I.6Перевод и языковая адаптация

Aya Expanse 32B — большая языковая модель с открытыми весами, разработанная Cohere For AI. Эта версия представлена в формате GGUF с квантизациями imatrix и предназначена для локального запуска через llama.cpp, KoboldCPP, Ollama, text-generation-webui, GPT4All и другие совместимые инструменты. Модель ориентирована на генерацию текста и обладает мультиязычными возможностями для 23 языков, включая русский, английский, арабский, китайский, французский, немецкий, японский, корейский, испанский, турецкий, украинский и другие. Она основана на предобученной модели семейства Command и включает результаты исследований Cohere For AI в области отбора данных, мультиязычного обучения предпочтениям, настройки безопасности и объединения моделей. Размер исходной модели составляет 32 миллиарда параметров; сведения о длине контекста и точной архитектуре в карточке не указаны. Модель подходит для диалогов, написания и преобразования текстов, а также других задач генерации на поддерживаемых языках. Ключевое преимущество — широкий мультиязычный охват и возможность локального использования в оптимизированных GGUF-квантизациях. Ограничения связаны с требованиями к вычислительным ресурсам, зависящими от выбранной квантизации, а также с тем, что это исследовательский релиз; конкретные показатели качества и параметры контекста не приведены. Использование регулируется лицензией CC-BY-NC и требует соблюдения Acceptable Use Policy компании Cohere.

BLOOMZ-1B1 — мультиязычная авторегрессионная языковая модель семейства BLOOM, разработанная BigScience. Это вариант BLOOM, дообученный на смеси межъязыковых задач xP3 для следования инструкциям на естественном языке и выполнения задач zero-shot, в том числе на языках и задачах, не встречавшихся при дообучении. Модель содержит около 1,1 млрд параметров, использует архитектуру BloomForCausalLM и поддерживает контекст до 2048 токенов. Репозиторий предоставляет веса PyTorch и safetensors; в карточке указана поддержка множества языков, включая английский, французский, испанский, китайский, хинди, арабский и другие. Модель подходит для генерации и преобразования текста по инструкциям: перевода, ответов на вопросы, классификации тональности, объяснений и творческого письма. Качество зависит от формулировки запроса; карточка рекомендует явно обозначать конец входного текста и задавать контекст, в том числе желаемый язык ответа. Лицензия bigscience-bloom-rail-1.0 устанавливает условия использования BLOOM; перед применением следует учитывать её положения.

NVIDIA NeMo Canary Flash — многоязычная модель распознавания речи и перевода речи, построенная на архитектуре Canary. Модель содержит 182 млн параметров: кодировщик FastConformer с 17 слоями и декодер Transformer с 4 слоями. Для работы используется библиотека NVIDIA NeMo. Модель распознаёт речь на английском, немецком, французском и испанском языках. Она также переводит речь с английского на немецкий, французский и испанский, а с этих языков — на английский; доступно оформление текста с пунктуацией и заглавными буквами. Экспериментальная функция добавляет временные метки слов и сегментов. Заявленная скорость превышает 1200 RTFx на наборах OpenASR Leaderboard. Модель принимает монофонические аудиофайлы WAV или FLAC с частотой 16 кГц и выдаёт текст, при выбранном режиме — с временными метками. Для длинных записей, превышающих примерно 40 секунд, NeMo предоставляет обработку по частям. В карточке также отмечено, что выходной текст может требовать обратной нормализации и что специальные символы не обрабатываются. Лицензия CC-BY-4.0 допускает коммерческое использование.

NVIDIA NeMo Canary 1B Flash — многозадачная речевая модель с 883 млн параметров для распознавания речи и перевода речи в текст. Она использует архитектуру encoder-decoder: FastConformer-энкодер и Transformer-декодер; модель реализована для NeMo и опубликована в формате safetensors. Модель распознаёт английскую, немецкую, французскую и испанскую речь. Она также переводит речь с английского на немецкий, французский и испанский, а с этих трёх языков — на английский. Для этих языков доступна экспериментальная генерация временных меток слов и сегментов. Заявлена скорость более 1000 RTFx на наборах Open ASR Leaderboard; для аудио длиннее 40 секунд рекомендуется обработка частями, а для временных меток — чанками по 10 секунд. На вход подаются монофонические WAV или FLAC-файлы с частотой 16 кГц, на выходе — текст, при необходимости с временными метками. Для работы требуется NVIDIA NeMo. Модель не обрабатывает специальные символы и может требовать обратной нормализации текста; качество распознавания зависит от языка и характеристик записи. Лицензия CC-BY-4.0 допускает коммерческое использование.

