I.6Перевод и языковая адаптация

AceGPT-v2-8B-Chat — диалоговая генеративная языковая модель из семейства AceGPT, разработанного исследователями King Abdullah University of Science and Technology, Chinese University of Hong Kong, Shenzhen и Shenzhen Research Institute of Big Data. Это полностью дообученная версия на 7,5 млрд параметров, созданная на основе AceGPT-v2-8B и оптимизированная для диалоговых сценариев. Модель принимает текст и генерирует текст. Она ориентирована прежде всего на арабский язык: подходит для диалога, ответов на вопросы и решения задач с выбором ответа. Метаданные также отмечают поддержку английского и китайского. Архитектура — плотная LLaMA; родной контекст составляет 8192 токена. В README приведены результаты сравнений с другими моделями на арабских бенчмарках, однако они не гарантируют качество на любых задачах. Модель распространяется по лицензии Apache-2.0. Она предназначена для текстовых сценариев и не принимает изображения или аудио.

Arabic-Orpo-Llama-3-8B-Instruct — дообученная MohamedRashad на базе meta-llama/Meta-Llama-3-8B-Instruct модель семейства Llama 3. Для выравнивания ответов на арабском языке применён метод ORPO и набор данных 2A2I/argilla-dpo-mix-7k-arabic. Модель предназначена для диалоговой генерации текста на арабском языке; автор отмечает, что она выдаёт более связный арабский текст, хотя в приведённой оценке Arabic MMLU базовая Llama 3-8B-Instruct набрала больше баллов. Это плотная причинная языковая модель с 7,5 млрд параметров, поддержкой чата и контекстом до 8192 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. Лицензия — llama3; применяйте модель в соответствии с условиями лицензии Llama 3.

Bangla LLaMA-3.2 1B unolp/CulturaX Base — базовая языковая модель, разработанная BanglaLLM на основе meta-llama/Llama-3.2-1B. Это плотная Transformer-модель семейства Llama с 1,2 млрд параметров, дообученная на подмножестве бенгальского языка датасета CulturaX; она предназначена прежде всего для причинного языкового моделирования и генерации текста, а также для дальнейшей адаптации под NLP-задачи. Размер контекста составляет 131 072 токена. Модель поддерживает бенгальский и английский языки. Её можно применять для генерации текста на этих языках и использовать как основу для специализированного дообучения. Репозиторий содержит веса в формате safetensors. Лицензия в метаданных указана как Llama 3.2; README указывает GNU GPL v3.0, поэтому условия распространения следует сверить с актуальными материалами модели. Модель не прошла детоксикацию и может генерировать вредный или оскорбительный контент.

Beetle-FineWeb2-24B/beetle-bilingual-l2-50-classroom-20-b4-fineweb-zho-eng — модель генерации текста из семейства Beetle-FineWeb2, доступная через библиотеку Transformers. В метаданных указана архитектурная пометка pico_decoder; сведения о разработчике, размере, контексте, лицензии и точной конфигурации отсутствуют. Модель предназначена для генерации и продолжения текста, а также для интеграции в приложения на базе Transformers. Идентификатор указывает на двуязычную направленность Chinese–English и варианты обучения, связанные с FineWeb, однако README не содержит подробностей о данных, методике обучения и результатах оценки. Из-за неполноты карточки нельзя подтвердить качество для конкретных предметных областей, стабильность работы на китайском и английском языках или пригодность для критически важных сценариев. Условия лицензирования в доступных материалах не указаны.

uygarkurt/bert-restore-punctuation-turkish — модель на архитектуре BERT для восстановления пунктуации в турецком тексте. Она классифицирует токены и предсказывает, где поставить точку, запятую или вопросительный знак. В README приведены результаты эксперимента на наборах для обучения, валидации и тестирования; для BERT указана общая F1-мера 0,837, причём качество заметно различается между знаками препинания. Модель содержит 137,8 млн параметров, работает с текстом и имеет контекстное окно до 512 токенов. Она предназначена для автоматической расстановки пунктуации в турецкой речи, например после распознавания аудио или при обработке текста без знаков препинания. Доступны веса PyTorch; лицензия — MIT. README описывает исследовательскую работу, однако модель представлена как готовый предобученный чекпойнт для инференса.

