I.6Перевод и языковая адаптация

Это MLX-совместимая версия модели распознавания речи NVIDIA Nemotron 3.5 ASR Streaming, подготовленная theoracleguy для OpenVox и других сценариев на Apple Silicon с библиотекой mlx-audio. Модель содержит 600 млн параметров и использует потоковую архитектуру FastConformer-RNNT с учетом кэша и подсказкой идентификатора языка. В репозитории размещены веса bfloat16 для инференса полного качества. Модель предназначена для потоковой транскрипции речи с пунктуацией и восстановлением заглавных букв; README сообщает о поддержке 40 языковых локалей. Метаданные перечисляют языки, включая английский, русский, испанский, немецкий, французский, арабский, японский, китайский и другие. Её можно использовать в локальных голосовых сценариях OpenVox или независимо через mlx-audio. Это производная версия NVIDIA Nemotron 3.5 ASR Streaming, адаптированная для MLX; метаданные указывают связь finetune. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой репозитория и исходной моделью NVIDIA. Архитектура, бенчмарки и ограничения описаны в оригинальной карточке NVIDIA, на которую ссылается README.

Модель texdata/nemotron-3.5-asr-streaming-slovenian разработана MediaAtlas на основе NVIDIA Nemotron-3.5 ASR Streaming 0.6B. Это потоковая модель распознавания речи на архитектуре FastConformer-CacheAware RNNT; базовая модель насчитывает 638 млн параметров. Она предназначена для низколатентной транскрибации словенской речи, включая чтение и спонтанную разговорную речь. Модель можно запускать на GPU через NeMo или на CPU через parakeet.cpp, используя поставляемые контрольную точку NeMo и файл GGUF с квантизацией q8_0. В README приведены результаты на отложенных тестовых наборах: WER 25,07% для Common Voice, 23,42% для многодоменного ARTUR и 21,66% для парламентской спонтанной речи ARTUR. Авторы отмечают компромисс: модель рассчитана на потоковую работу и спонтанную речь, тогда как сравниваемая непотоковая модель точнее на чистой прочитанной речи. Лицензия — CC BY-SA 4.0.

ΩFFΣLLIα Q4_2_H — это производная квантованная языковая модель в формате GGUF, подготовленная пользователем Brunobkr на основе базовой модели, указанной в идентификаторе как gemma-4-26B-A4B-it. Модель предназначена для генерации текста и диалогового взаимодействия, включая локальный запуск через llama.cpp, llama-server, Ollama, LM Studio, KoboldCpp и text-generation-webui. В метаданных заявлена многоязычная поддержка, в частности английского и португальского языков. Ключевая особенность модели — квантование ΩFFΣLLIα/Zetahelicoidal с типом Q4_2_H, реализованное в специализированной модификации llama.cpp. Используется 4-битное квантование с размером блока 24 элемента и структурой блока размером 14 байт; заявлена нативная обработка тензоров без перехода на Q4_0 для указанных совместимых размерностей. Это должно уменьшать объём модели и требования к памяти по сравнению с полноформатными весами, но может сопровождаться потерями точности, характерными для низкобитного квантования. Точный размер контекста, число параметров, описание архитектуры и поддерживаемые модальности в README не указаны. Лицензия обозначена как other с указанием использовать лицензию базовой модели; конкретные условия необходимо проверять отдельно по исходной модели. README также указывает на conversational, uncensored и abliterated характеристики, однако не приводит независимых бенчмарков или подробной оценки качества, поэтому производительность и поведение модели следует проверять на целевых задачах.

