I.6Перевод и языковая адаптация

mpasila/Llama-3.2-Finnish-Wikipedia-1B — текстовая модель mpasila, полученная продолжением предварительного обучения unsloth/Llama-3.2-1B на данных финской Википедии. Это плотная авторегрессионная модель семейства Llama 3.2 с 1,2 млрд параметров, предназначенная для генерации текста с адаптацией к финскому языку и материалам Википедии. Контекст модели составляет до 131 072 токенов. Модель подходит для генерации финского текста и экспериментов с языковыми задачами на основе энциклопедических данных. В README автор отмечает ограничения качества: по приведённой оценке FIN-bench модель уступила исходной Llama 3.2 1B по общему результату. Для использования действуют условия Llama 3.2 Community License Agreement.

MaLLaM 3B 20K Instructions — дообученная модель на основе Mistral для генерации текста в ответ на инструкции. Её разработали для демонстрации того, как базовую модель можно дообучить на датасете инструкций на малайском языке; в примере она отвечает на вопрос о KWSP — пенсионном накопительном фонде Малайзии. Модель использует архитектуру MistralForCausalLM и шаблон чата Mistral Instruct. Размер составляет 2,9 млрд параметров, длина контекста — 32 768 токенов. Основной язык примеров — малайский. Карточка описывает модель как быструю демонстрацию, поэтому её качество не следует считать подтверждённым для широкого применения. У модели минимальные механизмы модерации. Лицензия в доступных данных не приведена.

facebook/mms-tts-iri — модель синтеза речи на языке ригве (Rigwe, iri) из проекта Massively Multilingual Speech компании Meta. Это отдельный чекпойнт для одного языка с архитектурой VITS: модель принимает текст и генерирует речевую аудиоволну. Вариативный предиктор длительности позволяет получать разные ритмические варианты произношения; для повторяемого результата требуется фиксировать seed. Модель содержит около 3,5 млн параметров и доступна в форматах PyTorch и Safetensors для использования через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-poy — модель синтеза речи на языке Pogolo (код poy), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на Pogolo. Модель использует архитектуру VITS: генерация речи выполняется сквозным образом, а стохастический предсказатель длительности позволяет варьировать ритм произношения. В репозитории указано 3,5 млн параметров; доступны веса PyTorch и Safetensors. Для работы с моделью подходит библиотека Transformers версии 4.33 и новее. Синтез недетерминированный: для повторения результата нужен фиксированный seed. Модель предназначена для Pogolo, поэтому её не следует считать многоязычным синтезатором. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Simbolo AI Myanmarsar-GPT — предварительно обученная языковая модель на архитектуре GPT-2, созданная для генерации текста на бирманском языке. Модель обучена на корпусе из 20 000 бирманских предложений, преимущественно полученных из открытых данных, включающих материалы Википедии. Это базовая модель для дальнейшей настройки под конкретные задачи, а не готовый чат-бот. Модель предназначена для генерации бирманского текста и может служить основой для разработки чат-ботов, творческого письма и машинного перевода после соответствующей донастройки. Она использует библиотеку Transformers и формат весов safetensors; длина контекста составляет 2048 токенов. Лицензия — MIT. Качество и возможные смещения модели подробно не исследованы. Обучающие данные в основном представлены бирманским языком Unicode, поэтому выводы о качестве для других языков или задач не обоснованы.

