I.6Перевод и языковая адаптация

Gemma2 Opus100 DE-EN Merged — генеративная языковая модель из семейства Gemma 2, размещённая пользователем chetan272006 на Hugging Face. Модель предназначена для генерации текста и поддерживает сценарии диалогового взаимодействия; в метаданных она помечена как conversational и text-generation. Разработчик, точная методика объединения и исходные модели в карточке не описаны. Модель содержит 2,7 млрд параметров, рассчитана на работу через библиотеку Transformers и использует контекст длиной до 8192 токенов. В названии указана ориентация на немецкий и английский языки, однако официальные языковые коды или подробное описание языковой поддержки отсутствуют. README не содержит сведений о лицензии, обучающих данных, результатах оценки, ограничениях и рекомендуемых сценариях применения.

Gigantes-v3-gemma2-9b-it — объединённая языковая модель, созданная разработчиком репозитория с помощью mergekit на основе Gemma 2 и нескольких инструктивных моделей. В состав объединения входят princeton-nlp/gemma-2-9b-it-SimPO, AXCXEPT/EZO-Humanities-9B-gemma-2-it, VAGOsolutions/SauerkrautLM-gemma-2-9b-it, anthracite-org/magnum-v4-9b и silma-ai/SILMA-9B-Instruct-v1.0; применён метод task arithmetic. Модель предназначена для диалоговой генерации текста. Автор рассчитывал, что сочетание японской, немецкой и арабской инструктивных моделей улучшит рассуждения и усложнит генерацию на английском языке. Это плотная модель Gemma 2 на 9 млрд параметров с контекстом до 8192 токенов, доступная в формате safetensors и рассчитанная на работу через Transformers. Метаданные указывают возможность чата, но не дают оснований считать заявленные улучшения подтверждёнными оценками. Модель распространяется по лицензии Gemma; перед применением следует соблюдать её условия. Карточка не описывает специальные ограничения по качеству или безопасности.

GLM-5.2-mxfp4 — конвертированная версия модели GLM-5.2-FP8 от zai-org для запуска с библиотекой MLX. Модель предназначена для генерации текста; конкретные сценарии применения, архитектура, количество параметров, поддерживаемые языки и максимальная длина контекста в представленном README не указаны. Модель использует формат mxfp4 и требует версию mlx-lm с изменениями из pull request #1410. Это указывает на подготовку к запуску в экосистеме MLX, однако сведения о производительности, преимуществах, ограничениях и совместимых устройствах отсутствуют. Лицензия и условия использования в README не указаны.

H4rmoniousPampero-i1-GGUF — набор GGUF-квантований базовой модели neovalle/H4rmoniousPampero, подготовленный пользователем mradermacher. Модель предназначена для генерации текста и локального запуска в совместимых инструментах, поддерживающих формат GGUF. В метаданных указан английский язык. README не раскрывает исходную архитектуру, количество параметров, размер контекста и точный набор поддерживаемых сценариев. Доступны варианты квантования i1-IQ1_S–i1-IQ4 и i1-Q2–i1-Q6 размером примерно от 1,7 до 6,0 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать по качеству; для баланса скорости, размера и качества рекомендован i1-Q4_K_M, а i1-Q6_K описан как практически эквивалентный статическому Q6_K. Указания о лицензии в README отсутствуют, поэтому условия использования следует уточнять в карточке базовой модели и репозитории квантования.

Helium-1-2B — базовая языковая модель Kyutai с архитектурой Llama и 1,9 млрд параметров, представленная в формате safetensors для библиотеки Transformers. Модель обучена на текстах на 24 официальных языках Европейского союза; её контекст составляет 4096 токенов. По карточке, модель дистиллирована из Gemma 2. Модель предназначена для генерации и понимания текста, а также для исследований и разработки систем NLP. Она не дообучена следовать инструкциям или предпочтениям людей, поэтому для прикладных сценариев обычно требуется дополнительное выравнивание, например supervised fine-tuning или RLHF. Компактный размер ориентирован на использование на устройствах с ограниченными ресурсами, включая мобильные и периферийные устройства. Модель может генерировать фактические ошибки, предвзятый, вредный или бесполезный текст; перед применением необходимы оценка и меры снижения рисков. Поддерживаются английский, болгарский, чешский, датский, немецкий, греческий, испанский, эстонский, финский, французский, ирландский, хорватский, венгерский, итальянский, литовский, латышский, мальтийский, нидерландский, польский, португальский, румынский, словацкий, словенский и шведский языки. Лицензия — CC-BY-SA 4.0; также действуют условия использования Gemma.

