I.6Перевод и языковая адаптация

Wellyowo/whisper-tiny-zh-tw — дообученная версия Whisper Tiny, опубликованная Wellyowo и обученная на наборе Common Voice 13.0. Модель предназначена для автоматического распознавания речи и выдачи текстовой расшифровки. Это плотная модель архитектуры Whisper с 29,4 млн параметров; репозиторий содержит веса в формате Safetensors. В карточке приведены результаты оценки: WER 59,22 и орфографический WER 60,0. Модель рассчитана на китайский язык (Тайвань) согласно названию репозитория. Лицензия — Apache-2.0.

Модель создана доктором Юнсоном Джи (Saxo), специалистом по данным компании Linkbricks, на основе beomi/llama-2-koen-13b. Это 12,9-миллиардная плотная языковая модель семейства Llama 2, дообученная методом SFT на инструкциях в формате Alpaca. В карточке указаны обучение с использованием LoRA и конфигурация с int4-квантизацией; в репозитории опубликованы веса safetensors. Модель предназначена для генерации ответов на инструкции и диалогового взаимодействия на корейском и английском языках. Её контекст составляет 2048 токенов. Обучение проводилось на наборах данных с корейскими инструкциями и диалогами, включая KoAlpaca, Korean OpenOrca-Platypus и локальный набор Linkbricks. Модель распространяется по лицензии Apache-2.0. Ограничения включают короткий контекст и зависимость качества ответов от обучающих данных; карточка не приводит оценок качества или специальных мер для снижения ошибок.

AnFeng v3.1 Avocet — ранняя предварительная версия языковой модели семейства Llama, разработанная NLPark. Модель с архитектурой LlamaForCausalLM содержит 33,9 млрд параметров и предназначена для генерации текста и диалогового общения. В README указаны китайский и английский языки; модель выпущена как часть серии v3.1, охватывающей линейки Shi-Ci, AnFeng и Trigonotis, а Avocet обозначает один из размеров моделей серии. Модель использует формат Safetensors и имеет контекстное окно до 131 072 токенов. Она представлена как ранний preview, поэтому качество и стабильность могут быть ограничены. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий.

burningfeet/backup-2026-09-08-Qwen3.8-27B-Unleashed-SSMFIX-GGUF — мультимодальная модель семейства Qwen3.8 с 27 млрд параметров, распространяемая в формате GGUF. Исходную модель Qwen3.8-27B-Unleashed-GGUF разработал outsourc-e, а автор этой версии внёс исправления в масштабирование отдельных тензоров ssm_conv1d.weight. Модель предназначена для генерации текста по текстовым и визуальным входным данным, включая сценарии image-text-to-text, а также может использовать speculative decoding и связанные с ним механизмы, согласно заявленным тегам. Заявлены поддержка изображений и работа с английским, китайским и другими языками. Ключевая особенность версии — коррекция шести слишком «громких» слоёв ssm_conv1d.weight; остальные веса оставлены без изменений. В README не указаны точный размер контекста, перечень поддерживаемых форматов изображений, требования к памяти, производительность и совместимые средства запуска, поэтому эти характеристики нельзя оценить по имеющимся данным. Ограничением также является то, что NVFP4-кодирование не поддерживается используемыми инструментами GGUF, из-за чего исправление было выполнено только для части тензоров. Модель распространяется по лицензии Apache-2.0. Тег uncensored указывает на заявленную настройку без цензурирования, однако подробные сведения о поведении модели, качестве и ограничениях безопасности в README отсутствуют.

Beetle-FineWeb2-24B/beetle-bilingual-l2-50-simultaneous-b2-fineweb-tur-eng — языковая модель для генерации текста, опубликованная на Hugging Face и работающая через библиотеку Transformers. По идентификатору модели она ориентирована на двуязычные сценарии с турецким и английским языками; в метаданных также указана архитектурная реализация pico_decoder и размер семейства 24B. Модель предназначена для генерации и продолжения текста, а также для интеграции в приложения, использующие авторегрессионные языковые модели. В карточке отсутствуют сведения о разработчике, лицензии, точной архитектуре, длине контекста, обучающих данных, результатах оценки и рекомендациях по применению, поэтому эти характеристики нельзя подтвердить.

