I.6Перевод и языковая адаптация

EuroVLM-9B-Preview — мультимодальная языковая модель с открытыми весами, разработанная Unbabel совместно с Instituto Superior Técnico, Instituto de Telecomunicações, University of Edinburgh, Aveni, University of Paris-Saclay, University of Amsterdam, Naver Labs и Sorbonne Université при поддержке Европейского союза. Модель объединяет языковую основу EuroLLM-9B с визуальным кодировщиком и предназначена для диалога по изображениям и текстовым запросам. Модель содержит языковую часть на 9 млрд параметров и около 400 млн параметров визуальных компонентов. В основе — плотный Transformer с GQA, RMSNorm, SwiGLU и RoPE; визуальная часть использует ViT на основе SigLIP 2 SO400M и поддерживает изображения высокого разрешения. Контекст — до 32 тыс. токенов. Заявлена поддержка 36 естественных языков, включая русский, английский, основные европейские языки, арабский, китайский, японский, корейский и хинди. Модель подходит для создания подписей к изображениям, визуальных вопросов и ответов, следования инструкциям с опорой на изображение, мультимодального перевода и анализа документов, диаграмм и графиков. Возможны галлюцинации о содержимом изображений, предвзятые интерпретации и ошибки при сложных сценах или генерации на разных языках; авторы рекомендуют осторожность при использовании в производственной среде, поскольку это предварительная версия, всё ещё находящаяся в разработке. Лицензия — Apache 2.0.

finetuned_en2mr — дообученная модель facebook/mbart-large-50 для преобразования текста. По названию репозитория она предназначена для перевода с английского на маратхи. Модель построена на архитектуре mBART и содержит 457,4 млн параметров; базовая модель поддерживает перевод между 50 языками и другие задачи преобразования текста. Модель принимает текст и генерирует текстовый перевод. Для неё указано контекстное окно 1024 токена и лицензия MIT. Сведения о наборе данных, качестве перевода и результатах оценки отсутствуют, поэтому пригодность для конкретных текстов стоит проверять отдельно.

GigaChat Audio MLX — независимый порт модели ai-sage/GigaChat3.1-Audio-10B-A1.8B в формате BF16 для запуска на компьютерах Apple Silicon с библиотекой MLX. Модель принимает аудио вместе с текстовой инструкцией и формирует текстовый ответ: расшифровку речи, перевод, ответы на вопросы об аудио, анализ эмоций, поиск событий с временными отметками и сводки с таймкодами. Архитектура основана на DeepSeek V3; в метаданных указано 1,5 млрд параметров и контекст длиной 262 144 токена. Модель поддерживает русский и английский языки. Репозиторий содержит веса safetensors в BF16; для работы требуется среда Apple Silicon. Разработчики порта сообщают о завершённой обработке тестового аудиофрагмента длительностью 5 минут 17 секунд за 10,41 секунды на Apple M4 Pro с 48 ГБ памяти, однако совместимость с другими конфигурациями не подтверждена. Порт создан независимо от авторов исходной модели. Лицензия модели — MIT. Модель не выполняет диаризацию, потоковое распознавание с микрофона или синтез речи; факты, метки эмоций, сводки и временные отметки могут быть ошибочными и требуют проверки по аудио.

GPT-OSS-Swallow 20B SFT v0.1 — двуязычная языковая модель Tokyo Tech, созданная на основе GPT-OSS с продолжением предобучения и supervised fine-tuning. Она предназначена для диалога на японском и английском языках, перевода между ними, а также задач по математике, программированию и естественным наукам. Модель имеет MoE-архитектуру семейства GPT-OSS, около 1,6 млрд параметров по метаданным и поддерживает контекст до 131 072 токенов; карточка рекомендует ограничивать контекст 32 768 токенами или меньше, поскольку длинный контекст отдельно не обучался и не оценивался. Для инференса разработчики рекомендуют vLLM. Модель улучшает владение японским языком и перевод, сохраняя заявленные способности GPT-OSS в математике и коде. Разработчики отмечают, что модель находится на раннем этапе разработки и не настроена для гарантированного соответствия человеческим намерениям и требованиям безопасности. Использование инструментов и управление уровнем рассуждений не проходили специального обучения, поэтому эти сценарии не валидированы. Лицензия — Apache 2.0.