Jan-v1-4B-GGUF — это набор квантизированных версий языковой модели Jan-v1-4B, разработанной janhq. Квантизацию выполнил bartowski с использованием llama.cpp, релиз b6115, и метода imatrix. Модель предназначена для генерации текста и локального запуска в LM Studio, llama.cpp и других проектах на базе llama.cpp. В набор входят варианты в формате GGUF с точностью от BF16 до различных уровней Q8, Q6, Q5, Q4, Q3, Q2 и IQ-квантизаций. Размер файлов составляет примерно от 1,67 до 8,05 ГБ; конкретные характеристики зависят от выбранного варианта. Более высокие уровни квантизации обеспечивают качество, близкое к исходному, но требуют больше памяти, тогда как низкие уровни позволяют запускать модель на устройствах с ограниченными ресурсами ценой снижения качества. README не содержит сведений об архитектуре, размере контекста, поддерживаемых языках, модальностях, назначении исходной модели или лицензии. Формат промпта также не указан.

Josiefied-Qwen2.5-1.5B-Instruct-abliterated-v1 — дообученная Гёкденизом Гюльмезом разговорная языковая модель на архитектуре Qwen2.5. Она основана на Qwen/Qwen2.5-1.5B-Instruct и дополнительно настроена на пользовательском наборе данных для более свободных, менее ограниченных ответов. Модель содержит 1,5 млрд параметров, использует плотную архитектуру Qwen2 и принимает текст для авторегрессионной генерации текста; заявленная длина контекста — 32 768 токенов. Модель предназначена для диалогов и генерации ответов в стиле универсального ассистента, в том числе с более свободной манерой ответа. В карточке перечислены английский, немецкий и другие языки; метаданные также отмечают поддержку китайского, французского, испанского, португальского, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского. Доступна по лицензии Apache 2.0. Автор предупреждает, что использовать её следует на свой риск; качество и поведение на разных задачах в карточке подробно не оценены.

Это конверсия моделей KBLab/kb-whisper в формат Core ML, выполненная Micke Kring для использования через WhisperKit в приложениях macOS и iOS. Модель предназначена для автоматического распознавания речи из аудио; в карточке указан шведский язык. В репозитории не указано, какая именно версия исходной модели KBLab/kb-whisper была конвертирована. Файлы представлены в формате Core ML, библиотека — WhisperKit. Лицензия — Apache-2.0. Подробности об архитектуре и характеристиках исходной модели README предлагает смотреть в карточках оригинальных моделей.

L3.3-Prikol-70B-v0.2-GGUF — это набор квантизированных моделей в формате GGUF для генерации текста. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix; исходная модель разработана Nohobby. Доступны варианты с разными уровнями квантизации, включая Q8_0, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M и более компактные IQ- и Q3/Q2-варианты. Модель предназначена для локального запуска и текстового вывода в совместимых инструментах, в частности LM Studio и llama.cpp. В README приведён формат промпта на основе шаблона Llama 3.3 с ролями system, user и assistant. Указан размер исходной модели 70B, однако сведения о точной архитектуре, поддерживаемых языках, длине контекста и дополнительных модальностях отсутствуют; по имеющимся данным это текстовая, а не мультимодальная модель. Основное преимущество набора — выбор между качеством и требованиями к памяти: Q6_K и Q5 считаются высококачественными, Q4_K_M обозначен как вариант типового размера, а более низкие квантизации позволяют работать при ограниченном объёме RAM, но снижают качество. Некоторые варианты используют устаревшие форматы или оптимизации для ARM и Apple silicon. Лицензия модели в README не указана, поэтому условия коммерческого и иного использования необходимо уточнять у разработчиков исходной модели и квантизации.

