I.6Перевод и языковая адаптация

Это GGUF-квантизированная версия модели Devstral-Small-2507, разработанной Mistral AI и подготовленной пользователем bartowski. Квантизация выполнена с помощью llama.cpp release b5856 и метода imatrix. Модель предназначена для локального запуска через llama.cpp, LM Studio и другие совместимые проекты. В карточке указана мультимодальная категория image-text-to-text, однако подробные сведения об архитектуре, количестве параметров и поддерживаемом контексте не приведены. Заявлена поддержка множества языков, включая английский, французский, немецкий, испанский, португальский, итальянский, японский, корейский, русский, китайский, арабский, украинский и другие. Доступны варианты от BF16 до различных уровней квантизации; размеры файлов составляют примерно от 10 до 47 ГБ. Более высокие уровни квантизации обычно обеспечивают лучшее качество, а низкие требуют меньше оперативной памяти. Основные преимущества версии — возможность локального запуска, широкий выбор компромиссов между качеством и требованиями к памяти, а также совместимость с экосистемой llama.cpp. Ограничения включают отсутствие в README подробных данных о характеристиках исходной модели, результатах оценки и требованиях к оборудованию; качество заметно зависит от выбранного варианта квантизации. Модель распространяется по лицензии Apache-2.0.

Murasaki-4B-v0.3-i1-GGUF — GGUF-квантизированная версия языковой модели Murasaki-Project/Murasaki-4B-v0.3, подготовленная mradermacher. Модель ориентирована на генерацию текста, перевод, обработку визуальных новелл, галгеймов и аниме-субтитров; в метаданных также указана поддержка сценариев с пошаговым рассуждением. Заявлены японский и китайский языки. Модель имеет около 4 млрд параметров и поставляется в формате GGUF для использования с совместимыми инструментами инференса. Доступно множество вариантов квантизации, включая IQ1–IQ4, Q2–Q6 и imatrix-варианты, с размером файлов примерно от 1,3 до 3,7 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве; README рекомендует i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Длина контекста, точная архитектура, мультимодальные возможности и результаты бенчмарков не указаны. Основные ограничения связаны с потерями качества при низкобитной квантизации, а также с тем, что качество и применимость зависят от выбранного варианта GGUF и используемого программного обеспечения. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая предусматривает обязательное указание авторства, некоммерческое использование и распространение производных работ на тех же условиях.

pere/nb-nn-translation — модель на базе T5, разработанная для переключения между двумя письменными нормами норвежского языка: Bokmål и Nynorsk. Она определяет норму входного текста и преобразует его в другую; автор называет это переключателем языка, а не универсальным переводчиком. Модель обучена на корпусе из 200 тысяч пар предложений из учебников и газет. В README указана оценка BLEU 88,17 на тесте. Размер модели — 137,6 млн параметров; доступны форматы PyTorch и Flax. Максимальная длина исходного и целевого текста при дообучении составляла 512 токенов. Модель предназначена для преобразования текста между Bokmål и Nynorsk. Лицензия — CC BY 4.0. Результат BLEU приведён автором для описанного теста и не гарантирует такое же качество на других типах текстов; модель специализируется на двух норвежских письменных нормах.

OpenBuddy Llama2 13B v11.1 — языковая модель для генерации текста и диалогового взаимодействия, разработанная командой OpenBuddy на базе Llama 2. В данном репозитории представлены квантизированные файлы в формате GGUF, подготовленные TheBloke. Модель ориентирована на роль универсального помощника Buddy: ответы на вопросы, поддержка диалога, объяснение информации и генерация текста. Модель имеет архитектуру Llama и размер 13 млрд параметров. Доступны варианты квантизации от 2 до 8 бит, что позволяет использовать её для CPU-, GPU- и комбинированного инференса через llama.cpp и совместимые приложения. В заявленных метаданных указаны языки: китайский, английский, французский, немецкий, японский, корейский, итальянский и русский. Мультимодальность не заявлена; модель предназначена для работы с текстом. Контекстное окно в предоставленных данных не указано. В prompt template приведено ограничение знаний до сентября 2021 года. К сильным сторонам относятся многоязычность, наличие нескольких уровней квантизации и широкая совместимость с локальными инструментами запуска. Ограничения включают возможное снижение качества при сильной квантизации, отсутствие заявленной работы с изображениями и другими модальностями, а также ограниченность знаний датой отсечения. Модель распространяется по лицензии Llama 2.

