I.6Перевод и языковая адаптация

Qwen3.8-27B-GGUF — квантованное представление модели Qwen3.8-27B, разработанной командой Qwen. Модель опубликована в формате GGUF организацией ggml-org и предназначена для запуска через совместимые инструменты, включая llama.app и llama.cpp-совместимую инфраструктуру. Согласно карточке, модель относится к классу image-text-to-text, то есть предназначена для обработки изображений и текста с генерацией текстовых ответов. Указан размер базовой модели — 27B параметров. Точные сведения об архитектуре, поддерживаемых языках, размере контекста, используемых вариантах квантования и фактических мультимодальных возможностях в README отсутствуют. Формат GGUF и квантование могут упростить локальный запуск и снизить требования к памяти по сравнению с полноразмерной версией, однако конкретные компромиссы между качеством и ресурсопотреблением не описаны. Ограничения модели, результаты тестирования и рекомендуемые сценарии применения также не приведены. Модель распространяется по лицензии Apache-2.0.

RecurrentGemma 2B — базовая языковая модель Google для генерации текста. Она построена на архитектуре RecurrentGemma и предназначена для использования через Transformers; в карточке также упомянуто обучение с помощью JAX и ML Pathways. Модель подходит для генерации и чернового редактирования текстов, диалоговых интерфейсов, суммаризации и помощи в исследовании текстовых материалов. Карточка описывает эти сценарии как возможные применения семейства открытых LLM, а не как специализированные возможности этой базовой версии. Модель может ошибаться в фактах, испытывать трудности с неоднозначностью и сложными открытыми задачами, а также воспроизводить смещения обучающих данных. Использование регулируется условиями Gemma; для внедрения Google рекомендует учитывать меры безопасности и правила ответственного использования.

claytonwang/rlcr-qwen3-8b — языковая модель с авторегрессионной архитектурой Qwen3, опубликованная в формате BF16 и хранящаяся в шардированных файлах Safetensors. Она подходит для генерации текста и диалогового использования. Модель содержит около 7,6 млрд параметров; заявленный поддерживаемый контекст — до 40 960 токенов. Для работы с весами требуется около 16 ГБ памяти только под параметры, а также дополнительная память для состояния инференса и KV-кэша. В README не приведены сведения об авторе, базовом чекпойнте, обучении, датасетах и оценках, поэтому происхождение и качество модели нельзя установить. Лицензия в предоставленных данных не указана.

SberDevices и AGI NLP разработали sage-fredt5-distilled-95m — компактную модель на архитектуре T5 для исправления орфографии, пунктуации и опечаток в русских текстах. Она преобразует текст с ошибками в нормативный вариант и может восстанавливать пробелы, регистр букв и знаки препинания. Модель получена дистилляцией исходной модели на архитектуре FRED-T5-1.7B и содержит 55,1 млн параметров. Для обучения использовался корпус искусственно искажённых русскоязычных текстов на основе Википедии и расшифровок видео. Модель предназначена для автоматической корректуры текстов; карточка приводит результаты оценки на общих, многодоменных, медицинских и GitHub-текстах. По данным карточки, сложное форматирование может ухудшить качество результата. Лицензия — MIT.

bhavinjawade/SOLAR-10B-Nector-DPO-Jawade — чат-модель на архитектуре Llama с 10,6 млрд параметров, созданная на основе SOLAR-10.7B-Instruct-v1.0 от Upstage. По карточке, модель оптимизирована методом DPO и дообучена с помощью LoRA на смеси Berkeley-nest Nectar и Intel/orca_dpo_pairs; в метаданных указан датасет Intel/orca_dpo_pairs. Модель предназначена для диалоговой генерации текста и ответов на запросы. Она принимает текст и генерирует текст, поддерживает контекст до 4096 токенов. Репозиторий содержит веса Safetensors. Модель выпущена под лицензией MIT. Карточка описывает её как DPO-оптимизированную и выровненную версию базовой модели; независимых оценок качества или подробных ограничений не приводит.

Spaetzle-v67-7b — это диалоговая языковая модель на 7,1 млрд параметров, опубликованная пользователем cstr. Она создана слиянием моделей cstr/Spaetzle-v53-7b и cstr/Spaetzle-v55-7b методом DARE-TIES с помощью LazyMergekit; архитектура — плотная Mistral для авторегрессионной генерации текста. Модель предназначена для диалогов и генерации текста, поддерживает контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии CC BY-SA 4.0. README указывает, что две исходные модели слияния больше не опубликованы, поэтому проследить происхождение их обучающих данных по этой карточке нельзя. Оценки качества, перечень поддерживаемых языков и специализированные области применения в доступных данных не приведены.

