I.6Перевод и языковая адаптация

Whisper Telugu Base — модель распознавания речи на телугу, созданная участниками Whisper fine-tuning sprint путём дообучения openai/whisper-base на открытых корпусах ASR. Она предназначена для преобразования речи на телугу в текст и оценки качества распознавания на тестовых наборах индийских языков и многоязычных речевых корпусов. Модель основана на архитектуре WhisperForConditionalGeneration, содержит 51,7 млн параметров и принимает аудио, выдавая текст. В репозитории представлены веса PyTorch и Flax; для оценки авторы указывают код из whisper-finetune. Обучающие данные включают CSTD IIIT-H, ULCA, Shrutilipi, Microsoft Speech Corpus для индийских языков, Google Fleurs и Babel; для оценки перечислены тестовые наборы Microsoft, Fleurs, OpenSLR и Babel. Модель распространяется по лицензии Apache-2.0. Результаты могут зависеть от качества записи и соответствия аудио телугу; в карточке не приведены численные метрики качества.

X-ASR-zh-en — модель распознавания речи на китайском и английском языках, разработанная в рамках серии X-ASR на базе icefall. Это Zipformer transducer, обученный примерно на 1 млн часов открытых и собранных речевых данных и поставляемый в формате ONNX для запуска через sherpa-onnx. Модель поддерживает потоковое распознавание с вариантами размера чанка 160, 480, 960 и 1920 мс, а также офлайн-декодирование; в распознанном тексте поддерживаются пунктуация и регистр. Модель предназначена для транскрибации китайской и английской речи, в том числе в сценариях с низкой задержкой, а также для офлайн-распознавания. Её можно использовать в исследованиях, оценке качества, демонстрациях и экспериментах по развёртыванию. Фактическая задержка зависит от оборудования, параллельной нагрузки, разбиения аудио на чанки, настройки определения конца высказывания и конфигурации сервера. Технический отчёт с подробностями обучения и оценки ещё не опубликован. Лицензия — Apache-2.0.

TalTechNLP/xls-r-300m-et — модель распознавания эстонской речи, разработанная в Лаборатории языковых технологий TalTech. Это модель семейства wav2vec 2.0 с архитектурой Wav2Vec2ForCTC, дообученная на основе facebook/wav2vec2-xls-r-300m примерно на 800 часах эстонских аудиоданных. В репозитории указано 402,9 млн параметров; модель принимает аудио и преобразует речь в текст. Модель предназначена для распознавания эстонской речи в передачах, интервью, выступлениях и других общих сценариях. Она включает CTC-модель без отдельной языковой модели. В README приведены результаты WER: 7,9 на jutusaated.devset, 6,1 на jutusaated.testset и 12,5 на Common Voice 6.1. Качество может быть ниже при распознавании технической и узкоспециальной лексики, детской или неродной речи, сильном шуме, удалённом микрофоне, спонтанной и перекрывающейся речи. Лицензия — CC BY 4.0.

yihao-llm-7b-i1-GGUF — это квантизированная версия языковой модели yihao-ai/yihao-llm-7b, подготовленная mradermacher в формате GGUF с использованием imatrix-квантования. Модель предназначена для генерации текста и сценариев, связанных с instruction tuning, включая локальный запуск и выполнение задач на китайском и английском языках. Точная архитектура и размер контекстного окна в README не указаны; заявлен размер базовой модели — 7 миллиардов параметров. Набор включает варианты квантования от i1-IQ1_S до i1-Q6_K с размером файлов примерно от 2,0 до 6,4 ГБ. Это позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством: для i1-Q4_K_S заявлен оптимальный баланс, а i1-Q4_K_M отмечен как быстрый и рекомендуемый вариант. Более компактные варианты могут заметно снижать качество, особенно при низком уровне квантования. README не содержит результатов тестирования, подробностей о точности, ограничениях применения или мультимодальных возможностях; по имеющимся данным модель является текстовой. Указанная лицензия — MIT.

