I.6Перевод и языковая адаптация

Ministral-3-14B-Reasoning-2512-GGUF — мультимодальная языковая модель в формате GGUF, созданная на основе Ministral-3-14B-Reasoning-2512 от MistralAI. Конвертацию и квантизацию выполнил EnlistedGhost с использованием llama.cpp версии 8189. Модель предназначена для локального запуска через Ollama и llama.cpp и поддерживает как текстовые, так и визуальные запросы благодаря двум файлам мультимодального проектора mmproj. Модель ориентирована на диалоговые сценарии, рассуждение, анализ изображений и генерацию ответов на нескольких языках: английском, французском, испанском, немецком, итальянском, португальском, нидерландском, китайском, японском, корейском, арабском и русском. Заявлен размер базовой модели — 14B параметров. В поставку входит пользовательский шаблон чата с ограничением скользящего окна примерно до 46 взаимодействий, которое можно изменять в шаблоне. К сильным сторонам относятся совместимость с Ollama и llama.cpp, локальный запуск, мультимодальность, многоязычность и наличие квантованных вариантов, позволяющих снизить требования к ресурсам. Ограничения связаны с потерями качества и точности, характерными для квантизации, а также с возможными проблемами шаблона чата: автор сообщает, что при загрузке с Hugging Face механизм тегов рассуждений может работать некорректно и требует исправления или настройки. Модель распространяется по лицензии Apache-2.0.

pbevan11/Mistral-Nemo-MCAI-SFT — многоязычная чат-модель, разработанная pbevan11 путём дообучения Mistral-Nemo-Base-2407 с помощью supervised fine-tuning. Она предназначена для генерации ответов в диалоге и выполнения текстовых инструкций. Модель имеет плотную архитектуру MistralForCausalLM и 12,1 млрд параметров; заявленное максимальное контекстное окно составляет 1 024 000 токенов. Для обучения использованы multilingual-constitutional-preference-pairs и ultrafeedback_binarized_multilingual; в карточке приведено значение loss 1,2052 на оценочной выборке. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит подробностей о качестве на отдельных языках, протоколе оценки или практических ограничениях, поэтому результаты следует проверять на целевых задачах.

Mistral-Small-24B-Instruct-2501-4bit — это 4-битная версия модели Mistral-Small-24B-Instruct-2501, преобразованная сообществом mlx-community в формат MLX с использованием mlx-lm 0.21.0. Исходная модель опубликована под пространством имён mistralai и предназначена для выполнения инструкций и диалогового взаимодействия с пользователем. Модель рассчитана на задачи генерации текста, ответов на вопросы и других сценариев, где требуется инструктивное или чат-взаимодействие. Заявлены английский, французский, немецкий, испанский, итальянский, португальский, китайский, японский, русский и корейский языки. Размер исходной модели составляет 24 миллиарда параметров; версия использует 4-битное квантование и формат MLX, что ориентировано на запуск в совместимой MLX-среде. Сведения о длине контекста, точной архитектуре и мультимодальных возможностях в README не указаны. К сильным сторонам относятся поддержка нескольких языков, инструктивный формат и адаптация для использования с MLX через библиотеку mlx-lm. Ограничения включают отсутствие в предоставленных данных подробных результатов оценки, сведений о качестве на отдельных языках и характеристик производительности. Модель распространяется по лицензии Apache 2.0.

Nemotron-3-Nano-30B-A3B-GGUF — большая языковая модель, разработанная NVIDIA Corporation и представленная в GGUF-формате сообществом Unsloth на основе NVIDIA-Nemotron-3-Nano-30B-A3B-BF16. Модель предназначена для генерации текста, ответов на пользовательские запросы, решения задач с рассуждением и без него, а также для коммерческих приложений. Она может сначала формировать рассуждение, а затем итоговый ответ; режим рассуждений настраивается через chat template. Модель использует гибридную архитектуру Mixture-of-Experts: 23 слоя Mamba-2 и MoE, а также 6 attention-слоёв. Всего предусмотрено 30 млрд параметров, из которых 3,5 млрд активируются для каждого токена. Каждый MoE-слой содержит 128 экспертов и одного общего эксперта, при этом на токен активируются 5 экспертов. Поддерживаются английский, немецкий, испанский, французский, итальянский и японский языки. В README размер контекста и точные параметры GGUF-квантизации не указаны. Сильными сторонами модели являются сочетание режимов рассуждения и обычной генерации, разреженная MoE-архитектура с относительно небольшим числом активных параметров и многоязычная поддержка. Включение промежуточных рассуждений обычно повышает качество на сложных запросах, тогда как отключение рассуждений может немного снижать точность. Ограничениями являются отсутствие в предоставленных данных подробных результатов тестирования, сведений о размере контекста и характеристик конкретной GGUF-квантизации. Модель разрешена для коммерческого использования на условиях NVIDIA Open Model License.