ClaudioItaly/Stylographic-king-7B — языковая модель, созданная слиянием двух предварительно обученных моделей с помощью mergekit и метода SLERP. В состав вошли ClaudioItaly/King-7B и Orion-zhen/Qwen2.5-7B-Gutenberg-KTO; конфигурация использует ClaudioItaly/King-7B как базовую модель и веса bfloat16. Модель построена на плотной архитектуре Qwen2 и содержит 7,1 млрд параметров. Модель предназначена для генерации текста и диалоговых ответов. Контекстное окно составляет 32 768 токенов. Метаданные базовой модели указывают на поддержку китайского и английского языков; отдельные языковые данные для итогового слияния не приведены. Модель распространяется в формате safetensors через Transformers. Лицензия в предоставленных данных не указана.

sui-1-24b — специализированная модель ellamind для суммаризации длинных документов с привязкой каждого тезиса к исходным предложениям. Она дообучена на Mistral-Small-3.2-24B-Instruct-2506; архитектура Mistral3, 24 млрд параметров. Репозиторий содержит веса safetensors для Transformers и опубликован по лицензии Apache-2.0. Модель предназначена для создания проверяемых кратких изложений: вывод включает ссылки на предложения источника, оформленные с помощью XML-тегов. Контекст одного прохода — до 128 тысяч токенов; для документов до 2 миллионов токенов README описывает итеративную обработку частичных резюме с последующим объединением. Основные языки дообучения — английский, немецкий, испанский, французский и итальянский; также заявлена поддержка языков базовой модели, включая русский, с возможным снижением качества суммаризации. Сильные стороны — работа с длинными текстами и проверяемость утверждений по исходнику. Для обработки требуется предварительно размечать текст XML-тегами; при итеративной обработке нужны разбиение на фрагменты и объединение резюме. Парсинг JSON-ответа иногда может завершиться ошибкой. Для полного варианта README приводит требования от примерно 55 ГБ VRAM при контексте 8k до 76 ГБ при 128k; отдельная FP8-версия снижает требования к памяти, но размещена в другом репозитории.

Terminal-complete8k — дообученная модель на 7,6 млрд параметров на базе Qwen/Qwen3-8B, созданная автором cuong1692001 с использованием набора данных qwen_data_complete. Это диалоговая языковая модель для генерации текста; метаданные указывают архитектуру Qwen3ForCausalLM и контекст до 40 960 токенов. Подходит для диалогов и других задач генерации текста на поддерживаемых базовой моделью языках. Карточка не описывает состав обучающих данных, результаты оценки или особые ограничения этой версии. Модель распространяется в формате safetensors; лицензия указана как other, поэтому условия использования следует уточнить на странице репозитория.

Ternary-Bonsai-1.7B — квантизированная версия модели prism-ml/Ternary-Bonsai-1.7B-unpacked, созданная Prism ML на основе Qwen3-1.7B от Alibaba Cloud. Модель упакована в формат .litertlm для запуска через LiteRT-LM и предназначена прежде всего для локальной генерации текста и чат-сценариев на мобильных устройствах, включая Android и приложение Google AI Edge Gallery. Модель имеет размер 1,7 млрд параметров и использует тернарное представление весов INT2. Рекомендуемая сборка применяет INT2 per-channel для весов, fp32 для активаций и поддерживает контекст до 4096 токенов. Экспериментальные сборки поддерживают контекст до 32768 токенов — полного значения max_position_embeddings базовой модели — и могут использовать fp16-активации или оптимизацию fused SDPA. Все варианты содержат чат-шаблон Qwen3 ChatML с блоком рассуждений. К сильным сторонам относятся компактное хранение весов, возможность работы на устройстве и адаптация к мобильному GPU-ускорителю. Модель запускается на GPU, а не на NPU; совместимость экспериментальных сборок зависит от версии LiteRT и LiteRT-LM и доступных зависимостей. INT2 является форматом хранения, тогда как вычисления выполняются в fp16 или fp32. Встроенные параметры сэмплирования — top-k 20, top-p 0,85 и temperature 0,5 — можно переопределить на стороне хоста. Модель распространяется по лицензии Apache-2.0. Это посттренировочная квантизация и перепаковка выпущенной модели без дополнительного обучения, дообучения или калибровки; веса не переобучались.

