I.6Перевод и языковая адаптация

RogerB/afro-xlmr-large-kinyarwanda-finetuned — дообученная модель XLM-RoBERTa Large для предсказания пропущенных токенов. Она основана на Davlan/afro-xlmr-large и содержит около 658,7 млн параметров. Модель предназначена для задач заполнения маскированных слов в тексте; README сообщает значение loss 1,1397 на оценочной выборке, но не описывает набор данных и подробности обучения. Модель принимает и выдаёт текст, поддерживает контекст до 514 токенов и распространяется под лицензией MIT. Название указывает на настройку для киньяруанда, однако доступные сведения не уточняют, какие ещё языки поддерживаются или насколько хорошо модель работает на конкретных задачах.

Это предварительно обученная японская модель BERT base для работы с super short unit words (SSUW). Её разработчик — ku-accms. Модель использует архитектуру BERT с головой masked language modeling, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для заполнения маски в японском тексте. Перед подачей текст нужно преобразовать в полноширинные символы и заранее сегментировать на SSUW, например с помощью KyTea. Для предобучения использовался дамп японской Википедии от 1 января 2023 года объёмом 3,3 ГБ. Модель распространяется по лицензии CC BY-SA 4.0.

CT-LLM-Base — китайско-ориентированная языковая модель, опубликованная командой M-A-P. Согласно карточке, модель предварительно обучена и дообучена преимущественно на китайских корпусах; авторы представляют её как основу для изучения языковых возможностей, смещений и многоязычной адаптивности. Это плотная Llama-модель с 1,9 млрд параметров и контекстом до 4096 токенов, распространяемая в формате Safetensors. Модель предназначена для генерации текста и академического исследования китайского языка и многоязычного поведения. Карточка не сообщает конкретные сценарии применения или отдельные поддерживаемые языки помимо китайской ориентации. Авторы предупреждают, что ответы могут быть неточными или неподходящими и что модель не гарантирует корректность результатов. Она заявлена для научных исследований; сведения о лицензии в предоставленных данных отсутствуют.

CuteTTS-jp — японскую модель синтеза речи разработал ayutaz, продолжив обучение CuteTTS компании OPPO и Fudan University на 325,9 часа японских аудиоданных. Модель принимает текст и может использовать референсную запись для переноса тембра голоса; отдельная запись той же фразы позволяет передать интонацию. Основа содержит около 230 млн параметров, поддерживает последовательную генерацию и формирует аудио с частотой 24 кГц. Для синтеза текст автоматически преобразуется в японскую катакану с обозначением позиции акцента; без этого преобразования качество заметно снижается. На тесте из 600 фраз частота ошибок чтения составила 7,12%, а ошибок специальных японских звуков — 2,43%. По описанию автора, интонационная точность уступает человеческой речи, китайский язык работает плохо, английский сохраняется, а числа и даты даются модели сложнее. Обучение на репликах из аниме и игр придаёт речи скорее актёрскую, чем дикторскую манеру. Веса распространяются по лицензии CC BY-SA 4.0.

Kashif786 выпустил модель distillmbert-sindhi-extended-Reduced-learning-rate — дообученную языковую модель на архитектуре DistilBERT для заполнения пропусков в тексте. Она предсказывает замаскированные токены, используя окружающий контекст. Контекст модели составляет до 512 токенов; веса сохранены в формате safetensors. В README приведено значение loss 2,6384 на оценочном наборе, но сведения о наборе данных и подробностях обучения отсутствуют. Модель ориентирована на текст на синдхи. Лицензия в доступных данных не указана.

EvoLLM-JP-A-v1-7B — экспериментальная универсальная японская языковая модель, разработанная Sakana AI методом эволюционного слияния моделей. Это авторегрессионная плотная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате Safetensors и предназначены для работы через Transformers. Модель генерирует текст на японском языке и может использоваться для диалога, ответов на вопросы, написания и продолжения текста. Она объединяет Shisa Gamma 7B v1, Arithmo2 Mistral 7B и Abel 7B 002, но README не описывает отдельные гарантированные преимущества слияния или результаты оценки качества. Модель представлена как экспериментальный прототип для исследований и разработок. Она не предназначена для коммерческого применения или критически важных сред; качество и результаты не гарантированы. Лицензия — Apache License 2.0.