Pricile разработала wbertcur — единую модель распознавания речи для шести восточноафриканских языков, созданную для соревнования AfriVoices East Africa ASR Hackathon. Модель построена на архитектуре Wav2Vec2-BERT (Conformer) с символьной CTC-головой; в репозитории указано 402,7 млн параметров. Она принимает аудио и преобразует речь в текст на суахили, кикую, дхолуо, календжине, маасаи и сомали. Модель предназначена для распознавания речи на CPU-устройствах с ограниченными ресурсами. В README приводятся измерения для int8-развёртывания на CPU: пиковая память 5,53 ГБ. Для улучшения качества авторы также проверяли декодирование с языковой моделью KenLM; для него требуется заранее знать язык аудио или отдельно определить его. Модель обучена на данных AfriVoices-KE и оценивалась на близком распределении, включающем прочитанную и спонтанную речь. Указанная лицензия модели — MIT.

afrivoices-whisper-turbo — дообученная модель распознавания речи на основе openai/whisper-large-v3-turbo. Она принимает аудио и преобразует речь в текст. В README приведены результаты оценки на тестовом наборе: loss 0,5509 и WER 0,2632. Модель предназначена для автоматического распознавания речи. Датасет обучения, поддерживаемые языки и предполагаемые сценарии применения в карточке не раскрыты. Модель распространяется в формате Safetensors через Transformers по лицензии MIT.

Audio8-ASR-0.1B — компактная авторегрессионная модель распознавания речи от разработчика Edge0. Она принимает аудио и выдаёт текстовую транскрипцию; поддерживает китайский, английский, французский, немецкий, японский, корейский и кантонский языки. В метаданных указано 103,5 млн параметров языковой модели, а README уточняет, что всего в модели около 324 млн уникальных параметров. Нативный контекст составляет 32 768 токенов. Архитектура объединяет аудиоэнкодер Qwen3-ASR, MLP-адаптер и восьмислойную причинную языковую модель в стиле Qwen. Модель распространяется как checkpoint для Hugging Face Transformers в формате safetensors; доступно усиление заданных ключевых слов при декодировании без дообучения. В README приведены результаты оценки на публичных наборах распознавания речи. Модель подходит для транскрибации коротких записей и распознавания речи с учётом заданных терминов. Примеры по умолчанию обрезают аудио после 30 секунд. Чрезмерное усиление ключевых слов может смещать распознавание; для загрузки требуется trust_remote_code=True. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Audio8 ASR Infinite — модель потокового распознавания речи, разработанная Edge0. Она предназначена для транскрибирования китайской и английской речи в реальном времени, в том числе непрерывных аудиопотоков. Архитектура основана на аудиомодели Voxtral Realtime 4B: обучены аудиобашня, проектор и эмбеддинги длины кадра; текстовый декодер использует 36 слоёв. Модель принимает аудио и выдаёт текст. Потоковый режим поддерживает настраиваемый аудиотакт 80, 120 или 160 мс и задержку транскрипции 240–560 мс. В README заявлены семантическое определение пауз и завершения реплики, а также обработка неограниченно длинного потока с постоянными затратами памяти и задержкой благодаря Rolling KV Cache и адаптированной сборке vLLM. Нативный контекст чекпойнта составляет 30 секунд; бесконечная длительность относится к режиму с Rolling KV Cache. Оптимальные сочетания параметров постобучены не для всех конфигураций. Модель выпущена как preview, а семантическое восприятие на уровне кадров обозначено как работа в процессе. В приведённых сравнениях качество зависит от языка и набора данных: результаты сильны на китайских тестах, тогда как на LibriSpeech test.clean уступают Voxtral-Mini-4B-Realtime-2602. Лицензия — Apache-2.0.

lenML создал версию Aya Expanse 8B, обработанную методом abliteration для снижения склонности модели отказывать в ответах. Это плотная причинно-языковая модель семейства Cohere с 8 млрд параметров; она рассчитана на генерацию текста и диалоговое общение. В метаданных указаны контекст до 8192 токенов и поддержка 23 языков: английского, французского, немецкого, испанского, итальянского, португальского, японского, корейского, китайского, арабского, греческого, персидского, польского, индонезийского, чешского, иврита, хинди, нидерландского, румынского, русского, турецкого, украинского и вьетнамского. По оценке автора на lenml-reject-eval, обработка снизила показатель отказов с 0,91 до 0,50, но модель всё ещё часто отказывает по сравнению с полностью разблокированными моделями. Это не означает гарантированного снятия ограничений и не является оценкой общей безопасности или качества. Модель распространяется по лицензии CC BY-NC 4.0, которая не разрешает коммерческое использование.

