I.6Перевод и языковая адаптация

Canary 1B v2 GGUF — мультиязычная модель NVIDIA для автоматического распознавания речи и перевода речи, преобразованная в формат GGUF проектом CrispStrobe/CrispASR. Модель содержит около 978 млн параметров и предназначена для работы с runtime canary-main. Она поддерживает 25 европейских языков, включая русский, английский, немецкий, французский, испанский, украинский и польский. Язык источника и язык результата задаются явными токенами, что снижает риск ошибок автоматического определения языка. Архитектура включает 32-слойный аудиоэнкодер FastConformer и 8-слойный Transformer-декодер с механизмами self-attention и cross-attention. Модель принимает монофонический звук 16 кГц, использует 128 мел-фильтров и словарь SentencePiece на 16 384 токена; максимальный контекст декодера — 1024 токена. При совпадении языков выполняется распознавание речи, а при различии — перевод. Поддерживаются переводы между английским и 24 другими языками в обоих направлениях. Заявленная средняя ошибка распознавания на английском составляет 7,15% по Open ASR Leaderboard. Сильные стороны модели — мультиязычность, явное указание языков, поддержка распознавания и speech translation, а также несколько вариантов квантования: от F16 до Q4_K, рекомендованного для экономии памяти. Ограничения включают необходимость использования совместимого runtime canary-main, обязательный выбор исходного и целевого языков и отсутствие в описании сведений о встроенной сегментации или временных метках. Модель распространяется по лицензии CC-BY-4.0.

raptorkwok/cantonese-chinese-translation — модель на базе BART, дообученная на параллельном корпусе raptorkwok/cantonese-traditional-chinese-parallel-corpus для перевода между кантонским и традиционным китайским. Модель содержит 96 млн параметров, принимает текст с контекстом до 1024 токенов и доступна в форматах PyTorch и safetensors. В README приведены результаты на оценочном наборе: BLEU 62,1085, chrF 60,1854, loss 0,2258 и средняя длина генерации 12,8755. Эти показатели относятся к указанному набору оценки и сами по себе не гарантируют качество на других данных. Модель подходит для преобразования кантонского текста в традиционный китайский и обратно; карточка не описывает подробности использования или ограничения. Лицензия в предоставленных данных не указана.

Chitranuvad — мультимодальная модель перевода от Krutrim AI Labs, дообученная на основе Chitrarth-1 для англо-индийского перевода с учётом изображений. Она объединяет визуальный энкодер с мультиязычной языковой моделью: изображение помогает разрешать неоднозначность исходного текста и выбирать перевод, соответствующий визуальному контексту. Модель предназначена для перевода английского текста на хинди, бенгальский и малаялам как с изображением, так и без него. Также она создаёт подписи к изображениям на этих языках. Архитектура основана на MPT и классе LlavaMPTForCausalLM; веса опубликованы в формате PyTorch. Модель участвовала в задании WMT 2024 по мультимодальному переводу на языки с ограниченными ресурсами и стала победителем среди представленных работ. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели. Результаты и назначение модели сосредоточены на переводе с английского на три указанных индийских языка; качество для других языковых пар и сценариев не подтверждено.

ControlMT v2.3 int8 — компактная модель машинного перевода на архитектуре ControlMT, созданная как производная от anandkaman/controlmt-v2.3. Репозиторий содержит вариант с динамической int8-квантизацией слоёв Linear при загрузке, оптимизированный для работы на CPU; модель предназначена для перевода между каннада и английским языком, в том числе для текстов со смешением этих языков. По данным README, в тесте на шести парах предложений вариант использовал около 140 МБ оперативной памяти и работал быстрее CPU bf16, при этом автор сообщает о совпадении результатов с fp32 на тестовом наборе. Указанная длина контекста — 320 токенов. Лицензия — Apache-2.0. Модель рассчитана на CPU x86 и ARM с не менее 1 ГБ оперативной памяти; GPU не поддерживается для этого варианта квантизации.

jb723/cross_lingual_epoch2 — языковая модель на архитектуре Llama, разработанная автором репозитория на основе начальных параметров meta-llama/Llama-2-7b-hf. Модель обучена с использованием Kullm v2, наборов инструкций Alpaca и Dolly, данных ShareGPT и корейско-английского параллельного корпуса AIHub; параллельные данные преобразовали в инструкции на перевод, после чего провели дообучение. Используется токенизатор Llama 2 от Beomi. Модель предназначена для генерации текста по инструкциям, в том числе для перевода между корейским и английским языками. Она содержит 6,7 млрд параметров, построена как плотная авторегрессионная модель Llama и имеет контекст длиной 2048 токенов. Репозиторий распространяет веса в формате PyTorch по лицензии MIT. Карточка не приводит оценок качества или подробных результатов тестирования.

