I.6Перевод и языковая адаптация

mintesnotfikir/whisper-medium-amharic — дообученная модель семейства Whisper от автора репозитория mintesnotfikir, созданная на базе openai/whisper-medium. Она предназначена для автоматической расшифровки аудиозаписей в текст на амхарском языке. Модель построена на архитектуре WhisperForConditionalGeneration и содержит 455,8 млн параметров; для работы используется библиотека Transformers и формат safetensors. Модель подходит для преобразования амхарской речи в текст, например, при подготовке расшифровок аудиозаписей. В README не приведены сведения о датасете, обучении или оценке качества. Лицензия — Apache-2.0.

Это дообученная модель распознавания речи на базе OpenAI Whisper Medium, опубликованная пользователем dianavdavidson. Она предназначена для преобразования аудио в текст; название репозитория указывает на настройку для хинди и набора данных Vaani, однако README называет обучающий набор «None», поэтому эту специализацию нельзя подтвердить однозначно. Модель использует архитектуру WhisperForConditionalGeneration и формат safetensors. В README приведены результаты оценки: loss 0,4726 и Global WER 26,8624. Базовая модель содержит 455,8 млн параметров и поддерживает распознавание речи и перевод речи; лицензия этой модели — Apache-2.0.

Noobbbbb/whisper-small-bn-v2 — модель распознавания речи на бенгальском языке, созданная дообучением Noobbbbb/whisper-small-bn на наборе Noobbbbb/bengali-ai-asr-80k. Она использует архитектуру Whisper Small с 12 слоями энкодера и 12 слоями декодера и предназначена для преобразования бенгальской речи в текст. В карточке описана обработка аудио с выдачей транскрипции, в том числе временных фрагментов для длинных записей. Для обучения использовались подмножества обучающей и валидационной выборок, а также упомянут датасет Google FLEURS. Приведённые в карточке метрики получены на разных наборах и напрямую несопоставимы. Остаются ошибки замены слов и диакритики; качество на шумных записях и телефонной речи отдельно не проверялось. Модель распространяется по лицензии Apache-2.0.

Модель khawajaaliarshad/whisper-small-urdu разработана Khawaja Ali и представляет собой дообученную версию openai/whisper-small на архитектуре Whisper Encoder-Decoder Transformer. Она предназначена для автоматического распознавания урду и преобразования речи в текст; обучающие данные взяты из расширенного набора Mozilla Common Voice Scripted Speech 24.0 на урду. По карточке модели, WER на тестовой части Common Voice составляет около 33%, а на валидационной — 32,80%. Модель содержит 153,1 млн параметров и распространяется в формате safetensors через Transformers. Её можно применять для транскрибации записей на урду, создания голосовых помощников, подготовки субтитров и функций доступности для носителей языка. Для работы требуется монофоническое аудио с частотой дискретизации 16 кГц. Модель лучше работает на чистой записанной речи; точность может снижаться на спонтанной разговорной речи, при незнакомых акцентах и фоновом шуме. Лицензия модели — Apache 2.0.

Whisper-small-vaani-hindi — дообученная модель распознавания речи, созданная на основе Whisper Small компании OpenAI. По данным карточки, её обучали примерно на 718 часах размеченной речи на хинди из нескольких наборов данных, включая Vaani, Gramvaani, IndicVoices, Fleurs, IndicTTS и Common Voice. Модель содержит 153,1 млн параметров и принимает аудио, выдавая его текстовую расшифровку. Модель предназначена для транскрибирования речи на хинди. В README приведены результаты оценки по WER: 32,49 на Gramvaani, 19,08 на Fleurs и 11,33 на IndicTTS. Показатели зависят от набора данных и указывают на различия в качестве распознавания между тестовыми корпусами. Репозиторий распространяется по лицензии Apache-2.0.

lgris/whisper-tiny-cv11-pt — модель распознавания речи на базе архитектуры Whisper Tiny, дообученная на португалоязычной части Common Voice 11.0. Она преобразует входящее аудио в текст и подходит для транскрибации португальской речи. Веса представлены в формате PyTorch, размер модели — 29,4 млн параметров. На оценочном наборе указаны loss 0,5205 и WER 33,2447. Модель выпущена под лицензией Apache-2.0. Подробности о рекомендуемых условиях применения и известных ограничениях в карточке не приведены.

