I.6Перевод и языковая адаптация

Koichi Yasuoka разработал англоязычную модель разметки текста на основе RoBERTa-large, дообученную на UD_English. Она присваивает каждому слову тег UPOS из универсальной системы частей речи и предназначена для морфологической разметки английского текста; карточка также указывает на применение для синтаксического анализа зависимостей. Модель содержит 454,1 млн параметров, принимает текст с контекстом до 514 токенов и доступна в формате PyTorch для Transformers. Лицензия — CC-BY-SA-4.0. Модель полезна для лингвистического анализа и предварительной разметки английских текстов. Указанная область применения ограничена английским языком и задачами токенной классификации; README не приводит метрик качества.

SlovenianGPT — базовая языковая модель на 7,1 млрд параметров, разработанная Алексой Гордиć на основе Mistral 7B и обученная на десятках миллиардов токенов словенского языка. Она предназначена для генерации и автодополнения текста на словенском языке, например для продолжения фрагментов текста и создания основы для специализированных моделей-инструкций. Архитектура — плотная MistralForCausalLM; длина контекста составляет 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Это базовая модель без механизмов модерации и настройки на следование инструкциям: она может продолжать текст, но не рассчитана на выполнение команд в формате ассистента. В README приведено сравнение результатов оценки с несколькими моделями, но численные результаты здесь не указаны.

stanfordnlp/stanza-el — модель из набора Stanza, разработанного Stanford NLP для лингвистического анализа греческого языка. Она предназначена для разметки текста на уровне токенов в составе инструментов Stanza; набор также охватывает синтаксический анализ и распознавание сущностей, но карточка этой модели подтверждает только задачу token-classification. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка не сообщает размер модели или длину контекста.

kuppuluri/telugu_bertu_pos — модель BERT для разметки последовательностей на уровне токенов, предназначенная для определения частей речи в тексте на телугу. Модель содержит 137,8 млн параметров, имеет контекст до 512 токенов и доступна в форматах PyTorch и Flax. Автор сообщает о результатах на тестовом наборе: F1 0,9984, точность 0,9984 и полнота 0,9983. Карточка предупреждает о проблемах с кодировкой телугу в веб-интерфейсе Hugging Face и рекомендует запускать инференс из Python. Сведения об обучающих данных и лицензии в доступных материалах не приведены.

Yigdzin 1 — специализированная модель оптического распознавания тибетского текста, разработанная Buddhist Digital Resource Center (BDRC) на базе PaddlePaddle/PaddleOCR-VL-1.6. Это зрительно-языковая модель с визуальным энкодером и декодером для генерации текста; размер — около 810 млн параметров. Репозиторий распространяет веса в формате safetensors, библиотека для работы — Transformers, лицензия — Apache-2.0. Модель предназначена для распознавания страниц тибетских книг-печа, включая современные издания, ксилографы и рукописи с письмом учен и у-мед. Она сохраняет переносы строк и рассчитана на пакетную обработку сканов или заданных фрагментов страниц. На тестовом наборе BDRC из 1 070 страниц медианная ошибка символов составила около 1,4% при описанной авторами производственной конфигурации. Yigdzin 1 не предназначена для общего визуального диалога, ответов на вопросы по изображениям или распознавания нетибетских письменностей. Она не выполняет обнаружение строк и областей, а транскрибирует поданное изображение целиком или предоставленный фрагмент. Авторы отмечают остаточные повторы на небольшой доле страниц, ошибки объединения строк на некоторых плотных ксилографах, а также трудности с иллюстрациями и повреждёнными или плохо читаемыми страницами.

