I.6Перевод и языковая адаптация

Liujgoj-Cantonese-Qwen2.5-Omni-7B-CPT-V2 — модель Yvthyvq / Liujgoj Cantonese Project, полученная продолжением предобучения Qwen/Qwen2.5-Omni-7B. Это плотная мультимодальная архитектура Qwen2.5-Omni размером 7B: LoRA-обучение применено к языковому модулю thinker и объединено с ним, а компоненты talker и token2wav сохранены. Модель адаптирована к кантонскому языку в латинской орфографии Liujgoj, включая фонологию, границы слогов, тоновые маркеры и структуру слов; также сохранены возможности для английского и стандартного китайского. Основное назначение — продолжение текста на Liujgoj и подготовка основы для последующей настройки кантонских NLP- и речевых систем. Модель подходит для обработки орфографии, фонологического анализа, проверки написания и сегментации текста. Полная Omni-архитектура сохранена для возможной дальнейшей настройки задач с аудио, однако распознавание и синтез речи не заявлены как готовые задачи этой версии. Это базовая модель без инструкционной настройки: она продолжает текст, но не предназначена для надёжных диалоговых ответов без дополнительного SFT. Распространяется по лицензии Apache-2.0.

ngoan/Llama-2-7b-vietnamese-20k — дообученная на 20 000 инструкционных примеров версия Llama 2 7B, представленная разработчиком как предварительный эксперимент с вьетнамским языком. Модель принимает текстовые инструкции и генерирует вьетнамский текст; её можно использовать для изучения возможностей Llama 2 на вьетнамском и для экспериментов с задачами, требующими вьетнамской языковой модели. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров, работает в формате PyTorch и поддерживает контекст до 4096 токенов. Обучающий набор невелик и описан лишь как пользовательский набор вьетнамских инструкций; метрики оценки и подробности состава данных не приведены. Возможны смещения из обучающих данных, а применение в критически важных системах требует предварительной проверки. Лицензия в предоставленных материалах не указана.

Llama-3-8b-tagalog-v1 — экспериментальная чат-модель от 922-Narra, дообученная на базе unsloth/llama-3-8b-bnb-4bit на датасете tagaloguanaco_cleaned_03152024. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она принимает текст и генерирует текст. Контекст — до 8192 токенов. Модель предназначена главным образом для диалога на тагальском языке. Модель может понимать запросы на тагальском, но иногда переключается на английский или выдаёт неуклюжие ответы. Разработчик предупреждает, что результаты могут быть небезопасными и несогласованными, и не рекомендует применять модель в production. Лицензия — Llama 3; условия использования определяются её условиями.

aixsatoshi/Llama-3-Elyza-Youko-moe-2x8B — японская языковая модель с архитектурой Mixture of Experts (MoE), объединяющая экспертов на основе rinna/llama-3-youko-8b и двух моделей: aixsatoshi/Llama-3-youko-8b-instruct-chatvector и elyza/Llama-3-ELYZA-JP-8B. Для каждого токена активируются два эксперта; режим маршрутизации указан как random, а тип весов — bfloat16. По метаданным модель содержит 7,5 млрд параметров, имеет контекст до 8192 токенов и предназначена для генерации текста в чате. Модель подходит для диалогов и генерации японского текста. В репозитории указаны веса safetensors, а лицензия обозначена как llama3. Случайная маршрутизация экспертов может ограничивать качество и согласованность ответов; в README не приведены результаты оценки.

MaLLaM 5B — языковая модель, разработанная Mesolitica и обученная с нуля на архитектуре Mistral. В модели около 4,9 млрд параметров; для обучения использовали 90 млрд токенов малайскоязычных текстов. Метаданные указывают контекстное окно в 32 768 токенов. Модель предназначена для генерации текста на малайском языке и сценариев, где требуется языковая модель, обученная на малайских текстовых данных. Карточка описывает предварительное обучение, но не приводит результатов оценки качества или подробностей о конкретных прикладных задачах. В репозитории указаны веса Safetensors. Лицензия в предоставленных данных не указана.

