I.6Перевод и языковая адаптация

Whisper Dutch - RTL — модель распознавания речи на нидерландском языке, созданная дообучением openai/whisper-small на наборе Common Voice 11.0. Она принимает аудио и преобразует речь в текст; архитектура основана на Whisper и содержит 153,1 млн параметров. На оценочной выборке указаны Loss 0,1895 и WER 24,9245. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Whisper Large-v3 MLX — модель автоматического распознавания речи, опубликованная сообществом mlx-community и предназначенная для использования с библиотекой mlx-whisper. Она преобразует аудиозаписи в текст и подходит для сценариев транскрибации речи. Модель основана на Whisper Large-v3, однако в README не указаны её точные архитектурные характеристики, количество параметров, поддерживаемые языки, модальности или размер контекста. Также не приведены сведения о сильных сторонах и ограничениях модели, поэтому их нельзя достоверно оценить по имеющимся данным. Модель распространяется по лицензии MIT и предназначена для запуска через mlx-whisper; в README приведён пример использования с репозиторием mlx-community/whisper-large-v3-mlx.

Это дообученная модель OpenAI Whisper-small, подготовленная автором yuriyvnv для автоматического распознавания нидерландской речи. Она принимает аудио и генерирует текстовую транскрипцию; модель реализована на базе WhisperForConditionalGeneration и содержит 153,1 млн параметров. Модель дообучена на 34 952 реальных аудиозаписях Common Voice 17.0 на нидерландском языке и 34 898 синтетических примерах без фильтрации качества. На тестовой части Common Voice указана доля ошибок WER 10,91%, а на валидации — 8,64%. Использование всех синтетических данных увеличивает объём обучения, но низкокачественные примеры могут вносить шум; модель также может хуже работать с региональными вариантами языка и технической речью. Лицензия — Apache-2.0.

Whisper Telugu Medium — модель распознавания речи, разработанная Vasista22 на основе Whisper Medium от OpenAI и дообученная на корпусах речи на телугу. Она преобразует аудио на телугу в текст и предназначена для транскрибации записей и оценки систем ASR. Модель построена на архитектуре Whisper и содержит около 455,8 млн параметров; доступны веса PyTorch и Flax. В обучении использованы несколько публичных корпусов, включая CSTD IIIT-H, ULCA, Shrutilipi, Microsoft Speech Corpus, Fleurs и Babel. Модель распространяется по лицензии Apache-2.0.

XGLM-2.9B — авторегрессионная мультиязычная языковая модель семейства XGLM, разработанная командой Facebook/Meta и представленная в работе о few-shot обучении мультиязычных языковых моделей. Она предназначена для генерации текста и few-shot решения языковых задач, включая оценивание вариантов ответа. Модель содержит около 3,3 млрд параметров, обучена на сбалансированном корпусе на 500 млрд субтокенов и принимает текст, продолжая его авторегрессионно; длина контекста составляет 2048 токенов. Модель поддерживает широкий набор естественных языков, включая английский, русский и китайский. Её можно применять для генерации и продолжения текста, а также для экспериментов с few-shot prompting. Репозиторий содержит веса PyTorch. Лицензия — MIT. README ссылается на отдельную карточку разработчиков для подробностей предполагаемого использования.

XGLM-564M — мультиязычная авторегрессионная языковая модель семейства XGLM, разработанная командой исследователей, представившей работу «Few-shot Learning with Multilingual Language Models». В репозитории указано 564 млн параметров; метаданные Hugging Face указывают 614,5 млн параметров. Модель обучалась на сбалансированном корпусе из 30 языков общим объёмом 500 млрд субтокенов и поддерживает генерацию текста с контекстом до 2048 токенов. Модель предназначена для продолжения текста и мультиязычных генеративных сценариев, включая few-shot и zero-shot оценивание языковых задач. Метаданные указывают реализации PyTorch, TensorFlow и Flax. Поддерживаемые языки включают английский, русский, китайский, немецкий, испанский, французский, японский, итальянский, португальский, греческий, корейский, финский, индонезийский, турецкий, арабский, вьетнамский, тайский, болгарский и каталанский; в карточке перечислены и другие языки. Лицензия — MIT. Модель не описана как специализированная для конкретной предметной области.