Pashto Ghag — модель автоматического распознавания речи на пушту, созданная разработчиком проекта Pashto Ghag путём дообучения OpenAI Whisper medium. Модель содержит 455,8 млн параметров и принимает аудио, выдавая текстовую расшифровку на пушту. Для обучения использовались 54,4 часа проверенных записей Pashto Common Voice с нормализованными транскрипциями; опубликован чекпойнт, выбранный по результатам сравнения нескольких вариантов. На трёх отложенных наборах сбалансированный средний WER составил 14,63%.

Qwen3-0.6B-MLX-4bit — компактная 4-битная версия причинной языковой модели Qwen3, разработанной командой Qwen. Модель предназначена для генерации текста, диалогов, следования инструкциям, перевода, решения математических и логических задач, написания кода и сценариев с использованием внешних инструментов. Вариант MLX ориентирован на запуск через библиотеку mlx_lm. Модель содержит 0,6 млрд параметров, из которых 0,44 млрд приходятся не на embedding-слои. Архитектура включает 28 слоёв и Grouped Query Attention с 16 головами запросов и 8 головами ключей и значений. Контекстное окно составляет 32 768 токенов. Поддерживаются более 100 языков и диалектов. Модель позволяет переключаться между режимом рассуждений, генерирующим содержимое в блоке <think>, и более быстрым нерешающим режимом для повседневного диалога. К сильным сторонам относятся небольшой размер, 4-битное представление, поддержка многоязычных задач, следования инструкциям и двух режимов работы. Ограничением является существенно меньший масштаб по сравнению с крупными моделями Qwen3, поэтому для сложных задач качество может быть ниже; в README также не приведены конкретные результаты тестов и требования к оборудованию. Для режима рассуждений рекомендуются вероятностные параметры генерации, а жадное декодирование не рекомендуется из-за возможного ухудшения качества и повторов. Модель распространяется по лицензии Apache 2.0.

Sailor2-20B-Chat-1203 — чат-модель из проекта Sailor2, созданного сообществом для языков Юго-Восточной Азии. Это версия для диалогов и генерации текста, основанная на Qwen2.5 и продолжительно предобученная на 500 млрд токенов. Модель имеет плотную архитектуру Qwen2, около 18,4 млрд параметров и контекст до 4096 токенов; выпущена в формате safetensors и рассчитана на работу через Transformers. Модель поддерживает 15 языков: английский, китайский, бирманский, себуанский, илоканский, индонезийский, яванский, кхмерский, лаосский, малайский, сунданский, тагальский, тайский, вьетнамский и варайский. Подходит для многоязычных диалогов, ответов на вопросы и генерации текста для пользователей региона. README предупреждает, что это устаревшая версия, уступающая по точности Sailor2-20B-Chat-0219. Лицензия — Apache 2.0.