VibeVoice-Hindi-7B — дообученная командой автора карточки модель синтеза речи на основе vibevoice/VibeVoice-7B, предназначенная для озвучивания текста на хинди. В README заявлены архитектура VibeVoice-7B с языковой основой Qwen2.5-7B, акустическим и семантическим токенизаторами σ-VAE и диффузионным блоком примерно на 600 млн параметров. Контекст составляет 32 тысячи токенов, что, по карточке, соответствует примерно 45 минутам аудио. Модель генерирует выразительную речь, поддерживает длинные аудиофрагменты, диалоги с несколькими говорящими и клонирование голоса по предоставленным образцам. README описывает потоковую генерацию и демонстрацию через Gradio. Указанный метод адаптации включает LoRA для языковой модели и полное дообучение диффузионного блока. Карточка противоречива в отношении языков: название и разделы о возможностях заявляют поддержку хинди, а ограничения базовой модели говорят, что обучение велось только на английском и китайском и другие языки не поддерживаются. Поэтому пригодность для качественного синтеза хинди требует проверки. Также качество клонирования зависит от образца голоса; модель не предназначена для музыки, фоновых звуков или перекрывающейся речи. Лицензия репозитория — MIT; README указывает исследовательское назначение и предостерегает от клонирования голоса без согласия и от вводящего в заблуждение использования аудио.

VieNeu-TTS Ngọc Huyền — вьетнамская односпикерная модель синтеза речи, адаптированная huutamm1612 на базе pnnbao-ump/VieNeu-TTS. Это полная модель, а не отдельный LoRA-адаптер: обучение включало адаптацию LoRA, безопасное слияние и частичное дообучение. Архитектура — плотная Qwen2ForCausalLM, размер — 552,8 млн параметров; модель работает через Transformers и использует аудиокодек neuphonic/neucodec. Длина контекста составляет 32 768 токенов. Модель предназначена для синтеза вьетнамской речи одним голосом Ngọc Huyền, в том числе озвучивания текста и повествовательных записей. Лучше всего она работает с нормализованным вьетнамским текстом, похожим на данные обучения. Иностранные слова, имена, аббревиатуры, выразительная речь и необычные символы могут произноситься неправильно; оценки MOS, WER и сходства голоса не проводились. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства в некоммерческих целях. Разработчик также рекомендует применять синтез только с разрешения и не выдавать сгенерированную речь за подлинную запись.

deepdml/whisper-base-ar-quran-mix-norm — дообученная модель Whisper Base, разработанная deepdml на основе openai/whisper-base для распознавания чтения Корана на арабском языке. Это плотная encoder-decoder модель класса WhisperForConditionalGeneration с 51,7 млн параметров, предназначенная для распознавания речи из аудио. Модель опубликована в формате safetensors и работает через Transformers. На указанном наборе оценки модель достигла WER 0,1620 и CER 0,0609; для необработанных результатов приведены WER 0,1668 и CER 0,0591. Обучение проводилось на данных tarteel-ai/everyayah и tarteel-ai/EA-UD. Репозиторий указывает лицензию Apache-2.0. README не описывает ограничения и сценарии оценки подробнее, поэтому показатели могут не отражать качество на других записях, произношениях или акустических условиях.

MaddoggProduction/whisper-l-v3-turbo-quran-lora-dataset-mix — дообученная модель распознавания речи на основе openai/whisper-large-v3-turbo, разработанная для транскрибации чтения Корана на арабском языке с огласовками. Модель использует архитектуру Whisper Turbo с 905,2 млн параметров и предназначена для быстрой расшифровки аятов, в том числе в потоковом режиме и при низкой задержке. Для обучения использованы наборы tarteel-ai/everyayah и MohamedRashad/Quran-Recitations; качество оценивалось на ahishamm/QURANICWhisperDataset, где заявлен WER 12,69%. В README отмечены скорость инференса и распознавание коранической лексики как сильные стороны. Модель распространяется под лицензией Apache-2.0. Из-за сокращённого до четырёх слоёв декодера по сравнению с 32 слоями у Whisper Large v3 модель хуже удерживает длинный контекст и может повторять слова или галлюцинировать, особенно на тишине и длинных фрагментах. Для длинных офлайн-записей README рекомендует рассмотреть Whisper Large v3 или Medium.

