I.6Перевод и языковая адаптация

v2ray/Mixtral-8x22B-v0.1 — преобразованная в формат Hugging Face Transformers копия базовой модели Mixtral-8x22B от Mistral AI. Это предварительно обученная генеративная модель со разреженной архитектурой Mixture of Experts (MoE); репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и служит базой для дальнейшей адаптации, а не настроена специально для диалоговых инструкций. Модель принимает текст и генерирует текст. В метаданных указан контекст до 65 536 токенов; перечислены английский, французский, итальянский, немецкий и испанский языки. Лицензия — Apache-2.0. В README отмечено, что базовая версия не имеет механизмов модерации.

Mixtral-8x7B-v0.1-japanese — языковая модель ABEJA, созданная на основе Mixtral-8x7B-v0.1. Разработчики расширили японский словарь модели и провели дополнительное продолжительное предобучение; в архитектуре используется разреженная смесь экспертов (MoE). Репозиторий содержит веса в формате safetensors, а размер модели в метаданных указан как 7,2 млрд параметров. Модель предназначена для генерации японского текста и других сценариев генерации текста на японском языке. Она поддерживает контекст до 32 768 токенов. Лицензия Apache-2.0 разрешает использование на её условиях.

Moonshine Tiny JA — компактная модель распознавания речи с архитектурой Moonshine, разработанная Moonshine AI, ранее Useful Sensors. Она преобразует японскую речь из аудио в японский текст и предназначена для разработчиков, которым нужно запускать транскрибацию в реальном времени на устройствах с ограниченными памятью и вычислительными ресурсами. Модель содержит 27 млн параметров, использует архитектуру последовательность-в-последовательность и доступна в формате Safetensors для Transformers; длина контекста — 194 токена. По данным README, модель обучена на 53 900 часах аудио с расшифровками и показала CER 17,87 на Fleurs и 18,3 на Common Voice 17. Среди возможных применений — субтитры и средства доступности, а также транскрибация японской речи на периферийных устройствах. Лицензия указана как other; конкретные условия следует проверять в репозитории модели. Расшифровки могут содержать слова, которых не было в аудио, а последовательная генерация может приводить к повторам. Эти проблемы вероятнее для коротких фрагментов и аудио с обрезанными краями; модель не следует использовать для выводов о людях или решений в критически важных областях. README также содержит противоречивое утверждение об обучении и оценке на арабской задаче, хотя карточка описывает японскую ASR; поэтому языковую специализацию следует трактовать с учётом этого расхождения.

Moss-base-7b — предварительно обученная языковая модель на 6,9 млрд параметров от команды OpenMOSS. Это плотная авторегрессионная модель семейства MOSS, предназначенная для использования в качестве базовой модели и дальнейшего обучения методом SFT. Она работает с текстом и поддерживает китайский и английский языки. Модель рассчитана на контекст до 2048 токенов и доступна в формате PyTorch через Transformers. Модель подходит для генерации текста и создания специализированных версий путём дообучения. Репозиторий распространяется по лицензии Apache 2.0. Карточка не описывает отдельные прикладные области или результаты оценки качества.

Mr-MARTIN-9B-3.5_vision-OMNI — мультимодальная conversational-модель, разработанная Zero Point Intelligence Ltd из Данди, Шотландия. Она создана на основе Qwen 3.5 9B и дообучена с использованием полного fine-tune и LoRA. Модель предназначена для генерации текста по изображениям и текстовым запросам, а также для локального общения и сценариев цифрового компаньона, включая контент для взрослых. Заявлена поддержка английского, китайского, корейского, испанского, французского, немецкого, японского и тайского языков; в описании также упоминаются вьетнамский и итальянский. Архитектурные детали и размер контекстного окна не указаны. Доступны версии в формате FP16 safetensors и квантизированные GGUF-варианты Q8_0, Q6_K, Q5_K_M, Q4_K_M, Q3_0 и Q2_0, что позволяет выбирать между качеством, скоростью и требованиями к видеопамяти. Сильными сторонами модели являются мультимодальность, возможность локального запуска и широкий выбор степеней квантизации. Ограничения включают отсутствие подробных результатов тестирования, точных сведений о контекстном окне и целевых аппаратных требованиях. По заявлению разработчика, модель ориентирована на совершеннолетних пользователей, поддерживает контент для взрослых и должна отвергать сексуальный контент с участием несовершеннолетних. Лицензия — Apache-2.0.