Darwin-28B-KR — разработанная VIDRAFT мультимодальная модель семейства Darwin с примерно 28 млрд параметров на архитектуре Qwen3_5ForConditionalGeneration с гибридным полным и линейным вниманием. Она предназначена прежде всего для общения, понимания, генерации и рассуждений на корейском языке, а также поддерживает рассуждения на английском. Модель умеет анализировать изображения и видео и формулировать ответы на корейском языке. Модель подходит для корейских вопросов и ответов, задач на рассуждение, письма, суммаризации, творческой генерации, перевода между корейским и английским, а также для анализа визуальных материалов. В README приведено сравнение с другими моделями на корейском тесте CLIcK по выборке из 200 вопросов; результат модели — 0,786. Для инференса указана поддержка Transformers и рекомендуемый запуск через vLLM; для BF16 требуется около 55 ГБ видеопамяти. Это объединение Darwin-27B-KR и Darwin-28B-Opus методом evolutionary merge, с последующей identity tuning. Модель опубликована под лицензией Apache-2.0. В метаданных указаны интерфейс чата и интерфейс вызова инструментов; задачи распознавания изображений и видео не представлены отдельными pipeline-тегами, поэтому главная задача — text-generation.

Fanar-2-27B-Instruct — арабско-английская большая языковая модель, разработанная Институтом компьютерных исследований Катара (QCRI) при Университете Хамада бин Халифы. Это плотный авторегрессионный трансформер на 28,3 млрд параметров, дообученный на основе google/gemma-3-27b-pt. Модель рассчитана на диалоговую генерацию текста, рассуждения на арабском языке и работу с инструментами; поддерживает литературный арабский и диалекты, включая заливный, левантийский и египетский, а также английский. Модель ориентирована на арабоязычные и двуязычные сценарии: ответы на вопросы, понимание текста, математические задачи и культурно адаптированный диалог. В README описаны режим выборочного рассуждения, вызов инструментов и меры снижения галлюцинаций. Метаданные указывают контекст до 131 072 токенов; карточка также приводит 32 768 токенов. Доступна в формате safetensors и совместима с Transformers. Лицензия — Apache-2.0. Как и другие генеративные модели, Fanar может выдавать предвзятые, оскорбительные или неверные ответы. Авторы не рекомендуют использовать её самостоятельно для решений с высокими ставками, включая медицинские, юридические и финансовые; для таких сценариев нужны проверки и дополнительные меры безопасности.

Gemma-SEA-LION-v4-27B-IT — языковая модель с инструктивной настройкой от AI Singapore, разработанная для языков Юго-Восточной Азии. Это плотная декодерная модель на архитектуре Gemma 3, дообученная на примерно 10 млн пар вопросов и ответов на бирманском, английском, индонезийском, кхмерском, лаосском, малайском, тагальском, тамильском, тайском и вьетнамском языках. Модель предназначена для диалогов, ответов на вопросы, следования инструкциям, суммаризации, анализа тональности, перевода и рассуждений; заявленная длина контекста — 128 тысяч токенов. Модель также сохраняет мультимодальные возможности Gemma 3 для понимания изображений и текста, включая визуальные вопросы и разбор документов, однако её дополнительное обучение выполнялось только на текстовой части, поэтому специальных улучшений в работе с изображениями не заявлено. Поддерживаются вызов функций и структурированные ответы. По оценке разработчиков, модель сильна в задачах для языков региона, но может галлюцинировать, выдавать нерелевантные ответы и не проверялась на устойчивость к состязательным запросам. Модель не прошла настройку безопасности; при использовании нужны собственные меры проверки и защиты. Лицензия — Gemma Terms of Use.

