I.6Перевод и языковая адаптация

Tsunami-1.0-7B-Instruct — инструктивная языковая модель для тайского языка, созданная Pollakrit Lorprasertkul дообучением Qwen2.5-7B на тайских данных. Она предназначена для диалогов и генерации текста по инструкциям; в карточке заявлен шаблон ChatML. Модель построена на архитектуре Qwen2, содержит 7,1 млрд параметров и поддерживает контекст длиной до 131 072 токенов. Метаданные также отмечают интерфейс для вызова инструментов. Модель принимает текст и генерирует текст. Указаны тайский и английский языки, при этом основное назначение — работа на тайском. Репозиторий распространяет веса в формате safetensors по лицензии Apache-2.0. Данных о сравнительных оценках качества в карточке нет.

Villanova-2B-VL-2603 — мультиязычная визуально-языковая модель Villanova.AI для диалога и выполнения инструкций по изображениям. Она предназначена для ответов на вопросы о содержимом изображения, создания подписей и описаний, а также понимания документов и диаграмм в сценариях с одним изображением. Модель построена на архитектуре LLaVA: визуальный энкодер SigLIP-SO400M/14 связан с языковой моделью Villanova-2B-Base-2603. Размер — около 2,8 млрд параметров; модель поддерживает английский, французский, немецкий, итальянский и испанский языки. Она также сохраняет текстовые возможности языковой основы. По данным разработчика, модель рассчитана на запуск на одной GPU и выпущена под лицензией Apache 2.0. Модель показывает конкурентные результаты на общих и мультиязычных тестах визуальных вопросов и ответов, однако ответы могут содержать галлюцинации и требуют проверки. Поддерживается только анализ одиночного изображения; качество распознавания плотного мелкого текста уступает специализированным OCR-моделям.

Violet_Twilight-v0.2 — разговорная языковая модель Epiculous, полученная слиянием SLERP моделей Azure_Dusk-v0.2 и Crimson_Dawn-v0.2. Она предназначена для генерации текста в диалоге и ролевых сценариях; для общения используется шаблон ChatML. Модель построена на плотной архитектуре Mistral и содержит 12,1 млрд параметров. Заявленный размер контекста — 1 024 000 токенов. Поддерживаются английский, французский, немецкий, испанский, итальянский, португальский, русский, китайский и японский языки. В README приведены результаты Open LLM Leaderboard, включая среднюю оценку 18,53, IFEval и BBH, но они сами по себе не гарантируют качество в конкретных сценариях. Модель распространяется под лицензией Apache-2.0. Карточка также описывает варианты квантования и настройки сэмплирования, однако опубликованные веса указаны в формате safetensors.

e1ec30/wav2vec2-large-mms-1b-yoruba-colab — дообученная на наборе данных с неуказанным названием модель facebook/mms-1b-all для автоматического распознавания речи. Она использует архитектуру Wav2Vec2ForCTC и содержит 1,3 млрд параметров; модель принимает аудио и преобразует речь в текст. По названию репозитория она ориентирована на йоруба, однако README не описывает языковой охват и назначение подробнее. На указанном в карточке наборе для оценки получены Loss 0,6193, WER 0,5143 и CER 0,1780. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Wav2Vec2-Large-XLSR-53-Dhivehi — модель распознавания речи, созданная Shahukareem путём дообучения facebook/wav2vec2-large-xlsr-53 на данных Common Voice для языка дивехи. Она принимает аудио с частотой дискретизации 16 кГц и выдаёт распознанный текст; заявленный результат на тестовой выборке Common Voice для дивехи — 32,85%. Модель основана на архитектуре Wav2Vec2ForCTC, содержит 402,7 млн параметров и распространяется в формате PyTorch. Модель предназначена для автоматической транскрибации речи на дивехи, в том числе аудиозаписей и материалов, похожих на данные Common Voice. В README нет сведений о применении языковой модели при распознавании; приведённый результат относится к оценке без описания дополнительных условий. Лицензия — Apache-2.0.

