I.6Перевод и языковая адаптация

SLORA/ZIA — разговорная языковая модель, представленная Мухаммадом Таки. В метаданных Hugging Face указаны архитектура GLM-MoE-DSA, класс GlmMoeDsaForCausalLM и 30,4 млрд параметров; карточка README заявляет собственную архитектуру и отсутствие базовой модели, а метаданные связывают репозиторий с дообучением slora/zia. Модель предназначена для генерации текста и диалогов; заявленная высокая скорость ответов в README не сопровождается описанием измерений или бенчмарков. Модель принимает текст и генерирует текст. Метаданные указывают контекст длиной 202 752 токена и поддержку английского и китайского языков. Репозиторий использует Transformers и формат весов safetensors. Лицензия — MIT. README также называет модель облегчённой и размером 1 млрд параметров, что расходится с метаданными, указывающими 30,4 млрд параметров.

Карточка модели 360ZhiNao/360VL-8B на Hugging Face совпадает с карточкой qihoo360/360VL-8B, поэтому описание составлено по ней. 360VL-8B — открытая мультимодальная модель компании Qihoo 360 для диалога по изображениям и тексту. Она дообучена на основе Meta Llama 3 8B Instruct и использует трансформерную авторегрессионную языковую модель с многоветвевым проектором, предназначенным для улучшения понимания изображений. Модель принимает изображения и текст и формирует текстовые ответы; поддерживает многоходовой диалог с одним изображением, визуальные вопросы и распознавание текста на изображениях. В README указано разрешение изображений до 672×672 пикселей, а контекст по метаданным составляет 8192 токена. Поддерживаются китайский и английский языки. Модель подходит для анализа содержимого изображений, извлечения и обобщения информации, а также ответов на вопросы по изображению. Вес модели содержит 7,5 млрд параметров и опубликован в формате safetensors. Лицензия — Apache 2.0.

ArabicOCR-Qwen2.5-VL-7B-Vision — визуально-языковая модель на базе Qwen2.5-VL-7B, дообученная loay для распознавания арабского текста на изображениях. Для обучения использовались LoRA-адаптеры, объединённые с базовой моделью; репозиторий содержит веса float16 в формате safetensors. Модель принимает изображения с арабским текстом и выдаёт их текстовую транскрипцию. Её можно применять для извлечения текста из фотографий и сканов, содержащих арабскую письменность. Размер модели — 7,1 млрд параметров, заявленная длина контекста — 128 000 токенов. Лицензия — Apache-2.0. Для инференса в float16 README указывает требование более 14 ГБ видеопамяти. Модель специализирована на арабском OCR; её точность для других языков и типов изображений в предоставленных материалах не описана.

Barcenas-Mistral-7b — дообученная модель семейства Mistral, созданная Danielbrdz на основе teknium/CollectiveCognition-v1-Mistral-7B. Модель предназначена для генерации текста; при дообучении использовались испаноязычные данные из набора Danielbrdz/Barcenas-lmsys-Dataset, основанного на lmsys/lmsys-chat-1m. Модель имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Для запуска доступны веса в формате PyTorch. Метаданные указывают поддержку английского и испанского языков; обучение на испанских данных делает испанский особенно релевантным сценарием использования. Модель можно применять для генерации ответов и диалогового текста на английском и испанском языках. Карточка не приводит результатов оценки качества или подробных ограничений; распространение указано по лицензии Apache-2.0.

Beetle-FineWeb-2B/beetle-bilingual-l2-80-late-b5-fineweb-2b-nld-eng-seed97 — генеративная языковая модель для продолжения и создания текста. По идентификатору модели, она относится к семейству Beetle-FineWeb, имеет размер 2B и ориентирована на двуязычную работу с нидерландским и английским языками; в метаданных Hugging Face указана задача text-generation и библиотека Transformers. Суффикс pico_decoder также присутствует среди метаданных модели. Модель может использоваться для генерации продолжений текста, черновиков, ответов и других текстовых последовательностей на нидерландском и английском языках, включая сценарии прототипирования приложений на базе языковых моделей. Разработчик, точная архитектура, длина контекста, лицензия, состав обучающих данных, результаты оценки и рекомендации по безопасному применению в доступных материалах не описаны.

