I.6Перевод и языковая адаптация

KoichiYasuoka/modernbert-base-japanese-aozora-upos — дообученная модель ModernBERT, созданная Koichi Yasuoka на основе modernbert-base-japanese-aozora. Она размечает японский текст по коротким словесным единицам, назначая каждой тег части речи UPOS и признаки FEATS; карточка также указывает применение для синтаксического разбора зависимостей. Модель подходит для анализа японских предложений и подготовки лингвистически размеченных корпусов. Модель имеет плотную архитектуру ModernBERT и 160,2 млн параметров, принимает текст и выдаёт метки токенов. Нативная длина контекста — 8192 токена. Весы доступны в формате PyTorch, лицензия — Apache-2.0. Карточка демонстрирует использование через Transformers pipeline с пользовательским кодом.

Koichi Yasuoka разработал ModernBERT для анализа японского текста: модель размечает части речи и синтаксические зависимости, включая связи goeswith для субслов. Это дообученная версия KoichiYasuoka/modernbert-large-japanese-wikipedia-upos на датасете UD_Japanese-GSDLUW. Модель использует плотную архитектуру ModernBERT с классификационной головой для токенов и содержит 409,7 млн параметров. Она принимает текст на японском языке; нативная длина контекста — 8192 токена. В Transformers её можно запускать через pipeline с задачей universal-dependencies и агрегацией simple. Модель подходит для морфосинтаксического анализа японских текстов и может служить компонентом лингвистических конвейеров. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

OpenNMT опубликовала вариант NLLB-200 3.3B, преобразованный для быстрого инференса через CTranslate2 с int8. Модель предназначена для машинного перевода отдельных предложений между 200 языками, в том числе языками с ограниченными ресурсами; архитектура относится к семейству M2M-100 и использует условную генерацию текста. В README для этого варианта заявлено снижение расхода памяти в 2–4 раза и ускорение инференса на CPU или GPU. Метаданные указывают 2,1 млрд параметров и контекст до 1024 токенов. Модель подходит для исследовательских экспериментов и перевода общетематических предложений. Она не предназначена для производственного использования, специализированных медицинских или юридических текстов, перевода документов или сертифицированных переводов. В исходном обучении длина входа не превышала 512 токенов, поэтому качество на более длинных фрагментах может снижаться. Возможны неточности перевода, а покрытие языковых вариантов и качество вне домена Wikimedia ограниченно изучены. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование.

Qwen3-VL-8B-Instruct-Minecraft-MT-en-zh-i1-GGUF — мультимодальная vision-language модель на базе Q1ngMang/Qwen3-VL-8B-Instruct-Minecraft-MT-en-zh, адаптированная для сценариев Minecraft и задач перевода между английским и китайским языками. Модель поддерживает работу с текстом и изображениями, поэтому может применяться для анализа визуального содержимого, связанного с Minecraft, и обработки мультимодальных запросов. Это GGUF-квантизованная версия, подготовленная mradermacher с использованием weighted/imatrix-квантования. Доступны варианты с разными уровнями квантизации и размером примерно от 2,2 до 5,3 ГБ; компромиссными вариантами по размеру, скорости и качеству в README названы i1-Q4_K_S и i1-Q4_K_M. Точный размер контекста, архитектурные детали, результаты тестирования и дополнительные поддерживаемые языки не указаны, поэтому качество на задачах за пределами заявленных сценариев оценить нельзя. Модель предназначена для локального запуска в совместимом ПО, поддерживающем GGUF, однако для обработки изображений могут потребоваться отдельные mmproj-файлы из статического репозитория. Чем сильнее квантизация, тем меньше требования к ресурсам, но потенциально ниже качество; некоторые варианты прямо помечены как низкокачественные. Распространяется по лицензии CC BY-NC-SA 4.0, допускающей использование с указанием авторства и на некоммерческих условиях с сохранением аналогичной лицензии.