Sailor2-8B-Chat-GGUF — это набор GGUF-квантизаций чатовой языковой модели Sailor2-8B-Chat, разработанный командой sail и квантизированный bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для диалогов, генерации текста и выполнения инструкций, включая мультиязычные сценарии на английском, китайском, индонезийском, тайском, вьетнамском, малайском, лаосском, бирманском, яванском, кхмерском, сунданском и тагальском языках. Модель имеет размер 8B параметров; архитектура и размер контекста в README не указаны. Доступны варианты от F16 до низкобитных Q2/Q3/Q4/Q5/Q6/Q8 и IQ-квантизаций, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Для чата следует использовать формат с маркерами system, user и assistant. Сильной стороной является сочетание мультиязычной направленности и широкого выбора форматов для локального запуска, в том числе через LM Studio. Ограничения включают возможное снижение качества при агрессивной квантизации и отсутствие сведений о результатах оценивания, поддерживаемых модальностях помимо текста и максимальной длине контекста. Модель распространяется по лицензии Apache-2.0.

salamandra-2b-instruct — квантизированная версия инструкционной языковой модели BSC-LT/salamandra-2b-instruct, опубликованная пользователем robbiemu. Модель предназначена для генерации текста и выполнения инструкций в приложениях на базе Transformers и llama.cpp, включая локальный запуск при ограниченных ресурсах. В качестве исходных данных для квантизации использовался многоязычный корпус OSCAR, а важностная матрица была рассчитана на текстах примерно 34 языков. Модель относится к семейству Salamandra и имеет размер 2 млрд параметров. Она работает с текстом и поддерживает болгарский, каталанский, валлийский, чешский, датский, немецкий, греческий, английский, испанский, эстонский, баскский, финский, французский, ирландский, галисийский, хорватский, венгерский, итальянский, литовский, латышский, мальтийский, нидерландский, нюнорск, норвежский, окситанский, польский, португальский, румынский, русский, сербохорватский, словацкий, словенский, сербский, шведский и украинский языки, а также код. Размер файлов квантизированных вариантов составляет примерно 1,7–2,4 ГБ; доступны варианты IQ3_M, Q3_K_L, IQ4_XS, Q4_K_S, Q5_K_M и Q6_K. Контекст, точная архитектура и мультимодальные возможности в README не указаны. К сильным сторонам относятся многоязычность, компактный размер и возможность выбрать баланс между качеством и потреблением памяти: Q5_K_M рекомендован как сбалансированный вариант, а Q6_K близок по характеристикам к bf16 при меньшем размере. Ограничения связаны с потерями качества при квантизации и небольшим размером модели, который может снижать качество сложного рассуждения и генерации по сравнению с более крупными моделями. Модель распространяется по лицензии Apache-2.0.

Salamandra-7B-Instruct-2606 — многоязычная авторегрессионная языковая модель с архитектурой Llama, разработанная BSC-CNS. Это версия Salamandra-7B, адаптированная для длинного контекста, дообученная на диалогах и выровненная с помощью Direct Preference Optimization (DPO). Модель содержит 6,7 млрд параметров, принимает текст и поддерживает контекст до 163 840 токенов. Модель предназначена для исследовательских и опытно-разработческих сценариев как универсальный помощник: она может вести диалог, отвечать на вопросы, выполнять инструкции, переводить и создавать или кратко пересказывать тексты. Постобучение в первую очередь ориентировано на испанский, каталанский, баскский, галисийский и английский языки; каталог также указывает поддержку каталанского, английского и испанского. Для других языков качество не гарантируется. Модель не поддерживает вызов функций и автономное выполнение действий; сложные рассуждения, математика и генерация кода могут быть ненадёжными. Выводы могут содержать ошибки или небезопасный контент, поэтому их следует проверять. Распространяется по лицензии Apache-2.0; разработчик предоставляет её «как есть» и не гарантирует пригодность для коммерческого или производственного применения.

SkyTextTiny — авторегрессионная языковая модель семейства GPT-2, представленная компанией 奇点智源 (Singularity-AI) как китайская предварительно обученная GPT-3-модель. В карточке указано около 3 млрд параметров; модель принимает текст и предназначена для генерации текста, диалога, ответов на вопросы и перевода между китайским и английским языками. Контекст составляет 2048 токенов. Разработчик сообщает о многоэтапной очистке обучающих данных и специально оптимизированном для китайского языка кодировании. Репозиторий содержит веса PyTorch, модель опубликована под лицензией MIT. Карточка не приводит количественных оценок качества и подробностей о данных обучения; результаты для задач, кроме генерации текста, могут зависеть от формата запроса.

