I.6Перевод и языковая адаптация

julienp79 выпустил дообученную версию Google Gemma 3 4B IT для работы на окситанском языке. Это плотная мультимодальная модель семейства Gemma 3 с 4 млрд параметров, предназначенная для диалогов и генерации текста; в карточке Hugging Face для неё указан pipeline text-generation. Обучение выполнено методом SFT с адаптером RS-LoRA ранга 32; в репозитории также доступны объединённые веса Safetensors в bfloat16, адаптер PEFT и варианты GGUF от F16 до Q2_K. Модель подходит для генерации коротких текстов и ответов в диалоге на окситанском, а GGUF-квантизации позволяют запускать её локально через llama.cpp и совместимые приложения. Базовая Gemma 3 поддерживает работу с изображениями, однако README этой дообученной версии описывает прежде всего языковые сценарии, поэтому возможности обработки изображений для неё не подтверждены. Лицензия в предоставленных данных не указана.

Qwen3.5-0.8B-Japanese-SFT — неофициальная японская дообученная версия Qwen3.5-0.8B, созданная независимым автором Takenoko12345678. Это плотная модель с 0,8 млрд параметров для генерации текста и диалогов; обучение проводилось в два этапа с полным дообучением весов: сначала на данных, дистиллированных от крупной модели, затем на отобранных японских инструкционных примерах. Обучение и оценка выполнялись только на тексте, хотя структура исходной модели поддерживает изображения. Модель рассчитана прежде всего на японский язык, также приведены результаты на английских вопросах; контекст унаследован от базовой модели, его длина в доступных сведениях не приведена. Модель подходит для японских диалогов, коротких ответов на вопросы, простых предложений и перевода на японский. Автор сообщает об улучшении результатов на японских и английских тестах здравого смысла относительно базовой версии и о снижении примеси китайских упрощённых иероглифов. Малый размер позволяет запускать её на скромном оборудовании; для работы рекомендуется отключить режим рассуждений, а при использовании llama.cpp задать repeat_penalty 1.1. Модель может допускать фактические ошибки, грамматические огрехи, несвязность в длинных ответах, повторения и смещение при выборе вариантов; для проверки фактов и чувствительных консультаций она не подходит без дополнительных мер контроля. Лицензия — Apache License 2.0.

alkhrzmy дообучил Qwen3-TTS 0.6B для синтеза речи на сунданском языке. Модель построена на архитектуре Qwen3-TTS и предназначена для преобразования текста в речь с использованием голоса `sunda_speaker`; при обучении использовался датасет OpenSLR SLR44 с женским голосом, полученным из Mozilla Common Voice. Модель содержит 0,6 млрд параметров и распространяется в формате safetensors. Она подходит для озвучивания сунданского текста и создания речевых образцов фиксированным голосом. Базовая модель также поддерживает синтез речи и клонирование голоса по аудиопримеру, однако карточка этого дообученного варианта описывает только синтез заданным голосом. Лицензия — Apache-2.0.

Qwen-7B-Chat-Cantonese — диалоговая языковая модель, созданная stvlynn путём дообучения Qwen-7B-Chat на большом объёме данных на кантонском языке. Она предназначена для генерации ответов и многоходового общения на кантонском языке; исходная модель также поддерживает китайский и английский. Модель построена на плотной архитектуре Qwen, содержит 11,4 млрд параметров и имеет контекстное окно 32 768 токенов. Модель подходит для чат-ботов и диалоговых приложений, которым нужны ответы на кантонском языке. В README автор отмечает, что это его первый проект дообучения LLM; поэтому качество и надёжность ответов могут зависеть от сценария и данных. Репозиторий распространяется по лицензии AGPL-3.0.

Koichi Yasuoka разработал эту модель на основе японской RoBERTa, предварительно обученной на текстах 青空文庫. Модель дообучена для морфосинтаксического анализа японского текста: она размечает части речи и зависимости между словами, используя схему goeswith для связи подслов. Модель предназначена для анализа японских предложений в NLP-конвейерах. В карточке Hugging Face указаны архитектура RoBERTa, около 305,5 млн параметров и контекст до 512 токенов; модель доступна в формате PyTorch и использует датасет Universal Dependencies. Лицензия — CC BY-SA 4.0.

