I.6Перевод и языковая адаптация

facebook/mms-tts-nus — модель синтеза речи на языке нуэр (Nuer, код nus), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на нуэр в речевую аудиоволну и предназначена для озвучивания текста и создания речевых интерфейсов для этого языка. Модель использует архитектуру VITS: это сквозная система синтеза речи с вариационным автоэнкодером, Transformer-энкодером текста, flow-модулем, стохастическим предсказателем длительности и декодером волновой формы. Размер модели — 3,5 млн параметров; для работы доступна через библиотеку Transformers. В наборе MMS для каждого языка обучается отдельный чекпойнт. Предсказатель длительности стохастический, поэтому результат синтеза может меняться между запусками; фиксированный seed позволяет воспроизводить одну и ту же аудиоволну. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-pam — модель синтеза речи на языке капампанган, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевой аудиосигнал; для каждого языка MMS обучается отдельный чекпойнт. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это сквозная система text-to-speech с вариационным автоэнкодером, потоковым модулем и декодером, формирующим аудиоволну. Стохастический предиктор длительности позволяет получать разные ритмические варианты произнесения; для повторяемого результата требуется фиксировать seed. Модель подходит для озвучивания текста на капампангане. Использовать её можно через библиотеку Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-qxr — модель синтеза речи на языке кичуа Кañарского нагорья (Quichua, Cañar Highland, ISO 639-3: qxr), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую волну и подходит для озвучивания текста на этом языке. Модель построена на архитектуре VITS и содержит 3,5 млн параметров; для каждого языка в проекте обучается отдельный чекпойнт. VITS объединяет текстовый энкодер на основе Transformer, потоковый модуль, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN. Стохастический предиктор позволяет варьировать ритм речи, поэтому при одинаковом тексте результат может отличаться; для повторяемого синтеза нужен фиксированный seed. Модель доступна через Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-tgk — модель синтеза речи на таджикском языке, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую волну и подходит для озвучивания таджикских текстов и создания речевых интерфейсов. Модель построена на архитектуре VITS и содержит 3,5 млн параметров; для каждой языковой версии MMS обучается отдельный чекпойнт. Она доступна через библиотеку Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и Safetensors. Стохастический предиктор длительности позволяет получать разные ритмические варианты произнесения одного текста; результат генерации недетерминирован, поэтому для повторяемого вывода нужно фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая требует указания авторства и запрещает коммерческое использование.

Muslim-6B-PRO-GGUF — это квантизированная версия языковой модели Muslim-6B-PRO, разработанной NightPrince и преобразованной в формат GGUF пользователем mradermacher. Модель относится к классу causal language models, имеет около 6 миллиардов параметров и, судя по метаданным, основана на архитектуре Qwen3. Репозиторий содержит варианты с разными уровнями квантизации, а также версию f16. Модель предназначена для генерации текста на арабском и английском языках, прежде всего в исламском тематическом контексте. Среди заявленных сценариев — текстовый чат, создание исламского контента, tool-calling и использование в голосовых ассистентах. Формат GGUF подходит для запуска в совместимых локальных средах, а доступные варианты размером примерно от 2,5 до 12 ГБ позволяют выбирать между экономией памяти, скоростью и качеством. К сильным сторонам относятся специализация на арабском и исламском контексте, поддержка английского языка, несколько вариантов квантизации и возможность локального использования. При этом README не содержит сведений о размере контекстного окна, результатах тестирования, точных архитектурных характеристиках, поддерживаемых аудиомодальностях или фактическом качестве tool-calling и голосового взаимодействия. Квантизированные варианты могут уступать исходной модели по точности; степень компромисса зависит от выбранного типа квантизации. Модель распространяется по лицензии Apache-2.0.

