I.6Перевод и языковая адаптация

GoranS/whisper-base-1m.hr — дообученная модель распознавания речи на основе OpenAI Whisper Base. Она предназначена для преобразования аудио в текст; языковой код карточки — hr, то есть хорватский. Модель содержит 51,7 млн параметров, использует архитектуру Whisper и доступна в формате safetensors через Transformers. В README приведены результаты оценки: loss 0,2480 и WER 17,3979. Данные не уточняют набор обучения, условия оценки и сценарии использования, поэтому эти результаты не позволяют судить о качестве на других аудиозаписях. Лицензия — Apache-2.0.

onnx-community/whisper-base_timestamped — это веб-совместимая версия модели openai/whisper-base, подготовленная сообществом onnx-community. Репозиторий содержит веса в формате ONNX для использования с библиотекой Transformers.js. Модель предназначена для задач автоматического распознавания речи и, судя по идентификатору, может предоставлять результаты с временными метками. Архитектура, размер, поддерживаемые языки, максимальная длина контекста и точные характеристики временных меток в README не указаны. Известно, что исходная модель Whisper разработана OpenAI, однако сведения о конкретных параметрах и возможностях этой версии отсутствуют. Ключевое преимущество модели — возможность запуска в средах, совместимых с Transformers.js, благодаря ONNX-весам. Ограничения, требования к ресурсам, условия лицензирования и дополнительные сценарии использования в предоставленных данных не указаны.

nurzhanit/whisper-enhanced-ml — дообученная модель распознавания речи семейства Whisper с архитектурой WhisperForConditionalGeneration. В README указано, что она обучена на датасете Common Voice 11.0; размер модели — 153,1 млн параметров. Модель предназначена для преобразования речи в текст на хинди. В README приведены результаты оценки: loss 0,0002 и WER 0,0. Эти значения относятся к указанному набору оценки; подробности его состава и методики не приведены, поэтому результат нельзя считать гарантией качества на других аудиозаписях. Модель опубликована в формате safetensors. Условия лицензии в доступных данных не указаны.

Это дообученная версия Whisper Medium, созданная автором репозитория на основе openai/whisper-medium и обученная 500 шагов на испанской версии датасета Common Voice 17.0. Данные были приведены к частоте 16 кГц; текст не проходил дополнительную обработку. Модель предназначена для автоматической расшифровки испанской речи в текст. В README приведены результаты на оценочной выборке: WER 6,159 и WER Ortho 10,8189. Архитектура Whisper содержит 455,8 млн параметров; модель работает с аудиовходом и текстовым выводом. Используется библиотека Transformers, веса представлены в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает ограничения и дополнительные сценарии использования; качество за пределами указанного оценочного набора не установлено.

Модель dianavdavidson/whisper-medium_mucs_62901_ratio_alldata_lr_1e-4_lgid_None_hinglish_mixed_scripts_FT — дообученная версия Whisper Medium от OpenAI для автоматического распознавания речи. Она принимает аудио и генерирует текст; в названии указана настройка на Hinglish со смешанными системами письма, однако README не уточняет состав данных и языковую поддержку. Модель построена на архитектуре WhisperForConditionalGeneration, содержит около 455,8 млн параметров и распространяется в формате Safetensors. В README приведены результаты оценки: loss 0,5005 и Global WER 27,9581; без описания набора данных и протокола оценки их нельзя напрямую интерпретировать как гарантию качества для конкретных записей. Лицензия — Apache 2.0. Карточка не описывает ограничения и рекомендуемые сценарии применения подробнее.

