I.6Перевод и языковая адаптация

WindyTranslate/translate-de-no — модель машинного перевода от Windstorm Labs для перевода текста с немецкого на норвежский. Она основана на Helsinki-NLP/opus-mt-de-no и использует архитектуру MarianMT; размер составляет 28,8 млн параметров, максимальный контекст — 512 токенов. Модель принимает текст и выдаёт перевод.

WindyTranslate/translate-en-ROMANCE — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Marian Transformer Helsinki-NLP/opus-mt-en-ROMANCE: к базовым весам применили LoRA дообучение на параллельных текстах и объединили адаптер с весами модели. Модель содержит 58,4 млн параметров, использует архитектуру MarianMT и формат safetensors; она принимает английский текст и переводит его на французский, испанский, португальский, итальянский, румынский и другие романские языки. Максимальная длина контекста — 512 токенов. Модель предназначена для перевода с английского на романские языки и может использоваться в приложениях машинного перевода на Transformers. Репозиторий содержит сборку для загрузки через AutoTokenizer и AutoModelForSeq2SeqLM. Лицензия — Apache-2.0. Качество перевода ещё не оценивалось бенчмарками; поддерживается только направление с английского на романские языки.

WindyTranslate/translate-es-it — модель машинного перевода, опубликованная Windstorm Labs для перевода с испанского на итальянский. Она основана на Helsinki-NLP/opus-mt-es-it: к базовым весам применён LoRA-файнтюнинг на параллельных данных, после чего адаптер объединён с весами модели. Модель MarianMT содержит 55,4 млн параметров, принимает текст и выдаёт текст; максимальный контекст — 512 токенов. Модель предназначена для перевода предложений и текстов с испанского на итальянский. В карточке приведён скрининговый результат на 48 предложениях FLORES-200 dev: chrF++ 48,84 и BLEU 23,73; он не является результатом публикационного исследования. Репозиторий содержит сборку Transformers в формате safetensors. Лицензия — Apache-2.0.

WindyTranslate/translate-et-fi — модель машинного перевода Windstorm Labs с эстонского на финский. Это дообученная версия MarianMT из семейства OPUS-MT: LoRA-дообучение на параллельных текстах объединено с базовыми весами. Модель содержит 54,9 млн параметров, использует формат safetensors и рассчитана на контекст до 512 токенов. Модель предназначена для перевода текстов с эстонского на финский. В карточке приведён скрининговый результат на 48 предложениях FLORES-200 dev: chrF++ 46,55 и BLEU 15,79; это не результат публикационного исследования. Модель распространяется по лицензии Apache-2.0. Ограничение — поддерживается только направление перевода et→fi, а небольшой тестовый набор не позволяет считать приведённую оценку исчерпывающей.

Windstorm Labs опубликовала модель машинного перевода с эстонского языка на французский. Это дообученная и объединённая с базовыми весами MarianMT-модель Helsinki-NLP/opus-mt-et-fr с 54,9 млн параметров; для запуска доступны веса в формате safetensors и библиотека Transformers. Контекст модели — до 512 токенов. Модель предназначена для перевода текстов с эстонского на французский. По проверке на 48 предложениях FLORES-200 dev она получила chrF++ 52,64 и BLEU 29,50; авторы обозначают результат как скрининговую оценку, а не публикационный результат. Поддерживается только это направление перевода. Лицензия — Apache-2.0.

WindyTranslate/translate-fi-mk — модель машинного перевода, опубликованная Windstorm Labs и дообученная на параллельных корпусах. Она создана на основе Helsinki-NLP/opus-mt-fi-mk: LoRA-дообучение объединено с базовыми весами, при этом изменены 36 из 254 тензоров. Модель с архитектурой MarianMT содержит 57,2 млн параметров, принимает текст и переводит с финского на македонский. Для запуска доступна сборка Transformers в формате safetensors; длина контекста — 512 токенов. В проверке на 48 предложениях FLORES-200 dev получены chrF++ 39,02 и BLEU 11,21; авторы относят этот результат к уровню «пригодно к использованию», но отмечают, что это предварительная оценка, а не результат публикационного исследования. Лицензия — Apache-2.0.