K-EXAONE-236B-A23B-NVFP4A16 — сборка модели K-EXAONE, разработанной LG AI Research и дополнительно квантизированной компанией FuriosaAI. Это авторегрессионная языковая модель-трансформер с архитектурой Mixture-of-Experts (ExaoneMoE), предназначенная для генерации текста, многоязычного диалога и задач, требующих рассуждений. Модель поддерживает корейский, английский, испанский, немецкий, японский и вьетнамский языки, а также режимы с рассуждением и без него. Модель содержит 236 млрд параметров, из которых 23 млрд активируются для каждого токена; используется 128 экспертов, 8 активных экспертов и 1 общий эксперт. Архитектура сочетает чередующиеся слои sliding-window и глобального внимания. Веса квантизированы в формате NVFP4, а активации и KV-кэш сохраняются в 16-битной точности. Поддерживаются вызов инструментов и OpenAI-совместимый API. Для штатного запуска FuriosaAI предусмотрены Furiosa LLM и ускорители FuriosaAI RNGD; конфигурация запуска использует четыре карты RNGD. К сильным сторонам относятся большой масштаб, мультиязычность, поддержка рассуждений и инструментального вызова, а к ограничениям — необходимость специализированной аппаратной конфигурации для запуска через Furiosa LLM и потенциальные компромиссы, связанные с 4-битной квантизацией. NVFP4A16 также заявлен как совместимый с vLLM, SGLang и Transformers. Модель распространяется по лицензии K-EXAONE AI Model License; в карточке она обозначена как лицензия other.

Linkbricks-Horizon-AI-Japanese-Avengers-V3-70B — дообученная языковая модель компании Linkbricks, созданная дата-сайентистом Юнсоном Джи (Saxo) на основе Saxo/Linkbricks-Horizon-AI-Japanese-Avengers-V2-70B. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров и контекстом до 131 072 токенов; веса опубликованы в формате Safetensors по лицензии Apache 2.0. Модель обучали на японских новостях и Википедии, а также на многоязычных данных и примерах для перевода, суммаризации, вопросов и ответов, анализа тональности, математики и логических задач. Она предназначена для диалогов и генерации текста, включая написание и редактирование, анализ отзывов и публикаций в социальных сетях, программирование и сложные рассуждения. Поддерживается интерфейс вызова инструментов. Заявленная языковая направленность — японский, корейский, китайский и английский; метаданные карточки подтверждают корейский и английский, а README описывает обучение на четырех языках. Возможное качество ответов и работы с каждым языком отдельно не приведено. Большой размер модели требует значительных вычислительных ресурсов.

Saxo (Джи Юнсон), специалист по данным компании Linkbricks Horizon-AI, дообучил эту плотную языковую модель семейства Llama на базе Saxo/Linkbricks-Horizon-AI-Japanese-Superb-V3-70B. Модель с 69,5 млрд параметров прошла японское SFT и DPO; заявленное окно контекста — 128 тыс. токенов. Для обучения использовались японские новости и Википедия, а также данные для задач на японском, корейском, китайском и английском языках. Модель предназначена для генерации текста, письма и программирования, математических и логических рассуждений, анализа отзывов и публикаций в социальных сетях. В карточке заявлена поддержка вызова функций и инструментов. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. Описание не приводит результатов независимой оценки качества или подробностей о безопасном применении модели.

Saxo/Linkbricks-Horizon-AI-Korean-Pro-12B — дообученная языковая модель компании Linkbricks Horizon-AI, подготовленная командой под руководством дата-сайентиста Юнсона Джи (Saxo). В карточке указано, что она создана на базе Saxo/Linkbricks-Horizon-AI-Korean-Advanced-12B и использует архитектуру Mistral; метаданные уточняют класс MistralForCausalLM, плотную архитектуру и размер 12,1 млрд параметров. Модель принимает и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Модель ориентирована прежде всего на работу с корейским языком, а также на задачи с корейским, английским, японским и китайским языками: перевод между ними, суммаризацию, ответы на вопросы, анализ отзывов и публикаций в соцсетях. Карточка также заявляет усиленные возможности в написании текстов и кода, математике, логических задачах и сложном рассуждении. В README заявлено окно контекста 128 тыс. токенов, тогда как метаданные указывают 1 024 000 токенов; это расхождение не позволяет надёжно определить фактическую длину контекста. Модель распространяется в формате safetensors по лицензии Apache-2.0. Указанные сценарии и языки основаны на карточке и метаданных; независимые результаты оценки качества не приведены.