Это японская модель RoBERTa, разработанная Koichi Yasuoka и дообученная на текстах 青空文庫 для морфосинтаксического анализа. Она присваивает длинным единицам слов японского текста теги UPOS и признаки FEATS; модель также предназначена для синтаксического анализа зависимостей. Архитектура — RobertaForTokenClassification, размер — 120,5 млн параметров, контекст — до 512 токенов. Модель подходит для разметки частей речи и анализа японских текстов, в том числе с помощью библиотеки esupar. Базовая модель — KoichiYasuoka/roberta-base-japanese-aozora-char. Лицензия — CC BY-SA 4.0, поэтому при использовании и распространении следует соблюдать её условия.

boapps/szurkemarha-samba — венгерская языковая модель на архитектуре Llama, созданная дообучением sambanovasystems/SambaLingo-Hungarian-Base на датасете boapps/szurkemarha. Модель с 6,7 млрд параметров предназначена для генерации текста на венгерском языке; заявленный контекст составляет 4096 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. В карточке указано, что она не проходила этических и безопасностных испытаний, поэтому автор не рекомендует её для использования в производственной среде.

minhtoan/t5-translate-vietnamese-nom — компактная модель на основе Transformer encoder-decoder T5, опубликованная Phan Minh Toan для преобразования текстов на письме Чы-ном в современную вьетнамскую запись латиницей. Она предназначена для транслитерации и перевода исторических текстов, включая литературные произведения и документы на Чы-ном; в карточке задача указана как перевод. Модель содержит 16,6 млн параметров и доступна в формате PyTorch для библиотеки Transformers. Модель обучалась на текстах из нескольких произведений и корпуса документов chunom.org, включая материалы примерно из 130 книг. Пример в карточке преобразует строку иероглифов в латинскую запись вьетнамского языка. Лицензия — MIT. Качество и охват могут зависеть от соответствия входного текста историческим источникам и данным обучения; сведений о длине контекста или систематической оценке качества в предоставленных материалах нет.

Taigi-Llama-2-Chat-13B — чат-модель на базе архитектуры Llama, разработанная для общения на тайваньском хоккиенском языке, записанном китайскими иероглифами. Разработчик сначала применил метод Chat Vector к исходной Meta Llama 2 для улучшения следования инструкциям и снижения токсичности ответов, затем дообучил модель на примерно 100 тысячах инструкционных примеров на тайваньском хоккиенском ханцзы. Размер модели — 13 млрд параметров, контекст — 4096 токенов; модель принимает текст и генерирует текст. Модель предназначена для диалогов и выполнения инструкций на тайваньском хоккиенском. Для доступа к чату используется шаблон [INST]…[/INST]. Данные для дообучения были созданы переводом инструкционных наборов на традиционном китайском языке с помощью Bohanlu/Taigi-Llama-2-Translator-13B. Лицензия — CC BY-NC-SA 4.0, предусматривающая некоммерческое использование и распространение производных на аналогичных условиях.

Это компактная модель автоматического распознавания речи на основе Whisper Tiny, разработанной OpenAI и дообученной авторами репозитория для транскрибации тибетской речи. Веса всех параметров модели дообучены на корпусе NICT-Tib1 с записями новостной речи на центральном тибетском языке, диалект Лхаса; модель построена на архитектуре encoder–decoder Transformer и содержит 29,4 млн параметров. Модель принимает аудио и выдаёт текстовую транскрипцию. Она предназначена для распознавания записанной тибетской речи и оценки систем ASR на корпусе NICT-Tib1. В README приведены результаты тестирования по CER, SER и метрикам ошибок на уровне сегментированных слов; качество зависит от выбранной метрики. Обучение и тестирование охватывали только современную прочитанную речь Лхасы из новостных записей. Переносимость на диалекты Амдо и Кхам, классический тибетский и спонтанную разговорную речь не установлена; тест включал трёх дикторов. Модель распространяется по лицензии Apache-2.0.

