQwen3.5-4B. Архитектура — плотная Qwen3.5, около 4 млрд параметров; репозиторий содержит веса Safetensors и рассчитан на Transformers. Карточка перечисляет английский, амхарский, хауса, игбо, оромо, шона, суахили, тви, волоф, йоруба и зулу. Лицензия — CC BY 4.0. Обучение на plain-версии AfriGuard означает, что модель не получает в примерах специальную системную инструкцию по безопасности; её поведение в задачах безопасности не следует считать гарантированным. Контекстное окно и подробные оценки качества в предоставленных данных не описаны.

AX-Kimi-K3-MLX-AXQ-2bit — экспериментальная упаковка базовой модели Kimi-K3, разработанной Moonshot AI, для запуска в экосистеме MLX. Модель предназначена для генерации текста и ориентирована на языковые сценарии; заявлены английский и китайский языки. Это 2-битная AXQ-квантизованная версия, построенная на исходной модели с нативным MXFP4 QAT, с архитектурой MoE. Данные о точном числе параметров и размере контекста не указаны. Сильной стороной модели является существенно сниженное по сравнению с полноточными вариантами потребление памяти, что потенциально удобно для локального запуска на совместимом оборудовании Apple. Версия экспериментальная и не сертифицирована; она предназначена преимущественно для любительского использования и проверки концепции. Поддерживается только языковой путь: визуальная часть MoonViT-V2 сохраняется в формате BF16, а для конвертации требуется публичная реализация Kimi Delta Attention в mlx-vlm. Для работы также требуется потоковая обработка экспертов. Лицензия обозначена как other; в пакет скопирована лицензия Kimi K3, но её конкретные условия в карточке не приведены.

Это авторегрессионная плотная модель для генерации текста из семейства PicoDecoder, опубликованная в пространстве Beetle-FineWeb-2B на Hugging Face. Карточка автоматически создана и не сообщает разработчика, лицензию, обучающие данные или подробное назначение. Идентификатор репозитория указывает на двуязычный вариант, связанный с нидерландским и английским языками, однако карточка не подтверждает языковые характеристики. Модель доступна в формате Safetensors и загружается через Transformers с включённым trust_remote_code. Она может применяться для продолжения текста и других сценариев генерации текста. В доступных сведениях нет подтверждённых размера модели, длины контекста, оценки качества или известных ограничений; также нельзя установить условия лицензии.

BlueBerry-2-GGUF — это GGUF-квантизация модели BlueBerry-2, разработанной artindnr и подготовленной пользователем mradermacher. Модель предназначена для генерации текста и может использоваться в локальных приложениях и средах, поддерживающих формат GGUF. В метаданных указана архитектура mixture-of-experts, а также совместимость с Transformers; исходная карточка дополнительно упоминает PyTorch, JAX и TensorFlow. Модель ориентирована на английский и персидский языки. Доступны варианты квантизации Q2_K, Q3_K, IQ4_XS, Q4_K_S, Q4_K_M, Q5_K_S, Q5_K_M, Q6_K и Q8_0 размером примерно от 66 до 124 ГБ. В README отмечено, что Q4_K_S и Q4_K_M рекомендуются как быстрые варианты, Q6_K обеспечивает очень хорошее качество, а Q8_0 сочетает высокое качество и скорость. Квантизация уменьшает требования к ресурсам по сравнению с полноразмерной моделью, но варианты с более низким качеством могут сильнее ухудшать точность. Размер контекста, точное число параметров, поддерживаемые модальности помимо текста и результаты бенчмарков не указаны. Распространение выполняется по лицензии Apache-2.0. README не содержит подробностей о сильных и слабых сторонах исходной модели, качестве на конкретных задачах или рекомендуемых аппаратных требованиях.

twnlp/ChineseErrorCorrector3-4B — дообученная модель семейства Qwen3 для исправления ошибок в китайском тексте. По данным карточки, модель прошла полное обучение на 2 млн примеров с коррекциями и предназначена для исправления орфографии (CSC) и грамматики (CGEC). Она построена на плотной архитектуре Qwen3ForCausalLM, содержит около 3,7 млрд параметров и использует контекст до 40 960 токенов. Модель принимает китайский текст и генерирует исправленный текст; в метаданных также указана поддержка диалогового режима. Модель подходит для автоматической вычитки китайских текстов и интеграции коррекции в приложения на базе Transformers. В README приведены оценки на NaCGEC Data и сравнение с несколькими моделями, но показанная таблица не содержит результатов самой ChineseErrorCorrector3-4B. Лицензия — Apache-2.0.