Saxo/Linkbricks-Horizon-AI-Korean-Pro-8B — корейская разговорная языковая модель от Linkbricks, основанная на архитектуре Llama и содержащая 7,5 млрд параметров. По карточке, она дообучена на базе Saxo/Linkbricks-Horizon-AI-Korean-Advanced-8B-COT-boost; в цепочке обучения базовой модели использовались NousResearch/Hermes-3-Llama-3.1-8B, продолженное предобучение, SFT и DPO. Модель рассчитана прежде всего на корейский язык, также поддерживает английский, японский и китайский. Модель предназначена для диалога, генерации и написания текстов, перевода между корейским, китайским, английским и японским, суммаризации, анализа отзывов и публикаций, программирования, математических и логических задач. Указанное контекстное окно — 131 072 токена; доступны веса в формате safetensors, лицензия Apache-2.0. Карточка заявляет усиленную обработку многоязычных задач и сложных рассуждений; независимые показатели качества не приведены.

Llama3 8B CPT Sahabat-AI v1 — языковая модель на архитектуре Llama, разработанная PT GoTo Gojek Tokopedia Tbk и AI Singapore в рамках экосистемы Sahabat-AI, созданной совместно с Indosat Ooredoo Hutchison. Это базовая модель с продолженным предобучением на примерно 50 млрд токенов поверх instruct-модели AI Singapore Sea-Lion v2.1. Модель содержит 7,5 млрд параметров и принимает текст, выдавая текст; она рассчитана на английский, индонезийский, яванский и сунданский языки. Контекст составляет до 8192 токенов. Модель предназначена для генерации текста и общего языкового понимания, в частности для вопросов и ответов, анализа тональности и токсичности, суммаризации, причинно-следственных рассуждений, NLI и перевода между английским и местными языками Индонезии. Карточка приводит результаты оценки на SEA HELM/BHASA и англоязычных бенчмарках, но численные таблицы в предоставленном тексте опущены. Доступна по Llama 3 Community License; перед использованием следует учитывать её условия.

Llama-SEA-LION-v2-8B-IT — языковая модель AI Singapore, разработанная командой Products Pillar при финансировании Singapore NRF. Это плотная decoder-модель на архитектуре Llama 3, дообученная следовать инструкциям на основе Llama-SEA-LION-v2-8B. Она содержит около 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для диалогов и генерации ответов на инструкции, в том числе на английском, индонезийском, тайском, вьетнамском и тамильском языках. Среди описанных сценариев оценки — ответы на вопросы, анализ тональности и токсичности, перевод, суммаризация, причинно-следственные рассуждения и языковой вывод; также оценивались соблюдение инструкций и многоходовой диалог. Модель доступна в формате safetensors для Transformers по лицензии Llama 3 Community License. Она может галлюцинировать, выдавать нерелевантные сведения и непоследовательно рассуждать. По заявлению разработчиков, модель не проходила safety-выравнивание, поэтому ответы требуют проверки, а для прикладного использования могут понадобиться дополнительные меры безопасности.

LLaMAX3-8B-Alpaca — многоязычная генеративная языковая модель семейства LLaMA, разработанная авторами проекта LLaMAX. Она основана на Llama 3: модель продолжительно предобучили на корпусах на 102 языках, а затем дообучили на англоязычном наборе инструкций Alpaca, чтобы сохранить следование инструкциям и диалоговые возможности. Модель предназначена для ответов на инструкции и перевода между более чем 100 языками. В README приведены результаты на Flores-101: по заявлению авторов, средний spBLEU вырос более чем на 5 пунктов по сравнению с LLaMA3-8B-Alpaca. Это плотная архитектура LlamaForCausalLM с 7,5 млрд параметров и контекстом 8192 токена; репозиторий содержит веса safetensors. Модель принимает текст и генерирует текст. Опубликованный список языков включает русский, однако метаданные каталога перечисляют только часть поддерживаемых языков. Лицензия — MIT. Результаты перевода в README представлены для ограниченного набора направлений и тестового набора, поэтому они не гарантируют одинаковое качество для всех языков и задач.