Andrew McDowell дообучил wav2vec2-xls-r-300m для автоматического распознавания японской речи на наборе Mozilla Foundation Common Voice 8.0 (конфигурация ja). Модель построена на архитектуре Wav2Vec2ForCTC, содержит 402,8 млн параметров и принимает аудио, выдавая текстовые символы каны. При обучении и оценке кандзи преобразовывались в хирагану; модель может выводить хирагану и катакану. Модель подходит для транскрибирования японской речи, в том числе записей, похожих на данные Common Voice. В README указаны CER 23,64% на Common Voice 8.0 и 30,99% на speech-recognition-community-v2/dev_data; для японского текста без пробелов CER уместнее WER. Репозиторий распространяется под лицензией Apache-2.0.

ElizabethMwangi/whisper-large-v3-swahili-nss-afrivoice-5domains — модель распознавания речи на базе Whisper Large V3, разработанная Elizabeth Mwangi. Это этап 2 дообучения для распознавания нестандартной суахилийской речи из Кении; исходная модель была дообучена на корпусе AfriVoice по пяти предметным областям, а этот чекпойнт дополнительно обучен на наборе CDLI Kenyan Swahili Nonstandard Speech. Архитектура — WhisperForConditionalGeneration, около 905,2 млн параметров; модель принимает аудио и выдаёт текст на суахили. На тестовом наборе нестандартной речи автор сообщает WER 0,329 и CER 0,171; для лёгкой, средней и тяжёлой степени нестандартности WER составляет соответственно 0,21, 0,25 и 0,35. Лицензия — Apache-2.0. Показатели относятся к указанному тестовому набору, поэтому качество на других данных может отличаться.

thewh1teagle/whisper-large-v3-turbo-he-ipa — модель автоматического распознавания речи, дообученная на базе ivrit-ai/whisper-large-v3-turbo. Это Hebrew-файнтюн семейства Whisper Large v3 Turbo, ориентированный на распознавание и транскрипцию речи на иврите с выводом в IPA. Модель обучалась на наборах ivrit-ai/crowd-transcribe-v5, ivrit-ai/crowd-recital-whisper-training и ivrit-ai/knesset-plenums-whisper-training; для работы предназначена библиотека Transformers. Размер модели составляет около 905,2 млн параметров. Модель подходит для транскрибации иврита в аудиозаписях, включая публичные выступления, чтение и материалы, представленные обучающими датасетами. Её ключевая специализация — иврит и фонетическая транскрипция в международном фонетическом алфавите. Модель распространяется по лицензии Apache-2.0. Ограничения включают узкую языковую специализацию и зависимость качества распознавания от акустики записи, дикции, шумов и соответствия входных данных условиям обучения.

Whisper Small Santali (Ol Chiki) — модель распознавания речи, созданная дообучением openai/whisper-small на наборе Common Voice Scripted Speech 24.0 для языка сантали, записанного письмом ол-чики. Модель основана на архитектуре Whisper и содержит 153,1 млн параметров; принимает аудио и генерирует текстовую транскрипцию. В метаданных указана библиотека Transformers и формат весов safetensors. Модель предназначена для автоматической транскрипции речи на сантали письмом ол-чики. В README приведена оценка WER 1,115 на тестовом наборе; это указывает на существенные ошибки распознавания в проведённой оценке. Модель распространяется по лицензии Apache-2.0.

Модель shoibo/whisper-small-santali-sanlish-1934-lr1e5 — дообученная версия мультиязычной модели распознавания речи OpenAI Whisper Small. Она предназначена для преобразования аудио в текст, в частности для распознавания речи на сантали; README сообщает о дообучении на наборе данных, название которого не приведено. Модель использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors через Transformers. Лицензия — Apache-2.0. В README приведены результаты на оценочной выборке: WER 33,4149 и CER 7,5411. Карточка не описывает подробности обучающих данных и сценариев применения, а приведённые метрики сами по себе не гарантируют качество на других записях и диалектах.

whispLM-600m — модель распознавания речи для низкоресурсного языка урду, разработанная авторами репозитория. Архитектура объединяет акустический энкодер Whisper-tiny с языковой моделью-декодером Qwen3-0.6B через обучаемый проектор сжатия; обучение проводилось по двухэтапной схеме. Модель принимает аудио и выдаёт текстовую транскрипцию на урду. На тестовой выборке из 1000 примеров модель показала WER 0,5566 и CER 0,2805; авторы сообщают о снижении WER на 5,11% относительно дообученной Whisper-tiny. Для запуска нужны отдельные компоненты encoder/, llm/ и projector.pt: модель несовместима со стандартным интерфейсом transformers.pipeline для распознавания речи. Лицензия — Apache-2.0.

