I.6Перевод и языковая адаптация

WindyTranslate/translate-es-prl — модель машинного перевода, опубликованная Windstorm Labs и созданная на основе Helsinki-NLP/opus-mt-es-prl. Это дообученная MarianMTModel с 30,7 млн параметров; LoRA-дообучение на параллельных данных объединено с базовыми весами. Модель принимает текст на испанском и переводит его на prl. Репозиторий содержит веса в формате safetensors для Transformers, а заявленная длина контекста — 512 токенов. Модель предназначена для перевода в направлении es→prl. Качество ещё не оценивалось на бенчмарках, поэтому пригодность перевода для конкретного применения следует проверять отдельно. Лицензия — Apache-2.0; авторство базовой модели Helsinki-NLP указано в карточке.

Vakya-Mini-100M — компактная модель для перевода с английского на хинди, разработанная автором репозитория Vakya и дообученная методом SFT на базе tiiuae/Falcon-H1-Tiny-Multilingual-100M-Instruct. Она использует плотную архитектуру Falcon-H1 и содержит 77,6 млн параметров по метаданным; карточка оценивает размер примерно в 100–108 млн параметров. Модель рассчитана на быстрый локальный перевод английских предложений на устройства с ограниченными ресурсами, включая ноутбуки с GPU начального уровня. Для дообучения использовано около 127 тысяч примеров из набора английско-хинди перевода; обучение длилось 2 000 шагов. В метаданных указан контекст 262 144 токена, однако карточка не уточняет его практическую применимость к переводу. Модель может галлюцинировать при интенсивном использовании. Лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии в репозитории.

bayartsogt/wav2vec2-large-xlsr-mongolian — модель распознавания монгольской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice. Она преобразует аудиозапись в текст и рассчитана на распознавание монгольского языка; для входной речи требуется частота дискретизации 16 кГц. Модель построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. В README приведён результат оценки 45,82% на тестовой части монгольского Common Voice, но метрика не уточнена. Лицензия — Apache-2.0. Описание обучения содержит незаполненные поля, поэтому точный состав обучающих данных и скрипт обучения не приведены.

efwkjn/whisper-ja-1.5B — дообученная модель семейства Whisper для распознавания японской речи в текст. В README указано, что это базовый экспериментальный чекпойнт, дообученный на основе Whisper large-v3; по метаданным модель содержит 905,2 млн параметров и распространяется в формате safetensors. Модель предназначена для автоматической транскрипции японской речи. Автор сообщает о конкурентном качестве по CER на проверенных наборах данных: результаты на коротких записях сопоставимы с предыдущими моделями, а длинные записи распознаются хуже. Также возможны повторы фрагментов текста. Для инструкций по использованию README отсылает к openai/whisper-large-v3. Сведения о лицензии в предоставленных данных отсутствуют.

steja/whisper-large-shona — модель распознавания речи на архитектуре Whisper Large v2, дообученная автором steja на наборе google/fleurs для языка шона (вариант sn_ZW). Она преобразует аудио в текст и предназначена прежде всего для автоматической транскрипции речи на шона. Модель содержит около 905,2 млн параметров и опубликована в формате PyTorch. На оценочной выборке указана WER 37,5 и loss 0,9189; это результаты конкретной оценки, которые не гарантируют такой же точности на других записях. Модель распространяется по лицензии Apache-2.0.

C1Tech/whisper_small_persian — модель распознавания речи на персидском языке на архитектуре Whisper, разработанная C1Tech и дообученная на крупном пользовательском персидском наборе данных. Она предназначена для преобразования персидской речи в текст и оценки качества распознавания на соответствующих тестовых наборах, включая Common Voice и FLEURS. По README, модель содержит 74 млн параметров. Автор заявляет о результатах, превосходящих Whisper Large-v3, Wav2Vec2-XLSR и ряд других систем на персидских бенчмарках; подробные численные результаты в карточке не приведены. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0.