NVIDIA Parakeet-RNNT 110M Danish — модель автоматического распознавания речи с 110 млн параметров для преобразования датской речи в текст. Она предназначена для транскрибирования аудиозаписей и интеграции в приложения распознавания речи. Модель использует архитектуру FastConformer с предсказательной сетью LSTM и обучена с функцией потерь RNN-T. На вход подаётся монофоническое аудио с частотой 16 кГц, на выходе — строка с распознанным текстом. В README приведены оценки WER от 8,8% до 10,7% на датских тестовых наборах при жадном декодировании без внешней языковой модели. Для работы используется NVIDIA NeMo; модель оптимизирована для систем с GPU NVIDIA. Модель подходит для коммерческого и некоммерческого использования согласно README. В метаданных указана лицензия other, поэтому перед внедрением следует проверить применимые условия распространения и использования. Качество может зависеть от акустики, акцента и соответствия аудио обучающим данным; заявленные оценки относятся к указанным наборам и настройке декодирования.

PLaMo-13B — плотная авторегрессионная языковая модель с архитектурой decoder-only, разработанная Preferred Networks, Inc. Она основана на LLaMA и содержит 13 млрд параметров по карточке модели; метаданные репозитория указывают 14,7 млрд параметров. Модель предварительно обучена на открытых англоязычных и японских наборах данных, включая C4, mC4, Wikipedia, Project Gutenberg и коллекции RedPajama. Для токенизации используется SentencePiece. Модель предназначена для генерации текста и продолжения запросов на английском и японском языках. Её можно применять через Transformers; заявленная длина контекста — 4096 токенов. Репозиторий содержит веса в формате safetensors, а лицензия Apache 2.0 разрешает использование на её условиях. Карточка предупреждает, что ответы могут быть неточными, предвзятыми или нежелательными, а проведённые испытания охватывали только английский и японский языки. Перед внедрением в конкретные приложения рекомендуется проводить собственное тестирование безопасности и настройку.

Prodigy SM Base v0.1 — базовая языковая модель, разработанная авторами проекта Prodigy и основанная на Mistral-7B-v0.1. Это плотная авторегрессионная модель на 7,1 млрд параметров с контекстом до 32 768 токенов, предназначенная для генерации текста на сербском, боснийском, хорватском и английском языках. Авторы продолжили предварительное обучение Mistral, используя синтетические и подготовленные людьми данные, а также смесь данных CC Web, чтобы улучшить понимание и генерацию на южнославянских языках. Модель подходит для дальнейшего языкового дообучения и как основа для последующей настройки под инструкции или чат. Авторы сообщают об улучшении результатов на сербском при сохранении или небольшом улучшении англоязычных показателей, однако README не приводит здесь численные результаты. У модели нет шаблона чата и строгого следования инструкциям, поэтому она рассчитана на продолжение обучения или прямую генерацию текста, а не на готовый диалоговый ассистент. Распространяется по лицензии Apache-2.0.

jaeyong2/Qwen2.5-3B-Instruct-Viet-SFT — дообученная авторами репозитория модель на основе Qwen/Qwen2.5-3B-Instruct. Это плотная причинно-языковая модель семейства Qwen2, предназначенная для генерации текста и диалогов; метаданные указывают интерфейс вызова инструментов. Модель содержит 3,1 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка модели не содержит содержательного описания или сведений о данных дообучения, поэтому назначение Viet-SFT и конкретные преимущества для вьетнамского языка подтвердить нельзя. Метаданные карточки указывают вьетнамский и английский языки. Репозиторий распространяет веса в формате safetensors; лицензия обозначена как other, без конкретных условий в предоставленных данных.

