I.6Перевод и языковая адаптация

XGLM-1.7B — авторегрессионная мультиязычная языковая модель, разработанная командой XGLM и представленная в исследовании Few-shot Learning with Multilingual Language Models. Модель с плотной архитектурой XGLM содержит 1,9 млрд параметров и обучалась на сбалансированном корпусе из 500 млрд субтокенов для широкого набора языков. Модель предназначена для генерации текста и многоязычных сценариев few-shot и zero-shot обучения. Она принимает текст и генерирует текст; максимальный контекст составляет 2048 токенов. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — MIT. Модель поддерживает множество языков, включая английский, русский, китайский, немецкий, испанский, французский и японский. Это базовая языковая модель, а не специализированный диалоговый ассистент; качество может различаться между языками и задачами, а README отсылает к отдельной карточке модели за рекомендациями по использованию.

tomascufaro/xls-r-es-test — дообученная модель распознавания речи на базе facebook/wav2vec2-large-xlsr-53. Она использует архитектуру wav2vec2 с CTC-декодированием и содержит около 402,7 млн параметров. Модель обучена на испанской части набора Common Voice 8.0 и предназначена для преобразования испанской речи в текст. На оценочной выборке указаны WER 0,1261 и CER 0,035. Модель принимает аудио и выдаёт текст; результаты на других языках и типах аудио в карточке не приведены. Лицензия — Apache-2.0.

Baichuan-13B-Instruction — версия Baichuan-13B, дообученная разработчиком AlpachinoNLP для выполнения инструкций. Это плотная авторегрессионная языковая модель класса BaichuanForCausalLM с 12,9 млрд параметров; в базовой архитектуре Baichuan-13B используются 40 слоёв, 40 голов внимания и позиционные смещения ALiBi. Модель предназначена для генерации ответов и выполнения текстовых инструкций, в том числе на китайском и английском языках. Модель подходит для диалоговых демо, ответов на вопросы и других задач генерации текста. В README описаны инструкции по запуску и квантированию int8/int4; заявленная максимальная длина последовательности базовой Baichuan-13B составляет 4096 токенов. README сообщает о дообучении на отобранных китайских инструкционных данных, включая ShareGPT и LIMA. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Bangla LLaMA-3.1 8B unolp/CulturaX Base — базовая языковая модель BanglaLLM для генерации текста на основе архитектуры Llama 3.1. Модель содержит 7,5 млрд параметров и дообучена на бенгальской части набора CulturaX; она предназначена для причинного языкового моделирования и дальнейшей адаптации под конкретные задачи. Заявленная длина контекста — 131 072 токена. Модель поддерживает бенгальский и английский языки. Её можно применять для генерации и продолжения текста, а также использовать как основу для последующего тонкого обучения. Веса опубликованы в формате safetensors. README указывает лицензию GPL-3.0, тогда как метаданные Hugging Face указывают лицензию Llama 3.1; перед использованием следует проверить применимые лицензионные условия. Модель не прошла детоксикацию и может выдавать вредный или оскорбительный контент.

Beetle-FineWeb2-24B/beetle-bilingual-balanced-b1-fineweb-zho-eng — двуязычная языковая модель для генерации текста на китайском и английском языках. Модель опубликована в репозитории Beetle-FineWeb2-24B и доступна через библиотеку Transformers; по названию она относится к семейству Beetle FineWeb2 и имеет размерный вариант 24B. В качестве основы обучения упоминается FineWeb, однако подробности архитектуры, состава данных и разработчиков в карточке не приведены. Модель предназначена для автодополнения и генерации связного текста, диалоговых и прикладных текстовых сценариев, а также для последующей интеграции в приложения на базе Transformers. Название указывает на балансировку между китайским и английским языками и ориентацию на работу с обоими языками. Карточка не содержит сведений о длине контекста, результатах оценки, методах дообучения, рекомендованных параметрах запуска или лицензии, поэтому перед использованием в продуктивных и коммерческих системах необходима дополнительная проверка.