Ternary Bonsai 27B with Embedded MTP — это текстовая генеративная модель в формате GGUF, опубликованная vinpix на базе prism-ml/Ternary-Bonsai-27B-gguf. Она предназначена для локального запуска через llama.cpp и объединяет в одном файле целевую модель класса 27B и встроенный Qwen-совместимый NextN/MTP-предиктор для speculative decoding. Внешняя draft-модель и отдельный файл предиктора не требуются. Модель использует архитектуру qwen35 с 64 трансформерными блоками целевого пути и одним встроенным блоком NextN/MTP. Доступны две самодостаточные GGUF-представления: нативное ternary TQ2_0 размером около 8,18 GiB и совместимое стандартное Q2_K размером около 9,77 GiB. Оба варианта содержат 866 логических тензоров; TQ2_0 хранит 480 тензоров в нативном ternary-формате, а Q2_K представляет их стандартными блоками Q2_K. Данные о поддерживаемых языках и размере контекста в README не указаны. Сильные стороны модели — компактное хранение, единый артефакт для целевой и MTP-моделей, отсутствие рассинхронизации между отдельными target и drafter, а также наличие варианта Q2_K для сред, где TQ2_0 не поддерживается. При этом требуется версия llama.cpp с поддержкой архитектуры qwen35, встроенного draft-mtp и, для основного варианта, TQ2_0. Представления TQ2_0 и Q2_K не гарантируют побитово идентичные значения, логиты или результаты генерации. Распространение заявлено по лицензии Apache-2.0.

kkatiz/thai-trocr-thaigov-v2 — модель распознавания текста на изображениях, разработанная на основе архитектуры Vision Encoder-Decoder. В качестве энкодера используется microsoft/trocr-base-handwritten, а декодером служит airesearch/wangchanberta-base-att-spm-uncased. Модель дообучена на 250 тысячах синтетических изображений текста, созданных с помощью SynthTIGER на основе корпуса ThaiGov V2. Модель предназначена для OCR на тайском языке: преобразует изображение с текстом в текстовую последовательность. Карточка отмечает её применимость к задачам тайского OCR. В репозитории указаны веса в формате safetensors и библиотека Transformers. Сведений о лицензии в предоставленных данных нет.

TwinLlama-3.1-8B-trl-GGUF — набор GGUF-квантизированных версий языковой модели TwinLlama-3.1-8B-trl, разработанной mlabonne и квантизированной bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp и совместимые приложения, включая LM Studio. README не уточняет специализацию модели, поддерживаемые языки и максимальный контекст. В набор входят версии от F16 до низкобитных вариантов Q2 и IQ2, размером примерно от 2,95 до 16,07 ГБ. Квантизация выполнена с использованием llama.cpp release b3615 и метода imatrix; отдельные варианты применяют Q8_0 для embedding- и output-весов, что может повысить качество при небольшом увеличении размера. В качестве рекомендуемых указаны прежде всего Q4–Q6, тогда как варианты Q2–Q3 экономят память, но заметно уступают по качеству. Сильная сторона набора — широкий выбор компромиссов между качеством, размером и требованиями к оперативной памяти, а также возможность локального инференса. Ограничения включают возможное снижение качества при агрессивной квантизации и отсутствие в README подробностей о базовой архитектуре, языках, контекстном окне, результатах тестирования и сценариях дообучения. Лицензия в предоставленных данных не указана.

Карточка модели pythainlp/wangchanglm-7.5B-sft-enth-sharded на Hugging Face совпадает с карточкой pythainlp/wangchanglm-7.5B-sft-enth, поэтому описание составлено по ней. WangChanGLM-7.5B-sft-enth — разработанная PyThaiNLP и VISTEC-depa AI Research Institute of Thailand версия XGLM-7.5B, дообученная следовать инструкциям. Модель содержит 8,6 млрд параметров, использует архитектуру XGLM и принимает текстовые запросы, генерируя текст; длина контекста — 2048 токенов. Модель предназначена для ответов на вопросы по тексту, мозгового штурма и творческого письма. Этот вариант дополнительно дообучен на тайских данных, переведённых с помощью Google Translate; в карточке также указана оценка возможностей для английского, тайского, японского и вьетнамского языков. Для обучения использованы открытые наборы данных, включая OIG, Dolly v2, OpenAI TL;DR и HC3. Лицензия весов — CC-BY-SA 4.0. Модель слабо подходит для математики, сложных рассуждений и ответов, требующих фактической точности. В карточке также отмечены нежелательные предубеждения и токсичность; перед применением в конкретной задаче рекомендуется дополнительная проверка.

