I.6Перевод и языковая адаптация

dofbi/wolof-asr — дообученная модель Whisper, разработанная для автоматического распознавания речи на волоф. Она предназначена для транскрибирования аудиозаписей разговоров и может применяться в образовательных, академических и лингвистических проектах. В основе лежит openai/whisper-small с архитектурой encoder-decoder из 12 слоёв в каждой части; число параметров — 153,1 млн. Модель принимает аудио и выдаёт текст. В README заявлены средний WER 12% и WER 15% на шумных примерах по результатам оценки на конкретных тестовых данных на волоф. Модель поддерживает задачу audio-text-to-text и ориентирована прежде всего на волоф, распространённый в Сенегале, Гамбии и Мавритании. Доступна в формате safetensors. Лицензия — MIT. Результаты распознавания могут отличаться на аудио, не похожем на использованные при оценке данные; показатели WER из README не гарантируют такое же качество в других условиях.

Модель kapilkd13/xls-r-300m-hi-prod — дообученная для распознавания речи на хинди версия facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и предназначена для преобразования аудиозаписей на хинди в текст; обучение проводилось на наборе Mozilla Common Voice 7.0 для хинди. Число параметров — около 402,8 млн. На оценочной выборке указано значение WER 0,434. Модель подходит для транскрибации речи на хинди, однако это значение указывает на заметные ошибки распознавания. Репозиторий содержит веса PyTorch и опубликован по лицензии Apache-2.0.

Akashpb13/xlsr_kurmanji_kurdish — модель распознавания речи на курманджи, созданная дообучением facebook/wav2vec2-xls-r-300m. Архитектура Wav2Vec2ForCTC содержит около 402,7 млн параметров и принимает аудио, выдавая распознанный текст. Модель обучалась на курманджийской части Mozilla Common Voice 7.0; в карточке указана оценка WER 0,388585 на наборе, сформированном из обучающих и оценочных данных Common Voice 7.0. Метаданные также связывают модель с Common Voice 8.0 для оценки. Модель подходит для транскрибирования записей на курманджи и экспериментов с распознаванием этой речи. Для использования модель и код распространяются по лицензии Apache-2.0. Карточка не описывает специальные сценарии применения или дополнительные ограничения; приведённый WER указывает, что ошибки распознавания следует учитывать при практическом использовании.

Zora v1.13 — открытая языковая модель Sovasoft на базе Qwen3-8B, дообученная для 12 языков Балкан и Юго-Восточной Европы: сербского, хорватского, боснийского, македонского, словенского, албанского, черногорского, болгарского, греческого, турецкого, румынского и венгерского. Это плотная авторегрессионная модель с 7,6 млрд параметров и контекстом до 40 960 токенов; она работает с текстом, поддерживает диалог и интерфейс вызова инструментов. Модель предназначена для генерации ответов и рассуждений на поддерживаемых языках, анализа аргументов и предвзятости, а также использования в сценариях поиска с дополнением контекста (RAG). Разработчик сообщает об улучшении анализа и многошаговой логики в версии 1.13 и о стремлении модели признавать неопределённость. По собственным тестам Sovasoft, эти улучшения сопровождаются заметным снижением подробности ответов и небольшим снижением результатов быстрого поиска фактов; фактические знания модели ограничены, а рассуждения требуют проверки. Заявленные результаты BalkanBench получены на внутреннем бенчмарке разработчика и могут зависеть от его дизайна и обучающих данных. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README рекомендует для квантизованных вариантов форматы не ниже Q5_K_M, поскольку более сильная квантизация может ухудшать следование заявленной политике честных ответов; для актуальных сведений требуется внешний поиск или RAG.