bunnycore-Cognitron-8B-GGUF — набор GGUF-квантизованных версий языковой модели bunnycore/Cognitron-8B, подготовленный командой featherless-ai-quants. Модель относится к задачам генерации текста и предназначена для локального или совместимого с GGUF развёртывания, когда требуется запуск 8-миллиардной модели в вариантах с разным балансом между качеством, размером файлов и требованиями к памяти. В репозитории доступны варианты Q2_K, Q3_K_S, Q3_K_M, Q3_K_L, Q4_K_S, Q4_K_M, Q5_K_S, Q5_K_M, Q6_K, Q8_0 и IQ4_XS размером примерно от 3,0 до 8,1 ГБ. README не содержит сведений об архитектуре исходной модели, размере контекстного окна, поддерживаемых языках и модальностях, поэтому модель следует рассматривать как текстовую без подтверждённых мультимодальных возможностей. Более сильное квантование обычно требует больше памяти и лучше сохраняет исходные характеристики, тогда как менее точные варианты компактнее, но могут сильнее снижать качество; конкретные результаты в README не приведены. Лицензия в представленном README не указана, поэтому условия использования необходимо уточнять в карточке базовой модели bunnycore/Cognitron-8B и репозитории квантизаций. Также отсутствуют данные о тестах, производительности, обучении и рекомендуемых сценариях применения.

KasuleTrevor разработал эту модель как дообученный чекпойнт Qwen3-ASR для распознавания речи на лугандийском языке, в том числе речи с нарушениями разной степени тяжести. Это выбранный чекпойнт 1000-го шага третьего этапа обучения на наборе cdli/ugandan_luganda_nonstandard_speech_v1.0; базовая модель — KasuleTrevor/cdli-qwen3-asr-lg-typical-1p7b-base-finetune. Модель принимает аудио и выдаёт распознанный текст. На тестовой выборке средний нормализованный WER по высказываниям составил 0,497, а CER — 0,231; без ограничения нормализованный корпусный WER составил 0,633, CER — 0,323. Ошибки чаще возникали на речи с тяжёлыми нарушениями: средний WER составил 0,597 против 0,397 для лёгких нарушений. Модель распространяется по лицензии Apache-2.0.

Crimson_Dawn-v0.2 — языковая модель для диалогов, ролевых сценариев и следования инструкциям, созданная Epiculous на базе Mistral-Nemo-Base-2407. Это плотная авторегрессионная модель семейства Mistral с 12,1 млрд параметров; она обучена на ChatML и рассчитана на генерацию текста. В обучении использованы данные для ролевых игр и инструкций, а также двухэтапный подход: сначала дообучение на ролевых данных, затем на инструкциях с применением RSLoRA. Модель подходит для ведения ролевых диалогов, продолжения сцен и ответов на запросы в формате чата. В карточке перечислены языки английский, французский, немецкий, испанский, итальянский, португальский, русский, китайский и японский. Репозиторий содержит веса safetensors; автор также упоминает варианты квантования в форматах EXL2 и GGUF. Указана лицензия Apache-2.0.

du-kang/custom4 — дообученная модель семейства T5, разработанная автором репозитория для суммаризации текстов на корейском языке. Она предназначена для создания краткого изложения, в том числе по материалам корейского корпуса книжной суммаризации. Модель использует архитектуру T5ForConditionalGeneration и содержит 137,8 млн параметров. В репозитории указаны веса PyTorch; лицензия — MIT. README показывает загрузку модели через библиотеку Hugging Face Transformers.