Nandi-Mini-150M Base — компактная мультиязычная языковая модель компании FrontiersMind для генерации текста и дообучения под прикладные задачи. Это базовая авторегрессионная модель, обученная с нуля на 525 млрд токенов; её архитектура — декодер Transformer с RoPE, RMSNorm, SwiGLU и GQA, факторизованными эмбеддингами и разделением слоёв. В репозитории указано 150 млн параметров, а метаданные Hugging Face указывают 236,4 млн; контекст составляет 2048 токенов. Модель предназначена для запуска на устройствах с ограниченными ресурсами, локального развёртывания и приложений с низкой задержкой, а также как основа для дообучения. Она поддерживает английский и десять индийских языков: хинди, бенгальский, тамильский, телугу, маратхи, гуджарати, каннада, малаялам, пенджаби и одия. Лицензия Apache-2.0. Карточка приводит сравнительные результаты бенчмарков, но не даёт полной таблицы собственных оценок модели, поэтому её качество на конкретной задаче следует проверять отдельно.

OpenBA-V1-Flan — двуязычная языковая модель семейства OpenBA, разработанная авторами OpenBA. Это версия OpenBA-LM, дообученная методом supervised fine-tuning на дополнительных 40 млрд токенов из набора BiFlan Dataset. Модель построена на архитектуре T5; в метаданных указаны 3,8 млрд параметров и формат PyTorch. Модель предназначена для генерации текста на китайском и английском языках. Её можно применять для генерации ответов и выполнения текстовых инструкций. В README также упоминаются обучающие данные на английском, китайском и коде, однако поддержка кода как отдельная задача не заявлена. Модель распространяется по лицензии Apache 2.0. Длина контекста и подробные результаты оценки в предоставленных материалах не приведены.

Это дообученная модель Microsoft Phi-4 Multimodal Instruct для распознавания турецкой речи и преобразования аудио в текст. В обучении разморозили слои энкодера и провели одну эпоху на парах турецкого аудио и текста; использованы датасеты Common Voice, лекции Khan Academy на турецком и записи с шумом. Модель содержит 3,8 млрд параметров, построена на архитектуре Phi4MM, работает через Transformers и имеет контекст 4096 токенов. Модель предназначена для транскрибирования турецкой речи, в том числе коротких записей и образовательных лекций. В README приведён результат WER 9,7% на тесте Common Voice, однако автор отмечает возможную утечку говорящих между обучающей и тестовой выборками, короткую длительность высказываний и влияние нормализации текста. На шумных или отличающихся по стилю записях качество может быть хуже; модель всё ещё развивается. Лицензия — MIT.

Qwen3-4B-GRPO-Indo-Alpaca — языковая модель разработчика caffeinejunkie1 для диалогов и выполнения инструкций, адаптированная под индонезийский язык на основе Qwen3-4B. Это плотная причинная модель семейства Qwen3 с 3,7 млрд параметров, принимающая текст и генерирующая текст; заявленная длина контекста — 40 960 токенов. В README описаны начальная настройка на инструкциях с использованием датасета Ichsan2895/alpaca-gpt4-indonesian и последующее выравнивание методом GRPO. Модель предназначена для структурированных рассуждений, диалогового взаимодействия и следования сложным инструкциям, особенно на индонезийском языке; также поддерживается английский. Автор сообщает о предполагаемом улучшении следования ограничениям и снижении повторов по сравнению с вариантом Indo-Alpaca, но эти эффекты в карточке не подтверждены количественными оценками. Модель доступна в формате safetensors и распространяется по лицензии Apache 2.0.