Hibiki-Zero — модель Kyutai для синхронного перевода речи с французского, испанского, португальского и немецкого на английский. Она принимает поток входящей речи и одновременно выдаёт перевод голосом с переносом голоса говорящего и текстовый перевод с временными метками. Модель построена на декодерном иерархическом Transformer с плотной архитектурой и основной частью на 3 млрд параметров. Она совместно моделирует исходную и целевую речь, создавая аудио и текстовые токены с частотой 12,5 Гц. Поддерживает потоковую работу в реальном времени и пакетный режим; обучалась на речевых последовательностях длиной до 120 секунд и рассчитана на одного говорящего и один язык в сессии. Модель предназначена для синхронного устного перевода, в том числе в шумных условиях. Авторы сообщают о пакетной обработке до трёх раз быстрее реального времени на одном GPU H100. К ограничениям относятся фиксированные направления перевода на английский и поддержка только одного говорящего и исходного языка в сессии. Лицензия — CC BY-NC-SA 4.0; модель не предназначена для имитации людей или злонамеренного использования.

Honyaku-7b-v2 — дообученная разговорная языковая модель семейства Mistral от aixsatoshi, предназначенная прежде всего для перевода текстов. Она точнее предыдущей версии следует тегам, задающим язык генерации. Модель содержит 7,2 млрд параметров, использует плотную архитектуру Mistral и распространяется в формате safetensors. В карточке указан контекст 4096 токенов; README уточняет, что учитывая промпт, рекомендуется укладываться в 4k токенов, хотя дообучение проводилось на последовательностях до 8k. Основной сценарий — перевод текстов объёмом примерно от 500 до нескольких тысяч токенов. Наиболее стабильно модель переводит на японский; качество зависит от языкового покрытия базовой модели, а для малоресурсных языков оно хуже. Разработчик предупреждает, что переводы могут содержать ошибки и требуют проверки перед официальным или публичным использованием. Модель поддерживает диалоговый интерфейс и лицензирована по Apache-2.0.

Это квантизированная версия Tencent Hy-MT2-30B-A3B, подготовленная alphaZimuth в формате GGUF с помощью APEX на основе llama.cpp. Модель с архитектурой MoE имеет около 30 млрд параметров, из которых примерно 3 млрд активны при обработке. В репозитории представлены варианты разного размера и точности; рекомендуемая серия APEX-I откалибрована с матрицей важности на многоязычных данных для перевода. Модель предназначена прежде всего для перевода текстов между поддерживаемыми языками и запуска через llama.cpp. Варианты занимают от 11,5 до 19 ГБ; для работы требуется llama.cpp версии b9993 или новее с поддержкой архитектуры hy_v3. В карточке заявлена лицензия Apache-2.0. Разработчик сообщает о лучших качестве и стабильности переводов у APEX-I по сравнению с некалиброванными вариантами, однако численные результаты приведены для собственного тестирования.

Это производная версия Tencent Hy-MT2-30B-A3B в формате GGUF с выборочной квантизацией NVFP4, подготовленная Reza2kn для перевода между английским и персидским языками на видеокартах NVIDIA Blackwell. В ней квантизированы 128 маршрутизируемых экспертов в слоях 1–47; механизмы внимания, эмбеддинги, маршрутизаторы, общие эксперты, нулевой слой и языковая голова сохранены в BF16. Исходная MoE-модель содержит около 30,1 млрд параметров. Модель предназначена для локального и серверного машинного перевода в обоих направлениях: английский → персидский и персидский → английский. Карточка сообщает о проверке GGUF-артефакта на Blackwell и ноутбучной RTX 5080, включая измерения скорости и качества на небольших наборах разработки. Эти результаты характеризуют проверку конвертации и не являются независимой оценкой общего качества перевода. Для запуска требуется сборка llama.cpp с поддержкой CUDA SM120 и NVFP4 MMQ; объём выгружаемых на GPU слоёв зависит от оборудования, а часть весов может размещаться в системной памяти. Распространение модели лицензировано по Apache License 2.0; сохраняются применимые уведомления и условия лицензирования исходной модели.