Ultravox v0.4.1 70B — мультимодальная речевая языковая модель от Fixie.ai. Она построена на Llama 3.1 70B Instruct и использует Whisper Large v3 Turbo для обработки речи. Модель принимает аудио вместе с текстовым контекстом, например текстовую системную инструкцию и голосовое сообщение, а в ответ генерирует текст. Модель предназначена для голосовых агентов, анализа устной речи и перевода речи. В README приведены результаты оценки перевода между английским и арабским, немецким и испанским языками. Версия не проходила preference tuning. Генерация аудио не поддерживается. Модель распространяется по лицензии MIT.

UMT5-small — многоязычная encoder-decoder модель Google на архитектуре UMT5ForConditionalGeneration с 160,6 млн параметров. Она предварительно обучена на обновлённом корпусе mC4 из веб-текстов на 107 языках с применением схемы UniMax для более равномерного языкового покрытия. Модель предназначена для дальнейшего дообучения под задачи преобразования текста, например перевода, суммаризации и генерации по текстовому запросу. Сам по себе чекпойнт проходил только предварительное обучение без supervised-этапа, поэтому для прикладной задачи его нужно дообучить. Доступны веса PyTorch; лицензия — Apache-2.0.

BuzzASR/uzbek — одноязычная модель автоматического распознавания речи на узбекском языке, разработанная как часть набора BuzzASR. Она дообучена методом простого ASR fine-tuning на openai/whisper-large-v3 с исходным токенизатором Whisper. Модель содержит около 905,2 млн параметров и принимает аудио, выдавая текстовую транскрипцию; в конфигурации генерации уже задан языковой и задачный prompt. Модель предназначена для транскрибации узбекской речи. В тестах FLEURS и Common Voice Corpus 25.0 авторы сообщают CER 6,6% и 2,68% соответственно, а на объединённом наборе — CER 3,86% и WER 16,0%. По заявлению авторов, результаты на объединённом тесте превосходят сравниваемые открытые системы; качество на других данных может отличаться. Модель распространяется по лицензии MIT.

Модель suzii/vi-whisper-large-v3-turbo — дообученная разработчиком suzii версия Whisper large-v3-turbo для распознавания вьетнамской речи. Она принимает аудио и преобразует его в текст; обучение продолжалось 240 часов на одной видеокарте Nvidia A6000 с использованием нескольких корпусов вьетнамской речи. Архитектура — WhisperForConditionalGeneration, около 905,2 млн параметров; доступны веса в форматах Safetensors и ONNX, модель рассчитана на работу через Transformers. Модель предназначена для транскрибирования вьетнамской речи, в том числе аудиозаписей, разговоров, видеороликов и аудиокниг. Её языковая специализация и дообучение на вьетнамских корпусах ориентированы на улучшение распознавания этого языка относительно исходной мультиязычной модели. Лицензия в предоставленных данных не указана.

Модель oddadmix/whisper-large-v3-turbo-arabic-dialectal-v2 разработана oddadmix на основе openai/whisper-large-v3-turbo и дообучена для распознавания разговорной арабской речи разных диалектов. Это модель Whisper с архитектурой encoder-decoder, принимающая аудио и генерирующая текст; в README указано 809 млн параметров. Обучение проводилось на диалектно-сбалансированном наборе oddadmix/lahgtna-v3-small: 52 тыс. обучающих и 2,6 тыс. тестовых примеров. Выходной текст не содержит диакритических знаков. Модель предназначена для транскрибации арабской речи, в том числе диалектов стран Персидского залива и Леванта, египетского и иракского. На сбалансированной тестовой выборке указаны WER 0,3324 и CER 0,125; качество заметно различается между диалектами, причём магрибские варианты в README названы наиболее трудными. Репозиторий распространяется по лицензии Apache-2.0.