en-indic-translate-26b-GGUF — квантованные версии модели sulabhkatiyar/en-indic-translate-26b, подготовленные mradermacher. Модель предназначена для перевода между английским и индийскими языками, включая ассамский, бенгальский, гуджарати, хинди, каннада, малаялам, маратхи, ория, пенджаби, тамильский и телугу. Основной сценарий использования — локальный запуск задач машинного перевода в формате GGUF. Модель имеет размер 26 млрд параметров; базовая библиотека указана как Transformers, а архитектура связана с Gemma4. В репозитории доступны варианты квантования Q2_K, Q3_K, IQ4_XS, Q4_K, Q5_K, Q6_K и Q8_0 объёмом примерно от 10,7 до 27 ГБ. В README также указаны мультимодальные дополнения mmproj, однако назначение и поддерживаемые визуальные сценарии подробно не описаны. Размер контекста и точные характеристики архитектуры не указаны. Сильные стороны модели — специализация на переводе между английским и несколькими индийскими языками, а также широкий выбор квантований для подбора компромисса между качеством, скоростью и требованиями к памяти. Ограничения включают отсутствие опубликованных в README оценок качества, подробностей о датасете, контекстном окне и рекомендуемых параметрах запуска; более низкобитные варианты могут уступать по качеству. Лицензия указана как Gemma.

gemma-2-2b-it-MT-SFT — дообученная модель Google Gemma 2, подготовленная для машинного перевода на наборе sardinelab/MT-pref. Это плотная авторегрессионная языковая модель с архитектурой Gemma2ForCausalLM и 2,7 млрд параметров; она принимает текст и генерирует текст перевода. Контекст модели — до 8192 токенов. Модель подходит для перевода текстов в диалоговом формате. Метаданные также относят к её поддерживаемым задачам генерацию текста. Карточка не сообщает, какие языковые пары и направления перевода проверялись, поэтому нельзя определить её языковое покрытие и качество для конкретных пар. Модель распространяется под лицензией Gemma.

Haidass-Translate-143M — компактная модель перевода DALabCommunity на 143 млн параметров с архитектурой Qwen3. Она дообучена на базе Haidass1.5-143M и предназначена для перевода между английским и китайским языками в обоих направлениях. Модель обучалась в три этапа на параллельных предложениях, с последующей настройкой качества и дистилляцией от более крупной модели. Для генерации доступны жадное декодирование и beam search; веса опубликованы в формате safetensors. Контекст составляет 4096 токенов. Модель подходит для локального перевода коротких текстов и предложений, а также для встраивания в приложения с ограниченными ресурсами. В README приведены результаты оценки на FLORES-200 и FLORES+, где качество зависит от направления и параметров декодирования. Модель специализирована на переводе zh↔en и не предназначена для общего чата. Среди отмеченных ограничений — отдельные ошибки в именах собственных и числовых деталях, а также более слабое направление zh→en. Лицензия — Apache-2.0.

Honyaku-13b — модель генерации текста на архитектуре Llama, разработанная aixsatoshi для перевода с английского на японский. Она создана на основе tokyotech-llm/Swallow-13b-hf, дообученной с контекстом 4K токенов; размер модели — 12,9 млрд параметров. Основной сценарий — перевод связных абзацев, в том числе относительно длинных текстов примерно от 100 до 1–2 тысяч токенов, с учётом контекста и адаптацией стиля. Частично поддерживается перевод с других языков на японский; в README также приведён формат для перевода с японского на английский. Модель рассчитана на перевод целых абзацев, около 500 токенов, и может непредсказуемо отвечать на короткие фразы. Перевод с других языков на японский и обработка длинного контекста могут работать нестабильно при квантовании. Репозиторий содержит веса Safetensors; лицензия — Llama 2.