Brunobkr/OFFELLIA_insraq_LFM2.5-2.6B-heretic.gguf — файл модели в формате GGUF для генерации текста, связанный с экспериментальным форком llama.cpp под названием ΩFFΣLLIα. В README не указано, кто разработал исходную языковую модель LFM2.5-2.6B-heretic; указано лишь, что данный вариант предназначен для экосистемы llama.cpp/GGML и распространяется под лицензией MIT. Заявлены португальский и английский языки, однако подробности о качестве поддержки языков отсутствуют. Ключевая особенность файла — экспериментальная 4-битная схема квантования GGML_TYPE_Q4_2_H с размером блока 24 элемента и заявленной плотностью 4,67 бит на вес. Она ориентирована на уменьшение объёма модели и ускорение локального вывода через совместимую сборку llama.cpp. README также упоминает поддержку GGUF v3 и интеграцию с инструментами llama.cpp, но не содержит подтверждённых сведений о точной архитектуре, максимальном контексте, количестве параметров исходной модели, доступных модальностях или фактических показателях производительности. Сильной стороной является компактное представление, потенциально удобное для запуска на совместимом локальном оборудовании с ограниченными ресурсами. Ограничения связаны с экспериментальным характером формата Q4_2_H: для работы может потребоваться специальная модифицированная сборка llama.cpp с поддержкой этого типа квантования, а совместимость со стандартными реализациями и реальное влияние на качество в README не подтверждены.

PULI-GPT-3SX — венгерская языковая модель семейства GPT-NeoX, разработанная NYTK и обученная с использованием кода EleutherAI GPT-NeoX. Она предназначена для генерации продолжений текста на венгерском языке. В карточке указано 6,7 млрд параметров, а в метаданных — 8,8 млрд; модель обучалась на корпусе объёмом 36,3 млрд слов до 150 000 шагов. Репозиторий содержит веса PyTorch и Safetensors. Модель принимает текст и генерирует текст; максимальная длина последовательности составляет 2048 токенов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. README отмечает ограничение длины контекста; качество генерации за пределами венгерского языка не описано.

RP-7b-instruct — японская инструктивная языковая модель для генерации текста, созданная автором репозитория путём слияния нескольких моделей методом Model Stock с помощью mergekit. В качестве базовой модели использована stabilityai/japanese-stablelm-base-gamma-7b; среди объединённых моделей также указаны японские и RP-модели семейства ArrowPro и другие чекпойнты. Модель имеет архитектуру MistralForCausalLM, 7,1 млрд параметров и контекст до 4096 токенов. Модель предназначена для ответов на вопросы и диалоговой генерации на японском языке, в том числе для ролевых сценариев. В карточке приведён пример ответа на японском и рекомендован формат инструкций [INST]. Автор предупреждает, что модель настроена для RP и её знания могут быть нестабильными. Репозиторий распространяется по лицензии Apache-2.0.

Sahaj-86M (SEHAJ v8) — языковая модель Nam-toon-studio с 86 036 224 параметрами, обученная с нуля на корпусе текстов на панджаби. Она сочетает Selective SSM и причинное внимание и предназначена для генерации текста на панджаби, прежде всего в локальных и периферийных системах с ограниченными ресурсами. Для более связных ответов следует использовать обученный шаблон «ਸਵਾਲ: {prompt}\nਜਵਾਬ: ». Модель рассчитана на текстовый ввод и текстовый вывод; заявленная задача — text-generation. Для фактических ответов README рекомендует подключать RAG-поиск по локальному индексу Википедии на панджаби: знания о мире в основном обеспечивает этот слой, а не веса модели. В раннем тесте на 25 вопросах точность без RAG составила 12%; это ограниченный результат, а README также отмечает менее стабильную остановку генерации и более высокую perplexity на общем корпусе после дообучения по сравнению с Sahaj-30M. Модель выпущена под лицензией MIT.

sarvam1-dapt-general — промежуточный чекпойнт Sarvam-1 размером 2,4 млрд параметров после дополнительного обучения на общих данных о мире на малаяламском языке. Модель создана в рамках исследования контролируемого DAPT для суммаризации на малаяламском; архитектура — плотная LlamaForCausalLM, библиотека — Transformers, формат весов — safetensors. Нативный контекст составляет 8192 токена, а для дополнительного обучения использовано около 297 млн токенов. Чекпойнт предназначен для экспериментов с суммаризацией на малаяламском и изучения влияния дополнительного обучения на языковых данных. В описании исследования сообщается, что DAPT не дал статистически значимого улучшения downstream-результатов ни для mBART, ни для Sarvam-1. Артефакт обозначен как частный исследовательский материал; условия лицензирования в предоставленных данных не приведены.

