I.6Перевод и языковая адаптация

meta-llama/Llama-3.1-405B-FP8 — крупная языковая модель семейства Llama 3.1, разработанная Meta. Она предназначена для генерации текста и может применяться в задачах обработки естественного языка, включая создание и преобразование текстового контента. Модель ориентирована на английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Из доступных данных следует, что модель содержит 405 миллиардов параметров и представлена в формате FP8. Архитектура, максимальная длина контекста, поддерживаемые модальности помимо текста и подробные сведения о сильных сторонах в README не указаны. Большой размер модели потенциально обеспечивает высокую способность к обработке сложных языковых задач, но также предполагает значительные требования к вычислительным ресурсам; конкретные требования и ограничения по производительности не приведены. Модель распространяется по Llama 3.1 Community License от Meta. Лицензия разрешает использовать, воспроизводить, распространять, изменять материалы и создавать производные работы на установленных условиях. При распространении необходимо сохранять текст лицензии и уведомление об атрибуции, указывать «Built with Llama», соблюдать Acceptable Use Policy и применимое законодательство. Для продуктов или сервисов с более чем 700 миллионами ежемесячных активных пользователей предусмотрено требование запросить отдельную лицензию у Meta.

QuantFactory/Llama-3.1-8B-Instuct-Uz-GGUF — квантизированная версия модели Llama-3.1-8B-Instruct-Uz, созданная QuantFactory с использованием llama.cpp. Исходную модель разработали Eldor Fozilov, Azimjon Urinov и Khurshid Juraev. Модель основана на Meta Llama 3.1 8B Instruct и дообучена на общедоступных и синтетических данных на узбекском и английском языках. Модель предназначена для генерации текста и диалоговых сценариев, машинного перевода между узбекским и английским языками, суммаризации, анализа тональности, классификации узбекских новостей, ответов на вопросы и других задач обработки естественного языка. В карточке указаны наборы данных yahma/alpaca-cleaned, behbudiy/alpaca-cleaned-uz и behbudiy/translation-instruction, а также оценки с использованием метрик BLEU, COMET и accuracy. Ключевая особенность этой версии — квантизация в формате GGUF для запуска через llama.cpp, что может упростить локальное использование по сравнению с полноразмерной моделью. Поддерживаются узбекский и английский языки. Точный вариант квантизации, требования к ресурсам и размер контекстного окна в карточке не указаны. Числовые результаты сравнительных оценок также не приведены, поэтому качество на конкретных задачах следует проверять отдельно. Лицензия указана как llama3.1.

Llama-3.3-70B-Instruct-FP8-dynamic — это 70-миллиардная инструкционно дообученная языковая модель Meta на архитектуре Llama 3.3, опубликованная RedHatAI в динамически квантизованном варианте FP8 и адаптированная FuriosaAI для запуска на аппаратуре FuriosaAI RNGD с использованием Furiosa-LLM. Модель предназначена для автодополнения текста, многоязычного диалога, выполнения инструкций и вызова инструментов через функции. Модель работает с текстом на входе и выходе, поддерживает английский, французский, итальянский, португальский, хинди, испанский, тайский и немецкий языки. Это плотный autoregressive Transformer; веса линейных слоёв квантизованы в FP8, а активации квантизуются динамически для каждого токена во время инференса. Поддерживается tool calling через парсер llama3_json. Для запуска на RNGD используется tensor parallelism с 32 PE, что соответствует четырём картам RNGD. Сильные стороны модели — сочетание большого размера, инструкционного обучения, многоязычности, поддержки вызова инструментов и сниженных требований к вычислительным ресурсам благодаря FP8-квантизации. Ограничения включают необходимость совместимой инфраструктуры для запуска оптимизированной версии: Furiosa-LLM и аппаратуры FuriosaAI RNGD; в README не указаны размер контекстного окна, результаты бенчмарков и подробные ограничения безопасности. Модель распространяется по лицензии Llama 3.3 Community License.