occiglot-7b-de-es-fr-it-en-instruct-dareties — объединённая модель семейства Mistral, созданная Mayflower GmbH с помощью mergekit и метода DARE TIES. В основу слияния легла mistralai/Mistral-7B-v0.1; в модель включены четыре инструктивные версии Occiglot, обученные для немецкого, испанского, французского и итальянского языков в сочетании с английским. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral для генерации текста и поддерживает контекст до 32 768 токенов. Она рассчитана на диалоговое применение и генерацию ответов на нескольких европейских языках. Доступна в формате safetensors для библиотеки Transformers. Лицензия в предоставленных данных не указана.

OpenBuddy-Qwen1.5-32B-v21.1-32k — мног языковая диалоговая модель OpenBuddy на архитектуре Qwen2 с плотной трансформерной сетью и 31,7 млрд параметров. Она предназначена для общения и генерации ответов на запросы; поддерживает контекст до 32 768 токенов и работает с текстом на китайском, английском, французском, немецком, японском, корейском, итальянском, русском и финском языках. Модель можно применять для диалоговых помощников, ответов на вопросы и составления текстов на поддерживаемых языках. Для работы рекомендуется быстрый токенизатор Transformers; README также отмечает совместимость формата промптов с vLLM для развёртывания API. Модель распространяется по лицензии с обозначением «other»; README приводит предупреждение об ошибочных или нежелательных ответах и предостерегает от использования в критичных и высокорисковых сценариях.

OpenBuddy/openbuddy-qwq-32b-v24.1-200k — дообученная диалоговая языковая модель OpenBuddy на архитектуре Qwen2, основанная на Qwen/QwQ-32B-Preview. Модель содержит 32 млрд параметров и рассчитана на контекст до 200 000 токенов; она принимает текст и генерирует текстовые ответы в формате чат-бота. Модель предназначена для многоязычного общения и генерации текста. Карточка указывает поддержку китайского, английского, французского, немецкого, японского, корейского, итальянского и финского языков. Лицензия — Apache 2.0. Для работы с форматом подсказок рекомендуется быстрый токенизатор Transformers; карточка также упоминает развёртывание через vLLM. Модель может выдавать ошибочные, вредные или оскорбительные ответы. Её не следует применять для критических решений в медицине, финансах и праве, а также для управления потенциально опасным программным или аппаратным обеспечением.

Orukeet — модель распознавания речи от Oruk AI, созданная на основе NVIDIA Parakeet TDT 0.6B v3. Это мультиязычная модель на 25 языков для транскрибирования аудиозаписей, медиаматериалов и потоков пакетной обработки, а также для серверных и интерактивных приложений. Модель сохраняет 627 млн параметров, 24-слойный энкодер FastConformer и transducer-архитектуру Parakeet. В половине временных depthwise-фильтров энкодера используются 12 288 обученных и зафиксированных Gabor-ядер. В описанных тестах Orukeet показала меньший WER, чем исходная Parakeet, на 61 из 74 тестовых срезов; например, объединённый WER по 25 языкам FLEURS составил 9,85% против 11,01%. Доступны варианты для NeMo, ONNX INT8, GGUF Q8 и F16, а также экспорт Transformers. Карточка описывает обучение и выбор контрольной точки на записях LibriSpeech test-other, поэтому результаты оценки следует учитывать с этой оговоркой. Модель распространяется по лицензии CC-BY-SA-4.0.

Paralel TR-EN Embedder — двуязычная модель эмбеддингов предложений на турецком и английском языках, разработанная на базе BAAI/bge-small-en-v1.5 и дообученная на 882 тысячах параллельных пар переводов. Она использует архитектуру BERT и выдаёт векторные представления размерности 384; максимальная длина последовательности — 64 токена, а нативный контекст по метаданным — 512 токенов. Доступны форматы Safetensors и GGUF. Модель предназначена для поиска семантически близких предложений между турецким и английским языками, выравнивания параллельных корпусов, кластеризации двуязычных документов и первичного поиска для RAG. В проверке на отложенных данных средняя косинусная близость составила около 0,82 для правильных переводов и 0,12 для несвязанных пар. Модель хуже различает тонкие смысловые различия, например смену местоимения, времени или отрицания: оценки сложных отрицательных примеров могут быть близки к оценкам правильных переводов. Поэтому её оценки подходят для грубого поиска и кластеризации, но не для точной проверки корректности перевода. Лицензия — MIT.