RIFA-FLASH-1.7B-GGUF — это квантизированная версия текстовой генеративной и conversational-модели RIFA-FLASH-1.7B, разработанной smshahbaj. Репозиторий GGUF подготовлен mradermacher и предназначен для запуска модели в совместимых локальных инструментах вывода. Модель ориентирована на генерацию текста и диалоговые сценарии на английском и бенгальском языках. Заявленный размер базовой модели — 1,7 млрд параметров. Доступны варианты GGUF с разными уровнями квантизации: от Q2_K размером около 0,9 ГБ до F16 размером около 3,5 ГБ. В README не указаны архитектура, размер контекстного окна, поддержка дополнительных модальностей, результаты тестирования или специализированные области применения. Основное преимущество репозитория — широкий выбор вариантов квантизации, позволяющий выбирать между размером файла, скоростью и качеством; версии Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как вариант с лучшим качеством среди быстрых. К ограничениям относятся возможные потери качества при низких уровнях квантизации и отсутствие подробных сведений об эффективности модели. Лицензия — Apache-2.0.

RightNow-Arabic-0.5B-Turbo — открытая языковая модель, разработанная RightNow AI на базе Qwen2.5-0.5B. Это decoder-only модель для генерации текста, специализированная на арабском языке при сохранении поддержки английского. Она предназначена для локального и периферийного развертывания на смартфонах, ноутбуках, встраиваемых устройствах и в браузерах. Модель содержит 518 млн параметров. В неё добавлено 27 032 арабских токена, что снизило среднее количество токенов на арабское слово с 2,18 до 1,80. Обучение включало продолжительное предобучение на 504 млн токенов арабской Википедии, supervised fine-tuning на 129 116 арабских инструкциях и direct preference optimization на 6 750 парах предпочтений. Доступны форматы bf16, int8 и GGUF; вариант GGUF q4_k_m занимает около 398 МБ, а заявленная скорость генерации на H100 достигает 635 токенов в секунду. Сильные стороны модели — небольшой размер, специализация на арабском языке и удобство edge-развертывания. На заявленных тестах она получила 58,4% на COPA-ar, 26,0% на Arabic HellaSwag и 23,2% на ArabicMMLU; результаты зависят от задачи и уступают более крупным арабским моделям, особенно на ArabicMMLU. В README длина контекста не указана, поэтому возможности работы с длинными текстами оценить нельзя. Модель распространяется по лицензии Apache-2.0.

Sophea-Titan-1 — мультимодальная чат-модель на 27 млрд параметров от Kiefer SA, дообученная на базе Qwen/Qwen3.6-27B. Она предназначена прежде всего для общения на греческом языке, ответов на вопросы и общего ассистентского диалога; английский сохранён как дополнительный язык. Модель поддерживает изображения и текст, следует инструкциям, а также позволяет выбирать формальный или неформальный регистр греческой речи. Модель работает в режиме non-thinking: в шаблоне чата нужно отключить рассуждения через enable_thinking=false, иначе качество ответов на греческом заметно снижается. Для запуска автор рекомендует vLLM; указанная лицензия — Apache-2.0. Веса также содержат голову многотокенного предсказания для спекулятивного декодирования, которая влияет на пропускную способность, но, согласно карточке, не меняет распределение выходов основной модели.

Swallow-MS-7b-v0.1-ChatVector — японская модель для генерации текста и диалогов, созданная методом Chat Vector. Она получена арифметическим изменением весов Swallow-MS-7b-v0.1 с использованием разности весов Mistral-7B-Instruct-v0.2 и Mistral-7B-v0.1, без обычного дообучения на инструкциях. Модель основана на плотной архитектуре MistralForCausalLM и содержит 7,2 млрд параметров; контекст — до 4096 токенов. Модель предназначена для диалога и ответов на инструкции в формате Mistral Instruct с маркерами [INST] и [/INST]. Карточка указывает японский и английский языки, а веса доступны в формате safetensors. Лицензия — Apache-2.0.