Subhaka/whisper-small-Sinhala-Fine_Tune — дообученная модель Whisper Small, разработанная на основе openai/whisper-small. Она предназначена для автоматического распознавания речи и преобразования аудио в текст; название модели указывает на настройку для сингальского языка. Модель содержит 153,1 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате PyTorch. Модель можно применять для транскрибирования сингальской речи. В README не приведены сведения о датасете, методике обучения, оценке качества и конкретных ограничениях. Лицензия — Apache-2.0.

qa2code/whisper-small-vi-finetuned — дообученная qa2code модель автоматического распознавания вьетнамской речи на базе openai/whisper-small. Это encoder-decoder архитектура Whisper с 153,1 млн параметров, рассчитанная на обработку аудио и выдачу транскрипции на вьетнамском языке. Модель обучалась на 17 169 аудиозаписях из набора natmin322/18k_vietnamese_voice_augmented_of_VigBigData; в тесте на отложенной выборке этого корпуса она показала WER 31,74% и CER 19,43%, улучшив результаты исходной модели на той же выборке. Модель подходит для транскрибирования вьетнамской речи, особенно аудио, близкого по стилю к обучающему корпусу. Текст выдаётся строчными буквами, без знаков препинания; числа записываются словами. Для публикации или дальнейшего использования текста может понадобиться восстановление регистра и пунктуации. Качество проверялось только на выборке того же корпуса, поэтому для спонтанной речи, региональных акцентов, телефонного аудио и шумных записей оно может быть заметно ниже. Обучение остановили на 3 000 шагах до выхода кривой потерь на плато; модель также наследует склонность Whisper к галлюцинациям на тишине и неречевых звуках, поэтому перед распознаванием рекомендуется обнаружение речевой активности. Лицензия — Apache-2.0.

TheirStory/whisper-small-xhosa — дообученная модель OpenAI Whisper-small для автоматического распознавания речи на языке isiXhosa. Она предназначена для транскрибирования аудиозаписей на isiXhosa; архитектура основана на Whisper, число параметров — 153,1 млн. Модель обучалась на корпусе NCHLT isiXhosa Speech Corpus объёмом около 56 часов: это короткие прочитанные вслух фразы, записанные на смартфон вне студии; в корпусе участвовали 209 дикторов. В README приведён показатель WER 29,73%. Он отражает качество на оценке автора, но сам по себе не гарантирует такую же точность на других типах речи и условиях записи. Модель распространяется по лицензии Apache-2.0; корпус обучения указан под лицензией CC BY 3.0.

Это конвертированная в формат CTranslate2 и квантованная до int8 модель Whisper Turbo Khmer v9 для распознавания речи на кхмерском языке. Исходную модель разработали авторы репозитория 1morecupofhottea/whisper-turbo-khmer-v9; этот репозиторий меняет формат весов для запуска на CPU. Модель преобразует аудио с кхмерской речью в текст. В README приведён результат CER 0,1645 на 150 фразах FLEURS для km_kh и медианное время обработки 5,62 секунды на фразу при четырёх потоках CPU; это собственная оценка платформы Vatana AI, а не независимый бенчмарк. Для декодирования README рекомендует использовать CTranslate2 напрямую и удалять управляющие токены по имени: сборка текста в faster-whisper может некорректно обрабатывать кхмерские токены. Указана лицензия MIT.

Cendol mT5-base Instruct — дообученная IndoNLP инструкция-модель на архитектуре mT5 с генерацией текста в формате encoder-decoder. В репозитории указано 580 млн параметров, а метаданные модели сообщают 291,2 млн; для размера ориентируйтесь на фактический чекпойнт. Модель входит в семейство Cendol, разработанное для индонезийских языков, и распространяется в формате PyTorch по лицензии Apache 2.0. Модель предназначена для одношагового выполнения инструкций и профильных задач NLP: анализа тональности и тем, машинного перевода, суммаризации, ответов на вопросы и перефразирования. Карточка заявляет поддержку индонезийского и региональных языков Индонезии, включая сунданский и яванский, но испытания проводились на индонезийском языке; применение на других языках не входит в заявленную область. Ограничения включают возможные неточности, предвзятые или нежелательные ответы, а также отсутствие подтверждённых испытаний для всех сценариев. Перед внедрением рекомендуется проверка качества и настройка безопасности под конкретное применение.

megalaa/coptic-english-translator — модель машинного перевода на архитектуре MarianMT с 58 млн параметров. По умолчанию она переводит текст на сахидском коптском языке на английский; параметр from_bohairic=True включает перевод с бохайрского коптского на английский. Параметр output_confidence=True позволяет получить оценку уверенности модели. Модель предназначена для перевода коптских текстов на английский и доступна через библиотеку Transformers. Она принимает текст и выдаёт текст перевода; заявленная длина контекста — 512 токенов. Распространяется по лицензии AGPL-3.0.

