I.6Перевод и языковая адаптация

Карточка модели Timegravity/tamil-lm-2b-base на Hugging Face совпадает с карточкой Timegravity/tamil-lm-2b-instruct, поэтому описание составлено по ней. Карточка модели Timegravity/tamil-lm-2b-instruct на Hugging Face совпадает с карточкой Timegravity/tamil-lm-2b-base, поэтому описание составлено по ней. Tamil LM 2B Base — мультимодальная модель Timegravity Labs Private Limited из Коимбатура, адаптированная от Qwen/Qwen3.5-2B-Base продолженным предобучением на тамильском языке. Это базовая версия без описанной в карточке настройки для диалога; связанная версия tamil-lm-2b-instruct прошла дополнительное обучение инструкциям. Архитектура Qwen3.5 dense с Gated DeltaNet и gated attention, размер базовой модели — 2 млрд параметров. В репозитории сохранены исходные компоненты для работы с изображениями, но обучение проводилось на текстовой части модели. Модель предназначена для экспериментов и адаптации небольших моделей к тамильскому языку. Увеличенный тамильский токенизатор содержит 22 222 дополнительных SentencePiece-токена, а заявленная поддержка языков включает тамильский, Tanglish и английский. Для прикладного диалога, простых объяснений и перевода README рекомендует версию instruct и слой обслуживания с модерацией и поиском. Известные ограничения включают слабые навыки рассуждения и математики на английском, устаревающие сведения о текущих событиях и ненадёжное воспроизведение литературных цитат без внешней базы знаний. Модель выпущена под лицензией Apache License 2.0; версия 0.1.0-preview опубликована в сентябре 2026 года.

Модель billingsmoore/tibetan-asr-nict-tib1-whisper-small разработана для распознавания тибетской речи и создана полным дообучением Whisper Small от OpenAI. Это модель encoder–decoder на базе Transformer с 153,1 млн параметров, предназначенная для преобразования аудио в текст на лхасском тибетском языке. Модель дообучена на корпусе NICT-Tib1 с записями чтения новостных текстов 20 дикторами. В исследовании она показала лучшие результаты среди 14 сравнивавшихся конфигураций на тестовом наборе NICT-Tib1 по символьным, слоговым и сегментированным словным метрикам. Её можно использовать через pipeline automatic-speech-recognition в библиотеке Transformers. Оценка охватывает только современный лхасский тибетский язык и чтение новостных текстов. Качество на диалектах Амдо и Кхам, классическом тибетском и спонтанной разговорной речи не установлено; тест включал записи лишь трёх дикторов. Модель распространяется по лицензии Apache-2.0.

WindyTranslate/translate-es-zai — модель машинного перевода, опубликованная Windstorm Labs и основанная на Helsinki-NLP/opus-mt-es-zai. Это дообученная модель MarianMT примерно с 50 млн параметров: LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель принимает текст на испанском языке и переводит его на zai; направление перевода одно, контекст — до 512 токенов. Модель распространяется в формате safetensors и загружается через Transformers как Seq2Seq-модель. Лицензия — Apache-2.0. Качество перевода пока не оценивалось бенчмарками, а факт изменения весов сам по себе не подтверждает улучшение качества.

WindyTranslate/translate-fi-ha — модель машинного перевода, опубликованная Windstorm Labs и предназначенная для перевода с финского языка на хауса. Это дообученная версия Helsinki-NLP/opus-mt-fi-ha: авторы сообщили, что обучили LoRA на параллельном корпусе и объединили адаптер с базовыми весами. Модель построена на архитектуре MarianMT, содержит 54,5 млн параметров, работает через Transformers и поставляется в формате safetensors. Контекст — до 512 токенов. На ограниченной оценке FLORES-200 dev из 48 предложений модель получила chrF++ 22,78 и BLEU 2,21; авторы обозначают результат как ограниченный и не считают его результатом публикационного уровня. Модель рассчитана только на направление финский → хауса, поэтому качество для других языковых пар не заявлено. Лицензия — Apache-2.0.

whisper-tiny-myanmar — дообученная Chuu Htet Naing версия модели OpenAI Whisper Tiny для распознавания бирманской речи и её преобразования в текст. Она основана на WhisperForConditionalGeneration и обучена на датасете chuuhtetnaing/myanmar-speech-dataset-openslr-80. Модель содержит 29,4 млн параметров и принимает аудио, выдавая текст. На оценочном наборе указаны loss 0,2353 и WER 61,8878; высокий WER указывает на существенные ошибки распознавания. Репозиторий распространяет веса в формате safetensors по лицензии Apache-2.0.