ELYZA-japanese-Llama-2-13b — плотная авторегрессионная языковая модель семейства Llama 2, разработанная командой ELYZA. Модель основана на Llama 2 и прошла дополнительное предварительное обучение для расширения возможностей работы с японским языком. В карточке указаны разработчики: Акира Сасаки, Масато Хиракава, Синтаро Хориэ, Томоаки Накамура, Сэм Пассалия и Дайсукэ Оба. Модель содержит 12,9 млрд параметров по метаданным Hugging Face (в README указано 13,02 млрд), использует архитектуру LlamaForCausalLM и принимает текст для генерации текста. Указанная длина контекста — 4096 токенов. Метаданные отмечают японский и английский языки; основная цель дополнительного обучения — повысить качество работы на японском. Модель подходит для генерации японского текста и других задач продолжения текста. README не приводит результатов оценки качества или подробных рекомендаций по применению. Репозиторий использует лицензию llama2, поэтому условия использования определяются лицензией Llama 2.

K2S3-Mistral-7bx2-48layers_v1.2 — текстовая генеративная модель, опубликованная K2S3 на базе Mistral. Она собрана методом passthrough из двух диапазонов слоёв модели Changgil/K2S3-Mistral-7b-v1.2; в репозитории указаны архитектура MistralForCausalLM, плотная архитектура и формат safetensors. Размер модели — 10,7 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста на английском и корейском языках. Её можно использовать для продолжения текста, ответов на запросы и диалоговой генерации. В README не приведены оценки качества или специальные сценарии применения. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Changgil Song разработал k2s3_test_24001 — чат-модель генерации текста на архитектуре Llama, дообученную методом LoRA на базе meta-llama/Llama-2-13b-chat-hf. Модель содержит 12,9 млрд параметров и поддерживает контекст до 4096 токенов. Модель обучена на примерно 800 млн токенов корейских данных, включая материалы Standard Korean Dictionary, обучающие данные KULLM Университета Корё, аннотации диссертаций и образцы корейского языка из AI Hub. Она предназначена для диалогов и генерации текста на корейском языке. Репозиторий содержит веса в формате safetensors; лицензия — llama2.

KAL-24B-mx-v1 — языковая модель Saptiva AI на архитектуре Mistral, дообученная для мексиканского варианта испанского языка. Модель основана на mistralai/Mistral-Small-3.2-24B-Instruct-2506: адаптеры LoRA объединены с весами базовой модели, поэтому отдельная загрузка адаптера не требуется. Это плотная модель на 22 млрд параметров с контекстом до 32 768 токенов; она предназначена для генерации текста и диалогов по инструкциям. Модель рассчитана на ответы на испанском языке с учётом мексиканской культуры, повседневной речи, нормативных требований и государственных процедур. Её можно применять для чат-ботов, подготовки черновиков и объяснений, а также ответов на вопросы о процедурах CURP, Infonavit, SAT и SPEI. Для актуальных сведений рекомендуется подключать проверенные источники через RAG. Лицензия — Apache 2.0. Модель может выдавать правдоподобные, но неверные ответы; её знания ограничены данными обучения с датой отсечения в сентябре 2025 года, и она не получает обновления в реальном времени. Точность следует проверять, особенно в юридических, финансовых и медицинских сценариях; вне мексиканского контекста качество может снижаться.

Karen TheEditor V2 STRICT — это чат-модель для вычитки английского текста, разработанная автором репозитория FPHam. Она исправляет орфографические и грамматические ошибки в американском английском, стараясь сохранить исходный стиль и не переписывать текст без необходимости. Модель рассчитана в том числе на исправление распространённых ошибок изучающих английский язык; для работы рекомендуется передавать абзац или блок текста с инструкцией отредактировать его на предмет орфографии и грамматики. Модель основана на плотной архитектуре Mistral и содержит 7,1 млрд параметров; её контекстное окно составляет 32 768 токенов. По описанию автора, модель обучалась на художественных и нехудожественных текстах США с намеренно внесёнными ошибками. Репозиторий содержит веса Safetensors и использует лицензию Llama 2. Автор отмечает, что при длинных сообщениях в свободном чате модель может принять их за запрос на вычитку; заявленная цель — исправление ошибок с сохранением стиля, а не творческое переписывание.