Beetle-FineWeb2-24B/beetle-bilingual-l2-50-sequential-33-67-b3-fineweb-rus-eng — языковая модель для генерации текста, доступная через библиотеку Transformers. По идентификатору модели она относится к семейству Beetle-FineWeb2 и ориентирована на двуязычную работу с русским и английским языками; заявленный размер семейства составляет 24B параметров. Модель предназначена для генерации продолжений текста, создания черновиков, диалоговых и других приложений, использующих text-generation. В метаданных также указаны форматы safetensors и pico_decoder. Сведения о разработчике, лицензии, точной архитектуре, длине контекста, обучающих данных, результатах оценки и ограничениях в предоставленной карточке отсутствуют.

calme-3.3-baguette-3b — языковая модель MaziyarPanahi, дообученная на базе Qwen/Qwen2.5-3B для диалогов и генерации текста на французском и английском языках. Она использует плотную архитектуру Qwen2 и содержит 3,1 млрд параметров; максимальная длина контекста — 32 768 токенов. Модель работает с шаблоном диалога ChatML и доступна в формате safetensors. Модель предназначена для ответов на вопросы и выполнения инструкций в общих сценариях на французском и английском языках. В карточке также указаны датасеты с французскими инструкциями и юридическими диалогами, однако специализированное юридическое качество не заявлено. Автор предупреждает, что небольшая модель может хуже справляться с некоторыми запросами и быть чувствительной к гиперпараметрам; при использовании важны проверка ответов и человеческий контроль. Лицензия указана как other, поэтому условия использования следует уточнять в репозитории.

ChatGLM-6B-INT4-Slim — облегчённая по требованиям к памяти версия ChatGLM-6B-INT4, подготовленная автором репозитория на основе официальной модели ChatGLM. Из словаря удалены 20 тысяч зарезервированных токенов изображений, не используемых текстовой моделью; остальные компоненты и заявленная производительность соответствуют ChatGLM-6B-INT4. Архитектура — плотная ChatGLM на основе General Language Model (GLM), размер — около 8,1 млрд параметров по метаданным каталога. Модель предназначена для двуязычного китайско-английского диалога, ответов на вопросы и локальной генерации текста. INT4-квантизация блоков модели и сокращение словаря снижают потребление памяти, позволяя запускать её на потребительском оборудовании; в README указано около 6 ГБ памяти для исходной INT4-версии. Модель принимает текст и генерирует текст. Права на модель и заслуги принадлежат официальной команде ChatGLM. В README указано, что код распространяется по Apache-2.0, а использование весов регулируется Model License; условия лицензии весов следует проверять отдельно. Заявленная эквивалентность по производительности основана на описании автора репозитория.

Chocolatine-2-14B-Instruct-v2.0b2 — языковая модель на 14 млрд параметров, разработанная Jonathan Pacifico. Это эксперимент DPO-дообучения модели sometimesanotion/Lamarck-14B-v0.7 на наборе jpacifico/french-orca-dpo-pairs-revised; архитектура — плотная Qwen2ForCausalLM, веса представлены в safetensors. Модель предназначена для диалогов и генерации текста на французском и английском языках. Заявлена поддержка контекста до 128 тыс. токенов и генерации до 8 тыс. токенов. Обучение на французском также улучшает работу на английском. Модель можно применять для ответов на вопросы, ведения диалогов и других задач генерации текста; карточка описывает её как демонстрацию возможностей дообучения, а результаты бенчмарков обозначены как ожидаемые. Лицензия — MIT. В модели нет механизма модерации, поэтому она может выдавать нежелательный контент; качество и заявленные характеристики стоит проверять для конкретного сценария.

COLA3-7B — языковая модель, разработанная Seungyoo-Lee (DopeorNope) в консорциуме исследований LLM компаний 미디어그룹사람과숲 и 마커. Это авторегрессионная плотная модель семейства LLaMA 2, дообученная методом IA3 на базе kyujinpy/KO-Platypus2-7B-ex; размер — 6,7 млрд параметров. Для дообучения использован набор Eng_Kor_COT_combined, указанный в метаданных как DopeorNope/combined. Модель принимает текст и генерирует текст. Её можно применять для генерации ответов и рассуждений на английском и корейском языках; контекст составляет 2048 токенов. Лицензия CC BY-NC-SA 4.0 разрешает использование на условиях атрибуции, распространения производных работ на тех же условиях и без коммерческого использования. Ответы могут быть неточными, предвзятыми или нежелательными; в README отмечено, что тестирование проводилось на английском языке и не охватывает все сценарии. Перед внедрением следует проверить модель и настроить меры безопасности для конкретного приложения.