DiaLLM Llama GSPO AUS — языковая модель, разработанная Surrey NLP и созданная на основе Llama 3.1-8B для генерации текста на австралийском варианте английского языка. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 131 072 токенов. Модель прошла непрерывное предобучение на International Corpus of English, включающем 18 вариантов английского языка, затем диалектно-ориентированное дообучение на данных предпочтений en-AU и выравнивание методом GSPO. Она предназначена для генерации ответов и текста с особенностями австралийского английского, например в диалоговых сценариях. В README модель представлена как часть исследования о разрыве между устойчивостью и генерацией при адаптации английских диалектов. Модель опубликована в формате Safetensors и использует библиотеку Transformers. Лицензия — Llama 3.1. В карточке приведён пример генерации текста через Transformers на GPU.

SkitCon/gec-spanish-BARTO-SYNTHETIC — модель для исправления грамматических ошибок в испанском тексте. Она разработана на основе vgaraujov/bart-base-spanish и дообучена с использованием 80% корпуса COWS-L2H и 80 984 синтетически созданных предложений с ошибками. Архитектура — BART с 95,2 млн параметров; модель использует библиотеку Transformers и форматы PyTorch и Safetensors, максимальная длина контекста — 1024 токена. Модель предназначена для коррекции отдельных предложений на испанском языке. Для обработки абзаца README рекомендует разбить его на предложения и запускать модель отдельно для каждого. На COWS-L2H указана оценка BLEU 0,851. Лицензия в предоставленных данных не указана.

Модель 云碩科技 (xCloudinfo), дообученная для диалогов на тайваньском традиционном китайском языке. В основе — мультимодальная Google Gemma 4 26B A4B IT: архитектура Gemma4 с 26 млрд общих и примерно 4 млрд активных параметров, текстом и зрением. Для настройки применили bf16 LoRA SFT на 27 955 очищенных примерах self-instruct, дистиллированных из TAIDE; адаптер объединили с полной моделью. Настройка затронула языковую модель, а исходный модуль зрения сохранили. Модель принимает текст и изображения и отвечает текстом. Она предназначена для диалогов на тайваньском традиционном китайском, в том числе с вопросами по изображениям. README сообщает об успешной проверке распознавания изображений. Для загрузки указаны AutoModelForImageTextToText и vLLM; репозиторий содержит safetensors. Длина контекста в доступных данных не приведена. Основа указана под лицензией Apache-2.0 и также подпадает под лицензию Google Gemma 4 с политикой запрещённого использования. Для производной от TAIDE необходимо соблюдать условия лицензии TAIDE и сохранять уведомление о происхождении; README также запрещает военное и незаконное применение и выдавать модель за представителя TAIDE или NARLabs. Условия TAIDE ограничивают использование и распространение производной модели.

Это GGUF-представление GLM-5.3 с изменёнными весами, которое уменьшает склонность модели отказывать в ответах. В README релиз назван CRACK и приписан dealignai; метаданные связывают модель с JANGQ-AI/GLM-5.3-FP8 и zai-org/GLM-5.3. Исходная модель — текстовая MoE-архитектура glm_moe_dsa на 753 млрд параметров; README указывает, что модификация затрагивает bf16 residual-writer тензоры, а эксперты FP8 оставлены без изменений. Модель предназначена для генерации текста общего назначения и многоязычных диалогов, в том числе сценариев, где требуется меньше отказов. В карточке приведены результаты тестов на знаниях и следовании вредоносным запросам, а также рекомендации по запуску через vLLM на нескольких GPU Hopper. Метаданные указывают лицензию MIT и формат GGUF. Практическое применение требует значительных вычислительных ресурсов. README описывает ограничения reasoning_effort, риск исчерпания токенов до выдачи ответа и ограничения на использование контекста до 1 млн токенов в упомянутом стеке vLLM. Модель снижает защитные отказы и может выдавать вредоносные инструкции; её ответы требуют осторожной проверки.