Alcoft/Qwen_Qwen3-1.7B-GGUF — набор GGUF-квантизованных вариантов модели Qwen/Qwen3-1.7B, опубликованный пользователем Alcoft. Модель предназначена для генерации текста и локального запуска в совместимых средах, поддерживающих формат GGUF. README не содержит сведений о конкретных языках, длине контекста и мультимодальности, поэтому эти характеристики нельзя надёжно определить по представленным данным. Доступны варианты с различными уровнями квантизации: от Q2_K до Q8_0, а также F16 и исходный BF16. Размер файлов составляет примерно от 839 МБ до 3,79 ГБ. Более компактные варианты требуют меньше памяти, но имеют заметно более низкое качество; автор рекомендует в большинстве случаев версии Q4–Q8, причём Q5 и Q6 описываются как высоко- и очень высококачественные, а Q8_0 — как близкая по качеству к F16. Некоторые варианты используют повышенную точность для выходных и embedding-слоёв. Ключевое преимущество репозитория — широкий выбор компромиссов между размером, требованиями к памяти и качеством при локальном инференсе. Ограничения связаны с потерями качества при низкой квантизации, особенно у вариантов Q2 и Q3; версии F16 и BF16 автор считает избыточными. Квантизация выполнена с помощью TAO71-AI AutoQuantizer. Лицензия в README не указана.

ReAligned-Qwen3.5-2B-GGUF — набор квантизированных моделей в формате GGUF на основе Lazarus-Ai/ReAligned-Qwen3.5-2B, разработанной Eric Hartford, главным научным сотрудником LazarusAI и основателем QuixiAI. Модель относится к семейству Qwen3.5 и предназначена для генерации текста, диалоговых сценариев и работы в качестве инструкционной чат-модели. Заявленная цель ReAligned — снизить идеологическую цензуру, избыточные отказы и навязывание государственной нарративной рамки при сохранении общих возможностей базовой модели. Доступны варианты с разными уровнями квантизации — от BF16 до Q3 и IQ4, с размером файлов примерно от 1,17 до 3,78 ГБ. Модель поддерживает английский и китайский языки; формат предназначен для запуска через llama.cpp и совместимые приложения, включая LM Studio, KoboldCpp, Jan AI и Text Generation Web UI. Следует использовать нативный шаблон чата Qwen. В README не указаны точная архитектура, длина контекста и модальности, поэтому подтверждённые характеристики ограничиваются текстовой генерацией. Сильными сторонами являются компактный размер, возможность локального запуска, широкий выбор компромиссов между качеством и требованиями к памяти, а также управляемость через системный промпт. Ограничения включают зависимость поведения от выбранного варианта квантизации и настроек инференса, а также отсутствие опубликованных результатов тестирования в карточке. Модель распространяется по лицензии Apache-2.0.

ReAligned-Qwen3.5-35B-A3B-GGUF — набор GGUF-квантизаций языковой модели на базе Qwen3.5, разработанный LazarusAI под руководством Eric Hartford и квантизированный QuixiAI. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на чувствительные исторические и политические вопросы. Заявленная цель — уменьшить идеологическую цензуру, избыточные отказы и государственно-ориентированную подачу материала при сохранении общих возможностей исходной модели. Модель поддерживает английский и китайский языки, использует текстовую модальность и предназначена для запуска через llama.cpp и совместимые приложения, включая LM Studio, KoboldCpp, Jan AI и Text Generation Web UI. Доступны варианты квантизации Q8_0, Q6_K, Q5, Q4 и IQ4 с размером файлов примерно от 18,9 до 36,9 ГБ; Q6_K и Q4_K обозначены как рекомендуемые варианты. Для работы следует использовать нативный шаблон чата Qwen и актуальную версию выбранного runtime. Размер контекста в README не указан. Сильными сторонами заявлены прямые ответы на чувствительные темы, управляемость через системный промпт и широкий выбор квантизаций для компромисса между качеством и требованиями к памяти. Ограничения включают отсутствие опубликованных результатов тестирования в карточке, неизвестный размер контекста и возможное снижение качества по сравнению с исходной моделью при использовании низкобитных квантизаций. Модель распространяется по лицензии Apache-2.0.