PLLuM-4B-instruct-2512 — инструктивная языковая модель семейства PLLuM, разработанная альянсом HIVE AI на основе Gemma 3 4B. Модель продолжительно обучали на польских и английских текстах, затем дообучали на инструкциях и настраивали с помощью предпочтений людей. Это плотная модель с архитектурой Gemma3ForConditionalGeneration и 4 млрд параметров; она распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для диалога и генерации текста, включая ответы на вопросы, суммаризацию и извлечение сведений. Она особенно ориентирована на польский язык и может применяться для создания помощников, в том числе для польской публичной администрации и юридических или бюрократических тем с использованием поиска по документам. README также указывает на английские данные для более широкой обобщающей способности. Ограничение контекстом и доступностью языков зависит от конкретной конфигурации; подтверждены польский и английский. Для актуальных ответов по нормативным и другим документам модель следует сочетать с поиском по источникам, поскольку сама генерация не гарантирует фактическую точность.

kredor/punctuate-all — модель классификации токенов на базе дообученной XLM-RoBERTa-base. Она восстанавливает пунктуацию в тексте, предсказывая для токенов знаки препинания, включая точку, запятую, вопросительный знак, дефис и двоеточие. Модель рассчитана на английский, немецкий, французский, испанский, болгарский, итальянский, польский, нидерландский, чешский, португальский, словацкий и словенский языки. В отчёте указаны общая точность 0,98 и F1 0,95 для точки, 0,86 для запятой и 0,86 для вопросительного знака; качество распознавания дефиса и двоеточия ниже. Модель содержит около 305,2 млн параметров, использует контекст до 514 токенов и распространяется по лицензии MIT.

filvyb/Qwen3.5-9B-heretic-v2-GGUF — GGUF-квантизация декензурированной версии trohrbaugh/Qwen3.5-9B-heretic-v2, созданной на базе Qwen3.5-9B с использованием Heretic 1.2.0. Модель предназначена для локального запуска и генерации текста с уменьшенной склонностью к отказам; README сообщает о 6 отказах из 100 против 100 из 100 у исходной Qwen3.5-9B. При этом декензурирование изменяет поведение исходной модели: указанная KL-дивергенция составляет 0,0793. Это мультимодальная causal language model с vision encoder, поддерживающая работу с текстом и изображениями. Размер языковой части — около 9 млрд параметров; архитектура сочетает Gated Delta Networks, sparse Mixture-of-Experts и Gated Attention. Нативная длина контекста составляет 262 144 токена, с заявленной возможностью расширения до 1 010 000 токенов; заявлена поддержка 201 языка и диалекта. Модель распространяется по лицензии Apache-2.0. README не содержит сведений о конкретном формате GGUF-квантизации, требуемых ресурсах и подробных ограничениях качества, поэтому фактическая производительность зависит от выбранного файла и среды запуска.

Sawfwair/Qwen3.8-Flash-Next-MLX-4bit — это воспроизводимая конверсия модели Qwen/Qwen3.8-Flash-Next в формат MLX, разработанная Sawfwair на основе исходной модели Qwen. Модель предназначена для задач генерации текста и обработки изображений с текстом, включая мультимодальные сценарии, совместимые с архитектурой Qwen4-Exp. Поддерживает нативный контекст до 262 144 токенов. Исходная модель насчитывает около 180 млрд параметров: 125 млрд параметров основной модели, 51 млрд параметров n-граммовых эмбеддингов и 4 млрд параметров MTP. Квантизация выполнена в формате MLX affine Q4: применяются Q4/group-64 для языковых, MTP- и vision-матриц и Q4/group-32 для таблицы n-грамм; маршрутизаторы, нормализации, смещения, свёртки и несовместимые формы оставлены в плотном формате. Размер артефактов составляет около 97,55 GiB. К сильным сторонам относятся большой контекст, поддержка текста и изображений, воспроизводимая конверсия и существенное уменьшение размера по сравнению с полноразмерным представлением. Для работы требуется runtime MLX с поддержкой архитектуры Qwen4-Exp; старые версии mlx-lm или mlx-vlm могут не поддерживать модель. Распространение осуществляется по Qwen Community License 1.0. Лицензия содержит требования к атрибуции и отображению для очень крупных коммерческих продуктов, а также отдельные условия для некоторых коммерческих Model-as-a-Service и AI Work Assistant-сценариев; перед использованием необходимо ознакомиться с её полным текстом.