Hy-MT2-30B-A3B-uncensored-heretic-GGUF — набор квантованных GGUF-версий модели OS-Software/Hy-MT2-30B-A3B-uncensored-heretic, подготовленный пользователем mradermacher. Модель ориентирована прежде всего на задачи машинного перевода и обработки текста; в описании также указаны признаки uncensored, decensored и abliterated. Заявлена поддержка китайского, английского, французского, португальского, испанского, японского, турецкого, русского, арабского, корейского, тайского, итальянского, немецкого, вьетнамского, малайского, индонезийского, тагальского, хинди, польского, чешского, нидерландского, кхмерского, бирманского, персидского, гуджарати, урду, телугу, маратхи, иврита, бенгальского, тамильского, украинского, тибетского, казахского, монгольского и уйгурского языков. Архитектура, максимальный контекст, точное назначение обозначения 30B-A3B и наличие мультимодальных возможностей в README не раскрыты. Модель доступна в нескольких вариантах квантования размером примерно от 11,2 до 32,1 ГБ. Более компактные варианты требуют меньше памяти, но могут уступать в качестве; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант очень хорошего качества, а Q8_0 — как наиболее качественный среди перечисленных. Это позволяет выбирать компромисс между требованиями к ресурсам, скоростью и качеством, однако количественные результаты тестирования перевода и других задач не приведены. Файлы распространяются по лицензии Apache-2.0; для работы требуется совместимое ПО, поддерживающее формат GGUF.

Модель gateremark/kikuyu_translategemma_12b_merged — дообученная версия Google Translate Gemma 3 12B, созданная gateremark на базе google/translategemma-12b-it. Она предназначена для перевода текста и извлечения текста с переводом по изображениям; поддержка визуального ввода указана в метаданных. Модель использует плотную архитектуру Gemma 3, распространяется в формате safetensors и доступна по лицензии Apache-2.0. Базовая TranslateGemma поддерживает перевод между 55 языками. Карточка этой производной версии не уточняет, какие именно языки или сценарии перевода покрыты её дообучением; язык en указан в тегах карточки. README сообщает об обучении с Unsloth и библиотекой TRL, но не приводит оценок качества.

Linkbricks-Horizon-AI-Korean-Avengers-V2-27B — языковая модель, дообученная доктором Юнсоном Джи (Saxo), специалистом по данным компании Linkbricks. Это плотная модель Gemma 2 с 27,6 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия; она дообучена методом SFT с последующим DPO на базе Linkbricks-Horizon-AI-Korean-Avengers-V1-27B. Модель ориентирована прежде всего на корейский язык. В обучении использовались корейские новости, данные для перевода между корейским, китайским, английским и японским языками, а также примеры для суммаризации, вопросов и ответов, математики и логических рассуждений. Среди заявленных сценариев — анализ отзывов и публикаций в социальных сетях, написание текстов и кода, решение математических и логических задач. README заявляет контекст 128 тыс. токенов, тогда как метаданные указывают нативное окно 8192 токена. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Её специализация на корейском и расхождение сведений о длине контекста следует учитывать при выборе и развёртывании; заявленные в карточке улучшения не сопровождаются количественными результатами оценки.

LLaMA3-ENG-KO-8B-SL5 — дообученная языковая модель автора 4yo1 на базе семейства Llama 3, предназначенная прежде всего для перевода между английским и корейским языками. Модель имеет плотную архитектуру LlamaForCausalLM, содержит около 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Она принимает текст и генерирует текст; для работы доступны веса PyTorch и библиотека Transformers. Модель ориентирована на англо-корейские языковые задачи и может применяться для перевода фраз и документов, а также для генерации текста на английском и корейском. Карточка сообщает о дообучении на датасете 4yo1/llama3_test1, но не приводит оценки качества или подробного описания обучающих данных. Лицензия — MIT.

aufklarer/MADLAD400-3B-MT-MLX — квантованная MLX-версия модели google/madlad400-3b-mt, подготовленная для локального машинного перевода на устройствах Apple Silicon. Это энкодер-декодер T5 v1.1 с 32 слоями энкодера и 32 слоями декодера, размером 3 млрд параметров; доступны варианты INT4 примерно на 1,6 ГБ и INT8 примерно на 3,1 ГБ. Модель переводит тексты между более чем 400 языками, используя токены целевого языка и словарь SentencePiece на 256 512 токенов. Подходит для локального многоязычного перевода без обращения к облачному сервису, например, в приложениях для перевода и обработки пользовательских текстов. Репозиторий распространяется по лицензии Apache 2.0. Квантование уменьшает размер весов для запуска на устройстве; качество конкретных вариантов в карточке не оценено.