Это 8-битная MLX-версия Whisper Medium, дообученной BengaliAI для распознавания региональных вариантов бенгальского языка. Автор карточки модели адаптировал веса для запуска на компьютерах Mac с Apple Silicon и не проводил дополнительного обучения. Указана аффинная 8-битная квантизация с размером группы 64; часть тензоров сохраняет плавающую точность. Лицензия — Apache-2.0. Модель преобразует бенгальскую речь в текст. Пример скрипта из карточки принимает WAV или FLAC, приводит звук к моно с частотой 16 кГц и обрабатывает фрагменты длительностью до 26 секунд; максимальный вывод на фрагмент — 440 токенов. В описанном тесте 8-битная версия обрабатывала пятиминутную запись быстрее и с меньшим пиковым потреблением памяти, чем MLX fp16, однако тест не измерял точность транскрипции. Модель может ошибаться на тишине и шуме; обнаружение пауз по энергии способно разрезать непрерывную речь внутри слова. Совпадение результатов с fp16 на 24 коротких клипах не подтверждает общую точность или качество на каждом диалекте. Работа на Android и Raspberry Pi не проверялась.

ChatBerry — дообученная artindnr чат-модель на архитектуре gpt_oss, предназначенная для прямых ответов без отдельного канала рассуждений. Она создана на основе artindnr/strawberry-1, а тот, согласно карточке, дообучен от openai/gpt-oss-20b. Модель содержит 1,6 млрд параметров, использует формат safetensors и поддерживает контекст до 131 072 токенов. Модель предназначена для общих диалоговых помощников на фарси и английском, а также для многоязычного чата и сценариев, где нужны краткие ответы без отображения цепочки рассуждений. Автор указывает, что ChatBerry обучена на крупнейшем наборе данных в семействе и улучшает следование инструкциям по сравнению с предыдущими версиями линейки; независимые результаты оценки в карточке не приведены. Модель распространяется по лицензии Apache 2.0. Она может ошибаться и наследует ограничения базовой модели; явное пошаговое рассуждение не выводит. В README также отмечено отсутствие дополнительной настройки безопасности сверх унаследованной от базовых моделей.

ChineseErrorCorrector4-4B (CSRP) — китайская модель коррекции грамматики и проверки орфографии, разработанная авторами работы CSRP. Она дообучена на базе Qwen/Qwen3-4B и предназначена для исправления ошибок в обычных китайских текстах и текстах изучающих язык. Модель использует плотную архитектуру Qwen3 с 3,7 млрд параметров и поддерживает контекст до 262144 токенов. Обучение включало продолженное предобучение, дообучение с примерами рассуждений и выравнивание с помощью GRPO и награды за эффективность исправлений. Такой подход нацелен на точные правки и снижение избыточного переписывания корректного текста. В README заявлены результаты на бенчмарках NACGEC и CSCD. Модель принимает текст и генерирует исправленный текст; карточка указывает китайский язык. Лицензия — Apache-2.0.

Cohere Transcribe Arabic — это открытая модель автоматического распознавания речи с архитектурой audio-in, text-out, разработанная Cohere и Cohere Labs. Данная версия представляет собой GGUF-квантизированные сборки базовой модели CohereLabs/cohere-transcribe-arabic-07-2026 для работы с transcribe.cpp. Модель содержит около 2 млрд параметров и предназначена прежде всего для офлайн-транскрибации арабской речи, включая диалекты и смешанную арабско-английскую речь; английский поддерживается как вторичный язык. В основе лежит Conformer-энкодер и Transformer encoder-decoder head с cross-attention и связанными токенными embedding. Модель принимает монофонический WAV с частотой 16 кГц и использует явно заданный языковой флаг арабского или английского языка. Декодирование выполняется авторегрессионно. Доступны варианты BF16, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 1,56 до 4,11 ГБ. На тесте FLEURS Arabic показатель WER составляет 10,95–11,18% в зависимости от квантизации, при этом качество квантизированных вариантов близко к эталонной BF16-версии; на LibriSpeech test-clean для доступных конфигураций указан WER около 1,33–1,34%. Сильные стороны модели — ориентация на арабскую речь, поддержку диалектов и code-switching, офлайн-работу и наличие нескольких вариантов квантизации для выбора между качеством и требованиями к памяти. Ограничения: потоковая обработка, перевод, автоматическое определение языка и временные метки не поддерживаются. Для работы требуется transcribe.cpp, а аудио должно быть предварительно приведено к формату 16 кГц mono WAV. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