King-AI-Chat-v3.0 — разговорная языковая модель, разработанная UX4567 путём дообучения Qwen/Qwen2-3B-Instruct. Это плотная decoder-only модель с архитектурой Qwen2 и 3,1 млрд параметров, предназначенная для диалогов, следования инструкциям и общения на английском, хинди и Hinglish, включая хинди, записанный латиницей. Метаданные указывают контекст до 32 768 токенов; в примере загрузки README задано ограничение последовательности 8 192 токена. Модель рассчитана на быстрый инференс с небольшим объёмом видеопамяти и повседневные чаты. Она принимает текст и генерирует текстовые ответы; для загрузки можно использовать Transformers и Unsloth, а в README показан режим 4-битной загрузки. Модель распространяется по лицензии Apache-2.0. Количественные оценки качества и сравнительные результаты в предоставленных материалах не приведены.

c1park собрал модель c1park/kosolra-kullm-LDCC-merge методом SLERP с помощью mergekit из realPCH/kosolra-kullm и LDCC/LDCC-SOLAR-10.7B; обе базируются на yanolja/KoSOLAR-10.7B-v0.1. Это плотная авторегрессионная модель семейства Llama с 10,7 млрд параметров для генерации текста. Она рассчитана на корейский и английский языки, имеет контекст до 4096 токенов и распространяется в формате safetensors. Модель подходит для генерации ответов и продолжения текста на корейском и английском языках. Лицензия — MIT. Карточка содержит краткие сведения о слиянии и запуске через Transformers, но не приводит оценок качества или подробных рекомендаций по использованию; результаты на конкретных задачах следует проверять отдельно.

Это модель автоматического распознавания речи, дообученная на базе facebook/wav2vec2-large-xlsr-53. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. По названию репозитория модель предназначена для распознавания речи на языке чероки; README сообщает метрики оценки: WER 0,1651 и CER 0,0276. Модель принимает аудио и преобразует речь в текст. Она опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Сведения о тренировочных данных и подробные инструкции по применению в карточке отсутствуют.

Llama3-Chinese — чат-модель, дообученная разработчиком на базе Meta-Llama-3-8B с применением DoRA и LoRA+. По карточке, обучение включало 500 тысяч китайских и 100 тысяч английских примеров многоходового SFT, а также 2 тысячи одноходовых примеров для самоописания. В репозитории представлена объединённая модель; метаданные указывают архитектуру LlamaForCausalLM, около 7,5 млрд параметров, контекст 8192 токена и формат safetensors. Модель предназначена для диалоговой генерации текста на китайском и английском языках. Её можно использовать для чат-ботов, ответов на вопросы и ведения многоходового диалога. Лицензия в предоставленных данных не указана.

llama3-ko-8b-hkcode — языковая модель на архитектуре Llama 3, разработанная при участии подразделения финтеха Korea Polytechnics. Это модель продолжительного предварительного обучения на основе Meta-Llama-3; в репозитории указаны 7,5 млрд параметров и формат safetensors. Модель предназначена для генерации текста и диалогового взаимодействия на корейском языке. Контекстное окно составляет 8192 токена. Карточка не описывает конкретные прикладные сценарии и способы использования, поэтому финтех-направленность разработчиков не подтверждает специализацию модели на финансовых задачах. Как и другие языковые модели, она может выдавать неточные, предвзятые или нежелательные ответы; перед внедрением нужны проверки и меры безопасности для целевого сценария. Указана лицензия MIT.

llm-jp-3-980m-instruct3 — инструктивная языковая модель серии LLM-jp-3, разработанной Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это плотная Transformer-модель архитектуры LlamaForCausalLM с 837,2 млн параметров, обученная на 2,1 трлн токенов. Репозиторий содержит веса в формате Safetensors для Transformers; длина контекста — 4096 токенов. Модель предназначена для диалогов и выполнения инструкций на японском и английском языках. Предварительно обученный чекпойнт прошёл контролируемую донастройку и оптимизацию предпочтений методом DPO. Подходит для генерации ответов и текста в исследовательских и прикладных прототипах. Разработчики отмечают, что модель находится на раннем этапе исследований и разработок и не была достаточно настроена для надёжного следования намерениям пользователя и требованиям безопасности. Лицензия — Apache-2.0.