Plim/xls-r-1b-cv_8-fr — акустическая модель распознавания французской речи, дообученная на датасете Mozilla Foundation Common Voice 8.0, конфигурация fr. Она основана на facebook/wav2vec2-xls-r-1b и использует архитектуру wav2vec2 с CTC-декодированием; число параметров — около 1,3 млрд. Модель принимает аудио и выдаёт текстовую транскрипцию. Модель предназначена для автоматической транскрипции французской речи, в том числе записей, похожих на данные Common Voice. В README приведены результаты оценки: на тестовой выборке Common Voice WER составляет 18,33 без языковой модели и 15,40 с ней; на dev-выборке speech-recognition-community-v2 — 31,33 и 25,05 соответственно. Лицензия — Apache-2.0. Показатели зависят от набора данных и декодирования, а результатов для тестовой выборки audio в карточке нет.

Sunbird/asr-whisper-large-v2-salt — модель распознавания речи, разработанная на основе Whisper large-v2 и адаптированная для языков Уганды. Она дообучена на наборе SALT, Common Voice для луганда и FLEURS; при обучении добавляли шум и понижали частоту аудио до 8 кГц, чтобы приблизить данные к телефонным записям. Модель принимает аудио и выдаёт транскрипцию, пытаясь автоматически определить язык; для повышения точности распознавания язык можно указать явно. Модель предназначена для транскрибации речи на луганда, ачоли, лугбара, атесо, руньянколе и английском с угандийским акцентом. В карточке приведены метрики CER и WER для английского, лугандийского и ачоли; результаты для остальных языков в предоставленном фрагменте не раскрыты. Автоопределение языка может ошибаться, а базовый Whisper не поддерживает перечисленные языки. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

sifat-febo/banglish-embed — модель векторных представлений предложений, разработанная автором карточки для поиска семантически соответствующих фраз на бенгальском языке и бенглиш, то есть бенгальской речи, записанной латиницей. Она преобразует короткие тексты в эмбеддинги, чтобы находить эквивалентные фразы между двумя письменностями; модель основана на BERT и дообучена на базе sifat-febo/banglish-encoder. Для запуска используется библиотека sentence-transformers; модель работает локально на CPU и не требует подключения к интернету. Модель рассчитана на короткие фразы и предложения примерно до 60 слов. В README приведены результаты поиска первого соответствия на наборе из 2 000 пар: 99,5% для направления с бенгальского на бенглиш и 99,2% в обратном направлении; эти показатели относятся к описанному тесту. Контекст модели — 96 токенов. Лицензия Apache-2.0.

Boterham 0.5B — компактная преимущественно нидерландоязычная языковая модель от ToetsChecker Research. Это decoder-only Transformer с 488,2 млн параметров; экспорт использует реализацию Qwen3ForCausalLM, но веса и токенизатор обучены с нуля, поэтому модель не является производной от Qwen. Контекстное окно — 2 048 токенов. Модель принимает текст и предназначена прежде всего для работы с предоставленными фрагментами и документами: извлечения ответов, суммаризации и воздержания от ответа, если нужной информации в тексте нет. Также обучалась арифметике, классификации, переводу между нидерландским и английским языками и коротким диалогам. Модель подходит для экспериментов с NLP на нидерландском языке, документных помощников и сценариев RAG. Лицензия — Apache-2.0. Это небольшая экспериментальная модель с ограниченными общими знаниями; она может ошибаться или выдумывать сведения. Контекст короткий, а открытый диалог и творческая генерация получили меньше внимания при обучении. Фактические утверждения следует проверять по источникам; опубликованных результатов EuroEval пока нет.