Neurona 8B v2 — предварительная диалоговая языковая модель на базе Meta Llama 3 8B Instruct, разработанная Икером Гарсией. Это плотная модель с архитектурой LlamaForCausalLM, примерно 7,5 млрд параметров и контекстом до 8192 токенов; она сохранена в формате safetensors и дообучена с помощью Axolotl на смеси англоязычных и испаноязычных наборов данных. Модель предназначена для диалога и генерации текста на испанском и английском языках. В карточке указаны сценарии RAG, вызова функций, помощи с кодом, ответов на вопросы и суммаризации; обучающие данные также включают перевод между английским и испанским, обработку новостей и экономические и медицинские тексты. Модель обозначена автором как экспериментальная предварительная версия, созданная для настройки скриптов и инфраструктуры, а не как финальный релиз. Лицензия — llama3.

Llama-3-Swallow-8B-v0.1 — плотная причинная языковая модель семейства Llama 3, разработанная командой Swallow-LLM из Токийского технологического института и AIST. Модель размером 7,5 млрд параметров создана продолжительным предварительным обучением модели семейства Llama 3 с добавлением японских данных; это базовая, не Instruct-версия. Репозиторий использует формат safetensors, а метаданные указывают на Transformers и контекст до 8192 токенов. Модель предназначена для генерации текста на японском и английском языках, включая ответы на вопросы, понимание прочитанного, суммаризацию, перевод, математические рассуждения и генерацию кода. В README приведены результаты оценки на японских и английских бенчмарках, в том числе задачах перевода, экзаменационных вопросах и программировании. Авторы отмечают, что модель находится на раннем этапе разработки и не настроена на соответствие человеческим намерениям и требованиям безопасности. Лицензия — Llama 3 (llama3); перед использованием следует соблюдать её условия.

Карточка модели Abu-Dju/Marco-Mini-Instruct на Hugging Face совпадает с карточкой ATH-MaaS/Marco-Mini-Instruct, поэтому описание составлено по ней. 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.

fedric95/Meta-Llama-3.1-8B-GGUF — это квантованная версия большой языковой модели Meta-Llama-3.1-8B, подготовленная пользователем fedric95 в формате GGUF. Модель предназначена для генерации текста и работы в сценариях, где требуется локальный или ресурсосберегающий запуск языковой модели, включая диалоговые приложения, написание и преобразование текста, извлечение информации и другие задачи обработки естественного языка. Модель относится к семейству Llama 3.1 и содержит 8 миллиардов параметров. Она работает с текстом; заявленные языки включают английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Квантование в формате GGUF может снизить требования к памяти и упростить запуск на совместимом оборудовании, однако конкретный уровень квантования, размер контекста, точные требования к ресурсам и показатели качества в README не указаны. Модель распространяется по лицензии Llama 3.1 Community License от Meta. При распространении материалов или производных продуктов требуется предоставить копию лицензии, указывать «Built with Llama», сохранять установленное уведомление об авторских правах и соблюдать применимые законы и Acceptable Use Policy. Для продуктов с более чем 700 миллионами ежемесячно активных пользователей предусмотрено требование получить отдельную лицензию Meta.

mT5-m2m-CrossSum-enhanced — модель семейства mT5, разработанная авторами репозитория csebuetnlp и дообученная на всех межъязыковых парах набора CrossSum. Она предназначена для создания краткого пересказа текста на выбранном целевом языке, в том числе когда язык исходного текста отличается от языка пересказа. Модель содержит 291,2 млн параметров и использует архитектуру MT5ForConditionalGeneration. В карточке перечислены языки от амхарского и арабского до английского, русского, китайского, японского и других; README также указывает названия целевых языков для генерации. Это текстовая модель суммаризации, опубликованная в формате PyTorch. Подходит для многоязычного суммирования статей и подготовки кратких пересказов для читателей, говорящих на другом языке. Карточка не сообщает конкретные показатели качества или ограничения по длине входа. Лицензия в предоставленных данных не указана.