Buseak/md_mt5_0109_v6 — модель семейства mT5, дообученная авторами репозитория на базе Buseak/md_mt5_0109_v5. Это encoder-decoder модель с 157,4 млн параметров для генерации текста по текстовому входу; репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. В README приведены результаты оценки: loss 0,0628, BLEU 0,6537 и средняя длина генерации 18,95 токена. Назначение дообучения, языки, обучающий датасет и конкретные сценарии применения в карточке не раскрыты, поэтому модель можно описать лишь как общую text-to-text генеративную модель. Приведённые метрики зависят от неизвестного набора оценки и сами по себе не позволяют судить о качестве в конкретной задаче.

Miacaroni-7B-Indonesia — слитая модель на базе Mistral, созданная автором репозитория с помощью LazyMergekit из SanjiWatsuki/Loyal-Macaroni-Maid-7B и indischepartij/OpenMia-Indo-Mistral-7b-v4. Веса объединены методом slerp; модель содержит 7,1 млрд параметров и принимает текст для генерации продолжений и ответов. Модель рассчитана на текстовые диалоги, включая общение на индонезийском языке; базовые модели также предназначены для ролевых диалогов с персонажами. Контекст составляет до 8192 токенов. В репозитории указаны веса в формате safetensors с типом bfloat16. Лицензия в предоставленных данных не указана.

Mistral-7B-Instruct-v0.2-turkish — языковая модель Мохамада Альхаджара, дообученная методом SFT с замороженными параметрами на наборе инструкций malhajar/alpaca-gpt4-tr. Она предназначена для ответов на пользовательские инструкции в формате чата, прежде всего на турецком языке. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Принимает текстовые инструкции и генерирует текстовые ответы; поддерживает контекст до 32 768 токенов. В метаданных указаны турецкий и английский языки. Распространяется по лицензии Apache-2.0.

gywy 发布了 Mistral-7B-v0.1-chinese，这是基于 Mistral 架构的 7.2B 参数文本生成模型。模型扩充了中文词表，并据 README 介绍增强了逻辑推理和常识理解能力。 Модель предназначена для генерации текста на китайском языке, включая ответы на вопросы и задачи, требующие рассуждений или общих знаний. Метаданные указывают на архитектуру MistralForCausalLM, формат PyTorch и контекст длиной до 32 768 токенов. Лицензия в предоставленных данных не указана.

facebook/mms-tts-spa — модель синтеза испанской речи из текста, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она предназначена для озвучивания испанских текстов и доступна через библиотеку Transformers версии 4.33 и новее. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Она генерирует речевую волну непосредственно из последовательности текста; стохастический предиктор длительности позволяет получать варианты с разным ритмом. Для каждого языка MMS обучается отдельный чекпойнт, поэтому эта версия предназначена для испанского. Генерация недетерминирована: чтобы повторить тот же результат, нужно фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

M-SOLAR-10.7B-v1.0 — разговорная языковая модель на архитектуре Llama с 10,6 млрд параметров, дообученная на основе Upstage/SOLAR-10.7B-Instruct-v1.0. Карточка описывает дообучение на инструкционных данных, включая материалы для суммаризации технических и научных текстов, внутренние образовательные данные и примеры восстановления порядка предложений. Для этой версии также указано применение данных AIHUB с англо-корейскими патентными переводами; README отмечает их использование в версии v1.1. Модель предназначена для генерации текста и диалоговых ответов по инструкциям, в частности для образовательных и технических сценариев на корейском языке. Максимальная длина контекста — 4096 токенов. Модель распространяется в формате safetensors по лицензии CC BY-NC-SA 4.0, предусматривающей указание авторства, распространение производных на тех же условиях и некоммерческое использование. README предупреждает, что для описанных методов не проводилось полноценное абляционное исследование.