Japanese Parler-TTS Mini — модель синтеза речи на японском языке, созданная на основе Parler-TTS Mini v1 и дообученная для чтения японского текста. Она принимает текст и генерирует речь; голос можно задавать описанием, а также выбирать конкретного диктора. Для обучения использовался набор данных JSUT. Модель построена на архитектуре Parler-TTS и распространяется в формате PyTorch через Transformers. Модель предназначена для озвучивания японских текстов, например для голосовых интерфейсов и создания аудиоматериалов. Её токенизатор отличается от токенизатора исходной Parler-TTS и с ним несовместим. Лицензия указана как other; карточка разрешает исследовательское, образовательное и коммерческое использование результатов, но запрещает продавать веса или файлы самой модели.

Japanese StableLM-3B-4E1T Instruct — авторегрессионная языковая модель Stability AI, дообученная на наборах данных с инструкциями на японском языке. Она предназначена для диалогов, ответов на запросы и дальнейшей адаптации под конкретные приложения. Модель построена на декодерном трансформере StableLM Epoch с 2,7 млрд параметров; использует токенизатор GPT-NeoX и поддерживает контекст до 4096 токенов. В обучающие данные вошли переведённые на японский наборы Databricks Dolly-15k и часть Anthropic HH, а также подмножество Wikinews из японского датасета izumi-lab/llm-japanese-dataset. Модель может генерировать оскорбительный или неподходящий текст, поэтому при использовании в рабочих системах требуется проверка ответов. Лицензия Apache 2.0 допускает коммерческое использование.

JTGrammarVN-Q34BI — дообученная модель Qwen3 для редактирования вьетнамской прозы в стиле фэнтезийного романа. Её разработчик, johnnietien, сообщает, что модель исправляет орфографию и грамматику, делает неестественные фразы более плавными и придаёт тексту стилистику жанров tiên hiệp и huyền huyễn, стараясь сохранить исходный смысл. Модель основана на Qwen/Qwen3-4B-Instruct-2507 и дообучена методом GRPO с использованием Unsloth на примерах переработки вьетнамского фэнтезийного текста. Это плотная языковая модель архитектуры Qwen3 с 3,7 млрд параметров; формат весов — safetensors, контекст — до 262 144 токенов. Она принимает и генерирует текст, поддерживает диалоговый режим и предназначена прежде всего для вьетнамского языка. Модель подойдёт для литературной правки, улучшения машинного перевода и стилизации рукописей в жанре фэнтези. Карточка не приводит результатов сравнительной оценки качества, поэтому заявленное качество исправлений и сохранения смысла независимо не подтверждено. Лицензия в предоставленных данных не указана.

KoLlama2-7b — корейская инструкцияязычная языковая модель, созданная в рамках проекта KoLlama2 для улучшения работы Llama 2 с корейским языком. Эта версия дообучена методом LoRA на наборе инструкций kullm-v2, опубликованном лабораторией NLP & AI Университета Корё и исследовательским институтом HIAI. Модель относится к семейству Llama, содержит 6,6 млрд параметров и принимает текст, генерируя текст; максимальная длина контекста — 2048 токенов. Модель предназначена для диалоговых ответов и выполнения инструкций на корейском языке, при этом также поддерживает английский. Карточка описывает KoLlama2 как проект по изучению способов адаптации Llama 2 к корейскому языку и отмечает, что предыдущие попытки добиться удовлетворительных результатов на корейском имели ограничения. Использование базовой Llama 2 регулируется её лицензией; сведения о лицензии этой версии в предоставленных данных отсутствуют.