LFM2.5-230M-MLX-bf16 — экспорт модели Liquid AI в формате MLX для инференса на компьютерах Apple Silicon. Это компактная плотная языковая модель семейства LFM2.5 примерно на 221,2 млн параметров с точностью bf16; README описывает гибридную архитектуру, объединяющую свёрточные и attention-слои для эффективной обработки длинного контекста. Метаданные указывают контекст до 128 000 токенов и поддержку чата. Модель предназначена для генерации текста и диалоговых сценариев на локальных устройствах. В карточке заявлена многоязычность: английский, арабский, китайский, французский, немецкий, японский, корейский, испанский, португальский и итальянский. Репозиторий использует MLX и содержит веса safetensors; размер bf16-экспорта в README — 438 МБ. Лицензия обозначена как other, поэтому перед использованием следует проверить условия в карточке модели.

Vampelium/LFM2.5-2.6B-heretic — текстовая чат-модель на архитектуре LFM2, полученная удалением safety alignment из LiquidAI/LFM2.5-2.6B с помощью Heretic abliteration. Это плотная причинная языковая модель на 2,6 млрд параметров с контекстом до 131 072 токенов; веса доступны в формате BF16 Safetensors, для запуска README рекомендует Transformers версии 5.0.0 или новее. Модель предназначена для локальной генерации текста и диалогов. По метаданным она поддерживает арабский, китайский, английский, французский, немецкий, хинди, индонезийский, итальянский, японский, корейский, польский, португальский, русский, испанский, тайский и вьетнамский языки. Удаление защитного выравнивания меняет поведение базовой модели, однако карточка не приводит сравнительных оценок качества. Карточка указывает, что safety alignment удалён, и возлагает ответственность за применение на пользователя. Лицензия базовой модели LiquidAI сохраняет силу; метаданные обозначают лицензию как other, поэтому конкретные условия следует сверить с лицензией базовой модели.

Ricardo Lee создал эту модель на основе Llama 2 Base 7B Chinese: сначала провёл один цикл полно-параметрической донастройки SFT, затем два цикла SFT с LoRA на выборке из 500 тысяч примеров проекта BELLE. Модель предназначена для генерации текста и диалоговых ответов на китайском и английском языках; при использовании требуется шаблон Stanford Alpaca с начальным приветствием. Это плотная авторегрессионная модель семейства Llama с 6,7 млрд параметров и контекстом 2048 токенов. Для токенизации используется tokenizer.model из Chinese-Alpaca-Plus. README отмечает трудности со стабильностью обучения LoRA непосредственно на Llama 2 Base и указывает, что причины требуют дальнейшего анализа. Лицензия в предоставленных данных не указана.

Карточка модели Justbackup/Llama-3.3-70B-Instruct-abliterated на Hugging Face совпадает с карточкой huihui-ai/Llama-3.3-70B-Instruct-abliterated, поэтому описание составлено по ней. huihui-ai/Llama-3.3-70B-Instruct-abliterated — мультиязычная диалоговая языковая модель, созданная huihui-ai на основе Meta Llama 3.3 70B Instruct методом abliteration, направленным на удаление отказов. Это экспериментальная версия с грубой реализацией концепции; модель предназначена для генерации текста и ответов в диалоге, включая запросы, от которых исходная модель могла отказываться. Архитектура — плотная LlamaForCausalLM на 69,5 млрд параметров, формат весов safetensors, библиотека Transformers. Контекст — до 131 072 токенов. Метаданные указывают поддержку английского, французского, итальянского, португальского, хинди, испанского, тайского и немецкого языков; модель поддерживает чат и интерфейс вызова инструментов. Модель подходит для диалоговых ассистентов и генерации текста, когда требуется меньше отказов на запросы. Автор отмечает, что результат может быть неудовлетворительным и советует повторить запрос; удаление отказов описано как proof of concept, поэтому поведение и качество могут быть нестабильными. Лицензия — Llama 3.3 Community License (llama3.3); условия Meta применяются к использованию модели.