CantoneseLLMChat-v1.0-7B — разговорная языковая модель от hon9kon9ize для общения на кантонском языке и работы с темами, связанными с Гонконгом. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, реализованная для Transformers и сохранённая в формате safetensors; заявленная длина контекста — 131 072 токена. Модель создана дообучением CantoneseLLM-v1.0: базовый чекпойнт прошёл непрерывное предобучение Qwen 2.5 7B на материалах о Гонконге, затем чат-модель обучили на 75 000 пар инструкций, часть которых была проверена людьми. Модель предназначена для кантонских диалогов, ответов на вопросы о Гонконге и задач, требующих понимания кантонской речи и местного культурного контекста. В карточке заявлены сильные результаты на HK-Eval, но также отмечено, что модели с рассуждением показали существенно лучшие результаты; версия с рассуждением планировалась для следующего поколения. Лицензия — Apache-2.0.

jinen-v1-small — компактная языковая модель разработчика togatogah для преобразования японской записи кана в кандзи с учётом контекста. Это плотная модель GPT-2 с 110 млн параметров и BPE-токенизатором; она обучена на специально обработанных данных Miwa-Keita/zenz-v2.5-dataset. Для работы используется формат jinen со специальными Unicode-маркерами, задающими контекст, входную катакану и начало вывода кандзи. Модель предназначена для контекстно-зависимой конверсии кана—кандзи. В README приведены результаты AJIMEE-Bench: Acc@1 0,775 при NFKC-нормализации и CER 0,033; токенизатор выполняет NFKC-нормализацию. Контекст модели — 1024 токена. Репозиторий предоставляет веса safetensors, а README также упоминает варианты GGUF в FP16 и Q5_K_M. Лицензия — CC-BY-SA 4.0.

la_core_web_lg — конвейер NLP для латинского языка в spaCy, разработанный Patrick J. Burns в рамках проекта LatinCy при участии Tim Geelhaar, Nora Bernhardt и Vincent Koch. Модель обучена на гармонизированных корпусах Universal Dependencies Perseus, PROIEL, ITTB, LLCT, UDante и CIRCSE, а также на данных LASLA. Конвейер выполняет токенизацию с обработкой энклитик, сегментацию предложений, POS-теггинг, морфологический анализ, лемматизацию, синтаксический разбор зависимостей и распознавание именованных сущностей. Он поддерживает латинский язык и включает 200 000 уникальных 300-мерных векторов. Версия модели — 3.9.8; требуется spaCy версии не ниже 3.8.11 и ниже 3.9.0. Модель подходит для лингвистического анализа латинских текстов, извлечения сущностей, нормализации словоформ и построения структурированных синтаксических представлений. По опубликованным оценкам, точность POS-теггинга составляет 96,48%, лемматизации — 94,15%, сегментации предложений — 93%, а F-мера распознавания сущностей — 88,36%. Точность морфологического анализа равна 90,78%, UAS синтаксического разбора — 80,78%, LAS — 75,27%. Показатели относятся к измерениям версии 3.9; в версии 3.9.8 веса не переобучались, а метрики повторно не измерялись на обновленном тестовом наборе. Ограничения включают зависимость от совместимой версии spaCy и возможное снижение качества на текстах, заметно отличающихся от обучающих корпусов. Модель распространяется по лицензии MIT.