Dao-9B — открытая модель генерации текста от разработчиков Omni Translator, уменьшенная версия модели для литературного перевода. Она рассчитана прежде всего на перевод китайских веб-романов на английский язык и может запускаться локально; README отмечает, что по возможностям она уступает полной версии и основана на менее современной методике и данных. Модель дообучена на базе Yi-1.5-9B: это плотная архитектура семейства Llama с 8,6 млрд параметров. Она поддерживает диалоговый режим, принимает и генерирует текст, использует форматы PyTorch и Safetensors и имеет контекст длиной 4096 токенов. Для перевода README рекомендует сначала извлекать из контекста термины и имена, чтобы последовательно передавать их в последующих фрагментах. Лицензия — Apache-2.0. Модель описана как uncensored, поэтому может создавать неподходящий для части аудитории контент. Обучение преимущественно на парах китайский—английский, поэтому качество для других языковых пар может быть ниже; сравнительных результатов для Dao-9B в карточке нет.

Ganda Gemma 1B i1 GGUF — это квантизированная версия модели CraneAILabs/ganda-gemma-1b, подготовленная mradermacher в формате GGUF с использованием imatrix-квантования. Модель основана на семействе Gemma и дообучена; в метаданных указаны английский и луганда. Разработчик базовой модели — CraneAILabs, а квантизацию выполнил mradermacher. Модель предназначена прежде всего для разговорных сценариев и перевода, особенно с участием луганды. Она может запускаться локально через инструменты, поддерживающие GGUF, и доступна в вариантах с разной степенью квантования размером примерно от 0,7 до 1,1 ГБ. Наиболее сбалансированными в README названы варианты i1-Q4_K_S и i1-Q4_K_M; более сильное квантование обычно сохраняет больше качества, а варианты с низким уровнем квантования требуют меньше ресурсов, но могут заметно уступать по качеству. В README не указаны точная архитектура в терминах числа слоёв, размер контекстного окна, поддержка мультимодальности, результаты оценивания или подробные характеристики качества. Поэтому модель следует рассматривать как компактную локальную языковую модель для англо-лугандских и разговорных задач, с ограничениями, связанными с небольшим размером и потерями качества при агрессивном квантовании. Лицензия указана как gemma; конкретные условия её применения следует проверять отдельно.

junnei/gemma-3-4b-it-speech — мультимодальная модель, разработанная junnei на основе google/gemma-3-4b-it с речевым адаптером. Она предназначена прежде всего для распознавания речи и перевода речи в текст на английском и корейском языках; также карточка описывает перевод речи с английского на корейский. Модель принимает текст, изображения и аудио, а выдаёт текст. Архитектура относится к Gemma 3 MM, размер базовой модели — 4 млрд параметров, контекст — до 128 тыс. токенов. В метаданных указан формат safetensors и библиотека Transformers. В карточке приведены результаты на Covost2, Fleurs, LibriSpeech и Zeroth, но модель обозначена автором как экспериментальный proof of concept. Лучше всего она рассчитана на короткие аудиозаписи: автор отмечает, что распознавание файлов длиннее 30 секунд может быть заметно менее точным. Лицензия — Gemma; использование регулируется условиями Google Gemma.

munkhbayar-batkhuu/gemma-3-4b-mongolian — текстовая чат-модель на основе Gemma 3 от Munkhbayar Batkhuu. Она дообучена на тщательно отобранном корпусе с преобладанием академических текстов, новостей и книг на монгольском языке в кириллице; также содержит английские тексты. Модель предназначена для ответов на вопросы и диалога на монгольском, особенно в сценариях RAG, где ей передают фрагменты источников и просят отвечать по ним, приводить ссылки и воздерживаться от ответа при нехватке сведений. В карточке также упоминаются перевод, математические задачи и работа со словарём. Модель имеет плотную авторегрессионную архитектуру Gemma3ForCausalLM, около 4 млрд параметров и контекстное окно в метаданных 131 072 токена. При этом README сообщает об обучении на окне 1 280 токенов и заявляет поддержку только текстового ввода, без изображений и файлов. Лицензия — Gemma. Разработчик позиционирует её для исследовательского и образовательного использования, но не для решений с высокими ставками. По оценке автора, ответы заметно надёжнее при наличии источников, однако модель всё ещё может выдумывать факты и ссылки, ошибаться в арифметике и смешивать сведения о разных сущностях. Она обучена на монгольской кириллице, а не на традиционной монгольской письменности; качество английской технической лексики ограничено. Обучение преимущественно на одном вопросе за раз, поэтому модель не рассчитана на последовательный многоходовый диалог; целевой настройки безопасности, достаточной для работы с уязвимыми пользователями, нет.