Qomhrá-AWQ — квантованная версия двуязычной языковой модели Qomhrá, разработанной исследователями Trinity College Dublin, University College Cork и Queen’s University Belfast для работы на ирландском языке Gaeilge и английском. Это модель для генерации текста и диалогового общения, адаптированная на основе Qwen3-8B с продолженным двуязычным предобучением и настройкой на инструкции; опубликована версия с 7,6 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для ответов на вопросы, следования инструкциям, генерации текста на ирландском и английском и двустороннего перевода между этими языками. В карточке Qomhrá сообщается о результатах на тестах понимания ирландского языка и сохранении сильных возможностей английского; приведённые там параметры контекста обучения и оценки относятся к Qomhrá-Instruct, а не обязательно к квантованному варианту. Репозиторий указывает формат safetensors, поэтому конкретный метод квантования AWQ в метаданных файлов не подтверждён. Лицензия — Apache 2.0.

Qwen2.5-7B-Instruct-MLX-8bit — это 8-битная MLX-квантизация инструкционной языковой модели Qwen2.5-7B-Instruct, разработанной командой Qwen. Квантизацию подготовил bartowski на основе примеров MLX от Apple, а распространение модели поддерживается сообществом LM Studio. Модель предназначена для генерации текста и диалоговых сценариев на совместимых компьютерах Apple Silicon. Модель имеет около 7 миллиардов параметров и работает с текстом. Она поддерживает контекст до 32 тысяч токенов и генерацию до 8 тысяч токенов, а также заявленную работу более чем с 29 языками, включая английский, китайский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. Среди отмеченных возможностей — обработка и генерация структурированных данных. К сильным сторонам относятся многоязычность, поддержка длинного контекста и адаптация для эффективного запуска через MLX на Apple Silicon. Ограничениями являются зависимость от платформы Apple Silicon и возможные потери качества, связанные с 8-битной квантизацией; конкретные результаты тестирования в README не указаны. Модель распространяется по лицензии Apache 2.0.

Qwen3-Swallow-30B-A3B-SFT-v0.2 — двуязычная языковая модель Swallow LLM, разработанная на основе Qwen3. Это вариант семейства Qwen3-Swallow с архитектурой MoE и supervised fine-tuning; в карточке указано 2,6 млрд параметров, а контекстное окно составляет до 40 960 токенов по метаданным. Модель рассчитана прежде всего на японский и английский языки. Модель предназначена для диалоговой генерации текста, японско-английского перевода, решения математических задач и программирования. Разработчики сообщают об улучшении японского языка и сохранении или повышении STEM-навыков благодаря этапам CPT и SFT; версия SFT ориентирована на рассуждения по умолчанию. Для наиболее воспроизводимого запуска рекомендован vLLM, а README советует ограничивать контекст 32 768 токенами или меньше. Модель не обучалась специально для вызова инструментов, а переключение режима рассуждений не поддерживается. Авторы также предупреждают, что модель находится на раннем этапе разработки и не настроена для гарантированного соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

Salamandra-2B-Instruct — разговорная версия многоязычной языковой модели Salamandra, разработанной Barcelona Supercomputing Center. Это декодерный трансформер семейства Llama с 24 слоями и примерно 2,25 млрд параметров; он дообучен следовать инструкциям и использует шаблон ChatML. Базовая модель предварительно обучена с нуля на 12,875 трлн токенов текста на 35 европейских языках и кода. Контекст модели — до 8192 токенов. Модель предназначена для диалогов и работы в качестве универсального текстового помощника: она может отвечать на вопросы, генерировать и преобразовывать текст, а также помогать с кодом. Поддерживает множество европейских языков, включая русский, и распространяется под лицензией Apache 2.0 для исследовательского и коммерческого применения. Это ранняя демонстрационная версия инструкционного дообучения без RLHF. В неоднозначных сценариях выявлены социальные предубеждения; модель может выдавать вредный или неподходящий контент, поэтому для прикладного использования необходимы оценка рисков и настройка безопасности.