Beetle-FineWeb-2B/beetle-bilingual-l2-80-late-b5-fineweb-2b-nld-eng-seed101 — генеративная языковая модель для продолжения и создания текста. Модель опубликована на Hugging Face и предназначена для использования через библиотеку Transformers; архитектура обозначена тегом pico_decoder. Идентификатор модели указывает на размер порядка 2 млрд параметров и поддержку нидерландского и английского языков. Модель подходит для генерации, дополнения и перефразирования текстов, создания черновиков и двуязычных сценариев на нидерландском и английском языках. Доступный pipeline_tag — text-generation. Сведения о разработчике, лицензии, длине контекста, результатах оценки, обучающих данных и специальных прикладных областях в предоставленных материалах отсутствуют.

TeeZee создал Bielik-SOLAR-LIKE-10.7B-Instruct-v0.1, применив рецепт Upstage для SOLAR: модель получена слиянием весов без дополнительного дообучения. Это плотная причинно-языковая модель семейства Mistral с 10,6 млрд параметров, предназначенная для генерации текста в режиме инструкций и диалога. Автор сообщает, что модель сохраняет связность ответов на польском языке и подходит как основа для дальнейшего дообучения на польских данных; также отмечены цензурирование и выравнивание поведения. Модель принимает текст и генерирует текст. Контекст составляет 4096 токенов. Веса опубликованы в формате Safetensors; лицензия CC BY-NC 4.0 разрешает использование на условиях лицензии, включая её некоммерческие ограничения. Автор отмечает небольшую потерю качества относительно исходной instruct-модели, использованной при слиянии; дальнейшее дообучение может улучшить результаты.

BLOOM-560m — языковая модель на основе Transformer с архитектурой BLOOM, разработанная коллективом BigScience. Она содержит 560 млн параметров и предназначена для генерации текста, изучения поведения языковых моделей и дальнейшей адаптации к прикладным задачам. Модель обучена на нескольких языках и может использоваться как базовая для извлечения информации, ответов на вопросы и суммаризации. Поддержка языков включает английский, французский, испанский, португальский, арабский, бенгальский, хинди, индонезийский, тамильский, урду, вьетнамский и китайский, а также другие языки. Доступны версии весов в форматах PyTorch, Flax, ONNX и Safetensors. Модель может выдавать фактически неверные сведения, повторяться и генерировать предвзятый, оскорбительный или неподходящий контент. Она не предназначена для критически важных решений и высокорискового применения. Лицензия BigScience BLOOM RAIL 1.0 содержит ограничения на использование.

Chocolatine-78B-Instruct-DPO-v1.3 — диалоговая языковая модель, разработанная Jonathan Pacifico в 2024 году. Это модель Qwen2 с архитектурой плотного трансформера и 76,7 млрд параметров; она дообучена методом DPO на наборе jpacifico/french-orca-dpo-pairs-revised поверх CalmeRys-78B-Orpo-v0.1, которая, в свою очередь, основана на нескольких дообучениях Qwen2-72B-Instruct. Модель предназначена для генерации текста в диалоге, прежде всего на французском и английском языках. Контекст составляет 32 768 токенов. Автор описывает её как демонстрацию применения французского DPO-дообучения к моделям размером более 70 млрд параметров и его сочетания с предыдущими дообучениями. Модель не имеет механизма модерации. Распространяется по лицензии Apache 2.0.

DarkAtom-12B-v3 — слитая чат-модель, созданная Khetterman с помощью mergekit на основе 18 моделей семейства Mistral. Для объединения применялся многоэтапный процесс Slerp, ModelStock и Ties с повторным слиянием вариантов моделей. Модель содержит 12,1 млрд параметров, использует архитектуру MistralForCausalLM и распространяется в формате safetensors с точностью bfloat16; заявленный контекст — до 1 024 000 токенов. Модель предназначена для генерации диалогов, ролевых игр и творческого письма. Карточка и метаданные указывают поддержку английского и русского языков, а также интерфейс для вызова инструментов. Включение разных моделей в слияние не гарантирует одинакового качества во всех задачах; в карточке не приведены результаты оценивания. Лицензия в предоставленных данных не указана.