llm-jp-4.1-8b-thinking — языковая модель, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это плотная трансформерная модель семейства Llama с 7,8 млрд параметров по метаданным и контекстом до 65 536 токенов. Репозиторий содержит веса в формате safetensors; для диалогов предусмотрен шаблон, совместимый с форматом ответов OpenAI Harmony, но для токенизации требуется прилагаемый токенизатор модели. Модель предназначена для генерации ответов и рассуждений в диалоге, а также для задач математики, естественных наук, вопросов и ответов, программирования, следования инструкциям и перевода между японским и английским. Она обучалась на японском и английском; после предварительного обучения прошла дообучение с учителем и выравнивание методом DPO, без обучения с подкреплением. Контекст и наличие диалогового режима делают её пригодной для многошаговых запросов и работы с длинными текстами. Разработчики оценивают модель на общих задачах, безопасности и вызове инструментов. Карточка предупреждает, что ответы могут быть неточными, неподходящими или нежелательными, поэтому результаты следует проверять. Разработчики не предназначают модель для непосредственного применения в производственных сервисах. Лицензия — Apache-2.0.

MANGO1.5-Qwen3.5-9B — двуязычная текстовая модель CMKL University, дообученная на базе Qwen/Qwen3.5-9B. Это плотная модель семейства Qwen3.5 с 9 млрд параметров; опубликованный чекпойнт содержит LoRA-адаптер, объединённый с базовыми весами, и распространяется в формате Safetensors. Модель обучена методом supervised fine-tuning на корпусе из 5 млн англо- и тайскоязычных инструкций; это первый этап постобучения. Модель предназначена для диалога и выполнения инструкций на тайском и английском языках, включая ответы на вопросы, рассуждения, краткое изложение, перевод, математику, программирование и творческие задачи. Она принимает и генерирует текст. Хотя базовая архитектура поддерживает мультимодальный ввод, эта версия обучалась только на текстовых данных, поэтому улучшенную работу с изображениями предполагать не следует. Авторы отмечают, что модель не прошла отдельный этап DPO или RLHF и не сертифицирована для безопасного применения в производстве. Оценка охватывает ограниченное число моделей; возможны галлюцинации и чувствительность к формулировкам запросов, а качество по отдельным предметным областям и перенос между языками проверены неравномерно. Лицензия — Apache 2.0, унаследованная от базовой модели.

Marco-Mini-Instruct — мультиязычная языковая модель с настройкой на выполнение инструкций от Alibaba International Digital Commerce, принадлежащая к семейству Marco-MoE. Это декодерный Transformer с разреженными слоями Mixture-of-Experts, созданный на основе Qwen3-0.6B-Base методом upcycling и затем дообученный на инструкциях и методом on-policy distillation. Всего модель содержит 17,3 млрд параметров, но активирует около 0,86 млрд на токен; метаданные Hugging Face указывают 507,9 млн параметров. Эти оценки размера расходятся, поэтому их следует трактовать с учётом источника. Модель предназначена для диалогов, следования инструкциям, ответов на общие и специализированные вопросы, рассуждений, структурированного вывода и перевода. Она поддерживает 29 языков, включая русский, английский и китайский, и имеет контекст длиной 32 768 токенов. В карточке приведены результаты сравнительных тестов, где модель показывает сильные результаты на англоязычных и мультиязычных бенчмарках; они не гарантируют качество для каждого языка или прикладной задачи. Для развёртывания README рекомендует vLLM; для SGLang требуется специальная сборка из-за ограничений поддержки MoE с tied embeddings. Лицензия — Apache-2.0.