Synatra 7B V0.3 RP — GGUF — это квантизированная версия языковой модели Synatra 7B V0.3 RP, разработанной Jeonghwan Park. Репозиторий TheBloke содержит файлы модели в формате GGUF, предназначенные для генерации текста и локального запуска. Модель основана на архитектуре Mistral, имеет размер 7B параметров и заявлена для работы с корейским языком. Поддерживается ChatML-шаблоном взаимодействия с системным сообщением, запросом пользователя и ответом ассистента. GGUF-файлы доступны в вариантах с 2-, 3-, 4-, 5-, 6- и 8-битным квантованием, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством генерации. Модель совместима с llama.cpp и рядом сторонних интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, LM Studio, llama-cpp-python и другие решения для CPU и GPU-инференса. К преимуществам относятся локальный запуск и широкий выбор уровней квантования; при этом квантизация может снижать качество по сравнению с исходной полноточной моделью, а сведения о размере контекста и специализированных возможностях в README не указаны. Лицензия модели — CC BY-NC 4.0, предусматривающая некоммерческое использование с соблюдением условий лицензии.

sulaimank/truecaser-lin-sna — дообученная модель XLM-RoBERTa Large для восстановления регистра в тексте языка Sna. Она выполняет токен-классификацию: предсказывает регистровую метку для каждого токена. Модель содержит 658,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате safetensors. В README приведены результаты оценки: accuracy 0,9932 и recall для метки Lower 0,9984; для метки Cap указаны recall 0,9374 и precision 0,9788. Данные обучения и подробности применения в карточке не описаны. Модель основана на Davlan/afro-xlmr-large-114L. Лицензия — MIT.

QuantFactory/Turkish-Llama-8b-Instruct-v0.1-GGUF — это квантизированная GGUF-версия модели Turkish-Llama-8b-Instruct-v0.1, подготовленная QuantFactory с использованием llama.cpp. Базовую модель разработала группа COSMOS AI Research Group кафедры компьютерной инженерии Технического университета Йылдыз; она создана на основе meta-llama/Meta-Llama-3-8B-Instruct и полностью дообучена на турецком наборе данных объёмом 30 ГБ. Модель предназначена для генерации текста и диалоговых сценариев на турецком языке, включая связное продолжение текста и выполнение инструкций в формате чат-модели. Она относится к семейству Llama 3, имеет около 8 миллиардов параметров и поддерживает текстовую модальность. Формат GGUF и совместимость с llama.cpp ориентированы на локальный запуск и использование в инструментах, поддерживающих этот формат. Размер контекста и конкретный метод квантизации в README не указаны. Сильной стороной модели является специализация на турецком языке и возможность локального использования благодаря квантизированному формату. Ограничения включают возможные предубеждения, унаследованные от разнообразных источников обучения, включая веб-сайты и книги; модель следует применять ответственно и проверять её ответы. В README указана лицензия llama3.

Whisper-Medium + Adaptive Layer Attention — модель распознавания речи на хинглише, разработанная автором репозитория ajju3513 на основе openai/whisper-medium. Она предназначена для расшифровки речи со смешением хинди и английского, включая речь взрослых и детей, особенно при наличии аддитивного шума. Модель использует Whisper-medium с 455,8 млн параметров и дополнительной головой Adaptive Layer Attention, которая объединяет акустические представления нескольких слоёв энкодера. Обучение включало дистилляцию знаний от учителя, обрабатывающего чистую запись, к модели, обучаемой на шумной версии той же записи. Поддерживаются входное аудио и вывод текстовой расшифровки на хинди и английском; исходная модель Whisper рассчитана на аудио до 30 секунд в данном сценарии. Модель показывает устойчивость к синтетически добавленному шуму и обучена не выдавать текст на аудио без речи. Она специализирована для конкретного корпуса хинглиша, микрофона и профиля шума; реальные реверберации, перекрывающаяся речь и длинные записи не проверены, а ошибка распознавания на шумной речи остаётся заметной. Для загрузки пользовательского модуля ALA требуется trust_remote_code=True. Лицензия — Apache-2.0.

