I.6Перевод и языковая адаптация

Rolv-Arild/xls-r-300m-npsc-2 — модель автоматического распознавания речи на базе архитектуры wav2vec2, разработанная пользователем Rolv-Arild и представленная на Hugging Face. Модель относится к семейству XLS-R и имеет около 402,7 млн параметров; её назначение — преобразование норвежской речи в текст, в частности для материалов Norwegian Parliamentary Speech Corpus (NPSC). Модель поддерживает pipeline automatic-speech-recognition и использует библиотеки Transformers и PyTorch. Сильная сторона модели — специализация на распознавании норвежской речи после дообучения на парламентских аудиозаписях. Она предназначена прежде всего для транскрибации норвежских выступлений и других близких по акустике и тематике записей. Точная лицензия модели и длина контекста по доступным данным не установлены; для практического применения следует учитывать возможное снижение качества на других языках, диалектах, шумных записях и аудио, отличающемся от обучающего домена.

GLM-4.6V-GGUF — набор GGUF-квантизаций модели GLM-4.6V, разработанной zai-org и подготовленной пользователем bartowski. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Указаны китайский и английский языки. Данные о точной архитектуре, количестве параметров, поддерживаемой длине контекста и конкретных возможностях работы с изображениями в README не приведены. Набор включает варианты квантизации от Q8_0 до Q2_K и IQ2_M, поэтому позволяет выбирать баланс между качеством, размером файла и требованиями к памяти. Наиболее качественными и рекомендуемыми названы 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; файлы имеют размер примерно от 43 до 113 ГБ. Квантизации подготовлены с использованием imatrix и llama.cpp, доступны для запуска в LM Studio, llama.cpp и других совместимых проектах. Для работы требуется использовать указанный формат prompt. Ограничения зависят от выбранной квантизации: варианты с меньшим размером могут заметно уступать по качеству, а для запуска большинства сборок требуется значительный объём оперативной или видеопамяти. Модель распространяется по лицензии MIT. README не содержит подробностей об исходных данных обучения, бенчмарках и аппаратных требованиях.

AceGPT-v1.5-13B-Chat — это диалоговая языковая модель семейства AceGPT, разработанная исследователями KAUST, CUHKSZ, SRIBD и KAU. Модель дообучена на базе LLaMA 2 и содержит 12,9 млрд параметров; она использует плотную архитектуру LlamaForCausalLM и принимает и выдаёт текст. Максимальная длина контекста — 4096 токенов. Модель предназначена для диалогов и ответов на вопросы, особенно на арабском языке. В карточке также заявлена поддержка английского и китайского. Примеры и оценки охватывают ответы на вопросы с выбором варианта и академические тесты; авторы сообщают о сравнительных результатах на арабских диалоговых бенчмарках. Модель распространяется по лицензии Apache-2.0.

AceGPT-v2-70B-Chat — диалоговая генеративная языковая модель семейства AceGPT, разработанная исследователями KAUST, Китайского университета Гонконга в Шэньчжэне и Shenzhen Research Institute of Big Data. Это полностью дообученная плотная модель на архитектуре Llama с 69,5 млрд параметров и контекстом 8192 токена; она принимает и выдаёт текст. Модель оптимизирована для диалогов и вопросов на арабском языке, в том числе для ответов на вопросы и заданий с выбором ответа. В метаданных также заявлена поддержка китайского и английского языков. По описанию разработчиков, в бенчмарках модель превосходила доступные открытые арабские диалоговые модели; в карточке приведены примеры ответов на арабские вопросы. Распространяется по лицензии Apache-2.0.

