I.6Перевод и языковая адаптация

whisper-small-arabic-letters-pod — дообученная модель семейства Whisper, созданная на основе openai/whisper-small. Она предназначена для автоматического распознавания речи и преобразования аудио в текст. В README приведены результаты оценки: loss 0,0493 и WER 6,3830. Модель принимает аудио и выдаёт текст. Базовая Whisper small — мультиязычная модель для транскрибирования речи и перевода аудио на английский язык; карточка этой версии не уточняет языки и специальные сценарии дообучения. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0.

ales/whisper-small-belarusian — модель автоматического распознавания речи, дообученная на основе openai/whisper-small на белорусской части набора Mozilla Common Voice 11.0. Она принимает аудио и генерирует текстовую транскрипцию, в первую очередь для белорусской речи. Архитектура Whisper, около 153,1 млн параметров; веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. В README указаны WER 6,3672 на валидационной выборке и 6,79 на тестовой выборке. Эти показатели относятся к оценке на Common Voice и не гарантируют такое же качество для других записей, условий записи или разновидностей белорусской речи. Карточка не описывает дополнительные сценарии применения.

Модель wrice/whisper-tiny-grpo-5e2f49e-cv22-tiny-sftadaptive — компактная модель распознавания речи на базе Whisper Tiny от OpenAI, дообученная автором репозитория методом GRPO с комбинированной наградой за ошибки слов и символов. Она предназначена для преобразования аудио в текст; при обучении использовался набор cv22_index с данными Common Voice для 78 языковых локалей, а язык клипа задавался по локали набора данных. Для контрольной выборки сообщаются общие WER 0,671 и CER 0,290 после нормализации текста. Модель доступна в формате safetensors через Transformers и распространяется по лицензии MIT. Это экспериментальная проверка метода обучения, а качество в реальных условиях зависит от языка, предметной области, акцента и качества аудио.

AceGPT-v2-32B-Chat — диалоговая языковая модель для генерации текста, разработанная исследователями King Abdullah University of Science and Technology, Chinese University of Hong Kong, Shenzhen Research Institute of Big Data и King AbdulAziz University. Это полностью дообученная чат-версия AceGPT-v2-32B, построенная на плотной архитектуре Llama и содержащая 31,7 млрд параметров. Модель предназначена для диалогов и ответов на вопросы, особенно на арабском языке. Она принимает и выдаёт текст, поддерживает арабский, китайский и английский языки, а её контекст составляет до 32 768 токенов. В карточке описаны результаты на тестах знаний и понимания, включая ArabicMMLU и Arabic BoolQ. Модель распространяется в формате safetensors по лицензии Apache-2.0. В README не приведены подробности о качестве вне описанных бенчмарков и возможных ограничениях ответов; заявленное преимущество относится к сравнению с открытыми арабскими диалоговыми моделями на указанных тестах.

IsValorum/Apodex-1.1-mini-APEX-I-MiniPlus-V2.1-GGUF — это квантованная GGUF-версия модели Apodex-1.1-mini, подготовленная IsValorum для запуска через llama.cpp и совместимые инструменты. Модель относится к текстовым генеративным системам, ориентированным на reasoning и работу с архитектурой sparse Mixture-of-Experts. В README заявлены 40 слоёв и 256 микроэкспертов, размер около 13,74 GiB и поддержка контекста до 256 тысяч токенов, однако подробные характеристики исходной базовой модели не приведены. Ключевая особенность версии V2.1 — пользовательская тензорная квантализация, сочетающая форматы IQ3_XXS, Q3_K, Q5_K, Q6_K, Q8_0 и F32 для разных компонентов. Маршрутизаторы gate_inp сохранены в F32, выходная голова — в Q6_K, а attention gates — в Q8_0. Такая конфигурация предназначена для генерации текста, рассуждений и сценариев с большим контекстом, включая запуск при частичной или полной выгрузке весов в системную RAM на рабочих станциях с ограниченной VRAM. Модель поддерживает английский, китайский, испанский, французский, немецкий, португальский, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. Заявленные преимущества — компактный размер, сохранение маршрутизации экспертов и эффективная работа с системной памятью; приведённый показатель WikiText-2 perplexity составляет 5,7073 ± 0,1373. Фактическая скорость и качество зависят от оборудования, реализации и параметров запуска, а утверждения о превосходстве над другими квантализациями подтверждены только данными из README. Модель распространяется по лицензии Apache-2.0.