xlsr-300m-mizonal3-E4-lus-v2026.06 — модель автоматического распознавания речи, созданная Andrew Bawitlung дообучением facebook/wav2vec2-xls-r-300m на наборе MiZonal v3.0. Версия E4 использует SpecAugment с маскированием временных и частотных участков спектрограммы; в MiZonal v3.0 также добавлен примерно час разговорной речи. Модель предназначена для транскрибирования речи на языке lus. На тестовом наборе автор сообщает WER 19,76 и CER 3,79; указанный коэффициент реального времени — 0,0024. Это вариант из серии экспериментов с разными конфигурациями обучения. В репозитории доступны веса safetensors, лицензия — Apache-2.0.

hyeogi/Yi-6b-dpo-v0.2 — корейская языковая модель, разработанная автором репозитория на основе beomi/Yi-Ko-6B. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 5,9 млрд параметров; веса опубликованы в формате safetensors. Модель дообучена методом DPO на выборках и переводах из Open-Orca/SlimOrca и Anthropic/hh-rlhf. Модель предназначена для генерации текста на корейском языке, в том числе ответов и продолжений в диалоговом стиле. В карточке приведены результаты на корейских наборах Ko-ARC, Ko-HellaSwag, Ko-MMLU, Ko-TruthfulQA и Ko-CommonGen V2; заявлено преимущество среди моделей до 7 млрд параметров по среднему результату на момент декабря 2023 года. Контекст составляет 2048 токенов. Лицензия в предоставленных данных не указана.

Yi-Ko-6B — авторегрессионная языковая модель, разработанная Junbum Lee (Beomi) как дальнейшее предварительное обучение моделей 01-ai Yi на смешанном корейском и английском корпусе. Модель содержит около 5,9 млрд параметров, использует плотную архитектуру на основе Llama-2 и предназначена для работы через Transformers с классом LlamaForCausalLM. Модель принимает текст и генерирует текст. Расширенный словарь SentencePiece BPE включает 78 464 токена, в том числе дополнительные корейские токены; это помогает эффективнее токенизировать корейский текст. Модель ориентирована прежде всего на корейский и английский языки. Метаданные указывают контекст до 2 048 токенов; в README для этой версии заявлена длина 4k. Yi-Ko-6B подходит для генерации и продолжения текста, а также для задач языкового моделирования на корейском и английском. README приводит результаты оценок на корейских бенчмарках, но не описывает модель как готового диалогового ассистента. Распространяется по лицензии Apache-2.0.

Ana-04/bangla-transliteration-v1 — модель на архитектуре M2M100, дообученная на базе facebook/nllb-200-distilled-600M для транслитерации бенгальского текста, набранного латиницей, в бенгальское письмо. Она рассчитана прежде всего на индийский бенгальский Западной Бенгалии и учитывает разговорные варианты романизации, включая смешение бенгальских слов с английскими. Модель подходит для клавиатур и методов ввода, API транслитерации, чатов, социальных сетей и издательских инструментов. В отличие от перевода, она передаёт звучание и сохраняет язык исходного текста. В карточке приведены показатели CER 0,0578 и WER 0,1946 на отложенной выборке авторского набора данных; контекст составляет 1024 токена, размер — 463,7 млн параметров. Используются safetensors, лицензия — Apache-2.0. Качество может быть ниже для романизации, характерной для Бангладеш, редкой технической и научной лексики, формального стиля и сложных слов с редко встречающимися сочетаниями букв. Романизация неоднозначна: разные латинские написания могут соответствовать одному бенгальскому слову, а выбор модели зависит от контекста и примеров в обучающих данных.