Карточка модели NostraEmpire/mirror-qwen3-1.7b на Hugging Face совпадает с карточкой Qwen/Qwen3-1.7B, поэтому описание составлено по ней. Qwen3-1.7B — компактная плотная причинная языковая модель семейства Qwen3, разработанная командой Qwen. Она содержит 1,7 млрд параметров, 28 слоёв и поддерживает контекст до 40 960 токенов по метаданным. Модель дообучена на базе Qwen/Qwen3-1.7B-Base и распространяется в формате safetensors под лицензией Apache-2.0. Модель предназначена для генерации текста и диалогов, следования инструкциям, рассуждений, написания кода, перевода и работы с внешними инструментами через соответствующий интерфейс. Она поддерживает более 100 языков и диалектов. Заявлены режимы рассуждения и обычного диалога; компактный размер подходит для приложений с ограниченными ресурсами по сравнению с более крупными моделями семейства. В README указана длина контекста 32 768 токенов, тогда как метаданные каталога приводят 40 960; для характеристики использовано значение метаданных. В README также отмечен риск бесконечных повторов при некоторых настройках генерации и рекомендована настройка presence_penalty. Качество ответов и точность фактов требуют проверки в целевом сценарии.

Mistral-Large-Instruct-2407-GGUF — это квантизированная GGUF-версия инструкционной языковой модели Mistral-Large-Instruct-2407, разработанной mistralai и подготовленной квантизацией компанией Second State Inc. Модель предназначена для диалоговых приложений, генерации и преобразования текста, работы с инструкциями и запуска локальных сервисов через LlamaEdge. В README указана поддержка английского, французского, немецкого, испанского, итальянского, португальского, китайского, японского, русского и корейского языков. Максимальный контекст составляет 128000 токенов при запуске как LlamaEdge-сервиса; для командного приложения приведён контекст 32000 токенов. Доступны варианты квантизации от Q2_K до Q5_K_M с разным размером файлов и компромиссом между требованиями к ресурсам и качеством. Рекомендуемым назван вариант Q4_K_M, обеспечивающий сбалансированное качество. Сильными сторонами являются большой контекст, многоязычность и возможность запуска в формате GGUF через LlamaEdge. Более низкие уровни квантизации уменьшают размер модели, но могут существенно ухудшать качество; для Q2_K и ряда Q3/Q4-вариантов README прямо указывает значительную или высокую потерю качества. Архитектура, количество параметров и поддерживаемые модальности в предоставленных данных не указаны; по описанию это текстовая языковая модель. Модель распространяется по лицензии MRL-0.1, обозначенной в README как license: other.

Mistral-Nemo-Instruct-2407-GGUF — это квантованная в формате GGUF версия инструкционной языковой модели Mistral Nemo Instruct 2407, разработанной Mistral AI. Квантование выполнено bartowski на основе llama.cpp; LM Studio представляет модель как общественную модель сообщества, но не является её создателем или владельцем. Модель предназначена для генерации текста и выполнения инструкций, включая многоязычные сценарии. В README заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Модель обучалась с контекстом до 128 тысяч токенов; использование контекста большего размера возможно, но может приводить к снижению качества. Сведения о числе параметров, конкретной архитектуре, модальностях помимо текста и требованиях к оборудованию не указаны. К сильным сторонам относятся многоязычность, большой контекст и формат GGUF, ориентированный на запуск с помощью llama.cpp и совместимых приложений. Ограничения включают возможное ухудшение качества при превышении обученного размера контекста, а также риск неточных, вредных или неподходящих ответов, характерный для подобных моделей. В карточке указана лицензия Apache-2.0.

NB-Whisper Large beta — модель распознавания речи, разработанная NB AI-Lab Национальной библиотекой Норвегии на основе OpenAI Whisper. Она предназначена для транскрибации речи и перевода речи, с особым упором на норвежские записи; поддерживает норвежский букмол, нюнорск и английский. Модель содержит 905,2 млн параметров и доступна в форматах PyTorch, TensorFlow, JAX/Flax и SafeTensors. Модель обучалась на 20 000 часах размеченных данных, включая норвежскую базу NST, парламентские выступления, телесубтитры NRK и аудиокниги. Для норвежской транскрибации разработчики заявляют высокие результаты среди моделей сопоставимого размера. Это публичная бета: возможны галлюцинации и пропуски фрагментов, а транскрипт может нормализовать устную речь в грамматически правильный письменный текст или опускать части высказывания. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

NB-Whisper Tiny — компактная модель распознавания речи, разработанная NB AI-Lab Национальной библиотекой Норвегии на основе OpenAI Whisper Tiny. Она предназначена для транскрибации аудио и перевода речи; README описывает серию моделей, обученную на 66 000 часах речи, а метаданные указывают для этой версии 29,4 млн параметров и архитектуру WhisperForConditionalGeneration. Модель поддерживает норвежский букмол, нюнорск и английский языки. Для обработки длинных записей можно использовать разбиение на фрагменты; для большей точности README рекомендует beam size 5, что увеличивает время работы и расход памяти. Tiny оптимизирована для запуска на CPU. Лицензия — Apache 2.0.