Модель dianavdavidson/whisper-medium_vaani_62419_ratio_alldata_lr_1e-4_lgid_None_epochs_100_FT — дообученная версия мультиязычной модели Whisper medium от OpenAI для распознавания речи и преобразования её в текст. Она содержит 455,8 млн параметров, построена на архитектуре WhisperForConditionalGeneration и рассчитана на аудиовход; для загрузки весов используется формат safetensors и библиотека Transformers. В README приведены результаты оценки: loss 0,6258 и Global WER 13,6881, однако датасет и условия оценки не описаны, поэтому эти показатели не позволяют судить о качестве на конкретных языках и сценариях. Модель распространяется по лицензии Apache-2.0. README не уточняет специализацию дообучения, поддерживаемые языки этой версии или практические ограничения, поэтому её пригодность для конкретной предметной области следует оценивать на собственных аудиоданных.

arbml/whisper-small-ar — дообученная версия OpenAI Whisper Small для автоматического распознавания речи. Модель основана на архитектуре Whisper и содержит 153,1 млн параметров; в репозитории представлены веса PyTorch. В метаданных указан датасет arbml/mgb2, а карточка сообщает о результате WER 21,3693 на оценочном наборе. Модель принимает аудио и преобразует речь в текст. Лицензия Apache-2.0 разрешает использование на её условиях. Карточка не описывает дополнительные сценарии применения или известные ограничения качества.

bobix/whisper-small-polish — модель распознавания речи, созданная дообучением OpenAI Whisper Small на польском языке. Она преобразует польскую речь в текст и предназначена для офлайн-транскрибирования, в том числе на пользовательских устройствах с потребительским GPU или CPU. Модель основана на архитектуре Whisper, содержит 153,1 млн параметров и распространяется в формате Safetensors; в карточке также описана конверсия файлов .bin для использования в мобильной клавиатуре. Модель выпущена под лицензией MIT. Карточка не приводит количественных оценок качества, ограничений по длительности аудио или результатов тестирования; качество распознавания может зависеть от записи и польского произношения.

XLS-R-300m-SV — модель распознавания шведской речи, дообученная на базе facebook/wav2vec2-xls-r-300m на наборе Mozilla Common Voice 7.0 для шведского языка (конфигурация sv-SE). Модель использует архитектуру wav2vec2 с CTC-декодером и содержит около 402,7 млн параметров; принимает аудио и преобразует его в текст. Опубликованные результаты на тестовой выборке Common Voice 7.0: WER 24,68% без языковой модели и 16,98% с языковой моделью. Модель выпущена под лицензией Apache-2.0. README не описывает дополнительные сценарии применения и ограничения; качество на других наборах данных не приведено.

chmanoj/xls-r-300m-te — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на наборе OPENSLR_SLR66 для языка телугу. Она принимает аудио и преобразует речь в текст; архитектура основана на Wav2Vec2 с декодированием CTC, число параметров — 402,7 млн. В оценке на тестовом наборе указана WER 0,3467. Модель предназначена для автоматической транскрипции речи на телугу. Опубликована под лицензией Apache-2.0. Указанный показатель WER относится к оценочному набору OPENSLR_SLR66; качество на других записях может отличаться.

AfriVoices East Africa — ASR multilingue edge — это система распознавания речи для шести восточноафриканских языков, разработанная для соревнования AfriVoices East Africa: ASR Hackathon. Акустическая часть основана на Facebook Wav2Vec2-BERT 2.0 с CTC-головой и общим символьным словарём из 67 символов; для декодирования используются отдельные 5-граммные языковые модели KenLM для каждого языка. Метаданные указывают 402,7 млн параметров и формат Safetensors. Модель предназначена для офлайн-транскрибации аудио на встраиваемых устройствах, включая Raspberry Pi 4 и Android. В README приведены результаты соревнования с макроусреднённым WER около 0,455 для лучшей конфигурации и показатели производительности на CPU; заявлено потребление памяти до 6,71 ГБ в прямом режиме и оконный резервный режим для длинных записей. Поддерживаются суахили, сомали, кикуйю, луо, календжин и маасаи. Лицензия — Apache-2.0.