Cohere Transcribe 03-2026 CoreML 6bit — конверсия модели CohereLabs/cohere-transcribe-03-2026, разработанная для автоматического распознавания речи на устройствах Apple. Модель предназначена для локальной транскрипции аудио в приложениях для macOS и iOS без обязательной передачи данных во внешние сервисы. Поддерживаются английский, арабский, немецкий, греческий, испанский, французский, итальянский, японский, корейский, нидерландский, польский, португальский, вьетнамский и китайский языки. Модель поставляется в формате CoreML .mlpackage и использует конвейер из извлечения аудиопризнаков, encoder и авторегрессионного decoder с KV-кэшированием. Веса имеют формат Float16 с 6-битной палетизацией; общий размер составляет около 1,4 ГБ, что примерно в 2,7 раза меньше FP16-версии. Вычисления могут выполняться на Apple GPU, CPU или Neural Engine; рекомендуется Apple GPU. Минимальные версии платформ — macOS 13 и iOS 16. Для обработки используются аудиофрагменты по 30 секунд с перекрытием 5 секунд. На тесте LibriSpeech test-clean модель показала WER 2,58% на 2619 из 2620 образцов. На Apple M4 Pro заявлен коэффициент работы в реальном времени 35,9×: обработка 30 секунд аудио занимает около 836 мс. Ключевые преимущества — компактность по сравнению с FP16, высокая скорость локального распознавания и практически сохранённая точность. Ограничения включают значительный размер около 1,4 ГБ, зависимость от экосистемы Apple и отсутствие данных о качестве на других наборах данных, акцентах, шумной речи и длинных аудиозаписях. Конвертированная модель распространяется по лицензии GPL-3.0; исходная модель CohereLabs имеет лицензию Apache-2.0.

combinedwhispersanlishlr2e5 — дообученная модель распознавания речи на базе openai/whisper-small, подготовленная разработчиком thunderboltc. Она принимает аудио и преобразует речь в текст; в метаданных указаны архитектура WhisperForConditionalGeneration и библиотека Transformers. README приводит результаты оценки: WER 33,4213 и CER 8,1594; сведений о языке и составе обучающих данных нет. Модель подходит для транскрибирования аудиозаписей в сценариях, соответствующих данным её дообучения. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. README не описывает назначение дообучения и ограничения качества, поэтому область применения по языкам и типам аудио определить нельзя.

DictaLM-3.0-1.7B-Base — базовая языковая модель с открытыми весами, разработанная Dicta и обученная на корпусах текстов на иврите и английском языке. Это предобученная плотная модель на 1,7 млрд параметров из семейства Qwen3, изначально основанная на Qwen3-1.7B-Base. Она предназначена для дальнейшего дообучения и генерации текста, а не для диалогового использования без дополнительной настройки. Модель принимает текст и генерирует текст; её нативный контекст составляет 32 768 токенов. Опубликованные веса доступны в формате safetensors, а лицензия — Apache-2.0. README отмечает высокие результаты моделей семейства в своём классе для иврита, но не приводит подробные оценки именно этой базовой версии. Это базовая модель без встроенных механизмов модерации; для чата доступны отдельные варианты DictaLM 3.0.

Enno-Ai/EnnoAi-Pro-French-Llama-3-8B-v0.4 — чат-модель для генерации текста на базе плотной архитектуры Llama, разработанная Enno-Ai. Это альфа-версия, дообученная методом QLoRA на отобранном французском профессиональном датасете и предназначенная для профессиональных сценариев общения и генерации текста. Модель содержит 7,5 млрд параметров, принимает контекст длиной до 8192 токенов и доступна в формате safetensors. Карточка указывает французский как основной язык и английский как дополнительный. Модель распространяется по лицензии CreativeML Open RAIL-M. README отмечает, что разработка ещё продолжается, поэтому качество и пригодность для конкретных профессиональных задач следует проверять отдельно.

