I.6Перевод и языковая адаптация

Claudius Latin 400M — языковая модель fbandov для продолжения текста на латинском языке. Это дообученная модель семейства Llama с 341,8 млн параметров, созданная с нуля на корпусе из примерно 6,8 млрд токенов классической, средневековой и новолатинской прозы; дополнительная настройка смещает стиль к классической латыни и изложению. Модель принимает текстовый фрагмент и генерирует его продолжение, поддерживает контекст до 2048 токенов и выдаёт текст прописными буквами. Она подходит для черновиков на латыни, стилизации и творческого продолжения текста. Модель не обучалась диалогу и не предназначена для надёжных ответов на фактические вопросы: она может уверенно выдумывать сведения. В стиле сохраняется влияние средневековых текстов, могут встречаться заголовки глав и книг; греческий текст она не поддерживает. Веса распространяются по лицензии CC BY-SA 4.0.

CPM-Ant 10B — плотная авторегрессионная языковая модель семейства CPM-Ant от OpenBMB, предназначенная для генерации текста. Репозиторий содержит модель на 13 млрд параметров в формате PyTorch для использования с Transformers. Модель рассчитана на генерацию текста на китайском языке. Карточка содержит только базовую инструкцию по установке Transformers и не приводит конкретных сценариев применения, длину контекста или оценку качества. Лицензия в предоставленных данных не указана.

Koichi Yasuoka разработал эту модель на основе KoichiYasuoka/deberta-large-japanese-aozora для синтаксического анализа японского текста. Это DeBERTa V2 с 435,4 млн параметров, дообученная на UD_Japanese-GSDLUW для поиска вершины зависимости у длинных единиц слов; задача представлена в формате question answering. В README рекомендуется помещать [MASK] в контекст, чтобы устранить неоднозначность, когда вопрос содержит слово, встречающееся несколько раз. Модель принимает текст и возвращает текстовый ответ; максимальная длина контекста — 512 токенов. Модель рассчитана на японский язык и предназначена для анализа зависимостей, в частности для определения головного слова. Репозиторий содержит веса PyTorch и распространяется по лицензии CC BY-SA 4.0. README содержит лишь краткую инструкцию по использованию, поэтому сведения о точности и других ограничениях качества не приведены.

eFontes Latin Tagger v2 — модель лемматизации латинских словоформ, поддерживаемая и опубликованная Кшиштофом Новаком в 2026 году. Она составляет компонент лемматизации исправленного выпуска eFontes Latin Tagger v2 и использует архитектуру T5 с 364,6 млн параметров. Модель принимает форму слова и метку части речи в формате FORM:POS и генерирует лемму. Она предназначена прежде всего для средневековой латыни и используется вместе со средой выполнения eFontes Tagger, которая присваивает метки частей речи, сохраняет пунктуацию и числительные и возвращает готовую разметку. На отложенной выборке eFontes из 18 821 токена точность полного совпадения леммы составила 98,48%; в исходных ответах не было артефактов с метками частей речи. Точность может отличаться для других исторических периодов, вариантов орфографии, сокращений, повреждённых текстов и жанров, не представленных в обучающих и оценочных данных; предсказания требуют проверки специалистом. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных материалов на тех же условиях, но не для коммерческого использования.

dathi103/gbert-job-extended — дообученная немецкоязычная модель BERT для предсказания замаскированных слов. Она разработана на основе deepset/gbert-base и содержит 139,9 млн параметров. Модель принимает текст с маскированным фрагментом и предсказывает вероятные слова на его месте; контекст ограничен 512 токенами. Модель можно применять для подстановки пропущенных слов и адаптации к задачам понимания немецкого текста. В README указана оценка Loss 1,7968 на наборе для оценки, однако датасет и подробности обучения не описаны. Модель распространяется по лицензии MIT.