Chinese-Alpaca-2-7B — китайская инструкция-ориентированная языковая модель проекта Chinese LLaMA & Alpaca, основанная на Llama 2 от Meta и разработанная командой проекта. Это плотная авторегрессионная модель семейства Llama с 6,7 млрд параметров, предназначенная для генерации текста и диалоговых ответов по инструкциям. Модель использует расширенный китайский словарь и прошла дополнительное обучение на крупномасштабных китайских данных и инструкционную настройку. Модель рассчитана прежде всего на китайский и также поддерживает английский язык. Контекст составляет 4096 токенов; в проекте описано его расширение до более чем 18 тысяч токенов методом NTK. Полная версия подходит для инференса и обучения всех параметров; заявлена совместимость с Transformers и другими инструментами экосистемы Llama. Лицензия — Apache-2.0. Карточка не приводит количественных оценок качества, поэтому пригодность для конкретных сценариев следует проверять на собственных данных.

Chocolatine-32B-Instruct-DPO-v1.2 — языковая модель на архитектуре Qwen2, разработанная Jonathan Pacifico и дообученная методом DPO на наборе jpacifico/french-orca-dpo-pairs-revised. Она предназначена для диалогов и генерации текста на французском и английском языках; обучение на французских данных, по заявлению автора, также улучшило ответы на английском. Модель содержит 32 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов по метаданным; README заявляет поддержку до 128 000 токенов и генерацию до 8 000 токенов. Модель подходит для ассистентов, ответов на вопросы и создания текстов на французском и английском. Автор отмечает отсутствие механизмов модерации. Лицензия — Apache 2.0.

Deepthink-1.5B-Open-PRM Fine-tuned GGUF — это языковая модель на основе prithivMLmods/Deepthink-1.5B-Open-PRM, дообученная на диалогах для обучения на вьетнамском языке. Модель рассчитана на чат с объяснением решений задач по математике, программированию, литературе, переводу и логическому рассуждению. Согласно карточке, LoRA-адаптер объединён с базовой моделью, а веса преобразованы из F16 в GGUF F16 для локального запуска через LM Studio, Ollama или llama.cpp. Поддерживаются вьетнамский и английский языки. Модель распространяется по лицензии Apache-2.0. Размер параметров и длина контекста в предоставленных данных не приведены.

IbrahimAmin/egyptian-arabic-wav2vec2-xlsr-53 — модель распознавания речи на базе wav2vec2-large-xlsr-53, дообученная Ibrahim Amin на арабских речевых данных. Она предназначена для преобразования аудио в текст, в первую очередь для египетского разговорного арабского, а также для современного литературного арабского и диалектов Персидского залива и Леванта. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров; модель работает с аудио и выдаёт текст. В обучении использованы записи YouTube, MASC, Common Voice 15, MGB-3 и Arabic Speech Corpus; в карточке также приведено сравнение на тестовой выборке Common Voice 17 для арабского языка. Модель можно применять для транскрибации разговоров и вещательной речи. Распространяется по лицензии Apache-2.0. README не сообщает длину входных записей или ограничения по условиям записи; качество распознавания может различаться между диалектами и акустическими условиями.

EraX-WoW-Turbo V1.1 — модель распознавания речи команды EraX, дообученная на основе openai/whisper-large-v3-turbo. Это мультиязычная архитектура Whisper с 905,2 млн параметров, предназначенная для преобразования аудио в текст. По данным карточки, обучение включало около 600 тысяч примеров и 1000 часов аудио на 11 языках: вьетнамском, английском, китайском, кантонском, индонезийском, корейском, японском, русском, немецком, французском и нидерландском. Модель рассчитана на транскрибацию в реальном времени, создание субтитров, расшифровку встреч и голосовые интерфейсы. В README заявлены скорость обработки 30 секунд аудио примерно за 350 мс и предварительный WER около 12%, однако авторы отмечают, что результаты бенчмарков ещё уточняются. Модель поддерживает входное аудио и выдаёт текст; карточка отдельно указывает возможные трудности с детской речью и тихим шёпотом. Лицензия — MIT.