pollitoconpapass/whisper-small-cuzco-quechua — дообученная модель распознавания речи на базе openai/whisper-small, созданная для транскрибирования аудио на кечуа Куско. Она использует архитектуру WhisperForConditionalGeneration и содержит 153,1 млн параметров. Для обучения использован датасет аудио Библии на кечуа Куско; в README указана потеря 0,0002 на оценочном наборе, но метрика качества и подробности оценки не приведены. Модель принимает аудио и выдаёт текст. Распространяется по лицензии Apache-2.0.

yuj-v1 — объединённая языковая модель на архитектуре Llama, созданная Shuvom для развития моделей и приложений на хинди. Она предназначена для генерации текста и диалоговых сценариев на хинди; в метаданных также отмечена поддержка английского. Модель объединяет Airavata, Gajendra-v0.1 и OpenHathi-7B-Hi-v0.1-Base. Модель содержит 6,7 млрд параметров, принимает текст, а её нативный контекст составляет 4096 токенов. В репозитории указаны веса Safetensors. Лицензия — Apache-2.0.

Aether-7B-5Attn-it — корейско-английская инструкционная версия MoE-модели Aether-7B-5Attn от VIDRAFT. Это причинная языковая модель для диалога и ответов на вопросы, в том числе в формате тестов с выбором ответа. По README, в дообучении использовались MMLU-auxiliary и корейские инструкции; указаны результаты на GPQA-Diamond и K-AI 4. Метаданные относят модель к семейству aether_v2_7way и указывают 2,7 млрд параметров, тогда как README описывает исходную архитектуру как MoE на 6,59 млрд параметров, примерно 2,98 млрд из которых активны. Контекст — 4096 токенов. Модель принимает текст и генерирует текст на корейском и английском. Модель построена на 49 слоях с гетерогенным вниманием, организованным по схеме 7×7 Latin square, и 25 экспертами MoE; для инструкционной версии базовые веса дообучены методом SFT. Для загрузки требуется Transformers с `trust_remote_code=True`, а генерацию нужно выполнять без KV-кэша; README также сообщает о необходимости убрать `attention_mask` в описанном сценарии. Декодирование медленное: на NVIDIA T4 указано около 1,5 токена/с. README предупреждает о слабой фактической точности по корейской истории и знаниям, повторениях при жадном декодировании и ограниченном характере инструкционной настройки. Лицензия — Apache-2.0.

alamios_Mistral-Small-3.1-DRAFT-0.5B-GGUF — это квантизированная версия экспериментальной языковой модели alamios/Mistral-Small-3.1-DRAFT-0.5B, подготовленная bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и совместимые приложения. Исходная модель обучалась на наборе alamios/Mistral-Small-24B-Instruct-2501-Conversations. Модель имеет заявленный размер 0,5 млрд параметров и поддерживает английский, французский, немецкий, испанский, итальянский и португальский языки. Доступны варианты от BF16 до различных уровней квантизации, включая Q8_0, Q6_K, Q5_K, Q4_K и более компактные форматы; размеры файлов находятся примерно в диапазоне от 0,40 до 1,19 ГБ. В README не указаны архитектурные детали, размер контекста, мультимодальные возможности и результаты бенчмарков, поэтому качество и применимость для сложных задач нельзя оценить точнее. Главные преимущества — небольшой размер, возможность работы на устройствах с ограниченной памятью и широкий выбор квантизаций; сильная степень сжатия может снижать качество генерации. Для общения с моделью рекомендуется использовать указанный формат промпта с секциями SYSTEM_PROMPT и INST. Распространение выполняется по лицензии Apache-2.0.