QuantFactory/Gemma-2-2b-Chinese-it-GGUF — квантизированная версия Gemma-2-2b-Chinese-it, подготовленная QuantFactory с использованием llama.cpp. Исходная модель разработана stvlynn на базе google/gemma-2-2b-it и дообучена примерно на 6,4 тыс. примеров из наборов LooksJuicy/ruozhiba и hfl/ruozhiba_gpt4. Модель предназначена для генерации текста на китайском языке и сценариев, где требуется адаптация Gemma-2-2b-it к данным ruozhiba. Она относится к классу text-generation, имеет размер 2 млрд параметров и поставляется в формате GGUF с квантизацией, что должно упростить локальный запуск и снизить требования к памяти, хотя конкретный вариант квантизации в карточке не указан. Сведения о поддерживаемых модальностях, размере контекста, точных характеристиках архитектуры и качестве на тестах отсутствуют. Ограничениями являются небольшой объём дообучающих данных и узкая специализация; лицензия указана как GPL-3.0.

Модель V4ldeLund/gemma-3-1b-it-faroese-full-experiment4 — дообученная с помощью TRL версия Gemma 3 1B IT, созданная автором репозитория на основе google/gemma-3-1b-it. Это плотная языковая модель с архитектурой Gemma3ForCausalLM, предназначенная для генерации текста и диалоговых ответов; карточка показывает пример общения в формате сообщений user/assistant. Модель содержит около 1 млрд параметров и поддерживает контекст до 32 768 токенов. Название указывает на фокус эксперимента на фарерском языке, однако карточка не описывает обучающие данные или результаты оценки качества на этом языке. Репозиторий содержит веса safetensors и рассчитан на запуск через Transformers. Лицензия в предоставленных данных не указана. Как компактная инструктивная модель, она может использоваться для локальных диалоговых сценариев, но качество ответов и владение фарерским языком следует проверять на целевых примерах.

Gemma 4 12B Vedic Opus Finetuned v2 — текстовая дообученная модель на базе Gemma 4 12B, подготовленная автором cyborgxx101 для филологического изучения ведийских текстов. Она предназначена для ответов на вопросы о Ригведе, брахманах, упанишадах, ведангах, Пурва-мимансе и Веданте; README описывает настройку LoRA и обучение на 2 484 примерах. Модель ориентирована на хронологически точное объяснение терминов, сравнение понятий разных эпох, разбор мимансистской герменевтики и выявление анахронизмов с опорой на конкретные тексты и техническую терминологию. Это плотная языковая архитектура Gemma4ForCausalLM с 11,6 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Заявленный родной контекст — 262 144 токена; карточка указывает английский язык, а README описывает работу с санскритскими терминами и текстами. Модель распространяется по лицензии Apache-2.0. Результаты HumanEval приведены автором README, но не подтверждают качество ответов по ведийской тематике; возможны ошибки и неточности в интерпретации источников.

surajp/gpt2-hindi — языковая модель на архитектуре GPT-2, опубликованная пользователем surajp на Hugging Face. Она предназначена для авторегрессионной генерации продолжения текста на хинди по заданному начальному фрагменту и может использоваться через библиотеку Transformers в задачах text generation. Модель имеет конфигурацию GPT2LMHeadModel с 6 слоями, 12 головами внимания и размерностью скрытого представления 768; размер модели составляет около 88,2 млн параметров. Поддерживается контекст длиной до 1024 токенов. Модель относится к текстовой модальности и ориентирована прежде всего на хинди; карточка также содержит совместимость с PyTorch, TensorFlow и JAX. Модель подходит для генерации продолжений и как языковой декодер, например в системах генерации подписей к изображениям на хинди. Ограничения включают короткое по современным меркам контекстное окно и отсутствие в доступной карточке подробностей о датасете, процедуре обучения, оценке качества и лицензии.