walid-iguider/Llama-3-8B-4bit-UltraChat-Ita — плотная авторегрессионная языковая модель семейства Llama 3, разработанная walid-iguider и дообученная на базе unsloth/llama-3-8b-bnb-4bit. Она предназначена для генерации текста и ответов на запросы на итальянском языке. Модель содержит 7,5 млрд параметров, поддерживает контекст до 8192 токенов и распространяется в формате Safetensors. В карточке приведены результаты итальянских бенчмарков HellaSwag, ARC и MMLU; обучение выполнялось с использованием Unsloth и TRL. Модель подходит для диалоговых сценариев и задач на понимание итальянского текста. Доступна по лицензии Apache 2.0. Карточка не описывает отдельные защитные механизмы или ограничения качества; результаты бенчмарков служат ориентиром и не гарантируют точность ответов в конкретном применении.

Модель umarigan/LLama-3-8B-Instruction-tr — дообученная umarigan версия Llama 3 с 7,5 млрд параметров, созданная на базе unsloth/llama-3-8b-bnb-4bit. Для обучения использовались Unsloth и библиотека Hugging Face TRL, а в качестве набора данных указан GPTeacher-General-Instruct-tr. Модель предназначена для генерации текста по инструкциям на турецком и английском языках, например для ответов на вопросы и выполнения общих текстовых запросов. Работает с текстом, имеет контекст до 8192 токенов и распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или результатов тестирования, поэтому пригодность для конкретных задач следует проверять отдельно.

LinkSoul разработала LLaSM-Cllama2 — двуязычную речевую и языковую модель-ассистент на основе LLaSM, предназначенную для диалогов на китайском и английском языках с речевым и текстовым вводом. Репозиторий содержит плотную авторегрессионную архитектуру LlaaaLlamaForCausalLM с 6,6 млрд параметров, веса PyTorch и контекст до 2048 токенов. Модель обучалась на наборе инструкций LLaSM-Audio-Instructions и предназначена для мультимодальных диалогов речь–текст; Hugging Face помечает её основной задачей генерацию текста. Модель подходит для голосового общения с ассистентом и ответов на инструкции на китайском и английском языках. В README проект назван коммерчески применимым и указан Apache-2.0, тогда как метаданные этой карточки указывают лицензию openrail; перед использованием следует проверить лицензию именно распространяемых весов. README перечисляет семейство Chinese-Llama-2 и варианты LLaSM-Chinese-Llama-2-7B, но не позволяет однозначно установить точную базовую модель этого репозитория.

MiniMax-M2.7 — языковая модель для генерации текста, разработанная компанией MiniMax AI. В карточке она представлена как модель text-generation, совместимая с библиотекой Transformers. Модель предназначена для задач генерации и обработки текста, однако README не содержит подробностей о поддерживаемых языках, модальностях, размере, архитектуре, длине контекста, обучении, производительности или рекомендованных сценариях применения. Поэтому её возможности и ограничения нельзя оценить точнее на основании предоставленных данных. Лицензия обозначена как other; условия использования приведены в отдельном файле LICENSE в репозитории MiniMax-AI/MiniMax-M2.7. Перед применением необходимо ознакомиться с этим документом, поскольку конкретные права, ограничения и требования лицензии в README не раскрыты.

Ja-ck/Mistral-instruct-IPO-Y24-v1 — текстовая генеративная модель семейства Mistral, опубликованная Ja-ck. Это плотная архитектура MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Карточка описывает формат запросов Alpaca: инструкция передаётся после «질문:», а ответ ожидается после «답변:». Модель предназначена для генерации ответов по инструкциям и диалоговых сценариев. Метаданные указывают корейский язык; шаблон промпта также использует корейские обозначения вопроса и ответа. Веса доступны в формате safetensors. Лицензия — Apache-2.0. README не приводит результаты оценки качества или сведения о специальной предметной настройке.