Это GGUF-квантизация текстовой модели Qwen3.6-12B-IQ-Ultra-Heretic-Uncensored-Thinking-V2-Hightop. Квантизации подготовлены пользователем larue316 на основе модели DavidAU с использованием llama.cpp b9192. Модель имеет около 12 млрд параметров и ориентирована на генерацию текста с поддержкой рассуждений; заявленные языки — английский и китайский. Модель предназначена для локального запуска и использования в совместимых движках вывода, включая LM Studio, llama.cpp, Ollama и другие системы с поддержкой GGUF. Доступны варианты квантизации от Q8_0 размером 11,57 ГБ до Q2_K размером 4,60 ГБ, что позволяет выбирать между качеством, требованиями к памяти и скоростью работы. В README отдельно отмечен вариант Q4_K_M как оптимальный баланс качества и размера. К сильным сторонам относятся широкий выбор квантизаций и возможность локального использования без исходной полноразмерной модели. Ограничения связаны с потерями качества, зависящими от выбранного уровня квантизации; для наиболее компактных вариантов качество указано как приемлемое или минимально пригодное. Архитектура, размер контекстного окна, мультимодальные возможности и точные характеристики обучения в README не указаны. Лицензия модели — Apache 2.0.

Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive OptiQ 6bpw MLX — это текстовая версия модели, разработанная dawncr0w на основе bf16-сборки ericpandev, которая, в свою очередь, создана на базе оригинальной модели HauhauCS. Модель предназначена для генерации текста и локального запуска в экосистеме MLX, включая сценарии работы через mlx_lm. Сборка использует смешанную квантизацию OptiQ с целевой точностью 6 бит на вес и фактическим показателем 6,12 BPW. Применены группы размера 64, калибровка по 24 образцам и распределение 163 высокоточных и 228 низкобитных слоёв. Размер модели составляет 18,64 GiB. В README не указаны языки, размер контекста и точная архитектура; из названия и исходной модели известно обозначение 35B-A3B, но его внутреннюю структуру нельзя подтвердить по приведённым данным. Модель ориентирована только на работу с текстом: визуальные компоненты исходной мультимодальной модели исключены, а встроенный MTP отключён. Квантизация уменьшает требования к памяти, однако может снижать точность по сравнению с исходной bf16-версией. Распространяется по лицензии Apache-2.0.

Qwen3.8-Next-Flash-ROCmFPX-MUTANT-RAZERFAST-GGUF — это квантизированная GGUF-сборка модели Qwen/Qwen3.8-Flash-Next, опубликованная hstolte. Она предназначена для генерации текста и локального запуска на системах AMD Strix Halo, включая Ryzen AI MAX+ 395 с Radeon 8060S. Модель использует специальные форматы квантования ROCmFPX и рассчитана на работу с ROCm и совместимым модифицированным runtime. Сборка содержит около 125 млрд параметров, из которых активно используется около 6 млрд, а также таблицу n-граммных embedding размером 51 млрд значений и совместимую 4-миллиардную MTP draft head для speculative decoding. Основной файл занимает около 90,1 ГБ, дополнительный MTP-файл — около 2,75 ГБ. Применяются 4-битные и 3-битные форматы с оптимизациями RZ5, UE4M4 и RZ-S3, которые, согласно приведённым калибровочным измерениям, снижают ошибку реконструкции относительно стандартных вариантов при той же разрядности. Главное преимущество модели — оптимизация под AMD Strix Halo, эффективное использование общей памяти или подгрузка крупной PLE-таблицы с NVMe и улучшенная точность квантования по сравнению с базовыми ROCmFP4 и ROCmFP3. Ограничение заключается в том, что это не стандартный GGUF: обычный llama.cpp такие файлы не загружает, требуется специальная ветка runtime ROCmFPX с соответствующими изменениями. Языки, размер контекстного окна и результаты прикладных тестов в README не указаны. Лицензия обозначена как qwen-community-1.0; применяется файл LICENSE из репозитория.