Это символьная языковая модель GPT-2 Medium на 310 млн параметров, разработанная группой KU-NLP и предварительно обученная на японской Википедии, японской части CC-100 и японской части OSCAR. Модель предназначена для генерации японского текста и запускается через библиотеку Transformers с задачей text-generation. Она использует символьный словарь размером около 6 тысяч токенов; редкие символы могут кодироваться байтами с помощью BPE. Контекст модели составляет 1024 токена. Обучающий корпус включает японские веб-тексты и энциклопедические материалы; данные Википедии повторяли десять раз, чтобы сопоставить их объём с остальными источниками. Токенизатор не обучался на пробелах U+0020: для разделения текста README рекомендует использовать японский пробел U+3000. Модель распространяется по лицензии CC BY-SA 4.0.

fathan/indojave-codemixed-indobertweet-base — предобученная маскированная языковая модель автора fathan для анализа текстов из Twitter, в которых смешаны индонезийский, яванский и английский языки. Модель основана на IndoBERTweet и обучена с помощью библиотеки Transformers на корпусе из 28,1 млн предложений, собранных из твитов за период с января 2022 по январь 2023 года и прошедших очистку и предварительную обработку. Это модель архитектуры BERT с головой для masked language modeling, примерно 137,8 млн параметров и контекстом до 512 токенов. Её основная задача — предсказывать скрытые в тексте токены; это подходит для изучения лексики и адаптации к последующим задачам на код-смешанных публикациях. В README приведены результаты предобучения: eval loss 2,4854 и perplexity 12,0054. Модель не предназначена для генерации длинных текстов или прямого решения произвольных прикладных задач без дополнительной настройки. Обучающий корпус не опубликован из-за политики Twitter. Лицензия в предоставленных данных не обозначена.

Языковая модель japanese-large-lm-1.7b разработана LINE Corporation для генерации текста на японском языке. Она предназначена для продолжения текста и других сценариев авторегрессионной генерации на основе входного текста. Модель построена на архитектуре GPT-2 и содержит 1,7 млрд параметров, 24 слоя, размер скрытого представления 2304 и 24 головы внимания. Контекст — до 2048 токенов. Используется токенизатор SentencePiece с unigram-моделью и byte fallback, поэтому можно подавать исходные японские предложения без предварительной токенизации японским анализатором. Модель обучена на японских текстах из открытых корпусов, включая C4, CC-100 и OSCAR, а также на веб-текстах; размер обучающего корпуса — около 650 ГБ. Внутренняя оценка на японской части C4 составила perplexity 8,57. Модель подходит для генерации и продолжения японского текста. Карточка не описывает специализированное обучение для диалога, следования инструкциям или конкретных предметных областей. Репозиторий распространяется по лицензии Apache-2.0.

kaa-gpt — экспериментальная генеративная модель на базе GPT-2, созданная для каракалпакского языка. Разработчик описывает её как доказательство концепции для ИИ на языках с ограниченными ресурсами. Модель содержит 80 млн параметров и принимает текст, генерируя продолжение; заявленная длина контекста — 512 токенов. Модель обучена на вручную собранных и отобранных текстах из литературы, новостей и официальных источников. Она может служить основой для каракалпакоязычных текстовых приложений и экспериментов с генерацией текста. Это ранний PoC, а не заявленная универсальная модель. Репозиторий распространяется по лицензии Apache-2.0.

ThuyNT03/KLTN_COQE_viT5_total_PASOL_v4 — дообученная модель VietAI/vit5-large на архитектуре T5 с 389,3 млн параметров. Карточка не раскрывает назначение дообучения, датасет или результаты оценки, поэтому конкретные возможности модели установить нельзя. Базовая модель предназначена для генерации текста на вьетнамском языке, в том числе для ответов на вопросы, суммаризации и перевода; эти задачи нельзя уверенно приписать данному дообучению. Репозиторий содержит веса в формате safetensors, лицензия — MIT.