maywell/EXAONE-3.0-7.8B-Instruct-Llamafied — это версия EXAONE-3.0-7.8B-Instruct, адаптированная под архитектуру и формат Llama. В README благодарят LG AI Research за исходную модель и @kuotient за обновление скрипта и публикацию модели. Это плотная языковая модель с архитектурой LlamaForCausalLM, примерно 7,4 млрд параметров и контекстом до 4096 токенов; в каталоге указана возможность чата. Модель предназначена для генерации текста в диалоговом формате на английском и корейском языках. Метаданные указывают лицензию «other», поэтому конкретные условия использования следует сверить с лицензией исходной модели и репозитория. README не содержит сведений о качестве, обучающих данных или специальных ограничениях применения.

aufklarer/FireRedLID-887M-MLX-8bit — преобразованная в формат MLX 8-битная версия модели FireRedTeam/FireRedLID для определения языка и диалекта по аудио. Она принимает монофоническую речь с частотой 16 кГц и использует 80-мерные Kaldi fbank-признаки, 16-слойный Conformer-энкодер с относительными позициями и авторегрессионный Transformer-декодер; квантованы веса подходящих линейных слоёв, а остальные компоненты сохраняют смешанную точность FP16/FP32. Модель предназначена для классификации речевого аудио по языку, включая иерархические метки китайского языка и диалектов. В README приведена оценка квантированной версии на выборке FLEURS по 82 языковым меткам: точность составила 95,93% на чистых фрагментах, 97,15% при телефонном канале 8 кГц и 92,68% при шуме с отношением сигнал/шум 10 дБ. Это результаты выборки, а не полное воспроизведение опубликованной оценки; качество на других данных не гарантируется. Лицензия — Apache-2.0. Модель использует закрытый словарь меток и не умеет надёжно распознавать неизвестный язык: она может уверенно классифицировать тишину, музыку, неподдерживаемую речь или речь с переключением языков. Для рабочих систем рекомендуется применять VAD, калибровку на целевых данных и явную политику отказа; предсказание языка или акцента не следует трактовать как достоверное указание национальности или этнической принадлежности.

Gemma 4 12B IT GGUF — квантизированная версия инструкционно дообученной модели google/gemma-4-12B-it, подготовленная bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Модель относится к классу image-text-to-text и предназначена для обработки запросов с текстом и изображениями, а также генерации ответов в диалоговых и прикладных сценариях, поддерживаемых исходной моделью и используемым программным обеспечением. Доступны варианты от BF16 до низкобитных квантований Q8, Q6, Q5, Q4, Q3 и Q2, размером примерно от 5,3 до 23,8 ГБ. Более высокие уровни квантования сохраняют качество, но требуют больше памяти; низкие позволяют запускать модель на менее производительном оборудовании ценой снижения качества. Репозиторий ориентирован на локальный запуск через llama.cpp, Ramalama, LM Studio, KoboldCpp, Jan AI и другие совместимые инструменты. Формат prompt использует специальные токены Gemma. В README не указаны архитектурные детали, длина контекста, поддерживаемые языки, точный перечень мультимодальных возможностей и результаты бенчмарков, поэтому эти характеристики нельзя надёжно оценить по представленным данным. Для использования следует учитывать совместимость конкретного инструмента с моделью и выбранным вариантом квантования. В метаданных указана лицензия Apache 2.0 и приведена отдельная ссылка на лицензию Gemma.

Gemma-Mling 7B — базовая языковая модель, разработанная Junbum Lee (Beomi) и Taekyoon Choi на основе Gemma-7B от Google. Модель продолжительно предобучена на смеси корпусов, преимущественно на корейском, английском, китайском и японском языках, а также на многоязычных данных. Это плотная авторегрессионная модель GemmaForCausalLM с 8,2 млрд параметров и контекстом до 8192 токенов. Модель принимает текстовые запросы и документы и генерирует текст. Её можно применять для ответов на вопросы, суммаризации, черновиков, творческого письма и языковой практики; карточка также рассматривает её как основу для исследований NLP. Модель выпущена в формате safetensors для Transformers. Лицензия указана как other; README ссылается на условия использования Gemma, поэтому перед использованием следует ознакомиться с ними. Качество ответов зависит от охвата и качества обучающих данных; возможны предвзятость, ошибки в фактах и трудности с нюансами языка, сложными инструкциями и здравым смыслом. Карточка не сообщает об отдельных проверках качества по сценариям, поэтому результаты следует оценивать для конкретного применения.