RedHatAI/whisper-large-v3-quantized.w4a16 — квантизированная версия модели openai/whisper-large-v3, разработанная Neural Magic. Это аудио-текстовая модель архитектуры Whisper, которая принимает аудиосигнал и генерирует текст; в метаданных указана поддержка английского языка. Модель предназначена для автоматического распознавания речи и преобразования аудиозаписей в текст. Основная оптимизация — квантизация весов до формата INT4 с конфигурацией w4a16. Она уменьшает требования к памяти и может повысить эффективность инференса по сравнению с исходной моделью, сохраняя архитектуру базовой Whisper large v3. Модель подготовлена для запуска через vLLM версии 0.5.2 и выше; README также указывает возможность использования OpenAI-compatible serving. В примере развертывания задан параметр max_model_len 448, но это значение относится к конфигурации запуска. К ограничениям относятся возможное снижение качества распознавания из-за квантизации и отсутствие в README количественных результатов оценки точности или производительности. Лицензия модели — Apache 2.0.

Davlan/xlm-roberta-large-ner-hrl — многоязычная модель распознавания именованных сущностей, разработанная Davlan на основе XLM-RoBERTa Large, дообученной для разметки токенов. Модель содержит 658,7 млн параметров и принимает текстовые последовательности с контекстом до 514 токенов. Модель предназначена для извлечения из текста имён людей (PER), организаций (ORG) и мест (LOC) на арабском, немецком, английском, испанском, французском, итальянском, латышском, нидерландском, португальском и китайском языках. Её можно применять для разметки новостных текстов и извлечения сущностей в многоязычных потоках документов. Обучение проводилось на размеченных новостных корпусах для этих десяти языков. Поэтому качество может снижаться на других предметных областях и текстах, отличающихся от обучающих данных. Модель распространяется по лицензии AFL-3.0.

Модель shahukareem/xls-r-300m-dv — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи. Она принимает аудио и выдаёт текст; обучение проводилось на Common Voice, а в карточке указаны результаты оценки: loss 0,2855 и WER 0,2665. Архитектура — Wav2Vec2ForCTC, число параметров — около 402,7 млн. Модель подходит для преобразования речевых записей в текст. Суффикс dv и тег языка dv указывают на связь с языком, однако README не раскрывает расшифровку кода и детали языковой поддержки. Модель распространяется по лицензии Apache-2.0.

MaziyarPanahi/YamshadowInex12_Strangemerges_32Yamshadow — объединённая модель генерации текста на архитектуре Mistral с 7,1 млрд параметров. Она создана путём слияния automerger/YamshadowInex12-7B и automerger/Strangemerges_32Yamshadow-7B; файлы модели представлены в формате safetensors. Модель предназначена для генерации текста и принимает контекст длиной до 32 768 токенов. Карточка не описывает специальные предметные области или отдельные сценарии применения. Лицензия — Apache-2.0.

Gemma 4 12B IT — мультимодальная модель Google DeepMind с открытыми весами, настроенная для следования инструкциям. Она построена на плотной унифицированной архитектуре Gemma4Unified и принимает текст, изображения, видео и аудио, выдавая текст. Модель поддерживает анализ изображений и видеокадров, распознавание речи и перевод речи в текст, а также генерацию текста и кода, рассуждения и вызов инструментов. Модель рассчитана на локальный запуск на потребительских устройствах и сценарии с длинным контекстом; для семейства заявлено до 256 тысяч токенов у версии 12B. Gemma 4 поддерживает более 35 языков непосредственно и обучалась на данных более чем 140 языков. Лицензия — Apache 2.0. Карточка описывает семейство Gemma 4 в целом, поэтому отдельные характеристики и возможности конкретной версии могут зависеть от реализации и настроек.