ACE-Step Transcriber — мультиязычная модель транскрибации, используемая ACE-Step v1.5 для разметки обучающих данных. В карточке указана архитектура Qwen2.5-Omni; модель принимает аудио и формирует структурированный текст с распознанной речью или текстом песен, а также пометками частей композиции, например куплетов, припева и инструментальных фрагментов. Модель предназначена для распознавания речи и пения, извлечения текста песен, создания субтитров и анализа музыкальной структуры. Она поддерживает более 50 языков, включая китайский, японский, корейский, вьетнамский, тайский, индонезийский, малайский, филиппинский, хинди, бенгальский, тамильский и урду. Репозиторий содержит веса в формате Safetensors, используется библиотека Transformers. Лицензия — MIT.

Airavata — языковая модель с 7 млрд параметров, созданная AI4Bharat на основе OpenHathi и дообученная на наборе IndicInstruct. Она предназначена для выполнения инструкций и диалогового общения, в первую очередь на хинди. Данные для дообучения объединяют Anudesh, wikiHow, Flan v2, Dolly, Anthropic-HHH, OpenAssistant v1 и LymSys-Chat. Модель принимает текстовые сообщения в формате чата, близком к формату репозитория open-instruct, и генерирует текст. Для качества ответов README рекомендует соблюдать формат сообщений и добавлять перевод строки после маркера конца сообщения. Модель доступна в форматах Safetensors и GGUF. В карточке приведены результаты оценки на бенчмарках, включая AI2 Reasoning Challenge и HellaSwag. Модель распространяется по лицензии Llama 2; её условия следует учитывать при использовании и распространении.

Apertus-v1.1-4B — базовая языковая модель, разработанная командой Swiss AI. Это плотный декодерный трансформер на 4,6 млрд параметров с grouped-query attention, 24 слоями и активацией xIELU; для обучения применялась дистилляция от Apertus-8B-2509. Модель обучена на 1,7 трлн токенов и рассчитана на работу в условиях ограниченных аппаратных ресурсов. Модель предназначена для продолжения текста и служит основой для дообучения под прикладные задачи. Она поддерживает 1811 языков, однако README не приводит отдельный перечень языков. Модель не проходила supervised fine-tuning или выравнивание и не поддерживает шаблоны чата. Контекст составляет 4096 токенов. Весы доступны в формате safetensors по лицензии Apache-2.0. Сильные стороны — многоязычность, сравнительно компактный размер и открытая информация о данных и процессе обучения. Сгенерированный текст может содержать фактические ошибки, логические несоответствия и предубеждения; фильтр вывода персональных данных не предоставляется. Важную информацию следует проверять.

ArabicnougatAHR — дообученная модель bustamiyusoef на базе MohamedRashad/arabic-base-nougat. Это модель архитектуры vision-encoder-decoder, предназначенная для преобразования изображений страниц арабских книг в текст. README сообщает значение loss 0,3533 на оценочном наборе, но не описывает набор данных и условия оценки. Модель принимает изображения и выдаёт текст; метаданные указывают формат safetensors и библиотеку Transformers. Лицензия — GPL-3.0.

BAAR2-95M — компактная мультиязычная языковая модель с 95 млн параметров, предназначенная для генерации текста и диалогов на устройствах с ограниченными вычислительными ресурсами. Разработчик позиционирует её как базовую предварительно обученную модель для встраиваемых систем и периферийных устройств; архитектура модели в доступных сведениях не раскрыта. Модель рассчитана на быстрые ответы и может использоваться в лёгких RAG-сценариях: принимает внешний контекст и формирует ответ, связанный с результатами поиска. В карточке заявлена поддержка 11 языков: корейского, английского, японского, китайского, испанского, португальского, немецкого, русского, хинди, вьетнамского и тайского. Формат весов — safetensors. Это базовый чекпойнт, поэтому для специализированных задач, высокой фактической точности и надёжного выполнения инструкций рекомендуются дообучение или подключение RAG. Лицензия указана как нек​​оммерческая; коммерческое использование требует обращения к разработчику за условиями лицензирования.

