I.6Перевод и языковая адаптация

CarrotAI/ko-gemma-2b-it-sft — разговорная языковая модель, дообученная на основе google/gemma-2b-it. Это плотная модель семейства Gemma с 2,5 млрд параметров, рассчитанная на генерацию ответов в диалоге; пример в карточке показывает ответ на корейский запрос с кодом на Python. Модель предназначена для чат-ботов и систем вопросов и ответов, а также может генерировать объяснения и примеры кода. Поддерживаемые языки — корейский и английский; контекст — до 8192 токенов. Модель распространяется в формате safetensors для библиотеки Transformers. В карточке не приведена лицензия. Качество может зависеть от сложности задачи и формулировки запроса, поэтому пригодность для конкретного применения следует оценить отдельно.

Llama3-tedllm-8b-v0 — двуязычная генеративная языковая модель, разработанная TED и Cerebras Systems на основе Meta Llama 3 8B. Это плотная архитектура LLaMA-3 с 7,6 млрд параметров, контекстом 8192 токена и словарём из 141 056 токенов. Модель прошла непрерывное предобучение на примерно 173 млрд токенов: около 80% данных составляют японские тексты и 20% — английские. Расширенный словарь повышает эффективность токенизации японского языка. Модель предназначена для генерации японского и английского текста и может служить основой для последующей настройки под прикладные задачи. Она не проходила настройку на инструкциях, поэтому не рассчитана на надёжное выполнение запросов в формате ассистента без дополнительного дообучения. Обучающие веб-данные могут содержать ошибки, предвзятость и нежелательный контент; результаты следует проверять, особенно в чувствительных сценариях. Модель распространяется по лицензии Meta Llama 3.

llm-jp-4-vl-9b-GGUF-v0.1 — неофициальная конверсия модели llm-jp/llm-jp-4-vl-9b в формат GGUF, опубликованная tokinasin. Это мультимодальная модель для преобразования изображений и текста в текст, ориентированная на работу с японским и английским языками. Модель предназначена для диалогов и анализа изображений в окружении llama.cpp. В состав поставки входят файл модели GGUF и отдельный мультимодальный проектор mmproj; в примере запуска используется контекст длиной 8192 токена. Поддерживается обработка нескольких изображений, а параметр reasoning_effort позволяет управлять интенсивностью рассуждений. Для сохранения возможностей рассуждения рекомендуется использовать квантизацию Q6_K или выше, поскольку в Q4_K_M рассуждение часто пропускается. Для работы требуется версия llama.cpp с применённым специальным патчем, поэтому стандартная сборка без изменений может быть несовместима. Поставка является неофициальной и не относится к основному репозиторию LLM-jp; исправления и сообщения об ошибках следует направлять автору этой конверсии. Файлы GGUF распространяются по Apache License 2.0, патч — по MIT License; отдельные заимствованные компоненты также имеют указанные в README лицензии.

Lucie-7B — предобученная авторегрессионная языковая модель, разработанная LINAGORA и OpenLLM-France. Она построена на плотной архитектуре семейства Llama и содержит около 6,7 млрд параметров. Модель обучалась предсказывать следующий токен на 3 трлн токенов многоязычных данных; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации и продолжения текста, включая дополнение предложений и примеры ответов на вопросы. Основные языки обучения — французский и английский; также в обучающих данных представлены немецкий, испанский и итальянский, а также языки программирования. Длина контекста составляет 32 000 токенов. Для запуска на GPU в README приводится ориентир от 6 ГБ видеопамяти при 4-битной квантизации или 16 ГБ без неё. Lucie-7B — базовая предобученная модель, а не специализированный чат-ассистент; качество ответов и следование инструкциям могут быть ограничены. Разработчики предупреждают, что в обучающих данных могли встречаться токсичные или оскорбительные строки. Лицензия — Apache-2.0.

