I.6Перевод и языковая адаптация

facebook/mms-tts-udm — модель синтеза речи на удмуртском языке из проекта Massively Multilingual Speech компании Meta. Это отдельный чекпойнт VITS для удмуртского языка: модель принимает текст и генерирует речевую аудиоволну. Архитектура VITS объединяет вариационный автоэнкодер, потоковый модуль с текстовым энкодером на базе Transformer, стохастический предсказатель длительности и декодер, похожий на HiFi-GAN. Размер модели — 3,5 млн параметров; она доступна для Transformers версии 4.33 и выше. Модель предназначена для преобразования удмуртского текста в речь. Стохастический предсказатель длительности позволяет получать варианты произношения с разным ритмом; генерация недетерминирована, поэтому для повторяемого результата нужен фиксированный seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-urt — модель синтеза речи на языке урат, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст на урате в речевую аудиоволну. Модель построена на архитектуре VITS: использует текстовый энкодер на основе Transformer, вариационный автоэнкодер, нормализующие потоки, стохастический предиктор длительности и декодер, похожий на HiFi-GAN. Число параметров — около 3,5 млн; модель доступна для PyTorch и Transformers. Чекпойнт предназначен для синтеза речи на одном языке; отдельные модели MMS-TTS обучались для каждого языка. Из-за стохастического предиктора одинаковый текст может давать разные варианты ритма и звучания, поэтому для воспроизводимого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-ury — модель синтеза речи на языке ория, выпущенная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует последовательность текста в речевую волну и предназначена для озвучивания текстов на ория. Модель построена на архитектуре VITS: это сквозная система с вариационным автоэнкодером, поточным модулем и декодером на основе свёрточных слоёв; предсказатель длительности позволяет варьировать ритм речи. В репозитории представлены веса PyTorch и safetensors, размер модели — 3,5 млн параметров. Модель работает с библиотекой Transformers версии 4.33 и новее. Генерация недетерминирована из-за стохастического предсказателя длительности, поэтому для воспроизводимого результата нужно фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческих целях.

Morfoz-LLM-8b-v1.0 — языковая модель на архитектуре Llama, разработанная Morfoz-Aigap и дообученная для турецкого языка на очищенных турецких текстах и наборах инструкций из открытых источников. В основе лежит Meta Llama 3 8B Instruct; для турецкого расширен токенизатор, а дообучение выполнено методом LoRA с рангом 64 и целевыми модулями all-linear. Модель предназначена для генерации текста и ответов на инструкции на турецком языке. Она содержит около 7,5 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Репозиторий предоставляет веса в формате safetensors. Лицензия — Apache-2.0. Карточка не приводит количественных оценок качества или подробных результатов тестирования; качество ответов на конкретных задачах следует проверять отдельно.

NorMistral-7b-warm — большая языковая модель семейства NORA.LLM, разработанная при сотрудничестве Language Technology Group Университета Осло, проекта High Performance Language Technologies, Национальной библиотеки Норвегии и Университета Турку. Модель инициализирована из Mistral-7B-v0.1 и дополнительно обучена преимущественно на норвежских текстах. Модель предназначена для генерации и моделирования текста на норвежском языке, включая варианты Bokmål и Nynorsk. Она может использоваться в исследовательских задачах, связанных с пониманием и генерацией норвежского текста, а также в сценариях анализа тональности, чтения с пониманием и машинного перевода. В обучающий корпус также вошли данные с исходным кодом, поэтому модель дополнительно видела программные тексты, однако README не заявляет о специализированной поддержке программирования. NorMistral-7b-warm — авторегрессионная transformer-модель на основе архитектуры Mistral/Llama, содержащая более 7 миллиардов параметров. Она принимает текст и генерирует текст, использует byte-based BPE-токенизатор с 32 768 токенами и поддерживает контекст длиной 2 000 токенов. Модель обучалась на 260 миллиардах subword-токенов, включая 34 миллиарда норвежских токенов; заявлены результаты perplexity 7,43 на отложенной выборке NCC и 4,76 на финальном обучающем наборе. Сильной стороной модели является специализация на норвежском языке и предварительное обучение на значительном объёме открытых норвежских данных. При этом это только предварительно обученная модель без instruction fine-tuning, поэтому она не оптимизирована для диалогового следования инструкциям и может генерировать вредный или нежелательный контент. Разработчики рекомендуют самостоятельно оценивать её качество, безопасность и наличие предвзятости для конкретного применения. Модель распространяется по лицензии Apache-2.0 и прежде всего предназначена для исследовательского использования.