ghofrani/common7 — модель распознавания речи на базе архитектуры Wav2Vec2, дообученная на персидской части набора Mozilla Common Voice 7.0. Она принимает аудио и преобразует речь в текст; подходит для автоматической транскрипции персидской речи. Модель содержит 402,8 млн параметров и опубликована в формате PyTorch. На оценочном наборе указаны значение функции потерь 0,3448 и WER 0,3478. README не приводит дополнительных сведений о сценариях применения или обучающих данных. Лицензия в предоставленных материалах не указана.

CrisperWhisper2 Korean Verbatim Base — модель распознавания речи на корейском языке, разработанная Sky-Kim на основе Whisper и семейства CrisperWhisper2. Она транскрибирует спонтанную речь дословно, сохраняя междометия, повторы и самопоправки, которые обычные системы распознавания часто опускают. Модель предназначена для расшифровки разговоров, встреч и других записей, где важна точная передача сказанного. Это компактная модель семейства Whisper с архитектурой WhisperForConditionalGeneration и примерно 51,7 млн параметров по метаданным. README указывает размер 74 млн параметров, ширину 512, по 6 слоёв энкодера и декодера и словарь на 51 896 токенов; модель выдаёт обычный текст без специальных тегов. Она обучена дистилляцией от корейской версии small и ориентирована на корейскую речь. В тесте на отложенной части KsponSpeech автор сообщает CER 0,167 и сохранение 92% дисфлюенций; модель компактнее whisper-small и показала немного меньший CER в приведённом сравнении. Модель принимает аудио и выдаёт текст. Она рассчитана на корейский язык; английский не поддерживается. Дословная транскрипция может иметь более высокий CER при сравнении с нормализованными эталонами, а опубликованные результаты получены на данных KsponSpeech и могут не переноситься на другие условия записи. Лицензия указана как other; README ограничивает использование некоммерческими и исследовательскими целями из-за лицензии учителя CrisperWhisper2.0 и условий KsponSpeech. Для коммерческого использования требуются отдельные разрешения на компоненты и данные.

Ethio-ASR-afrihubert-uf — модель автоматического распознавания речи, созданная в рамках независимого воспроизведения исследования Ethio-ASR в Университете Флориды. Это дообученная на эфиопской части набора WAXAL модель AfriHuBERT с архитектурой HuBERT и CTC-декодированием; она содержит 113,6 млн параметров и распространяется в формате safetensors для Transformers. Модель предназначена для транскрибирования речи на амхарском, тигринья, оромо, сидаама и волайтта. На тестовом разбиении WAXAL указаны WER 35,16% для амхарского, 30,06% для оромо и 34,66% для сидаама при обработке, включающей объединение омографов письма геэз и удаление пунктуации; без такой обработки макро-WER составляет 41,71%. Воспроизведение отстаёт от опубликованного в статье чекпойнта на 1,63%. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но не для коммерческих целей.

French-Alpaca-Phi-3-mini-128k-instruct-beta — языковая модель, разработанная Jonathan Pacifico и дообученная на базе microsoft/Phi-3-mini-128k-instruct. Это плотная авторегрессионная модель семейства Phi-3 с 3,7 млрд параметров, рассчитанная на диалог и генерацию текста. В карточке заявлена поддержка контекста до 128 тыс. токенов, однако метаданные указывают native context в 4096 токенов, поэтому длину 128 тыс. следует считать заявлением README, не подтверждённым метаданными. Модель предназначена для общения и общих текстовых задач на французском языке; карточка также указывает английский среди языков. Дообучение выполнено на French-Alpaca-dataset-Instruct-110K, созданном с помощью GPT-3.5-turbo. Модель может служить отправной точкой для дальнейшей специализации. Лицензия — MIT. В README отмечено отсутствие механизмов модерации и отсутствие поддержки 128k-версии в llama.cpp.