BanglaLLM/BanglaLLama-3-8b-bangla-alpaca-orca-instruct-v0.0.1 — языковая модель BanglaLLM на архитектуре Llama для генерации текста и выполнения инструкций на бенгальском и английском языках. Это плотная причинная языковая модель объёмом 7,5 млрд параметров с контекстом до 8192 токенов; веса опубликованы в формате safetensors. Модель дообучена на наборе BanglaLLM/bangla-alpaca-orca поверх BanglaLLM/BanglaLLama-3-8b-unolp-culturax-base-v0.0.1, предварительно обученной на unolp/culturax. Модель предназначена для генерации ответов и продолжения текста, в частности для инструктивных запросов на бенгальском и английском языках. Карточка сообщает, что модель готова к инференсу и ориентирована на причинное языковое моделирование. В метаданных указана лицензия llama3; README отдельно называет GNU General Public License v3.0, поэтому условия лицензирования в источниках расходятся. Модель не проходила детоксикацию и может генерировать вредные или оскорбительные ответы; результаты следует проверять, особенно в публичных и чувствительных сценариях.

ChatBerry-1 — дообученная artindnr чат-модель на архитектуре gpt_oss, созданная на базе artindnr/strawberry-1, которая, в свою очередь, дообучена на openai/gpt-oss-20b. Модель генерирует прямые ответы без отдельного канала рассуждений и предназначена для повседневного диалога на фарси, английском и других языках. По метаданным, она содержит 1,6 млрд параметров и поддерживает контекст до 131 072 токенов. Модель подходит для чат-ассистентов и сценариев, где важны простота интеграции и быстрые ответы без отображения рассуждений. Она сохраняет многоязычные возможности Strawberry-1, но не предназначена для задач, которым полезны явные пошаговые рассуждения. Возможны галлюцинации; отдельная настройка безопасности сверх унаследованной от базовых моделей не проводилась. Распространяется по лицензии Apache 2.0.

Модель msislam/code-mixed-language-detection-XLMRoberta предназначена для определения языка каждого токена и границ переключения языков в смешанном тексте. Автор дообучил XLM-RoBERTa-base для токенной классификации на подготовленных данных корпуса Multilingual Amazon Reviews Corpus. Модель поддерживает немецкий, английский, испанский и французский языки. Она принимает текст и возвращает метку языка для каждого токена, что позволяет анализировать переключение языков внутри предложений. Размер модели — 305,2 млн параметров, максимальный контекст — 514 токенов. В репозитории доступны веса PyTorch и Safetensors. Модель может ошибаться на коротких фрагментах другого языка внутри предложения, в имён собственных и отдельных межъязыковых словах; предсказания также зависят от пунктуации. Лицензия в предоставленных данных не указана.

Confucius4-TTS — мультиязычная система синтеза речи от разработчика netease-youdao. Она использует архитектуру «кодировщик речи + большая языковая модель»: модуль Text2Semantic строит последовательность семантических токенов по тексту и голосовым характеристикам, а Semantic2Acoustic преобразует её в мел-спектрограмму. Модель предназначена для генерации естественной речи, переноса голоса и эмоций, а также синтеза на другом языке с сохранением идентичности говорящего. Поддерживаются китайский, английский, японский, корейский, немецкий, французский, испанский, индонезийский, итальянский, тайский, португальский, русский, малайский и вьетнамский языки. Для клонирования голоса не требуется транскрипт образца или дополнительное обучение. README сообщает о конкурентных результатах на тестах разборчивости и сходства голоса, но не приводит полные таблицы всех метрик. Веса опубликованы в форматах PyTorch и Safetensors по лицензии Apache-2.0. Для запуска указаны Python 3.10 и CUDA 12.6; скорость, аппаратные требования и ограничения по длине входного текста в карточке не описаны.