Iskaj/300m_cv8.0_nl_base — модель автоматического распознавания речи, опубликованная пользователем Iskaj на Hugging Face. Она предназначена для преобразования аудиозаписей с речью в текст и относится к семейству wav2vec2; в карточке Hugging Face указана библиотека Transformers и задача automatic-speech-recognition. Модель содержит около 402,7 млн параметров и ориентирована на нидерландский язык: это следует из идентификатора nl и связанных моделей Iskaj, обученных на нидерландской конфигурации Common Voice 8.0. Модель поддерживает обработку речи как аудиомодальность и предназначена для задач транскрибации на нидерландском языке. В открытых данных для этой модели не удалось надёжно установить точную лицензию, длину контекста, детальные показатели качества и дополнительные ограничения использования.

AliceAI-T5-35B-A0.6B-GGUF — это общественные GGUF-квантизации языковой модели AliceAI-T5-35B-A0.6B, разработанной Yandex. Релиз подготовлен сообществом и распространяется через llama.cpp; модель не обучалась и не дообучалась, а была напрямую конвертирована из исходного BF16-снимка upstream-модели. Модель предназначена для генерации текста и использует архитектуру encoder-decoder со sparse mixture-of-experts. Она содержит примерно 34,35 млрд уникальных параметров, 512 экспертов в каждом MoE-слое с маршрутизацией top-8, скрытое состояние шириной 1536, 16 слоёв энкодера и 12 слоёв декодера. В модели используются общие эмбеддинги энкодера и декодера, а также RoPE с YaRN. Upstream-модель заявляет контекст до 128 тысяч токенов, однако для этой GGUF-версии такой размер контекста не подтверждён. Языки и полный набор поддерживаемых модальностей в карточке не указаны; модель является текстовой. Доступны варианты от BF16 и Q8_0 до компактных уровней квантования, включая Q4_K_M, Q3_K_M, Q2_K и IQ4_XS, что позволяет выбирать между качеством и требованиями к памяти. Варианты от Q8_0 до Q3_K_M и IQ4_XS прошли проверку загрузки и базовой детерминированной генерации; Q2_K работает технически, но показал некорректный результат в проверочном примере и не рекомендуется как качественный вариант. Для работы требуется сборка llama.cpp с поддержкой специальной архитектуры AliceAI и encoder-decoder-пути, включая cross-attention; обычный запуск decoder-only модели недостаточен. Квантизации распространяются по лицензии Apache License 2.0, но не являются официальным релизом или одобрением Yandex.

Qwen3.5-27B-Anko-GGUF — это квантизированная версия языковой модели allura-org/Qwen3.5-27B-Anko, подготовленная пользователем bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Модель имеет 27 млрд параметров и поддерживает английский и китайский языки. В репозитории представлены варианты от BF16 и Q8_0 до более компактных Q3- и IQ3-квантизаций; наиболее качественными считаются BF16, Q8_0, Q6 и Q5, а Q4 предлагается как сбалансированный вариант по качеству и размеру. Размер файлов составляет примерно от 13,5 до 53,8 ГБ. Данные о модальностях, архитектуре исходной модели и размере контекстного окна в README не указаны. Модель подходит для локальной генерации текста и диалоговых сценариев при наличии совместимого программного обеспечения и достаточного объёма оперативной или видеопамяти. Квантизация снижает требования к ресурсам, но варианты с меньшим числом бит могут заметно уступать более крупным по качеству. Распространение указано по лицензии Apache-2.0.

AquilaDense-7B — плотная авторегрессионная языковая модель семейства AquilaDense, разработанная Пекинской академией искусственного интеллекта (BAAI). Она предназначена для генерации текста и диалогового взаимодействия. По метаданным модель содержит 7,6 млрд параметров, поддерживает контекст до 4096 токенов и распространяется в формате PyTorch. README описывает методику EfficientScale для обучения моделей AquilaMoE и упоминает AquilaDense-7B как одну из моделей, использованных в экспериментах и графике обучения. В карточке также приведены двуязычные данные на китайском и английском языках; метаданные отмечают поддержку английского и китайского. Лицензия модели — Apache-2.0. Модель подходит для генерации текста и диалоговых сценариев на английском и китайском языках. README не приводит отдельных результатов оценки или конкретных рекомендаций по применению AquilaDense-7B; ограничение контекста составляет 4096 токенов.