French-Alpaca-Phi-3-mini-4k-instruct-beta — франкоязычная чат-модель, разработанная Jonathan Pacifico в 2024 году и дообученная на базе microsoft/Phi-3-mini-4k-instruct. Это плотная авторегрессионная модель семейства Phi-3 с 3,7 млрд параметров и контекстом до 4096 токенов. Данные для дообучения — French-Alpaca-dataset-Instruct-110K, полностью сгенерированный с помощью GPT-3.5-turbo. Модель предназначена для диалогов и генерации текста на французском языке; её можно использовать как общую франкоязычную основу для дальнейшей специализации. Карточка также отмечает поддержку английского. Модель не имеет механизмов модерации, поэтому ответы могут включать неподходящий контент. Лицензия — MIT.

Gemma-4-Ortenzya-The-Creative-Wordsmith-31B-it-uncensored-heretic-i1-GGUF — квантизированная версия модели llmfan46/gemma-4-Ortenzya-The-Creative-Wordsmith-31B-it-uncensored-heretic. Репозиторий подготовлен и квантизация выполнена mradermacher. Модель основана на Gemma 4, имеет около 31 млрд параметров и распространяется в формате GGUF с imatrix-квантизациями. Модель предназначена для генерации текста, творческого письма, ролевого взаимодействия, перевода и сценариев, связанных с визуальными новеллами. В README указана поддержка английского и японского языков. Также модель описана как vision-модель; для работы с визуальными входными данными могут потребоваться файлы mmproj из статического репозитория. Размер контекста и точный набор поддерживаемых визуальных возможностей не указаны. Доступно множество вариантов квантизации с размером файлов примерно от 7,3 до 16,7 ГБ. Более компактные варианты требуют меньше ресурсов, но могут заметно уступать по качеству; README отдельно отмечает низкое качество некоторых конфигураций. Лицензия указана как Apache-2.0, при этом для Gemma приведена отдельная ссылка на условия лицензии Google.

GRMR-3B-Instruct — модель, разработанная qingy2024 на основе Qwen 2.5 3B и дообученная для исправления грамматики, повышения ясности и улучшения читаемости текста с сохранением исходного смысла. Она принимает текст и возвращает его отредактированную версию; модель рассчитана на задачи корректуры и редактирования прозы. Архитектура — плотная Qwen2, около 3,1 млрд параметров, контекст — до 32 768 токенов. В карточке рекомендуется температура 0.0 и repeat penalty 1.0. Лицензия — Apache-2.0.

Huihui-Mistral-Small-3.2-24B-Instruct-2506-abliterated — экспериментальная модификация huihui-ai базовой модели mistralai/Mistral-Small-3.2-24B-Instruct-2506, созданная методом abliteration для снижения числа отказов. Это плотная мультимодальная модель семейства Mistral 3 для диалогов по инструкциям; исходная модель поддерживает анализ изображений, но изменялась только текстовая часть, а обработка изображений осталась без изменений. Модель подходит для генерации ответов и диалогов с менее выраженной фильтрацией отказов, а также для сценариев с изображениями благодаря возможностям базовой модели. В карточке заявлена поддержка множества языков, включая русский, английский, французский, немецкий, испанский, японский и китайский. Параметры и длина контекста в предоставленных данных не указаны. Автор описывает реализацию как грубую проверку концепции. Снижение фильтрации может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты требуют проверки. Лицензия — Apache-2.0.

Это дообученная модель Whisper, созданная на основе parthiv11/indic_whisper_hi_multi_gpu. Она предназначена для автоматического распознавания речи и транскрибирования аудио; карточка указывает хинди в названии модели, а базовая модель каталога имеет подтверждённую поддержку хинди. Модель реализована как WhisperForConditionalGeneration и распространяется в формате safetensors. В README приведены результаты оценки: loss 0.5186 и Global WER 26.4368. Описание набора данных, условия оценки и подробные сценарии применения в карточке не раскрыты, поэтому результаты нельзя переносить на другие данные без проверки. Лицензия — MIT.