Windstorm Labs опубликовала модель машинного перевода с финского языка на украинский. Это дообученная версия Helsinki-NLP/opus-mt-fi-uk: LoRA-дообучение на параллельных текстах объединено с базовыми весами. Модель построена на архитектуре Marian и содержит 57,1 млн параметров; она принимает текст и выдаёт перевод. Родной контекст составляет 512 токенов. Модель предназначена для перевода текстов с финского на украинский. В проверке на 48 предложениях FLORES-200 она набрала chrF++ 34,36 и BLEU 8,23; авторы относят результат к уровню «пригодно», но подчёркивают, что это предварительная оценка, а не результат публикационного исследования. Репозиторий содержит сборку Transformers в формате safetensors. Лицензия — Apache-2.0.

WindyTranslate/translate-fr-ar — модель машинного перевода, опубликованная Windstorm Labs и предназначенная для перевода текста с французского на арабский. Это дообученная модель Helsinki-NLP/opus-mt-fr-ar на архитектуре MarianMT с 57,1 млн параметров и контекстом до 512 токенов. LoRA-дообучение на параллельных текстах было объединено с базовыми весами; репозиторий содержит сборку Transformers в формате safetensors. Модель подходит для перевода французских текстов на арабский в приложениях и рабочих процессах, где требуется это направление перевода. Качество отдельного бенчмарка не оценивалось, поэтому пригодность для конкретного сценария следует проверять на собственных данных. Поддерживается только направление fr→ar. Лицензия — Apache-2.0; базовая модель создана Helsinki-NLP, дообученную версию опубликовала Windstorm Labs.

TranslateGemma 4B IT 4bit — это 4-битно-квантизированная версия модели google/translategemma-4b-it, преобразованная сообществом mlx-community в формат MLX с использованием mlx-lm 0.29.1. Модель предназначена для генерации текста и, судя по названию и базовой модели, прежде всего для задач машинного перевода и связанных с ними диалоговых сценариев. Модель имеет размер 4B параметров и рассчитана на запуск в экосистеме MLX, например через библиотеку mlx-lm. Поддерживается использование chat template, однако README не указывает точные языки, размер контекста, перечень поддерживаемых модальностей или подробности архитектуры. 4-битное представление уменьшает требования к памяти и может упростить локальный запуск, но потенциально уступает полной точности исходной модели; конкретные показатели качества и ограничения не приведены. Для доступа на Hugging Face требуется принять лицензию Google на использование Gemma. В README указана лицензия gemma; дополнительные условия применения и ограничения следует проверять в документации Google и на странице исходной модели.

TranslateGemma 4B IT INT8 — это неофициальная конверсия модели Google TranslateGemma 4B IT из семейства Gemma 3 в формат OpenVINO IR с INT8-квантованием весов с помощью NNCF. Репозиторий light434 не дообучал модель, а выполнил экспорт исходного чекпойнта; модель не является оригинальным чекпойнтом Google и не связана с официальной поддержкой Google. Модель предназначена для текстового машинного перевода и поддерживает многоязычные сценарии, включая перевод между английским и хинди, а также другие языковые направления исходной TranslateGemma. Это генеративная text-to-text модель с контекстом до 2048 входных токенов и генерацией до 512 новых токенов в приведённой конфигурации. В поставку входят INT8-граф языка размером около 3,7 ГБ и INT8-модель текстовых эмбеддингов размером около 641 МБ. Для запуска используется OpenVINO GenAI на CPU или Intel GPU; NVIDIA CUDA не поддерживается. Ключевое преимущество версии — снижение требований к памяти и возможность эффективного запуска через OpenVINO. На подмножестве WMT24++ для направления en-es_MX указаны BLEU 34,83, chrF 62,1 и chrF++ 60,01 при жадной генерации, однако эти результаты нельзя напрямую обобщать на все языковые пары. Мультимодальный режим фактически недоступен: vision encoder SigLIP удалён, а vision-граф заменён заглушкой, поэтому передача изображений может привести к ошибкам или нехватке памяти. Для корректной остановки генерации требуется учитывать токен Gemma <end_of_turn>. Использование регулируется Gemma Terms of Use и политикой запрещённых применений Google. Также необходимо учитывать условия лицензии исходной модели; репозиторий не аффилирован с Google и не одобрен компанией.