batisay-ko-large 1.1 — BatiAI әзірлеген, корей тіліндегі сөйлеуді мәтінге айналдыруға арналған Whisper Large v3 негізіндегі модель. Ол KsponSpeech, Zeroth және AI Hub деректерімен, соның ішінде көпсалалы сөйлеу және 8 кГц телефон жазбаларымен дообучен; базалық Whisper Large v3 шамамен 1,55 млрд параметрден тұрады. Модель жиналыс, дәріс, сұхбат, диктовка, телефон қоңырауы және медиаға субтитр дайындау транскрипциясына бағытталған. Карточкада таза сөйлеу, шулы жазбалар және бірнеше домен бойынша CER бенчмарктары берілген. Қысқа клиптер мен құжаттық/пакеттік транскрипцияға дәлдігі басым; ұзақ қоңыраулар мен ағындық жұмысқа автор жеңілірек turbo нұсқасын ұсынады. Whisper Large өлшемі есептеу ресурстарын көбірек қажет етеді. Репозиторийде safetensors форматы көрсетілген, ал README-де басқа кванттау нұсқалары және whisper.cpp, Transformers арқылы іске қосу жолдары аталады. Лицензиясы — BatiAI Community v2 («other» метадерегінде). Транскрипцияда сирек жеке әріптер қалып қоюы мүмкін; оларды кейінгі өңдеуде алып тастау ұсынылады.

Beetle-FineWeb2-24B/beetle-bilingual-balanced-b1-fineweb-spa-eng — текстовая авторегрессионная модель семейства PicoDecoder, опубликованная в Hugging Face под аккаунтом Beetle-FineWeb2-24B. По названию она предназначена для генерации текста на испанском и английском языках и обучена на данных FineWeb; точное число параметров, длина контекста, лицензия и сведения о разработчике по доступным данным не подтверждены. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Данных о специальных ограничениях модели нет.

Elron/bleurt-tiny-128 — PyTorch-версия компактной модели BLEURT, разработанной на основе работы Thibault Sellam, Dipanjan Das и Ankur P. Parikh из Google Research. Модель использует архитектуру BERT с классификационной головой, содержит 4,4 млн параметров и принимает текстовые последовательности длиной до 512 токенов. BLEURT предназначена для автоматической оценки качества текстовой генерации: она сопоставляет тексты и выдаёт оценку их соответствия. Её можно применять при сравнении вариантов перевода, суммаризации или других сгенерированных текстов, а также для оценки результатов языковых моделей. Репозиторий содержит веса PyTorch; README показывает загрузку через Transformers как модели классификации последовательностей. Это конвертированная версия оригинальных моделей BLEURT. Лицензия в доступных данных не указана, поэтому условия использования определить нельзя.

NbAiLab/borealis-4b — инструктивная мультимодальная модель на 4 млрд параметров из семейства Borealis, разработанная Национальной библиотекой Норвегии. Она дообучена методом SFT на базе google/gemma-3-4b-it для следования инструкциям с акцентом на норвежский язык, включая букмол и нюнорск. Модель принимает текст и изображения и отвечает текстом; карточка указывает архитектуру Gemma 3 и поддержку диалогового режима и зрения. Модель предназначена для норвежских ассистентских сценариев: написания и редактирования текстов, создания заголовков и вводных абзацев новостей, суммаризации, ответов на вопросы и несложных рассуждений. Также её можно использовать для оценки качества норвежского письма. В обучении использован набор NbAiLab/aurora-sft, в том числе ограниченный объём материалов защищённых авторским правом норвежских газет; для этого релиза указан срез публикаций до 1 января 2025 года. Модель может ошибаться, галлюцинировать и выдавать предвзятый, вредный или неуместный контент; согласование безопасности снижает эти риски, но не устраняет их. Это не специализированная модель для сложных рассуждений, а её качество за пределами норвежских и английских сценариев полноценно не оценено. Лицензия указана как other; конкретные условия использования следует проверять в карточке модели и связанных условиях Gemma 3.