Honyaku-Multi-Translator-Swallow-ms7b — языковая модель для машинного перевода, созданная на основе Swallow-MS-7b-v0.1 и дообученная разработчиком репозитория aixsatoshi. Она предназначена прежде всего для перевода с английского на японский и с японского на английский; другие языки поддерживаются частично и с переменным качеством. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,2 млрд параметров, принимает текст и выдаёт текст. В метаданных указан контекст до 32 768 токенов. Модель рассчитана в том числе на перевод относительно длинных текстов, но на объёмах свыше примерно 4000 токенов качество может заметно снижаться. Для короткого текста возможны нестабильная остановка генерации и повторный перевод; при работе с незнакомыми понятиями возрастает риск галлюцинаций. Квантизация может ухудшить перевод на других языках и длинных текстах. Лицензия — Apache-2.0.

Hy-MT1.5-1.8B-2bit — компактная модель машинного перевода на 1,8 млрд параметров, представленная в README проекта AngelSlim; базовая модель разработана командой Tencent Hunyuan. Это 2-битная версия HY-MT1.5-1.8B: веса сжаты методом Stretched Elastic Quantization с квантованием, учитывающим дистилляцию. Модель предназначена для взаимного перевода между 33 языками, включая сценарии офлайн-перевода на мобильных устройствах. Базовая модель поддерживает 1 056 направлений перевода и 5 диалектов или языков меньшинств. Размер 2-битных весов составляет около 574 МБ; заявлена оптимизация для устройств с Arm SME2. В метаданных указан контекст до 262 144 токенов. README сообщает о почти неизменном качестве перевода после сжатия и демонстрации работы на мобильных устройствах, но подробные измерения приведены в технических отчётах. Модель принимает текст и выдаёт перевод в виде текста. В метаданных указана лицензия? Нет данных о лицензии в предоставленных источниках.

Hy-MT2-1.8B-4bit — это 4-битная версия мультиязычной модели машинного перевода Hy-MT2-1.8B, разработанной Tencent Hunyuan и адаптированной для Apple MLX сообществом mlx-community. Модель предназначена для перевода текста между языками и запуска через mlx-lm, прежде всего на устройствах с Apple Silicon. Указана поддержка multilingual-сценариев, однако конкретный перечень языков в карточке не приведён. Модель основана на плотной архитектуре Hy-MT2 размером 1,8 млрд параметров и использует 4-битную квантизацию, что делает её самым компактным вариантом среди представленных версий 1.8B. Веса и конфигурация конвертированы из официального checkpoint Tencent Hunyuan средствами MLX; формат рассчитан на локальный инференс и экономию памяти. Размер контекста в README не указан. Сильными сторонами модели являются небольшой размер, низкие требования к памяти по сравнению с вариантами в bfloat16 и 8-bit, а также оптимизация для Apple Silicon. Ограничения включают возможное снижение качества из-за 4-битной квантизации и низкую практическую пригодность CPU-запуска: в Linux CPU fallback даже короткая генерация может превышать тайм-ауты. Модель распространяется по лицензии Apache-2.0, соответствующей лицензии исходного релиза Tencent Hunyuan.

Карточка модели Bateesa/japadhola-english-bidirectional-nllb3 на Hugging Face совпадает с карточкой Bateesa/japadhola-english-bidirectional-nllb, поэтому описание составлено по ней. Bateesa/japadhola-english-bidirectional-nllb — модель машинного перевода на основе NLLB-200 Distilled 600M, дообученная для перевода между языком джападхола (adh_Latn) и английским (eng_Latn) в обоих направлениях. Она предназначена для перевода текстов с джападхола на английский и обратно. Для обучения использовались пары переводов, подготовленные людьми и синтетически сгенерированные. Модель использует архитектуру M2M100 для генерации перевода. В метаданных указано окно контекста 1024 токена и формат весов safetensors. Лицензия — Apache-2.0. В карточке нет результатов оценки качества или подробных сведений об ограничениях и сценариях применения, поэтому точность перевода для конкретных типов текстов не подтверждена.

Модель sappho192/jesc-ja-en-translator предназначена для перевода текста с японского на английский. Она построена как EncoderDecoderModel на основе японской BERT и GPT-2; обучена на корпусе японско-английских субтитров JESC. Для работы README перечисляет PyTorch, Transformers, fugashi и unidic-lite. Модель принимает японский текст и генерирует английский перевод; в репозитории также представлены форматы PyTorch, safetensors и ONNX. Лицензия модели — MIT; лицензия корпуса JESC — CC-BY-SA-4.0. Оценки качества и длина контекста в предоставленных материалах не описаны.

Junhoee/Kobart-Jeju-translation — корейская модель машинного перевода между диалектом Чеджу и стандартным корейским. Её разработали участники команд Bitamin 12-го и 13-го наборов. Модель основана на gogamza/kobart-base-v2 и дообучена на примерно 930 тысячах примеров, включая данные AI-Hub о речи на чеджуском диалекте и региональных говорах, словарь чеджуского диалекта и собранные авторами тексты.