TranslatePsy-AfriSLM-4B — разговорная модель машинного перевода, разработанная Tether AI Research и опубликованная QVAC. Это полное supervised fine-tuning модели Qwen/Qwen3.5-4B с примерно 4 млрд параметров. Модель предназначена прежде всего для перевода между английским и 19 языками Африки к югу от Сахары, а также для многоходового диалога о переводе. Она обучалась на отфильтрованных параллельных данных и многоязычных инструкциях; в статье сообщается о результатах выше, чем у ряда более крупных систем, на африканских тестах машинного перевода. Модель принимает текстовые запросы и выдаёт текст. Поддерживаемые языки: английский, африкаанс, амхарский, хауса, игбо, киньяруанда, лингала, луганда, малагасийский, ньянджа, оромо, шона, сомали, сесото, суахили, тсвана, волоф, коса, йоруба и зулу. Хотя базовая Qwen3.5 мультимодальна, мультимодальные возможности после дообучения не оценивались. Лицензия — Apache 2.0. Качество различается по языкам и направлениям; возможны пропуски и ошибки перевода, особенно для диалектов, специализированных текстов и высокорисковых сценариев. Для важных переводов необходима проверка квалифицированным человеком.

matiss/vllm-translategemma-4b-it — версия TranslateGemma, подготовленная для запуска через vLLM. Google разработала исходную модель как компактную мультимодальную модель перевода на архитектуре Gemma 3; эта карточка описывает изменения шаблона чата, конфигурации модели и параметров генерации для совместимости с vLLM. Модель переводит текст между 55 языками и может извлекать текст из изображения и переводить его. Для изображений предусмотрен вход с разрешением 896 × 896 пикселей, кодируемый в 256 токенов; общий контекст составляет 2K токенов. Модель предназначена для перевода в приложениях и средах с ограниченными ресурсами, включая локальные компьютеры и облачную инфраструктуру. Она принимает текст и изображения и выдаёт переведённый текст. Качество зависит от обучающих данных; модель может ошибаться в передаче нюансов, неоднозначных выражений и фактов. Репозиторий содержит веса в формате safetensors; лицензия — Gemma, использование регулируется условиями Google Gemma.

Карточка модели dfsADDADA/whisper-large-v2-translate-zh-v0.2-st на Hugging Face совпадает с карточкой chickenrice0721/whisper-large-v2-translate-zh-v0.2-st, поэтому описание составлено по ней. chickenrice0721/whisper-large-v2-translate-zh-v0.2-st — это дообученная модель Whisper large-v2 для перевода японской речи на китайский язык. По карточке, её дополнительно обучали на 5000 часах японского аудио с китайскими субтитрами с временными метками; режим использования указан как translate с языком ja. Модель построена на архитектуре WhisperForConditionalGeneration и содержит 905,2 млн параметров. Модель принимает аудио и генерирует китайский текстовый перевод. В README приведены результаты оценки: TER 60,4828, BLEU 29,3658 и CER 0,6602; набор оценки и методика не описаны, поэтому эти значения не позволяют надёжно сравнить качество с другими системами. Модель распространяется по лицензии Apache-2.0.

allenai/wmt16-en-de-dist-6-1 — портированная в Transformers версия модели FSMT на основе Transformer из проекта fairseq, разработанная AllenAI для машинного перевода с английского на немецкий. Это вариант dist-6-1 из семейства моделей WMT16; в метаданных указано 25,2 млн параметров и контекст до 10 000 токенов. Модель принимает текст на английском языке и генерирует перевод на немецком. Модель подходит для перевода предложений и текстов с английского на немецкий в приложениях, использующих библиотеку Transformers и PyTorch. В README приведена оценка BLEU 27,11 для версии Transformers; авторы объясняют отличие от опубликованного результата способом токенизации и подсчёта метрики. Веса оставлены идентичными исходной модели AllenAI. Лицензия — Apache-2.0.