LFM2.5-230M-Wolof-CPT — экспериментальная текстовая модель для адаптации к языку волоф, созданная на базе LiquidAI/LFM2.5-230M-Base. Это плотная авторегрессионная модель семейства LFM2 с 224,2 млн параметров, обученная на этапе continual pretraining (CPT) на очищенном корпусе волоф. Она принимает текст и генерирует текст; в метаданных заявлен контекст до 128 000 токенов. Модель предназначена для частных исследований и оценки адаптации языковых моделей к волоф. Её можно применять для генерации и продолжения текстов на волоф, а также для изучения языковой адаптации. Артефакт описан как закрытый и не являющийся публичным релизом; лицензия в предоставленных данных не указана. Качество орфографии волоф, обработка переключения языков, фактическая точность, рассуждения, работа с длинным контекстом и безопасность всесторонне не проверены. Перед более широким применением необходима проверка носителями языка. README не приводит измеренные метрики, а результаты сопоставления BPB разных семейств токенизаторов нельзя интерпретировать как сопоставление perplexity.

Llama-3.2-180M-Amharic — базовая авторегрессионная языковая модель с архитектурой Llama, разработанная rasyosef. Это плотный декодерный трансформер примерно на 180,3 млн параметров, предварительно обученный с нуля на 274 млн токенов амхарского текста в течение 26 часов на одном GPU A100 40 ГБ. Модель использует токенизатор Llama 3.2 с амхарским словарём размером 32 тыс. токенов, принимает текст и генерирует продолжение. Модель предназначена для генерации текста на амхарском языке и экспериментов с компактной языковой моделью. Это базовая версия без дополнительного обучения следованию инструкциям; для диалогового использования автор указывает отдельную instruct-версию. Контекст составляет 1024 токена. Веса представлены в формате safetensors и используются через Transformers. Сведения о лицензии в доступных данных отсутствуют.

Маврут (Mawrooth) — дообученная модель Norah Alobaied для толкования саудовской набати-поэзии. Она принимает стихотворную строку и формирует структурированное объяснение: разбирает значения трудных слов, анализирует смысл строки и раскрывает культурный контекст. Дополнительно модель может создавать визуальное описание, пригодное для генерации изображений. Модель построена на плотной архитектуре Llama и содержит 6,7 млрд параметров; базовая модель — humain-ai/ALLaM-7B-Instruct-preview. Обучение проводилось методом LoRA на 587 примерах, а специализированный словарь набати включает около 1000 терминов, связанных, в частности, с природой, кофе, верблюдами и традиционной культурой. Карточка сообщает о поддержке арабского языка и арабского литературного языка с надждийским диалектом; контекст — 4096 токенов. Модель предназначена для объяснения поэзии, а не для универсального диалога. Заявленные авторами сильные стороны — структурированный разбор, опора на специализированный словарь и отсутствие смешения языков. Точность объяснений и культурных сведений может зависеть от полноты словаря и охвата обучающих примеров. Модель распространяется под лицензией Apache-2.0.

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.

Hdhsjfjdsj представил дообученную модель Mistral 7B для генерации текста. В README модель названа средством медицинской помощи, однако подробности о медицинских сценариях и обучающих данных не приведены. Модель основана на unsloth/mistral-7b-bnb-4bit и дообучена с использованием Unsloth и библиотеки TRL. Модель имеет плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст, поддерживает английский язык и контекст до 32 768 токенов. Указана лицензия Apache-2.0. Карточка не сообщает о медицинской валидации или клинической пригодности модели.

mistral-ko-exo-wiki-quiz-v1 — дообученная модель разработчиков shleeeee (Seunghyeon Lee) и oopsung (Sungwoo Park), созданная на основе Mistral 7B. Она предназначена для генерации текста на корейском языке; название модели указывает на сценарий викторин по Exo и Wikipedia, однако README не раскрывает подробности этого применения. Модель имеет плотную архитектуру MistralForCausalLM примерно с 7,1 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому конкретные условия использования следует проверять в материалах репозитория и базовой модели.