GLM-4-9B-Chat-Abliterated — языковая чат-модель семейства GLM объёмом около 9 млрд параметров. Исходную модель разработал byroneverson, а данный репозиторий содержит её GGUF-квантизации, подготовленные bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, включая работу через LM Studio и другие совместимые средства локального запуска. Модель поддерживает китайский и английский языки. Она работает в текстовой модальности, использует формат GGUF и доступна в вариантах от F16 до компактных 2- и 3-битных квантизаций. Более точными считаются F16, Q8_0, Q6_K_L и Q6_K, а Q4- и Q3-варианты позволяют снизить требования к памяти ценой некоторой потери качества; отдельные сборки оптимизированы для ARM и CPU. В README не указаны размер контекста, точная архитектура и результаты сравнительных тестов. Для корректного диалога требуется специальный шаблон prompt с токенами GLM. Преимущество модели — возможность локального запуска при выборе подходящего уровня квантизации и сохранение качества в старших вариантах. Ограничения связаны с отсутствием заявленной мультимодальности, поддержкой только китайского и английского языков и возможным ухудшением качества в низкобитных вариантах. Лицензия указана как glm-4; подробные условия приведены в лицензии исходной модели GLM-4-9B-Chat.

Модель artoowang/hf-audio-wav2vec2-bert-CV16-en-finetune — дообученная на базе hf-audio/wav2vec2-bert-CV16-en система автоматического распознавания речи. Она принимает аудио и преобразует английскую речь в текст; архитектура — Wav2Vec2-BERT с CTC-выходом, размер — 402,7 млн параметров. В README приведены значения на тестовой выборке: WER 0,0879 и loss 0,3271. Модель подходит для транскрибации английской речи, например записей и аудиофрагментов. Карточка не описывает датасет дообучения, условия записи или ограничения качества, поэтому приведённые метрики нельзя переносить на другие аудиоданные без проверки. Формат весов — safetensors, библиотека — Transformers; лицензия в предоставленных данных не указана.

Iris-mini APEX-I-MiniPlus V1 — квантованная GGUF-сборка модели Iris-mini, подготовленная IsValorum для запуска через llama.cpp на компьютерах с ограниченной видеопамятью. Это диалоговая MoE-модель для генерации текста; в README описана ручная покомпонентная квантизация: эксперты используют IQ3_XXS, выходная голова — Q6_K, управляющие компоненты маршрутизации сохранены в F32, а attention gates — в Q8_0. Сборка рассчитана на полный или частичный запуск весов в системной RAM. README приводит оценки работы с длинным контекстом и скорости на разных конфигурациях, но фактическая производительность зависит от оборудования и настроек. Модель подходит для диалоговых ответов, рассуждений и генерации текста на нескольких языках, включая русский, английский и китайский. Каталог связывает её с базовой Iris-mini, описанной как дообученная MoE-модель на базе Qwen3.6-35B-A3B для диалогового агентного поиска и глубокого исследования. Репозиторий распространяется по лицензии Apache-2.0. Указанный формат GGUF сам по себе требует совместимого ПО для запуска.

Laguna-S-2.1-GGUF — это квантизированная версия языковой модели Laguna-S-2.1, разработанной poolside и преобразованной в формат GGUF пользователем bartowski. Модель предназначена для генерации текста и запуска локально или в совместимых инструментах, включая llama.cpp, LM Studio, KoboldCpp, Jan AI и Text Generation Web UI. В репозитории представлены варианты с точностью от BF16 до Q2_K, включая рекомендуемые конфигурации Q4_K_M, Q5_K_M, Q6_K и другие. Размер файлов варьируется примерно от 41,79 до 235,20 ГБ; многие варианты разделены на несколько частей. Квантизация выполнена с использованием imatrix и llama.cpp. Формат поддерживает запуск на CPU и GPU в зависимости от используемого программного обеспечения и аппаратной конфигурации. Ключевые архитектурные характеристики исходной модели, число параметров, поддерживаемые языки, длина контекста и мультимодальные возможности в предоставленных данных не указаны. Более низкие уровни квантизации экономят память, но могут снижать качество генерации; варианты BF16 и высокоточные кванты требуют значительных ресурсов. Лицензия указана как OpenMDW-1.1.