Модель erdemKocaogluu/byt5-small-tr-normalizer — дообученная Google byT5-small, предназначенная для нормализации неформального турецкого текста. Она преобразует опечатки, пропущенные диакритические знаки и буквы, разговорные сокращения и диалектное написание в стандартный письменный турецкий, стараясь сохранить исходный смысл и порядок слов. Это последовательностная модель на архитектуре T5 с байтовой токенизацией: каждый байт UTF-8 обрабатывается как отдельный токен. Размер модели — 364,6 млн параметров. Для подачи текста README предписывает добавлять префикс «düzelt: ». Модель обучена на парах шумных и исправленных предложений из публичных турецких наборов данных. На описанных отложенных тестовых наборах модель снизила частоту словных ошибок относительно передачи текста без изменений и редко вносила лишние исправления. Она лучше справляется с однозначными механическими исправлениями, чем с естественными вариациями ошибок и длинными сложными предложениями; не перестраивает порядок слов и синтаксис. Для Apple Silicon MPS отмечены случаи некорректной генерации, поэтому рекомендованы CPU или CUDA. Лицензия модели — CC BY-NC-SA 4.0.

CantoneseLLMChat-v0.5 — языковая модель для понимания и генерации текста на кантонском языке, разработанная hon9kon9ize. Это плотная causal language model семейства Llama с 5,8 млрд параметров, основанная на Yi-6B и дополнительно обученная на 400 млн токенов кантонских текстов. В словарь добавлены распространённые кантонские слова; контекст составляет 4096 токенов. Модель предназначена для чат-ответов и других задач понимания и генерации текста на кантонском языке. В обучающий корпус вошли переведённые новости Гонконга, статьи Википедии, субтитры и открытые диалоговые данные. Системный промпт может задавать роль ассистента, однако язык ответа также зависит от языка пользовательского запроса. Автор отмечает возможное несоответствие между письменным китайским и кантонским, слабый перенос знаний между языками, а также ограничения при работе с другими китайскими языками и неформальными или региональными вариантами кантонского. Модель может выдавать неверную информацию и содержать предвзятость. Репозиторий содержит веса safetensors; лицензия — Apache-2.0.

Карточка модели twnlp/ChineseErrorCorrector4-4B на Hugging Face совпадает с карточкой KLXTdwz/ChineseErrorCorrector4-4B, поэтому описание составлено по ней. ChineseErrorCorrector4-4B (CSRP) — китайская модель коррекции грамматики и проверки орфографии, разработанная авторами работы CSRP. Она дообучена на базе Qwen/Qwen3-4B и предназначена для исправления ошибок в обычных китайских текстах и текстах изучающих язык. Модель использует плотную архитектуру Qwen3 с 3,7 млрд параметров и поддерживает контекст до 262144 токенов. Обучение включало продолженное предобучение, дообучение с примерами рассуждений и выравнивание с помощью GRPO и награды за эффективность исправлений. Такой подход нацелен на точные правки и снижение избыточного переписывания корректного текста. В README заявлены результаты на бенчмарках NACGEC и CSCD. Модель принимает текст и генерирует исправленный текст; карточка указывает китайский язык. Лицензия — Apache-2.0.

CodeTed/Chinese_Grammarly — модель для исправления грамматических и орфографических ошибок в китайском тексте. Она разработана дообучением ClueAI/PromptCLUE-base-v1-5 на наборе данных CoEdIT; в репозитории указаны архитектура T5 и размер 129,8 млн параметров. Модель принимает китайское предложение с инструкцией на исправление и генерирует отредактированный текст. Пример в карточке демонстрирует исправление опечатки в китайском предложении. Модель подходит для автоматической корректуры и диагностики ошибок в китайском тексте. Использует библиотеку Transformers и формат PyTorch, лицензия — Apache-2.0. Карточка не сообщает результатов оценки качества или ограничений по длине входа; практическое качество может зависеть от формулировки инструкции и текста.

Linly-AI/Chinese-LLaMA-2-7B-hf — языковая модель семейства LLaMA от Linly-AI, дополнительно обученная на смешанном китайско-английском корпусе. Для поддержки китайского языка её словарь расширен иероглифами. Модель предназначена для генерации текста на китайском и английском языках; её можно применять для продолжения текста и построения приложений на основе генерации. Модель имеет плотную архитектуру LlamaForCausalLM примерно на 6,6 млрд параметров, работает с текстом и использует контекст до 2048 токенов. Репозиторий содержит веса PyTorch. В доступных сведениях лицензия не указана.