ByT5-text-correction — многоязычная модель семейства T5 объёмом 364,6 млн параметров, предназначенная для простой коррекции текста. Она исправляет тексты из интернета, в которых отсутствует пунктуация или нарушено написание прописных букв, а также восстанавливает диакритические знаки в языках, где они используются. На вход подаётся предложение с префиксом кода языка; модель поддерживает белорусский, датский, немецкий, греческий, английский, испанский, французский, итальянский, нидерландский, польский, португальский, румынский, русский, словацкий, шведский и украинский языки. Модель представлена в форматах PyTorch и safetensors и распространяется по лицензии LGPL. Карточка описывает её как утилиту для простых исправлений; она не заявляет о проверке фактов или глубокой редактуре, поэтому не следует считать её заменой полноценной вычитке.

Mungert/EXAONE-Deep-7.8B-GGUF — это GGUF-квантизированная версия модели EXAONE-3.5-7.8B-Instruct от LGAI (LG AI Research), дообученная для генерации текста. В карточке указаны английский и корейский языки. Модель предназначена для локального запуска, включая использование на устройствах с ограниченной памятью, CPU, edge-устройствах и GPU с небольшим объёмом VRAM, а также для исследований ультранизкоразрядного квантования. Основная особенность — метод IQ-DynamicGate с адаптивным распределением точности по слоям в форматах 1–2 bit. Для критически важных embedding- и output-слоёв применяется Q5_K, а остальные слои получают разные уровни квантования, включая IQ1, IQ2, IQ3 и IQ4. В README приведены результаты тестов на Llama-3-8B-Instruct с окном контекста 2048 токенов: DynamicGate снижал perplexity по сравнению со стандартным квантованием, особенно для IQ1_M и IQ2_S, при увеличении размера файлов примерно на 0,1–0,3 ГБ и сопоставимой скорости inference. Эти результаты относятся к Llama-3-8B и не подтверждают аналогичные показатели непосредственно для EXAONE-Deep. Преимущество модели — существенно сниженное потребление памяти при сохранении большей точности, чем у некоторых стандартных 1–2-битных вариантов. Ограничения включают возможную потерю качества из-за экстремально низкой разрядности, зависимость производительности от аппаратной поддержки формата и отсутствие в предоставленных данных точного размера модели, архитектурных деталей и заявленного максимального контекста. Лицензия указана как exaone с типом other; перед использованием следует ознакомиться с файлом LICENSE.

GaMS-27B-Instruct-Nemotron — диалоговая языковая модель на архитектуре Gemma 2, разработанная Тимотеем Петриčem в рамках магистерского проекта. Это вариант GaMS-27B-Instruct, дополнительно дообученный методом supervised fine-tuning на отобранной части набора NVIDIA Nemotron Post-Training Dataset v1: примерно 80 тысяч словенских пар «инструкция — ответ» и 20 тысяч английских примеров. Модель предназначена для генерации текста и общения по инструкциям на словенском и английском языках. Она содержит 27,6 млрд параметров, использует плотную архитектуру и принимает контекст длиной до 8192 токенов. Доступна в формате safetensors; лицензия — Gemma. Это исследовательский проект на основе дообученной модели; карточка сообщает, что подробности о проекте будут опубликованы позднее. README не приводит оценок качества или развёрнутых ограничений, поэтому пригодность для конкретных задач следует проверять отдельно.

HPLT/gpt-7b-nordic-prerelease — предварительный чекпойнт языковой модели Viking 7B, созданной в сотрудничестве группы TurkuNLP Университета Турку, SiloGen и HPLT. Это плотный авторегрессионный трансформер семейства LLaMA с 7 млрд параметров, обучавшийся на корпусе из финского, английского, шведского, датского, норвежского и исландского языков, а также кода. Размер контекста составляет 4096 токенов. Модель предназначена для генерации текста, понимания и создания кода, а также базового перевода между поддерживаемыми языками. Она ориентирована на языки Северной Европы, в том числе на финский и скандинавские языки, и может применяться для экспериментов с генеративными моделями для языков с ограниченными ресурсами. Это незавершённый исследовательский чекпойнт: предобучение на момент выпуска не было завершено, а инструкции и чат-вариант планировались к выпуску отдельно. Качество ответов может быть нестабильным, поэтому результаты следует проверять. Весовые файлы опубликованы в формате Safetensors; лицензия — Apache 2.0.