KoichiYasuoka/roberta-base-korean-ud-goeswith — модель Koichi Yasuoka на архитектуре RoBERTa, дообученная на базе KoichiYasuoka/roberta-base-korean-hanja для разметки частей речи и синтаксического разбора зависимостей корейского текста. Для субслов используется метка goeswith. Модель подходит для лингвистического анализа предложений и построения синтаксических деревьев; в Hugging Face она отнесена к задаче классификации токенов. Модель содержит 143,4 млн параметров, работает с текстом и имеет контекстное окно до 514 токенов. В карточке указана лицензия CC BY-SA 4.0. Для использования через приведённый в README пример требуется Transformers с параметром trust_remote_code=True.

Koichi Yasuoka разработал эту модель на архитектуре RoBERTa-large для морфологической разметки корейского текста. Она дообучена на основе KoichiYasuoka/roberta-large-korean-hanja и присваивает каждому корейскому слову (어절) тег части речи по системе UPOS. Карточка также указывает на назначение для синтаксического анализа зависимостей. Модель содержит 442,9 млн параметров, принимает текст и выдаёт метки токенов. Контекст составляет до 514 токенов. Её можно применять для морфологического анализа корейских предложений и подготовки данных для лингвистических или NLP-задач. Лицензия — CC BY-SA 4.0.

Xiangxue-1-3.6B（向学）是 yoshino0721 发布的 модель для исправления китайских грамматических и орфографических ошибок. Это производная Qwen3ForCausalLM с 32 слоями трансформера и 3,3 млрд параметров по метаданным; README указывает точное число 3 618 744 832. Репозиторий содержит самостоятельные объединённые веса BF16 без внешнего адаптера и без квантования; модель дообучена на базе twnlp/ChineseErrorCorrector4-4B. Модель предназначена для исправления грамматики и орфографии в китайских предложениях с сохранением корректных фрагментов и сокращением лишних правок. Метаданные указывают контекст 262 144 токена. В локальных тестах проекта она уступает базовой CEC4 BF16 по приведённым метрикам; автор отдельно оговаривает, что результаты не подтверждают лидерство на всех публичных тестах и протоколах. Иногда модель выводит рассуждения, поэтому для получения только исправленного предложения требуется проверенный парсер. Лицензия — Apache-2.0.

CKIP BERT Tiny Chinese — компактная модель семейства BERT от CKIP Lab, представленная в проекте с инструментами обработки традиционного китайского языка. В карточке указана архитектура BertForTokenClassification, около 12,8 млн параметров и контекст до 512 токенов. Модель предназначена для классификации токенов; проект CKIP также охватывает сегментацию слов, разметку частей речи и распознавание именованных сущностей. Для работы автор рекомендует использовать BertTokenizerFast. Репозиторий содержит веса PyTorch и распространяется по лицензии GPL-3.0. Карточка не уточняет точность модели и её результаты на тестовых наборах.

BRAGD — модель разметки частей речи и морфологических признаков для фарерского языка, разработанная Annika Simonsen, Barbara Scalvini, Uni Johannesen, Iben Nyholm Debess, Hafsteinn Einarsson и Vésteinn Snæbjarnarson. Это дообученная на базе vesteinn/ScandiBERT модель XLM-RoBERTa с 151,7 млн параметров, реализованная как XLMRobertaForTokenClassification. Она присваивает каждому токену 73 бинарных признака, охватывающих класс и подкласс слова, род, число, падеж, артикль, степень сравнения, наклонение, залог, время, лицо и определённость. Для преобразования предсказанных признаков в итоговые теги BRAGD нужны constraint_mask.json и tag_mappings.json из репозитория. Модель предназначена для POS-разметки и морфологического анализа фарерских текстов, в том числе для подготовки лингвистических корпусов и обработки данных вне обучающего домена. В README приведены результаты статьи: точность составных тегов 97,5% на Sosialurin-BRAGD и 96,2% на OOD-BRAGD; это результаты исследовательской оценки, а не гарантия качества данного релиза. Контекст модели — 514 токенов. Весы опубликованы в формате safetensors; для использования требуется библиотека Transformers. Лицензия — CC BY 4.0.