Gabriel-7B-Instruct-v0.2 — диалоговая модель на базе Mistral-7B-Instruct-v0.2, дообученная методом SFT разработчиком Hello-Bible на самостоятельно собранном наборе из 36 тысяч французских и английских христианских примеров. Модель предназначена для генерации ответов в диалоге на темы христианства; архитектура — плотная Mistral с 7,1 млрд параметров, контекст — до 32 768 токенов. Модель можно применять для ответов на вопросы о христианстве, обсуждения религиозных тем и подготовки черновиков текстов на французском и английском языках. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Лицензия — Apache 2.0. Карточка не приводит результаты оценки качества или подробностей о составе обучающих данных. Ответы могут содержать ошибки и отражать особенности обучающего набора; модель не следует считать авторитетным источником богословских сведений.

gohumanize-open-humanizer — открытая исследовательская модель для перефразирования англоязычного текста, стилистически похожего на текст, созданный ИИ, в более естественную человеческую письменную речь. Модель разработана проектом GoHumanize и предназначена для исследовательских и образовательных задач; она не является production-моделью GoHumanize.ai и не заявляет о способности обходить или выявлять AI-детекторы. Это полноразмерная дообученная версия Qwen3-4B с примерно четырьмя миллиардами параметров: в процессе full fine-tune обновлялись все веса. Модель работает в режиме text generation через Transformers, использует чатовый формат, поддерживает английский язык и обучена на 2 957 парах текстов: фрагментах книг из Project Gutenberg и современной прозе федеральных агентств США. Рекомендуемый размер входа — примерно 80–300 слов; длинные документы следует обрабатывать по абзацам. Для локального запуска доступны варианты GGUF. Сильная сторона модели — перестройка предложений и изменение ритма текста, а не только замена отдельных слов. На тестовых данных она приблизила показатели сохранения смысла, сходства с человеческим текстом и сохранения имён к исходным человеческим текстам. При этом примерно в одном случае из шести современный текст может вернуться почти без изменений, а при работе с текстами, содержащими много чисел, около 28,5% перефразирований теряют хотя бы одну числовую величину. Модель также может тяготеть к литературному или официальному стилю, поскольку соответствующие тексты преобладают в обучающих данных. Лицензия — Apache-2.0.

mymusise/gpt2-medium-chinese — языковая модель семейства GPT-2 Medium для генерации текста на китайском языке. В карточке указаны обучающие данные wiki2019zh_corpus и исходный код gpt2-quickly; модель доступна в форматах PyTorch и TensorFlow. Контекст модели составляет 1024 токена. Модель предназначена для продолжения китайского текста по заданному фрагменту и генерации связных текстовых последовательностей. Примеры в карточке показывают продолжение повествовательного текста. Лицензия в предоставленных данных не указана.

GroNLP публикует эту небольшую модель GPT-2, адаптированную для итальянского языка. Она основана на OpenAI GPT-2 small: веса слоёв Transformer сохранены как в исходной англоязычной модели, а лексические эмбеддинги переобучены для итальянского словаря. Это вариант только с адаптацией эмбеддингов; авторы также предлагают отдельную версию с дополнительным дообучением всей модели и рекомендуют её. Модель предназначена для генерации итальянского текста и запускается через конвейер text-generation в Transformers. Контекст составляет 1024 токена. В карточке перечислены реализации PyTorch, TensorFlow и JAX/Flax, а также формат safetensors. Лицензия и результаты оценки качества в доступных сведениях не указаны.