HBB-Community/HBB-GPT-1Sx-chat — заявленная многоязычная авторегрессионная языковая модель для генерации текста и диалогов. Карточка описывает семейство NullNet-Quetta и класс HBBQuettaForCausalLM; в метаданных указаны 67,6 млрд параметров, контекст 32 768 токенов и формат весов safetensors. README содержит противоречащие идентификатору модели сведения о HBB-GPT-2-nano, включая заявления о квантовании и размере 1 млрд активных параметров, поэтому эти характеристики нельзя надёжно отнести к данному репозиторию. Модель предназначена для многоязычных текстовых запросов, продолжения текста и диалогового использования. Метаданные перечисляют языки, включая русский, английский, китайский, японский, корейский, испанский, французский и немецкий; README также заявляет широкий охват языков, но его достоверность ограничена внутренними несоответствиями и явно шуточными формулировками. Лицензия в предоставленных данных не указана. Весов, по вступительной заметке README, временно нет, что может препятствовать практическому запуску.

Heliactis-1-4B — языковая модель Apollon Labs на архитектуре Spark 2.5, дообученная на базе XHToken/Spark-X2.5-4B. Это полноточные веса fp16 в формате safetensors для генерации текста и диалогового взаимодействия; размер модели — 3,8 млрд параметров, заявленная длина контекста — до 1 048 576 токенов. Модель ориентирована на греческий и английский языки и поддерживает сценарии чата. Для загрузки используется Transformers с пользовательским кодом архитектуры и параметром trust_remote_code=True. Модель распространяется по лицензии Apache-2.0. README отсылает к карточке GGUF-варианта за измеренными результатами и подробным описанием ограничений, поэтому оценить качество и конкретные дефекты по доступным данным нельзя.

ntxcong/hubert-base-common-voice-vi-demo — модель распознавания речи, дообученная на базе facebook/hubert-base-ls960 на наборе Common Voice 16.1. Она использует архитектуру HuBERT с CTC-декодером и содержит 113,3 млн параметров. Модель предназначена для преобразования речи в текст; в оценке на тестовой выборке указаны loss 0,5121 и WER 0,3678. Модель принимает аудио и выдаёт текст. По названию репозитория она предназначена для распознавания вьетнамской речи, однако README не раскрывает подробности языкового охвата, условий оценки и рекомендуемых сценариев. Распространяется под лицензией Apache-2.0.

Huihui-gemma-3n-E4B-it-abliterated-GGUF — это квантизированная GGUF-версия модели Huihui-gemma-3n-E4B-it-abliterated, разработанной huihui-ai. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Модель относится к классу text-generation и, судя по заявленным тегам, поддерживает сценарии работы с текстом, аудио и видео, включая автоматическое распознавание речи, перевод речи и преобразование аудио или видео в текст. Указан размер E4B, однако точные сведения об архитектуре, количестве параметров, поддерживаемых языках и размере контекстного окна в карточке отсутствуют. Доступны варианты с разным уровнем квантизации: от BF16 размером 13,74 ГБ до компактных форматов около 4–7 ГБ; наиболее рекомендуемыми автор считает некоторые варианты Q4–Q6. К сильным сторонам относятся возможность локального запуска, широкий выбор квантизаций и заявленная мультимодальность. Ограничениями являются отсутствие явно указанного шаблона чата, из-за чего формат запросов может потребовать проверки по исходной карточке модели, а также недостаток данных о качестве, языках и контекстном окне. Модель помечена как abliterated и uncensored, поэтому её поведение и защитные ограничения могут отличаться от стандартной версии Gemma. Для использования требуется принять лицензию Google Gemma на Hugging Face; конкретные условия лицензии следует учитывать отдельно.