CURE-MED-1.5B-i1-GGUF — квантизированная версия языковой модели CURE-MED-1.5B, разработанной Aikyam-Lab и подготовленной в формате GGUF пользователем mradermacher. Модель ориентирована на медицинские и общие задачи генерации текста, рассуждений и применения в healthcare-сценариях, включая работу с многоязычными запросами. Модель содержит около 1,5 млрд параметров и распространяется в виде набора вариантов квантизации i1, включая IQ- и Q-форматы с размером файлов примерно от 0,5 до 1,4 ГБ. Поддерживаются амхарский, бенгальский, французский, хауса, хинди, японский, корейский, испанский, суахили, тайский, турецкий, вьетнамский и йоруба. Модальность — текстовая; сведения о размере контекстного окна и конкретной архитектуре в README не указаны. К сильным сторонам относятся небольшой размер, возможность локального запуска на ограниченных ресурсах, медицинская специализация и многоязычность. К ограничениям относятся зависимость качества от выбранного уровня квантизации: некоторые варианты отмечены как низкокачественные, тогда как i1-Q4_K_M и i1-Q4_K_S рекомендованы как быстрые или сбалансированные. Модель не следует использовать как единственный источник медицинских решений без проверки специалистом. Лицензия — Apache-2.0.

DictaLM 2.0 — базовая генеративная языковая модель на 7,1 млрд параметров, разработанная Dicta для работы с текстами на иврите. Модель основана на Mistral-7B-v0.1 и использует расширенный токенизатор с 1 000 дополнительными токенами для иврита. Она прошла дополнительное предварительное обучение на более чем 190 млрд токенов естественных текстов: половина корпуса — на иврите, половина — на английском. Модель предназначена для генерации и продолжения текста, а также для адаптации под задачи на иврите. Расширенный словарь повысил эффективность кодирования ивритского текста: заявленное среднее число токенов на слово снизилось с 5,78 до 2,76. Контекстное окно составляет 32 768 токенов. Репозиторий содержит полноточную базовую версию в формате safetensors; доступны также отдельные квантизированные варианты семейства. Это предварительно обученная базовая модель, а не версия, настроенная для следования инструкциям. В README отмечено отсутствие встроенных механизмов модерации. Модель распространяется по лицензии Apache-2.0.

Ethio-ASR-mms-1b-uf — модель автоматического распознавания речи, созданная в рамках независимого воспроизведения Ethio-ASR исследователями Университета Флориды. Это дообученная на эфиопской подвыборке WAXAL модель facebook/mms-1b: архитектура Wav2Vec2 с CTC-выходом, около 1,3 млрд параметров, вход — аудио, выход — текст. Модель предназначена для распознавания амхарского, тигринья, оромо, сидаама и волайтта. На тестовом разбиении WAXAL из 18 810 высказываний опубликованы результаты WER для нескольких языков; оценка использует обработку с объединением омонимов письма геэз и удалением пунктуации. Для сырых выходов указана средняя WER 35,69%. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

EZO-Common-9B-gemma-2-it — компания AXCXEPT дообучила на базе Gemma-2-9B-it, применив несколько методов настройки для улучшения общих возможностей модели. Это плотная авторегрессионная модель семейства Gemma 2 с 9 млрд параметров, предназначенная для диалогов, следования инструкциям и генерации ответов. В карточке особо отмечено качество для задач на японском языке; также заявлена работа с разными языками и областями. Модель принимает текст и выдаёт текст, поддерживает чат-шаблон и имеет контекстное окно 8192 токена. Для обучения использованы инструкционные данные, подготовленные из отобранных материалов японской Википедии и FineWeb, с помощью обычного instruction tuning. Карточка описывает модель как экспериментальный прототип для исследований и разработок, не предназначенный для коммерческого применения или критически важных систем. Условия использования наследуются от Gemma Terms of Use.

FLM-101B — открытая двуязычная большая языковая модель от CofeAI с 101 млрд параметров. Это плотная decoder-only архитектура для генерации текста на китайском и английском языках; модель работает с контекстом длиной 2048 токенов при обучении. В ней используются позиционные эмбеддинги xPos, а обучение проходило с постепенным увеличением модели от 16 до 101 млрд параметров. Модель подходит для генерации и продолжения текста на китайском и английском языках. xPos позволяет расширять окно контекста при инференсе, однако фактическая поддержка и предел такого расширения зависят от конфигурации. Модель выпущена под лицензией Apache-2.0. Авторы отмечают, что из-за сравнительно небольшого количества обучающих токенов знания модели, особенно в специализированных областях, ограничены. Инференс не оптимизирован и требует значительных ресурсов при невысокой скорости; возможны предвзятые, оскорбительные или небезопасные ответы.