MERaLiON-Omni-GRPO-10B — мультимодальная модель семейства MERaLiON2, представленная как культурно адаптированный исследовательский вариант. Разработчики дообучили её с помощью LoRA и оптимизации GRPO с двумя целевыми сигналами: культурной насыщенностью и мультимодальной согласованностью. В репозитории указано 8,1 млрд параметров; веса доступны в формате Safetensors. Модель принимает изображения, видео и аудио и предназначена для мультимодального диалога и анализа материалов с культурным контекстом Юго-Восточной Азии. В карточке также заявлены распознавание речи и обработка изображений с текстом; обучение на аудио и изображениях региона и на общих видео делает видеопонимание для Юго-Восточной Азии исследовательским сценарием с нулевым дообучением. Это альфа-версия без последующего выравнивания безопасности и red teaming; ответы могут содержать галлюцинации и предвзятость, поэтому модель не готова к производственному применению. Лицензия обозначена как other; README запрещает коммерческое использование и ограничивает выпуск академическими исследованиями и оценкой.

Misal-1B-base-v0.1 — языковая модель, созданная smallstep.ai на архитектуре TinyLlama и предварительно обученная на текстах на маратхи. Обучение проводилось примерно на 2 млрд токенов, преимущественно из газетных материалов за 2016–2022 годы и корпуса CulturaX, с дополнительными данными из L3Cube, AI4Bharat и других интернет-источников. В метаданных указана архитектура Llama с плотной causal language modeling моделью на 1,1 млрд параметров и контекстом 2048 токенов. Модель предназначена для генерации продолжений текста на маратхи и служит базовой, предварительно обученной моделью для дальнейшей адаптации под языковые задачи. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия Apache-2.0. Карточка не приводит результатов оценки качества или подробных ограничений; как базовая модель, она может требовать дообучения и настройки для конкретного сценария.

Multi-dialect-Arabic-BERT — модель семейства BERT от Mawdoo3-AI, дообученная на арабских текстах для работы с различными диалектами. Веса инициализированы из Arabic-BERT, затем модель обучали на 10 млн арабских твитов из неразмеченной части данных задачи Nuanced Arabic Dialect Identification (NADI). Модель с 137,8 млн параметров принимает текст и предсказывает токены вместо замаскированных фрагментов; её можно использовать, например, для подстановки пропущенных слов в арабских текстах. Максимальная длина контекста — 512 токенов. Доступны версии весов PyTorch и Flax для библиотеки Transformers. Модель ориентирована на арабский язык, включая диалектные тексты. Карточка не приводит сравнительных оценок качества или условий лицензии, поэтому пригодность для конкретного диалекта и сценария следует проверять отдельно.

JonaPoka/Qwen3.5-4B-Finnish — экспериментальная дообученная версия Qwen3.5-4B, созданная автором репозитория для ответов на финском языке. Это плотная модель на 4 млрд параметров с архитектурой Qwen3.5ForConditionalGeneration; финская настройка выполнена методом LoRA, а веса адаптера объединены с базовой моделью в полный чекпойнт. Модель работает только с текстом, поддерживает диалог и следование инструкциям; для генерации рекомендуется отключить режим thinking в шаблоне чата. Модель предназначена для короткого перевода с английского на финский, повседневных писем и сообщений, перефразирования и кратких объяснений в стиле энциклопедии. В карточке заявлены финский и английский языки; основное назначение — ответы на финском без переключения на английский. Чекпойнт распространяется по лицензии Apache-2.0. Качество финской грамматики и объяснений ограничено: модель может путать падежи, включая правила партитива, и добавлять вымышленные исторические сведения. Объяснения естественных наук могут быть неуклюжими. Автор характеризует модель как экспериментальную и не рекомендует полагаться на неё в юридических, медицинских или официальных вопросах.