DeepSeek-V4.1-Flash-REAP25-MLX-mixed-4_8bit — это модифицированная и квантованная сборка DeepSeek-V4.1-Flash для MLX и компьютеров Apple Silicon, разработанная PipeNetwork на основе модели DeepSeek AI. Она предназначена для текстовой генерации и запуска локального вывода через специальный MLX-порт, поскольку стандартные transformers, mlx-lm и mlx-vlm эту архитектуру не поддерживают. Визионная башня и aligner сохранены, но текущий runtime работает только с текстом. Модель содержит около 754,6 млрд параметров и использует архитектуру mixture-of-experts: 40 слоёв, по 384 маршрутизируемых эксперта в каждом, из которых после REAP-прунинга сохранено 288. Также применяются MLA с совместным использованием KV-cache между слоями, двухслойный hashed n-gram engram объёмом около 196,6 млрд параметров, hyper-connections и attention sinks. Эксперты квантизированы до 4 бит, attention, shared experts и engram — до 8 бит; часть компонентов оставлена без квантизации. Размер файлов составляет около 351,1 ГБ, для запуска требуется примерно 384 ГБ оперативной памяти. Сборка сохраняет связную генерацию и демонстрирует perplexity 2,9777 на тесте wikitext-2; по сравнению с непруненной версией ухудшение perplexity составляет около 2,81%. К ограничениям относятся значительные требования к памяти, зависимость от отдельного MLX-порта, отсутствие мультимодального вывода в текущем runtime и исключение трёх слоёв multi-token prediction. Модель распространяется по лицензии MIT; порт также доступен в отдельном репозитории PipeNetwork.

Модель itshamdi404/Egy_Arabic_whisper-small — дообученная Hamdi Mohamed мультиязычная Whisper Small для распознавания египетского арабского на аудиозаписях и преобразования речи в текст. Архитектура WhisperForConditionalGeneration, около 153,1 млн параметров; модель использует библиотеку Transformers и веса в формате safetensors. При обучении применялись аудио с частотой 16 кГц, нормализация текста и извлечение признаков процессором Whisper. Модель предназначена для транскрибации египетской речи, голосовых интерфейсов, разметки аудиоданных и бенчмаркинга распознавания арабских диалектов. Обучение на аудио с соответствующими расшифровками ориентировано на произношение, лексику и речевые особенности египетского диалекта. Лицензия — Apache-2.0. На других арабских диалектах качество может быть ниже; шум, одновременная речь и низкое качество записи ухудшают распознавание. Редкие слова и имена могут транскрибироваться с ошибками.

em_german_leo_mistral-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная слиянием Mistral-7B-Instruct-v0.2 и em_german_leo_mistral методом SLERP. Она предназначена для генерации текста и ответов на инструкции в диалоговом формате. Модель имеет плотную архитектуру Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Слияние объединяет базовую инструктивную модель Mistral с моделью em_german_leo_mistral; название и состав указывают на немецкую специализацию одной из исходных моделей. Репозиторий распространяется в формате safetensors под лицензией Apache-2.0. Карточка не приводит отдельных оценок качества или подробных сведений о поддерживаемых языках.

noctrex/ERNIE-4.5-21B-A3B-PT-MXFP4_MOE-GGUF — GGUF-квантование MXFP4_MOE модели ERNIE-4.5-21B-A3B-PT. В карточке указана Baidu-модель как исходная; метаданные описывают её как текстовую MoE-модель для диалоговой генерации и понимания текста на китайском и английском языках. Модель предназначена для генерации текста и диалогового общения. Формат GGUF подходит для запуска в совместимом локальном ПО. В README не приведены сведения о размере, длине контекста, условиях лицензии или численных характеристиках качества.