KBNIT создала разговорную языковую модель для Kolon на базе davidkim205/nox-solar-10.7b-v4. Это плотная архитектура Llama с 10,6 млрд параметров и контекстом до 4096 токенов; модель предназначена для генерации текста и диалогового использования. Для дообучения применялись QLoRA с параметрами 256 и 64 и NEFTune; модель обучали пять эпох на изменённых частных данных. Модель поддерживает корейский и английский языки. Репозиторий содержит веса PyTorch, а лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка не раскрывает состав обучающих данных и не приводит результаты оценки качества, поэтому пригодность для конкретных задач следует проверять отдельно.

NumFaLM 3B — двуязычная языковая модель на архитектуре Llama, разработанная для открытых исследований небольших языковых моделей. Она обучена с нуля на тайском и английском языках и предназначена для генерации текста и экспериментов с обучением двуязычных моделей. Модель содержит 3,4 млрд параметров, использует плотную архитектуру Llama и принимает контекст до 2048 токенов. Авторы опубликовали скрипт обучения и использованный набор данных wannaphong/mark13, что позволяет исследовать процесс обучения и данные. Модель обучалась один проход по данным, поэтому её качество и полнота обучения могут быть ограничены. Лицензия — Apache-2.0.

spow12/POLAR-14B_4.3_very_big_sft — языковая модель, созданная методом supervised fine-tuning на основе x2bee/POLAR-14B-v0.2 для общения на корейском языке. Разработчик сообщает, что при обучении использовались DeepSpeed и TRL, а данные включали общедоступные, закрытые и сгенерированные примеры. Модель предназначена для генерации текста в диалоговом формате. Это плотная архитектура Llama с 14,1 млрд параметров и контекстом до 4096 токенов; репозиторий содержит веса в формате safetensors. Метаданные указывают поддержку корейского и английского языков и лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование.

Карточка модели jaeyong2/Qwen2.5-7B-Instruct-Viet-SFT на Hugging Face совпадает с карточкой jaeyong2/Qwen2.5-7B-Instruct-Thai-SFT, поэтому описание составлено по ней. jaeyong2/Qwen2.5-7B-Instruct-Thai-SFT — дообученная авторами репозитория на тайском языке инструктивная языковая модель на основе Qwen/Qwen2.5-7B-Instruct. Она предназначена для диалогов и генерации ответов по инструкциям; метаданные также указывают интерфейс для вызова инструментов. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Указанные языки — тайский и английский. Модель загружается через Transformers, веса представлены в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. README не содержит дополнительных сведений о данных дообучения, оценках качества или ограничениях, поэтому пригодность для конкретного сценария следует проверять самостоятельно.

ThakiCloud разработала эту полноразмерную дообученную версию Qwen3.8-27B для общения на корейском языке. Модель сохраняет архитектуру, токенизатор и словарь базовой модели; её плотная архитектура содержит 27 млрд параметров. Настройка стиля смещает ответы к короткой связной корейской прозе, а подавление токенов на уровне весов снижает генерацию китайских слов и японской каны, сохраняя отдельные ханча для корейских пояснений. Модель принимает текст и поддерживает диалог и интерфейс вызова инструментов; в карточке подтверждена задача генерации текста. В измерениях, приведённых автором, доля ответов списком при свободной генерации снизилась с 97,5% до 2,0%, а загрязнение вывода символами CJK — с 2,55% до 0,33%. Оценка предпочтения модельного судьи составила 94,9%, но она не откалибрована по человеческим оценкам. Модель склонна отвечать кратко: для длинных или структурированных материалов нужно явно задавать длину и формат. Английский и математический сценарии оценены недостаточно; отдельное обучение безопасности не проводилось, поэтому унаследовано выравнивание базовой модели. Лицензия Apache-2.0.