AraScholar — модель генерации и перефразирования арабских предложений на современном стандартном арабском языке (MSA) в академическом стиле. Она разработана как дообучение UBC-NLP/AraT5v2-base-1024 на вручную отобранном корпусе экспертных академических перефразировок и имеет архитектуру T5 с 183,7 млн параметров. Модель предназначена для редактирования предложений: она стремится улучшить академический регистр, сохраняя исходный смысл и одновременно достаточно меняя формулировку. Для управления этим балансом README рекомендует при декодировании штрафовать копирование исходных слов или выбирать из нескольких вариантов те, которые сохраняют семантическое сходство выше заданного порога. В слепом тесте на 2 000 предложениях сочетание AraScholar с повторным ранжированием по целевой точке показало 76,6% результатов в заданном диапазоне новизны и сохранения смысла. Модель рассчитана на обработку отдельных предложений и не выполняет нормализацию орфографии. Возможны редкие смысловые ошибки, особенно при генерации с высокой температурой; результат следует проверять. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

Модель buddhist-nlp/buddhist-sentence-similarity — модель для получения векторных представлений предложений, разработанная на основе LaBSE. Она предназначена для оценки сходства предложений при поиске информации и для выравнивания параллельных текстов. Модель поддерживает тибетский, буддийский китайский, санскрит в транслитерации IAST и пали в транслитерации IAST. Архитектура — BERT; размер составляет 498,1 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт векторные представления. Распространяется в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

CANINE Persian Diacritizer — модель PedramR для восстановления огласовок в неогласованном персидском тексте. Она дообучена на Google CANINE-S — символьном энкодере без токенизатора подслов — и классифицирует каждый символ по одной из 10 меток, после чего предсказанные знаки вставляются после соответствующих букв. Модель содержит около 132 млн параметров и рассчитана на персидский язык (фарси, fa); в обучении использовалась обрезка до 512 символов, архитектурный максимум CANINE составляет 2046 символов. Лицензия модели — MIT. Модель подходит для подготовки персидского текста к синтезу речи, помощи в чтении и лингвистической предобработки. На отложенной выборке из 359 предложений указана точность на уровне символов 91,70% и частота ошибок диакритики 8,30%. Результаты могут быть хуже для классической поэзии, технической лексики и диалектного текста; особенно сложны конечные знаки, зависящие от синтаксиса. Редкий знак надстрочного алифа модель не предсказывает. Для длинных документов README рекомендует делить текст на предложения.

Cantonese LLM — предварительная языковая модель на архитектуре Llama 2 с 7 млрд параметров, разработанная Votee AI Limited при участии сообщества hon9kon9ize, Hong Kong AI Research Community. Модель дообучена для понимания и генерации текста на кантонском языке, включая сленг, разговорные выражения и интернет-лексику. Модель предназначена для генерации кантонского текста и диалоговых сценариев на этом языке. Она использует плотную архитектуру LlamaForCausalLM, принимает текст и выдаёт текст; длина контекста — 4096 токенов. Обучение проводилось на Amazon HyperPod с ускорителями AWS Trainium. Репозиторий распространяется по лицензии CC BY-SA 4.0. Это preview-версия: ответы могут быть неточными, содержать галлюцинации или оскорбительный контент, поэтому их следует проверять перед использованием.

Cantonese LLM Chat v1.0 — разговорная языковая модель от hon9kon9ize, основанная на Qwen2.5 72B. Она прошла непрерывное предобучение на 600 миллионах общедоступных новостных статей и сайтов Гонконга, а затем дообучение на 75 тысячах пар инструкций; 45 тысяч кантонских инструкций были сгенерированы другими LLM и проверены людьми. Модель предназначена для диалога на кантонском языке и ответов на вопросы о Гонконге. Архитектура — плотная Qwen2, число параметров — 71,5 млрд, контекст — до 131 072 токенов; поддерживается чат. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