Карточка модели caiyi/Huihui-Qwen3.8-27B-abliterated-KO-Ridge-3.7bpw-GGUF на Hugging Face совпадает с карточкой donghanasd/Huihui-Qwen3.8-27B-abliterated-KO-Ridge-3.7bpw-GGUF, поэтому описание составлено по ней. Это квантованная сборка GGUF Huihui-Qwen3.8-27B-abliterated, подготовленная donghanasd для запуска через llama.cpp. Модель основана на дообученной Qwen3.8 с 27 млрд параметров и использует смешанную раскладку тензоров Ridge с точностью 3,69 BPW; целевой файл занимает около 12,6 ГБ. Сборка предназначена для текстовых диалогов и генерации текста, а в проверенной конфигурации работает совместно с черновой моделью Qwen3.8 DFlash 2 для спекулятивного декодирования. Автор проверил запуск на NVIDIA RTX 5060 Ti с 16 ГБ видеопамяти через специальную сборку llama.cpp. Указаны результаты коротких пробных запросов, но они не являются полноценным бенчмарком; скорость зависит от оборудования, длины контекста и настроек. Хотя метаданные исходной модели указывают контекст 262 тысячи токенов, для проверенного профиля на 16 ГБ описан контекст 128 тысяч токенов с квантованным KV-кэшем. Текущая конфигурация текстовая и не поддерживает обработку изображений. Модель ослабляет отказы и может выдавать небезопасный, неточный, предвзятый или нежелательный контент. В README указана лицензия Apache-2.0; при использовании также следует учитывать лицензии и условия компонентов, от которых зависит сборка.

Это квантованная сборка GGUF Huihui-Qwen3.8-27B-abliterated, подготовленная donghanasd для запуска через llama.cpp. Модель основана на дообученной Qwen3.8 с 27 млрд параметров и использует смешанную раскладку тензоров Ridge с точностью 3,69 BPW; целевой файл занимает около 12,6 ГБ. Сборка предназначена для текстовых диалогов и генерации текста, а в проверенной конфигурации работает совместно с черновой моделью Qwen3.8 DFlash 2 для спекулятивного декодирования. Автор проверил запуск на NVIDIA RTX 5060 Ti с 16 ГБ видеопамяти через специальную сборку llama.cpp. Указаны результаты коротких пробных запросов, но они не являются полноценным бенчмарком; скорость зависит от оборудования, длины контекста и настроек. Хотя метаданные исходной модели указывают контекст 262 тысячи токенов, для проверенного профиля на 16 ГБ описан контекст 128 тысяч токенов с квантованным KV-кэшем. Текущая конфигурация текстовая и не поддерживает обработку изображений. Модель ослабляет отказы и может выдавать небезопасный, неточный, предвзятый или нежелательный контент. В README указана лицензия Apache-2.0; при использовании также следует учитывать лицензии и условия компонентов, от которых зависит сборка.

DevQuasar/inclusionAI.Ling-1T-GGUF — квантованная версия модели inclusionAI/Ling-1T, опубликованная в формате GGUF. Разработчиком исходной модели указана организация inclusionAI, а данная версия подготовлена в рамках проекта DevQuasar. Модель предназначена для генерации текста и может использоваться в сценариях, где требуется локальный или более ресурсоэффективный запуск языковой модели. Квантование обычно снижает требования к памяти по сравнению с исходной версией, однако README не содержит сведений о конкретном методе квантования, поддерживаемых языках, размере контекста, архитектуре, фактическом размере модели, модальностях, производительности и ограничениях качества. Лицензия в предоставленных данных не указана.

ohwi/japanese-stablelm-instruct-gamma-7b-repro — воспроизведение японской модели Japanese Stable LM Instruct Gamma 7B, дообученное Хвигеоном О и Фудзики Накамурой на основе Japanese Stable LM Base Gamma 7B. Это авторегрессионная плотная модель архитектуры Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалогового следования инструкциям на японском языке. Контекст модели составляет 4096 токенов. Модель обучалась на японских переводах наборов Databricks Dolly-15k и части Anthropic HH, а также на подмножестве izumi-lab/llm-japanese-dataset с новостями Wikinews. В карточке приведены результаты оценки на Nejumi-leaderboard Neo, включая llm-jp-eval и Japanese Mt-Bench. Весы доступны в формате safetensors; лицензия — Apache-2.0. README отмечает, что это воспроизведение, а не официальная модель Japanese Stable LM Instruct Gamma 7B.

Ko-Luxia-8B-it-v0.1 — диалоговая языковая модель на 7,6 млрд параметров, разработанная на базе Ko-Llama3-Luxia-8B и дообученная с помощью LoRA на наборе kyujinpy/KOpen-platypus. Модель использует плотную архитектуру Llama и предназначена для генерации текста в диалоге, включая ответы на вопросы и выполнение текстовых инструкций на корейском и английском языках. Контекст модели составляет 8192 токена. В карточке приведены результаты оценки на нескольких задачах KoBEST, в том числе точность 0,6425 на BoolQ и 0,7340 на COPA; результаты относятся к указанным тестам и не гарантируют качество в иных сценариях. Модель доступна в формате safetensors для Transformers. Лицензия в предоставленных данных не указана.

