II.10Разработка и эксплуатация AI/ML-систем

Это исследовательский чекпойнт Jeesup на базе диалоговой модели Llama 2 7B Chat от Meta, предназначенный для изучения влияния сжатия и перестановки параметров на безопасность ответов. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; её базовый контекст составляет 4096 токенов. По данным карточки, чекпойнт сжат методом Swift-SVD с восстановлением LoRA до 80% плотной модели, после чего к нему применены 4 из 10 раундов итеративной параметрически нейтральной перестановки по правилу gap_iter. Модель предназначена для экспериментов по оценке компромиссов между безопасностью и полезностью при сжатии, включая измерение успешности атак и чрезмерных отказов. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Это экспериментальная ячейка исследовательской сетки, а не универсальный чат-ассистент; автор предупреждает, что сжатие может ухудшать защитное поведение и рекомендует оценивать чекпойнт перед использованием. Лицензия — Llama 2 Community License.

Jeesup/svd-safety-l2_swift_remove40 — экспериментальный чекпойнт на базе диалоговой Llama 2 Chat от Meta, подготовленный для исследования влияния сжатия на безопасность и полезность ответов. Модель имеет архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и принимает текст для генерации текста; заявленный контекст — 4096 токенов. Она сжата методом Swift-SVD до примерно 60% исходного числа параметров, после чего восстановлена с помощью LoRA-этапа SVD-LLM на очищенных данных Alpaca. Чекпойнт предназначен для измерения компромиссов между сжатием, отказами и устойчивостью к вредоносным запросам, а не для универсального общения или внедрения в пользовательские сервисы. В README приведены результаты на AdvBench, StrongREJECT и WildGuard; авторы отмечают, что сжатие может ухудшить поведение безопасности и что отдельные варианты намеренно имеют сниженную безопасность. Для использования действует лицензия Llama 2; перед практическим применением необходимо самостоятельно оценить модель.

Jeesup/svd-safety-l31_remove30_swapgapiter_b010 — исследовательский чекпойнт на основе инструкционной модели Meta Llama 3.1 8B Instruct. Веса сжаты методом SVD-LLM до 70% исходного числа плотных параметров, после чего к ним применили 10 раундов итеративной перестановки параметров по правилу gap_iter; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалогов, но этот чекпойнт создан как один из вариантов эксперимента по изучению влияния сжатия на безопасность и полезность модели, а не как универсальный помощник. В README приведены результаты оценок на AdvBench, StrongREJECT и WildGuard, включая показатели успешности атак и чрезмерных отказов. Авторы отмечают, что сжатие может ухудшать защитное поведение, а отдельные варианты эксперимента намеренно имеют более слабые показатели безопасности; чекпойнт следует рассматривать как экспериментальный объект и самостоятельно оценивать перед использованием. Контекст модели — до 131072 токенов. Лицензия — Llama 3.1.

Это исследовательский чекпойнт Jeesup на базе Meta Llama 3.1 8B Instruct, созданный для изучения влияния сжатия на безопасность языковых моделей. Модель с архитектурой LlamaForCausalLM содержит 7,5 млрд параметров и использует веса safetensors. После удаления примерно 30% параметров методом SVD-LLM к ней применили 2 из 10 запланированных раундов итеративной замены параметров по правилу gap_iter. Чекпойнт предназначен для измерения компромисса между безопасностью и полезностью при сжатии, а также для сравнения правил и бюджетов восстановления поведения. В README приведены результаты тестов AdvBench, StrongREJECT и WildGuard; модель поддерживает текстовую генерацию и диалоговый сценарий, заявленная длина контекста — 131 072 токена. Это отдельная экспериментальная ячейка исследования, а не универсальный чат-ассистент. В README отмечено, что некоторые варианты в серии намеренно имеют ухудшенную безопасность; результаты этой версии показывают ненулевую долю успешных атак и переотказов. Лицензия — Llama 3.1; применяйте модель для исследовательской оценки и проверяйте её поведение перед использованием.