MADLAD-400-7B-MT — многоязычная модель машинного перевода на архитектуре T5, опубликованная в виде конвертации исходных весов Juarez Bochi; исследовательская разработка MADLAD-400 обучалась на 250 млрд токенов общедоступных данных для более чем 450 языков. Репозиторий содержит модель с 3,3 млрд параметров в форматах Safetensors и GGUF; она рассчитана на перевод и многоязычные NLP-задачи. Контекст составляет 512 токенов. Модель предназначена для перевода между языками, включая языки, недостаточно представленные в крупных корпусах. В карточке отмечена конкурентоспособность с существенно более крупными моделями, однако качество различается по языкам и может меняться в зависимости от предметной области. Оценка охватила только часть поддерживаемых языков, а модель не проверялась для производственного применения и не предназначена для специализированных областей без дополнительной адаптации. Обучающие веб-данные могут приводить к низкокачественным, предвзятым или токсичным ответам. Лицензия — Apache 2.0.

yudiwbs/marian-finetuned-kde4-en-to-id — модель машинного перевода на архитектуре MarianMT, созданная дообучением Helsinki-NLP/opus-mt-en-id на наборе данных KDE4. Она предназначена для перевода текстов с английского на индонезийский, в том числе текстов из домена KDE. Модель содержит 53,2 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате TensorFlow. В карточке приведены значения потерь на обучающей и валидационной выборках, но нет примеров переводов или показателей качества перевода. Модель распространяется по лицензии Apache-2.0.

Lalita разработала MarianMT-модель для перевода с упрощённого китайского языка на тайский. Это трансформер MarianMT с 41,6 млн параметров, обученный с нормализацией текста и токенизацией SentencePiece; модель принимает текст и выдаёт текст. Для тестового набора в карточке приведены оценки 15,95 по слоговой метрике и 8,43 по словной метрике. Модель подходит для перевода коротких китайских текстов на тайский, например сообщений и фрагментов документов. Указанное в метаданных родное контекстное окно составляет 512 токенов. В README не указана лицензия, поэтому условия использования по этим данным определить нельзя.

NAMAA-Space/masrawy-english-to-egyptian-arabic-translator-v2.9 — дообученная модель машинного перевода на архитектуре MarianMT, созданная на основе Helsinki-NLP/opus-mt-tc-big-en-ar. Она переводит текст с английского языка на египетский диалект арабского. По данным карточки, обучение проводилось на более чем 150 тысячах примеров и свыше 10 миллионов токенов; для запуска указан Transformers pipeline с задачей translation. Размер модели — 163,4 млн параметров, контекст — до 1024 токенов. Модель предназначена для перевода английских фраз на египетский арабский, включая повседневные запросы и диалоги. В README сообщается о значении loss 1,2957 на оценочной выборке и втором месте в рейтинге переводчиков египетского диалекта после gpt-4o; методика и условия этих сравнений не описаны, поэтому результаты не гарантируют качество на других текстах. Модель распространяется по лицензии CC BY 4.0.

Monlam Melong — языковая модель Monlam AI для работы с тибетским языком. Она основана на Gemma 2 9B и дообучена на базе buddhist-nlp/gemma2-mitra-base; модель с архитектурой Gemma2ForCausalLM содержит 9 млрд параметров, использует формат safetensors и поддерживает контекст до 8192 токенов. Модель предназначена для генерации тибетского текста и диалога, перевода между тибетским и более чем 200 языками, ответов на вопросы, распознавания именованных сущностей и сегментации предложений. Среди сценариев применения — подготовка учебных материалов, создание текстов и анализ тибетских цифровых архивов. В карточке указана открытая лицензия, но её точное название не приведено. Среди ограничений — возможные ошибки перевода, более слабая работа с нетибетскими задачами и смещения в данных; результаты в историческом, культурном и образовательном контексте следует проверять.

NahuatlEspanolv1 — модель архитектуры T5 для генерации текста по тексту, обученная с нуля. Она предназначена для преобразования текста на науатле и испанском; название модели и BLEU 29,2544 на оценочном наборе указывают на задачу перевода, однако описание не уточняет направление перевода и состав данных. Модель содержит 123,8 млн параметров, принимает контекст до 512 токенов и представлена в формате safetensors. Разработчик и лицензия в доступных данных не указаны.

NanoSakura-0.3B — компактная модель telecomadm1145 для перевода с японского на китайский. Она использует гибридную архитектуру Seq2Seq: Transformer-энкодер с self-attention, RoPE и SwiGLU кодирует исходный текст, а декодер на Mamba2 генерирует перевод и обращается к представлениям энкодера через cross-attention. Модель содержит около 287 млн параметров и предназначена для перевода при ограниченных ресурсах, в том числе для периферийных устройств и высокопроизводительных сервисов. В карточке приведены результаты оценки ja→zh на FLORES-200 и дополнительном тестовом наборе, с метриками SacreBLEU и COMET. Для загрузки через Transformers требуется включить trust_remote_code=True, поскольку используется пользовательская архитектура. Модель распространяется по лицензии MIT.