Карточка модели ArchiveStudio/gemma-4-E4B-it на Hugging Face совпадает с карточкой google/gemma-4-E4B-it, поэтому описание составлено по ней. Gemma 4 E4B Instruct — мультимодальная модель Google DeepMind, дообученная для следования инструкциям на базе google/gemma-4-E4B. Она использует плотную архитектуру Gemma 4 и принимает текст, изображения и аудио, выдавая текст; аудиовозможности заявлены для варианта E4B. Модель подходит для диалога, рассуждений, генерации и исправления кода, анализа изображений и документов, распознавания речи и перевода речи в текст. Поддерживаются системные инструкции, вызов инструментов и контекст до 128 тысяч токенов; семейство Gemma 4 поддерживает множество языков, включая более 35 языков в практических сценариях. Модель рассчитана в том числе на локальное исполнение на ноутбуках и мобильных устройствах, а гибридное внимание сочетает локальные окна и глобальное внимание для работы с длинным контекстом. Возможности видео описаны для семейства в целом, но README не подтверждает их отдельно для E4B; поэтому видео не включено в модальности этой модели. Лицензия — Apache 2.0.

Карточка модели geodavic/gemma-4-E4B-it на Hugging Face совпадает с карточкой google/gemma-4-E4B-it, поэтому описание составлено по ней. Gemma 4 E4B Instruct — мультимодальная модель Google DeepMind, дообученная для следования инструкциям на базе google/gemma-4-E4B. Она использует плотную архитектуру Gemma 4 и принимает текст, изображения и аудио, выдавая текст; аудиовозможности заявлены для варианта E4B. Модель подходит для диалога, рассуждений, генерации и исправления кода, анализа изображений и документов, распознавания речи и перевода речи в текст. Поддерживаются системные инструкции, вызов инструментов и контекст до 128 тысяч токенов; семейство Gemma 4 поддерживает множество языков, включая более 35 языков в практических сценариях. Модель рассчитана в том числе на локальное исполнение на ноутбуках и мобильных устройствах, а гибридное внимание сочетает локальные окна и глобальное внимание для работы с длинным контекстом. Возможности видео описаны для семейства в целом, но README не подтверждает их отдельно для E4B; поэтому видео не включено в модальности этой модели. Лицензия — Apache 2.0.

Qwen2.5-7B-Instruct-AWQ — инструкционная причинно-следственная языковая модель семейства Qwen, разработанная командой Qwen. Модель предназначена для диалоговых ассистентов, генерации и обработки текста, следования инструкциям, работы со структурированными данными и JSON, а также задач программирования и математики. Модель содержит около 7,61 млрд параметров, 28 слоёв и использует архитектуру Transformer с RoPE, SwiGLU, RMSNorm и смещениями в механизме внимания. Применяется AWQ-квантизация до 4 бит, что снижает требования к памяти при развёртывании. Поддерживаются более 29 языков, включая английский, китайский, русский, французский, испанский, немецкий, итальянский, японский, корейский, арабский и другие. Заявлена длина контекста до 131 072 токенов и генерация до 8192 токенов, однако конфигурация репозитория рассчитана на 32 768 токенов; для более длинных входов требуется включение YaRN. Сильные стороны модели — улучшенное следование инструкциям, генерация длинных текстов, работа со структурированными данными, кодом и математикой, а также экономичность 4-битной версии. Использование статического YaRN в vLLM может снижать производительность на коротких текстах. Для работы требуется актуальная версия библиотеки transformers; версии ниже 4.37.0 не поддерживаются. Модель распространяется по лицензии Apache-2.0.

Google DeepMind разработала Gemma 4 12B IT QAT Q4_0 Unquantized — мультимодальную инструкционную модель с плотной архитектурой Gemma4UnifiedForConditionalGeneration, полученную на основе google/gemma-4-12B-it с применением обучения с учётом квантования (QAT). Несмотря на обозначение Q4_0, в этом варианте используются веса половинной точности, извлечённые из QAT-конвейера; он предназначен для последующей компиляции и исследовательской работы. Репозиторий содержит веса в формате safetensors. Модель принимает текст и изображения, а также аудио и видеокадры; генерирует текст. Она подходит для диалога, рассуждений, анализа документов и изображений, распознавания речи, работы с видео, написания и исправления кода и вызова инструментов. Вариант 12B поддерживает контекст до 256 тысяч токенов; семейство Gemma 4 обучено на более чем 140 языках, а карточка заявляет поддержку более 35 языков для мультимодальных задач. Среди заявленных возможностей — понимание документов и PDF, OCR, распознавание рукописного текста, анализ диаграмм и интерфейсов, а также распознавание речи и перевод аудио в текст. Это открытая модель с лицензией Apache 2.0. Указанные в карточке возможности относятся к семейству Gemma 4; отдельные показатели качества для данного чекпойнта не приведены.