OpenVoiceOS опубликовала конвертированную в формат GGUF версию модели Qwen3-ASR-0.6B с тензорами F16. Это модель автоматического распознавания речи, предназначенная для запуска на периферийных устройствах и CPU-системах. Модель принимает аудио и преобразует речь в текст. В карточке указана поддержка китайского, английского, арабского, немецкого, французского, испанского, португальского, индонезийского, итальянского, корейского, русского, тайского, вьетнамского, японского, турецкого, хинди, нидерландского, шведского, датского и финского языков; теги README также перечисляют малайский, фарси, греческий, венгерский, македонский, румынский, чешский и филиппинский. Формат GGUF упрощает использование модели в CPU- и edge-средах. Для работы с этой версией нужна среда выполнения, совместимая с GGUF. Модель распространяется по лицензии Apache 2.0, унаследованной от исходной Qwen/Qwen3-ASR-0.6B.

coder3101/Qwen3-VL-32B-Instruct-heretic-v2 — изменённая версия мультимодальной модели Qwen3-VL-32B-Instruct от Qwen. По README, модель прошла abliteration: в приведённом сравнении доля отказов снизилась с 99 до 9 из 100, а KL-дивергенция относительно исходной модели составляет 0,0977. Метаданные указывают плотную архитектуру Qwen3-VL с 32 млрд параметров и формат safetensors. Модель принимает текст и изображения и предназначена для диалога с визуальным контекстом, распознавания текста на изображениях, анализа видео и визуального рассуждения. README базовой модели заявляет контекст 256 тыс. токенов с возможностью расширения до 1 млн и OCR на 32 языках; это характеристики семейства, а не отдельные результаты оценки данной модификации. В карточке нет отдельного описания её качества по задачам. Модель выпущена под лицензией Apache-2.0. Снижение числа отказов может означать ослабление встроенных ограничений безопасности; приведённая таблица не описывает методику оценки и не позволяет судить о поведении во всех сценариях.

bartowski/Replete-LLM-V2.5-Qwen-32b-GGUF — это набор GGUF-квантизаций модели Replete-LLM-V2.5-Qwen-32b, разработанной rombodawg и опубликованной в квантизированном виде пользователем bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp, в том числе в LM Studio. Для работы используется формат prompt с ролями system, user и assistant. В набор входят варианты от исходных весов F16 размером 65,54 ГБ до квантизаций Q2, Q3, Q4, Q5, Q6, Q8 и IQ, размером примерно от 13,07 до 34,82 ГБ. Квантизация выполнена с использованием imatrix и llama.cpp b3972. Наиболее качественными и рекомендуемыми автор считает варианты Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS; более компактные варианты снижают качество, но подходят для систем с ограниченным объёмом оперативной памяти. README не содержит сведений о точной архитектуре базовой модели, размере контекста, поддерживаемых языках, мультимодальности, результатах тестирования или специализированных сценариях применения. Лицензия указана как Apache-2.0.

markusiko/rubert-base-punctuation — русскоязычная модель Марка Столярова для восстановления пунктуации. Она основана на ruBert-base и дообучена для предсказания знака после каждого слова в предложении. Архитектура — BERT для классификации токенов, размер — 205,5 млн параметров, контекст — до 512 токенов. Модель предназначена для восстановления знаков вопроса, восклицания, точки, запятой, двоеточия и многоточия в русском тексте. При обучении использовано более 20 тысяч абзацев из русской литературы. Для работы текст следует подавать без пунктуации; модель не исправляет регистр букв. Репозиторий распространяется по лицензии MIT.