artek0chumak/bloom-560m-safe-peft — PEFT-адаптер, разработанный пользователем Hugging Face Artem Chumachenko для базовой модели bigscience/bloom-560m от исследовательского сообщества BigScience. Карточка модели показывает, что адаптер загружается поверх BLOOM-560M с помощью PEFT и предназначен для использования в задачах генерации текста и других сценариях, где требуется дообученная версия языковой модели. Подробные сведения о данных, целевой задаче и критериях «safe» в карточке адаптера не указаны. Базовая модель представляет собой decoder-only Transformer с 559 214 592 параметрами, 24 слоями, 16 attention heads, скрытым размером 1024 и контекстом до 2048 токенов. Она поддерживает многоязычную генерацию: обучающие данные включают 45 естественных и 12 программных языков. Архитектура использует ALiBi, GeLU и byte-level BPE-токенизатор. Сильные стороны — компактный размер и возможность эффективной адаптации через PEFT; ограничения включают типичные для BLOOM ошибки, повторения, стереотипы и генерацию фактически неверного или потенциально вредного текста. Для адаптера отдельная лицензия в карточке не указана; базовая модель распространяется по bigscience-bloom-rail-1.0.

NbAiLab/borealis-open-4b — открытая модель семейства Borealis, разработанная Национальной библиотекой Норвегии. Это плотная мультимодальная модель Gemma 3 с 4 млрд параметров, дообученная на инструкциях для норвежских сценариев. Репозиторий содержит веса safetensors для Transformers; модель принимает текст и изображения и предназначена для диалогового взаимодействия и генерации ответов по изображениям. Модель подходит для норвежского письма, составления и редактирования текстов, суммаризации, ответов на вопросы и лёгких рассуждений. Особое внимание уделено норвежскому языку, включая букмол и нюнорск; также в карточке указана поддержка английского, но качество за пределами норвежских и английских сценариев изучено недостаточно. Длина контекста в предоставленных данных не указана. Модель может галлюцинировать и выдавать неверные, предвзятые или неподходящие ответы; защитное выравнивание снижает, но не исключает такой риск. Разработчик не рекомендует применять её в критически важных сценариях без дополнительной проверки и защитных мер. Лицензия — Gemma.

Caspi-1.7B — модель распознавания речи, созданная OzLabs путём дообучения Qwen/Qwen3-ASR-1.7B на парах ивритской речи и транскрипций. Она предназначена прежде всего для транскрибации разговорного, краудсорсингового и вещательного аудио на иврите, пакетной и потоковой обработки, а также для оценки и разработки систем распознавания речи. Модель относится к семейству Qwen3-ASR и принимает аудио, выдавая текстовую транскрипцию; поддерживаются пакетный и потоковый режимы, а также работа с речью, пением и песнями с фоновой музыкой. Основной язык — иврит; базовая модель многоязычная, однако Caspi позиционируется как специализированный ивритский чекпойнт, а не как универсальный многоязычный релиз. В приведённых тестах результаты различаются по наборам данных: модель превосходит сравниваемый Whisper-чекпойнт на части разговорных тестов, но уступает на вещательном наборе. Известные ограничения включают ошибки на коротких фонетически похожих словах, шумной или сжатой записи, перекрывающейся речи, акцентах, неформальной речи, именах и жаргоне, а также при переключении языков. Качество зависит от записи, сегментации и соответствия предметной области обучающим данным. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

ChatGLM-6B-INT4-QE — квантованные веса диалоговой языковой модели ChatGLM-6B от команды THUDM, построенной на архитектуре GLM и рассчитанной на китайско-английские вопросы и диалоги. В репозитории указаны 8,1 млрд параметров по метаданным; README описывает исходную модель как имеющую 6,2 млрд параметров и сообщает, что квантование INT4 охватывает 28 блоков GLM, эмбеддинги и LM Head. Размер весов после квантования составляет около 3 ГБ. Модель предназначена для генерации ответов в диалогах и локального запуска на потребительском оборудовании: README указывает ориентир от 6 ГБ видеопамяти или оперативной памяти. Метаданные также относят её к извлечению признаков, однако основное назначение по карточке — генерация текста в формате диалога. Она поддерживает китайский и английский языки. Репозиторий помечен как не поддерживаемый; README рекомендует использовать ChatGLM-6B-INT4. Код распространяется по Apache-2.0, а для весов действует отдельная Model License, условия которой следует проверить перед использованием. Для запуска на CPU могут потребоваться GCC и OpenMP.