Hy-MT2-1.8B-1.25Bit-GGUF — квантованная версия мультиязычной модели перевода Tencent Hy-MT2-1.8B, размещённая Zanish Labs / Voco. Модель предназначена для перевода текста между 33 языками и локального запуска на устройствах; также доступна в разговорном интерфейсе. Репозиторий содержит веса в формате GGUF с квантизацией STQ1_0 (1,25 бита); размер файла составляет около 441 МБ. Для запуска заявлена совместимость с llama.cpp на CPU с NEON. На Apple Silicon требуется общий режим диспетчеризации ядер STQ1_0, поскольку NEON-ядро работает некорректно. Модель распространяется по лицензии Apache 2.0. Крайне низкая разрядность квантизации сокращает размер для локального инференса, но README не приводит измерений точности или скорости, поэтому качество перевода после квантизации не установлено.

Это модель машинного перевода IndicTrans2, дообученная krpraveen для перевода предложений с санскрита на английский. Она основана на ai4bharat/indictrans2-indic-en-dist-200M и содержит 211 млн параметров; для обработки текста использует архитектуру IndicTrans и библиотеку Transformers. Модель дообучена на 10 000 парах предложений на санскрите и английском без внешних параллельных корпусов. Она подходит для перевода отдельных предложений и работы в локальном интерфейсе; запускается на CPU или GPU. В README приведены тестовые оценки BLEU 0,244 и BERTScore-F1 0,604. Лицензия — MIT. Результаты отражают оценку на указанном тесте; данных о длине контекста в источниках нет.

Kanarya-750M — предварительно обученная языковая модель на архитектуре GPT-J, выпущенная в рамках инициативы Turkish Data Depository. Модель содержит 750 млн параметров, обучена на турецких текстах из OSCAR и mC4; в карточке указаны 12 слоёв, скрытый размер 2048, 16 голов внимания и словарь из 32 768 токенов. Контекст составляет 2048 токенов. Модель предназначена для продолжения и генерации турецкого текста, а также для последующего дообучения под задачи обработки турецкого языка, включая перевод и суммаризацию. Для прикладных задач её следует дообучить: README не рекомендует использовать базовую модель без настройки. Доступны веса PyTorch и Flax, включая safetensors. Лицензия — Apache-2.0.

KATHE 2026 English to Kashmiri — engLatn → kasArab — это модель перевода, дообученная на базе ai4bharat/indictrans2-en-indic-1B. Она содержит 1,1 млрд параметров и предназначена для перевода коротких предложений с английского языка, записанного латиницей, на кашмирский язык арабским письмом. Модель построена на архитектуре IndicTrans и запускается через Transformers; для декодирования требуется версия Transformers 4.51.x. При обучении использованы 111 053 примера из BPCC и OPUS Wikimedia. Нормализация сохраняет кашмирские диакритические знаки, значимые для произношения и оценки перевода. На публичной таблице результатов KATHE 2026 модель получила 13,90 по метрике √(BLEU × chrF++); веса являются средним двух контрольных точек обучения. Модель проверялась на коротких предложениях учебного регистра, медианная длина которых составляла семь слов. Точность диакритики остаётся основным ограничением, а поведение на длинных и технических текстах не проверено. Условия лицензии в предоставленных данных не приведены.