YanoljaNEXT-EEVE-Rosetta-7B-2602 — дообученная YanoljaNEXT модель перевода на архитектуре MistralForCausalLM с 7,6 млрд параметров. Она предназначена для перевода структурированных данных в форматах JSON, YAML и XML с сохранением исходных ключей и схемы. В основе лежит ByteDance-Seed/Seed-X-PPO-7B; для версии EEVE-Rosetta расширили словарь токенизатором семейства Gemma и обучили модель в формате Rosetta. Модель рассчитана на многоязычные конвейеры перевода. Метаданные указывают контекст до 32 768 токенов, а README уточняет, что обучение проводилось с длиной контекста 8 192 токена. Модель может нарушать структуру результата, повторять текст или частично переводить длинные контексты; качество также зависит от языковой пары и специализированной терминологии. Лицензия — OpenMDW-1.0.

YanoljaNEXT-EEVE-Rosetta-7B-2602-i1-GGUF — квантизированная версия модели YanoljaNEXT-EEVE-Rosetta-7B-2602, разработанной Yanolja и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена прежде всего для задач перевода и работы с текстом; в метаданных указан английский язык. Доступны варианты квантизации IQ и Q с размером файлов примерно от 2,3 до 6,0 ГБ, что позволяет выбирать между требованиями к памяти, скоростью и качеством. В названии базовой модели указано 7B, а среди тегов упоминаются Mistral и Gemma, однако точная архитектура, размер контекста, полный список поддерживаемых языков и мультимодальные возможности в README не описаны. Более агрессивные варианты квантизации могут заметно снижать качество; для сбалансированного использования рекомендован вариант i1-Q4_K_M, а i1-Q4_K_S обозначен как оптимальный по соотношению размера, скорости и качества. Модель распространяется по лицензии OpenMDW-1.0.

Yi-Ko-6B-instruct-v1.5 — инструктивная языковая модель, дообученная автором cocoirun на базе семейства Llama. По карточке, модель прошла SFT на примерно 110 тысячах примеров: использовались самостоятельно подготовленные корейские данные по истории, естественным наукам, математике, машинному чтению, анализу отзывов и грамматике, а также материалы Open-Orca-Ko, KoBEST и AIHub. Обучение выполнялось с помощью LoRA. Модель предназначена для генерации ответов и выполнения инструкций в задачах на корейском и английском языках, включая вопросы и ответы, машинное чтение, суммаризацию, перевод и анализ отзывов. Это плотная архитектура LlamaForCausalLM примерно на 5,9 млрд параметров с контекстом 2048 токена; репозиторий содержит веса Safetensors. Лицензия — CC BY-SA 4.0. Карточка не приводит количественных оценок качества. Данные обучения закрыты, поэтому состав и воспроизводимость SFT ограничены доступной информацией; контекст 2048 токена ограничивает работу с длинными документами.

AfriqueQwen3.5-4B-i1-GGUF — квантизированная версия модели AfriqueQwen3.5-4B, разработанной McGill-NLP и подготовленной в формате GGUF пользователем mradermacher. Модель относится к семейству Qwen3.5 и предназначена для мультиязычных задач, включая работу с африканскими языками и сценарии image-text-to-text. Модель содержит около 4 миллиардов параметров и поддерживает текстовые и визуальные входные данные. В заявленный языковой охват входят африкаанс, амхарский, арабский, английский, французский, хауса, игбо, малагасийский, чиньянджа, оромо, португальский, киньяруанда, шона, сомали, сесото, суахили, тигринья, тсвана, коса, йоруба и зулу. Доступно множество вариантов квантизации размером примерно от 1,7 до 4,1 ГБ, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством. Сильной стороной модели является ориентация на африканские языки, а также поддержка мультимодальных задач и локального запуска через совместимые инструменты для GGUF. К ограничениям относятся потенциальная потеря качества при низких уровнях квантизации, отсутствие в README точных сведений о размере контекста, архитектурных деталях, результатах оценки и рекомендуемых сценариях применения. Лицензия модели — CC BY 4.0.