ASR-cv-corpus-ug-22-2 — модель распознавания речи на основе архитектуры wav2vec2-bert, дообученная автором piyazon на базе piyazon/ASR-cv-corpus-ug-16. Она предназначена для преобразования аудиозаписей в текст; в README указаны результаты оценки: loss 0,0371 и WER 0,0283. Данные обучения и подробности о сценариях применения не приведены. Модель распространяется в формате safetensors через библиотеку Transformers; сведения о лицензии в доступных данных отсутствуют.

yuiti-ara/awesome-align-onnx-int8 — квантованная модель для выравнивания слов в параллельных предложениях по методике awesome-align. Она основана на многоязычной bert-base-multilingual-cased: использует архитектуру BERT с 205,1 млн параметров, первые восемь слоёв, токенизацию WordPiece и формат ONNX INT8. Модель извлекает представления текста, а связи между словами вычисляются по косинусному сходству и взаимному argmax. Репозиторий рассчитан на запуск через ONNX Runtime на CPU, с оптимизациями для ARM64 и Apple Silicon. В README заявлены размер около 150 МБ, ускорение примерно в 1,7 раза относительно FP32 на MacBook Air M1 и сохранение качества выравнивания в указанном сравнении. Базовая mBERT обучена на текстах Википедии для 104 языков; контекст модели — до 512 токенов. Модель подходит для сопоставления слов в переводах и подготовки параллельных корпусов. Это не генеративная модель: её основной результат — представления, используемые для построения выравниваний. Лицензия — Apache-2.0.

BanglaLLama-3-8b-unolp-culturax-base-v0.0.1 — базовая авторегрессионная языковая модель семейства Llama 3, разработанная BanglaLLM и дообученная на бенгальской части корпуса CulturaX. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и принимает контекст до 8192 токенов. Она предназначена для генерации текста на бенгальском и английском языках, продолжения текста и дальнейшей адаптации к NLP-задачам через дообучение. Это базовая языковая модель, а не модель для следования инструкциям; для диалоговых запросов авторы рекомендуют instruct-версию семейства. Веса опубликованы в формате safetensors. README указывает лицензию GPL-3.0, тогда как метаданные Hugging Face содержат лицензию Llama 3; перед использованием следует проверить условия лицензирования репозитория и базовой модели. Модель не проходила детоксикацию и может генерировать вредный или оскорбительный текст, поэтому её выводы требуют контроля.

Beetle-FineWeb2-24B/beetle-bilingual-l2-50-classroom-20-b4-fineweb-hin-eng — генеративная языковая модель из семейства Beetle-FineWeb2, опубликованная на Hugging Face для создания и продолжения текста. По названию модели она ориентирована на двуязычные сценарии на хинди и английском языках, а также связана с данными или настройкой для учебной тематики и корпусом FineWeb. Модель предназначена для генерации текста, включая ответы на запросы, написание черновиков и продолжение контекста, при использовании через библиотеку Transformers. В метаданных также указан формат safetensors и тег pico_decoder. Сведения о разработчике, точной архитектуре, размере, длине контекста, лицензии, методике обучения и результатах оценки в доступных материалах отсутствуют.

Beetle-FineWeb-2B/beetle-bilingual-l2-80-late-b5-fineweb-2b-nld-eng-seed5 — генеративная языковая модель семейства Beetle-FineWeb с заявленным размером 2B параметров, предназначенная для генерации текста на нидерландском и английском языках. Модель опубликована на Hugging Face и предназначена для запуска через библиотеку Transformers; в метаданных также указан формат safetensors и pico_decoder. Модель подходит для продолжения текста, генерации черновиков, диалоговых прототипов и других сценариев text generation на нидерландском и английском языках. README автоматически сгенерирован и не содержит сведений о разработчике, обучающих данных, архитектуре, контексте, оценивании, лицензии или рекомендациях по применению. Поэтому качество, безопасность и пригодность модели для конкретных задач необходимо проверять самостоятельно.

blas-m3-lm — модель распознавания ирландской речи в текст, разработанная автором репозитория jyoutir. Это акустическая модель wav2vec2-XLS-R на базе Wav2Vec2ForCTC с дообучением для ирландского языка и встроенной 5-граммовой языковой моделью KenLM, подключённой через Wav2Vec2ProcessorWithLM. В метаданных указано 403 млн параметров; в README акустическая часть описана как модель на 300 млн параметров. Модель предназначена для транскрибации ирландской речи. В README приведены результаты на Common Voice 25.0 для ga-IE: WER 19,95 и CER 8,42; на FLEURS ga-IE: WER 48,05 и CER 24,20. Автор сообщает, что KenLM снижает WER на 5,6 пункта относительно одной акустической модели. Для декодирования используются pyctcdecode, ширина луча 100 и параметры α=0,5, β=1,5. Модель распространяется по лицензии Apache-2.0. Для работы требуется аудиовход; результатом является текстовая транскрипция. Качество на FLEURS заметно ниже, чем на Common Voice, поэтому результаты зависят от условий записи и набора данных. Заявления о лидерстве в бенчмарке и сравнении с другими системами основаны на измерениях и описании автора README.