TongGu-7B-Instruct — языковая модель для понимания и обработки китайских классических текстов, разработанная лабораторией глубокого обучения и вычислений изображений Южно-Китайского технологического университета (SCUT-DLVCLab). Она основана на Baichuan2-7B-Base: модель прошла дополнительное предобучение на 2,41 млрд токенов корпуса классических текстов и многоэтапную инструкционную донастройку на 4 млн диалоговых примеров. Архитектура — плотная Baichuan с 7 млрд параметров; длина контекста — 4096 токенов. Модель предназначена для расстановки пунктуации и смыслового членения в классическом китайском тексте, его перевода на современный китайский, объяснения идиом, анализа и создания стихов, а также ответов на вопросы о классических произведениях. Авторы сообщают о сильных результатах в задачах понимания и обработки древних текстов. Модель может ошибаться в фактах или выдавать предвзятые и вредоносные ответы, поэтому результаты требуют проверки. README не указывает лицензию модели; ограничения на некоммерческое исследовательское использование отдельно приведены для набора данных ACCN-INS и не должны автоматически трактоваться как лицензия модели.

Typhoon 7B — языковая модель для генерации текста, разработанная SCB 10X на базе scb10x/typhoon-7b. Репозиторий TheBloke/typhoon-7B-GGUF содержит её квантизированные версии в формате GGUF; квантизацию выполнил TheBloke. Модель ориентирована прежде всего на работу с тайским языком и относится к архитектурному типу Mistral. Модель предназначена для текстовой генерации и локального запуска через llama.cpp и совместимые приложения и библиотеки, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Доступны варианты с квантизацией от 2 до 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством вывода. Точный размер контекста и поддерживаемые дополнительные модальности в README не указаны; заявлена только текстовая модальность. К сильным сторонам относятся поддержка тайского языка, широкий выбор уровней квантизации и совместимость с экосистемой GGUF для CPU- и GPU-инференса. Ограничения включают возможную потерю качества в более агрессивно квантизированных вариантах, отсутствие в README результатов бенчмарков и подробных характеристик качества, а также отсутствие сведений о многоязычной поддержке за пределами указанного тайского языка. Модель распространяется по лицензии Apache-2.0.

siberian-lang-lab/wav2vec2-large-mms-1b-evenki-colab — дообученная Siberian Lang Lab модель распознавания речи на архитектуре wav2vec2. Она основана на facebook/mms-1b-all и содержит 1,3 млрд параметров; заявленная специализация — эвенкийский язык. Модель принимает аудио и преобразует речь в текст. Модель подходит для автоматической транскрипции эвенкийской речи. В README приведены результаты оценки: loss 0,7563 и WER 0,7135; конкретный набор данных и условия оценки не описаны, поэтому эти показатели сложно интерпретировать. Модель распространяется в формате safetensors через Transformers по лицензии CC BY-NC 4.0, которая требует атрибуции и ограничивает коммерческое использование.

Whisper Large-V3 — модель распознавания речи, разработанная Alexander S. Mainye на основе openai/whisper-large-v3. Она дообучена на нестандартной кенийской английской речи с полным обновлением параметров и шумовыми аугментациями аудиосигнала, включая имитацию GSM-сжатия и фонового шума. По метаданным модель содержит 905,2 млн параметров и распространяется в формате safetensors. Модель предназначена для транскрибации кенийского английского в полевых условиях, в том числе при фоновом шуме и сжатии мобильной сетью. В тестировании на наборе cdli/kenyan_english_nonstandard_speech_v1.0 показатель WER составил 13,65% на чистом аудио и 18,31% на аудио с добавленным шумом. Лицензия — MIT. Модель оптимизирована для нестандартного кенийского английского и не дообучалась для стандартного американского или британского вариантов. Она не предназначена для суахили и других языков Кении; качество на реверберационных записях не оценивалось. По сравнению с Whisper Small требует существенно больше вычислительных ресурсов при запуске.

Это модель распознавания речи на тигринья, разработанная командой WAXALNet в рамках исследования WAXAL ASR Benchmark. Она создана на базе Whisper Small и дообучена на тигринья части корпуса WAXAL. Модель предназначена для транскрибирования разговорной речи, включая спонтанную речь; её оценивали на тестовом наборе WAXAL и частично на наборе FLEURS с прочитанной речью. Модель использует архитектуру Whisper и содержит 153,1 млн параметров по метаданным Hugging Face. Она принимает аудио и выдаёт текст на тигринья. На отфильтрованном тестовом наборе WAXAL указаны WER 53,5% и CER 38,7%, поэтому перед практическим применением качество следует проверять на целевых данных; README не рекомендует использовать модель в ответственных производственных сценариях без дополнительной проверки. Модель распространяется по лицензии Apache 2.0.

