I.6Перевод и языковая адаптация

Helsinki-NLP/opus-mt-st-en — модель машинного перевода семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с языка сесото (st) на английский (en) и предназначена для автоматического перевода фраз и документов. Модель построена на архитектуре Transformer-align в реализации MarianMT; использует нормализацию текста и токенизацию SentencePiece. В метаданных указаны 54,5 млн параметров и контекст длиной до 512 токенов. Для набора JW300.st.en в карточке приведены оценки BLEU 45,7 и chr-F 0,609. Модель распространяется в форматах PyTorch и TensorFlow по лицензии Apache-2.0. Она рассчитана на перевод только в направлении сесото → английский; качество может зависеть от тематики и отличаться от результатов на указанном тестовом наборе.

Модель Helsinki-NLP из проекта OPUS-MT предназначена для машинного перевода с латышского и литовского языков на русский. Это компактная модель архитектуры Transformer-align на базе Marian NMT, с 56,9 млн параметров и контекстом до 512 токенов. Она обучена на данных OPUS и использует токенизацию SentencePiece с словарями размером 32 тыс. токенов; веса доступны в форматах PyTorch и Safetensors. Модель подходит для перевода отдельных текстов и предложений с латышского или литовского на русский, в том числе в приложениях на базе Transformers. В карточке приведены результаты тестирования на наборах Tatoeba и FLORES-101. Лицензия — CC-BY-4.0, требующая указания авторства. Модель ориентирована на два исходных языка и русский язык перевода; качество может различаться в зависимости от тематики и типа текста.

Модель Helsinki-NLP из проекта OPUS-MT предназначена для машинного перевода с немецкого, английского, французского, португальского и испанского на широкий набор западногерманских языков и их вариантов. Это трансформер архитектуры MarianMT типа transformer-big с примерно 150 млн параметров и контекстом до 1024 токенов; веса доступны в форматах PyTorch и Safetensors для использования через Transformers. Модель подходит для перевода текстов, включая материалы на языках с ограниченными ресурсами, и поддерживает указание целевого языка специальной меткой. Она обучена на данных OPUS. Разработчик предупреждает о возможных рисках и смещениях, характерных для машинного перевода; качество для отдельных языков и текстов может различаться. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-tc-bible-big-zhx-en — модель машинного перевода проекта OPUS-MT, разработанная Language Technology Research Group Хельсинкского университета. Она переводит текст с китайских языков cjy, cmn, hsn, wuu и yue на английский язык; обучение проводилось на данных OPUS, включая корпус библейских текстов. Модель построена на архитектуре Marian Transformer-big и содержит 160,7 млн параметров. Она принимает и выдаёт текст, использует токенизацию SentencePiece и поддерживает контекст длиной до 1024 токенов. В карточке приведены результаты тестирования на наборе Tatoeba для направления multi-eng: BLEU 34,7 и chr-F 0,53317. Модель подходит для перевода фраз и предложений с указанных разновидностей китайского языка на английский. Обучающие данные могут содержать оскорбительные материалы и стереотипы. Лицензия — Apache-2.0.

Helsinki-NLP разработала эту модель в рамках проекта OPUS-MT для машинного перевода с каталанского, окситанского и испанского на английский. Модель построена на архитектуре Transformer-big и реализована как MarianMT; в репозитории доступны веса PyTorch и TensorFlow. Объём модели — 156,7 млн параметров, максимальный контекст — 1024 токена. Модель подходит для перевода предложений и текстов с каталанского, окситанского или испанского на английский. Она обучена на данных OPUS с применением конвейера OPUS-MT-train и использует токенизацию SentencePiece с словарями размером 32 тыс. токенов. В README приведены результаты тестирования на Tatoeba и FLORES для отдельных языковых пар. Модель выпущена под лицензией CC BY 4.0. Оценки из тестовых наборов не гарантируют качество на других тематиках и типах текстов; направление перевода ограничено переводом на английский.