Edge-Quant/Nanbeige4.1-3B-Q4_K_M-GGUF — это квантованный вариант модели Nanbeige4.1-3B, преобразованный в формат GGUF с использованием llama.cpp и сервиса GGUF-my-repo. В карточке указано, что исходная модель разработана Nanbeige, а данный репозиторий содержит её конвертированную версию от Edge-Quant. Модель предназначена для генерации текста и может использоваться локально через llama.cpp, включая режим командной строки и серверный режим. Заявлены английский и китайский языки. Объём модели составляет 3B параметров, а вариант квантования — Q4_K_M, что делает его ориентированным на запуск в средах, совместимых с GGUF и llama.cpp. В примере использования сервер запускается с контекстом 2048 токенов, однако максимальный размер контекста самой модели в карточке не указан. К сильным сторонам относятся поддержка локального запуска, совместимость с llama.cpp и компактный квантованный формат. Ограничения связаны с отсутствием в карточке подробностей об архитектуре, обучающих данных, результатах тестирования, качестве генерации и точных требованиях к оборудованию. Модель распространяется по лицензии Apache-2.0.

ozone-ai_0x-lite-GGUF — это набор квантованных форматов модели 0x-lite, разработанной ozone-ai и преобразованной пользователем bartowski в формат GGUF с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты. Модель поддерживает английский и китайский языки. В набор входят варианты от F16 до низкобитных Q2 и IQ-квантований; размеры файлов составляют примерно от 5,77 до 29,55 ГБ. Более высокие разрядности обеспечивают лучшее сохранение качества, тогда как варианты Q3 и Q2 требуют меньше оперативной памяти, но отличаются более низким качеством. Для работы используется формат промптов ChatML с ролями system, user и assistant. Архитектура, количество параметров, размер контекста и поддерживаемые модальности в README не указаны; по имеющимся данным модель предназначена только для текстовой генерации. Сильной стороной является широкий выбор квантований для локального запуска на оборудовании с разным объёмом памяти, включая варианты, оптимизированные для качества и компактности. Ограничениями являются зависимость качества от выбранного уровня квантования и отсутствие сведений о характеристиках исходной архитектуры, производительности и результатах оценивания. Распространение указано по лицензии Apache-2.0.

Parakeet TDT 0.6B v2 MLX Mixed 3-bit/4-bit/BF16 — англоязычная модель распознавания речи на базе NVIDIA Parakeet-TDT 0.6B v2, преобразованная для MLX. Она предназначена для транскрибирования аудио с помощью автоматического распознавания речи. Веса объёмом 0,349 ГБ используют смешанную точность: 265 матриц квантизованы групповым аффинным методом с группами по 64 элемента — часть до 3 бит, остальные до 4 бит; матрицы предиктора и joint, нормализации, смещения и некоторые другие веса оставлены в BF16. В опубликованном локальном сравнении на Apple Silicon модель обработала 6 206 английских высказываний из LibriSpeech и FLEURS со средней WER 2,77% и скоростью 85,7× реального времени. По сравнению с FP32-вариантом объём весов сокращён на 85,90%, при этом точность немного снизилась. Это офлайн-модель с полным контекстом и жадным декодированием; README указывает на необходимость совместимого загрузчика для смешанных разрядностей. Модель рассчитана только на английскую речь и не заменяет многоязычную ASR. Качество зависит от акцента, предметной области, шума и условий записи, поэтому результаты следует проверять на целевых аудиоданных. Лицензия — CC BY 4.0.

Это дообученная модель семейства T5 с 132 млн параметров, опубликованная пользователем sharifMunna в формате safetensors. Судя по названию и карточке, она предназначена для перефразирования текста: пользователь передаёт исходную фразу или текст и получает вариант с иной формулировкой. В карточке не описаны обучающие данные, языки, контекстное окно, качество на тестах или ограничения применения. README указывает, что модель дообучена на наборе данных, название которого не приведено. Лицензия в предоставленных метаданных и README отсутствует.