shibing624-chinese-text-correction-7b-GGUF — это набор GGUF-квантизованных версий модели shibing624/chinese-text-correction-7b, подготовленный Featherless AI Quants. Модель предназначена для генерации текста и, судя по названию и базовой модели, ориентирована на исправление ошибок в текстах на китайском языке. Модель имеет размер 7B параметров и распространяется в формате GGUF, подходящем для локального запуска совместимыми инструментами. Доступны варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0; их размеры составляют примерно от 2,9 до 7,7 ГБ. Разные варианты позволяют выбирать компромисс между требованиями к памяти, скоростью и сохранением качества. Основное преимущество набора — возможность запускать специализированную модель коррекции китайского текста в локальной инфраструктуре с выбором степени квантизации. Сведения об архитектуре, размере контекста, поддерживаемых дополнительных языках и результатах оценки в README отсутствуют. Лицензия модели также не указана, поэтому условия коммерческого и иного использования необходимо уточнять отдельно.

stanfordnlp/stanza-lzh — модель из набора Stanza, разработанного Stanford NLP Group для лингвистического анализа классического китайского языка (lzh). Она выполняет классификацию токенов и предназначена для языкового анализа текста на классическом китайском языке. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

stanfordnlp/stanza-mt — модель Stanza для мальтийского языка, разработанная Stanford NLP. Она предназначена для лингвистического анализа текста; метаданные Hugging Face классифицируют её как модель разметки токенов. Stanza в целом предоставляет инструменты для анализа текста от исходных слов до синтаксического разбора и распознавания сущностей, однако карточка этого чекпойнта не уточняет, какие именно такие функции входят в него. Модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не сообщает размер модели, длину контекста или конкретные метрики качества.

Whisper Medium ATC full — модель распознавания речи, созданная Вероникой Неваřиловой и Игором Шоке на факультете информационных технологий Брненского технического университета и опубликованная BUT FIT. Это дообученная версия openai/whisper-medium с архитектурой Whisper и 455,8 млн параметров. Модель предназначена для дословной транскрипции чешских и английских радиопереговоров воздушного движения, в частности записей аэропорта LKKU. Обучающий набор включал около пяти часов записей, преимущественно на чешском языке; слова, позывные и числа сохраняются в транскрипции полностью. На тестовых записях LKKU и других аэропортов Чехии авторы сообщают WER 14,7% и 19,6% соответственно. Модель принимает аудио и выдаёт текст. В метаданных указаны форматы PyTorch, TensorFlow и Flax, включая safetensors. Лицензия — Apache 2.0. Качество проверялось на ограниченном наборе радиопереговоров в Чехии, поэтому результаты могут отличаться на записях других регионов, языков и условий связи.

Мультиязычная модель распознавания речи на базе Whisper Small, дообученная jjnhuang. Она принимает аудио и предназначена для автоматической транскрипции речи; название указывает на связь обучения с ирландским и валлийским языками, учебной программой и синтетическими данными, но README не раскрывает детали набора данных и сценариев применения. Модель содержит 153,1 млн параметров, построена на архитектуре Whisper и распространяется в формате safetensors для Transformers. Модель лицензирована по Apache-2.0. В README приведены результаты оценки: WER 100,2168, BLEU 6,8330, chrF++ 27,4191 и COMET 0,5177; набор оценки не описан, поэтому эти значения трудно интерпретировать. Особенно высокий WER указывает на возможные серьёзные проблемы с точностью распознавания.

Bokap Betawi — языковая модель, разработанная Risang Panggalih на основе Qwen 2.5 7B. Модель дообучена на 1 000 синтетических пар «инструкция — ответ» на языке бетави, сгенерированных GPT-4o, и предназначена для повышения качества выполнения задач на бетави. В репозитории представлены веса fp16. Модель можно применять для генерации текста и ответов на инструкции на бетави. Это альфа-версия с 7,1 млрд параметров, архитектурой Qwen2 и контекстом до 131 072 токенов. Карточка не сообщает лицензию; размер синтетического обучающего набора ограничивает основания ожидать широкого охвата языка и задач.

Mikhail Rudenko разработал эту модель как компактный черновой декодер для ускорения генерации при speculative decoding. Она дообучена на синтетических примерах перевода с чешского на английский и предназначена для работы вместе с целевой моделью TurboSparse-Mistral-Instruct 7B. Во время обучения использовались распределения токенов целевой модели, а также функция потерь, сочетающая CrossEntropy и KL-дивергенцию. Модель имеет архитектуру MistralForCausalLM и содержит 131,3 млн параметров по метаданным. Контекст — 2048 токенов. Она принимает текст и генерирует текст; её специализированный сценарий — предлагать черновые токены для ускорения перевода с чешского на английский в связке с целевой моделью. Лицензия — Apache-2.0.