AMAImedia выпустила эту модель в рамках платформы NOESIS для автоматизации многоязычного дубляжа. Это дообученная версия Qwen3.8-27B-Uncensored с удалённым механизмом отказа: в README изменение названо abliteration, а метаданные указывают исходную модель orcarouter/Qwen3.8-27B-Uncensored. Модель предназначена для исследований механизмов отказа и выравнивания, тестирования безопасности и устойчивости, а также для дальнейшего дообучения и постобучения. Архитектура — плотная мультимодальная модель Qwen3_5ForConditionalGeneration на 27 млрд параметров с гибридным вниманием Gated DeltaNet и полноценными слоями внимания, визуальным модулем и головой MTP. Она принимает текст и изображения, поддерживает диалог, работу с инструментами и распознавание изображений и документов; в README также заявлены режимы рассуждения и OCR. Репозиторий содержит веса Safetensors в формате BF16 без квантизации. Карточка заявляет поддержку многих языков, в том числе русского, английского и китайского. По приведённым в README тестам, способность модели отвечать на вредоносные запросы без отказа резко повышена, а результаты нескольких тестов общих возможностей близки к исходной модели; это результаты авторов карточки. Удаление защитных механизмов означает, что модель может выдавать вредный, предвзятый или оскорбительный контент, поэтому для контролируемых исследований и оценки безопасности необходима внешняя фильтрация. Лицензия — Apache 2.0.

RoLlama2-7b-Chat — чат-модель OpenLLM-Ro для генерации текста на румынском языке. Она создана дообучением RoLlama2-7b-Base и использует плотную архитектуру Llama с примерно 6,6 млрд параметров. Модель предназначена для общения с пользователем в формате ассистента и для исследовательского применения в задачах на румынском языке. Модель принимает текст и генерирует текст; длина контекста составляет 4096 токенов. В карточке приведены результаты отдельных англоязычных бенчмарков, но сравнительные оценки для румынского общения и культуры для этой версии отмечены как ожидающие публикации. Лицензия CC-BY-NC-4.0 разрешает использование на её условиях, включая ограничения на коммерческое применение.

ruisp/speecht5_finetuned_voxpopuli_it — модель синтеза речи из текста, созданная дообучением microsoft/speecht5_tts на наборе данных facebook/voxpopuli. Она использует архитектуру SpeechT5 и модель speechbrain/spkrec-xvect-voxceleb для получения вектора голоса диктора. Модель предназначена для преобразования текста в итальянскую речь; в README приведено значение loss 0,5126 на оценочной выборке. Модель распространяется в форматах PyTorch и Safetensors по лицензии MIT. В карточке не приведены сведения о естественности речи, поддержке нескольких голосов или практических ограничениях синтеза.

Spivavtor-Large — модель Grammarly для редактирования украинского текста, созданная дообучением bigscience/mt0-large на датасете Spivavtor. Это encoder-decoder-модель семейства mT5 с 608,4 млн параметров; она принимает текстовые инструкции и фрагменты текста и генерирует отредактированный текст. Модель предназначена для исправления и улучшения украинских текстов в сценариях, где нужно применить текстовые правки по инструкции. Модель распространяется в формате safetensors по лицензии CC BY 4.0. Карточка отсылает к статье с подробностями датасета и процесса дообучения; сведений о длине контекста и конкретных видах редактирования в доступных данных нет.

sonoisa разработал модель на архитектуре T5 для генерации японских вопросов по ответу и контексту, содержащему этот ответ. На вход подаются ответ и соответствующий фрагмент текста в формате «answer: {ответ} content: {контекст}», на выходе модель формирует вопрос. Модель создана дообучением японской T5 на примерно половине очищенных примеров SQuAD 1.1, переведённых на японский язык.