ssmits/Falcon2-5.5B-Spanish — языковая модель на архитектуре Falcon, созданная на основе tiiuae/falcon-11B методом mergekit passthrough. Для сокращения модели сохранены слои 0–23 и 55–58; анализ сходства слоёв проводился на испанской части корпуса Wikimedia Wikipedia. Модель содержит 7,8 млрд параметров, работает с текстом и поддерживает контекст до 8192 токенов. Модель предназначена для исследований и дальнейшей адаптации под генерацию текста, суммаризацию и чат-ботов. В основном обучении преобладал английский язык; также заявлена поддержка немецкого, испанского, французского, итальянского, португальского, польского, нидерландского, румынского, чешского и шведского. Лицензия Apache-2.0. Разработчики рекомендуют дообучение для конкретных задач и оценку рисков перед применением.

freewheelin/free-llama3-dpo-v0.2 — дообученная модель семейства Llama с плотной архитектурой и примерно 7,5 млрд параметров. Авторы указывают, что для дообучения использовали TRL Trainer и метод обучения из статьи SOLAR. Модель предназначена для генерации текста; её контекст составляет 8192 токена. Модель принимает текст и генерирует текст. В метаданных указаны корейский и английский языки. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Карточка не описывает конкретные сценарии применения и не приводит результаты оценки качества.

Defetya/gemma-2b-ru — базовая языковая модель на архитектуре Gemma 2B, созданная продолжением предобучения модели Google Gemma 2B. Разработчик обучал её примерно на 150 млрд токенов на англо- и русскоязычных подмножествах OSCAR и Википедии; модель содержит около 2,5 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для дальнейшего дообучения и исследований многоязычных возможностей открытых LLM, в частности развития русскоязычной генерации. Это сырая предобученная модель, а не готовый чат-ассистент: её можно использовать как основу для генерации и продолжения текста, но для диалоговых сценариев потребуется дополнительная настройка. Репозиторий предоставляет веса в формате safetensors, лицензия — Apache-2.0.

Huihui-gemma-4-E4B-it-qat-q4_0-unquantized-abliterated-GGUF — это GGUF-версия инструкционной модели Huihui-gemma-4-E4B-it-qat-q4_0-unquantized-abliterated, разработанной huihui-ai и преобразованной в квантизованные форматы mradermacher. Модель основана на Gemma 4 E4B и предназначена для диалоговых и других текстовых задач, выполняемых локально через совместимые с GGUF инструменты. В README указан английский язык; сведения о точном размере архитектуры и длине контекста отсутствуют. Модель имеет варианты квантования от Q2_K до Q4_K_M и IQ4_XS, размером примерно от 4,5 до 5,4 ГБ. Для мультимодального использования доступны дополнительные файлы mmproj-Q8_0 и mmproj-f16, однако поддерживаемые типы входных данных подробно не описаны. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, при этом качество разных уровней квантования может различаться. К сильным сторонам относятся компактный размер, возможность локального запуска и наличие мультимодального дополнения. Модель помечена как abliterated и uncensored, поэтому её поведение и ограничения безопасности могут отличаться от исходной модели Gemma; конкретные результаты и область применимости зависят от выбранного квантования и используемого программного обеспечения. Лицензия указана как Apache-2.0 со ссылкой на лицензионные условия Gemma 4.

InternLM2.5-1.8B-Chat-GGUF — это GGUF-квантизированная версия чат-модели InternLM2.5-1.8B-Chat, разработанной командой InternLM и подготовленной для распространения пользователем bartowski. Квантизация выполнена с использованием llama.cpp и метода imatrix, рассчитанного на более эффективное сохранение качества при уменьшении размера весов. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через llama.cpp и LM Studio. Доступны варианты от F32 размером 7,56 ГБ до низкобитных IQ3_M и Q3_K с размером менее 1 ГБ, а также распространённые варианты Q4, Q5, Q6 и Q8. Это позволяет выбирать между качеством ответа, требованиями к RAM или VRAM и скоростью работы. Для некоторых вариантов embedding- и output-веса сохранены в формате Q8_0, что потенциально улучшает качество, но эффект зависит от сценария. Преимуществами являются небольшой размер исходной модели, широкий выбор уровней квантизации и совместимость с локальными инструментами экосистемы llama.cpp. Ограничения включают возможное снижение качества в низкобитных вариантах, а также отсутствие в README сведений об архитектуре, максимальном контексте, поддерживаемых языках и точных характеристиках исходной модели. В метаданных указана лицензия other, без дополнительных условий или пояснений.