Helsinki-NLP/opus-mt-tc-big-ces_slk-en — нейросетевая модель машинного перевода проекта OPUS-MT, разработанная на базе Marian NMT и преобразованная для использования с PyTorch и Transformers. Она переводит тексты с чешского и словацкого на английский; архитектура — Transformer-big, реализованная как MarianMTModel, размер — 159,8 млн параметров. Модель подходит для перевода предложений и текстов общего назначения с чешского и словацкого языков. Она обучена на данных OPUS с использованием обратного перевода и токенизации SentencePiece с словарями на 32 тыс. токенов. В тестах README приведены результаты для наборов Tatoeba и FLORES-101. Контекст модели составляет 1024 токена. Модель распространяется по лицензии CC-BY-4.0. Она предназначена для перевода только с чешского и словацкого на английский; показатели тестов не гарантируют одинакового качества на текстах иных жанров и предметных областей.

Helsinki-NLP/opus-mt-tc-big-el-en — модель машинного перевода проекта OPUS-MT, разработанная Helsinki-NLP. Она переводит с новогреческого языка на английский и подходит для перевода предложений и текстов в приложениях на базе Transformers. Модель построена на архитектуре Marian с трансформером конфигурации big, содержит 160,9 млн параметров и использует токенизацию SentencePiece с словарями размером 32 тыс. токенов. Длина контекста — 1024 токена. Модель обучена на данных OPUS, включая opusTCv20210807+bt, и опубликована в формате PyTorch; метаданные также указывают поддержку TensorFlow. В тестах карточки приведены результаты для Tatoeba и FLORES-101. Лицензия — CC BY 4.0.

Helsinki-NLP разработала эту модель машинного перевода в рамках проекта OPUS-MT. Она переводит текст с английского на французский и подходит для перевода предложений и документов, а также для интеграции в приложения на базе Transformers. Модель использует архитектуру Transformer-big семейства Marian и насчитывает 155 млн параметров. Она обучена на данных OPUS с применением обратного перевода; для токенизации используется SentencePiece с словарями по 32 тыс. токенов. Родная длина контекста — 1024 токена. В README приведены результаты оценки на тестовых наборах Tatoeba, FLORES-101 и Multi30k. Модель предназначена для пары английский–французский и не заявлена для других языков или задач. Для перевода критически важных текстов качество следует проверять отдельно, поскольку приведённые метрики относятся к указанным тестовым наборам. Лицензия — CC-BY-4.0.

Это нейронная модель машинного перевода OPUS-MT, разработанная в рамках проекта OPUS-MT и выпущенная Helsinki-NLP. Модель переводит текст с английского на итальянский и построена на архитектуре Transformer-big, реализованной с помощью Marian NMT. Для токенизации используется SentencePiece с словарями размером 32 тыс. токенов для каждого языка. Модель предназначена для автоматического перевода английских предложений и текстов на итальянский, например, для локализации материалов и перевода пользовательских запросов. Она содержит около 156,4 млн параметров; длина контекста — до 1024 токенов. В README приведены результаты оценки на наборах Tatoeba, FLORES-101 и новостном тестовом наборе. Модель принимает текст на английском и выдаёт текст на итальянском. Она специализируется на одной языковой паре и не предназначена для универсального многоязычного перевода. Лицензия — CC BY 4.0; при использовании следует соблюдать её условия и требования к атрибуции.

Helsinki-NLP разработала эту нейронную модель машинного перевода в рамках проекта OPUS-MT. Она переводит с белорусского, русского и украинского на чешский и польский. Модель основана на архитектуре Marian и содержит 163,7 млн параметров; доступна в форматах PyTorch, Safetensors и TensorFlow. В метаданных указан контекст до 1024 токенов. Модель предназначена для перевода отдельных фраз и текстов между восточнославянскими и западнославянскими языками. В карточке приведены результаты тестирования для ряда языковых пар, включая русский—чешский, русский—польский и белорусский—польский. Модель выпущена в 2022 году и распространяется по лицензии CC BY 4.0.

Helsinki-NLP/opus-mt-tc-big-zlw-en — модель машинного перевода проекта OPUS-MT, разработанная на основе Marian NMT и преобразованная для использования с библиотекой Transformers. Она переводит тексты с западнославянских языков на английский: чешского, нижнелужицкого, верхнелужицкого и польского. Архитектура — Transformer-big на базе Marian, размер — 160,2 млн параметров; для токенизации используется SentencePiece. Максимальная длина контекста — 1024 токена. Модель предназначена для автоматического перевода предложений и текстов, в том числе в приложениях на Transformers. Она обучена на данных OPUS с применением процедур OPUS-MT-train; в README приведены результаты тестирования для чешского и польского языков. Репозиторий доступен в форматах PyTorch, SafeTensors и TensorFlow. Лицензия — CC-BY-4.0, при использовании авторы просят цитировать публикации проекта.