Malaysian Finetune Whisper Medium V2 — дообученная модель семейства Whisper, разработанная Mesolitica на основе Whisper Medium с использованием малайзийского набора данных. Она предназначена для автоматического распознавания речи и преобразования аудио в текст. Модель содержит 455,8 млн параметров и распространяется в формате safetensors. Карточка указывает на настройку для малайзийских данных; метаданные также отмечают английский, китайский и тамильский языки, но не уточняют качество распознавания для каждого из них. Модель принимает аудио и выдаёт текст. Лицензия и длина контекста в доступных данных не указаны.

julianmb/MiniCPM5-2B-NPU2 — это порт и квантованная версия openbmb/MiniCPM5-2B, разработанная julianmb для запуска на NPU AMD XDNA 2 с использованием FastFlowLM. Модель предназначена для генерации текста и диалоговых сценариев на английском и китайском языках, включая локальный инференс на совместимых процессорах Ryzen AI с NPU. Расчёт выполняется на NPU, что позволяет освободить GPU и снизить энергопотребление. В основе лежит трансформер MiniCPM5 с 42 слоями, размерностью модели 2048, размерностью FFN 6144 и размерностью головы внимания 128. Исходная конфигурация использует 16 query-heads и 2 key/value-heads; для совместимости с AIE-ML-ядрами AMD применена математически эквивалентная репликация KV-голов до 8. Веса представлены в формате AMD Q4NX, Q4_1; размер файла модели составляет около 1,88 ГБ. README указывает поддержку текстовой модальности и контекст модели не сообщает. Основные преимущества — специализированное выполнение на AMD XDNA 2 NPU, заявленная скорость декодирования около 63 токенов в секунду, низкое энергопотребление порядка 2–4 Вт, отсутствие конкуренции за вычислительные ресурсы iGPU и загрузка модели примерно за 1,94 секунды. Эти показатели измерены на AMD Strix Halo с Ryzen AI Max+ 395, но автор отдельно предупреждает, что результаты генерации пока не подтверждены проверкой фактически обслуживаемой модели и должны считаться предварительными. Совместимость с другими семействами XDNA 2 обозначена как архитектурная, а не полностью проверенная. Для работы требуются FastFlowLM версии не ниже 0.9.22 и совместимый AMD XDNA 2 NPU. Лицензия — Apache 2.0.

T-Systems разработала двуязычную модель суммаризации на базе google/mt5-small. Она принимает текст на немецком или английском языке и генерирует краткое резюме. Модель дообучена на 724 835 примерах из англоязычных CNN Daily Mail и XSum, а также немецкого MLSUM; для MLSUM из исходных текстов удаляли предложения, уже включённые в резюме. В метаданных также указаны датасеты swiss_text_2019. Модель использует архитектуру mT5 и содержит 157,4 млн параметров. При обучении длина входа ограничивалась 800 токенами, а целевого резюме — 96 токенами. В оценке без beam search на тестовой части MLSUM немецкие результаты близки к указанным в README моделям сравнения; авторы отмечают, что некоторые значения на XSum выглядят необычно высокими и тестовые данные могли попасть в обучающую выборку. Лицензия модели — CC BY-NC-SA 4.0.

OpenThaiGPT 1.0.0-alpha — чат-модель для генерации текста, разработанная командой OpenThaiGPT при участии тайских исследователей и организаций. Это дообученная для следования инструкциям версия LLaMA 2 Chat с плотной архитектурой LlamaForCausalLM и примерно 6,6 млрд параметров. Модель рассчитана прежде всего на общение и ответы на вопросы на тайском языке; также заявлена поддержка английского. В обучении использовались тайские наборы инструкций, вопросов и ответов, включая данные по налогам, финансам и общим знаниям. Модель подходит для чат-ботов, ответов на вопросы и генерации текстов по инструкциям. Контекст в метаданных указан как 2048 токенов; README описывает увеличение длины контекста до 4096 токенов относительно версии 0.1.0-beta, поэтому фактический предел этого чекпойнта может зависеть от конфигурации. Весы представлены в формате PyTorch и используют библиотеку Transformers. Лицензия — Apache-2.0. Авторы предупреждают, что ответы модели не гарантированы.