Это GGUF-квантизированная версия языковой модели cogito-v1-preview-llama-3B, разработанной deepcogito и подготовленной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может запускаться локально через llama.cpp, LM Studio и другие проекты на его основе. Модель относится к семейству Llama и имеет размер 3B параметров. Доступны варианты с разными уровнями квантизации — от BF16 до Q2_K_L, включая наиболее рекомендуемые Q4_K_M, Q5_K_M, Q6_K и другие форматы. Квантизация позволяет выбирать баланс между качеством, размером файла и требованиями к оперативной памяти; более компактные варианты подходят для устройств с ограниченными ресурсами, но могут заметнее уступать по качеству. В README не указаны поддерживаемые языки, размер контекстного окна, мультимодальные возможности и результаты бенчмарков, поэтому эти характеристики нельзя подтвердить. Для работы необходимо использовать совместимое программное обеспечение и соответствующий шаблон промпта. Лицензия указана как llama3.2.

jphme/em_german_leo_mistral — диалоговая языковая модель семейства EM German, разработанная для генерации и понимания немецкого текста. Это плотная модель Mistral с 7,1 млрд параметров, обученная следовать разнообразным инструкциям на немецком языке и основанная на LeoLM Mistral — модели Mistral с дополнительным предварительным обучением на немецких текстах. Модель рассчитана на ответы ассистента, диалог и другие сценарии генерации текста на немецком языке; в карточке также упоминается специальный формат промпта для RAG. Она использует формат запросов Vicuna, а размер контекста составляет 32 768 токенов. Для запуска нужны совместимые библиотеки: README отмечает, что новая на момент публикации архитектура Mistral поддерживалась не всеми библиотеками. Модель выпущена под лицензией Apache-2.0. Авторы рекомендуют её как сбалансированный по качеству и вычислительным требованиям вариант семейства, но предупреждают, что результаты могут различаться в зависимости от версии и сценария; при неудовлетворительном качестве предлагают попробовать другую или более крупную модель. В README также сказано, что модель предназначена только для исследовательского использования.

EXAONE-3.5-2.4B-Instruct-GGUF — набор GGUF-квантизованных вариантов инструкционной модели семейства EXAONE, опубликованный ThomasBaruzier. В README указано, что квантизации созданы на основе LGAI-EXAONE/EXAONE-3.5-7.8B-Instruct с использованием llama.cpp и метода imatrix; при этом в идентификаторе и именах файлов указано обозначение 2.4B. Такое расхождение следует учитывать при выборе модели. Разработчиком базовой модели выступает LGAI, а данный репозиторий содержит её производные квантизованные файлы. Модель предназначена для генерации текста и выполнения инструкций в локальных сценариях, где важны сниженные требования к памяти. Доступны варианты квантизации от IQ1_S до Q5 и других форматов, размером примерно от 693 МБ до 1,9 ГБ; более компактные варианты экономят память, но сильнее теряют качество. В README приведены сравнительные показатели perplexity и accuracy для разных вариантов, причём более высокие уровни квантизации обычно обеспечивают лучшую точность. Заявлены языки английский и корейский, модальность — текстовая. Архитектура, максимальная длина контекста и подробные характеристики исходной модели в предоставленных данных не указаны. Основные преимущества — широкий выбор компромиссов между размером и качеством, возможность использования через экосистему llama.cpp и наличие результатов сравнительного тестирования. Ограничения связаны с потерями от квантизации, различиями между вариантами и неопределённостью относительно фактического размера базовой модели из-за расхождения в обозначениях. Лицензия указана как other с названием exaone; подробные условия приведены в файле LICENSE.

freewheelin/free-solar-instrunction-v0.1 — дообученная языковая модель семейства Llama с 10,7 млрд параметров для генерации текста. Разработчик сообщает, что модель дообучена с помощью TRL Trainer методом обучения из статьи SOLAR; в качестве базовой указана davidkim205/komt-solar-10.7b-sft-v5. Модель предназначена для генерации текста по запросу. Карточка не приводит конкретных сценариев применения или результатов оценки качества. В метаданных указаны корейский и английский языки, контекст 4096 токенов и формат Safetensors. Лицензия — MIT.