Sophea-Nemo-3.5-Lightning-v1 — модель Kiefer SA (Sophea AI Lab, Афины), дообученная на базе nvidia/Nemotron-3.5-Lightning-30B-A3B для рассуждений на греческом и английском языках. Это гибридная архитектура Nemotron с Mamba и MoE; базовая модель содержит 31,6 млрд параметров, из которых активно используются 3,58 млрд. Модель поддерживает генерацию текста и диалоговый режим, длина контекста составляет 262 144 токена. Модель предназначена для ответов с рассуждениями на языке исходного вопроса, особенно на греческом, а также для двуязычных задач на греческом и английском. Режим рассуждений передаёт ход решения в специальных блоках; прямой режим выдаёт ответ без незапрошенных следов рассуждения. В README сообщается о повышении греческих результатов относительно базы и небольшом снижении английских, а также о сохранении общих двуязычных навыков в проверенных тестах. Модель не следует использовать там, где требуется принудительно вести рассуждения на английском для греческих вопросов. Возможности в критически важных, юридических и медицинских сценариях не оценивались; качество логических задач ограничено. Лицензия — Apache-2.0.

Spaetzle-v85-7b — языковая модель, созданная cstr как слияние нескольких моделей семейства Spaetzle с помощью LazyMergekit. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; заявленное контекстное окно составляет 32 768 токенов. В карточке указаны английский и немецкий языки. Модель подходит для диалогов, ответов на вопросы и задач общего понимания текста. В README приведены результаты нескольких тестовых наборов, включая EQ-Bench для немецкого языка и Occiglot Euro LLM Leaderboard; это результаты оценок, а не гарантия качества в конкретном применении. Модель доступна в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Ternary-Bonsai-2-27B-vllm — текстовая языковая модель, разработанная Fraser Price и неофициально перепакованная для vLLM на основе Bonsai 2 27B от Prism ML. Модель создана на базе Qwen3.8-27B от Alibaba Cloud и предназначена для генерации текста и запуска инференса через vLLM, включая сценарии со speculative decoding. Модель использует тернарные веса с 2-битным кодированием, FP16-групповыми масштабами g128 и Hadamard-преобразованием; таблица эмбеддингов хранится в BF16. Для speculative decoding применяется MTP-голова из Qwen3.8-27B, которая генерирует черновые токены, проверяемые основной моделью. В состав входит только текстовая модальность, без vision tower. Конкретные размеры контекста, языки и показатели производительности в README не указаны. Для работы требуется плагин prism_ternary для vLLM. Модель собрана и протестирована только на NVIDIA RTX PRO 6000 Blackwell, поэтому совместимость с другими GPU не подтверждена. Проект обозначен как находящийся в разработке; возможны нестабильность и несовместимые изменения. Распространяется по лицензии Apache 2.0.

Модель ytu-ce-cosmos/turkish-base-bert-punctuation-correction разработана как дообученная версия турецкоязычной модели BERT ytu-ce-cosmos/turkish-base-bert-uncased. Она предназначена для восстановления пунктуации в турецком тексте с помощью классификации токенов. Модель содержит 137,8 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. Поддерживаемый язык — турецкий. Репозиторий содержит веса в форматах Safetensors и TensorFlow. Модель подойдёт для автоматической расстановки знаков препинания в турецких текстах и подготовки текста к дальнейшей обработке. Лицензия MIT разрешает использование и распространение модели на её условиях.

Это набор GGUF-квантизаций модели v3ray/Llama-3-1-70B-Instruct-base, подготовленный организацией featherless-ai-quants и распространяемый на платформе Hugging Face. Модель относится к задачам генерации текста и предназначена для запуска совместимых языковых моделей в различных вариантах квантования. В набор входят варианты IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0. Указан размер базовой модели 70B; архитектура, поддерживаемые языки, модальности и размер контекста в README не описаны. Разные уровни квантования позволяют выбирать компромисс между размером файлов, требованиями к ресурсам и вероятным сохранением качества, однако конкретные характеристики производительности не приведены. Размеры вариантов составляют примерно от 25 до 72 ГБ. Модель ориентирована на текстовую генерацию, но точные сценарии применения, ограничения, требования к оборудованию и условия лицензирования в предоставленных данных не указаны. Поэтому перед использованием необходимо проверить лицензию базовой модели v3ray/Llama-3-1-70B-Instruct-base и совместимость выбранного GGUF-варианта с используемым программным обеспечением.