Helsinki-NLP/opus-mt-tpi-en — модель машинного перевода семейства MarianMT, разработанная проектом OPUS и опубликованная Helsinki-NLP. Она переводит текст с ток-писина на английский язык; обучение основано на корпусе OPUS, с нормализацией текста и токенизацией SentencePiece. Модель использует архитектуру Transformer-align и содержит 50,4 млн параметров. Метаданные указывают контекст длиной 512 токенов и поддержку PyTorch и TensorFlow. В тесте JW300.tpi.en указаны BLEU 29,1 и chr-F 0,448. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-tr-es — модель машинного перевода семейства MarianMT, разработанная проектом OPUS и опубликованная Helsinki-NLP. Она переводит текст с турецкого языка на испанский и предназначена для перевода отдельных фраз и текстов. Модель построена на архитектуре Transformer, содержит 55,7 млн параметров и использует нормализацию и токенизацию SentencePiece; длина контекста составляет 512 токенов. Модель обучена на данных OPUS. В README приведён результат BLEU 56,3 на наборе Tatoeba.tr.es. Репозиторий предоставляет веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0. Модель рассчитана на перевод с турецкого на испанский; качество для других языковых пар не подтверждено.

Helsinki-NLP/opus-mt-vi-fr — модель машинного перевода из проекта OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с вьетнамского на французский; модель основана на архитектуре Transformer-align и реализована как MarianMTModel. Веса содержат около 54,8 млн параметров, используются SentencePiece-токенизация с моделью на 32 тыс. единиц и нормализация текста. Максимальная длина контекста — 512 токенов. Модель предназначена для перевода отдельных текстов и фраз с вьетнамского языка на французский. В карточке приведён результат BLEU 34,2 и chr-F 0,544 на тестовом наборе Tatoeba-test.vie.fra. Репозиторий предоставляет веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-xh-fr — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с коса (xh) на французский (fr) и предназначена для перевода отдельных фраз и документов. Модель построена на архитектуре Marian Transformer-align, использует нормализацию и токенизацию SentencePiece; содержит 56,7 млн параметров и имеет контекст длиной 512 токенов. В карточке приведён результат BLEU 30,6 и chr-F 0,487 на тестовом наборе JW300.xh.fr. Модель доступна в форматах PyTorch и TensorFlow и распространяется по лицензии Apache-2.0. Показатели на тестовом наборе не гарантируют такого же качества для других типов текстов; назначение указано только для перевода с коса на французский.

ooeoeo/opus-mt-zh-en-ct2-float16 — конвертированная версия модели Helsinki-NLP/opus-mt-zh-en в формате CTranslate2 с точностью float16. Она предназначена для машинного перевода с китайского языка на английский и адаптирована для запуска в настольном движке ooeoeo с runtime opus-mt-server. Исходная модель относится к семейству OPUS-MT. Модель принимает текст на китайском языке и выдаёт перевод на английском. Использование float16 в CTranslate2 рассчитано на инференс в указанном runtime. Репозиторий распространяется по лицензии Apache-2.0.

Qalb-1.0-8B-Instruct — языковая модель для генерации текста и диалогов, разработанная для работы прежде всего на урду. Она основана на плотной архитектуре Llama 3.1 и содержит 7,5 млрд параметров. По карточке модели, обучение включало продолженное предобучение на корпусе урду объёмом 1,97 млрд токенов и дообучение на следование инструкциям. Модель также сохраняет возможности английского языка. Qalb предназначена для ответов на вопросы, перевода, классификации, рассуждений и решения математических текстовых задач на урду, а также для двуязычных сценариев с английским. Заявлены сильные результаты на бенчмарках урду, однако карточка не содержит полных таблиц результатов, поэтому эти оценки нельзя независимо проверить по представленным данным. Контекст составляет до 131 072 токенов; доступны веса в формате safetensors для Transformers. Модель может отражать предубеждения обучающих данных. Ответы в медицинских, юридических и религиозных темах следует проверять. Лицензия — Apache-2.0.