Экспериментальная модель синтеза речи на Asante Twi, разработанная danieldzikunuofmarvel в рамках бесплатного набора речевых инструментов LIBOG для языков Ганы. Это дообученная модель VITS на 3,5 млн параметров, основанная на facebook/mms-tts-aka и обученная на исправленной версии датасета BibleTTS: 18 221 аудиозапись одного студийного рассказчика. Модель принимает текст и генерирует монофоническую речь с частотой 16 кГц. Модель предназначена для озвучивания текстов на Asante Twi в некоммерческих демонстрациях, инструментах доступности, изучении языка и исследованиях малоресурсной речи. Голос и речевой регистр отражают чтение Писания одним диктором; это не универсальный разговорный голос и не модель для других разновидностей акан. Перед синтезом текст нужно нормализовать: привести Unicode к NFC, заменить типографскую пунктуацию ASCII-аналогами, перевести текст в нижний регистр, заменить символы вне словаря пробелами и свернуть повторные пробелы. Цифры обрабатываются некорректно: символы 2 и 3 могут сохраниться как тоновые маркеры, а другие цифры удаляются, поэтому числа следует записывать словами. Качество произношения имён, заимствований и смешанного текста с английским не оценивалось. Прослушивание отложенных фраз одним носителем языка показало улучшение относительно базовой модели, но это не формальная оценка; влияние пунктуации на фразировку измерениями не подтверждено. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование.

slplab/polyglot-ko-1.3b_pretrained-asd — дообученная авторегрессионная языковая модель семейства GPT-NeoX, основанная на EleutherAI/polyglot-ko-1.3b. Веса содержат около 1,7 млрд параметров и представлены в формате safetensors; модель генерирует текст, а контекст составляет до 2 048 токенов. Базовая Polyglot-Ko предназначена для генерации текста и языковых задач на корейском языке. Однако карточка этой версии не описывает данные дообучения, целевые сценарии или результаты оценки, поэтому её специализацию и преимущества определить нельзя. Модель распространяется по лицензии Apache-2.0.

amandyk/QazGPT2 — языковая модель GPT-2 для казахского языка в латинской графике, обученная с нуля на новостных и энциклопедических текстах. Модель предназначена прежде всего для генерации связного текста на казахском; автор также указывает классификацию текстов и ответы на вопросы среди возможных сценариев, однако отдельные результаты оценки этих задач не приводятся. Модель использует архитектуру GPT2LMHeadModel, принимает текст и генерирует текст. В карточке указана длина контекста 1024 токена. Обучение проводилось на корпусе примерно из четырёх миллионов предложений. Репозиторий содержит веса PyTorch и распространяется по лицензии AFL-3.0. Автор предупреждает о возможных ошибках и смещениях в ответах и рекомендует тщательно оценивать качество перед применением в производственных системах.

Renpiper-pcm V1 — зеркало чекпойнта Meta AI facebook/mms-tts-pcm для синтеза речи на нигерийском пиджине. Модель использует архитектуру VITS и содержит 3,5 млн параметров; репозиторий представляет веса в формате safetensors. Модель преобразует текст на нигерийском пиджине в речь и подходит для озвучивания коротких фраз и текстов на этом языке. Согласно README, веса не изменялись и не дообучались: это переупаковка исходного чекпойнта MMS в структуру с файлами safetensors. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование. Назначение модели ограничено синтезом речи на нигерийском пиджине; других языков или задач источники не описывают.

RoGPT2-large — крупная авторегрессионная языковая модель семейства GPT-2 для генерации текста на румынском языке, разработанная командой ReaderBench. Модель обучалась на румынских корпусах, включая OSCAR, Википедию и дебаты; в карточке указано 774 млн параметров. Для этой версии указан размер контекста 512 токенов, тогда как метаданные репозитория сообщают нативный контекст 1024 токена, поэтому фактическое ограничение может зависеть от конфигурации и способа использования. Модель предназначена для продолжения румынского текста и генерации связного текста по начальному фрагменту. В карточке также приведены эксперименты с применением RoGPT2 в задачах перевода и других оценочных наборах, но репозиторий классифицирован как text-generation. Веса доступны в форматах PyTorch и TensorFlow. Это базовая языковая модель, а не специализированный диалоговый ассистент; качество её ответов на инструкции и фактических вопросов отдельно не подтверждено. Репозиторий не сообщает лицензию, поэтому условия использования по доступным данным определить нельзя.

stanfordnlp/stanza-fro — модель Stanza для лингвистического анализа старофранцузского языка (код fro), разработанная проектом Stanza при Stanford NLP. Модель предназначена для обработки текста и разметки токенов; в Hugging Face она опубликована как модель задачи token-classification и использует библиотеку Stanza и формат PyTorch. Её можно применять в конвейерах анализа старофранцузских текстов, где требуется токенная классификация. Карточка не приводит размер модели, контекстное окно или подробности о типах предсказуемых меток. Лицензия — Apache-2.0.