Gemma 4 E2B Arabic + English Vision — разреженная версия мультимодальной модели Google Gemma 4 E2B IT, подготовленная ml-intern-explorers. Это плотная модель с архитектурой Gemma4ForConditionalGeneration: она принимает текст и изображения и генерирует текст. По данным карточки, из словаря удалены токены для ряда языков, включая кириллицу, а также аудиоэнкодер; сохранены зрительный энкодер и генерация текста. README указывает словарь из 209 836 токенов и сообщает о 4,25 млрд параметров; метаданные подтверждают базовую модель google/gemma-4-e2b-it и формат safetensors. Модель предназначена для понимания изображений и текста на арабском и английском языках, включая разбор документов и распознавание арабского текста на изображениях. В описанном в README тесте распознавания арабского текста результаты совпали с исходной Gemma 4 E2B IT на 100 примерах; это ограниченная проверка, а не гарантия качества на других данных. README также рассматривает модель как основу для дообучения двуязычных приложений. Лицензия — Apache-2.0. В заявленных ограничениях — отсутствие аудиовхода и поддержки языков, чьи токены были удалены, в том числе русского, китайского, деванагари и тайского. Модель не подходит для сценариев, которым нужны аудиофункции или текстовая генерация на этих языках.

HyGPT-10b — языковая модель Gen2B и NCCAIT для понимания и генерации текста, особенно на армянском языке. Это декодерная модель семейства Gemma 2 с 9 млрд параметров, основанная на Gemma-2-9b и дополнительно предобученная на 10 млрд токенов армянских текстов. Веса представлены в формате safetensors; модель поддерживает диалоговый режим и контекст до 8192 токенов. Модель подходит для генерации армянского текста, ответов на вопросы и дополнения текста, а также для понимания запросов на армянском. В карточке также заявлена поддержка английского и русского языков. Развязанные слои эмбеддингов и LM head позволяют обучать выходной слой независимо. Качество на диалектах и региональных вариантах армянского может различаться; возможны неточные ответы, устаревшие сведения и ограничения при работе со специализированной терминологией. Лицензия указана как HyGPT Permissive Use License; README также требует соблюдать условия Gemma и её политику запрещённого использования. Подробности условий следует сверять с файлами лицензии репозитория.

IndicF5 — полиглотная модель синтеза речи от AI4Bharat, обученная на 1417 часах аудио из Rasa, IndicTTS, LIMMITS и IndicVoices-R. Она преобразует текст в речь на 11 индийских языках: ассамском, бенгальском, гуджарати, хинди, каннада, малаялам, маратхи, одиа, пенджаби, тамильском и телугу. Для генерации нужны текст, эталонный аудиофрагмент и его расшифровка; эталон задаёт характеристики голоса и просодию. Модель предназначена для синтеза речи с управлением голосом по примеру, например для озвучивания текстов и создания голосовых интерфейсов на поддерживаемых языках. Авторы характеризуют качество как близкое к человеческому. Лицензия — MIT. Использовать клонирование голоса разрешено только при наличии явного согласия владельца; несанкционированное клонирование запрещено.

Карточка модели rsolanki1822/IndicF5-mirror на Hugging Face совпадает с карточкой ai4bharat/IndicF5, поэтому описание составлено по ней. IndicF5 — полиглотная модель синтеза речи от AI4Bharat, обученная на 1417 часах аудио из Rasa, IndicTTS, LIMMITS и IndicVoices-R. Она преобразует текст в речь на 11 индийских языках: ассамском, бенгальском, гуджарати, хинди, каннада, малаялам, маратхи, одиа, пенджаби, тамильском и телугу. Для генерации нужны текст, эталонный аудиофрагмент и его расшифровка; эталон задаёт характеристики голоса и просодию. Модель предназначена для синтеза речи с управлением голосом по примеру, например для озвучивания текстов и создания голосовых интерфейсов на поддерживаемых языках. Авторы характеризуют качество как близкое к человеческому. Лицензия — MIT. Использовать клонирование голоса разрешено только при наличии явного согласия владельца; несанкционированное клонирование запрещено.