Карточка модели shisa-ai/shisa-v2.1-qwen3-8b на Hugging Face совпадает с карточкой shisa-ai/shisa-v2.1-unphi4-14b, поэтому описание составлено по ней. Shisa V2.1 UnPhi-4 14B — двуязычная чат-модель общего назначения от Shisa.AI, созданная на основе дообучения unsloth/phi-4. Она предназначена для диалогов и широкого круга текстовых задач, с особым вниманием к японскому языку при сохранении возможностей на английском. В README отмечены улучшения следования инструкциям, перевода, вежливой речи и других задач, связанных с японским языком. Модель содержит 14,1 млрд параметров, использует плотную архитектуру семейства Llama и принимает контекст до 16 384 токенов. Репозиторий содержит веса в формате safetensors; метаданные указывают поддержку чата и генерации текста. В сравнительных оценках Shisa V2.1 14B показала средний результат 72,6 по японскому и 57,7 по английскому набору MultiEval, а также 8,68 в японском MT-Bench по оценке GPT-4.1. Модель подходит для японских и англоязычных диалогов, следования инструкциям и перевода. Она не описана как мультимодальная, поэтому её следует рассматривать как текстовую модель. Лицензия — MIT.

Swallow-MS-7b-v0.1 — языковая модель TokyoTech-LLM на основе Mistral-7B-v0.1, дообученная на продолжение предобучения с добавлением преимущественно японских данных. Это плотная авторегрессионная модель семейства Mistral с 7,2 млрд параметров и контекстом до 4096 токенов. Расширенный японский словарь токенизатора позволяет компактнее представлять японский текст и ускорять инференс. Модель предназначена для генерации текста на японском и английском языках и может применяться для вопросов и ответов, чтения и понимания текста, суммаризации, перевода, математических рассуждений и генерации кода. README приводит результаты оценки на японских и английских бенчмарках, включая задачи перевода между японским и английским. Разработчики отмечают, что модель находится на раннем этапе исследований и разработки и не настроена для надёжного следования человеческим намерениям или требованиям безопасности. Модель распространяется по лицензии Apache-2.0.

Cohere и Cohere Labs разработали CohereLabs/tiny-aya-fire — авторегрессионную языковую модель семейства Tiny Aya на 3,35 млрд параметров для многоязычной генерации и диалогов. Эта версия ориентирована на языки Южной Азии; семейство в целом охватывает более 70 языков. Модель принимает текст и генерирует текст, поддерживает контекст до 8K токенов и обучена с использованием supervised fine-tuning и обучения предпочтениям. В архитектуре Transformer сочетаются слои с локальным скользящим вниманием и глобальным вниманием. Модель подходит для многоязычных чат-ботов, суммаризации, перевода и других межъязыковых задач, в том числе для языков с ограниченными ресурсами и развёртывания при умеренных вычислительных ресурсах. Карточка отмечает хорошее качество открытой генерации и диалога, но сравнительно слабые результаты в сложных рассуждениях и математике; фактические ответы могут быть ошибочными или устаревшими, а качество неодинаково для разных языков. Лицензия CC-BY-NC-4.0 разрешает некоммерческое использование при соблюдении Acceptable Use Policy Cohere Labs; для коммерческого применения предлагается обратиться к Cohere.

Triangulum 10B it — мультиязычная авторегрессионная языковая модель для генерации текста и диалогового общения, разработанная prithivMLmods. Она основана на архитектуре LLaMA и содержит около 9,9 млрд параметров; модель настроена следовать инструкциям и, согласно карточке, обучалась на синтетических данных с длинными цепочками рассуждений, с применением SFT и RLHF. Контекст модели — до 32 768 токенов. Модель предназначена для генерации мультиязычного контента, ответов на вопросы, диалога, суммаризации и анализа текста, а также перевода и локализации. Метаданные указывают английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Репозиторий содержит веса в safetensors; в README также приведён пример запуска совместимой версии через Ollama. Лицензия — CreativeML OpenRAIL-M. Карточка заявляет возможности рассуждения и следования инструкциям, но не приводит независимых оценок качества или подробных результатов тестирования. Как и другие генеративные языковые модели, Triangulum может ошибаться или выдавать недостоверные ответы; качество на отдельных языках и задачах может различаться.