Replete-LLM-V2.5-Qwen-1.5b-GGUF — набор GGUF-квантизаций модели Rombos-LLM-V2.5-Qwen-1.5b, разработанный rombodawg и подготовленный bartowski. Это текстовая autoregressive-модель для генерации текста, предназначенная для локального запуска через llama.cpp и совместимых приложений, включая LM Studio. Для общения используется шаблон с ролями system, user и assistant на основе формата Qwen. Доступны варианты от полноточного F16 до квантизаций Q8_0, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 0,88 до 3,56 ГБ, поэтому модель можно адаптировать под доступную оперативную память; варианты Q6 и Q5 обеспечивают высокое качество, а Q3 ориентированы на более ограниченные ресурсы. Отдельные варианты оптимизированы для ARM-процессоров и требуют соответствующей аппаратной поддержки. Данные о поддерживаемых языках, размере контекста, точной архитектуре базовой модели и результатах бенчмарков в README не указаны. Модель распространяется по лицензии Apache-2.0.

rubai-corrector-transcript-uz — модель Сардора Исломова и Даврона Иброхимова для нормализации текста после распознавания речи. Она построена на архитектуре ByT5 и дообучена на базе rubai-corrector-base, которая основана на google/byt5-small. Модель принимает текст с префиксом «correct: » и преобразует построчные результаты ASR в текст, удобный для чтения. Модель расставляет пунктуацию и прописные буквы, нормализует апострофы, исправляет отдельные ошибки ASR и OCR, восстанавливает русский текст, записанный латиницей, и обрабатывает смешанные узбекско-русские строки. Также она поддерживает отдельные шаблоны преобразования чисел. Предназначена прежде всего для результатов моделей islomov/rubaistt_v2_medium и Kotib/uzbek_stt_v1. Репозиторий содержит веса в формате safetensors, модель насчитывает 364,6 млн параметров. Сведения о лицензии и длине контекста отсутствуют в предоставленных данных. Модель лучше подходит для подготовки отображаемых транскриптов, чем для точного сохранения исходной расшифровки без правок: она может добавлять финальную точку, даже если в исходном тексте её не было. Она не оптимизирована для агрессивной денормализации или некоторых смешанных скриптовых форматов. Условия лицензии по имеющимся данным определить нельзя.

cointegrated/rubert-tiny — компактная дистиллированная модель семейства BERT для русского и английского языков. Она содержит около 12,1 млн параметров, использует архитектуру BertForPreTraining и принимает последовательности длиной до 512 токенов. Модель обучалась с MLM-loss на корпусах Yandex Translate, OPUS-100 и Tatoeba; при обучении также применялись дистилляция от bert-base-multilingual-cased и функции потерь для ранжирования переводов и выравнивания предложений. Модель подходит для заполнения маскированных токенов и как компактная основа для дообучения на простых задачах NLU, например классификации тональности и распознавания именованных сущностей. Вектор представления [CLS] можно использовать как межъязыковое представление предложений на русском и английском языках. Она примерно в десять раз меньше и быстрее BERT базового размера, но уступает ему в точности; автор README рекомендует более новую rubert-tiny2 для лучшего качества на большинстве русскоязычных NLU-задач. Репозиторий содержит веса PyTorch и safetensors и распространяется по лицензии MIT.

SE-DiCoW — модель распознавания речи целевого говорящего, разработанная группой BUT Speech@FIT совместно с JHU CLSP/HLTCOE и CMU LTI. Это плотная модель семейства DiCoW с архитектурой DiCoWForConditionalGeneration, содержащая 905,2 млн параметров и основанная на Whisper large-v3-turbo. Она принимает аудио разговоров и формирует текстовую расшифровку речи выбранного говорящего, в том числе при наложении голосов. Модель использует автоматический выбор информативного фрагмента целевого говорящего с передачей признаков через cross-attention и преобразование FDDT, зависящее от диаризации. Обучение с шумовыми возмущениями и SpecAugment предназначено для повышения устойчивости к неточной диаризации. В карточке приведены результаты tcpWER на Libri2Mix, LibriSpeechMix и AMI, включая относительное снижение tcpWER примерно на 75% по сравнению с DiCoW v1 на Libri3Mix. Модель рассчитана на многоязычное распознавание речи в многоголосых разговорах и доступна в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка не уточняет языки по отдельности и длину контекста; практические результаты зависят от качества аудио и диаризации, а опубликованные метрики ограничены указанными наборами данных и протоколом оценки.