Yunmo v1 — созданная YuhuanStudio небольшая языковая модель для генерации текста на традиционном китайском языке с лексикой Тайваня. Это самостоятельное обучение с нуля на основе архитектурного подхода MiniMind v3, а не дообучение его контрольной точки. Модель использует плотную архитектуру Qwen3ForCausalLM с 24 слоями и 195,4 млн параметров; контекст — до 32 768 токенов. Для неё разработан специализированный токенизатор на 24 000 токенов. Обучение включало предобучение и SFT на корпусах MiniMind, преобразованных в традиционную китайскую письменность Тайваня, и дополнительных местных данных. Модель предназначена для диалогов, суммаризации, творческой генерации, поддержки многоходового контекста и локализованных ответов о Тайване. В оценке авторов она устойчиво использовала традиционное письмо и сохраняла заданную идентичность; также показала стабильную генерацию в нескольких прикладных сценариях. При этом небольшое число параметров ограничивает точность фактов, вычислений и логических рассуждений. Автор отмечает отсутствие DPO/RLHF-выравнивания и недостаточную безопасность отказов. Лицензия — Apache-2.0.

Модель разработала и опубликовала Elena Álvarez Mellado. Это дообученная версия BETO на корпусе COALAS для выявления в испанских новостных текстах неассимилированных заимствований, преимущественно из английского языка. Модель размечает заимствования метками ENG и OTHER, используя BIO-разметку для словосочетаний из нескольких токенов; архитектура — BERT для классификации токенов, размер — 137,1 млн параметров, контекст — до 512 токенов. Модель предназначена для анализа употребления англицизмов и других заимствований в испанской прессе. На тестовой выборке COALAS общий F1 составил 83,13; для английских заимствований — 84,59, а для заимствований из других языков — 18,18, поэтому выявление категории OTHER существенно менее надёжно. Обучение проводилось на корпусе испанской новостной письменной речи, включающем европейский вариант испанского. Лицензия — CC BY-SA 4.0.

Модель basilepp19/bloom-1b7_it — языково адаптированная версия BLOOM-1b7, разработанная Пьерпаоло Базиле, Пьерлуиджи Кассотти, Марко Полиньяно, Лучией Сичилиани и Джованни Семераро из Университета Бари Альдо Моро. Авторы адаптировали модель к итальянскому языку по стратегии MAD-X, используя 100 000 примеров из итальянской части набора Filtered Oscar. Модель построена на архитектуре BLOOM с плотной причинной языковой моделью, содержит 2,1 млрд параметров и поддерживает контекст до 4096 токенов. Модель предназначена для генерации текста на итальянском языке и сценариев, где базовой версии BLOOM не хватает адаптации к итальянскому. Для работы авторы требуют использовать токенизатор адаптированной модели. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — BigScience BLOOM RAIL 1.0.

canarim-7b-i1-GGUF — это набор квантованных версий большой языковой модели canarim-7b, разработанной dominguesm и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для генерации текста на португальском языке и локального запуска через совместимые инструменты, поддерживающие GGUF. В качестве обучающего набора указан фрагмент Common Crawl CC-MAIN-2023-23. В основе лежит модель класса Llama 2 с примерно 7 млрд параметров; заявлена текстовая модальность. Репозиторий содержит варианты квантования imatrix, включая IQ-кванты и форматы Q2–Q6, с размером файлов примерно от 1,6 до 5,6 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве, тогда как Q4_K_M отмечен как быстрый и рекомендуемый, а Q4_K_S — как оптимальный баланс размера, скорости и качества. Длина контекста в README не указана. Сильными сторонами модели являются поддержка португальского языка, широкий выбор квантованных вариантов и возможность запуска на ограниченных по ресурсам системах. Ограничения включают потенциальную потерю качества при низком уровне квантования, отсутствие заявленных мультимодальных возможностей и недостаток сведений о результатах тестирования, точности и сценариях диалогового использования. Модель распространяется по лицензии Llama 2; условия применения следует проверять в соответствии с этой лицензией.

Custom-KoLLM-13B-v7 — авторегрессионная языковая модель на архитектуре LLaMA 2, разработанная Kyujin Han. Это плотная модель с 12,9 млрд параметров, предназначенная для генерации текста и диалоговых сценариев на корейском языке. Она обучена на наборе KOR-OpenOrca-Platypus-v3; в README приведены результаты сравнительных оценок на корейских бенчмарках. Модель рассчитана на контекст до 2048 токенов. Модель доступна в форматах PyTorch и Safetensors и использует лицензию CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. Её контекстное окно относительно короткое, поэтому она хуже подходит для обработки длинных документов.