Maxdorger29 разработал дообученную версию F5-TTS для синтеза венгерской речи. Модель семейства F5TTS_v1_Base использует архитектуру DiT и flow matching; она обучена примерно на 145 тысячах венгерских речевых примеров общей длительностью около 270 часов. Веса представлены в формате safetensors и FP16 EMA. Модель преобразует венгерский текст в речь и поддерживает клонирование голоса без отдельного дообучения: для образца голоса требуется 5–15 секунд эталонного аудио. Её можно запускать локально на потребительском GPU с 8 ГБ видеопамяти или больше. Для клонирования голоса нужны эталонная аудиозапись и её текстовая расшифровка; генерируемый текст должен быть на венгерском языке. В начале аудио иногда появляется искажённый фрагмент длительностью около 200–400 мс; README описывает способы его обрезки или уменьшения. Очень короткий текст может приводить к неестественной длительности речи, а потоковая генерация пока не поддерживается. Веса распространяются по лицензии CC-BY-NC-4.0, которая ограничивает коммерческое использование.

hyokwan/familidata — авторская модель на базе Llama, продолжительно предобученная на SOLAR-10.7B-Instruct-v1.0. Это плотная авторегрессионная языковая модель примерно на 10,6 млрд параметров с интерфейсом чата и контекстом до 4096 токенов; репозиторий содержит веса в формате safetensors и рассчитан на работу через Transformers. Карточка связывает модель с корейским языком и отмечает финансовую тематику, однако конкретные сценарии применения не описаны. Модель подходит для генерации текста и диалоговых ответов, в том числе для изучения её поведения на финансовых или корейскоязычных запросах. Лицензия в метаданных — Apache-2.0. Качество и безопасность ответов требуют проверки для конкретного применения: возможны неточности и предвзятые или нежелательные ответы; отдельные инструкции по использованию в карточке не приведены.

dathi103/gbert-job — дообученная на неизвестном датасете немецкоязычная модель BERT для заполнения пропусков в тексте. Она основана на deepset/gbert-base, имеет 137,1 млн параметров и принимает последовательности длиной до 512 токенов. Подходит для предсказания замаскированных слов в немецком тексте. В README приведено значение loss 1,6029 на оценочном наборе, но описание данных и условий оценки отсутствует, поэтому результат сложно интерпретировать. Модель распространяется по лицензии MIT.

RAS-LAB выпустила экспериментальный чекпойнт GLM-4.7-Flash-28B-A3B-KREAP на основе zai-org/GLM-4.7-Flash. Это диалоговая MoE-модель для генерации текста; её архитектура — Glm4MoeLiteForCausalLM. В 46 слоях с маршрутизацией число экспертов сокращено с 64 до 56 на слой, при этом маршрутизация top-4 сохранена. Веса хранятся в BF16/F32 формате safetensors; квантизации и дообучения не проводилось. Чекпойнт содержит 27,75 млрд параметров, а контекст составляет 202 752 токена. Модель предназначена для диалога и генерации текста, с приоритетом корейского языка. В описанной оценке результаты на корейских тестах снизились относительно базовой модели; отдельные показатели программирования различались, включая улучшение на LiveCodeBench v6. Чекпойнт не прошёл внутренние критерии выпуска, а внешнее воспроизведение результатов ещё не представлено. Загрузка через Transformers 5.0.0 с trust_remote_code=False проверена; спекулятивное декодирование MTP/NextN не поддерживается. Постпрунингового восстановления или дообучения не было, поэтому качество на задачах вне калибровочных и оценочных наборов может измениться. Корейская оценка в основном основана на тестах с выбором ответа; качество длинных ответов, суммаризации, многоходового диалога, фактической точности, безопасности и длинноконтекстного поиска всесторонне не оценивалось. Лицензия — MIT.