Sophea-OSS-v1 — модель Kiefer SA (Sophea AI Lab, Афины), дообученная на базе openai/gpt-oss-20b для рассуждений на греческом и английском языках. Это разреженный трансформер MoE; в метаданных указано 1,6 млрд параметров, контекст — 131 072 токена. Модель поддерживает генерацию текста и диалоговый режим. Модель предназначена для многоязычного помощника, который рассуждает на языке вопроса и выдаёт ответ в канале assistantfinal; след рассуждений передаётся отдельно в канале analysis. README сообщает, что след сохраняет язык вопроса в 98,1% случаев, но при переключении языка управляемость различается: 62,5% для греческого запроса с английским ответом и 93,3% для английского запроса с греческим ответом. Формат каналов Harmony требует совместимого клиента. В README описаны оценки на задачах математики, здравого смысла, логики и двуязычных NLU-бенчмарках; результаты приведены с оговорками в сопутствующей статье. По сравнению с базовой моделью генерация расходует больше токенов, а утечка текста ответа в канал рассуждений составляет 10,3%. Модель не оценивалась для критически важных, юридических или медицинских применений. Лицензия — Apache-2.0.

ctaguchi/ssc-lth-model — модель распознавания речи, дообученная на основе facebook/wav2vec2-xls-r-300m с помощью Transformers. Она принимает аудио и преобразует речь в текст; размер модели — 402,7 млн параметров. В карточке приведены результаты оценки: CER 0,3085 и WER 0,7821, однако сведений о языке и наборе данных для обучения нет. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Указанные метрики оценки и отсутствие описания сценариев применения ограничивают возможность судить о качестве распознавания для конкретных языков и условий записи.

Magnum-Picaro-0.7-v2-12b-GGUF — квантизированная версия текстовой генеративной модели Trappu/Magnum-Picaro-0.7-v2-12b, подготовленная bartowski в формате GGUF. Исходная модель создана Trappu и основана на объединении моделей anthracite-org/magnum-v2-12b и Trappu/Nemo-Picaro-12B; точная архитектура, поддерживаемые языки и размер контекста в README не указаны. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые приложения. Доступны варианты от BF16 до 4-битных квантов Q4_K и Q4_1, с размером файлов примерно от 7,8 до 24,5 ГБ. Квантизация выполнена с использованием imatrix, что направлено на сохранение качества при уменьшении требований к памяти; варианты Q5 и Q6 отмечены автором как рекомендуемые. Модель поддерживает текстовую модальность, а формат промпта использует специальные маркеры системного, пользовательского и ассистентского сообщений. По опубликованным результатам Open LLM Leaderboard показатели составляют 30,03% на IFEval, 35,75% на BBH, 4,76% на MATH Level 5, 9,73% на GPQA, 19,56% на MuSR и 28,67% на MMLU-Pro. Эти результаты указывают на пригодность модели для общих задач генерации и рассуждений, но не заменяют проверку на конкретных сценариях. Модель распространяется по лицензии Apache-2.0.

Карточка модели ytu-ce-cosmos/turkish-base-bert-capitalization-correction на Hugging Face совпадает с карточкой ytu-ce-cosmos/turkish-base-bert-punctuation-correction, поэтому описание составлено по ней. 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.