LeoLM — языковая модель, разработанная Бьёрном Плюстером и Кристофом Шууманом совместно с LAION и HessianAI. Это плотный авторегрессионный трансформер-декодер семейства Llama, дообученный на базе Llama 2 на больших корпусах преимущественно немецкоязычных текстов, включая локальные материалы. Модель содержит 6,6 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста на немецком и английском языках и для исследований и разработки немецкоязычных LLM-приложений. Она доступна в формате PyTorch и используется через библиотеку Transformers. Условия распространения определяются лицензией Llama 2 Community License Agreement; перед применением следует учитывать её ограничения.

Карточка модели titanbot/LeoLM-hessianai-7b на Hugging Face совпадает с карточкой LeoLM/leo-hessianai-7b, поэтому описание составлено по ней. LeoLM — языковая модель, разработанная Бьёрном Плюстером и Кристофом Шууманом совместно с LAION и HessianAI. Это плотный авторегрессионный трансформер-декодер семейства Llama, дообученный на базе Llama 2 на больших корпусах преимущественно немецкоязычных текстов, включая локальные материалы. Модель содержит 6,6 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста на немецком и английском языках и для исследований и разработки немецкоязычных LLM-приложений. Она доступна в формате PyTorch и используется через библиотеку Transformers. Условия распространения определяются лицензией Llama 2 Community License Agreement; перед применением следует учитывать её ограничения.

LFM2-1.2B-GGUF — квантизированное представление модели LFM2-1.2B, разработанной Liquid AI и опубликованной Unsloth в формате GGUF. Это гибридная генеративная языковая модель для работы на периферийных устройствах и локального развёртывания на CPU, GPU и NPU, включая смартфоны, ноутбуки и автомобили. Модель содержит около 1,17 млрд параметров, 16 слоёв, из которых 10 используют свёртки, а 6 — attention, и поддерживает контекст до 32 768 токенов. Архитектура Liquid включает мультипликативные гейты и короткие свёртки. Модель предназначена для агентских сценариев, извлечения данных, RAG, творческого письма и многошаговых диалогов. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. К сильным сторонам относятся скорость обучения и инференса, эффективность по памяти и возможность запуска на разнообразном оборудовании; заявлены преимущество над моделями сопоставимого размера в ряде задач и ускоренный CPU-декодинг. Из-за небольшого размера модель рекомендуется дообучать под узкие сценарии. Она не рекомендована для ресурсоёмких задач, требующих глубоких знаний или программирования. Лицензия — LFM Open License v1.0; для llama.cpp в README указано использовать исправленный шаблон чата с параметром --jinja.

Это квантованная версия текстовой модели LFM2.5-2.6B-UNCENSORED-ABLITERATED-PHILADELPHIA-CLASS, разработанной на базе KridgeDookie/LFM2.5-2.6B-UNCENSORED-ABLITERATED-PHILADELPHIA-CLASS и подготовленной mradermacher в формате GGUF. Модель предназначена для генерации текста, рассуждений и работы с длинным контекстом, а также ориентирована на снижение отказов и ограничений, характерных для цензурированных моделей. Заявлена поддержка арабского, китайского, английского, французского, немецкого, хинди, индонезийского, итальянского, японского, корейского, польского, португальского, русского, испанского, тайского и вьетнамского языков. Архитектура и точный размер контекстного окна в README не указаны; из названия следует размер порядка 2,6 млрд параметров. Доступны многочисленные варианты квантования GGUF, включая IQ- и Q-семейства, объёмом примерно от 0,8 до 1,7 ГБ в представленных файлах. Более компактные варианты экономят память, но могут заметно уступать по качеству; README отдельно отмечает низкое качество некоторых квантов. Модель подходит для локального запуска через совместимые инструменты, включая llama.cpp, и сценариев, где важны небольшие требования к ресурсам, многоязычная генерация и сниженная склонность к отказам. Ограничения включают отсутствие подробных сведений о базовой архитектуре, контекстном окне, результатах тестирования и фактическом качестве. Лицензия указана как lfm1.0; дополнительные условия следует уточнять в файле LICENSE.