ERNIE-4.5-21B-A3B-MLX-4bit — это 4-битная версия модели ERNIE-4.5-21B-A3B-PT, разработанной Baidu и преобразованной в формат MLX командой LM Studio с использованием mlx_lm. Модель предназначена для генерации текста и может применяться в сценариях локального запуска и других задачах text generation, поддерживаемых исходной моделью. Модель основана на архитектуре ERNIE-4.5-21B-A3B; точные сведения об архитектурных особенностях, размере активной части, модальностях и длине контекста в README не приведены. Указана поддержка английского и китайского языков. Ключевая особенность этой версии — 4-битная квантизация, оптимизированная для работы на устройствах с Apple Silicon, что может снизить требования к памяти по сравнению с полноформатной моделью, но потенциально влияет на точность. Модель распространяется по лицензии Apache-2.0. README не содержит подробных результатов тестирования, описания ограничений исходной модели или гарантий качества; при использовании следует учитывать возможное появление неточного, вредного или нежелательного контента.

EVE-27b-XENO-HAT-DeepSeek-V4-Flash — экспериментальная разговорная модель для генерации текста, созданная слиянием DeepSeek V4 Flash и Qwen3.6-27B. По README, при слиянии архитектуру согласовали с Qwen 3.5; метаданные указывают плотную архитектуру семейства Qwen3.5 и формат safetensors. Модель принимает текст и выдаёт текст, поддерживает интерфейс вызова инструментов. В карточке заявлены китайский, русский и английский языки; базовая Qwen описана как мультимодальная, однако для этой модели обработка изображений не подтверждена. Модель можно применять для диалогов и генерации текста на русском, английском и китайском, а также для сценариев с вызовом инструментов. Автор описывает её как эксперимент, но отмечает, что она пригодна к использованию. Размер в 27 млрд параметров относится к базовой Qwen3.6-27B; отдельный размер итоговой модели не приведён. Длина контекста 262k указана в тегах карточки. Лицензия — Apache-2.0.

EXAONE-3.5-2.4B-Instruct-GGUF — это GGUF-квантизированная версия языковой модели EXAONE-3.5-2.4B-Instruct, разработанной LGAI (LG AI Research). Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, а также для локального запуска через llama.cpp и совместимые приложения, включая LM Studio. Модель имеет 2,4 млрд параметров и поддерживает английский и корейский языки. Доступны варианты от F32 и F16 до различных форматов квантизации Q8, Q6, Q5, Q4, Q3 и Q2, что позволяет выбирать между качеством ответов, потреблением памяти и скоростью инференса. Рекомендуемые варианты обеспечивают высокое качество, а менее точные квантизации подходят для систем с ограниченным объёмом оперативной памяти. Формат prompt использует специальные маркеры system, user и assistant. Ключевое преимущество этой версии — возможность локального запуска на относительно доступном оборудовании с выбором подходящего уровня квантизации. Ограничения включают потенциальное снижение качества при использовании низкобитных вариантов, а также отсутствие в предоставленных данных сведений о максимальном контексте, точной архитектуре и мультимодальных возможностях; модель следует рассматривать как текстовую. Репозиторий указывает лицензию EXAONE, обозначенную как other, с отдельным файлом LICENSE; конкретные условия необходимо проверять в нём.