legraphista/K2-IMat-GGUF — это набор квантованных версий языковой модели LLM360/K2 в формате GGUF, подготовленный пользователем legraphista с помощью llama.cpp b3051. Модель предназначена для генерации текста и запуска через совместимые инструменты, включая llama.cpp. Указан английский язык и текстовая модальность. В основе лежит исходная версия LLM360/K2 в формате FP16. Доступны варианты от FP16 и Q8_0 до 1–4-битных форматов, включая Q6_K, Q5_K, Q4_K, Q3_K, Q2_K, IQ4, IQ3, IQ2 и IQ1. Размеры файлов составляют примерно от 14,21 до 130,58 ГБ; часть вариантов поставляется разделёнными файлами. Для ряда низкобитных версий применена IMatrix-квантизация, использующая предоставленный калибровочный датасет, что предназначено для улучшения сохранения качества при уменьшении размера модели. README не содержит сведений об архитектуре, числе параметров, размере контекста, мультимодальности, фактических показателях качества или системных требованиях, поэтому эти характеристики нельзя надёжно определить. Лицензия указана как Apache-2.0. Основные ограничения связаны с компромиссом между размером, требованиями к памяти и качеством: более компактные низкобитные варианты удобнее для локального запуска, но могут сильнее отличаться от исходной FP16-модели; параметры и производительность зависят от выбранного типа квантизации и оборудования.

AtomicChat/Kimi-K3-GGUF — набор GGUF-квантизаций мультимодальной модели Kimi-K3, разработанной Moonshot AI и опубликованной в виде зеркала и квантизированных вариантов командой AtomicChat. Модель предназначена для диалоговых сценариев, генерации и понимания текста, а также анализа изображений с использованием vision-поддержки. Kimi-K3 — смесь экспертов (Mixture of Experts) примерно на 2,9 трлн параметров, из которых около 104 млрд активируются для каждого токена. Архитектура включает 93 слоя, 896 экспертов, 16 активных экспертов на токен и скрытый размер 7168. Заявлен контекст до 1 млн токенов. Поддерживаются английский и китайский языки, а также текстово-визуальный ввод. Квантизации представлены в форматах от IQ1_S и IQ1_M до IQ2_XXS, Q3_K_S и Q8_0; доступен отдельный vision-проектор. Сильными сторонами являются очень большой контекст, высокая емкость MoE-архитектуры, мультимодальность и возможность запуска через специализированную ветку llama.cpp. Ограничения исключительно существенные: даже самая компактная квантизация занимает сотни гигабайт, поэтому модель рассчитана на серверы с большим объемом RAM и/или мощные многопроцессорные GPU-системы, а не на ноутбуки и большинство рабочих станций. Обычная основная ветка llama.cpp на момент публикации не поддерживает эту архитектуру без соответствующих изменений.

Kyutai STT 1B (en/fr) — GGUF представляет собой конвертированные и квантизованные версии модели kyutai/stt-1b-en_fr, разработанной Kyutai. Репозиторий cstr предоставляет веса в формате GGUF для использования с CrispASR; обучение, дообучение и изменение архитектуры не выполнялись. Модель предназначена для автоматического распознавания речи и транскрибации аудио на английском и французском языках. Она принимает монофонический звук с частотой 24 кГц, автоматически преобразуя вход с 16 кГц при необходимости. Доступны варианты F16 размером около 2 ГБ, Q8_0 размером около 1,1 ГБ и Q4_K размером около 636 МБ; Q4_K заявлен как оптимальный компромисс между размером и качеством. Архитектура включает нейронный аудиокодек Mimi с CNN SEANet, восьмислойным трансформером и RVQ с 32 кодовыми книгами на частоте 12,5 Гц, а также каузальную языковую модель-трансформер из 16 слоёв примерно на 1 млрд параметров с размерностью 2048, RoPE, SwiGLU и RMSNorm. В отличие от encoder-decoder-моделей вроде Whisper и Parakeet, весь конвейер работает авторегрессионно: аудио преобразуется в дискретные токены, после чего модель предсказывает текстовые токены. Сильными сторонами являются поддержка двух языков, несколько вариантов квантизации и возможность локального запуска через CrispASR. Ограничения включают специализацию только на английской и французской речи, зависимость от совместимого программного обеспечения и отсутствие в представленном описании подробных метрик качества, ограничений по длительности аудио и характеристик производительности. Для производных материалов указана лицензия CC BY 4.0; она соответствует лицензии исходной модели и не предоставляет прав сверх условий upstream-лицензии.