Tanuki-8x8B-dpo-v1.0 — диалоговая большая языковая модель проекта GENIAC, разработанная командой добровольных участников под руководством лаборатории Мацуо. Базовая Tanuki-8x8B обучалась с нуля примерно на 1,7 трлн токенов; эта версия дополнительно настроена для диалога с помощью SFT и DPO. Это модель типа Mixture of Experts с общим числом параметров около 47 млрд и примерно 13 млрд активных параметров. В метаданных указаны 7,2 млрд параметров; README приводит отдельные значения для базовой архитектуры Tanuki-8x8B. Модель предназначена для генерации ответов в диалоге и выполнения инструкций, в первую очередь на японском языке. Также заявлена поддержка английского. Она использует контекст до 4096 токенов и японский вариант формата Alpaca; авторы рекомендуют заданный в карточке системный промпт, поскольку модель обучалась с ним. По опубликованной оценке Japanese MT-Bench версия 8x8B получила средний балл 7,96. Для инференса требуются Flash Attention; для использования через vLLM нужна изменённая версия с поддержкой архитектуры. Модель распространяется в формате safetensors, лицензия Apache-2.0. В README также описаны квантованные варианты, но они не являются заявленным форматом этого репозитория.

VerwaltungsAnthologie_clear_7B — объединённая автором MarcGrumpyOlejak языковая модель на базе Mistral-7B-v0.1, созданная методом DARE TIES с помощью mergekit. В объединение вошли пять моделей, включая варианты, настроенные на немецкий простой язык, юридические тексты и разговорную речь. Модель заявлена как промежуточный чекпойнт для последующих слияний и использовалась как базовая часть VerwaltungsAnthologie_Disco_7B. Она предназначена для генерации текста на немецком языке, в том числе для упрощения формулировок, работы с юридическими текстами и разговорного общения. По метаданным, модель содержит 7,1 млрд параметров, использует архитектуру Mistral и поддерживает контекст до 32 768 токенов. README описывает её как экспериментальный промежуточный этап, а не как готовую специализированную систему. Юридические ответы и URL могут быть ошибочными или выдуманными. Условия лицензии в предоставленных данных не указаны.

Модель ayer teу01/wav2vec2-large-xlsr-53-AsanteTwi-06 — версия wav2vec2-large-xlsr-53, дообученная разработчиком на Common Voice 13.0 для автоматического распознавания речи. Это модель архитектуры Wav2Vec2ForCTC с 402,7 млн параметров, принимающая аудио и выдающая текст. На тестовой выборке указаны loss 0,6122 и WER 0,5; модель ориентирована на речь на асанте-тви. Опубликована в формате PyTorch под лицензией Apache-2.0. Высокий WER указывает на возможные ошибки распознавания; результаты могут зависеть от качества записи и соответствия аудио обучающим данным.

kingabzpro/wav2vec2-urdu — модель распознавания речи на урду, разработанная дообучением чекпойнта Harveenchadha/vakyansh-wav2vec2-urdu-urm-60 на Common Voice. Это модель семейства wav2vec2 с архитектурой Wav2Vec2ForCTC; в её весах 113,3 млн параметров. Она принимает аудио и преобразует речь в текст на урду. Модель предназначена для автоматической транскрипции речи. В README приведены результаты оценки на небольшом наборе обучения и валидации объёмом 0,58 часа: WER 0,5747 и CER 0,3268. Высокие значения ошибок указывают на ограниченную точность; автор также упоминает более новую модель для урду. Модель распространяется по лицензии Apache-2.0.

janiduchamika/wav2vec2-xls-r-300m-sinhala-general-185k — модель автоматического распознавания речи на архитектуре Wav2Vec2ForCTC. Она содержит 402,7 млн параметров и принимает аудио, выдавая распознанный текст. В README указаны обучение с нуля на датасете, название которого не приведено, и результаты оценки: WER 25,13 и loss 0,1645. Модель предназначена для преобразования речи в текст; название репозитория указывает на сингальский язык. Карточка не описывает условия записи, охват диалектов и конкретные сценарии применения, поэтому качество вне указанного оценочного набора не подтверждено. Лицензия не указана в предоставленных данных.

kapilkd13/xls-r-hi-test — модель распознавания речи на базе Wav2Vec2, дообученная на facebook/wav2vec2-xls-r-300m для хинди на данных Mozilla Common Voice 7.0. Она принимает аудио и выдаёт распознанный текст; архитектура модели — Wav2Vec2ForCTC, число параметров — около 402,8 млн. В оценке на тестовом наборе указаны loss 0,7346 и WER 1,0479, что свидетельствует о слабом качестве распознавания в этой оценке. Модель предназначена для автоматической транскрипции речи на хинди. Опубликована по лицензии Apache-2.0.