Audar-ASR-V1-Turbo — генеративная модель автоматического распознавания речи, разработанная AudarAI. Она ориентирована прежде всего на арабскую речь, включая литературный арабский и диалекты стран Персидского залива, египетский, левантийский и магрибский, а также на английский, арабско-английский code-switching и ещё 28 языков. Модель предназначена для преобразования аудио в текст, в том числе в потоковых и низколатентных сценариях на CPU, GPU и edge-устройствах. Архитектура включает аудиоэнкодер и декодер на основе языковой модели, который выполняет audio-conditioned next-token prediction, а не использует CTC или transducer objective. Общий размер модели составляет около 2,35 млрд параметров: 2,03 млрд у декодера и 0,32 млрд у аудиоэнкодера; указанный формат вычислений — bfloat16. Модель принимает монофонический звук с частотой 16 кГц и работает с контекстом до 30 секунд, при обработке более длинных записей используются разбиение на фрагменты или потоковая передача. Доступны форматы GGUF и safetensors, включая запуск через llama.cpp. Сильные стороны модели — специализация на диалектной арабской речи, обработка code-switching, сохранение имён собственных и диалектно-ориентированная орфография. По данным README, на Open Universal Arabic ASR Leaderboard она заняла первое место среди 37 систем со средними WER 23,2% и CER 9,2%; при этом приведённые результаты относятся к конкретным тестовым наборам и методике нормализации. Модель построена на открытой аудио-LLM-основе, но адаптация, данные и выравнивание принадлежат AudarAI. Лицензия — AudarAI Community License v1.0; условия следует уточнять в тексте лицензии.

Beetle-FineWeb2-24B/beetle-bilingual-l2-50-sequential-33-67-b3-fineweb-ita-eng — генеративная языковая модель из семейства Beetle-FineWeb2-24B, опубликованная на Hugging Face. По идентификатору она ориентирована на двуязычную работу с итальянским и английским языками и обучалась на данных FineWeb; в метаданных указана библиотека Transformers и архитектурный тег pico_decoder. Модель предназначена для генерации и продолжения текста, создания черновиков, диалоговых приложений и других сценариев, где требуется авторегрессионное моделирование текста на итальянском и английском языках. Размер 24B следует из идентификатора модели. README является автоматически созданным шаблоном и не содержит сведений о разработчике, лицензии, контексте, результатах оценки, ограничениях или рекомендуемом способе использования.

Beetle-FineWeb2-24B/beetle-bilingual-l2-50-simultaneous-b2-fineweb-hin-eng — языковая модель для генерации текста на базе Transformers. По идентификатору модели она относится к семейству Beetle-FineWeb2 и имеет размер 24B параметров; модель ориентирована на двуязычную работу с хинди и английским языком. Модель предназначена для задач генерации текста, включая продолжение запросов, подготовку черновиков, диалоговые ответы и другие сценарии, где требуется автодополнение или создание текста. В названии также указаны варианты l2, 50 simultaneous и b2, однако README не раскрывает их точное техническое значение. README не содержит сведений о разработчике, архитектуре, контексте, обучающих данных, результатах оценки, рекомендациях по применению или лицензии. Поэтому возможности модели следует проверять на собственных данных, особенно для критически важных и чувствительных сценариев.

BgGPT-Gemma-2-9B-IT-v1.0 — языковая модель INSAIT при Софийском университете, построенная на Gemma 2 9B. Это плотный decoder-only трансформер с 9 млрд параметров и контекстом 8192 токена; модель дообучена для следования инструкциям и диалога. Модель предназначена прежде всего для общения и генерации текста на болгарском языке, включая ответы на вопросы, рассуждения и решение учебных задач. Она также сохраняет возможности на английском. При непрерывном предварительном обучении использовалась стратегия Branch-and-Merge и около 100 млрд токенов, из них 85 млрд на болгарском; затем модель дообучили на болгарских инструкциях, составленных на основе реальных диалогов. Модель доступна по условиям Gemma Terms of Use. Для работы рекомендуется формат чата Gemma 2; README предупреждает, что Flash Attention снижает качество работы. Заявления о результатах на бенчмарках приведены авторами модели и не гарантируют качество на конкретных пользовательских задачах.