Модель Lennebraha-3B разработана Faruk Hilmi AKPINAR и представляет собой дообученную языковую модель на 3,1 млрд параметров на архитектуре Qwen2. Она предназначена для генерации текста и диалогового использования, поддерживает турецкий и английский языки. Контекстное окно составляет 32 768 токенов; модель распространяется в формате safetensors и работает с библиотекой Transformers. Базовая модель для дообучения не указана, поэтому её происхождение точнее установить нельзя. Карточка не описывает конкретные сценарии, обучающие данные, результаты оценки или известные ограничения качества. Лицензия MIT разрешает использование на её условиях.

bartowski/Llama-3.1-70B-ArliAI-RPMax-v1.2-GGUF — это набор GGUF-квантизаций модели Llama-3.1-70B-ArliAI-RPMax-v1.2, разработанной ArliAI. Квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, включая сценарии ролевого общения и другие задачи, совместимые с базовой текстовой LLM. Для запуска рекомендуется использовать llama.cpp или LM Studio с указанным форматом prompt. Модель имеет архитектуру и размер исходной Llama-3.1-70B, однако точные сведения о количестве параметров, поддерживаемых языках и размере контекстного окна в представленном README не указаны. Доступны варианты квантизации от Q8_0 до более компактных IQ- и Q-форматов размером примерно от 19 до 75 ГБ. Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS отмечены как рекомендуемые; чем сильнее сжатие, тем ниже качество, но тем меньше требования к памяти. Главные преимущества — большое количество параметров, широкий выбор квантизаций и возможность локального запуска на совместимом оборудовании. Ограничениями являются значительные требования к оперативной или видеопамяти даже у компактных вариантов, а также потенциальная потеря качества при использовании низкобитных квантизаций. В README указана лицензия llama3.1; дополнительные условия использования производной модели не описаны.

DiscoResearch/Llama3-German-8B — языковая модель DiscoResearch на основе Meta Llama 3 8B, дообученная продолжением предобучения на 65 млрд токенов немецкоязычных данных. Она предназначена для генерации текста на немецком языке и может применяться для ответов на вопросы, подготовки черновиков и других задач с немецким текстом. Модель использует плотную архитектуру Llama для причинной генерации текста; размер составляет 7,5 млрд параметров, контекст — 8192 токена. В карточке приведены результаты начальных экспериментов на нескольких бенчмарках, но они не гарантируют качество на конкретных прикладных задачах. Модель распространяется в формате safetensors по лицензии Llama 3.

llm-jp-13b-v1.0 — языковая модель на 13 млрд параметров, разработанная совместным японским проектом LLM-jp. Это предварительно обученная Transformer-модель с архитектурой GPT-2, опубликованная в формате PyTorch для Hugging Face Transformers. Модель обучалась на смеси японских и английских данных, включая Wikipedia и mC4; токенизатор Unigram byte-fallback имеет словарь из 50 570 токенов, включая японский, английский и исходный код. Контекст модели — 2048 токенов. Модель предназначена для генерации текста и может служить основой для продолжения текста, ответов и других языковых приложений на японском и английском языках. В репозитории также перечислены отдельные варианты с настройкой на выполнение инструкций, но данный чекпойнт обозначен как предварительно обученная модель. Разработчики предупреждают, что модели находятся на раннем этапе исследований и разработок и не настроены для надёжного следования человеческим намерениям или требованиям безопасности. Лицензия — Apache-2.0.