Elron/bleurt-large-512 — версия BLEURT в формате PyTorch, созданная на основе оригинальных моделей BLEURT из работы Google Research «BLEURT: Learning Robust Metrics for Text Generation». Это модель семейства BERT с архитектурой BertForSequenceClassification и примерно 433,9 млн параметров; она принимает текстовые входы и выдаёт оценку для задачи классификации текста. Максимальная длина контекста — 512 токенов. Модель предназначена для оценки качества текстовой генерации, в частности для автоматического сопоставления сгенерированного текста с эталоном. Её можно подключить через Transformers как AutoModelForSequenceClassification вместе с токенизатором. В README не указаны лицензия и поддерживаемые языки, поэтому условия использования по этим параметрам уточнить нельзя. Карточка описывает PyTorch-представление BLEURT; отдельные сведения о дообучении этой версии не приведены.

Карточка модели raj090/bloom-560m на Hugging Face совпадает с карточкой bigscience/bloom-560m, поэтому описание составлено по ней. 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 v1.0 — языковая модель на базе Phi-3-mini-4k-instruct, разработанная Jonathan Pacifico в 2024 году. Это плотная авторегрессионная модель семейства Phi-3 с 3,7 млрд параметров и контекстом до 4096 токенов; она доступна в формате Safetensors и предназначена для генерации текста и диалогов. Модель дообучена методом DPO на 12 тысячах пар предпочтений Intel/orca_dpo_pairs, переведённых на французский язык. Она рассчитана на общие задачи, особенно на работу с французским текстом, и также поддерживает английский. Её можно использовать как основу для дальнейшей специализации. Автор сообщает об улучшении общего понимания по сравнению с базовой моделью, в том числе на английском языке. Это демонстрационное дообучение небольшой модели; у неё нет механизмов модерации. В README указана лицензия MIT, тогда как в метаданных Hugging Face указана Apache-2.0.

CKHO/cohere-asr-ja-GGUF — это квантованная версия модели efwkjn/cohere-asr-ja для автоматического распознавания речи на японском языке. Модель предназначена для преобразования японской речи в текст, включая диалоги, вокал и аудио в стиле ASMR. Для работы используется backend cohere в CrispASR. Модель распространяется в формате GGUF и доступна в вариантах F16, Q8_0, Q6_K, Q5_0 и Q4_K размером от 1,51 до 4,14 ГБ. По неформальным локальным тестам на системе с RTX 3080 вариант F16 показал эталонное качество, Q8_0 — почти такое же качество при меньшем размере, а Q6_K предлагает наиболее сбалансированное сочетание качества и размера. Более сильное квантование уменьшает требования к диску, но может снижать точность распознавания. Модель рассчитана на использование с CrispASR; generic llama.cpp runtimes не поддерживают архитектуру cohere_asr. В README указана лицензия Apache-2.0. Контекст, дополнительные языки, архитектурные детали исходной модели и ограничения качества, не отражённые в локальных тестах, не указаны.

Darwin-4B-Genesis — экспериментально объединённая модель семейства Darwin, представленная VIDRAFT в статье о взвешенном эволюционном слиянии моделей для улучшения рассуждений без дополнительного обучения. В ней сохранены attention-слои Transformer-модели Gemma4, а знания из FFN-слоёв Qwen3.5-4B на архитектуре Mamba/GatedDeltaNet перенесены в отдельных пропорциях, найденных поиском CMA-ES. В репозитории указана архитектура Gemma4ForConditionalGeneration и формат safetensors; размер — 4 млрд параметров. Модель предназначена для диалога и генерации текста, в том числе для ответов на вопросы о корейской культуре и многошаговых задач на рассуждение. В карточке приведены результаты CLIcK 92%, MuSR 70% и приблизительно 60% на GPQA; это заявленные авторами оценки на конкретных бенчмарках, а не гарантия качества в других сценариях. Метаданные также указывают мультимодальную базовую модель, однако README описывает прежде всего текстовые возможности, поэтому обработка изображений для этой модели не подтверждена. Лицензия — Apache 2.0.