SEBIS/legal_t5_small_multitask_en_it — модель семейства T5 с архитектурой T5ForConditionalGeneration и 38,5 млн параметров, разработанная для перевода юридических текстов с английского на итальянский. Она обучалась в режиме многозадачного обучения на параллельных корпусах JRC-Acquis, Europarl и DCEP, а также на дополнительной задаче предсказания замаскированных фрагментов текста; в README указано, что отдельного предварительного обучения не проводилось. Модель рассчитана на перевод юридических документов и текстов. Контекст составляет до 512 токенов. В README приведён результат BLEU 47,070 на тестовом наборе, однако подробности протокола оценки не раскрыты. Репозиторий содержит веса в форматах PyTorch и Flax. Лицензия в предоставленных данных не указана.

LFM2-350M-ENJP-MT — языковая модель Liquid AI, дообученная на базе LiquidAI/LFM2-350M для двустороннего перевода между английским и японским. Она предназначена для коротких и средних текстов и ориентирована на перевод с малой задержкой, в том числе при локальном запуске на периферийных устройствах. Модель имеет плотную авторегрессионную архитектуру LFM2 и содержит 444,6 млн параметров; заявленная длина контекста — 128 000 токенов. Для выбора направления перевода требуется системный запрос «Translate to Japanese.» или «Translate to English.», а модель рассчитана на одноходовой диалог. Разработчик приводит примеры перевода бытовых, технических, деловых и новостных текстов. Модель может быть основой для специализированных переводческих систем, однако разработчик отмечает ограничения при очень длинном контексте, переводе специализированной терминологии, новых имен собственных и отраслевых нюансов. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели.

Модель Linkbricks-Horizon-AI-Nous-Hermes-3-Llama3.1-Korean-cpt-8b разработана Саксоном (Джи Юнсон), специалистом по данным компании Linkbricks. Это корейская языковая модель на архитектуре Llama, полученная продолжением предварительного обучения базовой NousResearch/Hermes-3-Llama-3.1-8B на корейских корпусах, включая около 50 миллионов новостных материалов; примерно 25% параметров были перенастроены. Модель содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена как базовая корейская модель для дальнейшей адаптации с помощью SFT и DPO. Её можно использовать для генерации текста и диалога на корейском, а также для перевода, суммаризации, ответов на вопросы и вызова инструментов. Карточка указывает на поддержку корейского function calling и tool calling. Токенизатор унаследован от базовой модели без расширения словаря. Модель распространяется в формате safetensors по лицензии Apache-2.0. Как базовый CPT-чекпойнт, она может требовать дополнительной настройки под конкретный сценарий; README не приводит количественных оценок качества или подробных результатов бенчмарков.

nayohan/llama3-8b-it-translation-general-en-ko-1sent — дообученная автором nayohan диалоговая языковая модель семейства Llama 3 для перевода отдельных предложений с английского на корейский в общей тематике. Она основана на Meta-Llama-3-8B-Instruct с архитектурой LlamaForCausalLM и содержит 7,5 млрд параметров. Модель работает с текстом, поддерживает контекст до 8192 токенов и предназначена для использования через Transformers. Модель обучена на 1,18 млн примеров из набора nayohan/aihub-en-ko-translation-1.2m. Её сильная сторона — узкая специализация на переводе с английского на корейский; перевод в обратном направлении, другие языковые пары и управление стилем в README не заявлены. Лицензия — Llama 3; применяются её условия использования.

Это GGUF-квантизированная версия модели llama3-8b-it-translation-general-en-ko-1sent, разработанная mradermacher на основе модели nayohan. Модель создана для перевода предложений между английским и корейским языками и ориентирована на общую тематику. При обучении использовался датасет nayohan/aihub-en-ko-translation-1.2m. В основе лежит Llama 3 с 8 млрд параметров; поддерживаются текстовые входы и выходы на английском и корейском языках. README не указывает размер контекста и точные архитектурные характеристики исходной модели. Распространяются варианты в формате GGUF с разными схемами квантизации и размером примерно от 2,1 до 6,7 ГБ, что позволяет выбирать между требованиями к памяти, скоростью и качеством. Более агрессивная квантизация может заметно снижать качество перевода; для баланса характеристик рекомендован вариант i1-Q4_K_M. Модель подходит для локального запуска и автоматизированного перевода коротких англо-корейских текстов. Лицензия указана как llama3, однако README не приводит дополнительные условия или ограничения лицензии.