DiaCTC — модель на базе Wav2Vec2, разработанная для восстановления арабских диакритических знаков по аудиоречи и текстовой расшифровке без диакритики. Она дообучена на ClArTTS, наборе классического арабского языка, и использует декодирование с ограничениями WFST. В README приведены результаты на ClArTTS: WER 11,21 и DER 3,53; на ArVoice: WER 39,89 и DER 12,04. Модель основана на jonatasgrosman/wav2vec2-large-xlsr-53-arabic и содержит 402,7 млн параметров. Она принимает аудио и текст, а выдаёт арабскую текстовую расшифровку с восстановленными диакритическими знаками. Для использования в README указаны параметры use_blank_token, use_no_diac_token и use_unk_diac_token, а также декодирование методом WFST. Модель предназначена для арабской речи и текста. Результаты на ArVoice заметно ниже, чем на ClArTTS, поэтому перенос на другие наборы данных может быть ограничен. Лицензия — MIT.

Модель автоматического распознавания речи enenlhet-wav2vec2 разработана Samuel J. Huskey при поддержке Data Institute for Societal Challenges Университета Оклахомы. Это дообученная на модели facebook/wav2vec2-large-xlsr-53 архитектура Wav2Vec2ForCTC с 402,7 млн параметров, предназначенная для создания черновых транскрипций полевых аудиозаписей на языке эненлет. Для обучения использован набор sjhuskey/enenlhet-wav2vec2-dataset с WAV-записями носителей языка и соответствующими транскрипциями; данные разделены на обучающую, тестовую и валидационную выборки. Модель принимает аудио и выдаёт текст. Она может ускорить подготовку транскрипций полевых записей, но README указывает на первичную, черновую роль результатов, поэтому транскрипции следует проверять и исправлять вручную. Модель распространяется по лицензии Apache 2.0.

Карточка модели JohnDelano/faster-whisper-base-ar-quran на Hugging Face совпадает с карточкой OdyAsh/faster-whisper-base-ar-quran, поэтому описание составлено по ней. OdyAsh/faster-whisper-base-ar-quran — это версия модели распознавания речи на основе Whisper Base, преобразованная в формат CTranslate2 для использования с faster-whisper и WhisperX. Она предназначена для транскрибирования чтения Корана на арабском языке и совместима с конвейерами WhisperX. Модель получена преобразованием tarteel-ai/whisper-base-ar-quran в CTranslate2 с точностью float16. По README, размер уменьшен примерно с 290 до 141 МБ; автор сообщает о небольшом влиянии на качество при проверке на примерах коранического аудио. Репозиторий указывает Apache-2.0. Возможны ошибки распознавания; для сценариев, где точность важнее размера, README предлагает использовать float32.

gemini_whisper_sanlish — дообученная thunderboltc модель на базе OpenAI Whisper small для распознавания речи на сантали с записью результата в IPA/Sanlish. Модель принимает аудио и преобразует его в текст; архитектура — WhisperForConditionalGeneration, веса опубликованы в формате safetensors. В обучении использованы 1 547 примеров, а для проверки и тестирования — 193 и 194 примера соответственно. В README приведены результаты на тестовой выборке: WER около 34,7% и CER около 8,3%. Модель ориентирована на транскрипцию сантали, а не на перевод речи. Это специализированная экспериментальная модель; README не сообщает лицензию и не описывает ограничения применения. Базовая модель — openai/whisper-small.

OS-Software/gemma-4-31B-it-qat-heretic-japanese-imatrix-GGUF — сильно квантизированная GGUF-версия инструкционно дообученной модели Google DeepMind Gemma 4 31B-it. Модель создана OS-Software как производная от базовой Gemma 4 с использованием Heretic и imatrix, оптимизированной для генерации текстов на японском языке. Формат GGUF рассчитан на совместимость с широким спектром средств локального запуска. Модель предназначена для исследовательских и экспериментальных задач, включая генерацию текста, рассуждения, программирование, анализ изображений и изучение безопасности и выравнивания моделей. Согласно описанию семейства Gemma 4, модели поддерживают текстовый и визуальный ввод, текстовый вывод, многоязычность более чем на 140 языках и контекст до 256 тысяч токенов; точные характеристики именно этой производной версии отдельно не уточнены. Ключевой особенностью является существенное снижение требований к памяти благодаря QAT-квантизации, однако при генерации могут возникать повторяющиеся циклы; в README рекомендуется при необходимости увеличить параметр repeat-penalty до 1.1. По сравнению со стандартной моделью Gemma эта версия имеет значительно ослабленное защитное выравнивание, поэтому с большей вероятностью может выдавать вредный, неточный, предвзятый, оскорбительный или иной нежелательный контент. Модель не рекомендуется для публичных или пользовательских сервисов; все результаты необходимо считать недоверенными, проверять человеком и использовать с дополнительными мерами безопасности. Модель распространяется по лицензии Apache 2.0, применимой к базовой Gemma 4, с учетом условий лицензии Google.