IceBERT — языковая модель для исландского языка, разработанная Miðeind. Она обучена с помощью fairseq на архитектуре RoBERTa-base и предназначена для заполнения пропусков в тексте: модель предсказывает замаскированные слова с учётом окружающего контекста. Обучающие данные включают Icelandic Gigaword Corpus, Icelandic Common Crawl Corpus и новостные статьи Greynir. Модель содержит 151,6 млн параметров и принимает последовательности длиной до 514 токенов. Доступны веса PyTorch и Safetensors. Лицензия — CC BY 4.0.

japanese-mistral-300m-base-GGUF — набор квантованных GGUF-файлов базовой языковой модели japanese-mistral-300m-base, разработанной ce-lery и квантованной afrideva. Модель предназначена для генерации и продолжения текста, прежде всего на японском языке; базовая версия предварительно обучалась на данных Wikipedia и CC100. Это не инструкцияно настроенная модель, поэтому её ответы могут требовать дополнительной адаптации под прикладные задачи. Модель основана на архитектуре Mistral 300M и содержит около 300 миллионов параметров. Для токенизации используется SentencePiece с byte fallback, что призвано снизить генерацию неизвестных слов. Доступны варианты в формате GGUF с точностью fp16, а также квантованиями q2_k, q3_k_m, q4_k_m, q5_k_m, q6_k и q8_0; размеры файлов составляют примерно от 177 до 712 МБ. Это текстовая одномодальная модель, однако сведения о размере контекстного окна и поддерживаемых языках, кроме ориентации на японский, в карточке не указаны. Основные преимущества — небольшой размер, наличие нескольких уровней квантования для выбора компромисса между качеством и потреблением памяти, а также возможность локального запуска в совместимых инструментах GGUF. Ограничения включают отсутствие подробных оценок качества, неполную документацию по архитектуре и контексту, а также отсутствие подтверждённой инструкции по использованию или специализированного дообучения для конкретных задач. Лицензия в предоставленной карточке не указана.

kinyaRoberta-large-kin-finetuned — дообученная модель RoBERTa для заполнения пропусков в тексте на киньяруанда. Она основана на jean-paul/kinyaRoberta-large и содержит 136,3 млн параметров. Модель предсказывает замаскированные слова и рассчитана на обработку последовательностей длиной до 512 токенов. Карточка сообщает о дообучении и приводит значение loss 2,6897 на оценочной выборке, но не раскрывает состав обучающих данных и подробные результаты. Модель распространяется в формате PyTorch; сведения о лицензии отсутствуют в доступных данных.

KoHRM-Text-1.4B-GGUF — это набор квантизированных GGUF-версий модели KoHRM-Text-1.4B от LLM-OS-Models. Модель предназначена для генерации текста и поддерживает корейский и английский языки. Она использует нестандартную архитектуру hrm_text с рекуррентной структурой H/L; экспортированные веса организованы как H: 16 и L: 16. Доступны варианты BF16, Q8_0, Q6_K, Q5_K_M, Q4_K_M, Q3_K_M и Q2_K размером примерно от 569 МБ до 2,6 ГБ. Модель ориентирована на локальный запуск и текстовые сценарии, включая вопросы и ответы на корейском языке, в частности простые финансовые запросы. В GGUF-метаданных заданы циклы h_cycles=2 и l_cycles=3; их уменьшение может ускорить генерацию, но часто снижает качество. В документации приведён пример работы на CPU через модифицированный llama.cpp: для стандартного upstream llama.cpp, Ollama, LM Studio и других обычных GGUF-фронтендов поддержка архитектуры пока отсутствует, поэтому требуется специальный патч runtime. Указанный тест на CPU показал скорость генерации около 5 токенов в секунду для Q8_0, но это качественный пример, а не полноценный бенчмарк. Сильной стороной модели является возможность запуска в различных вариантах квантизации на локальном оборудовании. Ограничения включают необходимость использовать patched llama.cpp, нестабильное следование инструкциям и то, что публичный checkpoint является моделью на стадии rolling pretraining, а не финальной chat/SFT-моделью. Контекстный размер в представленном README явно не указан. Модель и GGUF-экспорты распространяются по лицензии Apache-2.0.