Davlan разработал XLM-RoBERTa Base, дообученную на текстах на киньяруанда из JW300, KIRNEWS и BBC Gahuza. Это плотная модель XLM-RoBERTa с архитектурой masked language model, содержащая 305,2 млн параметров и принимающая текстовые последовательности длиной до 514 токенов. Она предназначена для предсказания замаскированных токенов и может использоваться для подстановки пропущенных слов в тексте на киньяруанда. В оценке на MasakhaNER модель показала F1 77,76 против 73,22 у XLM-RoBERTa без такого дообучения. Обучающие данные включают размеченные сущностями новостные статьи за ограниченный период, поэтому результаты могут хуже переноситься на другие жанры, тематики и периоды. Модель доступна в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Это дообученная модель c-ho/2026-07-14-crf-classweights-clean-modernbert для классификации токенов. Она основана на jhu-clsp/mmBERT-base и использует архитектуру ModernBERT с CRF-слоем; в метаданных указано 306,9 млн параметров, контекст до 8192 токенов и формат safetensors. Модель предназначена для разметки текстовых фрагментов по категориям лингвистических понятий, включая морфологические, синтаксические, фонологические и лексические явления, а также сведения о языковых ресурсах и терминах.

RogerB разработал эту модель как дообученную версию RogerB/afro-xlmr-large-kinre-finetuned. Это плотная модель XLM-RoBERTa с архитектурой XLMRobertaForMaskedLM и 658,7 млн параметров; она предсказывает пропущенные токены в тексте. Контекст составляет 514 токенов. Модель подходит для восстановления маскированных слов и анализа текстов на африканских языках, для которых предназначена базовая модель. В README указана оценка loss 2,1652 на наборе для оценки, но датасет обучения и подробности методики не описаны. Модель распространяется под лицензией MIT.

CKIP ALBERT Base Chinese — модель CKIP для разметки токенов на традиционном китайском языке. В карточке проекта среди задач инструментов NLP указана маркировка частей речи; метаданные относят модель к token-classification и архитектуре ALBERT с классом AlbertForTokenClassification. Модель содержит 129,5 млн параметров, рассчитана на контекст до 512 токенов и представлена в формате PyTorch. Модель предназначена для определения части речи отдельных токенов в китайском тексте. Проект CKIP также предлагает инструменты сегментации слов и распознавания именованных сущностей, однако карточка этой конкретной модели не подтверждает эти задачи. Для токенизации README рекомендует BertTokenizerFast вместо AutoTokenizer. Лицензия модели — GPL-3.0.

Amaterasu-123B — диалоговая языковая модель автора Aratako, дообученная методом LoRA на базе mistralai/Mistral-Large-Instruct-2411. Она предназначена для ролевых диалогов и написания художественных текстов на японском и английском языках, в том числе со смешением этих языков. Модель использует плотную архитектуру MistralForCausalLM и содержит 122,2 млрд параметров; метаданные указывают контекст до 131 072 токенов, однако обучение проводилось на последовательностях до 32 000 токенов, а работа на большей длине не проверена. Модель подходит для интерактивного ролевого общения и творческого письма. В карточке указана лицензия other; README уточняет, что унаследована Mistral AI Research License, запрещающая коммерческое использование. Репозиторий содержит веса в формате safetensors и описывает шаблон чата для запуска.

AraToken-Qwen3-1.7B-LEP — языковая модель mariklolik, созданная на основе Qwen3-1.7B-Base для улучшения работы с арабским текстом. Это плотная авторегрессионная модель семейства Qwen3 с 2 млрд параметров и контекстом до 32 768 токенов; веса распространяются в формате safetensors и загружаются через Transformers. Модель использует расширение словаря AraToken: добавлено 130 890 строк эмбеддингов, инициализированных гибридным методом, при этом исходные строки эмбеддингов заморожены, а слои трансформера 24–27 обучались. Токенизатор включает нормализацию арабского текста: NFKC, удаление татвиля и диакритических знаков, преобразование цифр к западной записи и обработку латинской пунктуации. Это подходит для генерации арабского текста и сценариев, где важна эффективная токенизация арабской письменности. В описанном тесте модель показала BPC 1,2598 на арабском тексте против 1,2672 у варианта CPT с исходным токенизатором. Лицензия — Apache-2.0. Оценка производительности в карточке относится к конкретному тестовому набору и не гарантирует качество на других данных; модель специально адаптирована к арабскому языку, а README не описывает её как чат-модель.