Koichi Yasuoka разработал эту модель на основе GPT-2 small, предварительно обученной на японской Википедии. Она дообучена для разметки японского текста: присваивает словам теги UPOS и признаки FEATS, то есть определяет части речи и грамматические характеристики. Модель рассчитана на анализ предложений на японском языке и использует архитектуру GPT-2 с контекстом до 1024 токенов. Модель можно применять для морфологического анализа японских текстов и подготовки лингвистически размеченных данных. Для работы требуется библиотека fugashi. Репозиторий содержит веса PyTorch и распространяется по лицензии CC BY-SA 4.0.

mssma/ko-solar-10.7b-v0.8 — корейская языковая модель для генерации текста, опубликованная в формате Transformers. Это плотная авторегрессионная модель семейства LLaMA с 10,7 млрд параметров, предназначенная для запуска через AutoModelForCausalLM и AutoTokenizer; в карточке приведён пример загрузки с точностью float16 и автоматическим распределением по устройствам. Модель можно применять для генерации и продолжения корейского текста. Метаданные указывают контекстное окно 2048 токенов и язык ko. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. README не описывает обучение, специализированные сценарии или результаты оценки, поэтому качество для конкретных задач по карточке подтвердить нельзя.

Labess-7b-chat-16bit — открытая чат-модель Linagora, дообученная для понимания и генерации текстов на тунисском держа. Это версия с продолженным предобучением и настройкой по инструкциям на базе inceptionai/jais-adapted-7b-chat с использованием набора linagora/Tunisian_Derja_Dataset. Модель построена на плотной архитектуре Llama и содержит 6,7 млрд параметров. Она предназначена для диалога и генерации ответов по инструкциям на тунисском держа; доступна в формате safetensors и рассчитана на контекст до 4096 токенов. Для использования требуется библиотека Transformers. Лицензия — Apache-2.0. Карточка не приводит результаты оценок качества. Специализация на тунисском держа означает, что пригодность для других языков и задач может быть ограничена.

facebook/mms-tts-guu — модель синтеза речи на языке yanomamö (guu), созданная Meta в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт семейства VITS: модель принимает текст и генерирует речевую волну. Архитектура VITS объединяет вариационный автоэнкодер, Transformer-энкодер текста, нормализующие потоки, стохастический предсказатель длительности и декодер, построенный по принципу HiFi-GAN; размер модели — 3,5 млн параметров. Модель предназначена для озвучивания текста на yanomamö. Стохастический предсказатель длительности позволяет получать варианты ритма речи; для повторения того же результата требуется фиксированный seed. Чекпойнт доступен через Transformers версии 4.33 и выше. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-qvc — модель синтеза речи для кечуа Кахамарка (qvc), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст на этом языке в речевую аудиоволну и предназначена для озвучивания текстов и создания речевых приложений для соответствующего языкового сообщества. Модель основана на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный чекпойнт, обученный для одного языка; модель использует стохастический предиктор длительности, поэтому при одинаковом тексте может создавать речь с разным ритмом. Для повторения результата требуется фиксировать seed. Доступны веса PyTorch и Safetensors, модель поддерживается библиотекой Transformers начиная с версии 4.33. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение. Качество синтеза зависит от текста и обучающих данных; сведения о поддержке других языков или режимах генерации в карточке не заявлены.