LFM2-350M-GGUF — компактная языковая модель, разработанная компанией Liquid AI для периферийных устройств и локального развертывания. Это GGUF-версия базовой модели LiquidAI/LFM2-350M, предназначенная для генерации текста и запуска через llama.cpp. Модель ориентирована на сценарии edge AI и on-device deployment, где важны скорость работы, качество ответов и экономное использование памяти. В README указана поддержка английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. Сведения о точной архитектуре, размере контекста, модальностях и параметрах квантования в представленных данных отсутствуют. К сильным сторонам относятся компактность, эффективность по скорости и памяти, а также совместимость с llama.cpp. Ограничения и результаты оценивания отдельно не описаны. Модель распространяется по лицензии lfm1.0; подробные условия приведены в файле LICENSE.

itsskofficial/livewhisper-hi-vaani — преобразованная в формат CTranslate2 модель для распознавания речи на хинди и транскрибирования её текстом письмом деванагари. Репозиторий подготовлен для использования с faster-whisper в приложении LiveWhisper для голосового ввода в Windows; в README указаны веса float16 и размер около 3 ГБ. Модель основана на ARTPARK-IISc/whisper-large-v3-vaani-hindi, а автор репозитория сообщает о результатах на FLEURS: WER 10,3% и CER 3,0%, а также точности написания переключений кодов в хинди 96%. Лицензия — Apache-2.0. README уточняет, что репозиторий меняет формат файлов и добавляет необходимые конфигурации faster-whisper; метаданные классифицируют связь с базовой моделью как дообучение.

Llama-2-Ko 7B — авторегрессионная языковая модель, разработанная Junbum Lee (Beomi) на основе архитектуры Llama 2. Это предварительно обученная версия с 6,7 млрд параметров; для адаптации к корейскому языку в неё добавили корейский текстовый корпус и расширили словарь SentencePiece BPE с 32 000 до 46 336 токенов. Модель принимает текст и генерирует текст, поддерживает корейский и английский языки. Репозиторий содержит веса в форматах PyTorch и Safetensors; контекст составляет 2048 токенов. Модель предназначена для генерации текста и языковых задач на корейском и английском, включая продолжение текста, ответы на вопросы и работу с примерами в контексте. Это базовая pretrained-модель, а не специализированный чат-чекпойнт. В README отмечены необходимость использовать fast tokenizer и ограничение вычислений BF16 на Apple Silicon. Условия лицензии в предоставленных данных не описаны.

Hugging-quants/Llama-3.2-1B-Instruct-Q4_K_M-GGUF — квантизированная версия инструкционной языковой модели Llama 3.2 1B Instruct, разработанной Meta и опубликованной в формате GGUF для использования с llama.cpp и совместимыми инструментами. Модель предназначена для генерации текста, диалоговых приложений, ответов на инструкции и других задач обработки естественного языка, где важны компактный размер и возможность локального запуска. Модель имеет примерно 1 млрд параметров и использует квантизацию Q4_K_M, снижающую требования к памяти по сравнению с полноразмерными вариантами, но потенциально ухудшающую точность и качество ответов. Она работает с текстом и заявлена для английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Размер контекстного окна в представленном README не указан. Как небольшая instruct-модель, она удобна для ресурсоограниченных сред, однако уступает более крупным моделям в сложных рассуждениях, точности и устойчивости. Распространение и использование регулируются Llama 3.2 Community License от Meta. Лицензия предоставляет ограниченные неисключительные права на использование, копирование, модификацию и распространение при соблюдении условий, включая передачу текста лицензии, указание «Built with Llama», сохранение атрибуции и соблюдение Acceptable Use Policy. Для продуктов с более чем 700 миллионами ежемесячно активных пользователей требуется отдельное разрешение Meta.

Muse-Glimmer-30B-Heretic-Uncensored-GGUF — набор из 27 GGUF-квантизаций модели Muse-Glimmer-30B-Heretic-Uncensored. Базовую модель разработала Meta Superintelligence Lab, а производный вариант создан darkc0de с применением Heretic v1.4.0. Это abliterated-версия, для которой заявлено отсутствие отказов при работе со взрослыми и NSFW-материалами; указанное свойство проверялось эмпирически. Модель предназначена для генерации текста и обработки изображений с текстовыми запросами: входные данные могут включать текст и изображения, выход — текст. Архитектура представляет собой плотный causal Transformer с perception encoder ViT-G/14 объёмом около 1,8 млрд параметров. Всего модель содержит около 29,6 млрд параметров, 52 слоя, GQA с 32 Q- и 2 KV-головами, SwiGLU и контекст длиной 131 072 токена и более. Поддерживаются английский и мультиязычные сценарии; в карточке также указан language: multilingual. Ключевое преимущество набора — широкий выбор квантизаций размером от 6,53 ГБ до 55,73 ГБ, что позволяет запускать модель на CPU, системной памяти и видеокартах с различным объёмом VRAM. Для квантизаций ниже 4 бит использовалась importance matrix для снижения потери качества. Ограничения включают высокие требования к памяти у полноразмерных вариантов и возможное снижение качества у более агрессивных квантизаций. Для работы требуется совместимое ПО llama.cpp; поддержка архитектуры muse_glimmer отсутствует в релизных сборках до b10344, поэтому необходима актуальная сборка. Модель распространяется по лицензии Apache 2.0.