Экспериментальный чекпойнт на базе Meta-Llama-3-8B-Instruct, сжатый методом SVD-LLM: удалено около 20% параметров. Затем к нему применён один раунд параметрически нейтрального обмена параметров по правилу gap_iter; это один вариант из серии экспериментов по изучению влияния сжатия на безопасность модели и восстановлению её поведения. Модель принимает текст и генерирует текст, поддерживает диалоговый сценарий; контекст составляет 8192 токена. В метаданных указано 7,5 млрд параметров, архитектура LlamaForCausalLM, формат весов safetensors и библиотека Transformers. Чекпойнт предназначен для экспериментальной оценки компромисса между безопасностью и полезностью, а не для роли универсального чат-ассистента. В README приведены результаты на AdvBench, StrongREJECT и WildGuard; авторы отмечают рост успешности атак после сжатия и намеренно ухудшенную безопасность некоторых вариантов. Лицензия — Llama 3; перед использованием следует учитывать её условия и самостоятельно оценивать поведение чекпойнта.

Это экспериментальный исследовательский чекпойнт Jeesup на основе Meta-Llama-3-8B-Instruct. Модель с плотной архитектурой LlamaForCausalLM сжата методом SVD-LLM: удалено около 30% параметров, после чего проведено 10 раундов итеративной замены параметров по правилу gap_iter с суммарным бюджетом до 1% исходных параметров. Чекпойнт создан для изучения того, как сжатие влияет на безопасное поведение языковых моделей и какие правила выбора компонентов помогают его восстановить. В README приведены результаты оценок отказов и успешности атак на тестовых наборах AdvBench, StrongREJECT и WildGuard. Это один вариант в серии экспериментов, а не универсальный диалоговый ассистент; его поведение следует самостоятельно оценить перед использованием. Для запуска нужны Transformers и поддержка формата safetensors. Лицензия — Llama 3 Community License.

Это исследовательский чекпойнт диалоговой модели Llama-3-8B-Instruct, сжатый методом SVD-LLM и затем изменённый в рамках эксперимента по восстановлению поведения безопасности. Веса представлены в формате safetensors; в модели около 7,5 млрд параметров, контекст — до 8192 токенов. Указанная итеративная процедура swap выполнена на 7 из 10 раундов и использует правило gap_iter. Модель предназначена для изучения компромиссов между сжатием, полезностью и безопасностью ответов, а также для сравнения метрик атак и отказов на тестовых наборах. README приводит результаты на AdvBench, StrongREJECT и WildGuard. Это отдельный экспериментальный вариант, а не универсальный чат-ассистент; измеренные показатели не гарантируют безопасность или качество в других сценариях. Для использования применяются условия лицензии Llama 3.

Jeesup/svd-safety-l3_swift_jbbsft1_remove50 — исследовательский чекпойнт на основе Meta-Llama-3-8B-Instruct, разработанный для изучения влияния сжатия на безопасность и полезность диалоговой языковой модели. Веса сжаты методом Swift-SVD с динамическим распределением рангов: удалено около 50% параметров. Затем модель восстановлена с помощью второго этапа SVD-LLM и LoRA с последовательным обучением компонент U и V. Модель предназначена для сравнительных экспериментов по измерению устойчивости к вредоносным запросам и избыточных отказов после сжатия. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Это экспериментальная ячейка исследования, а не универсальный чат-ассистент; отдельные варианты в серии намеренно имеют ухудшенные показатели безопасности. Модель генерирует текст, основана на архитектуре Llama и имеет контекст 8192 токена. Для использования действует лицензия Llama 3.

Это исследовательский чекпойнт Jeesup на базе Meta-Llama-3-8B-Instruct, сжатый методом Swift-SVD и восстановлением LoRA, а затем изменённый в 10 раундах параметрически нейтральной перестановки по правилу gap_iter. В модели сохранено 70% плотных параметров; эксперимент исследует, как сжатие влияет на безопасность ответов и можно ли восстановить её выбором компонентов. Модель предназначена для измерения компромисса между безопасностью и полезностью в сценариях генерации диалогового текста, а не для использования как универсальный чат-ассистент. В README приведены результаты на AdvBench, StrongREJECT и WildGuard; авторы предупреждают, что некоторые варианты в исследовательской сетке намеренно имеют сниженную безопасность. Архитектура — плотная LlamaForCausalLM, около 7,5 млрд параметров, контекст — 8192 токена; поддерживается чат. Лицензия — Llama 3 Community License.