HuatuoGPT-13b-delta — языковая модель семейства LLaMA с 12,9 млрд параметров, представленная проектом HuatuoGPT. Репозиторий направляет к проекту, но не содержит подробностей о назначении и обучении именно этой версии. Модель использует архитектуру LlamaForCausalLM, принимает текст и генерирует текст. В метаданных указано контекстное окно 2048 токенов и формат PyTorch. Лицензия — Apache-2.0.

chargoddard/internlm2-7b-llama — версия InternLM2-7B, преобразованная в формат весов Llama. Репозиторий создан пользователем chargoddard; исходная модель — internlm/internlm2-7b. Модель предназначена для генерации текста. Она содержит 7,4 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 32 768 токенов. В метаданных указаны английский и китайский языки. Карточка не приводит отдельных оценок качества или прикладных преимуществ. Использование регулируется лицензией исходной модели InternLM; в метаданных она обозначена как other.

Korean-OpenOrca-13B — авторегрессионная языковая модель на архитектуре LLaMA 2, разработанная Кюджином Ханом (Kyujin Han) в рамках исследовательского консорциума компаний Media Group Saram과 Forest и Marker. Модель содержит 12,9 млрд параметров, принимает текст и генерирует текст; базовая модель — hyunseoki/ko-en-llama2-13b. Для дообучения использован набор OpenOrca-KO, созданный на основе переведённых примеров OpenOrca. Модель предназначена для генерации ответов и продолжения текста преимущественно на корейском языке, в том числе в сценариях следования инструкциям и ответов на вопросы. Контекст составляет 2048 токенов. В README приведены результаты на корейских бенчмарках, однако они не гарантируют качество на других задачах. Лицензия CC BY-NC-SA 4.0 требует указания авторства и ограничивает коммерческое использование.

Это конверсия модели Liquid AI LFM2-24B-A2B в формат GGUF с MXFP4-квантизацией весов MoE. Репозиторий содержит варианты BF16, F16 и Q8 для использования с llama.cpp; README указывает размеры вариантов BF16 и F16, а также их относительные компромиссы по качеству и скорости. Модель предназначена для генерации текста и диалогового использования, в том числе для локального запуска. В основе лежит многоязычная MoE-модель Liquid AI с возможностями чата. README рекомендует температуру 0,1, top-k 50 и repetition penalty 1,05. Метаданные не содержат сведений о лицензии, размере контекста или поддерживаемых языках, поэтому эти характеристики здесь не указаны.