facebook/mms-tts-rng — модель синтеза речи на языке ронга (rng), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на ронга в речевую аудиоволну и подходит для озвучивания фраз и создания синтезированной речи для этого языка. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, Transformer-энкодер текста, flow-модуль, стохастический предсказатель длительности и HiFi-GAN-подобный декодер. Чекпойнт содержит 3,5 млн параметров и распространяется в форматах PyTorch и Safetensors; для работы доступен через Transformers версии 4.33 и новее. Предсказатель длительности позволяет варьировать ритм речи, поэтому результат может меняться между запусками; для повторяемого синтеза требуется фиксировать seed. Модель предназначена для ронга и не заявлена как многоязычная универсальная система. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

VIZINTZOR/MMS-TTS-THAI-MALEV2 — модель синтеза речи на архитектуре VITS, дообученная разработчиком на аудиозаписях Play.ht. Она преобразует текст на тайском языке в речь мужским голосом и предназначена для локального запуска; в карточке также упомянуто обучение через Google Colab. Модель содержит 3,6 млн параметров, распространяется в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

facebook/mms-tts-urk — модель синтеза речи на языке урак-лавой (Urak Lawoi’, код urk), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель построена на архитектуре VITS: это сквозная система на основе вариационного автоэнкодера с Transformer-энкодером текста, flow-модулем и декодером, подобным HiFi-GAN; предсказатель длительности позволяет варьировать ритм речи. Веса содержат около 3,5 млн параметров, доступны в форматах PyTorch и Safetensors. Для повторяемого результата требуется фиксировать seed, поскольку генерация недетерминирована. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-zpi — модель синтеза речи на языке сапотек, Санта-Мария-Кьеголани (zpi), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и предназначена для озвучивания текста и создания речевого вывода для приложений на zpi. Модель использует архитектуру VITS — сквозной генератор речи на основе вариационного автоэнкодера, нормализующих потоков и декодера, подобного HiFi-GAN. В репозитории указано 3,5 млн параметров; для каждой языковой версии MMS-TTS обучается отдельный чекпойнт. Генерация стохастическая: для повторения того же результата нужен фиксированный seed. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией в рамках некоммерческих условий. Модель ориентирована на один язык и не предназначена для синтеза речи на других языках; README не приводит оценок качества или дополнительных сведений о голосе.

prose-rewriter-1.7b-v1.2 — модель для перефразирования прозы, разработанная chartreuse-verte на базе Qwen/Qwen3-1.7B-Base. Она принимает один абзац текста, созданного большой языковой моделью, и перезаписывает его более естественным и «человечным» языком с сохранением исходной семантики. Модель предназначена для редактирования прозы, переноса стиля, улучшения читаемости и удаления характерных для генеративного текста избыточных или неестественных формулировок. Модель содержит 1,7 млрд параметров и представляет собой базовую архитектуру Qwen3 с объединённым rank-16 LoRA-адаптером, применённым с силой 1.1. Поддерживается английский язык. Доступны формат safetensors в bfloat16 для Transformers и квантованный GGUF Q8_0 размером 2,17 ГБ для llama.cpp и llama-cpp-python. Обрабатываются абзацы длиной от полного предложения до примерно 120 слов; документированный предел входа — 512 токенов, максимальный объём генерации — 512 токенов. Модель не является обычной чат-моделью и требует специального шаблона с ролями source и edit. Сильными сторонами являются низкий уровень самоповторов, стабильная остановка генерации и сохранение длины текста на большинстве абзацев длиной 15–120 слов. Режим match рекомендуется для перезаписи без сокращения. На очень коротких входах модель может искусственно удлинять текст и добавлять неподтверждённые исходными данными сведения; для текстов короче примерно 80 байт рекомендуется не применять её. Качество и фактическая точность зависят от случайной генерации и настроек температуры. Модель распространяется по лицензии AGPL-3.0.

Raobotnix/Qwen-2.5-1.5B-Slang-Explainer-V1 — компактная диалоговая языковая модель семейства Qwen2.5, дообученная на базе unsloth/Qwen2.5-1.5B-Instruct. Она предназначена для объяснения запросов пользователя, в том числе сленговых выражений, и генерирует ответы на текстовые сообщения. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2 с причинной языковой моделью и поддерживает контекст до 32 768 токенов. Модель разработал Raobotnix; при обучении использовались Unsloth и библиотека TRL. В карточке указана поддержка английского языка. Веса опубликованы в формате Safetensors и FP16. Лицензия — Apache-2.0.