Latxa-Qwen3-VL-32B-Instruct — мультимодальная инструктивная модель HiTZ Research Center и исследовательской группы IXA Университета Страны Басков UPV/EHU. Она дообучена на базе Qwen/Qwen3-VL-32B-Instruct и предназначена для диалога с пользователем и выполнения инструкций с учётом изображений. Модель принимает текст и изображения и генерирует текст; архитектура — плотная Qwen3-VL, размер — 32 млрд параметров. Основной вариант адаптирован для баскского языка; мультиязычная ревизия дополнительно адаптирована для галисийского и каталанского. Карточка также указывает поддержку испанского, английского и других языков, но качество вне баскского не гарантируется. Модель распространяется по лицензии Apache 2.0. Разработчики отмечают, что опубликованные версии предварительные и продолжают развиваться.

facebook/mms-tts-hap — модель синтеза речи на языке Hupla (код hap), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текста на Hupla. Это отдельный языковой чекпойнт семейства VITS: компактная модель с 3,5 млн параметров, построенная как сквозная система text-to-speech с вариационным автоэнкодером, потоком преобразования признаков и декодером аудио; стохастический предиктор длительности позволяет получать варианты ритма, поэтому для повторяемого результата требуется фиксированный seed. Модель доступна в Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

NLLB-200 3.3B — модель машинного перевода, разработанная командой NLLB и представленная в статье No Language Left Behind. Это плотная encoder-decoder-модель семейства M2M-100 с архитектурой M2M100ForConditionalGeneration; в метаданных указано 2,1 млрд параметров, формат PyTorch и контекст 1024 токена. Модель переводит отдельные предложения между 200 языками, уделяя особое внимание языкам с малым объёмом обучающих данных. Модель предназначена прежде всего для исследований машинного перевода и может использоваться для перевода общих текстов между поддерживаемыми языками. Она обучалась на многоязычных параллельных данных и оценивалась, в частности, на FLORES-200. Качество зависит от языковой пары и предметной области; авторы отмечают ограниченную проверку вне домена Wikimedia. Модель не предназначена для производственного развертывания, перевода документов или специализированных медицинских и юридических текстов. Обучающие примеры не превышали 512 токенов, поэтому на длинных входах качество может снижаться; перевод не является заверенным. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерчески.

Это экспериментальная модель распознавания речи Akan, подготовленная Ghanaian Speech Lab для серии Serendepify GSL. Модель основана на Whisper Small с 153,1 млн параметров и дообучена на данных GhanaNLP; при этом энкодер Whisper был заморожен, а остальные параметры прошли полное дообучение с низкой скоростью обучения. Модель предназначена для преобразования речи на Akan в текст. В обучении использовались 10 000 строк GhanaNLP, а набор Waxal применялся только для проверки регрессии. Это реальный обучающий запуск, однако авторы считают его кандидатом на проверку: оценка на отложенной выборке и анализ типов ошибок ещё не завершены. Лицензия — CC BY-SA 4.0.

Карточка модели Timegravity/tamil-lm-2b-instruct на Hugging Face совпадает с карточкой Timegravity/tamil-lm-2b-base, поэтому описание составлено по ней. Tamil LM 2B Base — мультимодальная модель Timegravity Labs Private Limited из Коимбатура, адаптированная от Qwen/Qwen3.5-2B-Base продолженным предобучением на тамильском языке. Это базовая версия без описанной в карточке настройки для диалога; связанная версия tamil-lm-2b-instruct прошла дополнительное обучение инструкциям. Архитектура Qwen3.5 dense с Gated DeltaNet и gated attention, размер базовой модели — 2 млрд параметров. В репозитории сохранены исходные компоненты для работы с изображениями, но обучение проводилось на текстовой части модели. Модель предназначена для экспериментов и адаптации небольших моделей к тамильскому языку. Увеличенный тамильский токенизатор содержит 22 222 дополнительных SentencePiece-токена, а заявленная поддержка языков включает тамильский, Tanglish и английский. Для прикладного диалога, простых объяснений и перевода README рекомендует версию instruct и слой обслуживания с модерацией и поиском. Известные ограничения включают слабые навыки рассуждения и математики на английском, устаревающие сведения о текущих событиях и ненадёжное воспроизведение литературных цитат без внешней базы знаний. Модель выпущена под лицензией Apache License 2.0; версия 0.1.0-preview опубликована в сентябре 2026 года.