AIFT-ko-orca-plat-Yi-ko-6b-v1.7 — корейская instruct-модель для генерации текста, созданная на основе обучающих данных, собранных и очищенных разработчиком AIFT. Авторы использовали около 40 тысяч примеров: задания из KOR-OpenOrca-Platypus, данные по истории, науке, математике, машинному чтению, анализу отзывов и грамматике, а также материалы для перевода между английским и корейским. В README также указаны задания на краткое изложение и вопросы на проверку фактов. Модель имеет плотную архитектуру семейства Llama, около 5,9 млрд параметров и контекст до 2048 токенов. Для обучения применялся LoRA на двух ускорителях A100 с 40 ГБ памяти. Модель подходит для ответов на вопросы, учебных заданий, чтения и пересказа текста и перевода с английского на корейский и обратно. Обучающие данные не опубликованы, поэтому их состав и качество нельзя независимо проверить. Модель распространяется по лицензии CC BY-SA 4.0; при использовании и распространении производных следует учитывать её условия.

AI-translator-eng-to-9ja — модель перевода, разработанная HelpMumHQ для перевода с английского на йоруба, игбо и хауса. Она основана на архитектуре M2M-100 и предназначена, в частности, для общения с большими языковыми моделями на этих языках. Модель содержит 332,5 млн параметров по метаданным Hugging Face; в README приводится оценка 418 млн параметров. Максимальная длина контекста — 1024 токена. Модель принимает текст на английском и генерирует перевод на один из трёх целевых языков. Для обучения использованы 1,5 млн пар предложений из открытых параллельных корпусов и отобранных наборов данных. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой Transformers. Лицензия — MIT. Качество зависит от сложности и предметной области текста; переводы очень длинных предложений и неоднозначных фрагментов могут быть хуже.

alexmt-gemma4-e4b-sft — модель для перевода между английским и девятью разновидностями разговорного арабского диалекта, дообученная автором репозитория на базе google/gemma-4-E4B-it. Это полное supervised fine-tuning модели Gemma 4 E4B Instruct в формате bf16 на наборе Alexandria; архитектура — плотная Gemma 4, файлы весов сохранены в safetensors. Модель принимает запрос в формате JSON из одного пользовательского сообщения и возвращает перевод в поле translation. Перевод учитывает до трёх предыдущих реплик, предметную область, участников разговора и направление гендерных характеристик говорящего и адресата. Обучение охватывает направления английский → диалектный арабский и диалектный арабский → английский для разновидностей EG, JO, LB, MR, OM, PS, SA, SY и YE. В приведённой автором оценке на публичной тестовой выборке Alexandria модель превзошла базовую Gemma 4 E4B Instruct по spBLEU и chrF++ в обоих направлениях. Результаты ограничены одним seed и одним разбиением обучающих данных; точность передачи особенностей диалекта отдельно не оценивалась. Метрики получены с настройками автора и напрямую не сопоставимы с опубликованными результатами Alexandria или AlexandriaX. Лицензия — CC BY-NC 4.0, предусматривающая некоммерческое использование.

alloma-1B-Instruct — компактная инструкционная языковая модель семейства Alloma от разработчиков uzlm, дообученная на базе Meta Llama 3.2 1B Instruct для узбекского и английского языков. Она содержит 1,2 млрд параметров, использует плотную архитектуру Llama и предназначена для диалогов, генерации текста, перевода и других инструкций на этих языках. Модель доступна в формате safetensors для библиотеки Transformers и лицензирована по условиям Llama 3.2. Разработчики продолжили предобучение на 2,4 млрд токенов, затем выполнили инструкционную настройку. Токенизатор адаптирован для узбекского: по данным карточки, он использует в среднем 1,7 токена на узбекское слово против примерно 3,5 у исходной модели. Это рассчитано на более быструю обработку узбекского текста и более эффективное использование контекста; для лучшей токенизации рекомендуется заменять апостроф на последовательность APST. В README указан контекст обучения 2048 токенов, тогда как метаданные каталога приводят native context в 131072 токена. По опубликованным разработчиками тестам модель улучшает результаты базовой Llama 3.2 1B Instruct на переводе между узбекским и английским и на анализе тональности на узбекском. При этом оценки английского MMLU и классификации новостей показывают заметные ограничения, связанные с потерей части исходных возможностей следования инструкциям на английском; в тесте классификации новостей результат также ниже базовой модели. Квантизация позволяет запускать модель примерно на 2 ГБ видеопамяти, но это оценка разработчиков, а не требование для всех конфигураций.