Torongo-TTS-AS — односпикерная модель синтеза речи на ассамском языке, разработанная Anand Dey. Она использует архитектуру VITS и преобразует текст в речевую волну с частотой 16 кГц; встроенный нормализатор обрабатывает числа, даты, английские слова и символы. Модель обучена на наборе данных ananddey/assamese-single-fem-dataset и предназначена для озвучивания коротких фраз и предложений женским голосом. README указывает около 36 млн параметров, тогда как метаданные каталога — 3,6 млн, поэтому размер модели по доступным источникам расходится. Модель доступна через Transformers и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Модель поддерживает только ассамский язык и один нейтральный женский голос; она лучше работает с короткими высказываниями, не предоставляет управления эмоциями и просодией и рассчитана на частоту дискретизации 16 кГц. Другие языки могут давать неразборчивую речь.

VibeVoice-Hindi-1.5B — модель синтеза речи, дообученная Tarun7r на базе vibevoice/VibeVoice-1.5B для генерации речи на хинди из текста. Архитектура VibeVoice включает языковую основу Qwen2.5-1.5B, акустический и семантический токенизаторы и диффузионный блок; при адаптации использовались LoRA для языковой части и полное дообучение диффузионного блока. Репозиторий содержит веса safetensors и распространяется по лицензии MIT. Модель предназначена для озвучивания текстов на хинди, в том числе длинных диалогов и аудио с несколькими говорящими. Поддерживаются выразительная просодия, клонирование голоса по референсному аудио и потоковая генерация; качество клонирования зависит от чистоты и продолжительности образца голоса. Карточка заявляет генерацию длительных последовательностей вплоть до 90 минут. Есть противоречие в карточке: название, описание и инструкции по инференсу указывают на хинди, тогда как раздел ограничений утверждает, что модель обучена только на английском и китайском и не поддерживает другие языки. Поэтому качество синтеза на хинди нельзя считать гарантированным. Модель предназначена для исследовательского использования; возможны ошибки и смещения, она не генерирует музыку или фоновые эффекты и не моделирует перекрывающуюся речь. Клонирование голоса требует согласия человека, чей голос используется.

nmthien/vietnamese-gpt2 — дообученная модель генерации текста на архитектуре GPT-2, доступная в формате safetensors и предназначенная для работы с вьетнамским языком. В метаданных указана длина контекста 1024 токена; модель загружается через библиотеку Transformers. Модель можно использовать для продолжения вьетнамского текста и генерации текста по заданному началу. В README приведено значение loss 3,0493 на оценочном наборе, но назначение дообучения и использованный датасет не описаны. Лицензия в предоставленных данных не указана.

XiYouJi-6b — плотная авторегрессионная языковая модель семейства Llama на 5,8 млрд параметров, разработанная проектом stylellm. Она дообучена на романе «Путешествие на Запад» и предназначена для переноса его литературного стиля на произвольный исходный текст: переписывания, стилистической правки и имитации характерных слов, фраз, риторики и диалогов. Модель принимает текст и генерирует текст; поддерживает китайский язык, а контекст составляет 4096 токенов. В примерах README показано, как модель переписывает фрагменты «Белоснежки» в манере классического китайского романа, включая архаичную лексику и повествовательные обороты. Базой обучения послужила Yi-6b, а для обучения использовался LLaMA-Factory. Лицензия указана как other, поэтому условия использования следует уточнять по репозиторию и правообладателям исходных текстов. Модель рассчитана на имитацию конкретного литературного стиля; её примеры также показывают возможные смысловые отклонения при переписывании.