ghost613/whisper-large-v3-turbo-korean — дообученная модель Whisper Large V3 Turbo для автоматического распознавания корейской речи и преобразования её в текст. Она создана на основе openai/whisper-large-v3-turbo и обучена на корейском наборе данных Zeroth; в обучающей выборке было около 206 часов 43 минут аудио. Модель содержит около 905,2 млн параметров и принимает аудио, выдавая текст. В README указаны итоговые показатели WER 4,90% на валидации и 4,89% на тесте, а CER — 1,78% и 2,06% соответственно. Автор отмечает, что обучение не сошлось и дальнейшее улучшение результатов возможно. Модель опубликована в формате safetensors; условия лицензии в предоставленных данных не описаны.

Модель Pirnazar — версия Whisper large-v3-turbo, дообученная для распознавания туркменской речи. Это самостоятельный чекпойнт с объединённым в веса LoRA-адаптером; отдельная загрузка адаптера или базовой модели не требуется. Модель построена на архитектуре Whisper и принимает аудио, выдавая текстовую транскрипцию. Для распознавания рекомендуется задавать язык tk и режим транскрипции. При обучении использовался датасет mamed0v/TurkmenSpeech; LoRA ранга 8 обучалась на проекциях q_proj и v_proj. В карточке приведены результаты валидации на 500 примерах: WER 29,51% и CER 6,59%; это метрики обучения, а не независимая оценка тестового набора. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

whisper-medium-luganda — дообученная на базе OpenAI Whisper Medium модель для автоматического распознавания речи на языке луганда. Она принимает аудио и преобразует речь в текст; архитектура Whisper содержит 455,8 млн параметров. В метаданных указаны наборы Common Voice 16.1 и FLEURS, а также формат весов safetensors. Модель опубликована под лицензией Apache 2.0.

oddadmix/whisper-small-arabic-dialectal-v2 — модель oddadmix, полученная дообучением openai/whisper-small с 244 млн параметров на сбалансированном по диалектам наборе oddadmix/lahgtna-v3-small. Она предназначена для распознавания речи на разных диалектах арабского языка и выдаёт транскрипцию без диакритических знаков. Модель принимает аудио и генерирует текст; реализована на архитектуре Whisper и доступна в формате safetensors через Transformers. На сбалансированной тестовой выборке примерно из 2600 фрагментов указаны WER 0,4034 и CER 0,1528. Среди описанных результатов лучше распознаются диалекты Персидского залива и Леванта, а тунисский, алжирский и марокканский варианты даются сложнее. Лицензия — Apache-2.0.

Whisper Small Myanmar Partial Freezing — дообученная модель распознавания речи на основе Whisper Small от OpenAI, предназначенная для транскрибирования речи на бирманском языке. Она принимает аудио и выдаёт текст; в карточке описано частичное замораживание энкодера: слои 0–7 оставались замороженными, а слои 8–11 энкодера и все слои декодера обучались. Для бирманской тональной речи применялись изменение скорости аудио и аугментация спектрограммы с сохранением частот основного тона. В README приведены результаты на тестировании: CER 17,94%, WER 56,31% и точное совпадение предложения 2,06%; качество может различаться на других данных и условиях записи. Модель содержит 153,1 млн параметров по метаданным каталога и распространяется в формате safetensors под лицензией Apache-2.0.

Модель ixxan/whisper-small-uyghur-thugy20 — дообученная версия Whisper Small, созданная на основе openai/whisper-small для распознавания уйгурской речи. Она принимает аудио и генерирует текстовую транскрипцию; обучение проводилось на наборе данных THUGY20, базе записей уйгурской речи. В карточке приведены результаты на тестовой выборке THUGY20: WER 17,94, нормализованный WER 18,09 и CER 4,93. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. Распространяется по лицензии Apache-2.0.