agemagician/mlong-t5-tglobal-large — предварительно обученная многоязычная модель семейства MLongT5, опубликованная Ahmed Elnaggar на основе работы Uthus и соавторов и проекта LongT5. Это encoder-decoder Transformer с механизмом transient-global attention, предназначенным для эффективной обработки длинных текстовых последовательностей. Модель содержит около 615 млн параметров и доступна в форматах PyTorch и Flax. Модель обучена на многоязычном корпусе в режиме текстового денойзинга и предназначена прежде всего для дообучения на размеченных данных. После настройки её можно применять для генерации текста, включая суммаризацию и ответы на вопросы по длинным входным материалам. В карточке заявлена обработка последовательностей до 16 384 токенов; метаданные каталога указывают нативный контекст в 4096 токенов. Карточка перечисляет поддержку множества языков, включая английский, арабский, испанский, французский, хинди и японский. Модель принимает и генерирует текст. Лицензия — Apache-2.0. Для конкретной задачи обычно требуется дообучение; качество может зависеть от языка, данных настройки и длины входа.

Это конвертированная в формат GGUF и представленная в варианте BF16 модель Magistral-Small-2506 от mlx-community. Файлы подготовлены при поддержке TensorBlock и совместимы с llama.cpp начиная с коммита b5753; карточка также описывает шаблон для диалоговых запросов. Модель предназначена для генерации текста в диалоговом режиме. Репозиторий содержит варианты квантизации Q2_K и Q3_K, а также другие файлы GGUF; README предупреждает, что Q2_K заметно снижает качество, а варианты Q3_K дают высокую потерю качества. Модель распространяется по лицензии Apache-2.0. Метаданные указывают поддержку многих языков, включая русский, английский, французский, немецкий, испанский, китайский и японский.

ModelsLab-Llama-3.1-8b-Uncensored-Dare GGUF — это набор квантованных файлов модели ModelsLab/Llama-3.1-8b-Uncensored-Dare, подготовленный организацией featherless-ai-quants. Модель предназначена для генерации текста и может использоваться в совместимых локальных или серверных решениях для диалогов, написания и преобразования текста, а также других задач text-generation. README не содержит подробностей о конкретных наборах данных, обучении или специализации модели. Доступны варианты квантования 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 размером примерно от 3,0 до 8,1 ГБ. Формат GGUF ориентирован на использование в совместимом программном обеспечении, а выбор варианта позволяет балансировать требования к памяти и сохранение качества. В названии указано, что базовая модель относится к семейству Llama 3.1 и имеет размер 8B, однако сведения об архитектуре, длине контекста, поддерживаемых языках и модальностях в README отсутствуют. Основные ограничения связаны с отсутствием данных о качестве, результатах тестирования, безопасности и поведении модели. README также не указывает лицензию самой базовой модели или квантованных файлов, поэтому условия использования необходимо уточнять в исходной карточке ModelsLab/Llama-3.1-8b-Uncensored-Dare и у разработчика.

Mojiz-SFT — модель суммаризации на основе архитектуры mT5, разработанная Ahmed Abdelwahed и дообученная на арабских текстах. Она предназначена для создания краткого изложения по входному тексту и подходит для сценариев, где нужно быстро выделить основное содержание арабского документа или сообщения. Модель содержит 291,2 млн параметров и использует архитектуру MT5ForConditionalGeneration; данные хранятся в формате safetensors. Базовая модель — google/mt5-base. Модель поддерживает арабский язык. Лицензия — Apache 2.0.

RJuro/munin-neuralbeagle-7b — генеративная языковая модель, созданная объединением Munin-7B-Alpha и NeuralBeagle14-7B методом DARE TIES с помощью mergekit. В основе — плотная архитектура Mistral с 7,1 млрд параметров; модель распространяется в формате safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста. В README отмечено, что на 28 января 2024 года она занимала второе место в Mainland Scandinavian NLG leaderboard после GPT-3.5. Базовая Munin-7B-Alpha описана как датская генеративная модель; карточка также сообщает о включении NeuralBeagle14-7B в объединение. Модель выпущена под лицензией CC BY-NC 4.0, которая не разрешает коммерческое использование. Результат рейтинга относится к указанной в README дате; доступные сведения не описывают отдельные ограничения качества или поведения модели.