Ama Dablam 322M DPO — дообученная Spandyie языковая модель с архитектурой AmadablamForCausalLM, оптимизированная для генерации ответов в формате инструкций и диалога. Модель содержит 365 млн параметров, работает с контекстом до 8192 токенов и распространяется в формате Safetensors через Transformers. Модель прошла двухэтапное обучение предпочтениям DPO на 14 152 парах для непальского, майтхили и бходжпури. Она ориентирована на связные и лаконичные ответы с сохранением письма; обучающие данные охватывают деванагари, IAST и фонетическую запись. Валидационная точность предпочтений составила 91,4%; слабее результаты для бходжпури и особенно IAST. Модель подходит для инструктивного общения на поддерживаемых языках, но её небольшой размер ограничивает фактическую надёжность: DPO улучшает предпочтительный стиль ответов, а не знания. Кэширование отключено; согласно карточке, включение use_cache может приводить к несвязным ответам. Лицензия CC-BY-NC-4.0 разрешает только некоммерческое использование.

AMIDDA 1.0 Line 4B — модель Calfa для распознавания рукописного текста на изображениях отдельных строк. Она дообучена методом LoRA на базе Qwen/Qwen3.5-VL-4B-Instruct; адаптер объединён с базовыми весами. Обучение проводилось на 53 420 строках из восьми корпусов AMIDDA. Модель предназначена для транскрибирования арабских рукописей магрибского и восточного стилей, урду в литографиях, персидского текста и современного арабского почерка. На вход подают обрезанное изображение одной строки, а на выходе получают транскрипцию. Для распознавания целой страницы требуется предварительно выделить строки. Текст сохраняется в исходном виде, без нормализации и редакторской правки; огласовки передаются согласно правилам конкретного корпуса. Модель построена на архитектуре Qwen3.5-VL-4B и распространяется в формате safetensors через Transformers. Авторы отмечают, что она не предназначена для production-применения. Для запуска требуется Transformers версии 5.9 или новее; без оптимизированных CUDA-ядер инференс может быть значительно медленнее. Лицензия — Apache-2.0.

GuysTrans/bart-base-vn-ehealth — дообученная модель генерации текста на архитектуре mBART, созданная на основе vinai/bartpho-syllable. В репозитории указано, что она дообучалась на датасете, название которого не приведено; подробного описания назначения и оценки качества нет. Модель содержит 242,3 млн параметров, принимает текст и генерирует текст, её контекст составляет до 1024 токенов. Базовая модель предназначена для генеративных задач на вьетнамском языке, включая суммаризацию. Суффикс ehealth в названии указывает на возможную медицинскую направленность дообучения, но README не подтверждает конкретные задачи или область применения, поэтому её следует считать предположительной. Доступны веса PyTorch и safetensors. Условия лицензии в предоставленных данных не указаны.

cucafera (Base Model) — авторская предобученная языковая модель pauhidalgoo для генерации текста на каталанском языке. Она основана на плотной архитектуре LlamaForCausalLM с 245 млн параметров и контекстом 2048 токенов. Модель обучена на каталанском корпусе pauhidalgoo/patufet-pretrain; в README также указаны 30 слоёв, группированное внимание GQA и токенизатор BPE с размером словаря 65 536.

BricksDisplay/ellie-Bert-VITS2 — модель синтеза речи с тайваньским акцентом, разработанная JackEllie. Она преобразует текст в речь и предназначена для генерации озвучивания на китайском языке с указанным акцентом. Архитектура — Bert-VITS2; в репозитории представлены файлы ONNX и safetensors, а метаданные указывают 3,6 млн параметров. Модель является дообучением Jackellie/ellie-Bert-VITS2 и распространяется по лицензии CC BY 4.0. README упоминает использование через Transformers, но подробности настройки голоса и запуска не приведены.

EmotiveIcelandic — модель синтеза речи на базе Parler-TTS, разработанная и дообученная на эмоциональном исландском речевом корпусе talromur3_with_prompts. Она преобразует текст в речь, позволяя задавать естественным языком характеристики голоса и высказывания: высоту тона, монотонность, темп, качество звучания, реверберацию, эмоцию и её интенсивность. В корпусе представлены семь голосов, а данные размечены шестью эмоциональными классами: нейтральным, радостным, грустным, сердитым, удивлённым и доброжелательным детским обращением. Модель предназначена для управляемого синтеза исландской речи, например для озвучивания реплик с заданной эмоциональной окраской и темпом. Это дообученная мультиязычная архитектура Parler-TTS, но карточка описывает обучение исландской речи. Модель распространяется по лицензии CC BY 4.0. Качество синтеза за пределами исландского языка и размеченных голосов и эмоций карточкой не подтверждается.