TiLamb-7B — базовая большая языковая модель для тибетского языка, разработанная на основе Meta LLaMA2-7B. Модель содержит 6,7 млрд параметров и прошла дополнительное предобучение методом LoRA на 26,43 ГБ тибетских текстов. Словарь расширен с 32 000 до 61 221 токена с расширением инициализации embedding и lm_head. Контекст составляет 4096 токенов. Модель предназначена для генерации текста на тибетском языке и дальнейшей адаптации к тибетским NLP-задачам: классификации новостей и отношений сущностей, машинному чтению, сегментации слов, суммаризации, ответам и генерации вопросов. Это базовая модель без инструкционного дообучения, поэтому готового диалога она не поддерживает. Репозиторий содержит веса PyTorch. Указана лицензия Apache-2.0; README также требует соблюдать лицензионные условия базовой LLaMA2-7B.

WindyTranslate/translate-en-pqe — модель машинного перевода от Windstorm Labs для перевода текста с английского на pqe. Она основана на Helsinki-NLP/opus-mt-en-pqe: к исходным весам применили дообучение LoRA на параллельном корпусе и объединили адаптер с базовой моделью. Архитектура — MarianMT, размер — 55,9 млн параметров; модель доступна в формате safetensors и рассчитана на контекст до 512 токенов. Модель предназначена для однонаправленного перевода en → pqe. Её можно загружать через Transformers как модель последовательного преобразования текста. Лицензия — Apache-2.0. Качество перевода не оценено: проверка подтвердила заявленный язык результата, но не точность или естественность перевода.

Adnan666/whisper-small-pashto-run11-cv24only — дообученная Adnan666 модель распознавания речи на базе openai/whisper-small. Она предназначена для преобразования речи в текст; название указывает на настройку для пушту, однако сведения о языке и обучающем наборе в карточке не подтверждены. Модель построена на архитектуре Whisper, содержит 153,1 млн параметров и распространяется в формате Safetensors через Transformers. В карточке приведены результаты оценки: loss 1,0145 и WER 49,0943; дополнительного описания сценариев применения и ограничений автор не предоставил. Лицензия — Apache-2.0.

Это дообученная модель распознавания речи на базе мультиязычной OpenAI Whisper Small, разработанной OpenAI. Она предназначена для преобразования аудио в текст; название репозитория указывает на настройку для языка сантали, однако README не описывает обучающие данные и языковую поддержку подробнее. Модель построена на архитектуре Whisper и распространяется в формате Safetensors через Transformers. На оценочном наборе указаны Loss 0,7537, WER 32,1909 и CER 7,1305; без описания набора и протокола оценки эти результаты трудно интерпретировать. Модель распространяется по лицензии Apache-2.0.

Whisper Small fine-tuned на корпусе WAXAL для автоматического распознавания разговорной речи на языке акан. Модель разработана командой WAXALNet в рамках исследования WAXAL ASR Benchmark и предназначена для низкоресурсных сценариев распознавания речи и исследовательских задач. Она принимает аудио и выдаёт текстовую транскрипцию; в README указана оценка на тестовом наборе WAXAL: WER 31,7% и CER 11,3%.

Centurio — открытая мультиязычная визуально-языковая модель, разработанная командой проекта Centurio. Она объединяет языковую модель Qwen2.5-7B-Instruct и визуальный энкодер timm/ViT-SO400M-14-SigLIP-384. Модель предназначена для диалога и генерации текста по изображениям; поддерживает ввод нескольких изображений и работу через библиотеку transformers с пользовательским кодом. Модель обучалась на 100 языках, включая русский. Её можно применять для вопросов об изображениях, описания визуального содержимого и мультиязычного общения с визуальным контекстом. Выпущена под лицензией Apache 2.0. Это исследовательский проект, не рекомендованный авторами для производственного использования. Возможны галлюцинации и смещения; качество заметно различается между языками. Модель испытывает трудности с мелким текстом и OCR на нелатинских письменностях.

Это дообученная модель ByT5, разработанная для транслитерации латиницей записанного дивехи в письменность тхаана. Она генерирует выход в виде ASCII-символов раскладки Segha, после чего его нужно преобразовать в тхаана с помощью функции keymap_to_thaana из проекта. Такая схема уменьшает число шагов декодирования примерно втрое по сравнению с генерацией байтов UTF-8 для символов тхаана; символы, цифры, знаки препинания и пробелы обрабатываются согласно описанию раскладки. Модель содержит 364,6 млн параметров, построена на архитектуре T5 и распространяется в формате safetensors под лицензией Apache-2.0. Модель дообучена на парах транслитерации дивехи и использует Neobe/dhivehi-byt5-latin2thaana-v1 как базовую модель. В README отмечены типичные проблемы исходной модели — галлюцинации на коротких входах и ухудшение качества на длинных; для их смягчения применялась аугментация примеров разной длины. Для отображения результата в тхаана требуется отдельный этап преобразования ASCII keymap.