WaifuGemma4-26b-a4b-v1 — диалоговая модель HiWaifu Research, дообученная на основе google/gemma-4-26B-A4B-it с помощью обучения с подкреплением по пользовательским предпочтениям на платформе HiWaifu Arena. Она предназначена прежде всего для ролевых диалогов и написания реплик персонажей. По оценкам слепых сравнений на арене модель получила больше предпочтений, чем исходная Gemma и ряд других моделей; проверки также показали близкие к исходной модели результаты на большинстве общих бенчмарков. Модель работает через Transformers, веса опубликованы в формате safetensors, лицензия — Apache-2.0. Обучение политики и модели предпочтений использовало языковую смесь арены; карточка сообщает результаты на русском, испанском, английском, португальском, индонезийском, арабском и тайском языках. Для обучения применялся контекст 8K токенов. Модель склонна к длинным ответам, а предпочтения пользователей одной ролевой платформы не гарантируют такого же качества для других аудиторий или сценариев. Пользовательские оценки измеряют предпочтение отдельной реплики, а качество полностью управляемых моделью длительных сессий оценено ограниченно. Возможны недостаточная реалистичность, ускоренная эскалация сцен и повествование от имени пользователя. Модель может создавать откровенный контент, если это разрешает системный промпт; специальных настроек безопасности сверх унаследованных от базовой модели нет.

wangchanberta-base-att-spm-uncased-masking — модель семейства WangchanBERTa от bookpanda, дообученная на базе airesearch/wangchanberta-base-att-spm-uncased для задачи предсказания пропущенных токенов (fill-mask). Это плотная модель архитектуры CamemBERT с 139,1 млн параметров, работающая с текстом и контекстом до 512 токенов. Название базовой модели указывает на ориентацию семейства на тайский язык; сведений о дополнительной языковой настройке этой версии нет. Модель подходит для восстановления замаскированных слов и исследования контекстных представлений текста. README не содержит описания набора данных, обучения или оценок качества. Репозиторий предоставляет веса PyTorch; лицензия в доступных данных не приведена.

lsb/wav2vec2-base-it-latin — модель автоматического распознавания речи на архитектуре Wav2Vec2, дообученная на базе wav2vec2-base-it-voxpopuli. Она предназначена для распознавания латинской речи, в частности декламации текстов Вергилия и отдельных латинских слов с разметкой стихотворного размера из набора Poeta Ex Machina. Модель содержит 113,3 млн параметров и использует CTC-архитектуру Wav2Vec2ForCTC. На оценочном наборе указаны Loss 0,1943 и WER 0,398. Модель принимает аудио и выдаёт текст; заявленная лицензия — AGPL-3.0. Результаты оценки относятся к указанному набору и не гарантируют такое же качество на других записях или вариантах произношения.

Davlan/xlm-roberta-base-finetuned-arabic — модель XLM-RoBERTa для восстановления замаскированных токенов в тексте. Она дообучена на базе xlm-roberta-base на неизвестном наборе данных; в карточке приведено значение потерь 1,6612 на оценочной выборке. Модель содержит 305,2 млн параметров, принимает текстовые последовательности с контекстом до 514 токенов и выдаёт вероятные варианты вместо замаскированных фрагментов. Модель предназначена для задач заполнения пропусков в тексте, в частности для арабского языка, на что указывает название репозитория. Архитектура — XLM-RoBERTa с головой masked language modeling. Лицензия — MIT. Данных об обучающем наборе, подробных оценках качества и ограничениях применения в карточке нет.