VibeVoice-ASR-BitNet GGUF — конверсия модели microsoft/VibeVoice-ASR-BitNet в формат GGUF для использования с CrispASR. Это модель автоматического распознавания речи, предназначенная для преобразования 24 кГц моноаудио в текст, в том числе при локальном запуске через CrispASR, C API или Python. Поддерживаются английский, китайский, французский, итальянский, корейский, португальский и вьетнамский языки. Архитектура включает двойной VAE-энкодер и декодер на базе Qwen2. Базовая модель содержит 1,5 млрд параметров; языковая модель имеет 28 слоёв, скрытое представление размером 1536, 12 attention-голов и 2 KV-головы. Аудиообработку выполняет ConvNeXt-подобный одномерный CNN-энкодер с акустическим представлением 64d и семантическим представлением 128d. Доступны варианты размером от 1,05 до 1,55 ГБ с разной степенью квантования; проекции LM используют тернарное квантование TQ2_0, а VAE и embedding — Q4_0, Q5_0, Q8_0 или F16. По данным README, все варианты показали идентичный результат транскрибации на тестовом аудио JFK, включая наиболее компактный вариант aggro, однако подтверждение качества ограничено этим тестом. Модель ориентирована на эффективное локальное распознавание речи с уменьшенным размером файлов и стандартной поддержкой ggml, но README не содержит сведений о точности на широком наборе данных, задержке, устойчивости к шуму или поддержке других аудиоформатов. Распространяется по лицензии MIT; репозиторий содержит только конверсию и квантование исходных весов без дообучения или изменения архитектуры.

VibeVoice-ASR-Streaming-7B-GGUF — это сборка в формате GGUF для audio.cpp модели автоматического распознавания речи Microsoft VibeVoice-ASR-Streaming-7B. Репозиторий audio.cpp предоставляет варианты модели, адаптированные для запуска через audio.cpp, включая офлайн-распознавание и потоковую транскрипцию в реальном времени. Модель предназначена для преобразования аудио в текст, в том числе при передаче аудиоданных непрерывным потоком. Заявлена поддержка английского, китайского, испанского, португальского, немецкого, японского, корейского, французского, русского и итальянского языков. Модель также относится к классу speaker-attributed transcription, однако подробности о механизме и качестве атрибуции говорящих в README не приведены. Для потокового режима требуется монофонический PCM-аудиосигнал с частотой 16 кГц и 16-битным знаковым форматом. Доступны варианты BF16 с максимальной точностью, рекомендуемый Q8_0 и более компактный Q4_K с меньшей разрядностью. Размер базовой модели — 7B параметров; сведения о точной архитектуре, размере контекста и характеристиках мультимодальности не указаны. К сильным сторонам относятся поддержка потоковой обработки, несколько языков и интеграция с audio.cpp. Ограничения включают зависимость от совместимого рантайма audio.cpp, а также отсутствие в README данных о точности, задержке, требованиях к ресурсам и качестве разделения говорящих. Файлы распространяются по лицензии MIT.

Карточка модели amandabenson/acestep-transcriber-fork на Hugging Face совпадает с карточкой ACE-Step/acestep-transcriber, поэтому описание составлено по ней. 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.

lucadiliello/bart-small — компактная версия BART от автора репозитория. Это плотная encoder-decoder-модель типа BartForConditionalGeneration с 50,9 млн параметров и контекстом до 512 токенов. По сравнению с bart-base у неё меньше голов внимания, меньший размер feed-forward слоёв и меньшая скрытая размерность. Модель предназначена для задач преобразования текста в текст, в которых входной текст используется для получения целевого текста. Карточка не уточняет конкретные обучающие задачи, языки или датасеты, поэтому область применения можно описать только на общем уровне. Репозиторий содержит веса PyTorch и Safetensors; лицензия в предоставленных данных не указана.