EuroMoE-2.6B-A0.6-2512 — предварительно обученная мультиязычная языковая модель, разработанная консорциумом университетов и компаний под руководством Instituto Superior Técnico — University of Lisbon при финансировании Европейского союза. Модель предназначена для генерации текста и служит базой для версии EuroLLM-2.6B-A0.6-2512-Instruct. В метаданных указаны архитектура Mixtral с причинной языковой моделью и механизмом mixture-of-experts, 231,7 млн параметров и контекст до 4096 токенов. Модель принимает текст и генерирует текст. Карточка заявляет поддержку 35 естественных языков, включая русский, английский, большинство языков Европы, а также арабский, китайский, хинди, японский и корейский. Модель не выровнена по предпочтениям людей и может выдавать галлюцинации, вредоносный контент или ложные утверждения. Распространяется по лицензии Apache 2.0.

Модель kiranpantha/exp2-w2v-bert-2.0-nepali-unlabeled-0 — дообученная Kiran Pantha модель распознавания непальской речи. Она основана на kiranpantha/w2v-bert-2.0-nepali и обучена на наборе kiranpantha/OpenSLR54-Balanced-Nepali. Архитектура Wav2Vec2-BERT с CTC-выходом содержит около 402,7 млн параметров и принимает аудио, преобразуя речь в текст. Модель предназначена для автоматической транскрибации непальской речи. В README приведены результаты на тестовой выборке: WER 0,4058 и CER 0,0951; качество может различаться на записях с другими условиями и содержанием. Распространяется по лицензии MIT.

ssmits/Falcon2-5.5B-Italian — языковая модель для генерации текста, созданная на основе Falcon-11B компании TII. По карточке, модель получена методом mergekit passthrough: из Falcon-11B оставлены слои 0–24 и 56–58; при отборе слоёв использовался итальянский поднабор Wikimedia Wikipedia. В репозитории указаны архитектура Falcon с плотной causal language model, 7,8 млрд параметров, контекст до 8192 токенов и формат safetensors. Для работы с Transformers требуется PyTorch 2.0 или новее. Модель предназначена для исследований и дальнейшей адаптации под генерацию текста, суммаризацию и диалоговые сценарии. Она обучена преимущественно на английском, также поддерживает итальянский и ряд европейских языков. Лицензия — Apache-2.0. Карточка предупреждает о возможных стереотипах и смещениях из веб-данных и рекомендует оценивать риски и применять защитные меры перед производственным использованием.

Falcon3-7B-Instruct-abliterated-GGUF — это GGUF-квантизированная версия инструкционной модели Falcon3-7B-Instruct-abliterated, подготовленная пользователем bartowski на основе модели huihui-ai. Квантизация выполнена с использованием llama.cpp и метода imatrix; доступны варианты от F16 до низкобитных Q3 и IQ3/IQ4. Модель предназначена для локального запуска и генерации текста, в том числе через LM Studio и другие совместимые приложения на базе llama.cpp. Модель относится к классу примерно 7-миллиардных языковых моделей и работает в текстовой модальности. В README заявлена поддержка английского, французского, испанского и португальского языков. Для диалогов используется формат с ролями system, user и assistant. Варианты Q6 и выше ориентированы на высокое качество, Q4 предлагают компромисс между качеством и требованиями к памяти, а Q3 предназначены для систем с ограниченным объёмом RAM. F16-файл занимает около 14,92 ГБ, наиболее компактные варианты — около 3,4–4,3 ГБ. К сильным сторонам относятся широкий выбор уровней квантизации, возможность локального запуска и сохранение высокого качества у вариантов Q5–Q8. Ограничения включают возможное снижение качества на низких уровнях квантизации; сведения об архитектуре, размере контекстного окна, производительности и мультимодальных возможностях в README не указаны. Модель распространяется по лицензии Falcon LLM License; для условий использования следует обратиться к официальной странице лицензии.