LDCC-SOLAR-gugutypus-10.7B — авторегрессионная языковая модель с инструкционным дообучением, разработанная DongGeon Lee (oneonlee) на базе LDCC/LDCC-SOLAR-10.7B. Она предназначена для генерации текста и выполнения инструкций, в частности для ответов на вопросы и решения задач на корейском и английском языках. Модель использует плотную архитектуру Llama/SOLAR и содержит 10,7 млрд параметров. Родная длина контекста — 4096 токенов. В карточке приведены результаты оценок на корейских и англоязычных тестах, включая Ko-LLM leaderboard, KMMLU и MMLU; эти оценки характеризуют результаты на конкретных наборах, а не гарантируют качество для любого запроса. Модель работает с текстом и генерирует текст. Репозиторий распространяется в формате Safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Mungert/LFM2-2.6B-GGUF — это квантизированное представление языковой модели LFM2 в формате GGUF для генерации текста. Модель относится к семейству Liquid AI и предназначена для локального запуска и инференса с использованием совместимого программного обеспечения, включая llama.cpp. В README указано, что файлы были сгенерированы с помощью llama.cpp, commit ee09828cb. Заявленный размер модели — 2,6 млрд параметров. Основная задача — text generation, поэтому модель может применяться для диалогов, генерации и продолжения текста, обработки инструкций и других сценариев, где требуется компактная языковая модель. Указана поддержка английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. Модальность — текстовая; сведения о размере контекста, архитектуре, конкретных вариантах квантования и показателях качества в README отсутствуют. К сильным сторонам относятся компактный размер, формат GGUF, ориентированный на эффективный локальный инференс, и многоязычная заявленная поддержка. Ограничения включают отсутствие подробных бенчмарков, описания архитектуры, контекстного окна и инструкций по выбору конкретного варианта GGUF, поэтому производительность и качество необходимо оценивать отдельно для каждого файла. Модель распространяется по лицензии lfm1.0; подробные условия следует уточнять в файле LICENSE.

LFM2.5-2.6B-UNCENSORED-ABLITERATED-PHILADELPHIA-CLASS-GGUF — это GGUF-квантизация базовой модели KridgeDookie/LFM2.5-2.6B-UNCENSORED-ABLITERATED-PHILADELPHIA-CLASS, подготовленная mradermacher. Модель предназначена для генерации текста, рассуждений и работы в сценариях с длинным контекстом; поддерживает использование через llama.cpp и экосистему Transformers. Название и теги указывают на снижение отказов и отсутствие стандартных ограничений на содержание, однако подробности метода и результаты оценки в README не приведены. Модель содержит 2,6 млрд параметров и представлена в форматах GGUF с различными уровнями квантизации: от Q2_K до Q8_0, IQ4_XS и f16. Для вариантов указаны размеры примерно от 1,2 до 5,5 ГБ; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант высокого качества, а Q8_0 — как самый качественный среди быстрых. Заявлена поддержка арабского, китайского, английского, французского, немецкого, хинди, индонезийского, итальянского, японского, корейского, польского, португальского, русского, испанского, тайского и вьетнамского языков. Мультимодальность и точный размер контекстного окна не указаны. Сильные стороны модели — компактный размер, возможность локального запуска и выбор между скоростью, качеством и требованиями к памяти благодаря нескольким вариантам квантизации. Ограничения включают отсутствие подробных бенчмарков, описания архитектуры и подтверждённых характеристик длинного контекста, а также возможную потерю качества в низкобитных вариантах. Указана лицензия lfm1.0; дополнительные условия следует проверять в файле LICENSE.