Liujgoj-Cantonese-Qwen2.5-Omni-7B-SFT-V2.2 — модель проекта Yvthyvq / Liujgoj Cantonese Project, дообученная методом supervised fine-tuning на базе Yvthyvq/Liujgoj-Cantonese-Qwen2.5-Omni-7B-CPT-V2. Это диалоговая модель Qwen2.5-Omni с плотной архитектурой и 7 млрд параметров; в SFT-версии адаптер был объединён с модулем thinker, а компоненты talker и token2wav сохранены. Модель следует инструкциям для задач на кантонском языке: преобразует текст между традиционными иероглифами и латинской орфографией Liujgoj, разбивает слова на слоги и выполняет фонетическую транскрипцию в IPA. Карточка приводит примеры преобразования в обоих направлениях и сообщает о дообучении на 150 846 мультитасковых примерах. Основные языки карточки — кантонский и английский; для кантонского используются латинская орфография Liujgoj и традиционные китайские иероглифы. Модель опубликована в формате safetensors по лицензии Apache-2.0. Хотя сохранена полная мультимодальная архитектура Qwen2.5-Omni, заявленные задачи этой версии — текстовые; карточка описывает ASR как возможное направление дальнейшего дообучения, а не как готовую возможность модели.

LlaMaestra — компактная языковая модель Leonard Püttmann для перевода между английским и итальянским языками. Она создана дообучением Meta Llama 3.2 1B Instruct на примерно 300 тысячах пар предложений из Tatoeba и рассчитана на прямую выдачу перевода без пространных пояснений. Модель имеет плотную архитектуру LlamaForCausalLM и около 1,2 млрд параметров; для запуска используется библиотека Transformers, веса опубликованы в формате safetensors. Указанная длина контекста — 131 072 токена. Небольшой размер позволяет запускать модель на CPU. Она подходит для перевода отдельных фраз и предложений в направлениях EN↔IT. Данные обучения основаны на примерах Tatoeba, поэтому качество на длинных текстах, специализированной терминологии и языковых парах помимо английского и итальянского карточкой не подтверждено. Лицензия — Llama 3.2; условия использования определяются лицензией Meta Llama 3.2.

AlekseyCalvin/Lyrical_MT_mini_rus2eng_MiniPLM_llama3.1_212m — экспериментальная модель машинного перевода, созданная авторами Silver Age Poets на базе MiniLLM/MiniPLM-llama3.1-212M. Это плотная авторегрессионная модель семейства Llama с 211,7 млн параметров, дообученная методом ORPO на датасете русско-английских переводов песенных текстов. Она предназначена для перевода и литературной локализации русских песен и стихов на английский с учётом идиом, ритма, рифмы, размера и исполнительской подачи, сохраняя при этом смысл оригинала. Модель принимает текст и генерирует текст; в метаданных указан контекст до 131 072 токенов. Карточка описывает версию как экспериментальную работу в процессе разработки, поэтому качество перевода может быть нестабильным и требует проверки, особенно при точной передаче смысла и поэтической формы. Лицензия — Apache-2.0.

ShadowB / Abdelhadi Marjane разработал модель сегментации YOLO26s для анализа макета страниц манги. Она выделяет три типа областей: панели и рамки, текстовые фрагменты, а также речевые и повествовательные пузыри. Модель на базе Ultralytics предсказывает ограничивающие рамки, классы, оценки уверенности и пиксельные маски; размер составляет около 11,4 млн параметров. Модель предназначена для подготовки страниц манги к OCR, восстановлению порядка чтения, переводу, очистке текста и проверке человеком. Она обрабатывает изображение страницы и визуально находит области, но не распознаёт и не переводит текст. В карточке указаны японские страницы манги и обучение на данных, производных от Manga109; репозиторий распространяется по лицензии MIT, при этом лицензии и условия доступа к датасетам могут отличаться. На валидационном разделении указаны mask mAP@0.5 0,97013 и mask mAP@0.5:0.95 0,84573. Результаты могут ухудшаться на цветных комиксах, вебтунах, сканах низкого разрешения, страницах с необычной компоновкой, мелким или стилизованным текстом и сложными границами панелей; для производственного применения рекомендуется визуальная проверка.

Monsoon-Whisper-Medium-GigaSpeech2 — модель автоматического распознавания речи от команды Typhoon, основанная на Whisper Medium и дообученная на GigaSpeech2. Она преобразует тайскую речь в текст и рассчитана на распознавание аудио, в том числе записей с YouTube и речи в шумной обстановке. Модель использует архитектуру Whisper и содержит около 455,8 млн параметров. Для работы требуется Transformers версии 4.38.0 или новее. В карточке приведены оценки WER и CER на наборах GigaSpeech2 и Common Voice 17, но сравнительная таблица представлена не полностью, поэтому по ней нельзя восстановить все результаты. Модель экспериментальная: распознавание может быть неточным, и качество следует оценивать для конкретного применения. Лицензия — Apache 2.0; использование также связано с условиями OpenTyphoon и его уведомлением о конфиденциальности.