rinna/bilingual-gpt-neox-4b — двуязычная языковая модель, разработанная командой Rinna на основе кода EleutherAI GPT-NeoX. Это плотный авторегрессионный трансформер GPT-NeoX с 36 слоями и размером скрытого состояния 2816; в метаданных указано 4,8 млрд параметров. Модель предварительно обучена примерно на 524 млрд токенов из японских корпусов CC-100 и C4, The Pile, RedPajama и Wikipedia. Модель предназначена для генерации текста на японском и английском языках, продолжения текста и языковых задач общего назначения. Авторы сообщают о результатах на японских и английских бенчмарках; оценка на японских задачах была немного выше, чем у предыдущей японской GPT-NeoX 3.6B. Контекст составляет 2048 токенов. Токенизатор SentencePiece имеет словарь из 65 536 элементов и поддерживает обработку пробелов, переводов строк и табуляций; для его особенностей в README рекомендуется использовать use_fast=False. Результат чувствителен к параметрам декодирования, поэтому настройки temperature, top_p, top_k и repetition_penalty следует подбирать для конкретного сценария. Модель распространяется по лицензии MIT.

Chocolatine-2-14B-Instruct-v2.0b3 — чат-модель на 14 млрд параметров, разработанная Jonathan Pacifico в 2025 году. Это эксперимент тонкой настройки DPO модели sometimesanotion/Lamarck-14B-v0.7 на наборе jpacifico/french-orca-dpo-pairs-revised; обучение на французском также улучшило работу на английском. Модель построена на архитектуре Qwen2 и предназначена для диалоговой генерации текста и следования инструкциям. Модель принимает текст и генерирует текст, поддерживает французский и английский языки. Заявлена работа с контекстом до 128K токенов и генерация до 8K токенов. Доступны веса в формате safetensors; в метаданных также заявлен интерфейс вызова инструментов. Лицензия — Apache-2.0. Автор характеризует серию как быструю демонстрацию возможностей тонкой настройки и сообщает об отсутствии механизмов модерации. Количественные результаты оценок в карточке не приведены.

Cohere Transcribe — специализированная модель автоматического распознавания речи, разработанная Cohere и Cohere Labs. Это open source-модель формата audio-in, text-out для транскрибации речи и поддерживает 14 языков: английский, немецкий, французский, итальянский, испанский, португальский, греческий, нидерландский, польский, арабский, вьетнамский, китайский (мандарин), японский и корейский. Представленная версия ONNX предназначена для использования, в частности, через Transformers.js. Модель содержит около 2 млрд параметров и построена на базе Conformer: аудиосигнал преобразуется в mel-спектрограмму, после чего обрабатывается оптимизированным для речи Conformer-энкодером и лёгким Transformer-декодером, генерирующим текст. На вход подаётся аудиоволна; при предварительной обработке она автоматически преобразуется к частоте 16 кГц, а многоканальный звук сводится к одному каналу. Модель обучалась с нуля методом supervised cross-entropy. К сильным сторонам относятся высокая точность транскрибации на поддерживаемых языках и эффективность: заявлен real-time factor до трёх раз выше, чем у других специализированных ASR-моделей сопоставимого размера. Модель рассчитана на работу с одним заранее указанным языком и не поддерживает явное автоматическое определение языка; на смешанной речи её результаты могут быть нестабильными. Она также не предоставляет временные метки и диаризацию говорящих, а фоновые шумы и тишина могут приводить к нежелательной транскрибации, поэтому рекомендуется использовать VAD или noise gate. Модель распространяется по лицензии Apache 2.0 без дополнительных условий.