Avertry/gemma-4-kjv-bible-instruct — дообученная модель Gemma 4, предназначенная для генерации текста в стиле и тематике Библии короля Якова (KJV). По карточке, модель создана с помощью PEFT/LoRA на очищенном наборе текстов KJV; адаптер объединён с базовыми весами для непосредственного запуска. Метаданные указывают базовую модель google/gemma-4-E2B, архитектуру Gemma4ForConditionalGeneration и формат safetensors. Модель подходит для генерации библейских текстов и ответов в архаичной стилистике KJV, а также для исследований богословского текста и имитации его стиля. Карточка описывает настройку для инструкционного формата. Метаданные указывают английский язык и задачу text-generation. Лицензия в метаданных — MIT; README приводит Apache 2.0, поэтому сведения о лицензии расходятся.

GPcroaT — авторегрессионная языковая модель на архитектуре GPT-2, опубликованная пользователем domsebalj. Она предназначена для генерации текста на хорватском языке и связана с датасетом hrWaC. Модель работает с текстом и имеет контекстное окно 1024 токена. В репозитории представлены веса в формате TensorFlow. Карточка предлагает делиться результатами использования модели; сведений о лицензии и конкретных сценариях применения в доступных данных нет.

HEDGEhog — дообученная модель на основе BERT для распознавания маркеров неопределённости в английском тексте. Она выполняет многоклассовую разметку на уровне токенов и различает эпистемические высказывания о возможности, маркеры исследования и слова, выражающие убеждения и гипотезы. Модель содержит 135,5 млн параметров, принимает контекст длиной до 512 токенов и распространяется в формате PyTorch по лицензии MIT. Модель обучалась и оценивалась на Szeged Uncertainty Corpus. В README приведены результаты по трём классам: F1 составляет 0,88 для эпистемических маркеров, 0,90 для маркеров убеждений и 0,84 для маркеров исследования. Для запуска автор рекомендует библиотеку Simple Transformers: прямое использование через Transformers pipeline и классы может давать некорректные результаты. Приведённые показатели относятся к оценке на указанном корпусе и не гарантируют качество на других данных.

Модель «みんなで翻刻 くずし字OCR» разработана для распознавания японских исторических документов. Она преобразует изображение одной вертикально набранной строки в текст транскрипции и одновременно отмечает структуру: фуригану, кунтэн, окончания и вставки варигaki. Архитектура — vision encoder-decoder: ConvNeXt V2-Base с обучаемыми двумерными позиционными эмбеддингами и декодер RoBERTa из 6 слоёв, размером 512 с 8 головами внимания. Вход — изображение строки размером 256 × 2048; словарь содержит 7 710 символов, включая старые и вариантные формы. Модель обучена на более чем миллионе строк и рассчитана на японские исторические материалы. В тестировании на 58 521 строке CER основного текста без учёта пробелов составил 0,0608; модель также выдаёт структурные теги. Она подходит для оцифровки кудзусидзи и подготовки транскрипций, но не находит строки на странице и не определяет порядок чтения. Модель хуже справляется с бухгалтерскими и табличными макетами и со вставками варигaki; ошибки заметно различаются между документами. Для загрузки требуется `trust_remote_code=True`, поскольку стандартный класс Transformers может отбросить позиционные параметры и снизить точность. Лицензия — CC BY-SA 4.0.