Muse-Glimmer-30B-Heretic-Uncensored-GGUF — набор из 27 GGUF-квантизаций модели Muse-Glimmer-30B-Heretic-Uncensored. Основа разработана Meta Superintelligence Lab, а производный вариант создан darkc0de с применением Heretic v1.4.0 методом abliteration. Модель предназначена для локального запуска задач генерации текста и анализа изображений с текстовым ответом, включая сценарии image-text-to-text. Указанные языки — английский и multilingual; дата отсечения знаний — 4 января 2026 года. Это плотный causal Transformer с Perception Encoder на базе ViT-G/14 примерно на 1,8 млрд параметров; общий размер составляет около 29,6 млрд параметров. Архитектура использует GQA с 32 Q- и 2 KV-головами, SwiGLU, RoPE и скользящее окно внимания; заявленная длина контекста — 131 072 и более токенов. Входные модальности — текст и изображения, выходная — текст. Благодаря 27 вариантам квантизации модель можно запускать на системах с 8–32 ГБ видеопамяти, а также в CPU/RAM-only конфигурациях; размеры файлов составляют примерно от 6,53 до 55,73 ГБ. Для квантизаций менее 4 бит применялась importance matrix для снижения потери качества. К сильным сторонам относятся поддержка изображений, длинный контекст, компактный KV-кэш из-за GQA и широкий выбор квантизаций для различного оборудования. В README заявлено отсутствие отказов на контенте 18+/NSFW, что может быть важно для специализированных сценариев, но одновременно требует осторожного применения и самостоятельной оценки безопасности. Ограничения включают высокие требования к памяти для качественных вариантов, возможное снижение качества у наиболее компактных квантизаций и необходимость сборки llama.cpp из master для поддержки архитектуры Muse-Glimmer. Лицензия — Apache 2.0.

EYEDOL Nemotron 3.5 ASR Streaming — Hausa (ha-NG) — Round 2 — это дообученная модель автоматического распознавания речи на базе NVIDIA Nemotron 3.5 ASR Streaming 0.6B. EYEDOL продолжил обучение предыдущей версии модели ещё на 15 эпохах на 41,1 часа хауса из наборов Naija Voices; для оценки использовались записи 56 отложенных дикторов без пересечения с обучающими данными. Модель предназначена для потоковой транскрипции речи на хауса с обработкой аудио чанками и переносом состояния энкодера и декодера между чанками. В тестировании с шагом 80 мс WER составил 33,53%, CER — 9,43%, а CER без пробелов — 9,24%. При подготовке транскриптов специальные хауса-буквы ɗ, ɓ, ƙ и ƴ заменялись латинскими d, b, k и y, что может ограничивать точность их передачи в исходной орфографии. Для запуска README указывает библиотеку NeMo и её потоковый cache-aware inference. Лицензия в метаданных обозначена как other; конкретные условия следует сверить с карточкой репозитория.

OpenBuddy — это базовая многоязычная языковая модель команды OpenBuddy, построенная на плотной архитектуре Llama и содержащая 66,6 млрд параметров. Модель предназначена для дальнейшего дообучения и создания специализированных моделей; она обучена примерно на половине разговорных данных OpenBuddy и обладает диалоговыми способностями, но не прошла полную настройку для обычных бесед. Для готового чат-бота рекомендуется использовать версии OpenBuddy без суффикса «-base». Модель работает с текстом, использует библиотеку Transformers и распространяется в формате safetensors. Контекст составляет 4096 токенов. В метаданных указана поддержка китайского, английского, французского, немецкого, японского, корейского, итальянского, русского и финского языков. Лицензия обозначена как other, а README указывает лицензию базовой модели DeepSeek. Модель может выдавать ошибочные, вредные или оскорбительные ответы; её не следует применять в критических медицинских, финансовых, юридических сценариях или для управления потенциально опасными системами.