Latxa 70b — базовая языковая модель семейства Latxa, разработанная исследовательским центром HiTZ и группой IXA Университета Страны Басков UPV/EHU. Это плотная авторегрессионная модель архитектуры LLaMA 2 с 68,7 млрд параметров и контекстом до 4096 токенов, основанная на meta-llama/Llama-2-70b и дополнительно обученная на баскском корпусе EusCrawl v1; в обучении также использовались англоязычные данные для снижения потери знаний английского языка. Модель предназначена прежде всего для генерации текста на баскском языке, а также для экспериментов с задачами понимания текста, классификации и рассуждений через промпты или последующее дообучение. Она не проходила инструкционное дообучение, поэтому не рассчитана на работу в качестве чат-ассистента; качество на языках, отличных от баскского, не гарантируется. Модель устарела и опубликована для воспроизводимости исследований; разработчики рекомендуют использовать более новую версию. Лицензия Llama 2 допускает коммерческое и исследовательское применение с соблюдением её условий.

Карточка модели ENC-PSL/Medusa0.2Line-4B на Hugging Face совпадает с карточкой ENC-PSL/Medusa0.2Line-9B, поэтому описание составлено по ней. MEDUSA 0.2 Line 9B — мультиязычная vision-language-модель для распознавания рукописного текста в средневековых европейских документах. Её разработали в École nationale des chartes – PSL; модель основана на архитектуре Qwen3.5 и дообучена для распознавания текста на уровне строки. Модель принимает изображение одной предварительно выделенной строки рукописи и возвращает её транскрипцию. Она обучалась на исторических рукописях IX–XV веков и охватывает более 20 языков, включая старофранцузский, среднеанглийский, латынь, старочешский и старопольский. Версия 0.2 включает предварительный этап обучения на 500 тысячах синтетических строк для расширения покрытия языков с малым объёмом данных. Транскрипции ориентированы на правила CATMuS. Модель предназначена для распознавания строк, а не страниц целиком: изображения страниц требуется предварительно сегментировать. Для соответствия правилам CATMuS может потребоваться отдельная постобработка. Лицензия — CC BY 4.0.

Ministral Camus — диалоговая языковая модель freddm на базе mistralai/Ministral-3-8B-Instruct-2512. Она дообучена в два этапа с помощью LoRA: сначала на очищенных текстах Камю для усвоения стиля, затем на вопросах и ответах для ведения беседы. Итоговая модель объединяет базовые веса и оба адаптера. Модель предназначена для генерации ответов в разговорном стиле, вдохновлённом прозой и философскими темами Альбера Камю: абсурдом, свободой, справедливостью и достоинством. Примеры в карточке показывают ответы на французском языке о философских и современных вопросах. Репозиторий содержит веса Safetensors и варианты GGUF, включая F16, Q6_K и Q8_0; лицензия — Apache-2.0. Это стилизация, а не точное воспроизведение взглядов или авторства Камю: модель может выдавать обобщённые рассуждения и уверенно формулировать субъективные утверждения. Карточка не приводит оценок качества или размера контекста.

facebook/mms-tts-hub — модель синтеза речи на языке вампис, созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на вампис. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, flow-модуль, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN; обучение проводится сквозным образом. Размер модели — 3,5 млн параметров, формат весов — PyTorch и Safetensors. Отдельный чекпойнт MMS-TTS обучен для каждого языка; эта версия предназначена для вампис. Стохастический предиктор длительности позволяет получать разные ритмические варианты одной фразы, поэтому для воспроизводимого результата нужен фиксированный seed. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

OceanGPT-basic-14B-v0.1 (OceanGPT-14B-v0.1) — языковая модель команды ZJUNLP для задач океанологии. Она дообучена на базе Qwen1.5-14B на двуязычном наборе данных по тематике океана и предназначена для ответов на вопросы и диалоговых сценариев в этой области. Модель использует архитектуру Qwen2 с плотной causal language model, содержит 13,4 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает и генерирует текст, поддерживает китайский и английский языки. Модель подходит для исследовательской работы с вопросами по океанологии и для диалогового изучения предметной области. Карточка предупреждает о возможных галлюцинациях, нестабильности ответов при разных попытках и ограниченных возможностях симулированного воплощённого интеллекта; идентичность модели также может быть непоследовательной. Лицензия — MIT.