MamayLM-Gemma-3-4B-IT-v1.0 — мультимодальная модель INSAIT при Софийском университете, построенная на Gemma 3 4B. Это плотный трансформер типа decoder-only с 4 млрд параметров; метаданные указывают класс Gemma3ForConditionalGeneration и библиотеку Transformers. Модель объединяет непрерывное предварительное обучение на отфильтрованных данных и дообучение на инструкциях на украинском языке, используя смешивание данных и слияние моделей на основе google/gemma-3-4b-pt и google/gemma-3-4b-it. Модель предназначена для диалогов, следования инструкциям, генерации текста и ответов на вопросы по изображениям. В первую очередь она рассчитана на украинский язык, сохраняя возможности английского; README сообщает об оценках на общих и украинских языковых тестах, включая задачи по школьной программе. Размер контекста в предоставленных данных не указан. Модель распространяется бесплатно на условиях Gemma Terms of Use; карточка отмечает улучшения на визуальных тестах, но не приводит здесь численные результаты.

Millésime 2026 4B — языковая модель Borek Boissy на архитектуре Qwen3 с 3,7 млрд параметров, созданная на базе Qwen/Qwen3-4B-Instruct-2507. Модель предназначена прежде всего для диалогов и генерации текста на французском языке; контекстное окно составляет 262 144 токена. Веса доступны в формате Safetensors, а в README также заявлены варианты GGUF и для Ollama. Модель прошла supervised fine-tuning на французских учебных примерах, оптимизацию по человеческим предпочтениям DPO и слияние результатов этих этапов методом TIES. Разработчик сообщает о высоких результатах на французских бенчмарках, включая FR-MT-Bench, однако эти показатели основаны на конкретной сравнительной оценке и не гарантируют качество для любых запросов. Среди известных ограничений — склонность к излишне длинным ответам даже на простые вопросы, отсутствие обучения явному пошаговому рассуждению и примерам вызова инструментов, а также более слабые результаты на энциклопедических тестах по сравнению с моделями примерно вдвое крупнее. Лицензия — Apache-2.0.

Это чекпойнт проекта MMS Zero-shot, разработанный Jinming Zhao и соавторами для распознавания речи на языках, для которых доступно мало размеченных данных. Модель основана на мультиязычной акустической архитектуре wav2vec2, обученной на данных 1 150 языков, и использует промежуточное представление uroman tokens. В карточке указано около 300 млн параметров, а метаданные репозитория указывают 402,7 млн параметров. Для нового языка текстовые данные в небольшом объёме отображаются в промежуточное представление, что позволяет использовать модель для транскрибации речи; при выводе можно дополнительно применять языковую модель. Репозиторий предназначен для автоматического распознавания речи, принимает аудио и выдаёт текст. Лицензия — CC-BY-NC 4.0, которая ограничивает коммерческое использование.

hts98/Model2 — модель автоматического распознавания речи на архитектуре Whisper с 455,8 млн параметров. Разработчик указывает, что модель дообучена на основе hts98/Model1; задача обучения названа, но набор данных обозначен как None. Модель принимает аудио и генерирует текстовую транскрипцию. Она распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не содержит сведений о целевых языках, сценариях применения, результатах оценки или известных ограничениях. Поэтому качество распознавания и пригодность для конкретных типов аудио по имеющимся данным определить нельзя.

Moonshine Tiny ZH — модель распознавания речи с архитектурой encoder-decoder на 27 млн параметров, разработанная Moonshine AI, ранее известной как Useful Sensors. Она преобразует аудио китайской речи в текст и рассчитана на разработчиков систем транскрибации, в том числе для устройств с ограниченными памятью и вычислительными ресурсами. Модель поддерживается библиотекой Transformers; в репозитории опубликованы веса в формате Safetensors, а размер контекста составляет 194 токена. Модель обучалась на китайской речи и предназначена прежде всего для автоматической транскрибации; карточка также называет её моделью для перевода речи, но описывает обучение и оценку главным образом для распознавания китайского языка. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория. Возможны галлюцинации и повторяющиеся фрагменты, особенно на коротких записях и аудио с обрезанными словами. Перед применением в конкретной предметной области нужна отдельная оценка качества; модель не предназначена для субъективной классификации людей или решений с высокими последствиями.