ZeroTTS — модель синтеза речи на вьетнамском языке, разработанная zeroweight-ai. Она преобразует текст в речь, поддерживает генерацию с потоковой выдачей аудио, клонирование голоса по короткому аудиофрагменту, диалоги с двумя говорящими, длинные озвучивания и переключение между вьетнамским и английским. Модель распространяется в формате ONNX и рассчитана на быстрый запуск, в том числе на CPU; в карточке заявлена первая выдача аудио примерно через 70 мс и скорость выше реального времени на ноутбуке. Разработчик также заявляет о меньшем числе ошибок распознавания слов по сравнению с другими открытыми вьетнамскими TTS-моделями, но README не приводит методику или результаты сравнения. Лицензия — MIT.

Heoni/Aguie_v0.1 — плотная авторегрессионная языковая модель семейства Llama, разработанная на основе LLama2-koen-13b. Это версия с непрерывным обучением на 90 ГБ корейских и 45 ГБ английских данных, предназначенная для генерации текста на корейском и английском языках. Модель содержит 13 млрд параметров, использует формат PyTorch и имеет контекстное окно 2048 токенов. Модель подходит для продолжения текста и генерации ответов на корейском и английском языках. В README приведён корейский разговорный фрагмент, однако специализированные сценарии или дополнительные возможности не описаны. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий на условиях лицензии.

AMALIA-9B-0626-DPO-GGUF — это набор GGUF-квантизаций языковой модели AMALIA-9B-0626-DPO, подготовленный layerx-labs для работы с llama.cpp и совместимыми приложениями, включая LM Studio, Ollama и Jan. Исходная модель разработана консорциумом португальских университетов и исследовательских центров при финансировании правительства Португалии. Это вариант DPO, дообученный на предпочтениях, ориентированный прежде всего на европейский португальский язык и задачи генерации текста в диалоговых и других текстовых сценариях. Модель имеет около 9 миллиардов параметров и распространяется в вариантах BF16, Q8_0, Q4_K_M и Q4_K_S размером примерно от 5,4 до 18,3 ГБ. Формат GGUF и встроенный шаблон ChatML с системным промптом AMALIA упрощают запуск в совместимых рантаймах. Q4_K_M заявлен как сбалансированный вариант по качеству и размеру, Q8_0 — как близкий к исходному качеству, а BF16 содержит исходные веса; квантизация позволяет снизить требования к памяти, но может ухудшать качество по сравнению с полной точностью. Модель особенно подходит для локального запуска, генерации текста и общения на европейском португальском языке. Сведения о других языках, точной архитектуре, максимальном контексте и специализированных возможностях в карточке не приведены; в примере запуска сервера используется контекст 8192 токена, но это не подтверждает максимальный размер контекстного окна. Модель и её квантизированные варианты распространяются по лицензии Apache 2.0.

Это GGUF-квантизированная версия языковой модели ERNIE-4.5-0.3B-PT, разработанной Baidu и подготовленной пользователем bartowski для запуска через llama.cpp и совместимые приложения, включая LM Studio. Модель предназначена для генерации текста и ориентирована на работу с английским и китайским языками. Доступны варианты от BF16 до различных схем квантования, поэтому можно выбирать между качеством и потреблением памяти; размеры файлов составляют примерно от 0,19 до 0,72 ГБ. Модель подходит для локального запуска на устройствах с ограниченными ресурсами, экспериментов и базовых сценариев текстовой генерации. К сильным сторонам относятся небольшой размер, поддержка GGUF и широкий выбор вариантов квантования, включая рекомендуемые сборки Q4_K_M, Q5_K_M и Q6_K. При этом это компактная модель на 0,3 млрд параметров, поэтому её возможности и качество генерации могут быть ограничены по сравнению с более крупными моделями, особенно в сложных задачах. Контекстный размер, точная архитектура, дополнительные модальности и формат промпта в README не указаны. Модель распространяется по лицензии Apache-2.0.