NbAiLab подготовила этот бета-чекпойнт на основе Qwen3-ASR-0.6B для распознавания норвежской речи. Модель рассчитана на оценку ASR, в том числе на длинных аудиозаписях и в экспериментах с подсказками; её поведение переключается между более ориентированной на читаемость транскрипцией и более дословным вариантом с подсказкой `\`. Чекпойнт предназначен для локальных экспериментов, пакетной обработки, интеграционных проверок и тестирования подачи аудио через сервисы. В README указано, что результаты предварительные: модель находится в бета-стадии, а качество распознавания, форматирование, чувствительность к подсказкам и рабочие характеристики могут меняться. Репозиторий распространяется по gated-доступу; метаданные указывают лицензию `other`, но конкретные условия лицензии в предоставленных сведениях не описаны.

Paraformer-zh-GGUF — это квантованная и перепакованная в формат GGUF версия модели автоматического распознавания речи funasr/paraformer-zh, разработанной Alibaba и распространяемой в экосистеме FunASR. Данная сборка предназначена для работы с backend paraformer проекта CrispASR и преобразует аудиозаписи в текст, прежде всего на китайском языке с поддержкой английского. Модель использует неавторегрессионную архитектуру Paraformer примерно на 220 млн параметров: аудио 16 кГц преобразуется в mel-признаки, затем обрабатывается 50 блоками SANM-энкодера, CIF-предиктором и 16 блоками SANM-декодера. Полный транскрипт формируется за один проход, без последовательной генерации токенов. В репозитории доступны варианты F16 размером около 421 МБ, Q8_0 около 227 МБ и рекомендуемый Q4_K около 123 МБ. Словарь содержит 8404 символа. Сильной стороной является отсутствие заметной потери результатов при квантовании: в приведённых тестах варианты Q4_K и Q8_0 дали побайтно идентичные транскрипты версии F16 и исходной PyTorch-модели на китайских и английских аудиоклипах. Ограничения включают отсутствие пунктуации и регистра, а для китайского текста — слитную выдачу символов; восстановление пунктуации требует отдельной модели. Контекстное окно, поддержка других языков и количественные метрики качества в карточке не указаны. Код upstream-пакета funasr распространяется по Apache-2.0, однако веса используют лицензию FunASR Model License Alibaba; коммерческое использование разрешено при указании авторства. GGUF-файлы наследуют лицензионные условия весов, поэтому в производных продуктах необходимо атрибутировать Alibaba и FunAudioLLM.

ChisatoY/Qwen2.5-7B-ReWrite — языковая модель для переписывания текстов на китайском и английском языках в более естественном, человекоподобном стиле. Она разработана на основе Qwen2.5-7B-Instruct с применением supervised fine-tuning через LoRA; адаптер объединён с базовой моделью, поэтому модель доступна как самостоятельные BF16 Safetensors-веса для Transformers. Модель предназначена для гуманизации AI-сгенерированных текстов с сохранением исходного смысла, фактов, языка и форматирования, без добавления пояснений. Она особенно ориентирована на китайские академические и формальные тексты, а также на англоязычные материалы. Архитектура — Qwen2ForCausalLM, размер — около 7,6 млрд параметров, максимальный контекст — 32 768 токенов, максимальная длина последовательности при обучении — 1 024 токена. Обучение проводилось на 42 261 тренировочном примере с использованием 863 примеров для валидации; отдельно применялся небольшой англоязычный тестовый набор. Сильная сторона модели — специализация на сокращении и упрощении формулировок, а также заметное улучшение относительно исходной Qwen2.5-7B-Instruct на указанном тесте. Ограничения включают слабое покрытие разговорной речи, художественных текстов и социальных сетей на китайском языке, возможное сохранение рекламного или шаблонного стиля, изменения формулировок и фактические смещения, поэтому важный результат требует проверки человеком. Лицензия самой модели в README не указана; при использовании необходимо соблюдать условия лицензии базовой модели и лицензий наборов данных: CC BY-NC 4.0, Apache 2.0 и CC BY 4.0.