Heng-Shiou Sheu подготовил эту версию MADLAD-400-3B-MT, преобразовав исходную модель Google в оптимизированный формат CTranslate2 с INT8-квантизацией. Это модель машинного перевода на архитектуре T5, обученная на данных более чем для 450 языков; автор карточки указывает, что она конкурентоспособна с существенно более крупными моделями. Модель предназначена прежде всего для перевода между языками и многоязычных NLP-задач. Её можно применять для перевода текстов и в исследовательских сценариях с поддерживаемыми языками. Карточка отмечает, что качество зависит от языка и, вероятно, от предметной области; модель обучена на общих данных и не оценивалась для производственного применения или специализированных областей. Возможны ошибки и проблемные ответы из-за особенностей веб-данных, использованных при обучении. Модель распространяется по лицензии Apache 2.0.

MADLAD-400-7B-MT — многоязычная модель машинного перевода на архитектуре T5, опубликованная командой Google. Это конвертированная копия исходных весов; модель содержит 3,3 млрд параметров и предназначена для перевода и многоязычных NLP-задач более чем на 400 языках. Она обучалась на 250 млрд токенов общедоступных данных, включая MADLAD-400 и параллельные корпуса для 157 языков. Модель доступна для Transformers, в форматах safetensors и GGUF; максимальный контекст — 512 токенов. Лицензия Apache 2.0. Модель ориентирована на исследователей и задачи машинного перевода, в том числе для языков, недостаточно представленных в крупных корпусах. Качество зависит от языка и, вероятно, предметной области; опубликованная оценка охватывает только 204 поддерживаемых языка. Общие веб-данные обучения могут приводить к низкокачественным, предвзятым или токсичным результатам. Карточка не подтверждает готовность модели к промышленному использованию и отмечает, что она не предназначена для специализированных областей без дополнительной адаптации.

saral7293 опубликовал дообученную модель машинного перевода на основе Helsinki-NLP/opus-mt-de-en. Она предназначена для перевода текста с немецкого на английский и дообучена на наборе данных KDE4. Модель построена на архитектуре MarianMT, содержит 54,9 млн параметров и принимает контекст длиной до 512 токенов. На оценочной выборке указаны Loss 1,3138 и BLEU 39,7304. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает ограничения и предполагаемые сценарии применения; результаты оценки относятся к указанной выборке.

Khaled Aalnobani дообучил MarianMT-модель Helsinki-NLP/opus-mt-en-ar на датасете OPUS-KDE4/v2/moses/ar-en. Она предназначена для перевода английского текста на арабский, в том числе текстов из KDE4. Модель использует архитектуру Marian и библиотеку Transformers; максимальная длина контекста — 512 токенов. На указанном в карточке наборе для оценки достигнут BLEU 37,8753 при loss 1,2680. Распространяется по лицензии Apache-2.0. Карточка не описывает дополнительные сценарии, ограничения и подробности оценки.

ken11/mbart-ja-en — модель перевода текста, созданная дообучением facebook/mbart-large-cc25 на датасете JESC. Она построена на архитектуре mBART и использует токенизатор SentencePiece, обученный на JESC; размер модели — 266,9 млн параметров, контекст — до 1024 токенов. Модель предназначена для перевода между японским и английским языками. В карточке приведён результат sacreBLEU 18,18 на наборе JEC Basic Sentence Data Киотского университета. Модель доступна в формате PyTorch по лицензии MIT. Оценка приведена для конкретного набора данных; в README не описаны результаты на других тестах.

v-25/mbart-ru-kaz — модель mBART-50, дообученная для межъязыкового суммирования с русского на казахский язык. Она предназначена для создания краткого казахского пересказа русского текста и подходит для обработки русскоязычных материалов, когда итог нужен на казахском. По README, обучение проводилось на 3 465 выровненных русско-казахских парах; на тестовой выборке из 347 пар модель показала ROUGE-1 0,848, ROUGE-2 0,791, ROUGE-L 0,845 и BERTScore 0,957. В метаданных указаны архитектура mBART, 457,4 млн параметров и контекст до 1 024 токенов; README приводит для базовой модели размер 610 млн параметров. Базовая модель — facebook/mbart-large-50. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Результаты относятся к указанному набору данных; небольшой обучающий корпус ограничивает основания для обобщения на другие типы текстов и сценарии.