BananaMind-Translate-V3.4-i1-GGUF — квантизированная версия модели BananaMind-Translate-V3.4, разработанной Banaxi-Tech и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для машинного перевода между английским и немецким языками, включая направления en→de и de→en, и относится к семейству моделей на базе Qwen. В метаданных также указано наличие дообучения на пользовательском наборе данных. Это vision-модель, поэтому для работы с визуальными входными данными могут потребоваться дополнительные файлы mmproj из статического репозитория. Точные сведения о размере базовой модели, архитектуре, максимальной длине контекста и поддерживаемых модальностях в README не приведены. Репозиторий содержит набор вариантов квантизации с размером примерно от 1,5 до 3,6 ГБ; более компактные варианты экономичнее по памяти, но могут заметно уступать по качеству, тогда как Q4_K_M обозначен как быстрый и рекомендуемый вариант. Модель подходит для локального запуска и сценариев перевода при ограниченных вычислительных ресурсах. Основные ограничения связаны с потерями качества при низких уровнях квантизации, отсутствием подробных результатов оценки и неполной документацией характеристик. Лицензия — Apache-2.0.

BananaMind-Translate-V3.5-Pro-GGUF — квантизированная версия модели BananaMind-Translate-V3.5-Pro, разработанной Banaxi-Tech и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена прежде всего для машинного перевода между английским и немецким языками; в метаданных также указаны тонкая настройка и QLoRA. Она интегрируется с инструментами, поддерживающими GGUF и Transformers-сценарии локального запуска. Модель относится к семейству Gemma; в тегах указана архитектура Gemma 4 E4B. Для мультимодального режима доступны отдельные файлы mmproj, поэтому заявлена поддержка обработки мультимодальных входов, однако точный набор поддерживаемых модальностей и контекстное окно в README не уточняются. Предоставлены варианты квантования от Q2_K до Q8_0, а также f16, с размером файлов примерно от 4,5 до 15 ГБ. Более лёгкие варианты требуют меньше памяти и работают быстрее, но могут уступать по качеству; Q6_K и Q8_0 ориентированы на более высокое качество. Основное преимущество модели — специализированная направленность на перевод en-de и наличие множества вариантов квантования для локального использования с разными ограничениями по ресурсам. Ограничения включают отсутствие в README количественных оценок качества, подробностей о данных обучения, контекстном окне и точных возможностях мультимодального режима; качество также зависит от выбранного типа квантования. Модель распространяется по лицензии Apache-2.0.

BharatGPT-3B-Indic — языковая модель CoRover.ai, дообученная для генерации текста на индийских языках. Она предназначена для перевода, суммаризации, продолжения текста и диалоговых сценариев, в том числе для систем S-RAG, где ответы опираются на собственную базу знаний. Модель работает с хинди, пенджаби, маратхи, малаялам, ория, каннада, гуджарати, бенгальским, урду, тамильским и телугу; в метаданных также указан английский. Для загрузки используется Transformers, веса опубликованы в формате safetensors. Разработчик рекомендует дообучать модель на собственных данных или использовать её с поиском по документам, а не как самостоятельного чат-бота: знания модели могут быть устаревшими. В README приведены результаты оценки на многоязычных тестах и RAG-сценариях, однако они не заменяют проверку на данных конкретного применения. Указана лицензия для некоммерческого использования и академических исследований; для коммерческого применения требуется обратиться к CoRover.ai.