LFM2.5-8B-A1B-Uncensored-GGUF — набор GGUF-квантизаций модели, подготовленный zaakirio на основе LFM2.5-8B-A1B-Uncensored от Liquid AI. Это decensored-версия базовой модели, созданная методом abliteration с использованием Heretic; её поведение отказов существенно ослаблено. Модель предназначена для локальной генерации текста и диалоговых сценариев, включая запуск через llama.cpp, Ollama, LM Studio, Jan и совместимые инструменты. Архитектура lfm2moe сочетает short-convolution и attention и использует 32 эксперта, из которых 4 активируются для каждого токена. Всего модель имеет около 8B параметров, при этом на токен активно примерно 1B, что обеспечивает высокую скорость инференса при умеренных требованиях к памяти. Доступны варианты от Q2_K размером около 3 ГБ до BF16 размером 16 ГБ; рекомендован Q4_K_M на 4,9 ГБ как компромисс между качеством и размером. Указаны языки English, Arabic, Chinese, French, German, Japanese, Korean, Spanish и Portuguese. Chat template — ChatML-style; в README приведён контекст 4096 для примера запуска сервера, но максимальный контекст модели не указан. Сильные стороны модели — локальный запуск, высокая производительность благодаря MoE с малым числом активных параметров, широкий выбор квантизаций и отсутствие существенного поведения отказа на тестах, описанных в карточке. Ограничения включают заметную потерю качества у низких квантизаций, необходимость свежей сборки llama.cpp с поддержкой LFM2 MoE и потенциальные риски, связанные с существенно сниженной склонностью к отказам. Модель предназначена для исследовательского и unrestricted local use. Лицензия — lfm1.0, унаследованная от базовой модели; пользователь отвечает за соблюдение применимого законодательства и условий лицензии.

mncai/llama2-13b-dpo-v4 — языковая модель MindsAndCompany на архитектуре Llama 2, дообученная для следования инструкциям и оптимизированная методом DPO. Она предназначена для генерации ответов на текстовые запросы и диалоговых сценариев; пример в карточке показывает ответ на вопрос на корейском языке. Модель содержит 12,9 млрд параметров, работает с текстом и имеет контекстное окно 2048 токенов. В карточке указана лицензия CC BY-NC-SA 4.0, которая требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование.

flozi00/Llama-2-13B-german-assistant-v2 — дообученная модель семейства Llama 2 с плотной архитектурой LlamaForCausalLM и 12,9 млрд параметров. Её разработал flozi00 в рамках частного исследовательского проекта; модель настроена на немецкие инструкции и диалоги в стиле токенов Open Assistant. Модель предназначена для генерации текста, следования инструкциям и ведения разговоров на немецком языке. В карточке указано, что обучающий набор flozi00/conversations был очищен и дедуплицирован. Поддерживаются немецкий и английский языки; длина контекста составляет 2048 токенов. Доступны веса в форматах PyTorch и Safetensors. Автор рекомендует использовать версию V3. Лицензия в предоставленных данных не указана, поэтому условия использования установить нельзя.

LLaMA-3-8B-Instruct-TR-DPO — турецкоязычная диалоговая модель, разработанная Metin и архивированная платформой VeriPazarı. Это дообученная версия Meta-Llama-3-8B-Instruct с плотной архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров; модель доступна в формате safetensors и предназначена для генерации текста и ответов на инструкции.

Llama-portuguese-13b-Luana-v0.2 — диалоговая языковая модель, разработанная rhaymison и дообученная на базе meta-llama/Llama-2-13b-chat-hf. По карточке, обучение включало супerset из 200 тысяч инструкций на португальском языке; модель ориентирована главным образом на выполнение инструкций и генерацию ответов на португальском. Это плотная архитектура Llama с 12,9 млрд параметров и контекстом 4096 токенов, представлена в формате safetensors и рассчитана на использование через Transformers. Модель подходит для чат-ассистентов, ответов на вопросы и выполнения пользовательских инструкций на португальском. В карточке приведены результаты Open Portuguese LLM Leaderboard, включая оценки для ENEM и BLUEX без изображений. Указана лицензия Apache-2.0. Возможность квантования до 4 или 8 бит описана как способ использования, а не как формат опубликованных весов.