ALLaM-7B-Instruct-preview — двуязычная генеративная языковая модель, разработанная Национальным центром искусственного интеллекта при Управлении данных и искусственного интеллекта Саудовской Аравии (SDAIA). Модель обучена с нуля и настроена следовать инструкциям; её архитектура — плотный авторегрессионный Transformer семейства Llama с 6,7 млрд параметров. Репозиторий использует библиотеку Transformers и формат safetensors. Модель предназначена прежде всего для арабских языковых технологий, а также поддерживает английский. Её можно использовать как чат-ассистента для ответов на вопросы, диалога и генерации текста, а также как основу для более крупных ИИ-систем и исследований арабского языка. Контекст составляет до 4096 токенов; для работы не требуется заданный системный промпт, но его можно добавить. Модель может давать неверные или предвзятые ответы, поэтому её следует оценивать и адаптировать к конкретному применению; разработчикам систем с внешними инструментами следует предусмотреть меры безопасности. Лицензия — Apache-2.0.

AryaBhatta-GemmaOrca-Merged — языковая модель семейства Gemma, разработанная GenVR и дообученная для инструкций и общения на английском и девяти индийских языках: хинди, тамильском, панджаби, бенгальском, гуджарати, ория, телугу, каннада и малаялам. Модель содержит 8,2 млрд параметров, использует плотную архитектуру GemmaForCausalLM, принимает текст и поддерживает контекст до 8192 токенов. Доступна в формате safetensors под лицензией MIT. Модель сначала дообучали на математических задачах из наборов Orca, затем на диалоговых данных Samvaad и наборах инструкций на индийских языках. Она предназначена для генерации ответов на запросы, многоязычного диалога и решения математических задач. В README приведены сравнительные результаты на AGIEval, GPT4All, TruthfulQA и BigBench; эти оценки относятся к тестам разработчиков и сами по себе не гарантируют качество в конкретном применении. Карточка описывает объединённую серию AryaBhatta-GemmaOrca, но не уточняет, является ли данный репозиторий вариантом на базе исходной Gemma или Zephyr-Gemma; указанными возможными источниками служат Google/gemma и HuggingFaceH4/zephyr-7b-gemma-v0.1. Следует учитывать, что качество может различаться между поддерживаемыми языками и задачами, а заявленные языки не подтверждают одинаковую надёжность во всех сценариях.

BanglaASR — модель распознавания речи на бенгальском языке, разработанная Md Saiful Islam. Она представляет собой дообученную на данных Mozilla Common Voice модель Whisper small и предназначена для преобразования бенгальской речи в текст. Для обучения использовались около 400 часов аудио: 40 тысяч обучающих и 7 тысяч проверочных фрагментов; в README для оценки указан Word Error Rate 4,58%. Метаданные репозитория указывают архитектуру Whisper и 153,1 млн параметров, тогда как README описывает вариант small как имеющий 244 млн параметров. Модель принимает аудио и выдаёт текст. В карточке указана лицензия MIT. Оценка качества приведена для использованного набора данных; она не гарантирует такую же точность на других записях и условиях речи.

BatGPT-15B-sirius — большая языковая модель семейства BatGPT, разработанная совместными NLP-командами Уханьского университета и Шанхайского университета Цзяотун. Это плотная авторегрессионная модель для генерации текста и диалога; в карточке Hugging Face указано 24,7 млрд параметров, а README приводит 15,03 млрд. Модель предобучена на корпусе из 1 трлн токенов на китайском и английском языках и выложена в формате PyTorch. Модель использует RoPE, Multi-Query Attention и двунаправленную авторегрессионную цель предобучения. Заявленная максимальная длина контекста — 32 тыс. токенов; предобучение проводилось на последовательностях длиной 2048 токенов, а контекст расширялся при настройке инструкций. Модель предназначена для генерации текста и диалоговых сценариев на китайском и английском языках. Исходный код распространяется по Apache 2.0, веса — по GNU AGPL 3.0. README просит связаться с авторами для коммерческого использования или публичного развёртывания; по его формулировке разрешение выдаётся без платы, а сведения об использовании собираются для учёта.