Voxtral-Mini-3B-2507-GGUF — это конверсия 3-миллиардной мультимодальной speech-LLM-модели Voxtral-Mini-3B-2507, разработанной Mistral, в формат GGUF для запуска через C++ runtime CrispASR. Модель предназначена для автоматического распознавания речи, транскрибации, перевода и понимания аудио, включая ответы на вопросы по содержимому записи, суммаризацию и вызов функций по голосовым намерениям. Модель поддерживает английский, французский, немецкий, испанский, итальянский, португальский, нидерландский и хинди, а также автоматическое определение языка. Она сочетает 32-слойный Whisper-large-v3 audio encoder, проектор и 30-слойную Llama 3 / Ministral 3B-подобную языковую модель с GQA; общий объём параметров составляет около 3 млрд. Поддерживается до 30 минут аудио для транскрибации и до 40 минут для понимания. Аудиообработка встроена в GGUF, поэтому во время инференса не требуются Python, PyTorch или librosa. Доступны варианты квантования Q4_K размером 2,5 ГБ, Q8_0 размером 4,6 ГБ и F16 размером 8,7 ГБ. Q4_K рекомендован для практического использования и, согласно приведённым измерениям, примерно в 2,2 раза быстрее F16 на CPU при сохранении идентичной транскрипции. Ограничения включают более высокие требования к ресурсам и меньшую скорость по сравнению с компактными ASR-моделями на коротких аудиофрагментах, а также необходимость подавать моно WAV в формате PCM 16 кГц, 16 бит. Модель распространяется по лицензии Apache-2.0.

Voxtral-Mini-3B-2507-gguf — это квантизированная GGUF-версия мультимодальной аудиотекстовой модели Voxtral Mini 1.0 (3B), разработанной Mistral и подготовленной для transcribe.cpp сообществом handy-computer. Модель предназначена для автономного распознавания речи, перевода речи и анализа аудио без подключения к облачным сервисам. Она поддерживает английский, французский, немецкий, испанский, итальянский, португальский, нидерландский и хинди, а также автоматическое определение языка, ответы на вопросы по аудио и создание структурированных резюме. Архитектура сочетает двунаправленный аудиоэнкодер Whisper-large-v3, проектор с группировкой по четыре аудиокадра и причинную языковую модель Ministral-3B с 30 слоями, GQA 32/8, NEOX RoPE и SwiGLU. Контекст составляет 32 тысячи токенов: модель рассчитана на обработку аудиозаписей длительностью до 30 минут при транскрибации и до 40 минут при понимании аудио. Доступны варианты BF16, F16 и квантизации Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 2,98 до 9,38 ГБ. На LibriSpeech test-clean заявлена точность WER от 1,87% до 1,94% в зависимости от варианта. К сильным сторонам относятся офлайн-работа, мультиязычность, поддержка перевода и единая модель для распознавания и понимания аудио. Ограничения реализации transcribe.cpp: потоковая обработка и временные метки не поддерживаются, вход должен быть монофоническим WAV с частотой 16 кГц, а декодирование выполняется жадным методом. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

handy-computer/whisper-tiny-gguf — набор конвертированных в формат GGUF вариантов модели OpenAI Whisper tiny, подготовленных разработчиками handy-computer для работы с transcribe.cpp. Модель предназначена для автоматического распознавания речи, определения языка и перевода аудио с поддерживаемых языков в английский текст. Поддерживает многоязычную транскрипцию, включая русский, английский, немецкий, французский, испанский, китайский, японский и другие языки, перечисленные в карточке. Архитектура модели — encoder-decoder Transformer с обработкой аудио окнами по 30 секунд и разбиением длинных записей на сегменты. Доступны варианты F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 44 до 153 МБ. Потоковая обработка не поддерживается, но доступны сегментные временные метки. На тесте LibriSpeech test-clean показатель WER составляет от 7,48% до 7,82% в зависимости от квантования; для Q8_0 указано 7,52%. Квантованные варианты значительно уменьшают размер при небольшом ухудшении результата. Модель подходит для локальной транскрипции аудиозаписей, определения языка и перевода речи в текст, включая сценарии на устройствах с ограниченными ресурсами. Ограничения включают отсутствие streaming-режима, зависимость качества от языка и условий записи, а также относительно небольшие размеры и возможности версии Whisper tiny по сравнению с более крупными моделями. Модель распространяется по лицензии Apache-2.0.