Beetle Monolingual FineWeb 2B Hindi — авторегрессионная языковая модель для генерации текста на хинди, опубликованная на Hugging Face под идентификатором Beetle-FineWeb-2B. Модель рассчитана на работу через библиотеку Transformers и использует формат Safetensors; в метаданных также указан pico_decoder. Модель предназначена для генерации и продолжения текста на хинди, создания черновиков, автодополнения и других сценариев, основанных на text generation. Размер модели составляет около 2 млрд параметров согласно её названию. Сведения об архитектуре, длине контекста, наборе данных, разработчиках, результатах оценки и лицензии в предоставленных материалах отсутствуют.

春华（Chunhua）是基于 BLOOM 的古汉语问答模型，由 wptoux 发布。模型使用 Scripta Sinica 古籍文本进行微调，并结合 BELLE 项目生成的中文指令数据，以增强对话能力。仓库标记其架构为 BLOOM，содержит 9,1 млрд параметров; поддерживает генерацию текста с контекстом до 2048 токенов и распространяется в формате PyTorch. Модель предназначена для ответов на вопросы по классическим китайским текстам, объяснения их смысла и обсуждения китайской истории, философии, литературы, медицины и традиционных искусств. В примерах также показаны перевод на английский и создание стихов по заданной теме. Карточка рекомендует передавать запросы в формате, основанном на ChatML. Модель ориентирована прежде всего на китайский язык и специализируется на классическом китайском, но примеры показывают и ограниченную работу с английским. Ответы могут содержать фактические ошибки или предвзятость. Лицензия репозитория — Apache-2.0; при этом README указывает, что датасет BELLE и производные от него разрешены только для исследовательского использования и не для коммерческого применения, поэтому условия использования модели следует сверять с условиями этого датасета.

Cendol LLaMA-2 7B Chat — языковая модель семейства Cendol, разработанная IndoNLP и дообученная для общения на индонезийском и других языках Индонезии. Это плотная авторегрессионная модель архитектуры LLaMA с 6,6 млрд параметров, доступная в формате PyTorch; длина контекста — 4096 токенов. Модель предназначена для одношагового диалога и выполнения общих инструкций, включая ответы на вопросы и запросы на общие знания. Модель подходит для создания исследовательских прототипов и приложений, которым нужны ответы на индонезийском языке. В README указана лицензия Apache 2.0. Разработчики предупреждают, что ответы могут быть неточными, предвзятыми или нежелательными; перед внедрением модель следует проверять и настраивать для конкретного сценария. Поддержка языков, отличных от английского и языков Индонезии, не заявлена.

CSTinyLlama-1.2B — чешская языковая модель, разработанная командой BUT-FIT. Она непрерывно предобучена на основе TinyLlama-1.1B: авторы заменили часть словаря на чешский токенизатор и продолжили обучение на корпусе BUT-Large Czech Collection. В README также указано обучение на 168 млрд токенов; модель содержит около 1,1 млрд параметров и имеет контекст 2048 токенов. Модель предназначена для генерации текста на чешском языке. Её можно применять для черновиков, продолжения текста и прототипирования чешскоязычных языковых приложений. Доступны веса в формате safetensors. Лицензия — Apache-2.0. Качество и фактическая точность ответов не гарантируются: модель вероятностная и может генерировать недостоверный текст. README не описывает результаты оценки или специализированные возможности, поэтому пригодность для конкретных задач следует проверять отдельно.

osiria/distilbert-base-italian-cased — модель DistilBERT для итальянского языка, созданная на основе distilbert-base-multilingual-cased. Разработчик адаптировал слой эмбеддингов с учётом частот документов в итальянской Википедии. Модель содержит 67 млн параметров, словарь из 30 785 токенов и поддерживает контекст до 512 токенов. Чекпойнт предназначен для задачи fill-mask: он предсказывает пропущенный токен в тексте, где маска обозначена специальным токеном. Архитектура — DistilBertForMaskedLM; веса доступны в форматах PyTorch и Safetensors. Лицензия Apache-2.0.