Claude-Fable7-Undecillion-SSE — разговорная модель на базе весов Jhanna 12, опубликованная Oroboros Labs. В README заявлены настройка личности и агентный контракт с логикой маршрутизации и использованием инструментов; метаданные классифицируют модель как text-generation с поддержкой чата. Заявленная архитектура Wan 2.2 относится к видеодизайну, но карточка не подтверждает, что репозиторий умеет генерировать видео. Файл весов указан в формате GGUF с квантизацией Q4_K_M; в README приведены оценки размера около 14,8 млрд параметров и 9,0 ГБ для файла. Карточка называет модель многоязычной для английского, китайского, японского и испанского языков. Лицензия указана как other, поэтому конкретные условия использования следует проверять в файлах репозитория. Заявления о тестировании, скорости и точности приведены автором и не подтверждены независимыми данными.

CT-LLM-SFT-DPO — версия модели CT-LLM, дообученная командой M-A-P методом DPO на предпочтениях. Это плотная авторегрессионная языковая модель семейства Llama с 1,9 млрд параметров и контекстом до 4096 токенов. Репозиторий содержит веса в формате Safetensors. Модель предназначена для генерации ответов с улучшенным следованием предпочтениям и безопасностью. В обучении использованы открытые и синтетические наборы данных на китайском и английском языках: 183 тыс. пар предпочтений на китайском и 46 тыс. на английском. По данным авторов, модель превзошла ряд языковых моделей класса 2B на бенчмарке CValues и показала улучшение относительно CT-LLM-SFT на COPA, CMMLU, Hellaswag и TriviaQA. Модель подходит для диалоговых ответов, общих вопросов и генерации текста на китайском и английском языках. Авторы сообщают о назначении для академических исследований; результаты могут быть неточными или неподходящими, поэтому ответы требуют проверки. Лицензия репозитория — Apache-2.0.

DarkIdol-Llama-3.1-8B-Instruct-1.2-Uncensored-GGUF — квантизированная версия инструкционной языковой модели DarkIdol-Llama-3.1-8B-Instruct-1.2-Uncensored, разработанной aifeifei798 и подготовленной для GGUF bartowski. Модель основана на архитектуре Llama 3.1, содержит 8 млрд параметров и предназначена для генерации текста, диалогов и ролевых сценариев, включая использование в SillyTavern. Указанная версия рассчитана на запуск через llama.cpp и LM Studio и поддерживает несколько вариантов квантизации с различным соотношением качества, размера и требований к оперативной памяти. В README заявлена поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского, тайского, китайского, корейского и японского языков. Доступны файлы от полного F32 размером 32,13 ГБ до компактных вариантов Q3 и IQ3; рекомендуемыми названы, в частности, Q4_K_M, Q5, Q6 и другие варианты с более высоким качеством. Сильными сторонами являются широкий выбор квантизаций, локальный запуск и ориентация на ролевые диалоги. Ограничения — снижение качества у наиболее компактных вариантов и отсутствие в предоставленных данных сведений о размере контекста, точных характеристиках архитектуры и результатах независимого тестирования. Лицензия указана как llama3.1. Модель является текстовой и не поддерживает мультимодальный ввод по данным README.

amirMohammadi/Dorna-Llama3-8B-Instruct-Quantized4Bit — 4-битная квантованная версия Dorna-Llama3-8B-Instruct, модели с архитектурой decoder-only на основе Llama 3. Модель разработана для диалоговой генерации текста и специально дообучена на персидских данных. В репозитории указаны 7,5 млрд параметров, контекст до 8192 токенов и поддержка чата; Flash Attention 2 ускоряет инференс. Квантование снижает требования к памяти: автор сообщает о запуске на GPU T4 с менее чем 15 ГБ видеопамяти через Transformers. Модель подходит для вопросов и ответов, генерации кода, математики, перефразирования и суммаризации. Приведённые в README оценки относятся к неквантованной версии Dorna-Llama3-8B-Instruct, поэтому напрямую не подтверждают качество этой квантованной сборки. Лицензия — llama3.