Rombos-EVAGutenberg-TIES-Qwen2.5-32B — языковая модель на архитектуре Qwen2.5, созданная nbeerbower слиянием методом TIES через mergekit. В объединение вошли nbeerbower/EVA-Gutenberg3-Qwen2.5-32B и nbeerbower/Rombos-Qwen2.5-32B-lorablated; базовая модель — Qwen/Qwen2.5-32B. Модель содержит 32 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов. Она предназначена для диалогов и генерации текста. В метаданных указаны интерфейс вызова инструментов и языковые теги для китайского, английского, французского, испанского, португальского, немецкого, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Репозиторий содержит веса в формате safetensors, библиотека — Transformers. Лицензия — Apache-2.0. Карточка не приводит результатов оценивания или конкретных ограничений качества; применимость к отдельным задачам следует проверять на собственных данных.

SauerkrautLM-Mixtral-8x7B-Instruct — инструктивная языковая модель VAGO solutions на архитектуре Mixture of Experts (MoE), основанная на mistralai/Mixtral-8x7B-Instruct-v0.1. В метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов; модель распространяется в формате safetensors и рассчитана на работу через Transformers. Модель предназначена для диалогов и выполнения инструкций, в том числе для ответов на вопросы и математических задач. Разработчики дообучили её с помощью DPO на немецких данных с аугментацией и переводом, а также на предпочтениях из дополнительных наборов данных. Заявлена поддержка английского, немецкого, французского, итальянского и испанского языков; особое внимание уделено естественности формулировок на немецком. В README приведена оценка на тесте German RAG Eval, однако результат не гарантирует точность в реальных сценариях. Разработчики предупреждают, что модель может выдавать неподходящий или некорректный контент. Лицензия Apache 2.0 допускает коммерческое использование при соблюдении её условий.

VibeVoice-ASR-7B — мультимодальная модель распознавания речи семейства VibeVoice, представленная в карточке bezzam; код и исходный проект связаны с Microsoft. Она принимает аудио и создаёт структурированную транскрипцию с текстом, временными отметками и указанием говорящих, объединяя распознавание речи, диаризацию и таймкодирование. Модель рассчитана на длинные записи до 60 минут за один проход, поддерживает более 50 языков и переключение языков в речи. Можно передавать контекстные подсказки и пользовательские ключевые слова для имён и специализированных терминов. Модель реализована как плотная архитектура VibeVoice ASR для Transformers и распространяется в формате safetensors; в README заявлена обработка аудио с контекстом до 64K токенов. Для запуска карточка указывает на использование отдельного форка Transformers, поскольку поддержка ещё не объединена с основной библиотекой. Лицензия — MIT. В README приведены результаты оценки на нескольких наборах данных, однако они не гарантируют аналогичное качество на других языках, типах записи и акустических условиях.

LoS Whisper-large-v3 — мультиязычная модель автоматического распознавания речи, разработанная Лабораторией языковых технологий Барселонского суперкомпьютерного центра (BSC) на основе дообучения openai/whisper-large-v3. Модель предназначена для транскрибации речи на испанском, каталанском, галисийском и баскском языках. Модель с архитектурой Whisper содержит 905,2 млн параметров и принимает аудио, выдавая текст. Для дообучения использовали 8 110 часов предварительно обработанных данных; объём данных по четырём языкам выравнивали для сопоставимой производительности. В обучающий набор вошли публичные и институциональные аудиоданные, включая датасеты Common Voice и 3CatParla. Модель подходит для транскрибации записей и аудиоматериалов на поддерживаемых языках. Демографические сведения о говорящих отсутствуют, поэтому в данных могут присутствовать смещения, в том числе из-за использования институциональных материалов. Лицензия — Apache-2.0.