Bielik-Minitron-7B-v3.0-Instruct-ungated — разговорная многоязычная языковая модель на архитектуре Llama, представленная в формате Safetensors. Репозиторий описывает её как версию исходной модели с удалённым механизмом ограничения доступа; модель основана на Bielik-11B-v3-Base-20250730 и дообучена для генерации текста и диалогов. Размер модели — 7,3 млрд параметров, длина контекста — 32 768 токенов. Модель подходит для диалоговых приложений и генерации текста на польском и других европейских языках, включая английский и русский. Указана лицензия Apache-2.0. В README нет сведений о сравнительных оценках качества или подробном описании изменения механизма доступа; заявленное улучшение конфиденциальности не сопровождается техническими подробностями.

Breeze-7B-Cantonese-v0.1 — языковая модель на архитектуре Mistral, созданная автором kenny lam на основе Breeze-7B-Base, разработанной MediaTek-Research. Модель дообучена для общения на кантонском языке и ориентирована на письменный традиционный китайский и речевые особенности Гонконга. Модель содержит 7,2 млрд параметров, принимает текст и генерирует текст; заявленный контекст — 32 768 токенов. При дообучении использованы наборы данных hon9kon9ize и indiejoseph, включая данные для диалогов, вопросов и ответов, резюмирования и перевода. Репозиторий содержит веса safetensors и конфигурацию Axolotl для самостоятельного обучения. Лицензия — Apache-2.0.

Canarim-7B — португалоязычная языковая модель, разработанная Майконом Домингешем. Она основана на LLaMA 2-7B и продолжила предварительное обучение на 16 млрд токенов из португалоязычной части CommonCrawl 2023-23; данные охватывают период до середины 2023 года. Модель содержит 6,6 млрд параметров, использует архитектуру Llama и поддерживает контекст до 4096 токенов. Модель предназначена для генерации и понимания португальского текста. Её можно применять для создания контента, анализа тональности, классификации тем, извлечения сущностей и перевода, особенно в сценариях с примерами желаемого результата в запросе. Обучение проводилось только на задаче языкового моделирования: модель не дообучалась для следования инструкциям, поэтому для неё предпочтительны few-shot запросы, а качество zero-shot выполнения задач может быть ниже. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Llama 2 Community License.

Chinese-LLaMA-2-7B-GGUF — это набор моделей в формате GGUF-v3, совместимых с llama.cpp, на основе Chinese-LLaMA-2-7B. Модель разработана командой проекта Chinese-LLaMA-Alpaca-2; README также указывает исходный репозиторий hfl/chinese-llama-2-7b на Hugging Face. Модель предназначена для задач генерации и обработки текста, прежде всего на китайском и английском языках, а формат GGUF позволяет запускать её с использованием llama.cpp. Доступны варианты квантования Q2_K, Q3_K, Q4_0, Q4_K, Q5_0, Q5_K, Q6_K и Q8_0, а также F16. Для некоторых вариантов предусмотрены версии с суффиксом -im, созданные с использованием important matrix и обычно обеспечивающие более высокую производительность. Размер модели — 7B параметров; другие характеристики, включая контекстное окно, архитектурные детали и поддерживаемые модальности, в README не указаны. Основные преимущества — совместимость с llama.cpp, наличие нескольких уровней квантования для выбора компромисса между качеством и ресурсами, а также поддержка китайского и английского языков. Ограничения и качество зависят от выбранного варианта квантования; приведённые значения PPL показывают, что более низкие значения обычно соответствуют лучшему результату. Модель распространяется по лицензии Apache-2.0.