Llama-3-8B-Dolphin-Portuguese — разговорная языковая модель на архитектуре Llama 3, разработанная на основе переведённой версии набора данных Dolphin. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие на португальском языке; длина контекста составляет 8192 токена. Модель подходит для ответов на вопросы и ведения диалога на португальском, в том числе для задач общего и учебного характера. В карточке приведены результаты на португальском лидерборде: средняя оценка 70,0, а также результаты ENEM Challenge и BLUEX без изображений. Модель использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

LLM Compiler 7B — языковая модель, разработанная Meta и представленная в формате GGUF-представлением legraphista. В карточке указано, что она основана на facebook/llm-compiler-7b. Однако README не содержит подробных сведений об архитектуре, точном числе параметров, модальностях, поддерживаемых языках, размере контекста или специфических сценариях применения. По названию и базовой модели можно заключить лишь, что это 7-миллиардная большая языковая модель общего назначения, предназначенная для задач обработки и генерации текста, но конкретные возможности данного варианта не описаны. Ключевым практическим свойством является формат GGUF, обычно используемый для локального запуска и квантованных вариантов моделей, однако степень квантования и требования к ресурсам в README не указаны. Сильные стороны, ограничения и результаты тестирования для этой конкретной сборки также не приведены. Использование регулируется лицензией Meta LLM Compiler License и связанной с ней Acceptable Use Policy. Лицензия предоставляет ограниченные неисключительные права на использование, копирование, распространение и создание производных работ, но устанавливает дополнительные условия: при распространении необходимо включать текст соглашения и заметную маркировку «Built with LLM Compiler», сохранять уведомление об авторских правах, а при создании или улучшении распространяемой AI-модели начинать её название с «LLM Compiler». Также запрещено использовать материалы или их результаты для улучшения другой большой языковой модели.

Moonshine Streaming Tiny — Spanish — модель автоматического распознавания испанской речи с потоковой расшифровкой. Модель разработана Moonshine AI и предназначена для постепенного преобразования аудио в текст с небольшими задержками, в том числе на устройствах с ограниченными ресурсами. Репозиторий содержит конвертированный чекпойнт; архитектура включает аудиофронтенд с частотой 50 Гц, скользящий оконный Transformer-энкодер и декодер. В метаданных указано 13,8 млн параметров, тогда как README сообщает 27 млн; размер модели в источниках расходится. Модель обучена преимущественно на автоматически размеченном испанском аудио, дополненном меньшим набором транскрибированной речи. На двух тестах чтения испанской речи указана макро-WER 5,919 для чекпойнта при используемом в репозитории правиле остановки. Эти результаты не характеризуют телефонную, шумную, спонтанную или выраженную региональную речь. Автоматические метки могут переносить ошибки модели-учителя, а на коротких или шумных фрагментах возможны циклы повторения; рекомендуется ограничивать длину вывода и передавать attention mask. Лицензия — MIT.

Moonshine Tiny KO — компактная модель распознавания речи, разработанная Moonshine AI и входящая в набор Flavors of Moonshine для малоресурсных устройств. Она преобразует аудио с корейской речью в текст на корейском языке. Модель построена на архитектуре encoder-decoder Moonshine и содержит 27 млн параметров; заявленная длина контекста — 194 токена. Репозиторий использует формат safetensors и библиотеку Transformers. Модель предназначена для разработчиков систем транскрибации корейской речи, которым важны скорость и работа на устройствах с ограниченной памятью и вычислительными ресурсами. В README сообщается о результатах на наборах Fleurs и Common Voice 17 и о превосходстве над сопоставимой по размеру Whisper Tiny; показатели нельзя напрямую переносить на любые аудиозаписи и условия применения. Модель может галлюцинировать слова, которых нет в аудио, и повторять фрагменты текста, особенно на коротких или обрезанных записях. Перед внедрением её следует оценить на целевых данных; не рекомендуется применять для субъективной классификации людей и решений высокого риска. В метаданных указана лицензия other, но её конкретные условия в предоставленных данных не раскрыты.

Munin Qwen 9B — модель генерации текста из семейства Munin 1.0, разработанная Danish Foundation Models. Она дообучена на базе Qwen/Qwen3.5-9B-Base и предназначена для генерации текста на датском языке и выполнения инструкций. Архитектура — плотная Qwen3.5 с 9 млрд параметров; репозиторий содержит веса в формате safetensors и поддерживает диалоговый режим. Несмотря на мультимодальную базовую модель и метку image-text-to-text в тегах, карточка Munin описывает её как текстовую и указывает, что она не принимает изображения и другие мультимодальные входы. Модель подходит для датскоязычных чат-ботов, черновиков и ответов на инструкции. Лицензия — Apache 2.0. Карточка не сообщает измерений качества, поэтому уровень качества для конкретных задач следует оценивать отдельно.