Apertus v1.5 70B text-only GGUF — это квантизированная версия базовой модели swiss-ai/Apertus-v1.5-70B, подготовленная в формате GGUF для запуска через llama.cpp. Модель разработана Swiss AI и предназначена для генерации и обработки текста, включая мультиязычные сценарии. Представленные файлы содержат только текстовый декодер с архитектурой Apertus и примерно 70 млрд параметров; варианты поставляются в квантизациях Q4_K_M и q8_0. Исходная Apertus v1.5 является мультимодальной моделью с компонентами для текста, изображений и аудио, однако в этой сборке vision- и audio-компоненты удалены. Поэтому модель не принимает изображения или аудиоданные и работает исключительно с текстом. Для запуска требуется актуальная версия llama.cpp с поддержкой архитектуры Apertus; vLLM этот GGUF-формат не поддерживает. В README также указано, что для корректной остановки генерации и отображения reasoning необходимо задать специальные параметры запуска. Главное преимущество сборки — возможность запускать Apertus v1.5 через стандартный llama.cpp без специальной ветки SwissAI и без исходных safetensors. При этом это тестовые квантизации без imatrix, измерений perplexity и результатов бенчмарков, поэтому качество и эффективность не были тщательно валидированы. Для опубликованных файлов указана лицензия Apache-2.0.

lukagra/Bielik-Minitron-7B-v3.0-Instruct-mlx-fp16 — конвертированная в формат MLX версия модели speakleash/Bielik-Minitron-7B-v3.0-Instruct. Это плотная авторегрессионная языковая модель семейства Llama с 7,3 млрд параметров, предназначенная для диалога и генерации текста. Репозиторий создан lukagra; карточка базовой модели описывает Bielik как компактную инструктивную модель для европейских языков с акцентом на польский. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и рассчитана на многоязычные сценарии. В метаданных перечислены польский, английский, албанский, белорусский, боснийский, болгарский, хорватский, чешский, датский, эстонский, финский, французский, греческий, испанский, исландский, литовский, нидерландский, немецкий, норвежский, португальский, русский, румынский, сербский, шведский, словацкий, словенский, турецкий, украинский, венгерский, итальянский и латышский языки. Формат MLX предназначен для запуска на оборудовании Apple с MLX; исходная модель использует формат Safetensors. Модель опубликована под лицензией Apache-2.0. Качество и возможности унаследованы от базовой модели; карточка этой конверсии не содержит отдельных оценок или результатов тестирования.

Chocolatine-14B-Instruct-DPO-v1.3 — диалоговая языковая модель на 14,1 млрд параметров, разработанная Jonathan Pacifico на основе Microsoft Phi-4. Модель дообучена методом DPO на наборе jpacifico/french-orca-dpo-pairs-revised; автор сообщает об улучшении результатов на французском языке и в целом относительно базовой модели. Она предназначена для генерации текста и ведения диалогов на французском и английском языках, а также может применяться для задач рассуждения, математики и программирования, поддерживаемых базовой Phi-4. Модель использует плотную архитектуру семейства Phi-3 и принимает контекст до 16 384 токенов. В README приведены результаты на OpenLLM Leaderboard и MT-Bench-French, но они зависят от методики оценки и не гарантируют качество в конкретном сценарии. У модели нет механизма модерации. Лицензия — MIT.

unsloth/gemma-3-1b-it-bnb-4bit — квантизированная 4-битная версия instruction-tuned модели google/gemma-3-1b-it, основанной на семействе Gemma 3. Разработчик исходной модели — Google DeepMind; сборка и публикация варианта выполнены Unsloth. Модель предназначена для генерации текста по инструкциям, ответов на вопросы, суммаризации документов, рассуждений и понимания изображений. Модель мультимодальная: принимает текст и изображения, а генерирует текст. Для версии 1B заявлено контекстное окно до 32K токенов; изображения нормализуются до 896×896 пикселей и кодируются в 256 токенов, максимальный объём генерируемого ответа составляет 8192 токена. Поддерживается более 140 языков, включая английский; в метаданных этой карточки явно указан язык en. Небольшой размер и 4-битное представление упрощают локальное развёртывание на ноутбуках, настольных компьютерах и в облачной инфраструктуре с ограниченными ресурсами, однако квантизация может снижать точность по сравнению с полноразмерной версией. Модель распространяется по лицензии Gemma; применяются соответствующие условия использования Google. В README не приведены точные требования к аппаратному обеспечению, результаты тестирования или подробные сведения об архитектуре, поэтому производительность в конкретных задачах по этой карточке оценить нельзя.