gctian 发布的 gctian/qwen2.5-32B-roleplay-zh 是基于 Qwen2.5-32B-Instruct 全参数微调的角色扮演对话模型。模型采用 Qwen2 架构，参数量为 32B，使用 safetensors 格式，原生上下文长度为 32 768 токенов； карточка заявляет о дообучении на крупном наборе данных для ролевых диалогов и оценке, в которой модель превзошла Doubao-Pro. README описывает запуск через LLaMA-Factory с шаблоном qwen. Модель предназначена для генерации текста в ролевых диалогах и имитации персонажей; метаданные отмечают поддержку китайского и английского языков. Лицензия — Apache-2.0. Результат сравнения с Doubao-Pro приведён без подробностей методики оценки, поэтому его нельзя считать независимым подтверждением качества.

Это экспериментальная дообученная модель Qwen3-ASR-0.6B для распознавания вьетнамской речи с ценами на продукты и разговорными обозначениями денежных сумм. Разработчик адаптировал её на синтетическом аудио, созданном VieNeu TTS, и примерах денежных сокращений от 1k до 999k; архитектура — Qwen3-ASR плотного типа, веса сохранены в safetensors. Модель предназначена для транскрибации вьетнамских высказываний о ценах и денежных суммах, включая варианты записи с суффиксом k. На тестовом наборе kvariants1184 указаны WER 18,28%, CER 6,51% и точность распознавания сумм 90,32%; проверка на VIVOS ещё не завершена. Перед применением на реальных записях разработчик рекомендует провести валидацию. Лицензия указана как other, поэтому условия её использования следует уточнить у автора.

CLARIN-PL RoBERTa KGR10 — польская языковая модель семейства RoBERTa, разработанная CLARIN-PL и предварительно обученная на корпусе KGR10. Модель предназначена для заполнения пропусков в тексте: она предсказывает подходящий токен на месте маски. В метаданных указана архитектура RobertaForMaskedLM и размер 153,2 млн параметров; контекст составляет до 514 токенов. Карточка описывает модель как незавершённую: опубликованный чекпойнт прошёл около 5% целевого обучения, а новые версии планировалось выпускать по мере обучения. Доступны веса PyTorch и Flax. Сведения о лицензии в предоставленных данных отсутствуют.

ruMorpheme-v0.1 — модель для морфемного анализа и сегментации слов русского языка, опубликованная evilfreelancer. Она размечает слова, выделяя приставки, корни, соединительные гласные, дефисы, суффиксы, постфиксы и окончания. В README приведены примеры сегментации с оценками уверенности для отдельных морфем. Модель предназначена для автоматической морфемной разметки русских слов и может использоваться в лингвистических инструментах и обработке русского текста. Вдохновлена кодовой базой NeuralMorphemeSegmentation и работой о supervised-сегментации русских морфем с помощью глубоких свёрточных сетей. Доступны веса PyTorch; лицензия — MIT.

ShuiHuZhuan-6b — китайская языковая модель проекта stylellm, дообученная на романе «Речные заводи» для переноса его литературного стиля на другой текст. Она принимает исходный текст и переписывает его, используя характерную лексику, построение фраз, риторические приёмы и диалоги произведения; подходит для стилизации и литературной обработки текста. Модель основана на Yi-6B, использует плотную архитектуру LlamaForCausalLM, содержит 5,8 млрд параметров и рассчитана на контекст до 4096 токенов. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория.

Goldfish snd_arab_full — авторегрессионная языковая модель семейства GPT-2, разработанная командой Goldfish для языка синдхи в арабской письменности. Модель содержит около 125 млн параметров, обучена на корпусе объёмом около 459 МБ с поправкой на различия в размере текстов в байтах и принимает последовательности длиной до 512 токенов. Модель предназначена для генерации и продолжения текста на синдхи, а также для исследований и сравнений качества языковых моделей на языках с ограниченными ресурсами. Обучающие данные включают материалы MADLAD-400, NLLB, Glot500 и OSCAR; для корректной работы перед текстом рекомендуется добавлять токен начала последовательности CLS/BOS. Goldfish ориентирована на сопоставимость между языками и низкоресурсные языки; её результаты для языков с большими ресурсами не рассчитаны на сравнение с современными крупными языковыми моделями. Распространяется по лицензии Apache-2.0.