Gemma 2B Tamil v0.1 Alpha — экспериментальная инструкционная версия Gemma с 2,5 млрд параметров, разработанная Абхинандом Балакришнаном. Модель дообучена для генерации ответов на тамильском и английском языках и предназначена для диалога и выполнения инструкций в NLP-сценариях. Архитектура — плотная GemmaForCausalLM; контекст — до 8192 токенов. При подготовке базовую модель дополнительно обучали на данных тамильской Википедии, затем дообучили на смешанных наборах инструкций Alpaca на английском и тамильском языках. В README приведены результаты сравнительных бенчмарков, но автор отмечает, что ответы могут быть нестабильными, а тамильское предобучение было ограниченным. Модель поставляется в формате safetensors и распространяется по условиям Google Gemma Terms of Use (метаданные обозначают лицензию как other).

HachimiMT-60 — модель машинного перевода китайского текста на вьетнамский, разработанная ngocdang83 для перевода веб-романов, включая сянься, фэнтези, современную прозу и другие жанры. Она также рассчитана на перевод абзацев и междоменного художественного контента. Модель построена на архитектуре MarianMT и содержит около 56,94 млн параметров: 8 слоёв энкодера, 2 слоя декодера и общий словарь SentencePiece BPE размером 24 тыс. токенов для китайского и вьетнамского. Размер контекста — 512 токенов. В репозитории также есть экспорт CTranslate2 INT8 для ускоренного CPU-инференса. Модель ориентирована на упрощённый китайский и переводит только в направлении китайский → вьетнамский. Среди ограничений — возможные ошибки в редких именах, дрейф терминологии в длинных фрагментах и более слабые результаты вне художественных и веб-романных текстов. Для публикации перевод рекомендуется проверять. Лицензия — CC BY 4.0.

Kiriku-ASR — модель автоматического распознавания речи на волоф, разработанная IA Hub Senegal на основе дообучения Whisper Large-v2. Она предназначена для транскрибации аудио на волоф, в том числе речи из разных областей, таких как сельское хозяйство, банковское дело и городская жизнь. Для поддержки волоф в токенизатор добавлены специфические символы ñ, ë, ŋ, ɗ, ɓ и ƴ; их embeddings инициализированы на основе французских. Модель обучена на 88,27 часах проверенной речи и оптимизирована для работы без принудительного языкового токена. В карточке заявлен WER 20,70%; это показатель из README, не независимая оценка. Модель принимает аудио и выдаёт текст, а базовая Whisper Large-v2 является мультиязычной. Лицензия — Apache-2.0.

Latxa-Qwen3-VL-4B-Instruct — мультимодальная instruct-модель HiTZ Research Center и исследовательской группы IXA Университета Страны Басков UPV/EHU. Она дообучена на базе Qwen/Qwen3-VL-4B-Instruct для диалога и следования инструкциям с поддержкой изображений. Вариант по умолчанию — многоязычный; в карточке также описаны отдельные ревизии для баскского и для баскского, галисийского и каталанского языков. Модель рассчитана прежде всего на работу с баскскими данными; многоязычная ревизия дополнительно адаптирована для галисийского и каталанского. Карточка также перечисляет испанский, английский и другие языки, но качество вне указанных языков не гарантируется. Архитектура — плотная Qwen3-VL; базовая модель содержит 4 млрд параметров и поддерживает обработку изображений и генерацию текста. Модель выпущена под лицензией Apache 2.0. Разработчики называют выпущенные версии предварительными и отмечают, что они продолжают разрабатываться. Оценочные результаты приведены для задач на баскском языке; результаты для остальных языков в карточке не представлены. Модель может унаследовать смещения и ограничения Qwen3-VL.

Latxa-Qwen3-VL-8B-Instruct — мультимодальная инструктивная модель HiTZ Research Center и исследовательской группы IXA Университета Страны Басков UPV/EHU. Она дообучена на базе Qwen/Qwen3-VL-8B-Instruct и предназначена для диалога, следования инструкциям и работы с изображениями на баскском и других поддерживаемых языках. Модель построена на архитектуре Qwen3-VL и распространяется в формате Safetensors через Transformers; по данным карточки, базовая модель имеет 8 млрд параметров. По умолчанию доступен вариант multi, адаптированный для баскского, галисийского и каталанского; также есть вариант mono_eu, адаптированный только для баскского. В карточке также перечислены испанский, английский и другие языки, однако качество для языков, кроме баскского, галисийского и каталанского, не гарантируется. Разработчики предупреждают, что выпущенные версии предварительные и находятся в разработке. Модель распространяется по лицензии Apache 2.0.