pbatra/Llama-3.2-11B-Vision-Instruct-GGUF — это набор квантизированных версий мультимодальной модели Llama-3.2-11B-Vision-Instruct, разработанной Meta. Модель предназначена для диалоговых сценариев и задач image-text-to-text, в которых требуется обрабатывать изображения вместе с текстовыми запросами и генерировать текстовые ответы. Поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Модель основана на архитектуре mllama и имеет размер около 11 млрд параметров; формат GGUF ориентирован на эффективное локальное использование совместимыми инструментами. Ключевое преимущество — сочетание языкового и визуального ввода, а также наличие квантизированных вариантов, потенциально снижающих требования к памяти. README не содержит точных сведений о методах квантизации, размерах отдельных файлов, длине контекста, результатах тестирования или известных ограничениях качества. Модель распространяется по лицензии Llama 3.2.

Llama-3.3-8B-Instruct-128K-Jbliterated-i1-GGUF — это набор квантизированных GGUF-файлов модели ApolloRaines/Llama-3.3-8B-Instruct-128K-Jbliterated, подготовленный и опубликованный mradermacher. Модель предназначена для генерации текста и диалоговых сценариев, а формат GGUF ориентирован на локальный запуск и использование в совместимых инструментах. В README также отмечается вариант с пониженной цензурой, однако подробности обучения не приведены. Модель имеет 8 млрд параметров и заявленный контекст до 128K токенов. Она работает только с текстом и ориентирована на английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Доступны варианты квантизации от очень компактных IQ1 и Q2 до более качественных Q5 и Q6; размер файлов составляет примерно от 2,1 до 5,7 ГБ. Квантизация позволяет снизить требования к памяти, но может ухудшать качество, особенно у самых компактных вариантов. В качестве компромисса README рекомендует i1-Q4_K_M, а i1-Q4_K_S описывает как вариант с оптимальным соотношением размера, скорости и качества. Модель может подходить для локальных чат-ботов, генерации и обработки длинных текстов, если используемое ПО поддерживает заявленный контекст. Ограничения включают возможное снижение качества из-за квантизации, отсутствие сведений о результатах тестирования и неизвестные требования к производительности. Указана лицензия llama3.1; условия её применения следует учитывать при развертывании и распространении модели.

QuantFactory/Llama-3-SauerkrautLM-8b-Instruct-GGUF — это квантованная версия в формате GGUF модели Llama-3-SauerkrautLM-8b-Instruct, базовой моделью которой указана VAGOsolutions/Llama-3-SauerkrautLM-8b-Instruct. Публикация подготовлена QuantFactory. Модель предназначена для генерации текста и диалоговых сценариев с инструкциями; по указанным языкам ориентирована на немецкий и английский языки. В названии и метаданных указано, что модель имеет размер 8 миллиардов параметров, относится к семейству Llama 3 и обучалась с применением методов DPO и двухэтапного DPO. Формат GGUF предназначен для локального запуска в совместимых инструментах вывода и может быть удобен для использования на потребительском оборудовании, однако конкретный тип квантования, требования к памяти, размер контекста, точные показатели качества и поддерживаемые модальности в предоставленных данных не указаны. Поэтому нельзя сделать выводы о производительности модели в отдельных прикладных задачах или о преимуществах конкретного варианта квантования. Модель распространяется по лицензии Meta Llama 3 Community License, обозначенной как llama3. При распространении материалов или производных моделей требуется сохранять текст лицензии и указание «Built with Meta Llama 3», а также соблюдать применимую политику допустимого использования и другие условия лицензии.

DigitalUmuganda/Mbaza-ASR-Afrivoice-660h — модель автоматического распознавания речи, опубликованная DigitalUmuganda для работы в NVIDIA NeMo. Это акустическая модель на архитектуре Conformer с CTC, предназначенная для транскрибирования аудио и доступная как предварительно обученный чекпойнт для инференса или дообучения на другом наборе данных. Модель принимает монофонические WAV-записи с частотой дискретизации 16 кГц. По метаданным она связана с набором данных Afrivoice_Kinyarwanda и ориентирована на киньяруанда. Модель распространяется по лицензии CC BY 4.0. В карточке не приведены размер модели, длина контекста или оценка качества; пригодность для других языков и акустических условий не подтверждена.