NanoSakura-2-0.2B — модель перевода с японского на китайский, разработанная telecomadm1145. Это Seq2Seq-архитектура, сочетающая Transformer-энкодер с RoPE и SwiGLU и декодер Mamba2 с перекрёстным вниманием. В карточке указано около 188 млн параметров; модель опубликована в формате safetensors и распространяется по лицензии MIT. Модель предназначена для перевода японского текста на китайский, в том числе для развёртывания на устройствах с ограниченными ресурсами и высокопроизводительных API. Автор сообщает об оценке на FLORES-200 и тестовом наборе shard_00134; результаты зависят от набора данных. Для загрузки через Transformers требуется включить trust_remote_code=True, поскольку используется пользовательская архитектура.

MonumentalSystems/nllb-200-distilled-1.3B — точная перепаковка модели NLLB-200 distilled 1.3B, разработанной Meta AI и опубликованной в исходном виде под идентификатором facebook/nllb-200-distilled-1.3B. Веса fp32, конфигурация и токенизатор сохранены без изменений; параметры модели включают словарь из 256 206 токенов и по 24 слоя энкодера и декодера. Репозиторий содержит веса в формате safetensors, разбитые на шарды. Модель предназначена для перевода текста между языками. Базовая NLLB-200 рассчитана на перевод между 200 языками, включая языки с ограниченными ресурсами; контекст модели составляет 1024 токена. Перепаковка заявлена как побитово верная по содержанию весов и должна давать те же выходы, что и upstream-модель. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование. Базовая модель ориентирована на перевод отдельных предложений; сведения о качестве этой копии сверх соответствия исходной модели не приводятся.

MaroneAI разработала Seq2Seq-модель для перевода с французского на волоф, дообучив facebook/nllb-200-distilled-600M на небольшом пользовательском наборе данных. Модель построена на архитектуре NLLB-200 с классом M2M100ForConditionalGeneration, содержит 463,7 млн параметров и рассчитана на контекст до 1024 токенов. Она работает с текстом и использует библиотеку Transformers; в карточке указана поддержка FP16 для запуска на GPU. Модель предназначена для быстрого перевода с французского на волоф, в том числе для языка с ограниченными ресурсами. Качество оценивалось метрикой BLEU, но численные результаты оценки не приведены. Набор данных описан как небольшой, поэтому качество может зависеть от тематики и формулировок входного текста. Лицензия — MIT.

Модель Dasskp/nllb-kichwa-es-en — дообученная версия facebook/nllb-200-distilled-600M для перевода с испанского и английского на кичва. Она построена на архитектуре M2M100 и обучена на трёхъязычном корпусе из 4 365 пар. В README приведены результаты оценки на тестовой выборке из 873 пар: BLEU 19,78 для перевода с испанского и 19,69 с английского; chrF2++ — 46,21 и 44,87 соответственно. Модель предназначена для перевода текста на кичва, в частности отдельных предложений с испанского или английского. Максимальная длина контекста составляет 1 024 токена. Для использования доступны веса в формате Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

NLLB-Susu v2 — модель машинного перевода Soussou, разработанная 2ADT-Consulting на основе дообучения facebook/nllb-200-distilled-600M. Она переводит между Soussou и французским, а также между Soussou и английским в четырёх направлениях. Версия v2 лучше обрабатывает бытовую лексику и неформальную орфографию в сообщениях, включая варианты записи, близкие к французской орфографии. Модель содержит 463,7 млн параметров, использует архитектуру M2M100 и принимает контекст до 1024 токенов. При обучении использовались параллельные библейские тексты, словарь Soussou–французский примерно на 7 000 записей и бытовые диалоги; бытовые данные получили повышенный вес, чтобы уменьшить библейский уклон. В README приведены оценки chrF++ на dev-наборе для нескольких направлений перевода. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