Это исследовательский чекпойнт Jeesup на базе Mistral-7B-Instruct-v0.2, подготовленный для изучения влияния сжатия на безопасность и полезность языковых моделей. Веса Mistral сжаты методом Swift-SVD: удалено 40% параметров, после чего модель восстановлена с помощью этапа LoRA из SVD-LLM. В результате сохранено около 60% исходного числа параметров; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для экспериментальных измерений компромисса между безопасностью и полезностью, а также проверки методов восстановления поведения после сжатия. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Это отдельный вариант из серии экспериментов, а не универсальный чат-ассистент; часть вариантов этой серии намеренно имеет сниженную безопасность, поэтому этот чекпойнт следует оценивать самостоятельно перед использованием. Лицензия — Apache-2.0.

Jeesup/svd-safety-mis7_swift_remove30 — исследовательский чекпойнт на базе Mistral-7B-Instruct-v0.2, разработанный для изучения влияния сжатия весов на безопасность и полезность диалоговых моделей. Модель семейства Mistral с плотной архитектурой MistralForCausalLM содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и диалогов, а не для общего применения в качестве ассистента. Чекпойнт сжат методом Swift-SVD до примерно 70% исходного числа параметров, после чего восстановлен с помощью LoRA этапа 2 из SVD-LLM. В README приведены результаты измерений отказов и успешности атак на наборах AdvBench, StrongREJECT и WildGuard; они указывают на ограничения защитного поведения модели. Модель подходит для экспериментов по сравнению безопасности и полезности после сжатия и восстановления. README прямо рекомендует не развёртывать отдельные варианты этой серии как готовых ассистентов и самостоятельно оценивать их перед использованием. Лицензия — Apache-2.0.

Это исследовательский чекпойнт Jeesup на базе Mistral-7B-Instruct-v0.2, созданный для изучения изменений поведения модели при сжатии и восстановления защитных свойств. Плотная архитектура Mistral с 7,1 млрд параметров сжата методом Swift-SVD с восстановлением LoRA: удалено около 30% параметров. Затем выполнено 10 раундов итеративной перестановки параметров по правилу gap_iter. Модель принимает текст, поддерживает диалог и имеет контекст до 32 768 токенов. Чекпойнт предназначен для измерения компромиссов между безопасностью и полезностью сжатых моделей и сравнения правил отбора компонентов. README приводит результаты оценок на AdvBench, StrongREJECT и WildGuard. Автор предупреждает, что отдельные варианты эксперимента могут иметь ухудшенную безопасность и не предназначены для использования как универсальный помощник. Лицензия — Apache-2.0.

Экспериментальный чекпойнт Mistral-7B-Instruct-v0.2, подготовленный Jeesup для исследования влияния сжатия на безопасность ответов. Модель с архитектурой Mistral и 7,1 млрд параметров сжата методом Swift-SVD с восстановлением через LoRA до 70% от числа параметров исходной плотной модели. Затем к ней применили все 10 раундов итеративной перестановки параметров по правилу gap_iter. Чекпойнт предназначен для измерения компромисса между безопасностью и полезностью модели в диалоговых сценариях, а также для изучения методов восстановления поведения после сжатия. В карточке приведены оценки атак на AdvBench и StrongREJECT и показатель чрезмерного отказа WildGuard. Это исследовательский артефакт, а не готовый универсальный ассистент; результаты следует проверять самостоятельно. Лицензия — Apache-2.0.

Jeesup/svd-safety-mistral_keep50_disc_b001 — исследовательский чекпойнт на основе диалоговой Mistral-7B-Instruct-v0.2 от Mistral AI. Модель сжата методом SVD-LLM: удалено 49,90% параметров, после чего восстановлены компоненты SVD в пределах бюджета 0,1% по правилу disc. Архитектура — плотная MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов; модель принимает и генерирует текст. Чекпойнт создан для изучения влияния сжатия на безопасность и полезность модели и сравнения способов восстановления компонентов. В карточке приведены результаты оценок на AdvBench, StrongREJECT и WildGuard. Это отдельный вариант в экспериментальной сетке, а не универсальный чат-ассистент; лицензия — Apache-2.0.