granite-4.2-3b-MLX-4bit — это 4-битная квантованная версия языковой модели granite-4.2-3b, разработанной командой IBM Granite (ibm-granite). Квантование выполнено командой LM Studio с использованием mlx_lm, а модель оптимизирована для работы на устройствах Apple Silicon через MLX. Модель предназначена для генерации текста и поддерживает сценарии рассуждений, диалога и вызова инструментов, заявленные в её тегах и исходной карточке. Модель относится к классу text-generation и имеет размер 3 млрд параметров в исходной версии. Она работает с текстом и заявлена для английского, немецкого, испанского, французского, японского, португальского, арабского, чешского, итальянского, корейского, нидерландского и китайского языков. Сильными сторонами версии являются уменьшенное потребление памяти благодаря 4-битному представлению и оптимизация для локального запуска на Apple Silicon. Данные о размере контекста, точных архитектурных особенностях, результатах тестирования и ограничениях качества в README не приведены. Модель распространяется по лицензии Apache-2.0. README не указывает дополнительных ограничений использования, однако предупреждает, что модель может генерировать неточный, вредный или неподходящий контент; результаты требуют проверки человеком.

granite-4.2-3b-MLX-8bit — это 8-битная квантованная версия модели granite-4.2-3b, разработанной командой ibm-granite. Квантование выполнено командой LM Studio с использованием mlx_lm и оптимизировано для работы на устройствах Apple Silicon. Модель предназначена для генерации текста и поддерживает сценарии, связанные с рассуждениями, пошаговым мышлением и вызовом инструментов. В карточке указаны следующие языки: английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский. Размер исходной модели составляет 3 миллиарда параметров; сведения об архитектуре и размере контекстного окна не указаны. Ключевые преимущества модели — сниженное потребление памяти благодаря 8-битному представлению и оптимизация для экосистемы Apple Silicon, что делает её подходящей для локального запуска на совместимых устройствах. Ограничения включают возможное снижение точности по сравнению с полной версией из-за квантования, а также отсутствие в предоставленных данных подробных результатов оценки, характеристик производительности и спецификаций контекстного окна. Модель распространяется по лицензии Apache-2.0.

HuggingFaceTB_SmolLM3-3B-GGUF — это набор GGUF-квантизированных версий языковой модели SmolLM3-3B, разработанной HuggingFaceTB и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и локального запуска в LM Studio, llama.cpp и других совместимых проектах на базе llama.cpp. Указана поддержка английского, французского, испанского, итальянского, португальского, китайского, арабского и русского языков. Размер исходной модели составляет около 3 миллиардов параметров; доступны варианты от BF16 до низкобитных Q2–Q8 и IQ-квантизаций объёмом примерно от 1,37 до 6,16 ГБ. Основное преимущество набора — возможность выбрать баланс между качеством, потреблением памяти и скоростью локального вывода: варианты Q5 и Q6 заявлены как высококачественные, а Q4_K_M — как подходящий размер по умолчанию для большинства сценариев. Более компактные варианты удобны для систем с ограниченной оперативной памятью, но обеспечивают более низкое качество. В README не указаны архитектурные детали, длина контекста, мультимодальные возможности и результаты независимого тестирования. Также отмечено, что формат чата ранее требовал исправления, поэтому совместимость шаблона приглашений следует проверять для конкретного клиента. Модель распространяется по лицензии Apache 2.0.

Hy4-preview-GGUF — это квантизированные GGUF-версии модели Tencent Hy4-preview, подготовленные qtum с использованием llama.cpp. Модель предназначена для генерации текста и поддерживает английский и китайский языки. Распространяется в формате GGUF, совместимом с llama.cpp, и требует сборку с поддержкой hy_v4. Модель имеет 780 млрд параметров, 78 слоёв и словарь из 120 832 токенов. В архитектуре используются attention MLA в стиле DeepSeek, гиперсвязи iHC, разреженное внимание DSA и MoE с 256 маршрутизируемыми экспертами, top-8 маршрутизацией и одним общим экспертом. Доступны варианты IQ4_XS размером 388,3 ГиБ, Q2_K размером 269,6 ГиБ и IQ2_XS размером 218,9 ГиБ; каждый состоит из 39 фрагментов и откалиброван с помощью importance matrix. IQ4_XS обеспечивает наилучшее качество среди представленных вариантов и сохраняет тот же наиболее вероятный токен, что и исходная BF16-модель, примерно в 90,5% позиций. Q2_K предлагает компромисс между качеством и размером и обозначен как лучший вариант для инференса только на CPU, тогда как IQ2_XS предназначен для систем с жёсткими ограничениями по памяти. Ограничения включают очень большой объём файлов, необходимость загрузить все 39 фрагментов и зависимость от актуальной версии llama.cpp; более ранние сборки модель не загружают. Лицензия — Apache-2.0.