Карточка модели Terom/gemma-4-12B-it-qat-q4_0-unquantized на Hugging Face совпадает с карточкой google/gemma-4-12B-it-qat-q4_0-unquantized, поэтому описание составлено по ней. Google DeepMind разработала Gemma 4 12B IT QAT Q4_0 Unquantized — мультимодальную инструкционную модель с плотной архитектурой Gemma4UnifiedForConditionalGeneration, полученную на основе google/gemma-4-12B-it с применением обучения с учётом квантования (QAT). Несмотря на обозначение Q4_0, в этом варианте используются веса половинной точности, извлечённые из QAT-конвейера; он предназначен для последующей компиляции и исследовательской работы. Репозиторий содержит веса в формате safetensors. Модель принимает текст и изображения, а также аудио и видеокадры; генерирует текст. Она подходит для диалога, рассуждений, анализа документов и изображений, распознавания речи, работы с видео, написания и исправления кода и вызова инструментов. Вариант 12B поддерживает контекст до 256 тысяч токенов; семейство Gemma 4 обучено на более чем 140 языках, а карточка заявляет поддержку более 35 языков для мультимодальных задач. Среди заявленных возможностей — понимание документов и PDF, OCR, распознавание рукописного текста, анализ диаграмм и интерфейсов, а также распознавание речи и перевод аудио в текст. Это открытая модель с лицензией Apache 2.0. Указанные в карточке возможности относятся к семейству Gemma 4; отдельные показатели качества для данного чекпойнта не приведены.

vs199507/gemma-4-31B-it-GGUF — GGUF-версия мультимодальной instruction-tuned модели Gemma 4 31B, разработанной Google DeepMind и подготовленной сообществом Unsloth. Модель предназначена для генерации и понимания текста, программирования, рассуждений, работы с изображениями и агентских сценариев с вызовом функций. Это плотная модель примерно с 30,7 млрд параметров, 60 слоями и гибридным механизмом внимания, сочетающим локальное скользящее окно размером 1024 токена с глобальным вниманием. Она принимает текст и изображения и генерирует текст, поддерживает контекст до 256 тысяч токенов и мультиязычную работу более чем со 140 языками. Для модели заявлены настраиваемые режимы рассуждений, улучшенные возможности программирования, native function calling и поддержка системных промптов. К сильным сторонам относятся большой контекст, мультимодальное понимание, развитые возможности рассуждений и широкий спектр прикладных сценариев — от диалогов и анализа документов до coding и автономных агентов. Конкретные характеристики квантования, требования к памяти и производительность этой GGUF-сборки в README не указаны; из-за размера модель ориентирована преимущественно на мощные рабочие станции и серверы. Распространение осуществляется по лицензии Apache 2.0.

Карточка модели kiiro14/gemma-4-E4B-it на Hugging Face совпадает с карточкой google/gemma-4-E4B-it, поэтому описание составлено по ней. Gemma 4 E4B Instruct — мультимодальная модель Google DeepMind, дообученная для следования инструкциям на базе google/gemma-4-E4B. Она использует плотную архитектуру Gemma 4 и принимает текст, изображения и аудио, выдавая текст; аудиовозможности заявлены для варианта E4B. Модель подходит для диалога, рассуждений, генерации и исправления кода, анализа изображений и документов, распознавания речи и перевода речи в текст. Поддерживаются системные инструкции, вызов инструментов и контекст до 128 тысяч токенов; семейство Gemma 4 поддерживает множество языков, включая более 35 языков в практических сценариях. Модель рассчитана в том числе на локальное исполнение на ноутбуках и мобильных устройствах, а гибридное внимание сочетает локальные окна и глобальное внимание для работы с длинным контекстом. Возможности видео описаны для семейства в целом, но README не подтверждает их отдельно для E4B; поэтому видео не включено в модальности этой модели. Лицензия — Apache 2.0.