AMALIA-9B-1225-SFT — открытая языковая модель, разработанная консорциумом португальских университетов и исследовательских центров при участии Фонда науки и технологий Португалии. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 8,6 млрд параметров. Репозиторий содержит веса Safetensors; модель поддерживает диалоговый режим и контекст до 32 768 токенов. Модель предназначена для универсальной генерации текста на европейском португальском (pt-PT): диалоговой помощи, следования инструкциям, ответов на вопросы, суммаризации, написания и редактирования текстов, перевода и исследовательских задач по португальскому языку. Обучение включало предварительное обучение, контролируемую тонкую настройку (SFT) и настройку предпочтений методом DPO. Модель также можно адаптировать для последующих приложений, включая RAG и государственные сервисы. Карточка указывает, что модель оптимизирована для pt-PT; другие варианты португальского могут обрабатываться менее последовательно. Она способна выдавать фактические ошибки, предвзятые или вредоносные ответы, поэтому результаты нужно проверять, а при внедрении добавлять защитные механизмы и проводить оценку для конкретной задачи. Лицензия — Apache-2.0.

DictaLM-3.0-Nemotron-12B-Instruct-GGUF — инструкционная большая языковая модель из семейства Dicta-LM 3.0, разработанного организацией DICTA. Модель предназначена для генерации и обработки текста, диалоговых сценариев и выполнения пользовательских инструкций на иврите и английском языке. Она также поддерживает tool-calling для интеграции с внешними инструментами и API. Модель содержит 12 миллиардов параметров и использует гибридную архитектуру Hybrid-SSM. Она была изначально создана на базе NVIDIA-Nemotron-Nano-12B-v2-Base; в README для исходной версии указана точность BF16. Данный идентификатор относится к варианту GGUF, однако конкретные параметры квантования и размер контекста не указаны. К сильным сторонам относятся специализация на иврите, поддержка английского языка и доступность open-weight для загрузки и неограниченного использования. Ограничения включают отсутствие сведений о контекстном окне, точной конфигурации GGUF и подробных результатах оценки в представленных данных. Модель распространяется по лицензии NVIDIA Open Model License.

EuroLLM-22B-Instruct-Preview — предварительная инструктивная версия многоязычной языковой модели EuroLLM, созданной европейским консорциумом, в который входят Instituto Superior Técnico, University of Edinburgh, Instituto de Telecomunicações, Université Paris-Saclay и другие организации. Модель предназначена для диалога и выполнения инструкций, а семейство EuroLLM ориентировано на языковые задачи, включая ответы на вопросы, суммаризацию и перевод. В метаданных репозитория указаны архитектура Llama, около 21,9 млрд параметров, генерация текста и контекст до 4096 токенов. Разработчики EuroLLM заявляют поддержку 35 языков, включая все 24 официальных языка ЕС; для этой конкретной предварительной версии карточка не уточняет языковой состав. Репозиторий содержит автоматически созданную карточку без сведений о лицензии и детальных ограничениях, поэтому условия использования этой версии подтвердить нельзя.