Qingqiu-MT-9B-i1-GGUF — это квантизированная версия модели Qingqiu-MT-9B, разработанной WPS и опубликованной в формате GGUF пользователем mradermacher. Модель ориентирована прежде всего на многоязычный машинный перевод и выполнение инструкций; в метаданных также указана поддержка мультиязычных сценариев. Квантизация выполнена с использованием imatrix, доступно множество вариантов с разным балансом между размером, скоростью и качеством. Модель имеет около 9 миллиардов параметров. README указывает, что это vision-модель, однако сведения о поддерживаемых языках, точных визуальных возможностях, размере контекстного окна и архитектуре не приведены. Доступны варианты квантизации от i1-IQ1_S размером около 2,8 ГБ до i1-Q6_K размером около 7,5 ГБ; среди рекомендуемых отмечены i1-Q4_K_M и i1-Q4_K_S как варианты с хорошим соотношением скорости, размера и качества. Более низкие уровни квантизации экономят память, но могут заметно снижать качество. Модель распространяется по лицензии Apache-2.0. Для использования требуются совместимые инструменты, поддерживающие формат GGUF; конкретные системные требования и инструкции запуска в README не указаны.

Qwen2.5-7B-Sep_0c1t — языковая модель на 7,1 млрд параметров, разработанная авторами работы Doc2FRC и полученная полнопараметрическим дообучением Qwen/Qwen2.5-7B-Instruct. Это вариант Sep_0c1t: за один вызов он переводит один фрагмент исходного текста в целевой, не используя предыдущие фрагменты документа. Модель основана на плотной архитектуре Qwen2 и работает через Transformers. Модель предназначена для машинного перевода фрагментов между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским и китайским языками в обоих направлениях. Она обучалась на фрагментах длиной 256–512 токенов; максимальная длина последовательности составляет 32 768 токенов. Для перевода целых документов авторы предлагают использовать фиксированное разбиение на фрагменты и скрипты проекта Doc2FRC. Модель выпущена под лицензией Apache-2.0. Поскольку вариант Sep_0c1t не получает контекст предыдущих фрагментов, согласованность перевода между частями документа может быть ограничена; для воспроизведения настроек и оценки из статьи следует обратиться к материалам Doc2FRC.

Qwen3-Swallow-32B-RL-v0.2 — японско-английская языковая модель команды Swallow LLM, дообученная на основе Qwen3-Swallow-32B-SFT-v0.2 с помощью обучения с подкреплением по проверяемым вознаграждениям (RLVR). Это плотная архитектура Qwen3 с 29,7 млрд параметров, предназначенная для диалоговой генерации текста и рассуждений; модель принимает текст и генерирует текст. Поддерживает японский и английский языки, а родная длина контекста составляет 40 960 токенов. Модель ориентирована на ответы на японском и английском языках, перевод между ними, а также задачи математики и программирования. По описанию разработчиков, RLVR улучшило математические и кодовые рассуждения, сохранив результаты на уровне исходных Qwen3 или выше на некоторых задачах. Для запуска разработчики рекомендуют Transformers-совместимую инфраструктуру, в частности vLLM, и контекст не более 32 768 токенов. Вызов инструментов не является проверенным сценарием, а отдельного переключателя режима рассуждений нет. Модель выпущена на раннем этапе исследований и разработки; авторы предупреждают, что её ответы не настроены для надёжного соответствия намерениям пользователя и требованиям безопасности. Лицензия — Apache-2.0.

Qwen-SEA-LION-v4-4B-VL — мультимодальная модель с 4 млрд параметров, разработанная AI Products Pillar компании AI Singapore при финансировании Национального исследовательского фонда Сингапура. Она создана дообучением Qwen/Qwen3-VL-4B-Instruct на примерно 9 млн примеров инструкций для адаптации к языкам и культурному контексту Юго-Восточной Азии. Модель использует архитектуру Qwen3-VL и принимает изображения и текст, отвечая текстом; поддерживает диалог и интерфейс вызова инструментов. Модель предназначена для визуальных вопросов и ответов, описания изображений, OCR, многоязычного общения и других задач на стыке текста и изображений. В первую очередь она адаптирована к бирманскому, индонезийскому, филиппинскому, малайскому, тамильскому, тайскому и вьетнамскому языкам; также обучалась на английском. Заявленное окно контекста — 256 тыс. токенов. Оценки охватывают общие языковые задачи, диалог, следование инструкциям, визуальные вопросы и описание изображений. Лицензия — MIT. Авторы отмечают, что модель не проходила выравнивание по безопасности и не проверялась на устойчивость к состязательным запросам; возможны галлюцинации и нерелевантные ответы, поэтому результаты следует проверять.