Delexa-7b — языковая модель общего назначения от разработчиков lex-hue. Она построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров. Модель генерирует текст и рассчитана на контекст до 32 768 токенов; в карточке указана поддержка английского и немецкого языков. Модель предназначена для генерации текста, общих языковых задач и экспериментов с рассуждениями, в том числе STEM-задачами. README описывает её как находящуюся в активной разработке: приведены предварительные оценки, но всесторонняя оценка качества ещё не опубликована. Модель допускает контент для взрослых и откровенный контент; авторы предупреждают о риске вредных, предвзятых и оскорбительных ответов. Лицензия — Apache-2.0.

Ethio-ASR — модель распознавания речи, разработанная командой Ethio-ASR и дообученная на базе ajesujoba/AfriHuBERT на речевом наборе WAXAL Speech Dataset. Репозиторий содержит модель архитектуры HuBERT с CTC-декодированием; в метаданных указано 113,6 млн параметров, формат весов safetensors и библиотека Transformers. Модель предназначена для транскрибирования амхарской, тигринья, афаан-оромо, сидама и волайтта речи. Её можно использовать в голосовых помощниках и инструментах доступности, а также как исследовательскую базовую модель. В README также заявлена идентификация языка речи. На тестовом наборе WAXAL приведены результаты распознавания по пяти языкам. Качество может различаться в зависимости от диалекта, возраста и пола говорящего, а также качества записи. Для шумного аудио без предварительного улучшения речи модель не рекомендована; для критически важных сценариев требуется проверка человеком. Лицензия CC-BY-NC-SA 4.0 ограничивает использование условиями атрибуции, распространения на тех же условиях и некоммерческого применения.

Pravalika2711/gonthuka-asr-finetuned — модель автоматического распознавания речи на телугу, разработанная на основе Swecha Gonthuka ASR и дообученная на пользовательском наборе аудиозаписей. Это модель Wav2Vec2ForCTC с 113,3 млн параметров, предназначенная для преобразования речи в текст. Она принимает аудио и выдаёт текст на телугу; для работы используются Transformers и формат весов safetensors. Модель подходит для транскрибирования телугуской речи, голосовых помощников и систем преобразования речи в текст, а также для задач доступности и обучения. В README сообщается о CER 0,14 на оценке модели. Набор дообучения включал около 752 записей WAV с частотой 16 кГц, моно, и проверенными транскрипциями. Качество может снижаться в шумной среде и зависит от акцента говорящего и качества записи; модель лучше работает с монофоническим WAV 16 кГц. Лицензия — Apache-2.0.

Huihui-MiniCPM5-2B-abliterated-GGUF — это набор GGUF-квантизаций модели Huihui-MiniCPM5-2B-abliterated, подготовленный mradermacher. Модель основана на MiniCPM5 и предназначена для генерации текста, включая сценарии с длинным контекстом, вызовом инструментов и локальным запуском на устройствах с ограниченными ресурсами. Указана поддержка английского и китайского языков. Модель имеет около 2 млрд параметров; README не уточняет архитектурные детали и максимальный размер контекста. Доступны варианты от Q2_K до Q8_0, IQ4_XS и f16 размером примерно от 1,1 до 5,1 ГБ. Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант очень хорошего качества, а Q8_0 — как быстрый вариант с наилучшим качеством среди указанных. Более сильное квантование уменьшает требования к памяти, но может снижать качество. Это текстовая модель: сведения о поддержке изображений или других модальностей отсутствуют. README не приводит результатов тестирования, поэтому фактические сильные стороны и ограничения качества нельзя оценить по этим данным; также не раскрываются требования к аппаратному обеспечению и точная совместимость с инструментами. Модель распространяется по лицензии Apache-2.0.