Ornith-1.5-35B-A3B-Abliterated-GGUF — набор динамически квантованных GGUF-версий языковой модели Ornith-1.5-35B-A3B-Abliterated. Набор подготовлен пользователем alztrk на основе модели Ornith-1.5-35B-A3B от ornith-ai и предназначен для локальной генерации текста в Ollama, LM Studio и llama.cpp. Базовая модель имеет гибридную архитектуру с 40 слоями и конфигурацию MoE на 35 млрд параметров, из которых около 3 млрд активируются на токен. Вариант Abliterated создан с помощью направленной абляции: из матриц attention и MLP down-projection удалены направления, связанные с отказами в ответах. Заявлены языки English, Turkish и Chinese; модель относится к категории text-generation. Контекст в README явно не указан, но пример запуска использует 8192 токена. Доступны варианты Dynamic Q3_K_M размером около 15,61 ГБ, Q4_K_M около 19,71 ГБ, Q5_K_M около 23,03 ГБ и Q8_0 около 34,37 ГБ. Q4_K_M описан как сбалансированный вариант для GPU с 12–16 ГБ VRAM, Q3_K_M требует меньше памяти, а Q8_0 обеспечивает более высокую точность. Ограничениями являются необходимость локального оборудования и отсутствие подробных данных о качестве, производительности и поддерживаемых модальностях; указанный вариант ориентирован на текст и не заявляет мультимодальные возможности. Производный исходный проект распространяется по лицензии Apache 2.0 / MIT.

OutcomesAI-Whisper-tiny-v1.1 — дообученная модель семейства Whisper, разработанная на основе piyushmaharana/outcomes-whisper-tiny-v1 и датасета big-transcript-pronounce. Она предназначена для автоматического распознавания речи и преобразования английской речи в текст. Модель содержит 29,4 млн параметров; веса представлены в формате Safetensors. В README приведены результаты оценки: loss 0,0602 и WER 2,82, однако описание методики оценки и ограничений отсутствует. Модель распространяется по лицензии Apache-2.0.

microsoft/paza-Phi-4-multimodal-instruct — дообученная Microsoft Phi-4-multimodal-instruct модель для автоматического распознавания речи на суахили, календжин, кикуйю, луо, масаи и сомали. Это плотная трансформерная модель на 3,8 млрд параметров с контекстом 4096 токенов; при дообучении обновлялись аудиоэмбеддинги, аудиоэнкодер и проекционные слои, а остальные параметры оставались замороженными. Для обработки используются текстовый токенизатор и извлечение аудиопризнаков. Модель принимает аудиозапись и формирует текстовую транскрипцию. Она рассчитана на разговорную, учебную и вещательную речь; для сохранения качества рекомендована длительность аудио не более 40 секунд. Мультимодальные и текстовые возможности базовой модели сохранены, но в этой работе оценивалось только распознавание речи на шести целевых языках. Модель выпущена для исследовательского использования по лицензии MIT. Не рекомендуется применять её в коммерческих или реальных сценариях без дополнительных испытаний; качество может различаться между языками, а ошибки транскрипции делают рискованным использование в ситуациях с юридическими последствиями или требованиями высокой точности.