ddalcu/gemma-4-e2b-it-4bit-textonly — облегчённая сборка Google Gemma 4 E2B, подготовленная в формате MLX на основе mlx-community/gemma-4-e2b-it-4bit. Это instruction-tuned языковая модель для генерации и обработки текста, предназначенная прежде всего для текстовых чат-приложений и локального запуска на устройствах Apple, включая сценарии on-device inference. Модель использует 4-битное affine-квантизование языкового backbone и эмбеддингов, полностью сохраняя веса и качество текстовой генерации исходной модели. Из неё удалены веса vision tower и audio tower: 1 415 из 2 511 тензоров. Размер загрузки сокращён примерно с 3,55 до 2,5 ГБ, то есть приблизительно на 30%. Модель поддерживает только взаимодействие «текст на входе — текст на выходе»; изображения и аудио она не обрабатывает. Сведения о размере контекста и языках в README не указаны. Основные преимущества — меньший размер по сравнению с мультимодальной сборкой и сохранение её текстовых возможностей при работе с MLX. Ограничение — отсутствие мультимодальных входов; для обработки изображений и аудио рекомендуется исходная модель mlx-community/gemma-4-e2b-it-4bit. README указывает лицензию Gemma. Для некоторых версий mlx-vlm при загрузке может потребоваться режим strict=False из-за отсутствующих весов vision-модуля.

GLM-5.3-Flash-GGUF — это квантизированная GGUF-версия модели GLM-5.3-Flash, разработанной zai-org и преобразованной с использованием llama.cpp пользователем qtum. Модель предназначена для генерации текста и запуска через совместимые инструменты, включая llama.cpp. Заявлены английский и китайский языки. Модель содержит 320 млрд общих параметров, из которых 18 млрд активируются для отдельного токена. Архитектура включает 45 слоёв гибридного внимания: 34 слоя KDA с линейным вниманием и 11 слоёв DSA с разреженным вниманием, построенных на MLA и дополненных Manifold-Constrained Hyper-Connections. Используется MoE с 288 экспертами, маршрутизацией top-8 и общим экспертом. Максимальная длина контекста заявлена до 1 млн токенов. В репозитории представлены квантизации IQ4_XS, IQ3_XXS, IQ2_XS и IQ1_M; каждая поставляется в 15 сегментах. IQ4_XS и IQ3_XXS рекомендуются как варианты с меньшей деградацией качества, тогда как IQ2_XS и IQ1_M существенно экономят память, но заметно ухудшают показатели. Сильными сторонами модели являются большой контекст, MoE-архитектура с относительно небольшим числом активных параметров и несколько уровней квантизации для разных ограничений по памяти. Ограничения включают очень большой размер файлов, необходимость загрузить все 15 сегментов и зависимость качества от выбранного уровня квантизации. Модель распространяется по лицензии MIT, унаследованной от базовой модели.

GPT-OSS-NEMO-20B — дообученная с помощью SFT и LoRA модель OpenAI GPT-OSS-20B, представленная автором карточки как модель для многоязычных рассуждений и диалогов. Она использует архитектуру GPT-OSS с Mixture of Experts; в метаданных указано 1,6 млрд параметров, контекст — 131 072 токена. Карточка описывает обучение на наборе HuggingFaceH4/Multilingual-Thinking и заявляет поддержку английского, испанского, арабского, французского, немецкого, китайского, японского, корейского, хинди и русского языков. Модель предназначена для ответов на вопросы, многошагового решения задач и диалога на разных языках, в том числе с рассуждением на одном языке и ответом на другом. Она принимает текст и генерирует текст; автор заявляет возможность задавать язык рассуждений через системное сообщение. Репозиторий распространяется по лицензии Apache-2.0. Качество может различаться между языками, а рассуждения на языках с меньшим объёмом обучающих данных могут быть слабее. Факты в ответах следует проверять; модель также может воспроизводить смещения из обучающих данных.

granite-4.2-8b-MLX-4bit — 4-битная квантованная версия языковой модели granite-4.2-8b, разработанной командой IBM Granite (ibm-granite). Квантование выполнено командой LM Studio с использованием mlx_lm; модель оптимизирована для запуска на устройствах Apple Silicon и предназначена для локальной генерации текста. Модель поддерживает задачи text generation, включая сценарии рассуждений, работы с инструментами и tool-calling, что отражено в заявленных тегах. Она обучена для работы с английским, немецким, испанским, французским, японским, португальским, арабским, чешским, итальянским, корейским, нидерландским и китайским языками. Архитектура и размер исходной модели обозначены как granite-4.2-8b; сведения о длине контекста и точной архитектуре в README не приведены. Ключевое преимущество варианта — сниженное потребление памяти по сравнению с полной точностью и оптимизация под Apple Silicon, что делает его подходящим для локального использования. Ограничениями являются возможная потеря качества из-за 4-битного квантования, зависимость производительности от оборудования и отсутствие в README подробных данных о качестве, бенчмарках и контекстном окне. Модель распространяется по лицензии Apache-2.0.