Colossal-LLaMA-2-7B-base — базовая языковая модель команды Colossal-AI, созданная на основе LLaMA 2 путём продолжения предобучения на китайских и английских корпусах. Модель содержит 6,8 млрд параметров, использует плотную архитектуру LLaMA и принимает контекст до 4096 токенов. Словарь токенизатора расширен с 32 000 до 69 104 токенов для лучшей работы с китайским текстом. Модель предназначена для генерации текста и может служить основой для дальнейшей адаптации под специализированные области и задачи. В карточке сообщается о результатах на китайских и англоязычных бенчмарках, включая C-Eval и MMLU. Лицензия — LLaMA 2; README также указывает Apache 2.0 и отсутствие дополнительных ограничений на коммерческое использование. Следует учитывать, что проверки проводились только для китайского и английского языков; модель может выдавать неточные, предвзятые или небезопасные ответы, поэтому перед внедрением требуется оценка и настройка под конкретное применение.

English_Wav2Vec_Finetune — модель автоматического распознавания английской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на наборе данных generator. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст. В карточке приведены результаты оценки на тестовой выборке: loss 0,3020 и WER 0,2061. Подробности о составе и условиях оценки, а также рекомендации по применению не раскрыты. Модель распространяется по лицензии Apache-2.0.

Gemma 3n E4B It LM 4bit — версия модели Google Gemma 3n E4B-it, конвертированная сообществом mlx-community в формат MLX с использованием mlx-lm 0.25.2. Модель предназначена для запуска и генерации текста на устройствах и в окружениях, совместимых с MLX, через библиотеку mlx-lm. Модель ориентирована на диалоговую генерацию текста и, судя по заявленным тегам исходной модели, поддерживает сценарии работы с текстом, аудио и видео, включая автоматическое распознавание речи, автоматический перевод речи и преобразование аудио или видео в текст. Обозначение E4B указывает на класс модели примерно в 4 миллиарда параметров, а суффикс 4bit — на 4-битное квантование, уменьшающее требования к памяти. Точные сведения о языках и размере контекста в README не указаны. К сильным сторонам относятся адаптация к MLX, компактное 4-битное представление и поддержка мультимодальных сценариев, заявленная для базовой модели. Ограничения включают возможное снижение точности из-за квантования и отсутствие в README подробных данных о производительности, поддерживаемых языках и фактических требованиях к оборудованию. Для использования требуется принять лицензию Google Gemma на Hugging Face; конкретные условия лицензии gemma следует учитывать отдельно.

Gemma-SEA-LION-v4-27B-VL — мультимодальная инструктивно настроенная модель AI Singapore и SEACrowd для работы с изображениями и текстом в сценариях, связанных с Юго-Восточной Азией. Она построена на архитектуре Gemma 3 и дообучена на примерно 540 тысячах пар инструкций и изображений на бирманском, английском, индонезийском, кхмерском, лаосском, малайском, китайском, тагальском, тамильском, тайском и вьетнамском языках. Базовая модель — aisingapore/Gemma-SEA-LION-v4-27B-IT. Модель принимает текст и изображения, поддерживает визуальные вопросы и ответы, понимание документов, рассуждение с опорой на изображения и создание подписей к ним. Контекст составляет 128 тысяч токенов; заявлены также вызов функций и структурированный вывод. Она предназначена для мультиязычных приложений, ориентированных на регион Юго-Восточной Азии. Модель может галлюцинировать, выдавать нерелевантные или непоследовательные ответы и не проверялась на устойчивость к состязательным запросам. Она не прошла настройку безопасности; текстовые возможности близки к базовой Gemma-SEA-LION-v4-27B-IT. Распространяется на условиях Gemma Terms of Use.

glm-4-9b-chat-IMat-GGUF — это набор GGUF-квантизированных версий чат-модели THUDM/glm-4-9b-chat, разработанной командой THUDM. Квантизацию выполнил legraphista с использованием llama.cpp и IMatrix для ряда вариантов. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через совместимое программное обеспечение, например llama.cpp. Модель имеет около 9 миллиардов параметров и создана на основе исходной версии в формате BF16. Доступны варианты от BF16 и FP16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-квантизаций; размеры файлов составляют примерно от 3,99 до 18,81 ГБ. В метаданных указана поддержка китайского и английского языков. Для низкобитных вариантов применена IMatrix, призванная улучшить качество квантизации, однако конкретные показатели качества и максимальный размер контекста в README не указаны. Главное преимущество набора — выбор между качеством, размером и требованиями к ресурсам, что позволяет запускать модель на различном локальном оборудовании. Ограничения связаны с потерями качества при более агрессивной квантизации, а также с отсутствием в предоставленных данных подробных бенчмарков, требований к памяти и описания архитектуры. Модель распространяется по лицензии glm-4; README указывает отдельную лицензию и ссылку на лицензионные условия исходной модели.