Qwen3-0.6B-MLX-4bit — это 4-битная квантованная версия языковой модели Qwen3-0.6B, разработанной командой Qwen. Квантование в формате MLX предоставлено командой LM Studio с использованием mlx_lm; модель предназначена для запуска на устройствах с Apple Silicon. Модель относится к задачам генерации текста и может использоваться в сценариях локального запуска языковых моделей на совместимом оборудовании. Известно, что она основана на Qwen3-0.6B, использует 4-битное квантование и оптимизирована для MLX и Apple Silicon. Сведения об архитектуре, количестве параметров помимо обозначения 0.6B, поддерживаемых языках, размере контекста и доступных модальностях в README не указаны; по представленным данным это текстовая, а не мультимодальная модель. Ключевые преимущества — уменьшенный объём хранения и потенциально более эффективный локальный запуск благодаря 4-битному квантованию и оптимизации под Apple Silicon. Ограничения включают возможное снижение точности по сравнению с исходной моделью и зависимость от совместимой экосистемы MLX; конкретные показатели качества и производительности не приведены. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-Flash-Next-UD-IQ4_XS-layers — это пакет слоёв в формате GGUF для распределённого запуска модели Qwen3.8-Flash-Next через Mesh LLM. Пакет основан на unsloth/Qwen3.8-Flash-Next-GGUF и подготовлен проектом Mesh LLM; исходная модель относится к семейству Qwen3. В README не указаны точное число параметров, ширина активаций, языки и размер контекста. Вариант предназначен для локального и приватного инференса, включая сценарии, когда полная модель слишком велика для одного компьютера: 48 слоёв можно распределить между несколькими машинами в кластере Mesh LLM. Поддерживаются локальная подача запросов через OpenAI-совместимый API, чат и генерация продолжений. Пакет использует квантизацию Q4_XS, что уменьшает требования к памяти, однако README не содержит данных о качестве, производительности и сравнительных результатах. Лицензия обозначена как other и унаследована от исходного репозитория; конкретные условия необходимо уточнять в карточке unsloth/Qwen3.8-Flash-Next-GGUF. Это специализированный пакет для Mesh LLM, а не самостоятельное описание полной архитектуры модели, поэтому сведения о модальностях, шаблоне чата и рекомендациях по настройке следует проверять в документации исходной модели.

rinna/qwq-bakeneko-32b — 32-миллиардная плотная языковая модель на архитектуре Qwen2, разработанная rinna и настроенная для следования инструкциям и рассуждений. Она объединяет rinna/qwen2.5-bakeneko-32b с векторной разностью Qwen/QwQ-32B и Qwen/Qwen2.5-32B, после чего была доработана методом ORPO на 1,3 тыс. примеров, созданных DeepSeek-R1. Модель использует формат чата Qwen/QwQ-32B и рассчитана прежде всего на задачи на японском языке. Модель принимает текст и генерирует текст; её контекстное окно составляет 131 072 токена. В карточке приведены результаты на Japanese LM Evaluation Harness и Japanese MT-Bench. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. Это текстовая модель: карточка не заявляет поддержку изображений, аудио или видео.

SC117/Spark-X2.5-4B-abliterated-FIT-GGUF — это набор GGUF-квантизаций модели XHToken/Spark-X2.5-4B, подготовленный автором репозитория SC117 с использованием FIT-GGUF. Модель предназначена для генерации текста и локального запуска через совместимые инструменты, включая llama.cpp. Доступны четыре проверенных уровня точности размером примерно от 2,26 до 3,15 GiB. Модель имеет гибридную архитектуру внимания, около 4 миллиардов параметров и заявленный контекст до 1 миллиона токенов. Поддерживаются английский и китайский языки. Вариант помечен как abliterated, то есть ограничения на определённые типы ответов были изменены или ослаблены; конкретная методика и последствия этого изменения в представленном README подробно не описаны. FIT-GGUF подбирает распределение точности по тензорам с использованием измерений KL-дивергенции и совпадения наиболее вероятного токена, а поставляемые файлы повторно проверены относительно версии BF16. Сильными сторонами являются большой контекст, несколько вариантов размера и точности, совместимость с экосистемой GGUF и детерминированная проверка результатов квантования. Ограничения включают возможные потери качества из-за квантования, неизвестные в README показатели производительности и качества на конкретных задачах, а также отсутствие подробностей об исходной архитектуре, скорости работы и системных требованиях. Лицензия — Apache-2.0.