MiLMMT-46-4B-v1.0-4bit-MLX — это 4-битная MLX-квантизация модели MiLMMT-46-4B-v1.0, разработанной Xiaomi Inc. Модель предназначена для локального машинного перевода на устройствах Apple Silicon и распространяется в формате MLX safetensors. Она работает только с текстом: исходная мультимодальная архитектура Gemma 3 с визуальной башней SigLIP была преобразована в языковую модель без компонентов обработки изображений. Модель поддерживает 46 языков, включая английский, русский, китайский, японский, корейский, арабский, хинди, французский, немецкий и другие. Размер квантованной модели составляет около 2,1 ГБ; используется 4-битное аффинное квантование с размером группы 64. Она предназначена для перевода между поддерживаемыми языками и может запускаться на устройстве с помощью библиотеки MLX. Размер контекста в README не указан. По измерениям на FLORES+ средний результат 4-битной версии составил 53,06 chrF++ против 53,86 у полной bf16-модели, то есть потеря составляет около 0,9 chrF++ и статистически значима. Снижение качества особенно заметно для языков с меньшим объёмом данных, например турецкого, узбекского и тамильского. Модель не гарантирует качество для неподдерживаемых языков: для Telugu, Marathi и Gujarati она может выдавать текст на хинди вместо корректного отказа. Для более высокого качества доступна 5-битная версия, практически сопоставимая с полной точностью. Модель распространяется на условиях Gemma Terms of Use с применением ограничений, включая правила запрещённого использования. В README указано авторство Xiaomi Inc. за MiLMMT-46 и Google за базовую архитектуру Gemma 3.

mt-id-min — дообученная модель MarianMT из семейства OPUS-MT, созданная на основе Helsinki-NLP/opus-mt-id-en. Она предназначена для перевода текста с индонезийского на английский. Модель содержит 53,2 млн параметров, использует библиотеку Transformers и сохранена в формате Safetensors; длина контекста — до 512 токенов. В README приведён результат оценки BLEU 48,3466 и loss 0,9897, но датасет и методика оценки не описаны. Модель распространяется по лицензии Apache-2.0.

NAMAA-T5-Saudi2English — модель машинного перевода, разработанная NAMAA-Space для перевода саудовского разговорного арабского на английский. Она дообучена на базе T5 с инициализацией эмбеддингов mBERT и использует архитектуру T5 Encoder–Decoder с 183,7 млн параметров. Модель предназначена для перевода текстов на диалектах Наджд, Хиджаз, Южного, Северного и Восточного регионов Саудовской Аравии, включая сообщения в социальных сетях, разговорные выражения и местную лексику. В обучающем наборе около 120 тысяч пар предложений из разговорных, культурных, социальных и устных источников. В оценке на поддиалектах качество заметно различается: средний BLEU составил около 19,8, а отдельные группы показали низкие результаты. Модель принимает арабский текст и генерирует английский перевод. Для её использования применяются Transformers и веса Safetensors. Лицензия Apache-2.0.

Xenova/nllb-200-distilled-600M — мультиязычная модель машинного перевода, основанная на facebook/nllb-200-distilled-600M и подготовленная сообществом Xenova в формате ONNX для использования с Transformers.js. Модель предназначена для перевода текста между языками и поддерживает широкий набор языков и вариантов письменности, включая русский, английский, французский, немецкий, китайский, японский, арабский, хинди и многие менее распространённые языки. Для выбора направления перевода используются коды исходного и целевого языка, например hin_Deva и fra_Latn. Модель содержит около 600 миллионов параметров и относится к семейству NLLB-200; доступный вариант предназначен для выполнения в JavaScript-приложениях, в том числе в веб-среде, через Transformers.js и ONNX Runtime. Она подходит для локального или клиентского перевода текстов, многоязычных приложений и экспериментов с переводом без обращения к внешнему API. README не указывает размер контекста, требования к ресурсам или отдельные показатели качества, но перечисляет FLORES-200 как набор данных и BLEU, spBLEU и chrF++ как метрики. К сильным сторонам относятся широкое языковое покрытие и возможность интеграции в экосистему Transformers.js. К ограничениям относятся отсутствие в предоставленных данных подробностей о качестве для конкретных языковых пар, доменах и длинных текстах; результаты могут зависеть от направления перевода и содержания исходного текста. Модель распространяется по лицензии CC-BY-NC-4.0, допускающей использование с указанием авторства, но не коммерческое применение.