QuantFactory/OmniLing-V1-8b-experimental-GGUF — квантизированная версия модели WoonaAI/OmniLing-V1-8b-experimental, созданная с помощью llama.cpp. Исходная модель разработана PegasusYaY (AlexBefest) и secretmoon на основе тонкой настройки AnatoliiPotapov/T-lite-instruct-0.1. Модель предназначена для генерации текста и перевода между русским и английским языками в направлениях RU→EN и EN→RU. Модель ориентирована на перевод художественных текстов, датасетов, пользовательских сообщений, описаний и других текстовых материалов. Заявленный размер — 8B параметров; поддерживаются русский и английский языки. Для работы рекомендуется использовать шаблон запросов Llama 3 Instruct, нейтральный system prompt и низкую температуру 0,1–0,3. Сведения о длине контекста и точных параметрах квантизации в карточке не указаны. По представленному benchmark модель получила итоговую оценку 80,1 из 100 в сравнении с рядом проприетарных и открытых моделей на переводе небольших литературных текстов; особенно отмечены передача культурных особенностей, связность и сохранение характеров персонажей. Результаты основаны на десяти итерациях и оценке Gemini 1.5 Pro Experimental, поэтому не гарантируют качество в других сценариях. Релиз экспериментальный, стабильная работа не гарантируется. Модель распространяется по лицензии Creative Commons Attribution-NonCommercial 4.0 International, допускающей некоммерческое использование с указанием авторства; для коммерческого применения требуется связаться с разработчиками.

Helsinki-NLP/opus-mt-afa-en — модель машинного перевода семейства OPUS-MT, опубликованная Helsinki-NLP. Это MarianMT-трансформер с 56,5 млн параметров, обученный переводить с нескольких афразийских языков на английский. В источниках перечислены арабские разновидности (в том числе acm, afb, apc, arq, ary, arz и ara), амхарский, хауса, иврит, кабильский, мальтийский, рифский, сомалийский и тигринья; входной текст нормализуется и токенизируется с помощью SentencePiece. Модель подходит для перевода фраз и текстов с поддерживаемых языков на английский. В карточке приведены оценки BLEU и chr-F на тестовых наборах Tatoeba, включая результаты для амхарского, арабского и хауса; качество зависит от языка и может существенно различаться. Максимальный контекст составляет 512 токенов. Модель доступна в форматах PyTorch и TensorFlow и распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-af-en — модель машинного перевода семейства Marian, разработанная Helsinki-NLP в рамках проекта OPUS-MT. Она переводит текст с африкаанс на английский и предназначена для перевода отдельных фраз и текстов, включая сценарии на основе корпуса OPUS. Модель построена на архитектуре Transformer-align, использует нормализацию и токенизацию SentencePiece; размер составляет 54,6 млн параметров, контекст — до 512 токенов. Доступны веса PyTorch и TensorFlow. В тесте Tatoeba.af.en указаны BLEU 60,8 и chr-F 0,736. Модель специализирована на одной языковой паре, поэтому не предназначена для перевода с других языков или на другие языки. Лицензия Apache-2.0.

Helsinki-NLP/opus-mt-ar-he — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с арабского на иврит и предназначена для автоматического перевода фраз и документов между этими языками. Модель основана на архитектуре Transformer и реализована как MarianMT; содержит 57,6 млн параметров, использует нормализацию и SentencePiece с словарями по 32 тыс. токенов, длина контекста — 512 токенов. Поддерживает варианты арабского, перечисленные в карточке, включая современный стандартный арабский и разговорные разновидности; целевой язык — иврит. В карточке приведён результат BLEU 40,4 на тесте Tatoeba-test.ara.heb. Модель доступна в форматах PyTorch и TensorFlow и распространяется по лицензии Apache-2.0. Как система перевода фиксированной языковой пары, она не предназначена для перевода на другие целевые языки; качество зависит от тематики и формулировок входного текста.

Helsinki-NLP/opus-mt-ase-en — модель машинного перевода из семейства OPUS-MT, построенная на архитектуре MarianMT и Transformer. Она переводит с языка ase на английский; в карточке указаны корпус OPUS, нормализация текста и обработка SentencePiece. Модель содержит 37,9 млн параметров, принимает текст и выдаёт текст; длина контекста — до 512 токенов. Доступны веса в форматах PyTorch и TensorFlow. Модель подходит для перевода материалов на ase на английский, включая тексты из корпуса JW300. В README приведены результаты оценки на JW300.ase.en: BLEU 99,5 и chr-F 0,997. Эти показатели относятся к указанному тестовому набору и сами по себе не гарантируют такое же качество на текстах другой тематики. Модель опубликована под лицензией Apache-2.0.