TrorYongASR-small — модель распознавания речи на архитектуре Encoder-Decoder, разработанная KHUN Kimang и опубликованная KrorngAI. Вариант Small содержит 135 млн параметров: аудиоэнкодер состоит из 12 слоёв с 12 головами внимания, текстовый декодер — из одного Transformer-блока с 24 головами. Аудио преобразуется в логарифмические мел-спектрограммы с 80 мел-полосами. Модель предназначена для транскрибации речи на кхмерском и английском языках. По тестам из карточки, английская речь распознаётся заметно лучше кхмерской: WER составляет соответственно 21,75% и 50,46%. Также модель обучалась для перевода между аудио на кхмерском и английском текстом, но эта возможность не оценена из-за малого объёма данных. Модель не выдаёт временные метки и не выполняет обнаружение речи; качество может снижаться при шуме, реверберации, разных акцентах и стилях речи. Лицензия указана как other; конкретные условия в карточке не приведены.

T-VisStar-7B-v0.1 — разговорная языковая модель, разработанная 1TuanPham на основе архитектуры Mistral. Она предназначена для диалогов и генерации текста, в том числе для задач на вьетнамском языке. В карточке указаны 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors; модель работает через Transformers. В README описаны варианты применения как общего ассистента и помощника для сотрудников приёмной комиссии FPT, а также приведены инструкции для запуска через Transformers, Ollama и llama.cpp. Модель обучалась с июня 2024 года; карточка связывает её с вьетнамскими наборами данных. Лицензия — Apache-2.0.

Vigogne-2-13B-Instruct — французская языковая модель для следования инструкциям, разработанная на основе LLaMA 2 13B и дообученная на французских инструкциях. Она предназначена для ответов на запросы и выполнения текстовых задач в диалоговом формате. Модель содержит 12,9 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 4096 токенов. Модель принимает текст и генерирует текст. Карточка указывает на французский язык. Для использования действуют те же правила, что и для Llama 2. Модель всё ещё находится в разработке и может выдавать вредный или предвзятый контент, неверные сведения и бесполезные ответы.

NlpHUST/vi-word-segmentation — модель NlpHUST для сегментации слов во вьетнамском тексте. Это дообученная на наборе VLSP 2013 модель NlpHUST/electra-base-vn с архитектурой ELECTRA для классификации токенов; размер — 160,9 млн параметров, максимальный контекст — 512 токенов. Модель предназначена для выделения границ слов во вьетнамском тексте и может применяться в конвейерах предобработки текста и анализа вьетнамского языка. В README для оценочного набора приведены F1 0,9835 и точность 0,9911. Для воспроизведения результатов и корректной эксплуатации следует учитывать, что обучение проводилось на конкретном наборе данных VLSP 2013; результаты на других текстах могут отличаться. Лицензия в предоставленных данных не указана.

Модель kiranpantha/w2v-bert-2.0-nepali — дообученная версия facebook/w2v-bert-2.0 для автоматического распознавания непальской речи. Она принимает аудио и выдаёт текст; архитектура Wav2Vec2-BERT реализована классом Wav2Vec2BertForCTC. Модель содержит 402,7 млн параметров и обучалась на наборе OpenSLR54-Balanced-Nepali. На указанном в карточке наборе оценки получены Loss 0,2212, WER 0,2525 и CER 0,0565. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT. Карточка не описывает дополнительные сценарии, языки помимо непальского или практические ограничения качества; приведённые метрики относятся только к указанной оценочной выборке.