CAMeLBERT-Mix DID MADAR Corpus6 — модель классификации арабских текстов по диалектам, разработанная CAMeL Lab и дообученная на MADAR Corpus 6. Она присваивает входному предложению одну из шести меток диалектов и подходит для определения диалекта в коротких сообщениях и фразах; модель можно использовать через pipeline text-classification в Transformers. Модель основана на архитектуре BERT, содержит 136,3 млн параметров и принимает последовательности длиной до 512 токенов. Она работает с арабским языком и выдаёт метку класса с оценкой уверенности. Репозиторий содержит веса PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0.

Bielik-7B-Instruct-v0.1-GGUF — это набор файлов модели в формате GGUF, подготовленный SpeakLeash на основе Bielik-7B-Instruct-v0.1. Модель представляет собой дообученную версию Bielik-7B-v0.1 с архитектурой causal decoder-only и примерно 7 миллиардами параметров. Она ориентирована на работу с польским языком. Модель предназначена для генерации текста и инструкционного взаимодействия: ответов на запросы, диалоговых сценариев и других задач, где требуется следование текстовым инструкциям на польском языке. Формат GGUF рассчитан на локальный запуск с помощью совместимых инструментов и библиотек, включая llama.cpp, text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. К сильным сторонам относятся специализация на польском языке, инструкционная настройка и возможность локального использования в оптимизированном формате. README не содержит данных о размере контекста, поддерживаемых модальностях помимо текста или результатах бенчмарков. Для квантованных вариантов заявлены возможное снижение качества ответов и повышенный риск галлюцинаций. Модель распространяется по лицензии CC BY-NC 4.0, допускающей некоммерческое использование.

nicolajreck/csm-1b-danish-tts — адаптер LoRA, дообученный Nicolaj Reck на базе Sesame CSM-1B для синтеза датской речи из текста. Модель использует архитектуру CSM с примерно 977 млн параметров; обучаемая часть адаптера составляет около 16 млн параметров. Репозиторий содержит веса в формате safetensors, а для работы требуется базовая модель sesame/csm-1b. Модель предназначена для озвучивания датских текстов естественной речью и поддерживает выбор мужского или женского голоса с помощью токенов диктора. README также заявляет хорошее качество английской речи с датским акцентом; при этом модель оптимизирована для датского, поэтому качество на других языках может быть ниже. Вывод — аудио с частотой дискретизации 24 кГц; указанное в метаданных контекстное окно — 2048 токенов. Лицензия — Apache 2.0.

PracticeLLM/Custom-KoLLM-13B-v1 — авторегрессионная языковая модель, разработанная Kyujin Han (kyujinpy) на основе архитектуры трансформера LLaMA 2. Модель содержит 12,9 млрд параметров и предназначена для генерации текста; в карточке приведены результаты оценок на корейских языковых и рассуждательных бенчмарках. Модель обучена на наборе kyujinpy/KOR-OpenOrca-Platypus-v3 и основана на beomi/llama-2-koen-13b. Она принимает текст и генерирует текст, поддерживает корейский язык, а максимальный контекст составляет 2048 токенов. Репозиторий содержит веса PyTorch для использования через Transformers. Лицензия CC BY-NC-SA 4.0 требует указания авторства, запрещает коммерческое использование и распространяет производные материалы на тех же условиях. Результаты бенчмарков показывают эффективность на отдельных тестах, но не гарантируют качество для всех запросов и прикладных задач.

Koichi Yasuoka разработал эту модель на архитектуре DeBERTa-v2 для разметки частей речи в китайском тексте. Она дообучена на базе IDEA-CCNL/Erlangshen-DeBERTa-v2-710M-Chinese и присваивает каждому слову тег UPOS из универсального набора частей речи. Модель предназначена для POS-разметки и разбора зависимостей; метаданные Hugging Face указывают задачу классификации токенов и датасет Universal Dependencies. Модель содержит 930,7 млн параметров, работает с китайским языком и поддерживает упрощённое и традиционное письмо. Родной размер контекста — 512 токенов. Веса доступны в формате PyTorch, лицензия — Apache-2.0. Карточка не уточняет ограничения качества или точный формат вывода разбора зависимостей.