FreyaTTS-small (Leyla, extended-coverage fine-tune) — независимое сообщественное дообучение модели Freya-TTS, опубликованное mirzakarahan. Модель содержит 183,2 млн параметров и предназначена для синтеза турецкой речи голосом Leyla. Для расширения охвата текста и фонетики автор дообучил исходные веса Freya-TTS на примерно 19 979 клипах длительностью около 21,5 часа: записи турецкого Common Voice были преобразованы в тембр Leyla с помощью seed-vc, после чего применялось полнопараметрическое дообучение. Выбран шаг 3500 из 4000, чтобы сохранить голосовую идентичность базовой модели. Архитектура, код инференса и способ использования совпадают с базовой Freya-TTS; репозиторий заменяет веса. Для запуска требуется код инференса FreyaTTS. Модель распространяется по лицензии Apache-2.0. Качество ограничено узкополосным трактом AudioVAE2 с кодированием на 16 кГц; входы с большим количеством цифр требуют преобразования чисел в произносимую форму, а на длинных фрагментах возможен дрейф без разбиения по фразам. Модель не оценивалась на Freya-TR-Eval, и автор не приводит метрик разборчивости или качества звучания.

HoloViolet-7B-test3 — слитая с помощью LazyMergekit модель от автора son-of-man на архитектуре MistralForCausalLM. В конфигурации task arithmetic объединены mistralai/Mistral-7B-v0.1 и три модели: GreenNode/GreenNode-mini-7B-multilingual-v1olet, KoboldAI/Mistral-7B-Holodeck-1 и FPHam/Sydney_Pirate_Mistral_7b. Модель содержит 7,1 млрд параметров, использует формат Safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и может применяться для продолжения историй и создания художественного текста; базовые компоненты ориентированы на многоязычную генерацию и художественное письмо. Языковая поддержка явно не перечислена. Лицензия в предоставленных данных не указана.

cive202/humanize-ai-text-bart-large — англоязычная encoder-decoder модель BART-large, дообученная авторами проекта Utsav Paneru и соавторами для переписывания текста, созданного ИИ, в стиле, более похожем на человеческий. Модель принимает запрос в формате «humanize: {ai_text}» и должна сохранять исходный смысл, меняя стиль. Для обучения использовали полное дообучение без адаптеров на параллельных парах текстов; в карточке указаны 25 140 обучающих пар и оценка на тестовой выборке из 1 390 примеров. Метаданные каталога указывают 252,8 млн параметров, библиотеку Transformers, контекст до 1 024 токенов и формат safetensors. Модель подходит для стилистической переработки англоязычных текстов и экспериментов с переносом стиля. В README приведены метрики языковой беглости и сдвига стилистических маркеров, но они не гарантируют качество на других жанрах и предметных областях. Авторы отдельно отмечают, что модель не гарантирует обхода AI-детекторов, а качество обобщения зависит от доменов и стилей обучающих данных. Лицензия — MIT.

KAWK-500M-Korean-Instruct-v1 — Infinity08 разработала компактную диалоговую модель на 505,3 млн параметров для генерации текста и следования инструкциям на корейском языке. Это decoder-only модель семейства Llama с архитектурой LlamaForCausalLM и контекстом 2048 токена; она использует отдельный корейский токенизатор SentencePiece Unigram на 32 000 токенов. Модель обучена с нуля: сначала примерно на 10 млрд токенов корейского корпуса, затем дообучена на корейских инструкционных данных. Она подходит для локальной генерации ответов, экспериментов с небольшими языковыми моделями, инструкционной настройкой и обучающих проектов по токенизации и конвейерам данных. В описанной авторами оценке модель показала хорошие результаты на агрегате KoBEST среди некоторых моделей сопоставимого размера, но заметно уступила на KMMLU. Из-за небольшого размера ограничены сложные рассуждения, фактическая точность и удержание контекста в длинном диалоге; возможны повторы и пропуск инструкций. Всесторонняя проверка безопасности не завершена, а применение в высокорисковых областях не рекомендуется. Лицензия в предоставленных материалах не указана.