Irodori-TTS-v4-Small-8bit — преобразованная в формат MLX и 8-битное представление версия модели Aratako/Irodori-TTS-v4-Small, опубликованная mlx-community. Она предназначена для синтеза речи на японском языке и объединяет в одном чекпойнте клонирование голоса по аудиообразцу, создание голоса по текстовому описанию (VoiceDesign) и автоматическое предсказание длительности речи. Модель использует текстовый энкодер ModernBERT-ja-310m с включёнными весами и токенизатором, а также японский аудиокодек Semantic-DACVAE-Japanese-32dim; для инференса эти компоненты не требуется загружать отдельно. Можно передавать аудиообразец длительностью до 120 секунд; список фрагментов кодируется отдельно и объединяется, что соответствует обучению модели. При передаче описания голоса без аудиообразца предсказатель длительности может примерно удваивать короткие тексты короче семи токенов, из-за чего модель повторяет фразу. Это преобразованная производная базовой модели, а не самостоятельная разработка. Лицензия в предоставленных данных не указана.

facebook/mms-tts-nin — модель синтеза речи на языке Ninzo (код nin), созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Это отдельный языковой чекпойнт семейства VITS: он преобразует входной текст в речевую аудиоволну. Архитектура VITS объединяет вариационный автоэнкодер, Transformer-энкодер текста, потоковый модуль и вокодер; стохастический предиктор длительности позволяет получать разные ритмические варианты произношения одного текста. Модель содержит около 3,5 млн параметров и доступна в форматах PyTorch и Safetensors. Модель предназначена для генерации речи на Ninzo; поддержка других языков для этого чекпойнта не заявлена. MMS-TTS подключается через библиотеку Transformers версии 4.33 и новее. Генерация недетерминирована, поэтому для воспроизводимого результата требуется фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Это крупная японская модель RoBERTa для заполнения пропусков в тексте. Её выпустила организация nlp-waseda; модель предварительно обучена на японской Википедии и японской части корпуса CC-100 и предназначена для masked language modeling. Модель содержит 435,4 млн параметров, использует архитектуру RoBERTa и токенизатор на основе Juman++ и SentencePiece со словарём из 32 000 токенов. Максимальный контекст составляет 514 токенов. Для работы с большими наборами данных токенизация через BertJapaneseTokenizer может быть медленной, поскольку быстрая токенизация Juman++ не поддерживается. Лицензия — CC BY-SA 4.0.

SinBERT-small — языковая модель, разработанная для синхальского языка и предварительно обученная на крупном одноязычном корпусе sin-cc-15M. Модель использует архитектуру RoBERTa и предназначена для заполнения пропусков в тексте с помощью предсказания замаскированных токенов. Модель содержит 79,7 млн параметров, принимает текст с маскированными токенами и выдаёт вероятные варианты для их заполнения. Длина контекста составляет 514 токенов. Доступны веса в формате PyTorch; лицензия — MIT. Карточка рекомендует цитировать исследование «BERTifying Sinhala - A Comprehensive Analysis of Pre-trained Language Models for Sinhala Text Classification, LREC 2022».

Synatra-7B-v0.3-base — корейская чат-модель, разработанная Maywell как личный проект. Она основана на mistralai/Mistral-7B-Instruct-v0.1 и дообучена для диалогов и следования инструкциям; модель поддерживает форматы ChatML и Alpaca без поля ввода. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов, доступная в формате PyTorch для Transformers. Модель предназначена для генерации текста и разговорных сценариев на корейском языке. Автор отмечает, что оценка на Ko-LLM-Leaderboard ещё проводится, а улучшение понимания языка остаётся в планах. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

RogerB/xlm-roberta-base-finetuned-kinyarwanda-kinre-finetuned — модель XLM-RoBERTa, дообученная на основе Davlan/xlm-roberta-base-finetuned-kinyarwanda. Она предназначена для предсказания замаскированных слов в тексте на киньяруанда и может применяться для анализа контекста и восстановления пропусков в таких текстах. Модель содержит 305,2 млн параметров, использует архитектуру XLMRobertaForMaskedLM и принимает контекст длиной до 514 токенов. В README приведено значение loss 1,4788 на оценочном наборе, но сведения о наборе данных и другие результаты отсутствуют. Лицензия в предоставленных данных не указана.