google/switch-base-128 — англоязычная модель Google семейства Switch Transformers, основанная на архитектуре T5 с разреженными слоями Mixture of Experts: маршрутизатор направляет токены к экспертным многослойным перцептронам. В модели 123,8 млн параметров; она распространяется в формате PyTorch и обучена на корпусе C4 с задачей masked language modeling. Модель предназначена прежде всего для исследований и дообучения под задачи преобразования текста. Карточка предупреждает, что исходные веса не готовы к использованию в прикладных задачах без дообучения; для готовых сценариев авторы предлагают рассмотреть FLAN-T5. Модель лицензирована по Apache 2.0. README связывает семейство Switch Transformers с ускорением предварительного обучения и результатами выше T5 на дообученных задачах, но не приводит подробностей ограничений или оценок именно этого чекпойнта.

ariG23498/tiny-gemma-test — небольшая модель генерации текста на архитектуре Gemma, опубликованная на Hugging Face. Карточка модели автоматически создана и не сообщает разработчика или конкретное назначение; метаданные указывают класс GemmaForCausalLM и размер 8,2 млн параметров. Модель принимает текст и генерирует текст. Для неё заявлено контекстное окно до 8192 токенов. Карточка не описывает обучающие данные, языки, качество или специальные сценарии применения, поэтому пригодность для конкретных задач по имеющимся сведениям не подтверждена. Лицензия в предоставленных метаданных и карточке не определена.

Tiny-LLM-From-Scratch — компактная модель генерации текста, созданная cannizaroo с нуля на PyTorch. Это декодерный Transformer в стиле GPT-2 с Pre-LayerNorm, примерно 50,68 млн параметров и контекстом 256 токенов; модель предварительно обучена на FineWeb-Edu. Реализация предназначена для изучения устройства GPT-подобных языковых моделей и включает собственные токенизатор, конвейер данных, механизмы внимания и MLP, цикл обучения и генерацию без библиотеки transformers. Модель подходит для экспериментов с автогенерацией текста и параметрами выборки: температурой, Top-K и nucleus sampling (Top-P). Карточка указывает английский язык. Лицензия MIT разрешает свободное использование на её условиях.

peft-internal-testing/tiny_OPTForQuestionAnswering-lora — небольшая тестовая модель на базе OPT, адаптированная для задач Question Answering с использованием метода LoRA. Модель размещена в экосистеме PEFT; в README указана версия PEFT 0.4.0.dev0, однако разработчик, точный размер, архитектурные параметры, поддерживаемые языки и максимальная длина контекста не приведены. Основное назначение модели — проверка и тестирование работы PEFT и LoRA на компактной модели для ответов на вопросы. Благодаря небольшому размеру она, вероятно, удобна для внутренних тестов и разработки, но README не содержит данных о качестве, производительности, модальностях или пригодности для production-сценариев. Условия лицензирования также не указаны, поэтому перед использованием необходимо уточнить лицензию исходной модели и адаптера.

hyper-accel/tiny-random-gpt2 — небольшая авторегрессионная языковая модель семейства GPT-2 для генерации текста. Модель опубликована на Hugging Face пользователем или организацией HyperAccel, однако в карточке модели разработчик явно не указан; сама карточка автоматически сгенерирована и содержит множество незаполненных полей. Модель предназначена прежде всего для тестирования и демонстрации текстовой генерации, а также для использования с Transformers, vLLM и SGLang. Это GPT-2 с архитектурой GPT2LMHeadModel: 2 слоя, 2 attention-heads, размер скрытого представления 128, словарь из 50 257 токенов и контекст до 1024 токенов. Указано около 6,96 млн параметров, формат весов Safetensors и тип данных float32. Модель относится к текстовой, одномодальной генерации и не предназначена для обработки изображений, аудио или других модальностей. Из-за очень малого размера и названия tiny-random модель, вероятно, пригодна главным образом для проверок совместимости, экспериментов и тестовых сценариев, но не для качественной прикладной генерации текста; сведения о датасете, языках, обучении, качестве, ограничениях и рисках отсутствуют. Лицензия в карточке не указана, поэтому условия использования необходимо уточнять отдельно перед применением.