Matsutei-Qwen2.5-72b — объединённая языковая модель, созданная KaraKaraWarehouse методом TIES с помощью mergekit. За основу взята EVA-UNIT-01/EVA-Qwen2.5-72B-v0.1; в объединение также вошли SteyrCannon-Qwen2.5-72b, Chronos-Platinum-72B и banana-2-b-72b. Модель построена на архитектуре Qwen2, имеет 71,5 млрд параметров и предназначена для генерации текста и диалогов. Автор описывает её как вариант, призванный уменьшить путаницу при работе с лором из world book, который может передаваться в сообщениях чата. При этом отмечены и другие возможные особенности поведения, поэтому модель стоит проверять на конкретных сценариях. Поддерживается контекст до 131 072 токенов; файлы представлены в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

mGPT — авторегрессионная языковая модель семейства GPT, разработанная командой SberDevices. Модель содержит 1,3 млрд параметров и обучена на корпусах Wikipedia и Colossal Clean Crawled Corpus: около 600 ГБ текста на 61 языке, включая русский. Она предназначена для генерации текста и многоязычных сценариев обработки языка, в том числе работы с языками с ограниченными ресурсами. Архитектура основана на GPT-2 и воспроизводит архитектуру GPT-3; для обучения использовались разреженное внимание, Megatron и DeepSpeed. Максимальный контекст — 2048 токенов. Модель показывает результаты, сопоставимые с XGLM аналогичного размера, при более широком охвате языков. Весы доступны в формате PyTorch, лицензия — Apache-2.0. Это базовая модель генерации текста, поэтому для конкретных диалоговых или прикладных задач может потребоваться дополнительная настройка. README указывает обучение на последовательностях длиной 512 токенов, что следует отличать от заявленного максимального контекста в метаданных.

cstr/mimo-asr-GGUF — это конверсия модели MiMo-V2.5-ASR от Xiaomi MiMo Team в формате GGUF, подготовленная для работы с runtime CrispASR от CrispStrobe. Модель предназначена для автоматического распознавания речи и преобразует аудио в текст; поддерживает Mandarin, включая диалекты Wu, Cantonese, Hokkien и Sichuanese, английский язык и переключение между языками. Для работы требуется отдельная аудиотокенизаторная модель cstr/mimo-tokenizer-GGUF, преобразующая 16-кГц PCM-аудио в коды, которые потребляет языковая модель. Архитектура включает аудиотракт с 6-слойным input_local_transformer, 8-канальными RVQ-эмбеддингами и проекцией в пространство размерности 4096, а также 36-слойную Qwen2 с 7,5 млрд параметров, 4096-мерными скрытыми состояниями, 32 attention heads, 8 KV heads и максимальной длиной позиции 8192. Доступны варианты F16 размером 14,9 ГБ и Q4_K размером 4,2 ГБ; последний рекомендуется по умолчанию, помещается примерно в 8 ГБ RAM и использует объединённые Q/K/V-проекции для ускорения декодирования. Модель поддерживает полностью нативный C++-инференс без Python и Transformers, работает на CPU, CUDA и Apple Silicon с Metal, использует KV-кэширование и подходит для локальной транскрипции. На Apple M1 вариант Q4_K обрабатывает 11 секунд аудио примерно за 25–30 секунд, то есть около 0,4× реального времени; основным ограничением остаётся медленное пошаговое декодирование. Качество зависит от квантования, а для длительных записей могут потребоваться значительные объёмы памяти. Модель распространяется по лицензии MIT.

Moonshine Streaming Tiny — Japanese — модель распознавания японской речи с потоковой транскрипцией, разработанная Moonshine AI. Она предназначена для инкрементальной расшифровки аудио на устройствах с ограниченными ресурсами: модель выдаёт текст по мере поступления речи, используя аудиофронтенд 50 Гц и Transformer-кодировщик со скользящими окнами. Архитектура включает кодировщик и декодер по 6 слоёв шириной 320 с 8 головами внимания; в README указано 27 млн параметров, а метаданные каталога сообщают 13,8 млн. Модель обучена для японского языка на автоматически размеченных аудиозаписях подкастов и YouTube, а также на смеси записанной речи, включающей Common Voice Japanese. На тестах FLEURS и ReazonSpeech показаны значения CER без учёта пробелов; качество заметно ниже на коротких спонтанных высказываниях. Обучающие транскрипты в основном созданы моделью-учителем Whisper, поэтому возможны ошибки в именах, числах и переключении языков. Лицензия — MIT.