EXAONE-3.5-7.8B-Instruct-GGUF — двуязычная инструкционная языковая модель, разработанная LG AI Research. Она предназначена для генерации текста, диалоговых приложений, ассистентов и других практических сценариев обработки естественного языка на английском и корейском языках. Модель доступна в формате GGUF, рассчитанном на локальный запуск и инференс с использованием llama.cpp, TensorRT-LLM, vLLM, SGLang или Ollama. Модель содержит 7,8 млрд параметров, из которых 6,98 млрд приходятся на параметры без embeddings, имеет 32 слоя и архитектуру GQA с 32 головами запросов и 8 головами ключей и значений. Размер словаря составляет 102 400 токенов, а максимальная длина контекста — 32 768 токенов. Доступны варианты BF16 и квантизации Q8_0, Q6_0, Q5_K_M, Q4_K_M и IQ4_XS, что позволяет выбирать между качеством, скоростью и требованиями к памяти. К сильным сторонам относятся поддержка длинного контекста, двуязычность и ориентация на реальные прикладные задачи при относительно компактном размере. Ограничения включают возможную генерацию вредного, предвзятого, фактически неверного или синтаксически некорректного текста; модель также не гарантирует актуальность знаний. Для работы рекомендуется использовать системные промпты, предусмотренные разработчиком. Модель распространяется по лицензии EXAONE AI Model License Agreement 1.1 - NC; условия лицензии и ограничения на использование следует уточнять в файле LICENSE.

Gemma Ko 7B Instruct v0.71 — инструктивная языковая модель, разработанная lemon-mint на основе Google Gemma 1.1 7B IT и дообученная для генерации связного текста на корейском языке. Это плотная архитектура Gemma с 8,2 млрд параметров и контекстом до 8192 токенов; модель работает через Transformers и поддерживает диалоговый режим. Модель предназначена для ответов на вопросы, перевода, суммаризации и генерации диалогов и другого текста по инструкциям. README отмечает корейский и английский языки; основное назначение — создание текста на корейском. Модель распространяется по лицензии Gemma. Возможны ошибки и смещения из обучающих данных, поэтому ответы требуют проверки.

Gemma-SEA-LION-v4-4B-VL — мультимодальная модель с 4 млрд параметров, разработанная командой AI Products Pillar организации AI Singapore при финансировании NRF Сингапура. Это дообученная на основе google/gemma-3-4b-it модель семейства Gemma 3 с архитектурой декодера, предназначенная для диалогов, генерации текста и ответов на вопросы по изображениям. Контекстное окно составляет 128 тыс. токенов. Модель адаптирована к языкам и культурному контексту Юго-Восточной Азии: индонезийскому, вьетнамскому, тайскому, филиппинскому, тамильскому, бирманскому и малайскому; также поддерживает английский и китайский. Обучение включало около 6,7 млн пар инструкций и текста. Карточка отмечает возможности вызова функций и визуального разбора на тайском, китайском и английском языках. Модель подходит для многоязычных диалоговых систем и анализа изображений с текстовыми запросами. Модель распространяется под лицензией Gemma. Она не прошла выравнивание по безопасности, не проверялась на устойчивость к состязательным запросам и может галлюцинировать или выдавать несогласованные с контекстом ответы; ответы следует проверять, а для прикладных систем может потребоваться дополнительная настройка безопасности.

GPT-OSS-Swallow 120B RL v0.1 — японско-английская языковая модель TokyoTech-LLM, дообученная на основе GPT-OSS-Swallow-120B-SFT-v0.1 с применением обучения с подкреплением по проверяемым наградам. Это разреженная MoE-модель для диалогов и генерации текста; заявленный размер — 2,1 млрд параметров, контекстное окно — до 131 072 токенов. В обучении уделено внимание японскому и английскому языкам, математике, программированию и рассуждениям. Модель подходит для двуязычного общения, перевода между японским и английским, решения математических задач, помощи с кодом и ответов на общие вопросы. Разработчики сообщают о сохранении и улучшении математических и программных навыков относительно исходной GPT-OSS. Хотя технически поддерживается контекст до 131 072 токенов, модель не обучалась и не оценивалась на задачах с контекстом свыше 32 тысяч токенов; для стабильности рекомендуется reasoning effort medium. Использование инструментов явно не обучалось, поведение при вызове функций и самоидентификации не подтверждено. Модель выпущена под лицензией Apache-2.0.