VibeVoice-ASR-Streaming-7B — потоковая модель автоматического распознавания речи от Microsoft. Она преобразует поступающую речь в текст и связывает реплики с говорящими, поддерживая пользовательские ключевые слова для имён и специальных терминов. Модель рассчитана на потоковую транскрибацию речи на китайском, английском, французском, немецком, итальянском, японском, корейском, португальском, русском и испанском языках. Архитектура — плотная модель семейства VibeVoice; файлы весов представлены в safetensors, для работы используется Transformers. Поддержка атрибуции говорящих и настраиваемых ключевых слов подходит для транскрибации разговоров и аудио с предметной лексикой. В предоставленных материалах не описаны точность, ограничения по длительности или шуму и требования к ресурсам. Лицензия — MIT.

Voxtral Mini 4B Realtime 2602 — мультиязычная модель распознавания речи в реальном времени от Mistral AI. Это плотная модель семейства Voxtral Realtime с архитектурой VoxtralRealtimeForConditionalGeneration, дообученная на базе mistralai/Ministral-3-3B-Base-2512. Веса представлены в safetensors; для запуска поддерживается vLLM, а Transformers поддерживает модель начиная с версии 5.2.0. Модель предназначена для потоковой транскрипции аудио с небольшой задержкой. README рекомендует задержку 480 мс; указана поддержка английского, французского, испанского, немецкого, русского, китайского, японского, итальянского, португальского, нидерландского, арабского, хинди и корейского языков. По описанию, при настройках vLLM по умолчанию контекст позволяет обрабатывать аудио продолжительностью примерно до трёх часов, хотя практический предел зависит от выделенной памяти и параметров запуска. Модель показывает конкурентные результаты среди систем транскрипции реального времени, но в приведённом сравнении Fleurs уступает офлайн-модели Voxtral Mini Transcribe 2.0. Для работы с потоковым аудио рекомендуются веб-сокеты; запуск через vLLM требует GPU с памятью не менее 16 ГБ. Архитектура пока имеет ограниченную поддержку в программных инструментах: README отмечает поддержку vLLM и Transformers, а запуск через ExecuTorch обозначен как непроверенный. Лицензия — Apache-2.0.

Модель mazhar00968/wav2vec2-base-scl-common-voice — дообученная версия facebook/wav2vec2-base для автоматического распознавания речи. Она использует архитектуру Wav2Vec2ForCTC и содержит 113,3 млн параметров. Модель принимает аудио и выдаёт распознанный текст. В карточке приведены результаты оценки: loss 1,7258 и WER 0,8720. Описание данных для обучения и целевых сценариев в README не раскрыто, поэтому качество распознавания для конкретных языков и условий записи по этим сведениям оценить нельзя. Модель распространяется по лицензии Apache-2.0.

Модель Finnish-NLP/wav2vec2-large-uralic-voxpopuli-v2-finnish — акустическая модель для распознавания финской речи, разработанная Finnish-NLP как дообученная версия facebook/wav2vec2-large-uralic-voxpopuli-v2. Она использует архитектуру Wav2Vec2 с CTC-декодированием и содержит около 402,7 млн параметров. Обучение проводилось на 276,7 часах размеченной финской речи; при декодировании также можно использовать включённую в репозиторий языковую модель KenLM. Модель предназначена для преобразования финской речи в текст, в том числе для расшифровки записей и голосовых материалов. Наиболее подходящими считаются аудиофрагменты длительностью до примерно 20 секунд. В оценках на Common Voice 7.0 и 9.0 показаны результаты WER около 4,1% с KenLM и около 9,7–9,8% без него. Обучающие данные в основном происходят из записей заседаний парламента Финляндии, поэтому распознавание разговорной речи, диалектов, детских и женских голосов может быть менее надёжным. Языковая модель KenLM также ориентирована преимущественно на формальный финский. Модель распространяется по лицензии Apache-2.0.