Это модель автоматического распознавания речи на основе wav2vec2, дообученная jssaluja на базе facebook/mms-1b-all. Она предназначена для преобразования аудио на пенджаби в текст; обучение проводилось на наборах с речью, аудиокнигами, киртаном, подкастами, лекциями и другими записями. Модель содержит 1,3 млрд параметров и использует архитектуру Wav2Vec2ForCTC. В карточке приведены результаты оценки: WER 0,3195 и CER 0,0798. Это указывает на ошибки распознавания, поэтому результат может требовать проверки и исправления, особенно для аудио вне тематики и условий обучающих данных. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства, но не коммерческое использование.

allendou/FireRedASR2-LLM-vllm — версия модели распознавания речи FireRedASR2-LLM, выпущенной командой FireRedASR2. Это система ASR на основе архитектуры Encoder-Adapter-LLM: аудиокодировщик и адаптер передают представление речи языковой модели Qwen2. Размер модели — 7,1 млрд параметров, контекст — 32 768 токенов. Репозиторий содержит веса в формате safetensors и ориентирован на запуск через vLLM. Модель преобразует речь в текст на китайском языке, включая мандаринский диалект и более 20 региональных акцентов, и на английском; поддерживает смешение китайского и английского языков, а также распознавание текста песен. В описанных авторами тестах средняя ошибка распознавания составила 2,89% CER для мандаринского китайского и 11,55% CER для китайских диалектов. Эти показатели относятся к указанным тестовым наборам и не гарантируют такое же качество на произвольной записи. Лицензия Apache-2.0 допускает коммерческое использование с соблюдением её условий.

Модель h-gajdov/full_moonshine_tiny_all_data_wup5_ep12_lr5e-5_new_transcripts — дообученная модель Moonshine Tiny от UsefulSensors для распознавания македонской речи и преобразования её в текст. Это компактная encoder-decoder-модель с 27,1 млн параметров, принимающая необработанный аудиосигнал; в отличие от Whisper с фиксированным окном log-mel, её вычислительная стоимость зависит от длительности аудио, что подходит для локального распознавания на устройствах. В метаданных указан контекст 194 токена; при генерации README рекомендует ограничивать max_length значением 192. Модель обучена на смеси македонских речевых наборов, в основном на исправленных и заново транскрибированных данных Vezilka-ASRI. На тестовом наборе из 44 роликов README сообщает WER 11,91% и CER 4,85%; автор отмечает, что результат уступает Whisper Large v3 Turbo, но сравнение идёт с существенно более крупной моделью. Доступна лицензия в предоставленных данных не указана.

Модель h-gajdov/full_moonshine_tiny_wup1_ep3_lr1e-4 — полное дообучение Moonshine Tiny, выполненное h-gajdov для преобразования македонской речи в текст. Это модель распознавания речи с архитектурой encoder-decoder Moonshine и 27,1 млн параметров. Она принимает аудиосигнал в виде необработанной волновой формы; вычислительные затраты зависят от фактической длительности записи, что подходит для распознавания на устройствах с ограниченными ресурсами. Модель обучена на наборе vezilka-asri в течение трёх эпох. В README указаны результаты на отложенном тестовом наборе из 44 аудиофрагментов: WER 14,24 и CER 6,42; оценка точного совпадения целых высказываний неинформативна для длинных клипов. Декодер ограничен длиной 192 токена, а вызовы generate() не должны передавать параметры language или task. Модель опубликована в формате safetensors; лицензия в предоставленных данных не указана.