Baselhany/Distilation_Whisper_base_bigger_samples — дообученная модель OpenAI Whisper Base для автоматического распознавания речи на арабском языке. Она принимает аудио и генерирует текст; обучена на наборе quran-ayat-speech-to-text. В метаданных указаны архитектура WhisperForConditionalGeneration, 51,7 млн параметров и формат safetensors. На оценочной выборке карточка сообщает Loss 0,0892 и WER 0,1918. Модель предназначена для преобразования арабской речи в текст, в частности для распознавания чтения аятов Корана. Базовая Whisper Base также поддерживает распознавание многоязычной речи и перевод на английский, однако результаты этих возможностей для данного дообученного варианта не описаны. Модель распространяется по лицензии Apache-2.0.

YeungNLP/firefly-bloom-2b6 — китайская диалоговая языковая модель на архитектуре BLOOM с 2,6 млрд параметров. Разработчики проекта Firefly выполнили инструкционное дообучение модели bloom-2b6-zh на китайском наборе из 1,1 млн примеров для 23 задач обработки естественного языка. В README указана максимальная длина входа 512 токенов. Модель предназначена для диалоговых ответов и выполнения инструкций на китайском языке, включая сочинение стихов, создание парных строк, перевод классических текстов на китайский и генерацию кода. В карточке также показан пример сортировки на Python. Модель компактнее крупных языковых моделей, однако уступает им в фактических знаниях, программировании и рассуждениях. README предупреждает, что модель не проходила настройку на безвредность и может выдавать дискриминационные, опасные или неэтичные ответы. Проект разрешает использование модели только для академических исследований и запрещает коммерческое применение и использование во вред обществу.

Это GGUF-квантизированная версия модели gemma-3-4b-persian-v0, разработанной mshojaei77 и дополнительно подготовленной к публикации mradermacher. Модель создана для генерации текста на персидском языке и распространяется в форматах GGUF с различными уровнями квантования, подходящими для запуска в средах, поддерживающих этот формат. Для вариантов с mmproj заявлена мультимодальная поддержка, однако подробности о поддерживаемых типах входных данных в README не приведены. Модель основана на Gemma 3 с размером около 4 млрд параметров и дообучалась методом QLoRA на наборе данных Persian_sft. Указан персидский язык, а среди ключевых характеристик отмечены text-generation, 4-bit quantization и несколько вариантов GGUF — от Q2_K до Q8_0 и f16. Варианты Q4_K_S и Q4_K_M обозначены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством среди перечисленных. Сильной стороной модели является выбор квантизированных вариантов разного размера: заявленный объём файлов составляет примерно от 1,8 до 7,9 ГБ, что позволяет подбирать компромисс между требованиями к памяти, скоростью и качеством. Ограничения включают отсутствие в README подробных результатов оценки, описания контекстного окна, архитектурных деталей, перечня дополнительных языков и рекомендаций по конкретным сценариям применения. Лицензия — Apache-2.0.

GujiBERT_fan — это языковая модель семейства BERT, разработанная командой hsc748NLP для интеллектуальной обработки древнекитайских текстов. Модель ориентирована на традиционную китайскую письменность и создана как базовая модель понимания естественного языка для задач, связанных с древними книгами. Модель содержит около 139,9 млн параметров, работает в архитектуре BERT и поддерживает контекст до 512 токенов. В Hugging Face она опубликована для задачи заполнения пропусков (fill-mask), поэтому подходит для восстановления скрытых фрагментов и получения контекстных представлений текста. Исследовательские материалы также связывают семейство GujiBERT с сегментацией предложений, пунктуацией, токенизацией, разметкой частей речи, распознаванием сущностей и автоматическим переводом древних текстов. Основное преимущество модели — специализация на древнекитайском языке и традиционных иероглифах, а не на современном общем корпусе. Она не является генеративной моделью для свободного продолжения текста и предназначена прежде всего для понимания и анализа древних текстов. Модель распространяется по лицензии Apache-2.0.