facebook/s2t-wav2vec2-large-en-ar — модель семейства S2T2, разработанная Facebook и представленная в исследовании Large-Scale Self- and Semi-Supervised Learning for Speech Translation. Это трансформерная модель типа encoder-decoder для сквозного перевода речи с английского на арабский текст. В качестве энкодера используется предварительно обученный Wav2Vec2, а трансформерный декодер авторегрессионно генерирует перевод. Модель принимает речевые аудиоданные и предназначена для автоматического перевода английской речи в арабский текст. Для набора CoVoST-V2 указан результат 20,2 BLEU на тесте en-ar. В метаданных также указаны обучение на CoVoST2 и LibriSpeech ASR. Модель распространяется по лицензии MIT.

SalamandraTA-7B-academic — языковая модель для машинного перевода, разработанная подразделением Language Technologies Unit Барселонского суперкомпьютерного центра. Это дообученная для перевода версия Salamandra7B-Instruct с архитектурой Llama и примерно 6,7 млрд параметров по метаданным; README приводит размер 7,77 млрд параметров. Модель принимает текст и предназначена для общего машинного перевода, в том числе академических текстов. Модель обучалась на данных ACAD-Train и ACAData. Заявлена поддержка 12 языков — астурийского, каталонского, немецкого, греческого, испанского, английского, баскского, французского, галисийского, итальянского, нидерландского и португальского — в 96 направлениях перевода. Контекстное окно составляет 8192 токена. README рекомендует использовать обученный шаблон перевода; диалоговые возможности базовой модели не проверялись для этой версии. Модель подходит для перевода академических материалов и других текстов между поддерживаемыми языками. Карточка сообщает о предварительном дообучении и предостерегает от использования в производстве без оценки рисков. Качество по языкам, диалектам и предметным областям, а также возможные смещения специально не анализировались. Лицензия Apache-2.0 допускает исследовательское и коммерческое использование.

SambaLingo-Arabic-Base-70B — базовая двуязычная языковая модель SambaNova Systems на архитектуре Llama 2. Модель адаптирована от Llama-2-70b и обучена на 28 млрд токенов арабской части датасета Cultura-X; число параметров — 68,9 млрд, контекст — 4096 токенов. Для арабского языка расширен словарь токенизатора с 32 000 до 57 000 токенов. Модель предназначена для генерации текста на арабском и английском языках, а также для задач перевода. Для работы с базовой моделью рекомендуется few-shot prompting с примерами; для прямого диалога и вопросов разработчик предлагает использовать SambaLingo-Arabic-Chat. По README, модель показывает сильные результаты в perplexity и переводе на тесте FLORES-200. Модель распространяется по лицензии Meta Llama 2 Community License. Возможны галлюцинации, переключение между языками или диалектами, повторы, а также ошибки в коде и сложной математике; модель не предназначена для критически важных приложений и решений, влияющих на безопасность.

context-mt/scat-marian-small-ctx4-cwd1-en-fr — контекстная модель машинного перевода с архитектурой Marian, разработанная на основе Helsinki-NLP/opus-mt-en-fr. Она дообучена для перевода с английского на французский на наборе IWSLT17 с контекстными тегами, а затем на обучающей части SCAT+. При формате SOURCE_CTX SOURCE_CURR модель использует контекст исходного текста для перевода текущего фрагмента; также её можно применять для перевода без контекста. Модель содержит 55,6 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Её использовали при оценке методов контекстного перевода в работе, опубликованной на ICLR 2024. Распространяется по лицензии Apache-2.0. Карточка не приводит результатов качества или подробных ограничений на применение контекста.