NeuronAI-Uzbek — открытая языковая модель NeuronUz для генерации текста и диалогов на узбекском языке, а также задач узбекско-английского языка. Она создана на базе Qwen3-4B и дообучена на узбекских и английских текстах и инструкциях; в метаданных указано около 3,7 млрд параметров, а карточка сообщает о расширении словаря до 180 тысяч токенов и контексте в 40 960 токенов. Автор заявляет настройку токенизатора для более компактного представления узбекских текстов и высокие результаты на тесте UzLiB, однако приведённые сравнения основаны на оценке из README. Модель подходит для создания узбекоязычных текстов и чат-ботов, ответов на вопросы, чтения и анализа узбекских материалов, исправления орфографии и грамматики, а также помощи с переводом между узбекским и английским. По архитектуре это плотная модель Qwen3 для причинной генерации текста; доступна в формате safetensors. Лицензия — Apache-2.0. Модель может ошибаться, воспроизводить смещения из обучающих данных и выдавать убедительные, но неверные сведения. Данные обучения имеют дату отсечения знаний; README не приводит её точного значения. Для медицинских, юридических и других критически важных решений требуется проверка человеком.

Pula-8B-v0.1 — языковая модель семейства BOTS-LM, разработанная Nathan Brown и Vukosi Marivate для работы на сетсвана и английском языках. Это плотная авторегрессионная модель на архитектуре Llama 3.1 с 7,5 млрд параметров, дообученная на основе Meta-Llama-3.1-8B-Instruct. В метаданных указан контекст до 131 072 токенов; при обучении использовались последовательности длиной до 4 096 токенов. Модель предназначена прежде всего для диалогового помощника и следования инструкциям. Её можно применять для ответов на вопросы, написания текстов, перевода между сетсвана и английским, извлечения именованных сущностей, разметки частей речи и вызова инструментов. Авторы также сообщают о возможностях рассуждения и улучшенных результатах на сетсвана и английском по сравнению с существующими открытыми языковыми и переводческими моделями для этих языков. Модель принимает текст и генерирует текст. README разрешает коммерческое и исследовательское использование, однако конкретная лицензия в карточке не названа. Как и другие языковые модели, Pula-8B может выдавать неточные или предвзятые ответы; для клиентских приложений авторы рекомендуют дополнительные меры безопасности. Официальная поддержка заявлена для сетсвана и английского, а качество на других языках и при обычной генерации текста проверено ограниченно.

lmstudio-community/Qwen2.5-3B-Instruct-GGUF — это квантованная версия языковой модели Qwen2.5-3B-Instruct, разработанной командой Qwen. Формат GGUF подготовлен bartowski на основе llama.cpp. Модель предназначена для генерации текста, диалоговых сценариев и работы с инструкциями, включая понимание и генерацию структурированных данных. Модель поддерживает контекст до 32 тысяч токенов и генерацию до 8 тысяч токенов. Она обучена работать более чем с 29 языками, включая английский, китайский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. К сильным сторонам относятся широкий охват знаний, многоязычность и поддержка длинного контекста. Как и другие генеративные модели, она может создавать неточные, вредные или неподходящие ответы, поэтому результаты требуют проверки. Модель распространяется по лицензии Qwen Research; применимые условия указаны в лицензии исходной модели Qwen2.5-3B-Instruct.