CosyVoice3 Badini Kurdish TTS — дообученная модель семейства CosyVoice3 для синтеза речи на курдском языке в диалекте бадини. Она предназначена для генерации речи по тексту с возможностью zero-shot синтеза по аудиоподсказке: в примере использования задаются WAV-файл, его текстовая расшифровка и инструкция. Репозиторий содержит файлы ONNX и Safetensors; модель распространяется по лицензии Apache-2.0. Модель рассчитана на сценарии озвучивания текста на бадини, в том числе с голосовым примером в качестве подсказки. В карточке не приведены сведения о размере, длине контекста и количественных оценках качества, поэтому нельзя оценить масштаб модели и точность синтеза.

Didimdol_sLLM — небольшая языковая модель, разработанная PostAlign на основе дообученной Google Gemma 3 270M Instruct. Модель ориентирована прежде всего на работу с корейским языком, при этом в метаданных также заявлена поддержка английского. Она предназначена для генерации текста, диалоговых сценариев и локального вывода на устройствах, включая использование через ONNX Runtime и другие ONNX-совместимые среды. Модель построена на архитектуре Gemma3ForCausalLM с decoder-only структурой, 18 слоями, скрытым размером 640, GQA с конфигурацией 4q/1kv и размерностью головы 256. Контекстное окно составляет 32 768 токенов; используется скользящее окно размером 512, а полное внимание применяется через каждые шесть слоёв. Размер словаря — 262 144 токена. Распространяемая версия представлена в формате ONNX с вычислениями fp32, KV-кэшем и встроенными весами; размер единого файла модели составляет около 1,07 ГБ. Модель является текстовой и не предназначена для обработки изображений или других модальностей. К сильным сторонам относятся небольшой размер исходной модели, поддержка корейского языка, возможность локального и on-device вывода, а также готовый ONNX-граф для интеграции. Ограничения связаны с размером 270M параметров: модель может допускать фактические ошибки, терять контекст и плохо справляться со сложными задачами, требующими длительного рассуждения. Результаты необходимо проверять; модель не следует использовать как единственное основание для медицинских, юридических или финансовых решений. Использование разрешено только на некоммерческих условиях PostAlign — для личных, исследовательских, образовательных целей и оценки. Коммерческое использование требует отдельного письменного разрешения PostAlign. Дополнительно применяются Google Gemma Terms of Use и Gemma Prohibited Use Policy; при распространении необходимо передавать соответствующие лицензионные и уведомляющие файлы.

Firefly-1b4 — китайская диалоговая языковая модель семейства BLOOM, разработанная авторами проекта Firefly. Модель дообучена по инструкциям на китайских многоцелевых данных; перед дообучением словарь исходной многоязычной модели был сокращён до 46 145 часто используемых китайских и английских токенов. В карточке указано 1,7 млрд параметров, архитектура BloomForCausalLM и контекст до 4096 токенов. Модель предназначена для генерации ответов и выполнения разнообразных инструкций на китайском языке: написания текстов, стихов и парных строк, перевода классического китайского, анализа тональности и диалога. Авторы отмечают сильные стороны в задачах, связанных с китайской культурой и литературой. Модель уступает более крупным системам в фактических знаниях, коде и рассуждениях; без дополнительной настройки безопасности может выдавать вредные, дискриминационные или неэтичные ответы. Проект разрешает использование модели только в академических исследованиях и запрещает коммерческое применение.

rinna/gemma-2-baku-2b — языковая модель на архитектуре Gemma 2, разработанная rinna на основе google/gemma-2-2b. Модель продолжительно предобучили на смеси японских и английских текстовых корпусов объёмом около 80 млрд токенов, чтобы улучшить результаты на японских задачах. Это плотный трансформер с 26 слоями и размером 2,7 млрд параметров; максимальный контекст составляет 8192 токена. Модель предназначена для генерации текста на японском и английском языках. Её можно использовать для продолжения текста и как основу для приложений генерации; README демонстрирует запуск через Transformers. Это базовая предварительно обученная модель, а не вариант Instruct. Модель распространяется по лицензии Gemma. Карточка описывает обучение на японских корпусах CC-100, C4, OSCAR и курируемом наборе rinna, а также на The Pile и Wikipedia. Результаты бенчмарков в README не приведены, поэтому конкретный уровень качества здесь не оценивается.