facebook/mms-tts-ngp — модель синтеза речи на языке Ngulu (ngp), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст в речевую аудиоволну и предназначена для озвучивания текстов на Ngulu. Для каждого языка в проекте обучается отдельный чекпойнт. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, flow-модуль, стохастический предиктор длительности и декодер HiFi-GAN-подобного типа. Размер модели — 3,5 млн параметров; она доступна для Transformers версии 4.33 и новее, в форматах PyTorch и Safetensors. Предиктор длительности стохастический, поэтому один и тот же текст может получать разный ритм и звучание; для воспроизводимого результата требуется фиксировать seed. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

MoxhiMT-60 — модель машинного перевода с китайского на вьетнамский, разработанная DanVP и настроенная на перевод сянься и веб-романов. Она предназначена для локального или серверного инференса и уделяет особое внимание терминологии жанра культивации. Модель использует архитектуру Marian в формате encoder–decoder с 8 слоями энкодера и 2 слоями декодера; размер составляет около 56,3 млн параметров, контекст — до 512 токенов. Для китайского и вьетнамского применяется общий SentencePiece-токенизатор с размером словаря 24 тысячи. Репозиторий также содержит сборку CTranslate2 INT8 для ускорения инференса на CPU. Карточка характеризует выпуск как экспериментальный и рекомендует проверять результат перед публикацией или использованием в значимых ситуациях. Модель распространяется по лицензии Apache-2.0; в README указано, что её обучали с нуля с пользовательским токенизатором.

iryneko571 выпустил компактную модель машинного перевода на основе mT5-small, дообученную для перевода между японским и китайским языками. Модель содержит 157,4 млн параметров и использует архитектуру MT5ForConditionalGeneration; для работы применяется библиотека Transformers, веса опубликованы в формате safetensors. Модель предназначена для перевода текстов с японского на китайский и обратно. Она дообучалась на наборе CCMatrix-v1-Ja_Zh в течение семи эпох; автор сообщает о валидационной потере около 1,7 и отмечает, что обучение застопорилось, а качество перевода пока слабое. Лицензия — MIT.

muril-hinglish-lid — разработанная PhysicsWallahAI модель для контекстного определения языка каждого слова в латинской записи смешанного текста на хинди и английском (Hinglish). Она присваивает словам одну из двух меток — HIN или ENG — с учётом контекста предложения, поэтому подходит для подготовки текста к синтезу речи и для этапов обработки в системах транслитерации. Модель не выполняет саму транслитерацию и не определяет язык целого предложения. В основе лежит MuRIL от Google — BERT-модель, дообученная с головой классификации токенов на 2 класса. В README указано 237 млн параметров, тогда как метаданные Hugging Face сообщают 264,8 млн; длина контекста по метаданным — 512 токенов. README приводит точность 99,20% на независимом размеченном наборе и 96,43% на выбранных для сравнения классах набора LinCE, но эти показатели не гарантируют такое же качество на других данных. Модель ориентирована на хорошо сформулированные учебные ответы индийского K–12 и подготовки к экзаменам. Она хуже работает с короткими фрагментами, неоднозначными словами, сокращениями из SMS и чатов; имена собственные не имеют отдельной метки, а тексты на других языках будут принудительно отнесены к HIN или ENG. Распространяется по лицензии Apache-2.0.

WindyTranslate/translate-es-ho — модель машинного перевода от Windstorm Labs, основанная на Helsinki-NLP/opus-mt-es-ho. Это дообученная модель MarianMT примерно с 48,3 млн параметров, принимающая текст на испанском языке и переводящая его на язык хо. Контекст модели составляет 512 токенов. Веса дообучены методом LoRA на параллельном корпусе и объединены с базовыми весами; изменены 36 из 254 тензоров. Модель предназначена для перевода в одном направлении — с испанского на хо. Для неё не проводились тесты качества, поэтому точность перевода не подтверждена. Репозиторий содержит сборку Transformers в формате safetensors. Лицензия — Apache-2.0.