FinanceConnect-13B-i1-GGUF — квантизированная версия языковой модели FinanceConnect-13B, разработанной ceadar-ie и подготовленной в формате GGUF пользователем mradermacher. Модель ориентирована на финансовую предметную область и обучалась с использованием набора данных FinTalk-19k. Модель предназначена для задач обработки естественного языка в финансовом контексте, включая суммаризацию, классификацию, перевод и работу с профильными текстами. Указан английский язык. Размер базовой модели составляет 13 млрд параметров; доступны варианты с разными типами квантизации imatrix и размером файлов примерно от 3,0 до 10,8 ГБ, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством. Главное преимущество модели — специализация на финансовой тематике и возможность локального запуска благодаря компактным GGUF-квантизациям. Ограничения связаны с потерями качества при сильной квантизации: README отмечает, что некоторые варианты имеют низкое качество, тогда как Q4_K_M назван быстрым и рекомендуемым, а IQ-квантизации могут быть предпочтительнее сопоставимых по размеру вариантов. Сведения о контекстном окне, мультимодальности и конкретной архитектуре не указаны. Модель распространяется по лицензии Apache-2.0.

Это модель SentenceTransformer, дообученная Bofandra на основе Bofandra/fine-tuning-use-cmlm-multilingual-quran-translation. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости; сходство оценивается косинусной мерой. Архитектура основана на BERT с усреднением токенных представлений и нормализацией векторов. В метаданных указан размер 498,1 млн параметров и контекст до 512 токенов; в README для конфигурации Sentence Transformers указан максимум 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, в том числе вариантов переводов аятов Корана. Её также можно применять для поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. README описывает обучение на 609 парах предложений, связанных с переводами Корана; метаданные указывают библиотеку sentence-transformers и формат safetensors. Модель принимает текст и выдаёт векторы признаков, поэтому для поиска по коллекции потребуется индексировать эмбеддинги, а для классификации — использовать отдельный классификатор или процедуру кластеризации. Лицензия в предоставленных данных не указана.

Abin7/finnish-mal-spanish — объединённая языковая модель, созданная с помощью mergekit методом TIES на базе NousResearch/Llama-2-7b-hf. В объединение вошли модели для финского, малаялам и испанского языков. Модель имеет архитектуру Llama с 6,6 млрд параметров, принимает текст и генерирует текст; нативный размер контекста — 4096 токенов. Модель предназначена для генерации текста и диалоговых сценариев на поддерживаемых языках. В карточке указана лицензия? НЕТ. Доступные сведения не подтверждают качество для отдельных языков и конкретных задач, поэтому результаты следует проверять, особенно в задачах, требующих точности. Весовой формат репозитория — safetensors; в конфигурации слияния указан тип float16.

Fun-ASR-Nano-2512-GGUF — конвертированная в формат GGUF версия модели FunAudioLLM/Fun-ASR-Nano-2512-hf, разработанной FunAudioLLM. Модель предназначена для автоматического распознавания речи и работает через audio.cpp в автономном офлайн-режиме, включая запуск на CPU и NVIDIA CUDA. Это мультиязычная ASR-модель с поддержкой двух вариантов весов: Q8_0 размером около 1,05 ГБ и F16 размером около 1,68 ГБ. В файлы встроены конфигурация модели и процессора, tokenizer, chat template и спецификация пакета audio.cpp. Точные архитектурные параметры, число параметров, список языков и размер контекста в README не указаны. К сильным сторонам относятся автономная работа без внешнего сервиса, мультиязычное распознавание, готовность к использованию в audio.cpp и проверка транскрипции на CPU и NVIDIA H100 CUDA. Ограничения модели: она работает только офлайн и не предоставляет потоковый режим или временные метки. Для CUDA веса encoder и adaptor в варианте Q8_0 сохраняются в исходном формате, а веса decoder по умолчанию загружаются в BF16; этот тип можно изменить параметром сессии. Модель и конвертированные веса распространяются по лицензии FunASR Model Open Source License Agreement v1.1. Перед использованием и распространением необходимо ознакомиться с условиями этой лицензии.