RedHatAI/Qwen3-8B-quantized.w4a16 — языковая авторегрессионная модель на архитектуре Qwen3ForCausalLM, разработанная Red Hat совместно с Neural Magic на базе Qwen/Qwen3-8B. Модель работает с текстом на входе и генерирует текст на выходе; заявлены поддержка рассуждений, вызова функций, многоязычного следования инструкциям, перевода и адаптации под предметные области посредством дообучения. Модель использует квантизацию весов до INT4 в формате W4A16. Квантизуются веса линейных операторов внутри трансформерных блоков с применением GPTQ, асимметричной групповой схемы и размером группы 64; параметр lm_head исключён. Такое сжатие уменьшает число бит на параметр с 16 до 4, а заявленный размер на диске и требования к памяти GPU — примерно на 75%. Для развёртывания рекомендуется backend vLLM, включая OpenAI-совместимый режим сервинга. Сильные стороны модели — существенно сниженные требования к хранению и GPU-памяти при сохранении назначения исходной Qwen3-8B, а также пригодность для задач рассуждений, перевода и работы с инструкциями. Ограничения включают потенциальное снижение качества из-за квантизации и отсутствие в представленном README конкретных численных результатов оценки; также не указаны точный перечень поддерживаемых языков и гарантированное максимальное окно контекста. В материалах приведены конфигурации с длиной последовательности до 8192 и отдельные оценки с длиной до 40960 токенов, что не следует автоматически трактовать как универсальное ограничение модели. Модель распространяется по лицензии Apache-2.0. Использование должно соответствовать применимым законам и нормативным требованиям.

Qwen3-Swallow 32B RL v0.2 AWQ-INT4 — квантованная 4-битная версия большой языковой модели, разработанная командой Tokyo Institute of Technology под названием tokyotech-llm на основе Qwen3. Модель дообучалась с использованием непрерывного предварительного обучения, supervised fine-tuning и reinforcement learning with verifiable rewards (RLVR), включая датасеты по математике, программированию, рассуждениям и диалогам. Модель предназначена для генерации текста, общения, японско-английского перевода, решения математических задач, программирования и задач, требующих развитого рассуждения. Она оптимизирована для японского и английского языков. Размер исходной модели составляет 32 млрд параметров; архитектурные детали и токенизатор соответствуют Qwen3. Рекомендуется использовать контекст длиной не более 32 768 токенов и параметры генерации temperature 0,6, top-p 0,95 и top-k 20. К сильным сторонам относятся высокая двуязычная компетентность, улучшенные возможности рассуждения и сохранение производительности в математике и программировании. Для данной AWQ-квантизованной версии результаты оценки пока не опубликованы. Модель не обучалась специально для использования инструментов и function calling, а переключение режима рассуждений ON/OFF не поддерживается. Лицензия — Apache-2.0.

Qwen3-Swallow-8B-RL-v0.2 — созданная проектом Swallow LLM двуязычная языковая модель на архитектуре Qwen3 с плотной архитектурой и 7,6 млрд параметров. Это версия семейства Qwen3-Swallow, дообученная на основе tokyoTech-llm/Qwen3-Swallow-8B-SFT-v0.2 с обучением с подкреплением по проверяемым вознаграждениям (RLVR). Модель предназначена для диалогов и генерации текста на японском и английском языках, включая перевод между ними, математические и программные задачи, а также рассуждения. Обучение включало данные по математике и коду с цепочками рассуждений и диалоговые данные. Модель поддерживает контекст до 40 960 токенов по метаданным; разработчики рекомендуют ограничивать длину контекста 32 768 токенами или меньше и запускать модель через vLLM для более воспроизводимого поведения. Модель обычно выполняет рассуждения по умолчанию и не поддерживает переключатель режима рассуждений. Разработчики сообщают, что модель не обучалась специально для вызова инструментов, а её применение в этом сценарии требует дополнительной посттренировки. Также отмечено, что модель находится на ранней стадии разработки и не настроена для полного соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

Это версия Whisper large-v3-turbo от OpenAI, преобразованная Viacheslav Smirnov в формат CTranslate2 с квантизацией int8. Модель предназначена для распознавания речи и перевода аудио в текст; её распространяют для загрузки утилитой Scribe SV для диктовки и перевода в Windows, в том числе на компьютерах без CUDA GPU. Ничего не дообучалось: веса напрямую преобразованы из openai/whisper-large-v3-turbo. README приводит замеры на русском аудио: WER составил 4,25% для int8 на CPU против 3,54% для float16 на CUDA. В тех же условиях обработка записи длиной 194 секунды заняла 58,2 секунды на CPU; распознавание коротких фраз длилось около 5 секунд. Модель использует CTranslate2 и распространяется по лицензии MIT с сохранением исходных лицензий.