inception42/jais-family-1p3b — двуязычная языковая модель семейства Jais, опубликованного Inception Institute of Artificial Intelligence. Семейство включает модели, обученные с нуля, и варианты, адаптированные на основе Llama 2; README не уточняет, к какой группе относится этот чекпойнт и каков его точный размер. Модель предназначена для генерации текста на арабском и английском языках. Её можно использовать как основу для чат-ассистентов, суммаризации двуязычных документов, анализа тональности и исследований арабского NLP. В репозитории указаны архитектура causal decoder и веса Safetensors; для загрузки требуется пользовательский класс модели и параметр trust_remote_code=True. Модель может ошибаться, воспроизводить смещения и выдавать оскорбительный или вводящий в заблуждение текст. Она оптимизирована для арабского и английского, поэтому её качество на других языках не гарантируется; для важных решений требуется проверка человеком. Лицензия — Apache 2.0.

Это модель автоматического распознавания японской речи reazon-research/japanese-zipformer-base-k2-rs35kh, разработанная Reazon Research. Она основана на архитектуре Zipformer и дообучена с помощью k2 на крупномасштабном японском корпусе ReazonSpeech v2.0. Модель содержит около 96,5 млн параметров и доступна в формате Safetensors для использования через Transformers. Модель предназначена для преобразования японской речи в текст, включая распознавание записей из наборов JSUT-BASIC5000, Common Voice и TEDxJP-10K. В опубликованных результатах CER составил 9,71% на JSUT-BASIC5000, 11,00% на Common Voice и 13,07% на TEDxJP-10K. Для длинной речи в тесте JSUT-BOOK результат не приведён, поэтому пригодность для длинных записей по этим данным оценить нельзя. Лицензия — Apache-2.0.

Ko-Llama3-Luxia-8B — языковая модель от команды AI Labs компании Saltlux, дообученная на корейских данных на основе Meta Llama 3 8B. Для предварительного обучения отобрали около 100 ГБ корейских данных из собственного набора объёмом более 1 ТБ; токенизатор Llama 3 расширили 17 536 корейскими токенами. Модель предназначена для генерации текста на корейском языке и диалоговых сценариев. Это плотная авторегрессионная модель семейства Llama с 7,6 млрд параметров и контекстом 8192 токена; репозиторий содержит веса Safetensors. В метаданных указана поддержка корейского и английского языков. Модель опубликована для исследований и свободного обучения и применения в различных задачах генерации естественного языка. Она распространяется по лицензии Llama 3; качество на конкретных задачах и ограничения безопасности следует проверять отдельно.

LaBSE-mari — модель на базе BERT, разработанная путём дообучения LaBSE на парах предложений на русском и марийском языках. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сопоставления смысла текстов, семантического поиска и кластеризации. Обучение с MultipleNegativesRankingLoss нацелено на сближение векторных представлений соответствующих пар. Модель подходит для поиска марийских соответствий русским запросам и для группировки текстов по смыслу. Архитектура BERT принимает текст, контекст составляет 512 токенов. Репозиторий распространяет веса в форматах PyTorch и Safetensors. Условия лицензии в предоставленных данных не указаны.