cyboghostginx/gemma-4-E4B-it-Adetayo-IS-non-reas — дообученная на исландском языке версия Gemma 4 E4B Instruct от Google DeepMind. Модель предназначена для диалога на исландском, особенно для склонения именных групп и решения грамматических задач. В README указано около 8 млрд параметров; архитектура — плотная Gemma 4 для условной генерации, формат весов — safetensors, библиотека запуска — Transformers. Базовая модель поддерживает мультимодальную обработку, однако для этой версии заявлена текстовая генерация. В README приведены оценка 98,4 для склонения по морфологическим данным BÍN и результаты нескольких тестовых наборов; это собственные оценки авторов карточки. Для прямых ответов рекомендуется отключать режим рассуждений через шаблон чата. Модель доступна по лицензии Gemma; область допустимого использования определяется её условиями.

HSC Wuxia M2M100 418M — дообученная модель последовательного преобразования текста, разработанная в рамках выпускной работы по машинному переводу произведений wuxia. Она основана на facebook/m2m100_418M и предназначена для перевода китайской художественной прозы жанров wuxia и xianxia на английский язык. Модель содержит 332,5 млн параметров, использует архитектуру M2M100 encoder-decoder и принимает контекст до 1024 токенов. Модель дообучена на 100 000 параллельных пар предложений из корпуса HSilvosa/hsc-wuxia-100k. В оценке на тестовом наборе wuxia она показала SacreBLEU 33,09, chrF 53,24 и ROUGE-L 60,07; README сообщает улучшение этих метрик относительно базовой модели. Репозиторий использует формат safetensors и лицензию MIT. Результаты относятся к указанному жанровому тестовому набору, поэтому качество на других жанрах и типах текста ими не подтверждается.

Italia-GPT-i1-GGUF — это GGUF-квантизированная версия текстовой модели Italia-GPT, базовая модель которой разработана XythicK. Квантизацию выполнил mradermacher. Модель ориентирована на генерацию текста на итальянском языке и может использоваться в сценариях локального запуска, диалоговых приложениях и других задачах text generation, совместимых с форматом GGUF и экосистемой llama.cpp. В карточке также указаны обучение методом SFT и принадлежность к семейству Llama 3.2. Модель представлена в наборе вариантов квантизации от наиболее компактных IQ1 и IQ2 до более качественных Q5 и Q6, размер файлов составляет примерно от 0,5 до 1,1 ГБ. Некоторые варианты отмечены как имеющие низкое качество, тогда как i1-Q4_K_S и i1-Q4_K_M обозначены как удачный компромисс между размером, скоростью и качеством. Архитектура, число параметров, размер контекста, поддержка дополнительных модальностей и подробности обучающего набора в README не указаны; по имеющимся данным модель является текстовой и предназначена прежде всего для итальянского языка. Указана лицензия llama3.2.

ThuyNT03/KLTN_COQE_viT5_total_APSOL_v4 — дообученная VietAI модель семейства T5 с архитектурой T5ForConditionalGeneration и 389,3 млн параметров. Репозиторий содержит веса в формате safetensors, лицензия — MIT. Базовая модель VietAI/vit5-large предназначена для генерации текста на вьетнамском языке, включая ответы на вопросы, суммаризацию и перевод. Карточка не описывает конкретное назначение этого дообучения, его обучающие данные, сценарии применения или результаты оценки, поэтому возможности базовой модели нельзя уверенно приписать данной версии. Используйте её как модель генерации текста с учётом этих ограничений и условий лицензии MIT.