JoaoBoer/tofu_Llama-3.2-3B-Instruct_forget01_UNDIAL — дообученная языковая модель семейства Llama 3.2, созданная на базе open-unlearning/tofu_Llama-3.2-3B-Instruct_full. Разработчик применил UNDIAL к разделу forget01 набора TOFU в рамках open-unlearning framework. Модель предназначена для исследований машинного «забывания» данных и используется как базовый вариант удаления знаний по весам, а также как черновая модель в проекте Speculative-Decoding-Unlearning. Она генерирует текст и поддерживает диалог; число параметров — 3,2 млрд, заявленная длина контекста — 131 072 токена. README приводит метрики оценки на TOFU, включая точное запоминание 0,4065, силу извлечения 0,0413 и forget_Q_A_PARA_Prob 0,0742. Модель подходит для экспериментов по оценке и сравнению методов удаления обучающих данных. Метрики относятся к указанной оценке TOFU и сами по себе не подтверждают полное или универсальное удаление сведений. Язык модели в предоставленных источниках не обозначен. Лицензия — Llama 3.2 Community License.

TR-HASH-MOE-500M-HF — экспериментальный чекпойнт языковой модели семейства Deep с архитектурой mixture-of-experts и классом DeepForCausalLM. Его выпустила AETHORIA-AI как артефакт для воспроизводимости и диагностики эксперимента: модель дообучена на базе AETHORIA-AI/TR-HASH-MOE-500M-20B, а веса LoRA уже объединены с основными весами. В README указаны обучение на 201 983 примерах за одну эпоху и набор весов BF16; метаданные указывают 133,4 млн параметров и контекст 2048 токенов. Для инференса заявлена библиотека vLLM и поддержка диалогового режима. Модель предназначена для изучения и диагностики результатов экспериментального instruction-тюнинга, а не для надёжной работы в роли ассистента. На описанной панели из девяти запросов она не прошла проверку поведения: отмечены ошибки в арифметике, копирование запросов, выдуманные сведения о личности, несоблюдение формата, повторения, неполные определения и небезопасный совет о передаче пароля. Лицензия — CC BY-NC 4.0; коммерческое использование лицензией не разрешено.

UniSpeech-Large-plus Kyrgyz — модель распознавания речи Microsoft на архитектуре UniSpeech с плотной архитектурой и CTC-выходом; размер составляет 402,7 млн параметров. Модель предварительно обучена на речевых аудиозаписях с частотой 16 кГц и фонетической разметкой, затем дообучена на одном часе кыргызских фонем. Для распознавания аудио требуется частота дискретизации 16 кГц, а ожидаемый текст необходимо преобразовать в последовательность фонем. Модель предназначена для распознавания кыргызской речи с выводом фонетической последовательности. UniSpeech сочетает обучение CTC на размеченных фонемах с контрастивным самообучением на размеченных и неразмеченных данных; в карточке упомянут Common Voice. Модель опубликована в формате PyTorch и использует лицензию Microsoft Research License. Она требует фонемного представления целевого текста и ограниченного объёма дообучения на кыргызском материале, поэтому область её применения уже, чем у универсальных систем транскрибирования.

Это экспериментальный чекпойнт проекта Open Unlearning: вариант Llama 3.2 1B Instruct, обученный методом NPO для unlearning на наборе TOFU с конфигурацией forget10, learning rate 2e-05, beta 0.5, alpha 1 и 10 эпох. Модель загружается через Transformers и предназначена для генерации текста в формате диалога. Метаданные указывают на плотную авторегрессионную архитектуру LlamaForCausalLM с 1,2 млрд параметров и контекстом до 131 072 токенов. Страница модели доступна на Hugging Face, но её карточка автоматически сгенерирована и не сообщает лицензию, языки, детали обучения или результаты оценки; поэтому нельзя уверенно описать, какие именно данные она забывает и насколько эффективно это происходит.

Это экспериментальный вариант Llama 3.2 1B Instruct, дообученный Open Unlearning методом RMU на задаче забывания части данных TOFU. Модель предназначена для генерации текста и диалогов, а также для исследования машинного забывания — снижения воспроизведения целевых сведений при сохранении полезных ответов на остальные запросы. По идентификатору указаны набор forget10, скорость обучения 1e-05, слой 5, коэффициент steering 100 и 10 эпох; размер около 1,2 млрд параметров, контекст — до 131072 токенов. Модель основана на Llama 3.2 1B Instruct и опубликована в формате safetensors для Transformers. TOFU — синтетический бенчмарк для оценки забывания фактов о вымышленных авторах, поэтому результаты на нём сами по себе не подтверждают удаление реальных персональных данных. Поиск не подтвердил лицензию именно этого чекпойнта; для базовой Llama 3.2 применяется лицензия Llama 3.2, проверьте условия репозитория перед использованием.

nikitastheo/v2-babylm-small-ind-ell-sequential_interleaved — причинная языковая модель семейства GPT-2, обученная автором репозитория с помощью скрипта train_clm.py и Hugging Face Accelerate. Модель предназначена для генерации продолжения текста. В метаданных указаны библиотека Transformers, формат Safetensors и контекст длиной 512 токенов. Название связывает чекпойнт с экспериментами BabyLM, но карточка не уточняет языки обучения, размер модели, датасет и лицензию.