MahaRoBERTa — модель семейства XLM-RoBERTa, разработанная L3Cube-Pune для обработки текстов на маратхи. Она создана дообучением xlm-roberta-base на корпусе L3Cube-MahaCorpus и других общедоступных одноязычных наборах данных на маратхи. Модель содержит около 305,2 млн параметров, использует архитектуру XLM-RoBERTa для предсказания замаскированных токенов и принимает последовательности длиной до 514 токенов. Подходит для восстановления пропущенных слов и получения контекстных предсказаний по текстам на маратхи. Доступны веса PyTorch и Safetensors; лицензия — CC BY 4.0.

Georgian mGPT 1.3B — языковая модель на архитектуре GPT-2, разработанная ai-forever на основе mGPT-XL (1,3 млрд параметров). Модель дополнительно обучали на грузинских данных 10 000 шагов; базовая модель обучалась на 61 языке с использованием Wikipedia и корпуса C4. Контекстное окно — 2048 токенов. Модель предназначена для генерации текста на грузинском языке, например, продолжения текста и создания черновиков. В метаданных также указаны английский и русский языки, однако карточка описывает специализацию модели именно на грузинском. Для модели опубликован результат perplexity 16,85 на валидации. Лицензия — MIT.

Kirgiz mGPT 1.3B — языковая модель на базе GPT-2, разработанная ai-forever для генерации текста на кыргызском языке. Модель содержит 1,3 млрд параметров и дообучена на дополнительных данных для кыргызского языка на основе многоязычной mGPT-XL, обученной на 61 языке с использованием Wikipedia и корпуса C4. Модель подходит для продолжения кыргызского текста, создания черновиков и языковых экспериментов. Она обучалась ещё 50 000 шагов с размером батча 4; контекстное окно составляет 2048 токенов, а значение perplexity на валидации — 8,2. В метаданных также отмечена поддержка русского и английского языков, хотя основное назначение модели — кыргызский. Весы доступны в формате PyTorch по лицензии MIT. Как авторегрессионная модель генерации, она может выдавать фактически неверные или неуместные продолжения; результаты следует проверять, особенно при использовании вне кыргызскоязычных сценариев.

Tatar mGPT 1.3B — языковая модель для генерации текста на татарском языке, разработанная ai-forever. Это дообученная версия mGPT-XL с архитектурой GPT-2 и 1,3 млрд параметров. Базовая модель обучалась на 61 языке с использованием Wikipedia и корпуса C4; данная версия дополнительно обучалась 5000 шагов на данных 23 языков, включая татарский. Модель подходит для продолжения татарского текста и генерации текстовых фрагментов. Её контекстное окно составляет 2048 токенов; валидационная perplexity — 3,69. В README не приведены сравнительные оценки качества или подробные рекомендации по применению, поэтому результаты следует проверять на целевых задачах. Лицензия — MIT.

facebook/mms-tts-boj — модель синтеза речи для языка анджам (код boj), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на анджам в речевую аудиоволну и подходит для озвучивания фраз и коротких текстов на этом языке. Модель построена на архитектуре VITS: это сквозная система синтеза с вариационным автоэнкодером, потоковым модулем, текстовым энкодером на основе Transformer, декодером HiFi-GAN и стохастическим предсказателем длительности. В репозитории указаны 3,5 млн параметров; для работы доступна через Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерчески. Модель обучена отдельно для одного языка и не предназначена для синтеза на других языках. Генерация недетерминирована: для воспроизводимого результата требуется фиксировать seed. Карточка не приводит оценок качества или подробностей о голосе.

Модель facebook/mms-tts-dnj-dialect_blowowest — компактный синтезатор речи для языка Dan, диалекта Blowowest, разработанный Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и предназначена для синтеза озвучивания; отдельный VITS-чекпойнт обучен для каждого языка MMS-TTS. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это сквозная система синтеза речи с текстовым энкодером, flow-модулем, стохастическим предсказателем длительности и декодером, формирующим аудио. Она доступна через Transformers версии 4.33 и выше; для повторения одинакового результата генерации требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства, но не коммерческое применение. Она специализирована на Dan (Blowowest), поэтому не предназначена для синтеза речи на других языках; генерация также недетерминирована без фиксированного seed.