Munin-NeuralBeagle-NorskGPT — объединённая языковая модель на архитектуре Mistral, опубликованная birgermoell. Веса получены слиянием моделей через LazyMergekit: в конфигурации указаны RJuro/munin-neuralbeagle-7b и bineric/NorskGPT-Mistral-7b с методом dare_ties. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста; базовая NorskGPT-Mistral-7b ориентирована на суммаризацию, ответы на вопросы и общение на норвежском языке. Карточка не описывает отдельные возможности объединённого чекпойнта или его качество. Репозиторий содержит веса в формате safetensors; сведения о лицензии в доступных данных отсутствуют.

NekoMix-12B — слитая с помощью mergekit языковая модель Moraliane на архитектуре Mistral с 12,1 млрд параметров. В основе объединения лежит IlyaGusev/saiga_nemo_12b; также использованы NemoMix-Unleashed-12B, Rocinante-12B-v1.1 и Vikhr-Nemo-12B-Instruct-R-21-09-24. Веса представлены в формате safetensors. Модель предназначена для генерации текста и диалогового ролевого общения на русском и английском языках. Автор рекомендует начинать с простого стандартного пресета с температурой 0,7–1,25 и отмечает Mistral V3-Tekken как возможный шаблон контекста и инструкций. Результаты зависят от выбранного шаблона и параметров генерации. Лицензия и ограничения на использование в карточке не описаны.

Nemotron-3.5-ASR-Streaming-CoreAI — конверсия модели NVIDIA Nemotron 3.5 ASR Streaming 0.6B, выполненная для Apple Core AI сообществом Core AI Model Zoo. Это модель автоматического распознавания речи для потоковой и офлайн-транскрипции на устройствах Apple; она рассчитана на обработку микрофонного сигнала в реальном времени и аудиозаписей произвольной длительности. Модель использует архитектуру cache-aware FastConformer с 24 слоями, разделёнными на два графа, и декодирование RNN-T с LSTM-предиктором и joint-модулем. Размер базовой модели — около 600 млн параметров. Поддерживаются 40 локалей в одном checkpoint, включая en-US, ja-JP и zh-CN, а также режим автоматического определения языка. Пунктуация и капитализация встроены. Вход — монофонический звук с частотой 16 кГц; потоковая обработка выполняется чанками по 320 мс при lookahead 3, с заявленной задержкой около 320 мс плюс время вычисления. Сильные стороны модели — постоянная задержка при потоковой обработке, отсутствие ограничения на длительность аудио, выполнение на устройстве без обязательной передачи данных в облако, поддержка нескольких языков и проверенная токенная эквивалентность с потоковой эталонной реализацией. В README указана производительность около 26 мс на чанк на M4 Max и 53 мс на iPhone 17 Pro. Ограничения включают крупный объём графов и длительную первую загрузку, а также зависимость от платформы Apple Core AI и соответствующего runtime. Распространение выполняется по лицензии OpenMDW-1.1; в README указано, что коммерческое использование разрешено. Конверсия перераспределяет исходные веса NVIDIA в другом формате сериализации.

Nesso-0.4B-Instruct — компактная плотная языковая модель семейства Llama, разработанная сообществом mii-llm (Made in Italy – Large Language Model). Это версия Zagreus-0.4B-ita, прошедшая supervised fine-tuning для диалогов и следования инструкциям. Модель содержит 437,7 млн параметров, принимает текст и генерирует текст; использует шаблон чата ChatML и контекст до 4096 токенов. Модель рассчитана на диалоговые и инструкционные сценарии на итальянском и английском языках, в том числе на запуск с ограниченными вычислительными ресурсами и на периферийных устройствах. В представленных авторами сравнительных оценках она показывает сильные результаты по следованию инструкциям на английском и по HellaSwag на итальянском, но уступает Qwen3-0.6B по MMLU на обоих языках. Обучение DPO заявлено как запланированный этап, поэтому результаты относятся к текущей версии SFT. Распространяется по лицензии Apache-2.0.