s5ya/Ko-Llama-3.1-8B-Lexi-Uncensored-V2 — диалоговая языковая модель на архитектуре Llama 3.1, созданная методом SLERP-смешивания моделей beomi/Llama-3-Open-Ko-8B и Orenguteng/Llama-3.1-8B-Lexi-Uncensored-V2. Репозиторий содержит веса в формате safetensors; модель насчитывает 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалоговых ответов на корейском и английском языках. Её можно применять для ведения беседы и создания свободных ответов на запросы; метаданные также указывают интерфейс вызова инструментов. README не сообщает результаты оценок качества или подробные рекомендации по использованию. Модель распространяется по лицензии llama3.1.

LFM2.5-1.2B-Instruct-4bit — компактная инструкционная языковая модель, разработанная LiquidAI и преобразованная сообществом mlx-community в формат MLX из базовой модели LiquidAI/LFM2.5-1.2B-Instruct. Она предназначена для генерации текста и диалоговых сценариев, включая работу через chat template и запуск на устройствах, поддерживающих экосистему MLX. Модель содержит 1,2 млрд параметров и использует 4-битное квантование, что уменьшает требования к памяти и делает её подходящей для локального или периферийного запуска. В README указана поддержка английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. Сведения о точной архитектуре, максимальной длине контекста, результатах тестирования и специализированных возможностях не приведены. К сильным сторонам относятся небольшой размер, инструкционная настройка, многоязычность и совместимость с MLX через библиотеку mlx-lm. Ограничения, включая качество на отдельных языках, устойчивость к ошибкам и требования к оборудованию, в предоставленных данных не описаны. Модель распространяется по лицензии lfm1.0; в карточке она обозначена как лицензия типа other.

LiquidAI/LFM2.5-1.2B-Instruct-GGUF — квантизированная версия инструкционной языковой модели LFM2.5-1.2B-Instruct, разработанной Liquid AI. Модель относится к семейству гибридных моделей LFM2.5, предназначенных прежде всего для развёртывания непосредственно на устройствах и периферийных системах. Она поддерживает генерацию текста и может запускаться через llama.cpp. Модель содержит около 1,2 млрд параметров и распространяется в формате GGUF, включая варианты Q4_0 с посттренировочной квантизацией и Quantization-Aware Distillation (QAD). В README не указаны точная архитектура гибридной модели, размер контекста и дополнительные модальности; заявленная языковая поддержка включает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. К сильным сторонам относятся небольшой размер, ориентация на on-device-сценарии и наличие оптимизированных квантизированных вариантов, что может упростить локальный запуск на устройствах с ограниченными ресурсами. Ограничениями являются сравнительно небольшой масштаб модели и возможное снижение качества из-за квантизации; конкретные показатели производительности в карточке не приведены. Модель распространяется по лицензии lfm1.0, обозначенной как нестандартная лицензия; подробные условия находятся в файле LICENSE.

ThomasBaruzier/Llama-3.2-1B-Instruct-GGUF — это GGUF-сборка инструкционно дообученной языковой модели Llama 3.2 с примерно 1 млрд параметров, опубликованная в репозитории ThomasBaruzier и основанная на модели Meta. Она предназначена для генерации текста и диалоговых сценариев, включая выполнение инструкций, ответы на вопросы и локальный инференс средствами, поддерживающими формат GGUF. В карточке указана текстовая модальность и поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Модель ориентирована на компактное развертывание и может быть удобна для приложений с ограниченными вычислительными ресурсами, однако точные сведения о варианте квантования, размере контекста, архитектурных деталях и требованиях к памяти в README не приведены. Как небольшая модель, она может уступать более крупным моделям в качестве рассуждений, устойчивости и точности на сложных задачах. Модель распространяется по Llama 3.2 Community License от Meta. Лицензия предусматривает условия использования, модификации и распространения, включая передачу текста лицензии, обязательное указание «Built with Llama» при распространении материалов или продуктов и соблюдение Acceptable Use Policy Meta. Для продуктов с более чем 700 миллионами месячных активных пользователей предусмотрены дополнительные лицензионные требования.