InLegalTrans-En2Indic-1B — модель перевода текстов, разработанная группой исследователей NLP из Индийского технологического института в Харагпуре. Это дообученная версия ai4bharat/indictrans2-en-indic-1B с архитектурой IndicTrans2 и примерно 1,12 млрд параметров; модель предназначена для перевода юридических текстов с английского на девять языков Индии: бенгальский, хинди, маратхи, тамильский, телугу, малаялам, панджаби, гуджарати и ория. Модель дообучена на параллельном корпусе MILPaC. По результатам на тестовой части корпуса она превосходит базовую IndicTrans2 по BLEU, GLEU и chrF++ для всех указанных языковых пар; в карточке приведены подробные результаты для бенгальского и хинди. Подходит для перевода юридических документов и других правовых материалов между английским и индийскими языками. Лицензия — MIT.

KORani-v2-13B — языковая модель KRAFTON на архитектуре LLaMA, дообученная на базе LLaMA 13B с использованием набора KoVicuna. Модель предназначена для генерации текста на корейском и английском языках, в том числе для ответов на вопросы, перевода с английского на корейский и суммаризации корейских текстов. В карточке приведены примеры этих задач и сравнительная оценка на небольших наборах примеров. Модель содержит 12,9 млрд параметров, использует плотную архитектуру LLaMA и принимает текст с контекстом до 2048 токенов. Веса опубликованы в формате PyTorch. Лицензия — Apache-2.0. Результаты в README основаны на усреднённых оценках по пяти примерам для указанных задач и не гарантируют качество на других данных.

mradermacher/Llama-3.1-8B-Instruct-Uz-i1-GGUF — это GGUF-квантизированная версия инструкционной модели Llama 3.1 на 8 млрд параметров, созданной на основе behbudiy/Llama-3.1-8B-Instruct-Uz. Квантизацию выполнил mradermacher с использованием imatrix-подхода; доступны варианты с разными уровнями квантизации и размером примерно от 2,1 до 6,7 ГБ, а также файл imatrix для самостоятельного создания квантованных версий. Модель предназначена для генерации текста, ответов на вопросы, суммаризации и перевода. В метаданных заявлена поддержка узбекского и английского языков. Обучение или дообучение связано с наборами yahma/alpaca-cleaned, behbudiy/alpaca-cleaned-uz и behbudiy/translation-instruction. Модель ориентирована на локальный запуск через инструменты, поддерживающие формат GGUF. Сильной стороной является наличие широкого выбора квантованных вариантов, позволяющего подобрать компромисс между размером, скоростью и качеством; для практического использования рекомендуется вариант i1-Q4_K_M, а i1-Q4_K_S обозначен как сбалансированный по размеру, скорости и качеству. Ограничения связаны с потерей качества при низких уровнях квантизации, особенно у вариантов IQ1 и Q2, а максимальный размер контекста и другие подробные архитектурные характеристики в README не указаны. Лицензия обозначена как llama3.1.

Llama-3.1-EstLLM-8B-Instruct-1125 — инструкционная языковая модель TartuNLP и TalTechNLP, созданная слиянием chat-векторов tartuNLP/Llama-3.1-EstLLM-8B-Instruct-0825 с Meta Llama 3.1 8B Instruct. Модель построена на архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и предназначена для диалогов и генерации текста. В README указаны эстонский и английский языки; контекст по метаданным — до 131 072 токенов. Модель подходит для ответов на вопросы, выполнения инструкций, рассуждений и перевода с английского на эстонский. В её обучении использовались продолженное предобучение на эстонских и общих корпусах, supervised fine-tuning и DPO; карточка также указывает датасеты HelpSteer3, Tulu 3 и EuroBlocks. Модель распространяется по лицензии Llama 3.1 Community License Agreement. Авторы характеризуют её как ранний прототип. README предупреждает о возможных побочных эффектах слияния, ненадёжной поддержке многоходовых диалогов и исходном системном промпте Llama 3.1 с фиксированной датой отсечения знаний. Хотя README называет контекст относительно коротким — 4096 токенов, метаданные каталога указывают native context в 131 072 токена; на длинных контекстах качество может быть ограничено.