GodwillN/w2vbert-waxal — дообученная модель распознавания речи на архитектуре Wav2Vec2-BERT, основанная на facebook/w2v-bert-2.0. Она принимает аудио и преобразует речь в текст; число параметров — около 402,7 млн. Модель распространяется в формате Safetensors по лицензии MIT. В README приведены результаты оценки: WER 0,4034, CER 0,2183 и loss 0,8908. Датасет обучения, поддерживаемые языки и предполагаемые сценарии использования не описаны, поэтому качество распознавания для конкретного языка или типа аудио по этим данным определить нельзя.

reichenbach/wav2vec2-large-xls-r-300m-pa-in — дообученная модель распознавания речи на базе facebook/wav2vec2-xls-r-300m. Архитектура Wav2Vec2ForCTC содержит 402,7 млн параметров; модель принимает аудио и преобразует речь в текст. Она дообучена на Common Voice и предназначена для автоматического распознавания речи на языке па-ин (pa-IN). В карточке приведены результаты оценки: WER 0,7283 и CER 0,2928; также указан WER 0,7539 для оценки. Эти значения свидетельствуют о заметных ошибках распознавания, поэтому качество следует проверять на целевых аудиозаписях. Модель распространяется по лицензии Apache-2.0.

Модель Wav2Vec2-Large-XLSR-53-Punjabi разработана на основе facebook/wav2vec2-large-xlsr-53 и дообучена для распознавания речи на пенджаби с использованием Common Voice. Она преобразует аудиозапись в текст и подходит для транскрибирования записей и оценки распознавания речи на тестовых данных Common Voice. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров; для входного аудио требуется частота дискретизации 16 кГц. В README приведён результат оценки 57,31%, но не уточнена метрика. Модель принимает аудио и выдаёт текст. Опубликованы веса в форматах PyTorch, Flax и safetensors. Лицензия — Apache-2.0.

ttop324/wav2vec2-live-japanese — модель распознавания японской речи на базе архитектуры wav2vec2, дообученная на японской хирагане. Автор дообучил facebook/wav2vec2-large-xlsr-53 на данных Common Voice, JSUT, CSS10, TEDxJP-10K, JVS и JSSS. Модель содержит 402,8 млн параметров и использует формат PyTorch. Модель принимает аудио и преобразует японскую речь в текст, записанный хираганой. Она предназначена для автоматической транскрипции японской речи; карточка также содержит раздел оценки, но сведения о результатах в предоставленном README отсутствуют. Модель распространяется по лицензии Apache-2.0. Количественные показатели качества и ограничения распознавания в доступных материалах не приведены.

edugp/wav2vec2-xls-r-300m-36-tokens-with-lm-es — модель распознавания испанской речи, созданная дообучением facebook/wav2vec2-xls-r-300m на датасете Common Voice. Она использует архитектуру Wav2Vec2 с CTC-декодированием и дополнительной 5-граммовой языковой моделью KenLM. При обработке текста сохраняются строчные буквы a–z, испанские гласные с ударением и ü; другие символы удаляются. В README указаны результаты на оценочной выборке: WER 0,0868 и CER 0,0281. Модель принимает аудио и выдаёт испанскую транскрипцию. Репозиторий содержит веса PyTorch, модель насчитывает около 402,7 млн параметров и распространяется по лицензии Apache-2.0. Карточка не содержит подробных сведений о контексте применения и ограничениях качества за пределами указанной оценочной выборки.

onnx-community/whisper-base.en_timestamped — модель на базе openai/whisper-base.en, подготовленная в формате ONNX для совместимости с библиотекой Transformers.js. Разработчиком исходной модели является OpenAI, а данный репозиторий предоставляет её ONNX-веса. Модель предназначена для использования в приложениях, поддерживающих Transformers.js, включая веб-сценарии и среды, где требуется запуск моделей с ONNX-весами. README не содержит подробных сведений о задачах, архитектуре, размере, языках, модальностях, длине контекста или точных возможностях временной разметки, поэтому эти характеристики нельзя достоверно уточнить по имеющимся данным. Ключевое преимущество — адаптация весов к ONNX и возможность интеграции с Transformers.js. Решение является временным форматом распространения до более широкого внедрения WebML. Лицензия в README не указана.