maywell/Llama-3-Ko-8B-Instruct — разговорная языковая модель Junbum Lee (Beomi), основанная на Meta Llama 3 и адаптированная для корейского языка. В карточке перечислены Meta Llama 3 8B Instruct, Meta Llama 3 8B и beomi/Llama-3-Open-Ko-8B как использованные модели; указано, что вариант Instruct создан с применением идеи Chat Vector и не дообучался на корейских инструкционных данных. Модель с плотной архитектурой LlamaForCausalLM содержит 7,5 млрд параметров, принимает текст и генерирует текст, включая код. Контекст — до 8192 токенов. Карточка приводит результаты на корейском бенчмарке KoBEST и заявляет поддержку диалоговых сценариев. Метаданные указывают английский и корейский языки; при этом карточка базовой модели предупреждает, что исходное тестирование проводилось на английском и применение на языках, кроме английского, ограничено условиями использования Llama 3. Лицензия указана как other, а в карточке приведена Llama 3 Community License; перед использованием следует проверить её условия и Acceptable Use Policy. Возможны неточные, предвзятые или нежелательные ответы, поэтому модель требует проверки в целевом сценарии.

VIRNECT разработала разговорную языковую модель на архитектуре Llama 3, дообученную на базе MLP-KTLim/llama-3-Korean-Bllossom-8B. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста в диалоговом формате; карточка также указывает обучение на данных AI Hub для улучшения работы с корейским языком. Модель принимает текст и генерирует текст. Указанная длина контекста — 8192 токена. В метаданных отмечены корейский и английский языки. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия указана как llama3.

VIRNECT/llama-3-Korean-8B-r-v2 — дообученная языковая модель компании VIRNECT на архитектуре Llama 3. Она предназначена для генерации текста и диалогового общения, с акцентом на корейский язык. Модель содержит 7,5 млрд параметров, использует Transformers и формат Safetensors, поддерживает контекст до 8192 токенов и рассчитана также на английский язык. В качестве базовой модели указана MLP-KTLim/llama-3-Korean-Bllossom-8B; при дообучении использован набор данных AI Hub для разработки крупной языковой модели с улучшенными показателями на корейском языке. Лицензия — Llama 3 Community License. Модель подходит для корейскоязычных чат-ботов и генерации текста; сведения о качестве на конкретных задачах и дополнительных ограничениях в карточке не приведены.

Llama-eus-8B v1.0 — базовая языковая модель, разработанная Orai NLP Technologies на основе Meta Llama 3.1 8B. Модель дообучена методом продолженного предварительного обучения на баскском языке: использованы около 1,5 млрд токенов из ZelaiHandi и около 300 млн токенов английского текста из FineWeb. Архитектура — плотная LlamaForCausalLM; в репозитории представлены веса Safetensors. Размер модели — 7,5 млрд параметров, контекст — до 131 072 токенов. Модель предназначена прежде всего для генерации текста на баскском языке и улучшает грамматическую и практическую компетентность относительно исходной Llama 3.1 8B, сохраняя общие возможности на английском. Её можно применять для генерации и продолжения текста, ответов на вопросы и задач рассуждения на баскском. Карточка сообщает о минимальном снижении качества на английском. Модель распространяется по лицензии Llama 3.1 Community License; условия этой лицензии следует учитывать при использовании.

jacob-ml/LS-Bert-67m — немецкоязычный классификатор на базе DistilBERT, разработанный для определения, соответствует ли текст стандартам Leichte Sprache — простого немецкого языка. Он различает тексты на простом и сложном немецком, включая различие между Leichte Sprache и Einfacher Sprache. Модель обучена на более чем 11 000 примерах текстов, которые оценили как понятные проверяющие; синтетические данные не использовались. Классификатор возвращает метки yes и no: yes означает высокое сходство с проверенными текстами на Leichte Sprache. Модель предназначена для проверки доступности немецких текстов и предварительной оценки их соответствия Leichte Sprache. Это дообучение distilbert/distilbert-base-german-cased для классификации последовательностей; используется библиотека Transformers, контекст ограничен 512 токенами. По README, классификатор доступен для бесплатных онлайн-проб. Лицензия репозитория — Apache-2.0.