Qwen3-14B-sk — словацкая языковая версия языковой модели Qwen3 с 14 млрд параметров. Её создали специалисты Технического университета в Кошице, Словацкой академии наук и ČZ, o.z.; модель получена полным дообучением Qwen/Qwen3-14B на словацких веб-текстах, словарных данных и материалах энциклопедии Beliana. Модель предназначена для генерации текста и диалогов на словацком языке. Её можно использовать для ответов на вопросы, подготовки текстов и других задач, где нужна языковая модель, ориентированная на словацкий. Она работает через библиотеку Transformers, принимает текст и выдаёт текст; заявленная длина контекста — 40 960 токенов. В ответах модель иногда повторяется, а её уровень галлюцинаций сопоставим с другими моделями похожего масштаба. Модель не оснащена фильтрацией безопасности или модерацией вывода. Лицензия — Apache 2.0.

neuralnetworker разработала Qwen3.5-9B Korean Enterprise Document OCR — дообученную версию Qwen3.5-9B для чтения и структурирования корейских корпоративных документов. Модель имеет плотную архитектуру Qwen3.5ForConditionalGeneration, содержит 7,2 млрд параметров и использует формат Safetensors. Контекстное окно составляет 262 144 токена. Модель предназначена для image-to-text задач: корректировки результатов OCR, преобразования документов в Markdown, восстановления таблиц и форм, описания графиков и извлечения полей в JSON. Её рекомендуют использовать после OCR-движка, который извлекает текст из изображений или PDF; модель очищает и структурирует полученный материал. Дообучение выполнено на 307 272 примерах документов, преимущественно для корейских корпоративных сценариев; также заявлена работа с англоязычными и смешанными корейско-английскими документами. Модель может ошибаться на низкокачественных сканах, рукописном тексте, печатях, перекошенных страницах и сложных таблицах с объединёнными ячейками. Описания графиков требуют опоры на содержимое документа, иначе возможна чрезмерная интерпретация. В критически важных бизнес-процессах результат следует проверять человеком. Лицензия в предоставленных данных не указана.

Это GGUF-квантование модели AEON-7/Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16, подготовленное владельцем репозитория. Модель основана на Qwen3.8-27B и использует гибридную архитектуру Gated-DeltaNet и полного внимания с 27 млрд параметров. Применена смешанная схема квантования, которая выделяет больше точности чувствительным компонентам Gated-DeltaNet; формат рассчитан на локальный запуск через llama.cpp и включает тензоры MTP. Модель предназначена для генерации текста и диалогового использования. В карточке указана поддержка английского и японского языков, а также многоязычность; калибровочные данные включали английские тексты, японскую Википедию и исходный код. Автор сообщает о скорости до примерно 37 токенов в секунду на конкретной локальной конфигурации, но фактическая скорость зависит от оборудования, контекста и настроек. Это независимое квантование AEON-7, а не официальный выпуск Ridge. Базовая модель описана как «abliterated»: удаление отказов означает, что она может выдавать опасный, незаконный или вредный контент и не имеет надёжного встроенного защитного слоя. Лицензия репозитория — Apache-2.0.

RsGoksel/RsGoksel_ITU_Mainframe-balanced-ct2 — турецкая модель автоматического распознавания речи, созданная RsGoksel на основе openai/whisper-large-v3-turbo с помощью LoRA fine-tuning. Репозиторий содержит сборку CTranslate2 в формате float16 для быстрого вывода через faster-whisper и WhisperX. Модель предназначена для транскрибирования турецкой речи в разных предметных областях, включая чистую и менее устойчивую к шуму речь, а также медицинские записи. В README рекомендуется задавать язык tr и отключать condition_on_previous_text; качество оценивается метрикой mean-per-utterance WER после нормализации турецкого текста. Модель принимает аудио и выдаёт текст. Лицензия — MIT. README не приводит количественных результатов WER или подробностей о размере и длине контекста.