Fun-ASR-Nano-2512 — модель автоматического распознавания речи, разработанная командой FunAudioLLM в Tongyi Lab. Репозиторий bezzam/Fun-ASR-Nano-2512-hf содержит вариант модели для Transformers; исходная модель построена как система ASR на основе аудиоэнкодера и языковой модели-декодера, включает около 800 млн параметров и распространяется под лицензией Apache-2.0. Модель преобразует речь в текст, поддерживает китайский, английский и японский языки, китайские диалекты и региональные акценты, а также распознавание пения и рэпа. Разработчик указывает сценарии распознавания в шумной обстановке и потоковой транскрипции с низкой задержкой. Карточка HF отмечает ограничение текущего HF-чекпойнта: для транскрипции он пригоден, но путь CTC отключён, поэтому временные метки и диаризация могут быть недоступны или ненадёжны.

GLM-5.3-5bit-UVMAX — это квантованная версия языковой модели GLM-5.3-BF16, разработанной zai-org и преобразованная с помощью mlx-lm. Модель предназначена для генерации текста и запуска в экосистеме MLX, включая локальное развертывание на совместимом оборудовании. В README указаны английский и китайский языки, а также поддержка задач text-generation. Модель использует MoE-архитектуру с 743 млрд параметров и смешанную UVMAX-квантизацию со средним размером 4,67 бита на вес. Экспертные FFN-слои квантуются преимущественно в 4 и 5 бит, attention, DSA indexer и dense MLP — в 8 бит, а маршрутизаторы и нормализационные слои сохраняются в bf16. Общий размер модели составляет около 404 GiB, поэтому она помещается на одной машине с 512 ГБ памяти. Контекстное окно и точный состав поддерживаемых модальностей в README не указаны; по имеющимся данным, модель работает с текстом. По сравнению с исходной версией bf16 UVMAX демонстрирует близкие показатели на тестовых корпусах: среднее отношение perplexity составляет 1,02×, а согласие top-1 предсказаний — 94,4%. Это делает квантизацию компромиссом между качеством и снижением требований к памяти. Ограничением остаются очень высокие аппаратные требования и необходимость свежей версии mlx-lm с поддержкой GLM-5.3 и glm_moe_dsa. Модель распространяется по лицензии glm-5.3; конкретные условия следует уточнять в указанном файле LICENSE.

GLM-5.3-Flash-MLX-6bit — это конвертированная и 6-битно квантованная сборка модели GLM-5.3-Flash от Z.ai, подготовленная PipeNetwork для MLX и Apple Silicon. Архитектура исходной модели сохранена, однако слой multi-token prediction не включён. Модель предназначена для генерации текста и мультимодальных сценариев с изображениями; в сборке также присутствует vision tower в формате bfloat16. Языки и размер контекстного окна в представленном описании не указаны. Модель имеет размер 320B-A18B и построена как mixture-of-experts: включает 34 слоя с Kimi-Delta linear attention и 11 слоёв с разреженным вниманием DeepSeek, а также manifold-constrained hyper-connections. Размер файлов составляет около 255,9 ГБ против 642,7 ГБ у исходной bfloat16-версии. Основная масса параметров, включая 304B параметров routed experts, квантована в 6 бит с группами по 64; отдельные компоненты используют 8-битный или исходный формат. По результатам теста на wikitext-2 перплексия составила 3,4646 против 3,4607 у 8-битной сборки, что соответствует небольшой потере качества. Сильные стороны модели — значительное уменьшение размера по сравнению с bfloat16, близкое к 8-битной версии качество и адаптация к экосистеме MLX. Для корректной работы требуется runtime с исправлениями PipeNetwork для вычислительного пути; стандартной версии mlx-vlm может быть недостаточно из-за выявленных расхождений. Практическое использование требует около 256 ГБ дискового пространства и совместимого Apple Silicon-окружения. Модель и upstream-исходник распространяются по лицензии MIT; порт доступен в репозитории PipeNetwork.