Карточка модели hamsterdlt/KDA_MT на Hugging Face совпадает с карточкой csebuetnlp/mT5_multilingual_XLSum, поэтому описание составлено по ней. mT5_multilingual_XLSum — модель семейства mT5, дообученная командой CSE BUET NLP на датасете XL-Sum для суммаризации текстов на 45 языках. Она принимает текст статьи или другого материала и генерирует краткое изложение; модель предназначена для многоязычной суммаризации, в том числе для языков с ограниченными ресурсами. Число параметров — 291,2 млн; архитектура — MT5ForConditionalGeneration, формат весов — PyTorch. Модель подходит для автоматического создания кратких пересказов и обработки многоязычных новостных материалов. В README приведены результаты ROUGE на тестовых наборах XL-Sum для разных языков. Карточка не сообщает об ограничениях на контекст или отдельном основном языке. Лицензия в предоставленных данных не указана.

LiquidAI/LFM2-VL-3B-GGUF — мультимодальная vision-language модель семейства LFM2-VL, разработанная Liquid AI для работы на периферийных устройствах и локального развертывания. Модель предназначена для задач преобразования изображений и текста в текст, включая анализ визуального содержимого и генерацию ответов по изображениям, с акцентом на сочетание качества, скорости и экономичного использования памяти. Модель распространяется в формате GGUF, совместимом с llama.cpp, и доступна в вариантах F16, Q4_0 и Q8_0, что позволяет выбирать между точностью, скоростью инференса и требованиями к ресурсам. Указан размер 3B; поддерживаются английский, японский, французский, испанский, немецкий, итальянский, португальский, арабский, китайский и корейский языки. Размер контекста и подробности архитектуры в предоставленной карточке не указаны. Сильными сторонами модели являются мультимодальность, ориентация на edge-сценарии, возможность локального запуска и наличие вариантов квантования. Ограничения включают отсутствие в карточке подробных результатов оценки, характеристик контекста и точных требований к аппаратному обеспечению. Модель выпускается по лицензии lfm1.0; дополнительные условия следует уточнять в файле LICENSE и оригинальной карточке базовой модели LiquidAI/LFM2-VL-3B.

Модель lovelyan/llama-3.2-Korean-Bllossom-3B-itsos — дообученная автором lovelyan разговорная модель семейства Llama 3.2 с 3,2 млрд параметров. Она основана на Bllossom/llama-3.2-Korean-Bllossom-3B и предназначена для генерации текста и диалогов. Для обучения использовались Unsloth и Hugging Face TRL. Модель принимает текст и выдаёт текст; метаданные указывают контекст до 131 072 токенов и интерфейс для вызова инструментов. Базовая модель рассчитана на корейский и английский языки. Распространяется по лицензии Apache-2.0. Карточка не описывает отдельную специализацию или результаты оценки качества этой версии.

Llama-4-Scout-17B-16E-Instruct — мультимодальная инструкционная модель Meta, опубликованная на Hugging Face организацией RedHatAI. Она построена на авторегрессионной архитектуре Llama 4 с механизмом смеси экспертов (MoE): 17 млрд параметров и 16 экспертов. Модель принимает текст и изображения и предназначена для диалогов, визуального анализа и рассуждений по изображениям. Модель подходит для ответов на вопросы об изображениях, их описания и распознавания визуальных деталей, а также для многоязычного общения. Заявлена поддержка арабского, немецкого, английского, испанского, французского, хинди, индонезийского, итальянского, португальского, тайского, тагальского и вьетнамского языков. Модель протестирована для понимания до пяти входных изображений; для большего числа изображений требуется дополнительная проверка. В README также отмечены возможные риски ошибочных или небезопасных ответов и необходимость учитывать лицензионные ограничения. Модель распространяется по пользовательской коммерческой лицензии Llama 4 Community License Agreement. Карточка сообщает о проверке в RHOAI 2.20, RHAIIS 3.0 и RHELAI 1.5.