KoreanLM-3B는 QuantumAI가 개발한 한국어 중심 언어 모델로, Llama 계열의 밀집형 자기회귀 언어 모델입니다. 모델에는 2,8 млрд параметров, и оно рассчитано на контекст до 20 480 токенов; опубликованные веса представлены в формате safetensors и загружаются через Transformers. Модель предназначена для генерации текста и общих задач обработки естественного языка с акцентом на корейский язык. Разработчики также ставят цель улучшить токенизацию корейского текста и сделать модель удобнее для адаптации под данные организаций. В метаданных указана поддержка корейского и английского языков. Карточка не сообщает лицензию, поэтому условия использования по ней установить нельзя. Оценки качества и конкретные ограничения применения в карточке также не приведены.

leo-hessianai-7b-p1-llama-errors-p2-GEC — немецкоязычная модель для исправления грамматических ошибок (GEC), разработанная на базе LeoLM/leo-hessianai-7b. Её дообучили на миллионе синтетических примеров с ошибками, созданных моделью генерации ошибок на основе Llama, а также на данных с исправлениями, подготовленных людьми. Модель построена на архитектуре Llama и содержит 6,6 млрд параметров. Она принимает текст и генерирует исправленный текст; контекст составляет до 8192 токенов. Для немецкого языка авторы применяли предварительную обработку с детокенизацией и нормализацией пробелов и кавычек. Модель распространяется в формате safetensors по лицензии Llama 2.

LFM2-1.2B-MLX-8bit — это 8-битная квантованная версия языковой модели LFM2-1.2B, разработанной LiquidAI. Квантование выполнено командой LM Studio с использованием mlx_lm, а модель оптимизирована для запуска на устройствах Apple Silicon. В карточке указано 1,2 млрд параметров, однако более подробные сведения об архитектуре и размере контекста не приведены. Модель предназначена для генерации текста и может применяться в локальных сценариях, где важны компактность, сниженное потребление памяти и эффективная работа на оборудовании Apple. Заявлена поддержка английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. Ключевая особенность — 8-битное представление весов в формате MLX, обеспечивающее оптимизацию для экосистемы Apple Silicon. К сильным сторонам относятся локальный запуск, уменьшенные требования к памяти по сравнению с полноразмерной версией и оптимизация под Apple Silicon. Ограничениями являются относительно небольшой размер модели, возможное снижение качества из-за квантования и отсутствие в предоставленных данных сведений о точности, мультимодальности, максимальной длине контекста и специализированных прикладных возможностях. Модель распространяется по лицензии lfm1.0; в карточке она обозначена как лицензия типа other.

Модель Atsuki Yamaguchi на основе инструкционной Llama 3.1 8B Instruct, адаптированная для бенгальского языка расширением словаря. К исходному словарю добавлено 10 тысяч токенов; веса новых эмбеддингов и LM head инициализированы средним значением. Модель непрерывно предобучалась на 500 млн бенгальских токенов из MADLAD-400. Она предназначена для генерации текста и диалогов на бенгальском языке. Это плотная причинная языковая модель семейства Llama с 7,5 млрд параметров и контекстом до 131 072 токенов; репозиторий использует Transformers и формат safetensors. Указана совместимость с интерфейсом вызова инструментов. Модель унаследовала лицензию Llama 3.1 Community License Agreement (llama3.1). Качество на бенгальском и поведение при длинном контексте отдельно в предоставленных материалах не оценены.

ngia/llama-3.1-8B-wolof — языковая модель семейства Llama 3.1, разработанная ngia и дообученная на базе unsloth/meta-llama-3.1-8b-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для генерации текста, в частности на волоф, что отражено в названии репозитория. Модель имеет плотную архитектуру LlamaForCausalLM и 7,5 млрд параметров. Метаданные указывают контекстное окно до 131 072 токенов, формат весов safetensors и лицензию Apache-2.0. В карточке явно не описаны качество на волоф, обучающие данные или ограничения применимости, поэтому их нельзя оценить по представленным сведениям.

Llama-3-Ko-8B-Ties — диалоговая языковая модель на основе архитектуры Llama 3, созданная разработчиком kuotient с помощью слияния весов методом TIES в mergekit. В слияние вошли beomi/Llama-3-Open-Ko-8B и meta-llama/Meta-Llama-3-8B-Instruct; базовая модель — meta-llama/Meta-Llama-3-8B. Модель содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации текста и диалога на корейском языке: например, для ответов на вопросы и работы чат-бота. README показывает инструкцию отвечать по-корейски. Репозиторий распространяется под лицензией с обозначением «other»; конкретные условия следует уточнять по лицензии и карточкам базовых моделей.