Granite-Speech-4.1-2B-NAR — модель распознавания речи от IBM, предназначенная для быстрой транскрипции в сценариях, чувствительных к задержке. Она обрабатывает аудио и выдаёт текст на английском, французском, немецком, испанском и португальском языках. Репозиторий построен на базе granite-4.0-1b-base и использует архитектуру NLE: CTC-энкодер речи на Conformer, Q-Former-проектор и двунаправленный LLM-редактор с LoRA. Вместо последовательной генерации модель за один проход исправляет гипотезу CTC, что ускоряет вывод; заявленная производительность составляет около 1820 RTFx на H100 при пакетной обработке. Модель рассчитана на автоматическое распознавание речи, а не на генерацию произвольного текста. Точность зависит от языка и акустических условий; качество может быть ниже для португальского, при дальнем микрофоне и перекрывающейся речи. Консервативное редактирование снижает риск добавления слов, но в шумной записи модель может пропускать слова. Лицензия — Apache 2.0.

iky1e подготовил квантизованную версию Granite Speech 5.0 470M TurboCTC для инференса на устройствах Apple Silicon с использованием Granite-MLX и Swift. Это модель распознавания речи на базе архитектуры GraniteSpeech5ForCTC, преобразованная из чекпойнта IBM в формат MLX: веса квантизованы до 8 бит, часть тензоров сохранена в FP16. Размер файла весов составляет около 466 МиБ — примерно 52% от исходного; в описанном сравнении согласие транскриптов с исходной моделью составило 99,8825% по метрике пословного совпадения, которая не измеряет точность относительно человеческой расшифровки. Модель предназначена для преобразования английской речи в текст, в том числе из длинных аудиозаписей; инструмент Granite-MLX также принимает видеофайлы и может сохранять результат в TXT, SRT, WebVTT или JSON. Для обработки длинных записей используются блоки с контекстом, жадное CTC-декодирование и ограничение памяти. Репозиторий распространяется по лицензии Apache-2.0. Для запуска описан нативный Swift runtime Granite-MLX на Apple Silicon.

HelpingAI_Dhanishtha-2.0-preview-0825-GGUF — это GGUF-квантизированная версия языковой модели Dhanishtha-2.0-preview-0825, разработанной HelpingAI. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты на его основе. В README указан специальный chat-шаблон с ролями system, user и assistant. Доступны варианты от исходных весов BF16 размером 29,54 ГБ до различных конфигураций Q8, Q6, Q5, Q4, Q3 и IQ-квантизации размером примерно от 6,88 ГБ. Более высокие уровни квантизации обеспечивают лучшее сохранение качества, а компактные варианты подходят для систем с ограниченной оперативной памятью; для большинства сценариев автор рекомендует Q4_K_M, Q5- и Q6-варианты. Архитектура, число параметров, поддерживаемые языки, размер контекста, мультимодальность, конкретные прикладные специализации и лицензия в представленном README не указаны, поэтому эти характеристики требуют проверки в карточке исходной модели.

IndicConformer — модель автоматического распознавания речи на хинди, разработанная AI4Bharat. Она принимает монофоническое аудио WAV с частотой дискретизации 16 кГц и возвращает распознанную речь в виде текста. Модель построена на архитектуре Conformer-Large: энкодер содержит 17 блоков и около 120 млн параметров, а декодер использует гибридный подход CTC-RNNT. Для инференса предусмотрен выбор CTC- или RNNT-декодера. Модель работает на хинди и распространяется по лицензии MIT; для работы используется библиотека AI4Bharat NeMo.

Это дообученная модель Whisper на 455,8 млн параметров, созданная на основе parthiv11/indic_whisper_hi_multi_gpu. Она предназначена для автоматического распознавания речи и транскрибирования аудио; по названию репозитория ориентирована на хинди. В метаданных указан входной аудиосигнал, а формат весов — safetensors. В карточке приведены результаты оценки: loss 0,2711 и Global WER 25,9022. Датасет обучения не указан, поэтому эти показатели не позволяют судить о качестве на конкретных типах записей. Модель распространяется по лицензии MIT.