Mungert/Magistral-Small-2506-abliterated-GGUF — это GGUF-квантизированная версия модели Magistral-Small-2506, основанная на модели Mistral и опубликованная Mungert. Модель создана на основе варианта huihui-ai/Magistral-Small-2506, в котором с помощью abliteration существенно снижено количество отказов от генерации. GGUF-файлы сгенерированы через llama.cpp. Модель предназначена для текстовой генерации и диалоговых сценариев, включая локальный запуск и экспериментальное применение. В README указана поддержка английского, французского, немецкого, испанского, португальского, итальянского, японского, корейского, русского, китайского, арабского, персидского и ряда других языков. Точные размер, архитектура, длина контекста и набор доступных квантовок для этой карточки не указаны. Ключевая особенность — экспериментальный подход к квантизации: отдельные важные слои получают более высокую точность, чем при стандартной конфигурации IMatrix, что, по утверждению автора, может улучшать качество при меньшей битности, особенно для MoE-моделей. Ограничения включают экспериментальный статус, сниженные механизмы фильтрации безопасности и повышенный риск чувствительных, спорных или неподходящих ответов; результаты требуют контроля и проверки. Модель распространяется по лицензии Apache-2.0.

MalayaLLM_Gemma_2_9B_Instruct_V1.0 — языковая модель VishnuPJ, дообученная на основе MalayaLLM_Gemma_2_9B_Base_V1.0, которая, в свою очередь, развивает Gemma 2. Это плотная авторегрессионная модель семейства Gemma 2 с 9 млрд параметров и контекстом до 8192 токенов; веса опубликованы в формате safetensors по лицензии MIT. Модель предназначена для генерации ответов на инструкции и диалога на малаялам и английском. Пример в карточке показывает ответы на вопросы о географии Индии; модель также подходит для составления текстов и ответов на общие вопросы на поддерживаемых языках. Модель дообучена с использованием датасета CohereForAI/aya_dataset и точности float16. Карточка не приводит оценки качества или подробных результатов тестирования, поэтому пригодность для конкретных задач стоит проверять на собственных примерах.

Mi:dm 2.0 Base Instruct — плотная языковая модель компании KT, разработанная на основе собственной технологии и ориентированная на корейский язык и культурный контекст. Это версия Base семейства Mi:dm 2.0, насчитывающая около 11 млрд параметров; модель представлена как LlamaForCausalLM и работает с контекстом до 32 768 токенов. Модель предназначена для диалогового взаимодействия и генерации текста на корейском и английском языках, включая сценарии вызова функций через совместимый парсер для vLLM. Её можно развернуть локально или через Friendli.AI. KT сообщает, что обучающие данные не включали данные пользователей KT. Основной акцент сделан на понимании корейских общественных норм и культурного контекста при сохранении универсальности модели. Поддержка других языков не гарантируется; ответы в юридических, медицинских и финансовых вопросах могут быть ненадёжными, а модель может выдавать фактические ошибки или неподходящие выражения. Лицензия — MIT.

MMS-300M — многоязычная модель Meta AI, разработанная Vineel Pratap и соавторами на архитектуре Wav2Vec2. Это предварительно обученный речевой энкодер примерно на 300 млн параметров, использующий самоконтролируемое обучение на около 500 тысячах часов речи более чем на 1 400 языках. Входная речь должна иметь частоту дискретизации 16 кГц. Модель служит основой для дообучения под распознавание речи, перевод или классификацию аудио. Сам чекпойнт не является готовой специализированной системой распознавания: для прикладной задачи требуется дообучение на соответствующей разметке. Доступна лицензия CC-BY-NC 4.0, которая ограничивает коммерческое использование.