Vontra/GLM-5.3-Flash-MLX-oQ2-MTP — это MLX-конверсия и квантованная версия мультимодальной модели GLM-5.3-Flash, разработанной Z.ai. Модель предназначена для генерации текста и изображений, обработки языковых и визуальных запросов, а также локального запуска на компьютерах Apple Silicon через MLX и совместимые компоненты oMLX. Заявлены поддерживаемые языки английский и китайский. Модель использует архитектуру glm5_next с разреженной Mixture-of-Experts, гибридным линейным и разреженным вниманием и контекстом до 1 048 576 токенов. Применена посттренировочная weight-only-квантизация sensitivity-guided oQ2 со смешанной точностью и эффективным распределением около 2,67 бита на вес. Большинство весов имеют точность Q2 или Q8, отдельные компоненты — Q4, а зрительный энкодер и проектор сохранены в BF16. Репозиторий содержит 22 файла весов общим объёмом около 110 ГБ. Вариант сохраняет встроенный слой предсказания следующего токена и поддерживает Native MTP с глубиной 1, что может повышать пропускную способность. Однако MTP указан как экспериментальный: в проверенном окружении результаты были связными, но не полностью совпадали с базовым режимом, поэтому для точной детерминированной воспроизводимости его следует отключать. Совместимость проверена с oMLX 0.6.3rc3, MLX 0.32.0, mlx-lm 0.31.3 и mlx-vlm 0.6.3; другие версии могут не поддерживать необходимые пути glm5_next, oQ и Native MTP. Модель распространяется по лицензии MIT.

Это чат-модель для генерации текста, дообученная автором cloudyu на основе google/gemma-7b. Обучение выполнено на наборе c-s-ale/alpaca-gpt4-data-zh; модель принимает инструкцию и необязательный ввод, затем генерирует ответ по шаблону instruction/input/output. Модель построена на плотной архитектуре GemmaForCausalLM и содержит 8,2 млрд параметров. Она рассчитана на диалог и выполнение инструкций на китайском и английском языках, с контекстом до 8192 токенов. Доступные веса представлены в формате safetensors. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий без соблюдения её условий. Качество ответов зависит от области запроса и данных дообучения; карточка не приводит результатов оценки или дополнительных мер защиты.

Himeyuri-Magnum-HereticLoRA — чат-модель на 12,1 млрд параметров, созданная автором yamatazen объединением предварительно обученных языковых моделей методом Model Stock с помощью mergekit. В качестве базовой использована Elizezen/Himeyuri-v0.1-12B; в объединение также вошли anthracite-org/magnum-v2-12b и anthracite-org/magnum-v2.5-12b-kto. Модель построена на плотной архитектуре MistralForCausalLM, распространяется в формате safetensors и использует шаблон диалогов ChatML. Модель предназначена для диалогов и генерации текста на английском и японском языках. Метаданные указывают контекстное окно до 1 024 000 токенов. Для запуска подходит библиотека Transformers. Лицензия в предоставленных данных не указана.

Igbo-ASR — модель автоматического распознавания речи на языке игбо, разработанная Awarri Technologies при поддержке Федерального министерства коммуникаций, инноваций и цифровой экономики Нигерии. Это дообученная на Whisper Small трансформерная модель примерно с 244 млн параметров, обученная на 120 часах записей из разных регионов Нигерии и общедоступных наборах данных. Она принимает аудио и выдаёт текстовую транскрипцию на игбо; рекомендуемая частота дискретизации — 16 кГц, максимальная длительность входного фрагмента — 30 секунд. Модель предназначена для транскрибирования речи в образовательных, исследовательских, культурных, медийных и доступностных приложениях. Её область применения — речь на игбо; качество может снижаться на некоторых диалектах, при переключении между игбо и английским, шуме и низком качестве аудио. Данных детской речи мало, а для специализированных областей может потребоваться дополнительное дообучение. Лицензия обозначена как other: условия описывают исследовательское и общественно полезное применение, запрещают ряд вредоносных сценариев, а коммерческое или крупномасштабное корпоративное использование требует отдельного соглашения.