Sunflower Qwen3.5 9B Tool-Calling SFT PoC — экспериментальный чекпойнт Sunbird, полученный полнопараметрическим дообучением Sunflower-Qwen3.5-9B для маршрутизации мультиязычных запросов к внешней языковой модели. Модель принимает запрос, решает, ответить ли самостоятельно или сформировать вызов query_external_llm с английским переводом запроса; после выполнения вызова хост передаёт результат модели для подготовки ответа на исходном языке. Вызов инструмента генерируется моделью, но исполнять его должен хост. Дообучение выполнено на 27 языках, включая английский, на наборе Sunbird/sunflower-posttrain-data. Модель рассчитана на диалог и генерацию текста с интерфейсом вызова инструмента. README не сообщает размер контекстного окна модели; длина последовательности при обучении составляла до 2 304 токенов. Лицензия — Apache-2.0. Это proof of concept, не готовый к выпуску продукт: модель слишком часто выбирает вызов инструмента, а текущие метрики маршрутизации не достигают критериев приёмки. Для работы необходим хост, который исполняет вызовы и управляет политиками безопасности, тайм-аутами, повторами, аутентификацией и затратами.

eminAydin разработал эту небольшую модель GPT-2 для генерации текста на турецком языке. Она дообучена на базе eminAydin/turkish-gpt2-mini-M0-cleaned-wiki720-10ep; README указывает датасет как None и сообщает значение loss 4,1690 на оценочной выборке. Модель предназначена для продолжения и генерации турецкого текста. Контекст составляет 1024 токена, веса доступны в формате Safetensors.

Модель c-ho/2026-08-26-crf-classweights-clean — дообученная версия Davlan/bert-base-multilingual-cased-ner-hrl для классификации токенов. Архитектура основана на BERT и использует CRF-слой; модель содержит 205,1 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. По метрикам и названиям классов в README модель предназначена для разметки текста тегами лингвистических терминов и явлений: среди категорий указаны морфологические, синтаксические, фонологические и семантические явления, а также термины и языковые ресурсы. На оценочном наборе указаны F1 0,7871, точность 0,7639 и полнота 0,8119; качество заметно различается между классами, включая F1 0 для Graphemicphenomenon. Данные обучения в карточке не описаны. Лицензия — AFL-3.0.

BAAR2.2-3M — компактная предобученная многоязычная разговорная модель, разработанная автором репозитория aixk. Она предназначена для генерации диалоговых ответов на устройствах с ограниченными вычислительными ресурсами, включая встраиваемые и периферийные платформы; автор также описывает сценарии лёгкого RAG. В метаданных указаны архитектура BAAR25 dense, 7,7 млн параметров и контекст 512 токенов; README заявляет 3 млн параметров и поддержку 11 языков: корейского, английского, японского, китайского, испанского, португальского, немецкого, русского, хинди, вьетнамского и тайского. Модель выдаёт текст и подходит для базового диалога, простых вопросов и ответов и коротких переводных запросов. Примеры в карточке показывают неполные и неточные ответы, а сам автор характеризует её как базовый чекпойнт и рекомендует дообучение или RAG для специализированных задач и повышения фактической точности. Репозиторий содержит веса Safetensors. Лицензия указана как other; README уточняет, что коммерческое использование ограничено и требует согласования условий с разработчиком.

BanglaBERT Generator — предварительно обученная модель ELECTRA, разработанная CSEBUET NLP для заполнения маскированных слов. Чекпойнт обучен на больших корпусах бенгальского языка с целью Masked Language Modeling и предназначен для предсказания подходящего слова в заданной фразе. Модель содержит 20,8 млн параметров, использует архитектуру ElectraForMaskedLM и принимает последовательности длиной до 512 токенов. Для обработки текста требуется токенизатор модели и нормализация по специальному конвейеру, описанному разработчиками. Метаданные также связывают модель с английским языком, но README описывает предварительное обучение на бенгальских корпусах. Сведения о лицензии в доступных данных отсутствуют.