Это дообученная версия OpenAI Whisper large-v2, созданная clu-ling для распознавания японской речи. Модель обучалась 5000 шагов на обучающей части Common Voice 11.0 и предназначена для преобразования аудиозаписей на японском языке в текст; оценивание проводилось на тестовой части того же набора данных. Модель использует архитектуру WhisperForConditionalGeneration и содержит около 905,2 млн параметров. В README указаны значение loss 0,4200 и WER 0,7449 на оценочном наборе. Авторы предупреждают, что качество расшифровок может быть неудовлетворительным для пользователей. Лицензия — Apache-2.0.

Whisper Small — Santali ASR — это модель thunderboltc, дообученная на базе openai/whisper-small для распознавания речи на языке сантали. Она преобразует аудио в текст на Sanlish — разработанной автором карточки латинской транслитерации сантали, предназначенной для последующего машинного перевода на бенгальский язык. Модель использует архитектуру Whisper Encoder-Decoder Transformer и содержит около 242 млн параметров. Для дообучения использованы 502 аудиозаписи с транскрипциями Sanlish. На тестовой выборке из 51 записи указаны WER 56,55% и CER 13,31%. Модель рассчитана на низкоресурсное распознавание сантали и не предназначена для распознавания других языков или вывода стандартным письмом ол-чики. Небольшой обучающий набор ограничивает перенос на незнакомых дикторов и условия записи; вариативность написания Sanlish также влияет на WER. Лицензия модели — MIT.

mamatjan/xls-r-uyghur-cv18 — модель автоматического распознавания речи, разработанная Mamajtan Abudkader и дообученная на данных Common Voice 18. Архитектура — Wav2Vec2ForCTC семейства XLS-R; размер модели — 402,7 млн параметров. Она принимает аудио и распознаёт уйгурскую речь, выдавая текст письмом на основе персо-арабского алфавита без знаков пунктуации. Модель предназначена для черновых субтитров к видео и индексации записанных передач. В README указана низкая надёжность: модель не подходит как замена живым субтитрам для обеспечения доступности. Обучение проводилось на обучающей и валидационной выборках Common Voice 18, итоговая оценка — на официальной тестовой выборке. Лицензия — Apache-2.0.

ElanMT-BT-ja-en — модель перевода с японского на английский, разработанная проектом ELAN MITSUA / Abstract Engine. Это дообученная версия ElanMT-base-ja-en на открытых корпусах и данных Википедии, переведённых обратно с помощью ElanMT-base-en-ja. Модель построена на архитектуре Marian MT: 6-слойный трансформерный кодировщик-декодировщик с токенизатором SentencePiece; в метаданных указаны 41,6 млн параметров и контекст до 512 токенов. Модель предназначена для перевода японских предложений и текстов на английский, включая сценарии, где важно использовать модель, обученную на открыто лицензированных данных. Авторы сообщают о результатах на FLORES+ и NTREX, однако предупреждают, что качество перевода может быть низким, а результаты — неверными, вредными или предвзятыми. Модель не подходит для задач, требующих высокой точности. Лицензия — CC BY-SA 4.0.

Модель alexbalandi/litlat-bert-lithuanian-morphology — теггер морфологической разметки литовского языка, разработанный на основе EMBEDDIA/litlat-bert и дообученный для классификации токенов. Она присваивает каждому слову объединённую метку UPOS и морфологических признаков: падежа, рода, числа, времени, лица, залога, степени, формы глагола, наклонения и рефлексивности. Модель предназначена для морфологического анализа и POS-разметки литовских текстов; её результаты также подходят для задач, использующих признаки согласования. Архитектура — XLM-RoBERTa, около 177,9 млн параметров; длина контекста — 514 токенов. Репозиторий содержит веса Safetensors и ONNX-версию INT8 для работы на CPU. По тесту на 684 предложениях ALKSNIS точность UPOS составила 92,5%, а точное совпадение набора ключевых признаков — 89,1%. Модель намеренно не выдаёт леммы и полный набор UD-признаков: в частности, пропускает признаки вроде Definite, Polarity и PronType. Обучение основано на корпусах MATAS v3.0 и UD_Lithuanian-ALKSNIS; лицензия модели — CC BY-SA 4.0.