Модель context-mt/scat-marian-small-target-ctx4-cwd0-en-fr — дообученная версия Helsinki-NLP/opus-mt-en-fr для перевода с английского на французский с учётом контекста. Она основана на архитектуре MarianMT и содержит 55,6 млн параметров; карточка указывает контекст до 512 токенов. Модель обучалась на IWSLT17 с контекстными тегами, а затем дополнительно дообучалась на обучающей части SCAT+; она использовалась при оценке методов использования контекста в машинном переводе в исследовании, опубликованном на ICLR 2024. Модель подходит для контекстного и обычного перевода английских текстов на французский, включая перевод предложений с учётом предшествующего текста. Для контекстного режима вход содержит контекст и текущее предложение, а выход — перевод контекста и текущего предложения. Репозиторий предоставляет веса PyTorch. Лицензия — Apache-2.0.

SeaLLMs-v3-1.5B — базовая языковая модель из семейства SeaLLMs, разработанного для языков Юго-Восточной Азии. Это плотная причинная модель Qwen2 с 1,5 млрд параметров и контекстом до 131 072 токенов, распространяемая в формате safetensors. Модель предназначена для генерации текста и дальнейшей тонкой настройки под прикладные задачи; для непосредственного диалогового использования авторы предлагают отдельную версию SeaLLMs-v3-1.5B-Chat. Модель рассчитана на английский, китайский и языки региона, включая индонезийский, вьетнамский, тайский, тагальский, малайский, бирманский, кхмерский, лаосский, тамильский и яванский. В карточке заявлены способности к следованию инструкциям, переводу, математическим рассуждениям и ответам на вопросы о местном контексте; для серии также отмечены работа в многошаговом диалоге, снижение галлюцинаций и более безопасные ответы. Доступна лицензия с пометкой «other», поэтому конкретные условия следует проверять в репозитории модели.

Sugoi-14B-Ultra-HF-i1-GGUF — это GGUF-квантизированная версия модели Sugoi-14B-Ultra-HF, подготовленная mradermacher. Исходная модель разработана и опубликована организацией sugoitoolkit. Модель ориентирована прежде всего на задачи перевода и работы с японским и английским языками. Модель имеет размер 14 млрд параметров и распространяется в формате GGUF с вариантами квантизации i1-IQ и i1-Q. Доступны сборки размером примерно от 3,7 до 12,2 ГБ, что позволяет выбирать между требованиями к памяти, скоростью и качеством. В README не указаны архитектура базовой модели, размер контекстного окна, поддержка дополнительных модальностей или точные характеристики качества. Основное преимущество — широкий выбор вариантов квантизации для локального запуска на устройствах с разным объёмом памяти; для баланса размера, скорости и качества рекомендована i1-Q4_K_M. Более компактные варианты могут заметно уступать в качестве, а некоторые отмечены как низкокачественные. Модель распространяется по лицензии Apache-2.0.

Sugoi-32B-Ultra-GGUF — квантизированная GGUF-версия языковой модели Sugoi LLM 32B Ultra, разработанная на базе Qwen/Qwen2.5-32B-Instruct. Модель ориентирована прежде всего на задачи перевода и работу с японским и английским языками. Из доступных данных известно, что модель относится к классу instruction-tuned LLM с размером около 32 млрд параметров и распространяется в формате GGUF, предназначенном для локального запуска совместимыми инструментами. Заявлено развитие предыдущей модели Sugoi 32B, однако подробные характеристики архитектуры, поддерживаемый контекст, конкретные варианты квантизации, результаты тестирования и практические ограничения не указаны. Лицензия — Apache 2.0.

Mr-Vicky-01/Summarization-Tamil — дообученная модель на архитектуре M2M-100, предназначенная для суммаризации текстов на тамильском языке и перевода с английского на тамильский. Она создана с использованием Hugging Face Transformers и обучена на датасете HariprasathSB/tamil_summarization; в README указана исходная модель Mr-Vicky-01/Fine_tune_english_to_tamil. Модель содержит 332,5 млн параметров, работает с контекстом до 1024 токенов и распространяется в формате Safetensors. Для суммаризации подаётся тамильский текст с префиксом «summarize: », а для перевода — английский текст; результатом служит краткое изложение на тамильском или перевод на тамильский соответственно. Лицензия — MIT. Карточка описывает эти два сценария, однако метаданные Hugging Face указывают основной pipeline_tag text-generation.