Карточка модели Naga718/gemma-4-E4B-it на Hugging Face совпадает с карточкой google/gemma-4-E4B-it, поэтому описание составлено по ней. Gemma 4 E4B Instruct — мультимодальная модель Google DeepMind, дообученная для следования инструкциям на базе google/gemma-4-E4B. Она использует плотную архитектуру Gemma 4 и принимает текст, изображения и аудио, выдавая текст; аудиовозможности заявлены для варианта E4B. Модель подходит для диалога, рассуждений, генерации и исправления кода, анализа изображений и документов, распознавания речи и перевода речи в текст. Поддерживаются системные инструкции, вызов инструментов и контекст до 128 тысяч токенов; семейство Gemma 4 поддерживает множество языков, включая более 35 языков в практических сценариях. Модель рассчитана в том числе на локальное исполнение на ноутбуках и мобильных устройствах, а гибридное внимание сочетает локальные окна и глобальное внимание для работы с длинным контекстом. Возможности видео описаны для семейства в целом, но README не подтверждает их отдельно для E4B; поэтому видео не включено в модальности этой модели. Лицензия — Apache 2.0.

Карточка модели Openintelligent123/gemma-4-E4B-it на Hugging Face совпадает с карточкой google/gemma-4-E4B-it, поэтому описание составлено по ней. Gemma 4 E4B Instruct — мультимодальная модель Google DeepMind, дообученная для следования инструкциям на базе google/gemma-4-E4B. Она использует плотную архитектуру Gemma 4 и принимает текст, изображения и аудио, выдавая текст; аудиовозможности заявлены для варианта E4B. Модель подходит для диалога, рассуждений, генерации и исправления кода, анализа изображений и документов, распознавания речи и перевода речи в текст. Поддерживаются системные инструкции, вызов инструментов и контекст до 128 тысяч токенов; семейство Gemma 4 поддерживает множество языков, включая более 35 языков в практических сценариях. Модель рассчитана в том числе на локальное исполнение на ноутбуках и мобильных устройствах, а гибридное внимание сочетает локальные окна и глобальное внимание для работы с длинным контекстом. Возможности видео описаны для семейства в целом, но README не подтверждает их отдельно для E4B; поэтому видео не включено в модальности этой модели. Лицензия — Apache 2.0.

Карточка модели smplelife12798/gemma-4-E4B-it на Hugging Face совпадает с карточкой google/gemma-4-E4B-it, поэтому описание составлено по ней. Gemma 4 E4B Instruct — мультимодальная модель Google DeepMind, дообученная для следования инструкциям на базе google/gemma-4-E4B. Она использует плотную архитектуру Gemma 4 и принимает текст, изображения и аудио, выдавая текст; аудиовозможности заявлены для варианта E4B. Модель подходит для диалога, рассуждений, генерации и исправления кода, анализа изображений и документов, распознавания речи и перевода речи в текст. Поддерживаются системные инструкции, вызов инструментов и контекст до 128 тысяч токенов; семейство Gemma 4 поддерживает множество языков, включая более 35 языков в практических сценариях. Модель рассчитана в том числе на локальное исполнение на ноутбуках и мобильных устройствах, а гибридное внимание сочетает локальные окна и глобальное внимание для работы с длинным контекстом. Возможности видео описаны для семейства в целом, но README не подтверждает их отдельно для E4B; поэтому видео не включено в модальности этой модели. Лицензия — Apache 2.0.

Карточка модели SwinliQ-AIs/gemma-4-E4B-it на Hugging Face совпадает с карточкой google/gemma-4-E4B-it, поэтому описание составлено по ней. Gemma 4 E4B Instruct — мультимодальная модель Google DeepMind, дообученная для следования инструкциям на базе google/gemma-4-E4B. Она использует плотную архитектуру Gemma 4 и принимает текст, изображения и аудио, выдавая текст; аудиовозможности заявлены для варианта E4B. Модель подходит для диалога, рассуждений, генерации и исправления кода, анализа изображений и документов, распознавания речи и перевода речи в текст. Поддерживаются системные инструкции, вызов инструментов и контекст до 128 тысяч токенов; семейство Gemma 4 поддерживает множество языков, включая более 35 языков в практических сценариях. Модель рассчитана в том числе на локальное исполнение на ноутбуках и мобильных устройствах, а гибридное внимание сочетает локальные окна и глобальное внимание для работы с длинным контекстом. Возможности видео описаны для семейства в целом, но README не подтверждает их отдельно для E4B; поэтому видео не включено в модальности этой модели. Лицензия — Apache 2.0.