alfredplpl/Llama-3-8B-Instruct-Ja — японская версия диалоговой модели Llama 3, созданная дообучением Meta-Llama-3-8B-Instruct. Разработчик провёл два этапа supervised instruction tuning с LoRA и объединил адаптеры с весами модели: сначала на примерно 2,4 млн примеров cl-nagoya/auto-wiki-qa в течение одной эпохи, затем на llm-jp/databricks-dolly-15k-ja в течение пяти эпох. Модель предназначена для диалоговых ответов и генерации текста, прежде всего на японском языке. Она основана на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и имеет контекстное окно 8192 токена. Репозиторий использует формат safetensors и библиотеку Transformers. README указывает лицензию Llama 3 и допускает коммерческое использование при соблюдении её условий; в метаданных лицензия обозначена как other. Модель опирается на базовую англоязычную Llama 3 Instruct, поэтому её японская специализация не означает, что она превосходит базовую модель по всем языкам или задачам.

facebook/mms-tts-bod — модель синтеза речи на центральном тибетском языке, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на языке bod. Модель использует архитектуру VITS и обучена отдельно для центрального тибетского языка. Это компактный чекпойнт на 3,6 млн параметров; для работы поддерживается библиотека Transformers версии 4.33 и новее. Из-за стохастического предсказателя длительности результат может меняться при одинаковом тексте, поэтому для повторяемой генерации нужен фиксированный seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Nusantara-2.7b-Indo-Chat-v0.2 — разговорная языковая модель от Kalis AI, дообученная на базе Qwen1.5 для работы прежде всего на индонезийском языке. Это плотная авторегрессионная модель архитектуры Qwen2 с 2,3 млрд параметров и контекстом до 8192 токенов; она принимает текст и генерирует текст в формате чата. Модель предназначена для ответов на вопросы, выполнения инструкций и ролевых диалогов на индонезийском и английском языках. Версия v0.2, выпущенная в марте 2024 года, получила улучшения для ролевых сценариев. В карточке указаны обучающие данные OpenHermes 2.5, Википедия, Evol-Instruct Indonesian и Hyperion v2.0. Модель опубликована в формате Safetensors. Указана лицензия Apache-2.0, при этом README также требует соблюдать лицензию Qwen. Разработчик предупреждает о возможных смещениях и негативных последствиях: модель обучалась в том числе на неотфильтрованных данных. Указанный размер сравнительно невелик, поэтому качество и надёжность ответов могут быть ограничены.

ONS-SOLAR-10.7B — плотная языковая модель с архитектурой Llama и примерно 10,6 млрд параметров, разработанная ONS-AI-RESEARCH. Она предназначена для генерации текста; в карточке указана корейская локализация. Модель основана на yanolja/KoSOLAR-10.7B-v0.2 и дообучена на выборках и переводах данных Open-Orca/SlimOrca и Anthropic/hh-rlhf. Модель принимает текст и генерирует текст, поддерживает контекст до 4096 токенов и распространяется в формате safetensors. Результаты бенчмарков в карточке не приведены. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Модель atsuki-yamaguchi/Qwen2.5-7B-Instruct-gu-madlad-mean-tuned — языковая модель Qwen2.5 с плотной архитектурой Qwen2ForCausalLM и 7,1 млрд параметров, разработанная на основе Qwen/Qwen2.5-7B-Instruct и адаптированная для гуджарати. Она прошла продолжительное предобучение на 500 млн токенов гуджарати из набора MADLAD-400; словарь расширен на 10 тысяч токенов, а веса новых эмбеддингов и LM head инициализированы средним значением. Модель предназначена для генерации текста и диалоговых сценариев на гуджарати; доступ к ней возможен через Transformers. Модель принимает текст и генерирует текст, имеет контекстное окно до 32 768 токенов и распространяется по лицензии Apache 2.0. В основе лежит инструктивная Qwen2.5, поэтому доступны диалоговые возможности и интерфейс вызова инструментов. Карточка не приводит отдельной оценки качества или описания специализированных сценариев; адаптация сосредоточена на гуджарати.