lingtrain/labse-chuvash — дообученная модель Sentence Transformer на базе sentence-transformers/LaBSE, предназначенная для построения эмбеддингов предложений и абзацев. Она кодирует текст в плотные векторы размерности 768 и сравнивает их косинусным сходством; обучение проводилось на миллионе пар предложений с функцией MultipleNegativesRankingLoss. Модель рассчитана на семантический поиск и сопоставление смыслов, в том числе для чувашских текстов и пар чувашский—русский. Её можно применять для поиска похожих предложений, выявления перефразирований, кластеризации и классификации текстов на основе эмбеддингов. Архитектура — BERT; метаданные указывают контекст до 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 256 токенов, поэтому на практике следует учитывать ограничение модели в используемой конфигурации. Модель принимает текст и выдаёт векторы; лицензия в предоставленных данных не указана. Она не генерирует текст и качество за пределами чувашского и русско-чувашских примеров карточки не охарактеризовано.

LiquidAI/LFM2.5-1.2B-Instruct-MLX-4bit — это 4-битная версия инструкционной языковой модели LFM2.5-1.2B-Instruct, экспортированная в формат MLX компанией Liquid AI для запуска на устройствах с Apple Silicon. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на запросы пользователя и локальный инференс на совместимых устройствах. Модель содержит 1,2 млрд параметров, использует 4-битную квантизацию с размером группы 64 и занимает около 628 МБ. Заявленная длина контекста — до 128K токенов. Поддерживаются английский, японский, корейский, французский, испанский, немецкий, итальянский, португальский, арабский и китайский языки. Рекомендуемые параметры генерации включают temperature 0.1, top_k 50, top_p 0.1 и repetition_penalty 1.05. К сильным сторонам относятся компактный размер, сниженное потребление памяти благодаря 4-битному представлению, поддержка длинного контекста и оптимизация для экосистемы Apple Silicon через MLX. Ограничения README не описывает; в частности, отсутствуют сведения о результатах бенчмарков, фактическом качестве на отдельных языках и поддержке модальностей помимо текста. Модель распространяется по лицензии LFM 1.0.

AMead10/Llama-3.2-3B-Instruct-AWQ — инструкционная языковая модель семейства Llama 3.2, разработанного Meta, представленная в формате AWQ-квантизации. Версия размещена пользователем или организацией AMead10 и предназначена для запуска через экосистему Transformers и совместимые средства инференса для text-generation. Модель рассчитана на диалоговые сценарии, генерацию текста и выполнение инструкций. В карточке заявлена поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Обозначение 3B указывает на класс примерно из 3 миллиардов параметров, однако точные сведения об архитектуре, размере контекста, методе дообучения и результатах тестирования в README не приведены. Ключевое преимущество AWQ-версии — уменьшенные требования к памяти и потенциально более эффективный локальный инференс по сравнению с полноразмерными весами, но квантизация может влиять на качество ответов. Ограничения и гарантии безопасности отдельно не описаны; результаты требуют проверки, особенно в критически важных задачах. Использование регулируется Llama 3.2 Community License от Meta: при распространении материалов или производных продуктов необходимо соблюдать условия лицензии, Acceptable Use Policy, требования к атрибуции и маркировке «Built with Llama».

Llama-3-Alpha-Ko-8B-Instruct — диалоговая языковая модель Allganize на архитектуре Llama 3 с 7,5 млрд параметров и контекстом 8192 токена. Она создана методом эволюционного слияния Meta-Llama-3-8B, Meta-Llama-3-8B-Instruct и Llama-3-Open-Ko-8B, а затем доработана с помощью ORPO на наборах для улучшения качества ответов и предпочтений пользователей. Модель предназначена для генерации ответов и диалога на корейском и английском языках, включая задачи рассуждения и понимания текста. В README приведены результаты на корейских тестах LogicKor и KoBEST; карточка заявляет конкурентные показатели на LogicKor, однако результаты представлены авторами и не гарантируют качество на других задачах. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому условия использования следует уточнить у разработчика перед применением.