Карточка модели VIzzxy/Bhashaverse_base_updt_WMT2026 на Hugging Face совпадает с карточкой ltrciiith/bhashaverse, поэтому описание составлено по ней. OneNMT v3b — мультиязычная модель машинного перевода, представленная в репозитории ltrciiith/bhashaverse. Она использует архитектуру seq2seq на основе Transformer с 18 слоями энкодера и 18 слоями декодера и обёрткой MBartForConditionalGeneration. README заявляет поддержку 36 × 36 языковых пар для 35 индийских языков и английского; метаданные указывают 369 млн параметров и контекст до 1026 токенов. Модель предназначена для перевода между поддерживаемыми индийскими языками и английским. Для токенизации требуется предоставленный в репозитории fairseq-словарь и рекомендованный скрипт или обёртка: стандартный токенизатор MBart может сопоставлять токены с неверными ID и давать некорректный результат. Модельные веса опубликованы в формате safetensors, лицензия — MIT.

En-Indic Translate 2B — модель, дообученная Sulabh Katiyar на google/gemma-4-E2B-it для перевода с английского на 11 индийских языков: ассамский, бенгальский, гуджарати, хинди, каннада, малаялам, маратхи, одия, панджаби, тамильский и телугу. Она предназначена для перевода длинных научных и технических документов, сохраняя формулы LaTeX, блоки кода, заголовки и структуру документа. Модель работает с текстом и доступна в формате safetensors через Transformers. В карточке приведены результаты оценки на 500 сложных документах. Для версии E2B указаны частота зацикливания 7,8% и точное совпадение числа математических выражений в 56,2% случаев; результаты относятся к оценке авторов без эталонных переводов. Модель тестировалась на AMD MI300X с ROCm, поэтому для работы с NVIDIA CUDA могут потребоваться корректировки версий пакетов. Лицензия — Gemma.

en-indic-translate-4b-GGUF — GGUF-квантизированная версия модели sulabhkatiyar/en-indic-translate-4b, подготовленная mradermacher. Модель предназначена главным образом для перевода между английским и индийскими языками: ассамским, бенгальским, гуджарати, хинди, каннада, малаялам, маратхи, ория, панджаби, тамильским и телугу. В метаданных также указано семейство Gemma и размер около 4 миллиардов параметров. Модель поставляется в нескольких вариантах квантования GGUF — от Q2_K до Q8_0, а также в формате f16. Размер файлов составляет примерно от 4,5 до 15,2 ГБ; варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством среди указанных. Дополнительно доступны файлы mmproj для мультимодального дополнения, однако конкретные поддерживаемые визуальные сценарии в README не описаны. Максимальная длина контекста и подробные сведения об архитектуре не указаны. Сильными сторонами являются широкий набор поддерживаемых индийских языков, возможность локального запуска через экосистему GGUF и выбор между качеством, скоростью и требованиями к памяти. Ограничения включают отсутствие опубликованных в README оценок качества перевода, подробностей о данных обучения и явного описания мультимодальных возможностей; качество также зависит от выбранного уровня квантования. Лицензия указана как gemma.

CLAck/en-vi — модель машинного перевода на базе MarianMT, дообученная для перевода между английским и вьетнамским языками. Разработчик указывает, что исходная MarianMT была предварительно обучена на английско-китайских данных, после чего модель сначала обучали на смешанном наборе английско-китайских и английско-вьетнамских предложений, а затем — только на английско-вьетнамских данных. Модель содержит 63,2 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Модель предназначена для перевода между английским и вьетнамским языками. Опубликованные сведения не уточняют качество перевода, направление или особенности обработки длинных текстов. Распространяется по лицензии Apache-2.0.

Daniele Marcoaldi подготовил EuroLLM-22B Legislative Text — вариант EuroLLM-22B-Instruct-2512, дообученный методом LoRA для работы с законодательными текстами и объединённый с базовой моделью с масштабом LoRA-весов 50%. Такой масштаб выбран, чтобы сохранить способность базовой модели следовать инструкциям и связность ответов, добавив специализацию на юридических текстах. Модель построена на плотной архитектуре Llama с 21,9 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Основное назначение — перевод; также модель может генерировать текст. Карточка указывает языки ЕС, включая английский, болгарский, чешский, датский, немецкий, греческий, испанский, эстонский, финский, французский, хорватский, венгерский, итальянский, литовский, латышский, нидерландский, польский, португальский, румынский, словацкий и словенский; метаданные также перечисляют ирландский и шведский. Выпущена под лицензией Apache-2.0.