Koichi Yasuoka разработал RoBERTa-модель для морфосинтаксической разметки тайского языка. Она дообучена на текстах тайской Википедии на базе KoichiYasuoka/roberta-base-thai-spm и присваивает словам теги UPOS — универсальные части речи. Модель также описана как предназначенная для синтаксического анализа зависимостей. Модель содержит 115,6 млн параметров, использует архитектуру RoBERTa и принимает текст с контекстом до 512 токенов. Репозиторий содержит веса PyTorch. Лицензия Apache-2.0.

Koichi Yasuoka разработал RoBERTa-модель для классического китайского языка на основе ethanyt/guwenbert-large. Она содержит 429,6 млн параметров, использует архитектуру RoBERTa с языковой моделью для восстановления замаскированных токенов и принимает контекст длиной до 514 токенов. Представление символов расширено для поддержки традиционных и упрощённых китайских иероглифов. Модель предназначена для восстановления пропусков в классических китайских текстах и как основа для дообучения под задачи сегментации предложений, разметки частей речи и синтаксического анализа зависимостей. Для применения доступна через Transformers в формате PyTorch. Лицензия Apache-2.0.

Koichi Yasuoka разработал японскую модель RoBERTa-large для морфосинтаксического анализа текста. Она дообучена на базе nlp-waseda/roberta-large-japanese и предназначена для разметки частей речи и синтаксических зависимостей с обработкой субслов через отношение goeswith. В карточке Hugging Face указаны архитектура RobertaForTokenClassification, 435,4 млн параметров и контекст до 514 токенов. Модель принимает японский текст и возвращает токеновую разметку; для запуска через Transformers требуется библиотека fugashi. Репозиторий содержит веса PyTorch, лицензия — CC BY-SA 4.0.

rost-1b-instruct — двуязычная языковая модель rostlabs для генерации текста в диалоговом и инструкционном формате. Модель обучена с нуля, а затем дообучена для общения; это собственная плотная авторегрессионная архитектура RostForCausalLM, а не производная Llama или Mistral. В ней 1,384 млрд параметров, 24 слоя, контекст до 4 096 токенов и двуязычный токенизатор на 32 768 токенов, разработанный с учётом румынского языка. Вес опубликован в формате safetensors; для загрузки требуется trust_remote_code=True. Модель предназначена для генерации и продолжения текста на румынском и английском, исследований румынского языка и дальнейшего дообучения. Она достаточно компактна для запуска на потребительском GPU. В README приведены результаты нулевого тестирования румынских задач: качество заметно выше случайного для завершения предложений и вопросов на правдивость, но близко к случайному на некоторых задачах рассуждения. Для генерации рекомендуется repetition_penalty 1.1, поскольку без него модель склонна повторяться. Модель может уверенно выдумывать факты, повторять фразы, слабо справляется с рассуждениями и имеет короткий по современным меркам контекст. У неё нет настройки безопасности и дообучения для вызова инструментов, поэтому она не подходит для агентных сценариев, фактически значимых решений или задач, требующих надёжных сведений. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование; README также исключает коммерческое развёртывание.

SeewebLLM-it — дообученная Seeweb модель семейства Llama 2 для генерации текста на итальянском языке. Она создана на основе LLama-2-7b-chat-hf и содержит около 6,6 млрд параметров; модель принимает текст и генерирует текст, максимальная длина контекста составляет 4096 токенов. Модель предназначена для диалога и генерации ответов на итальянском языке. При дообучении использован набор примерно из 300 итальянских диалогов «запрос — ответ». Пример в карточке показывает грамматически правильный ответ, однако автор отмечает, что исходная Llama 2 в целом дала более содержательный ответ. Разработчик — Seeweb; среди участников указан Lorenzo Rocchi. Модель опубликована в формате PyTorch под лицензией Llama 2. Автор предупреждает, что ответы могут быть неточными, а небольшой объём обучающих данных ограничивает разнообразие и полноту ответов.