Holger-7B-v0.1 — открытая языковая модель на основе Viking, созданная автором trollek путём объединения нескольких моделей методом della_linear. Это плотная архитектура Llama с 7 млрд параметров, предназначенная для генерации текста и диалогов. Автор ориентирует её прежде всего на датский язык и предполагает перенос возможностей с английского на другие скандинавские языки. Модель обучена на открытых данных, в том числе датских наборах Danoia и Panoia, а также разговорных наборах UltraChat и SlimOrca. Контекст составляет 4096 токенов. Репозиторий распространяет веса в формате Safetensors; отдельно упомянута квантизированная версия GGUF. Лицензия — Apache-2.0. Модель подходит для датских диалогов и генерации текста, однако заявление о переносе на другие скандинавские языки автор обозначает как предположение. Карточка не приводит количественных оценок качества; доступность отдельной версии GGUF не означает, что текущие веса квантизированы.

Whisper Small Romanian - Horoscop Neti — дообученная модель распознавания речи, созданная на основе openai/whisper-small и датасета Horoscop Neti. Она предназначена для транскрибирования румынской речи; архитектура — WhisperForConditionalGeneration, размер — 153,1 млн параметров. Модель принимает аудио и выдаёт текст. В карточке указаны результаты оценки на тестовой выборке: loss 0,2392 и WER 9,7834. Модель распространяется по лицензии Apache-2.0. Карточка не уточняет условия записи аудио и ограничения распознавания.

HSC Wuxia mT5 Small — дообученная модель преобразования текста в текст на архитектуре mT5 от Google, разработанная в рамках выпускной работы по машинному переводу произведений wuxia. Модель содержит 157,4 млн параметров и предназначена для перевода с китайского на английский текстов жанров wuxia и xianxia, включая веб-романы. Модель обучена полным дообучением базовой google/mt5-small на наборе из 100 000 параллельных предложений. В оценке на тестовом наборе по предметной области показаны SacreBLEU 16,98, chrF 39,41 и ROUGE-L 46,33. Это специализированная модель для литературного перевода, поэтому её результаты не следует автоматически переносить на другие жанры и языковые направления. Лицензия — Apache-2.0.

jinen-v1.1-beta — японская модель преобразования каны в кандзи, разработанная Hitoshi Togasaki. Это прототип, подготовленный как GGUF-версия для дальнейшего развития в jinen-v2. Модель предназначена для японского ввода и задач kana-kanji conversion; в карточке указана текстовая генерация и поддержка японского языка. Для работы требуется предварительная NFKC-нормализация входного текста. Рекомендуемый левый контекст составляет 64 символа, а в тестах использовалось окно контекста 1024 токена. Доступны варианты с точностью F16, Q8_0, Q5_K_M и Q4_K_M; их размеры составляют от 72 до 220 МБ. На AJIMEE-Bench модель показала Accuracy@1 79,5–80,0%, или 85,5–86,0% при NFKC-нормализации, с задержкой p50 от 25 до 46 мс и p99 от 87 до 169 мс в зависимости от варианта. Квантованные версии уменьшают размер и задержку при близкой точности, что подходит для локального использования на CPU. Обучающий корпус частично основан на обработанных библиографических данных Национальной парламентской библиотеки Японии; лицензия модели в README не указана, поэтому условия распространения и использования необходимо уточнять отдельно.

fierysurf/Kan-LLaMA-7B-SFT-v0.1-sharded — шардированная версия Kannada LLaMA 7B, модели, разработанной Tensoic и предназначенной для языковых задач на каннада. Это плотная авторегрессионная модель семейства LLaMA с архитектурой LlamaForCausalLM и 6,7 млрд параметров; заявленная длина контекста — 4096 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста на каннада. Шардирование облегчает хранение и загрузку весов, но само по себе не меняет назначение модели. README указывает исходную модель Tensoic/Kan-LLaMA-7B-SFT-v0.1. Лицензия репозитория — MIT.

Tensoic/Kan-Llama-7B-SFT-v0.5 — версия Kannada LLaMA 7B с supervised fine-tuning, размещённая Tensoic. Репозиторий содержит шардированные веса модели на базе семейства LLaMA и предназначен для генерации текста, прежде всего на каннада. Модель может применяться для создания ответов и другого текста на каннада; README также ссылается на исходную модель и публикацию о её разработке. В репозитории указаны веса в формате Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески. README не приводит подробных оценок качества или ограничений, поэтому пригодность для конкретных сценариев следует проверять отдельно.