ethanyt/guwenbert-base — модель RoBERTa, разработанная Tan Yan и Zewen Chi из Datahammer при Пекинском технологическом институте и предварительно обученная на классическом китайском языке. Её можно дообучать для задач обработки древних текстов, включая разделение предложений, расстановку пунктуации и распознавание именованных сущностей. Модель содержит 131,1 млн параметров и принимает последовательности длиной до 514 токенов. Для обучения использован корпус daizhige: 15 694 книги классического китайского языка, около 1,7 млрд знаков; традиционные иероглифы приведены к упрощённым, словарь включает 23 292 токена. В оценке распознавания сущностей в древних книгах модель заняла второе место на конкурсе «Gulian Cup». Для заполнения масок используется задача fill-mask; для других сценариев из README требуется дообучение. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0.

jinen-v2-small — японская модель преобразования каны в кандзи, разработанная Hitoshi Togasaki и представленная в формате GGUF. Модель предназначена для японского ввода, в частности для преобразования чтения в текст с кандзи, с учётом левого контекста. Поддерживаемый язык — японский; заявленная задача относится к генерации текста, но модель рассчитана на специализированный сценарий конвертации кана–кандзи. Размер исходной модели составляет около 109,5 млн параметров. Доступны варианты GGUF с точностью F16, Q8_0, Q5_K_M и Q4_K_M; их размер — примерно от 72 до 220 МБ. В тесте AJIMEE-Bench точность Accuracy@1 составила до 80,5% без нормализации и до 86,5% после NFKC-нормализации. На CPU с четырьмя потоками задержка p50 находилась в диапазоне 38–61 мс в зависимости от варианта квантования. Контекст запуска в тесте составлял 1024 токена, а левый контекст — 64 символа. Для корректной работы вход необходимо предварительно нормализовать по NFKC; без этого точность существенно снижается. Модель использует специальный формат промпта с токенами начала входа, результата и левого контекста, а декодирование рекомендуется выполнять строго жадным методом с temperature 0 и top-k 1. Архитектура и точный объём контекстного окна самой модели отдельно не указаны. В обучающем корпусе частично использовались обработанные библиографические данные Национальной парламентской библиотеки Японии; библиотека не создавала, не предоставляла и не гарантирует модель. Лицензия — CC BY-SA 4.0.

KhanomTan LLM Instruct — тестовая языковая модель для тайского языка, разработанная Wannaphong Phatthiyaphaibun. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 3,3 млрд параметров; она предназначена для генерации текста и диалогового взаимодействия на тайском языке. Модель рассчитана на контекст до 2048 токенов и опубликована в формате Safetensors для библиотеки Transformers. Модель распространяется по лицензии Apache-2.0. В карточке она обозначена как тестовая, поэтому её пригодность и качество для прикладных сценариев следует проверять отдельно.

KoLLaVA-v1.5-Synatra-7b — мультимодальная модель семейства LLaVA, разработанная для диалога на корейском языке с пониманием изображений. Она объединяет языковую модель Synatra с визуальным энкодером CLIP ViT-L/14 с разрешением 336 пикселей и обучена на наборе визуальных инструкций KoLLaVA-v1.5-Instruct-581k. Модель содержит 7,1 млрд параметров, использует архитектуру LlavaLlamaForCausalLM и принимает текстовые запросы вместе с изображениями, выдавая текстовые ответы. Модель подходит для вопросов об изображениях и диалоговых сценариев, где нужно описать визуальное содержимое по-корейски. Метаданные указывают контекст длиной 32 768 токенов, библиотеку Transformers и формат PyTorch. Лицензия — CC BY-SA 4.0.