Davlan/mT5_base_yoruba_adr — модель восстановления диакритических знаков и тоновых отметок в текстах на языке йоруба. Она основана на mT5-base и дообучена для автоматического восстановления диакритики на корпусах JW300 Yorùbá и Menyo-20k. Архитектура — encoder-decoder mT5 с 291,2 млн параметров; модель принимает текст и выдаёт текст с восстановленными знаками. Модель предназначена для нормализации текстов на йоруба, например при подготовке публикаций и обработке корпуса без тоновых отметок. В README указаны BLEU 64,63 на тестовой части Global Voices и 70,27 на Menyo-20k. Качество может снижаться на текстах из других областей и за пределами распределения обучающих данных. Формат весов — PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Teluteru разработала эту модель как QLoRA-дообучение Qwen/Qwen3.5-2B для перевода исследовательских текстов с английского на японский. Дообученная LoRA встроена в полную базовую модель; репозиторий содержит веса в формате Safetensors. Модель предназначена для текстов о глубоком обучении, языковых моделях, робототехнике и моделях vision-language-action. В обучении использовался корпус из 98 127 примеров, созданный на основе материалов arXiv; контекст обучения составлял 2048 токенов. На опубликованной тестовой выборке chrF++ вырос с 44,08 у базовой модели до 66,56 на валидации после дообучения; также приведены показатели сохранения чисел, математических выражений и терминологии. Модель можно запускать через Transformers, а для Apple Silicon README описывает конвертацию в 4-битный формат MLX. Лицензия — Apache-2.0. Корпус и эталонные переводы синтетические, поэтому возможны неестественные формулировки и фактические ошибки. Сохранение чисел и формул не гарантировано; результаты следует проверять, особенно при consequentialном использовании. Модель не проверена для управления роботами, критичного для безопасности, и для языковых пар, отличных от английского и японского.

Rootformer v14.3 Sovereign Transmute — авторская модель Enver, разработанная при участии AynEngine и Университета Приштины. Это плотная языковая модель семейства Rootformer с 390,9 млн параметров и контекстом 2048 токенов, предназначенная для генерации и перевода классических арабских текстов на английский язык. Модель ориентирована на морфологический и синтаксический разбор классического арабского: различает залог и производные формы глаголов, разбирает местоименные клитики и хамзу, учитывает управление предлогов и конструкции идафы. В README приведены примеры перевода вокализованных и невокализованных текстов, а также результаты авторских тестов на классических текстах; эти показатели не являются независимой оценкой качества. Репозиторий содержит веса в формате Safetensors. Лицензия указана как other, поэтому конкретные условия использования следует сверить с карточкой модели и файлами лицензии.

Windstorm Labs опубликовала модель машинного перевода с немецкого языка на фиджийский. Это дообученная версия Helsinki-NLP/opus-mt-de-fj на базе MarianMT: LoRA-адаптер обучили на параллельном корпусе и объединили с базовыми весами. Модель содержит 55,8 млн параметров, работает с текстом и имеет контекст до 512 токенов. Модель предназначена для перевода немецких текстов на фиджийский в приложениях на Transformers. В проверке на 48 предложениях FLORES-200 она получила chrF++ 29,43 и BLEU 6,18; авторы характеризуют этот результат как предварительную ограниченную оценку, а не публикационный результат. Поддерживается только направление de→fj, поэтому качество на других языках и направлениях не заявлено. Лицензия — Apache-2.0.

Windstorm Labs публикует модель машинного перевода с английского на язык или группу языков, обозначенную в карточке как CELTIC. Это дообученная версия Helsinki-NLP/opus-mt-en-CELTIC: LoRA-адаптация на параллельном корпусе объединена с базовыми весами. Модель построена на архитектуре MarianMT, содержит 29,8 млн параметров, принимает текст и выдаёт текст. Указанная длина контекста — 512 токенов. Модель предназначена для перевода текстов с английского на CELTIC. Карточка подтверждает изменение весов, но качество не оценивалось на бенчмарках, поэтому пригодность для конкретных текстов следует проверять отдельно. В репозитории представлены веса Safetensors для загрузки через Transformers; другие сборки, включая CTranslate2 INT8, не входят в него. Лицензия — Apache-2.0.