Parler-TTS Mini Multilingual v1 — модель синтеза речи, разработанная в сотрудничестве аудиокоманды Hugging Face и Quantum Squadra при участии AI4Bharat. Это дообученная версия Parler-TTS Mini, построенная на архитектуре Parler-TTS и предназначенная для преобразования текста в речь на английском, французском, испанском, португальском, польском, немецком, итальянском и нидерландском языках. Модель генерирует речь по тексту и позволяет управлять её характеристиками с помощью текстового описания. Для обработки используются отдельные токенизаторы текста и описания; улучшенный токенизатор с расширенным словарём и резервным кодированием байтов упрощает мультиязычное обучение и расширение языкового охвата. При обучении использовались очищенные данные CML-TTS и неанглоязычная часть Multilingual LibriSpeech — около 9 200 часов данных, а также примерно 580 часов английских записей LibriTTS-R. Веса опубликованы в формате safetensors, библиотека для работы — Transformers. Лицензия Apache-2.0. В карточке не указаны размер модели и длина контекста.

Qwen2.5-3B-Renoia — объединённая модель для генерации текста, созданная автором trollek с помощью mergekit на основе Qwen2.5-3B и нескольких дообученных моделей. Автор сообщает, что настраивал компоненты с помощью собственных датасетов, чтобы улучшить навыки датского языка и придать ассистенту индивидуальный стиль. Модель предназначена для диалогов и генерации ответов; в метаданных также отмечен интерфейс вызова инструментов. Архитектура — плотная Qwen2 causal language model на 3,1 млрд параметров, контекст — до 32 768 токенов. Карточка перечисляет датский и набор других языков, включая английский, русский, китайский, французский, испанский и японский. Модель распространяется в формате safetensors по лицензии «other»; конкретные условия лицензии в предоставленных данных не раскрыты.

huihui-ai/Qwen2.5-72B-Instruct-abliterated — это экспериментальная версия Qwen2.5-72B-Instruct, созданная автором huihui-ai методом abliteration, который изменяет поведение отказов языковой модели. Автор описывает её как грубую проверку концепции удаления отказов без использования TransformerLens. Модель предназначена для диалогов и генерации текста; метаданные также отмечают интерфейс вызова инструментов. Она построена на плотной архитектуре Qwen2, содержит 71,5 млрд параметров и имеет контекст до 32 768 токенов. В карточке перечислены китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. Ключевая особенность — ослабление отказов на запросы, которые базовая модель могла бы отклонить; автор подчёркивает предварительный характер реализации. Модель распространяется по лицензии с пометкой «other», поэтому условия использования следует проверять в карточке репозитория. Для запуска README указывает библиотеку Transformers и вариант для Ollama.

RIFA-FLASH-1.7B-i1-GGUF — это GGUF-квантизированная версия языковой модели RIFA-FLASH-1.7B, разработанной smshahbaj и подготовленной квантизатором mradermacher. Модель предназначена для генерации текста и ведения диалогов, а также может использоваться в приложениях на базе Transformers и совместимых рантаймов, поддерживающих формат GGUF. Заявлены английский и бенгальский языки. Размер исходной модели составляет 1,7 млрд параметров; сведения о точной архитектуре, длине контекста и дополнительных модальностях в README отсутствуют, поэтому модель следует рассматривать как текстовую. Репозиторий содержит набор вариантов квантизации от очень компактных IQ1 и IQ2 до более качественных Q5 и Q6, что позволяет выбирать между требованиями к памяти, скоростью и качеством генерации. В README отдельно отмечены варианты i1-Q4_K_S как оптимальные по соотношению размера, скорости и качества и i1-Q4_K_M как быстрые и рекомендуемые. К основным ограничениям относятся возможная потеря качества у низкобитных вариантов квантизации и отсутствие подробных результатов оценки, описания обучающих данных и характеристик контекста. Модель распространяется по лицензии Apache-2.0.