Wav2Vec2-Large-XLSR-53-Kannada — модель распознавания речи на каннада, созданная дообучением facebook/wav2vec2-large-xlsr-53 на наборе OpenSLR SLR79. Она принимает аудио и преобразует речь в текст; для входной записи требуется частота дискретизации 16 кГц. Модель основана на архитектуре Wav2Vec2ForCTC и содержит около 402,8 млн параметров. Модель предназначена для автоматической транскрибации речи на каннада, в том числе записей из набора OpenSLR. В README приведён результат оценки 27,08% на тестовой части данных, но метрика не уточнена, поэтому это число нельзя напрямую трактовать как точность. Модель распространяется по лицензии Apache-2.0.

AndrewMcDowell/wav2vec2-xls-r-1b-japanese-hiragana-katakana — модель распознавания японской речи, созданная дообучением facebook/wav2vec2-xls-r-1b на японской части набора Mozilla Common Voice 8.0. Это плотная модель Wav2Vec2ForCTC с 1,3 млрд параметров, принимающая аудио и выдающая текст; карточка указывает японский язык и библиотеку Transformers с весами PyTorch. Модель предназначена для автоматической транскрипции японской речи. В README приведены результаты на тестовой выборке: WER 1,0132 и CER 0,1609. Указана лицензия Apache-2.0. Оценка WER выше 1 означает существенные ошибки распознавания, поэтому качество следует проверять на данных целевого сценария.

Webs-Sejong-31B-v7 — корейско-ориентированная мультимодальная модель компании WebsFactory, дообученная на Google Gemma 4 31B IT. Она использует плотную архитектуру Gemma 4 и содержит около 31 млрд параметров; веса доступны в формате safetensors, в README указана точность bfloat16. Модель принимает текст и изображения и генерирует текст. Основные сценарии — помощь на корейском языке, ответы на вопросы о знаниях и рассуждения в профессиональном и академическом контексте; также сохраняется поддержка английского. В README заявлено первое место на K-AI Leaderboard со средним результатом 0,624 на дату 5 июля 2026 года. Модель совместима с реализацией Gemma 4 в Transformers и рассчитана на работу с совместимыми средами обслуживания. Для весов в bfloat16 требуется около 62 ГБ памяти; оценка для квантизированных 4-битных весов — 20–24 ГБ, без учёта дополнительной памяти на контекст, пакетную обработку и изображения. Лицензия — Gemma. Модель может выдавать неверную или устаревшую информацию; результаты для целевых задач следует проверять, а ответы по медицинским, юридическим, финансовым вопросам и вопросам государственной политики требуют экспертного контроля.

Whisper Hindi Small — модель распознавания речи, созданная дообучением openai/whisper-small на публичных корпусах аудиозаписей на хинди в рамках спринта по дообучению Whisper. Она предназначена для преобразования речи на хинди в текст и оценки качества распознавания на наборах данных ASR. Модель основана на архитектуре WhisperForConditionalGeneration и содержит около 153,1 млн параметров; доступны веса PyTorch и Flax. Для использования указаны инструменты whisper_jax и код оценки из репозитория whisper-finetune. Лицензия — Apache-2.0. Обучение проводилось на GramVaani ASR Corpus, ULCA ASR Corpus, Shrutilipi ASR Corpus и обучающей и валидационной частях Google Fleurs; для оценки использовались тестовые части GramVaani и Google Fleurs. Карточка не приводит результатов метрик, поэтому качество на других типах записей или вне хинди по ней оценить нельзя.

agnesluhtaru/whisper-large-et-ERR2020-v2 — модель распознавания речи, созданная дообучением openai/whisper-large-v2. Она предназначена для преобразования аудио в текст; название модели указывает на эстонский язык и датасет ERR2020. В метаданных указаны архитектура WhisperForConditionalGeneration, 905,2 млн параметров и формат PyTorch. На оценочном наборе в карточке приведены Loss 0,2915 и WER 13,8640. Модель распространяется по лицензии Apache-2.0. Карточка не описывает состав обучающих данных, условия оценки и ограничения применения, поэтому приведённые метрики нельзя напрямую переносить на другие аудио и сценарии.