Карточка модели titanbot/LeoLM-hessianai-7b-chat на Hugging Face совпадает с карточкой LeoLM/leo-hessianai-7b-chat, поэтому описание составлено по ней. LeoLM/leo-hessianai-7b-chat — чат-модель команды LeoLM, созданная Björn Plüster и Christoph Schuhmann совместно с LAION и HessianAI. Она основана на LeoLM/leo-hessianai-7b — немецкоязычной версии Llama 2, дополнительно обученной на немецких текстах, — и дообучена на наборах немецких инструкций. Модель представляет собой плотный авторегрессионный трансформер-декодер семейства Llama с 6,6 млрд параметров и контекстом до 8 192 токенов; работает через Transformers и использует формат диалога ChatML. Модель предназначена для общения, написания и объяснения текстов, обсуждений, ролевых диалогов и ответов на вопросы на немецком и английском языках. В оценке MT-Bench-DE особенно хорошо показала себя в гуманитарных и STEM-задачах, а математика, программирование и сложные рассуждения оказались слабее. Разработчики предупреждают о возможных неточных, предвзятых или нежелательных ответах и рекомендуют проверять модель и адаптировать меры безопасности под конкретное применение. Лицензия — Llama 2 Community License Agreement.

LeoLM-Mistral — языковая модель, созданная Björn Plüster и Christoph Schuhmann в сотрудничестве с LAION и HessianAI. Она основана на Mistral-7B-v0.1 и продолжает предобучение на крупном корпусе немецкоязычных и преимущественно локальных текстов, чтобы расширить возможности модели в немецком языке. Это плотный авторегрессионный трансформер с 7,1 млрд параметров, предназначенный для генерации текста на немецком и английском языках. Метаданные указывают контекст до 32 768 токенов; README сообщает о 8 тысячах токенов для моделей этого выпуска. Модель подходит для генерации и продолжения текста, а также для исследовательских и коммерческих приложений на немецком языке. Репозиторий распространяется в формате PyTorch, библиотека — Transformers. Лицензия Apache 2.0. Качество и фактическая поддержка контекста могут зависеть от конфигурации и способа запуска; модель оптимизирована прежде всего для немецкого языка.

LFM2.5-8B-A1B-Base — базовая текстовая модель Liquid AI, предназначенная для дальнейшей настройки и запуска на устройствах. Это гибридная MoE-архитектура LFM2 с 8,3 млрд параметров всего и примерно 1,5 млрд активных параметров; метаданные каталога указывают 1,6 млрд параметров. Модель содержит 24 слоя и поддерживает контекст до 128 000 токенов. Модель обучена на английском, арабском, китайском, французском, немецком, японском, корейском, португальском и испанском языках. Она предназначена для генерации текста и может служить основой для тонкой настройки помощников, следующих инструкциям, работающих с вызовами инструментов и структурированными ответами. В карточке семейства отмечена высокая скорость инференса на CPU и GPU и поддержка локального развёртывания. Это именно предварительно обученная базовая версия, поэтому для диалога и агентных сценариев может потребоваться дополнительная настройка. Разработчик не рекомендует её для сложного программирования и ответов на вопросы, требующих обширных знаний, без использования поиска или извлечения данных. Лицензия указана как other; конкретные условия следует проверять в документации Liquid AI.

SEOKDONG разработала корейскую дообученную модель на архитектуре Llama 3.1 для диалогов и генерации текста. Модель содержит 7,5 млрд параметров, использует формат safetensors и поддерживает контекст до 8192 токенов. Она обучена на собственных данных объёмом 3,6 ГБ: 2,33 млн примеров вопросов и ответов, суммаризации и классификации, включая задания с вариантами ответа по 53 областям и открытые вопросы по 38 областям. В обучающие данные включены темы корейской истории, общества, финансов, права, налогов, математики и естественных наук. Модель предназначена для ответов на вопросы и объяснений в образовании, суммаризации документов, диалогов с пользователями, генерации текста, анализа корейского общества и культуры, а также перевода. Основной язык — корейский; метаданные также указывают английский. Лицензия — Apache-2.0. README отмечает, что точность может снижаться для других языков и культур, актуальных международных сведений и специализированных тем; сложные рассуждения ограничены, а данные могут приводить к предвзятым ответам.