KB-Whisper Base — модель распознавания речи, выпущенная Национальной библиотекой Швеции (KBLab) на основе OpenAI Whisper Base. Модель содержит 51,7 млн параметров и дообучена на шведской речи; в README указано более 50 000 часов аудиозаписей с текстовыми расшифровками. Метаданные указывают архитектуру Whisper и форматы ONNX и safetensors. Модель предназначена для транскрибирования шведской речи из аудио. По умолчанию используется вариант Stage 2; доступны версии с более сжатым стилем расшифровки Subtitle и более дословным Strict. В описанных тестах на FLEURS, CommonVoice и NST версия base показала WER 9,1, 8,7 и 7,8 соответственно. Модель лицензирована по Apache-2.0. README не сообщает об ограничениях на типы аудио или условиях качества записи.

GAI-LLM/ko-en-llama2-13b-mixed-v2 — авторегрессионная языковая модель на архитектуре LLaMA 2, разработанная Донхуном О, Ханмином Мён и Ынён Ким из SK C&C G.AI Eng. Модель содержит 12,9 млрд параметров, принимает текст и генерирует текст; максимальный контекст — 2048 токенов. Модель дообучена на базе hyunseoki/ko-en-llama2-13b с использованием смешанной стратегии на наборах Kopen-platypus, Everythinglm v2, koalpaca_v1.1 и koCoT2000. Она предназначена для генерации текста на корейском и английском языках, включая ответы на запросы и следование инструкциям. Использование регулируется лицензией CC BY-NC 2.0, которая ограничивает коммерческое применение.

Lite-Whisper large-v3 — сжатая версия мультиязычной модели распознавания речи Whisper, разработанная авторами LiteASR на основе openai/whisper-large-v3. Модель принимает аудио и преобразует речь в текст; её можно применять для транскрибации записей и других сценариев автоматического распознавания речи. В карточке указаны 905,2 млн параметров, архитектура LiteWhisperForConditionalGeneration и формат Safetensors. В сравнении на наборах ESB средняя частота ошибок слов (WER) составляет 10,2; для Whisper large-v3 в той же таблице указано 10,1. Модель распространяется по лицензии Apache-2.0.

mlabonne/llama-2-7b-guanaco — языковая модель семейства Llama 2, разработанная как дообученная версия llama-2-7b-chat-hf. Автор дообучил её методом QLoRA с 4-битной точностью на датасете mlabonne/guanaco-llama2; в метаданных указан датасет timdettmers/openassistant-guanaco. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает контекст до 4096 токенов. Модель предназначена для генерации текста и диалоговых сценариев: она может создавать связные ответы и использоваться для написания текстов, суммаризации, перевода, классификации и анализа тональности. README приводит пример генерации объяснительного текста, но не содержит результатов оценки качества или подробностей о языках обучения. В репозитории доступны веса PyTorch и safetensors. Лицензия — Apache-2.0. Качество и пригодность для конкретной задачи следует проверять отдельно; карточка не приводит бенчмарков и не описывает специальные ограничения или гарантии.

aifeifei799 выпустил вариант Llama 3.1 8B Instruct с пометкой Uncensored. Это авторегрессионная плотная языковая модель на архитектуре Transformer с Grouped-Query Attention; метаданные указывают 7,5 млрд параметров и контекст до 131 072 токенов. Модель принимает текст и генерирует текст, поддерживает диалоговый режим и предназначена для многоязычных ассистентских сценариев и генерации текста. Карточка основана на описании Meta Llama 3.1 Instruct и указывает на английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Пометка Uncensored указывает на изменённые ограничения ответа, но README не описывает метод или объём дообучения и не подтверждает конкретные свойства этого изменения. Модель доступна в формате Safetensors по лицензии Llama 3.1 Community License; перед применением следует учитывать условия лицензии и самостоятельно оценивать безопасность ответов.