mlx-community/whisper-tiny.en-8bit — компактная модель распознавания речи на основе Whisper tiny.en от OpenAI, преобразованная в формат MLX сообществом mlx-community с помощью mlx-audio-plus версии 0.1.4. Она предназначена для преобразования англоязычной речи в текст и подходит для транскрибирования аудиозаписей и голосового ввода. Репозиторий содержит веса в формате safetensors; модель использует архитектуру Whisper и библиотеку mlx-audio-plus. Лицензия — Apache-2.0. Карточка не приводит отдельных оценок качества или известных ограничений.

Карточка модели qihoo360/360Zhinao2-7B-Chat-4K на Hugging Face совпадает с карточкой qihoo360/360Zhinao2-7B-Base, поэтому описание составлено по ней. 360Zhinao2-7B-Base — базовая языковая модель семейства 360Zhinao2, разработанная командой 360 (Qihoo 360). Это плотная авторегрессионная модель с 7,1 млрд параметров для генерации текста и дальнейшей адаптации под конкретные задачи. В README указано, что при предварительном обучении использовано 10,1 трлн токенов; модель ориентирована прежде всего на китайский язык, также поддерживает английский. Модель подходит для генерации продолжений текста, а после дополнительной настройки — для прикладных сценариев на основе языка. В README отмечены результаты на китайских тестах CEval, C3 и LCSTS, а также на сложных математических задачах; контекст этой версии составляет 4096 токенов. Для работы заявлена библиотека Transformers, веса опубликованы в формате Safetensors. Модель распространяется по лицензии Apache 2.0. Это базовая версия, а не готовая диалоговая модель; возможности чата, описанные в карточке, относятся к семейству 360Zhinao2 в целом. Качество генерации может зависеть от промпта и дополнительной настройки.

BAAR3-19M — компактная многоязычная авторегрессионная языковая модель для генерации текста и диалогов, разработанная проектом aixk. По карточке модели, она предназначена для интерактивной генерации на устройствах с ограниченными вычислительными ресурсами, включая встроенные и периферийные системы. Также её можно использовать как основу для лёгких RAG-сценариев. Модель имеет плотную архитектуру семейства FHN, около 37,7 млн параметров по метаданным и контекстное окно 512 токенов. Поддерживает 20 языков: немецкий, английский, испанский, французский, японский, корейский, китайский, итальянский, нидерландский, польский, португальский, русский, арабский, болгарский, греческий, хинди, тайский, турецкий и вьетнамский; README также заявляет поддержку суахили. Модель поставляется в формате Safetensors. Это базовый предварительно обученный чекпойнт, поэтому для точных ответов, специализированных задач и надёжного выполнения инструкций рекомендуется дообучение или подключение поиска по источникам. Лицензия указана как некоммерческая; для коммерческого использования автор предлагает связаться для обсуждения условий.

Beetle-bilingual-balanced-b1-fineweb-2b-nld-eng-seed101 — генеративная языковая модель из семейства Beetle-FineWeb, опубликованная на Hugging Face и предназначенная для продолжения и генерации текста. По идентификатору модели она рассчитана на нидерландский и английский языки и имеет размер около 2 млрд параметров; в метаданных также указаны архитектурный компонент pico_decoder и библиотека Transformers. Модель подходит для генерации связного текста, черновиков, перефразирования, простых диалоговых сценариев и языковых экспериментов на нидерландском и английском языках. Точные сведения о разработчике, лицензии, контексте, обучающих данных, результатах оценки и рекомендованных сценариях использования в карточке модели отсутствуют. Перед применением в продуктивных системах модель следует дополнительно проверить на качество для нужного языка и домена, устойчивость к фактическим ошибкам и наличие нежелательных смещений. Условия лицензирования в доступных данных не указаны.