Ahmed9275/Vit-Cifar100 — модель классификации изображений на архитектуре Vision Transformer (ViT), дообученная на датасете CIFAR-100 на основе google/vit-base-patch16-224-in21k. Она предназначена для отнесения изображений к классам CIFAR-100. В README указана точность 0,8985 и значение loss 0,4420 на оценочной выборке. Модель содержит 113,2 млн параметров и распространяется в формате PyTorch. Лицензия — Apache-2.0. Карточка не описывает ограничения и условия применения помимо лицензии.

ahishamm/vit-large-isic-patch-16 — модель классификации изображений на базе архитектуры Vision Transformer (ViT), дообученная автором на наборе данных ahishamm/isic_db. Она предназначена для классификации дерматологических изображений в рамках задачи, представленной этим датасетом. Модель содержит 402,7 млн параметров и распространяется в формате PyTorch. В README приведены результаты на оценочной выборке: accuracy, recall, F1 и precision по 0,75, loss — 0,7317. Модель опубликована по лицензии Apache-2.0. Сведения о конкретных классах, клинической валидации и ограничениях применения не приведены; результаты на оценочной выборке сами по себе не подтверждают пригодность для диагностики.

Lauriane Mbagdjé Dorenan разработала эту модель на базе Vision Transformer ViT-Base с патчами 16×16, дообучив google/vit-base-patch16-224 для классификации изображений кожи по 22 дерматологическим категориям, включая акне, экзему, псориаз, витилиго, бородавки и рак кожи. Модель принимает изображения размером 224×224 и выдаёт класс заболевания. В метаданных указаны архитектура ViTForImageClassification и 113,2 млн параметров; README приводит оценку около 86 млн параметров. Модель предназначена для исследований в компьютерном зрении и дерматологии, обучения и сравнения методов многоклассовой классификации. Её можно использовать как основу для дальнейшего дообучения или прототипов объяснимости, но предсказания не подходят для постановки диагноза или выбора лечения. Разработчик указывает риски смещения по тону кожи, освещению и устройству съёмки, ограниченность примеров некоторых классов и отсутствие клинической валидации. Лицензия — Apache-2.0; README ограничивает назначение исследовательскими и образовательными сценариями.

FarmerlineML разработала VoxCPM2 Ewe — полное дообучение модели VoxCPM2 на речевых данных языка эве для голосового помощника darli AI в сельскохозяйственной сфере. Модель предназначена для преобразования текста в речь; для закрепления голосовой идентичности при генерации требуется референсная аудиозапись. В репозитории находятся веса в формате safetensors размером около 9,2 ГБ и декодер AudioVAE. В README также рекомендуются ограничение длины генерации, рассчитанное по длине текста, и обрезка двух секунд тишины после генерации, чтобы снизить риск продолжения речи после конца предложения. Модель распространяется по лицензии Apache-2.0. Карточка описывает обучение для конкретного голосового помощника; данных о качестве на других языках или сценариях нет.

FarmerlineML VoxCPM2 Krio — полноценно дообученная на речевых данных на языке крио модель синтеза речи на базе VoxCPM2. Она предназначена для голосового помощника darli AI в сельскохозяйственных сценариях и лучше всего работает с текстом на крио и образцом голоса говорящего из Сьерра-Леоне, который нужен при выводе для привязки голосовой идентичности. Репозиторий содержит веса в формате safetensors и декодер AudioVAE; модель выдаёт речь по тексту с использованием референсного аудио. Модель рассчитана на синтез речи на крио. В README отмечены практические ограничения: без референсного аудио нельзя закрепить голосовую идентичность, после конца предложения возможны лишние речевые фрагменты, а для чистого результата рекомендуется обрезать около двух секунд тишины после генерации. Лицензия — Apache-2.0.