Это дообученная Yosefw модель семейства Llama для генерации текста на амхарском языке. В основе лежит meta-llama/Llama-3.2-1B; архитектура — плотная авторегрессионная LlamaForCausalLM, веса сохранены в формате safetensors. Метаданные указывают 206,7 млн параметров и контекстное окно 1024 токена. Модель предназначена для генерации текста на амхарском языке. README сообщает о дообучении на неизвестном наборе данных и приводит значение eval_loss 3,9086, но не описывает конкретные сценарии, качество на пользовательских задачах или ограничения. Лицензия указана как llama3.2; применяются условия лицензии семейства Llama 3.2.

nk2t/Llama-3-8B-Instruct-japanese-nk2t-v0.2 — текстовая чат-модель, созданная на базе Meta Llama 3 8B Instruct и дообученная автором nk2t с помощью QLoRA на небольшом наборе примерно из 1 тыс. примеров. Она настроена отвечать на вопросы на японском языке. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для диалоговых ответов и генерации текста по запросу на японском; README также приводит оценку ELYZA-tasks-100 — 3,12 для квантованной версии Q5_K_M, оценённую gpt-4o. Это результат одного указанного бенчмарка, а не гарантия качества для других задач. Модель принимает текст и генерирует текст. Репозиторий содержит веса Safetensors. Лицензия указана как llama3 — условия использования регулируются лицензией Meta Llama 3 и связанными правилами допустимого использования. Карточка отмечает, что базовая Llama 3 рассчитана прежде всего на английский; японская настройка выполнена на малом наборе данных, поэтому качество и безопасность ответов на японском могут быть нестабильными. README не содержит инструкций по использованию, а описанный результат бенчмарка относится к квантованной версии.

facebook/mms-tts-xte — модель синтеза речи на кетенгбанском языке (код xte), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст в речевую аудиоволну и предназначена для озвучивания фраз на этом языке. Для разных языков проекта обучены отдельные чекпойнты. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, flow-модуль и декодер, формирующий аудиосигнал. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; для работы с ним подходит Transformers версии 4.33 и выше. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение. Предсказатель длительности работает стохастически, поэтому одинаковый текст может получать разный ритм и звучание; для повторяемого результата нужен фиксированный seed. Модель предназначена только для кетенгбанского и не заявлена как универсальная многоязычная система.

RoBERTa для классического китайского языка, разработанная Koichi Yasuoka на основе GuwenBERT-base. Модель с архитектурой RobertaForMaskedLM содержит 133,5 млн параметров и принимает последовательности длиной до 514 токенов. Представления символов расширены для традиционных и упрощённых вариантов китайских знаков. Основная задача модели — предсказание скрытых токенов в классическом китайском тексте. Её можно дообучать для сегментации предложений, разметки частей речи и синтаксического анализа древних текстов. Модель работает с текстом на классическом китайском языке и распространяется в формате PyTorch по лицензии Apache-2.0.

ShweYon-V3-Base-i1-GGUF — квантизированная версия базовой языковой модели ShweYon-V3-Base, разработанной URajinda и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для генерации текста, прежде всего на бирманском языке, и может использоваться локально в совместимых инструментах для запуска моделей GGUF. В комплект входят варианты с разными типами квантизации и размером примерно от 0,5 до 1,4 ГБ, а также файл imatrix для самостоятельного создания квантов. Модель относится к текстовым base-моделям и использует пользовательский токенизатор. Сведения об архитектуре, числе параметров, размере контекста, дополнительных модальностях и поддержке других языков в README не указаны. Доступны варианты квантизации от очень компактных IQ1 и IQ2 до более качественных Q5 и Q6; это позволяет выбирать между требованиями к памяти, скоростью и качеством, однако низкобитные варианты могут заметно уступать по качеству. Поскольку модель является базовой, а не instruction-tuned, её поведение в формате диалога и при выполнении команд отдельно не заявлено. Распространение указано по лицензии Apache-2.0. Для использования требуются совместимое ПО и, в зависимости от выбранного варианта, достаточный объём оперативной или видеопамяти.

stanfordnlp/stanza-ga — модель Stanza для ирландского языка (ga), разработанная проектом Stanza при Stanford NLP. Она предназначена для лингвистического анализа текста и относится к задаче классификации токенов; Stanza также описывается как набор инструментов для синтаксического анализа и распознавания сущностей. Модель распространяется в формате PyTorch и предназначена для использования с библиотекой Stanza. Лицензия — Apache-2.0. Карточка не раскрывает отдельные характеристики архитектуры, размер модели, контекстное окно или конкретные метрики качества.