III.4Клиентская поддержка и customer success

shitshow123/moe_scratch — языковая модель для генерации текста с архитектурой Mixtral и разреженной смесью экспертов (MoE). В репозитории указаны 7,1 млрд параметров, контекст до 32 768 токенов и формат весов safetensors. Модель классифицирована для задачи генерации текста. Карточка README не содержит сведений о разработчике, обучении, языках, целевых сценариях или проверенных качествах. Лицензия — Apache-2.0.

Nekomata-7B — языковая модель rinna, созданная посредством продолжения предобучения Qwen-7B на примерно 30 млрд токенов японских и английских текстов. Она предназначена для генерации текста и решения языковых задач, особенно на японском языке. Модель использует плотную трансформерную архитектуру Qwen: 32 слоя и размер скрытого состояния 4096. В словаре токенизатора 151 936 токенов; он эффективнее обрабатывает японский текст, чем токенизатор Llama 2 в сравнении авторов. Максимальная длина последовательности — 32 768 токенов. Указанный в метаданных размер составляет 11,4 млрд параметров. Модель принимает текст и генерирует текст. В README отмечено улучшение результатов на японских задачах, но конкретные показатели приведены отдельно на странице бенчмарков. Лицензия обозначена как other, поэтому условия использования следует уточнить в материалах репозитория.

NemoReRemix-12B — объединённая модель на архитектуре Mistral, созданная MarinaraSpaghetti с помощью mergekit из нескольких моделей семейства Mistral Nemo. В состав вошли Mistral Nemo Base и Instruct, Tess-3-Mistral-Nemo, MN-12B-Lyra, Shuttle 2.5 Mini и Magnum 12B v2; размер модели — 12,1 млрд параметров. Для объединения применён метод della_linear. Модель предназначена для генерации текста, особенно для написания художественной прозы и ролевых диалогов, а также может использоваться как универсальный разговорный помощник. Карточка предлагает формат ChatML; совместимость с форматом Mistral Instruct указана как теоретическая. Лицензия в предоставленных данных не указана.

Helsinki-NLP/opus-mt-es-de — модель машинного перевода с испанского на немецкий, разработанная в рамках проекта OPUS и основанная на архитектуре Marian Transformer. Она обучена на данных OPUS; перед переводом текст нормализуется и обрабатывается с помощью SentencePiece. Размер модели — 56,6 млн параметров, длина контекста — 512 токенов. В README приведён результат BLEU 50,0 на тестовом наборе Tatoeba.es.de. Модель предназначена для перевода предложений и текстов с испанского языка на немецкий. Доступны веса PyTorch и TensorFlow. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает об ограничениях качества или специальных областях применения.

Helsinki-NLP/opus-mt-ja-es — модель машинного перевода, разработанная Helsinki-NLP в рамках проекта OPUS. Она переводит текст с японского на испанский и предназначена для автоматического перевода фраз и документов между этими языками. Модель использует архитектуру Marian Transformer с выравниванием, около 56,9 млн параметров и контекстом до 512 токенов. В предварительной обработке применяются нормализация текста и SentencePiece. Для набора Tatoeba.ja.es в карточке приведены результаты BLEU 34,6 и chr-F 0,553. Модель доступна в форматах PyTorch и TensorFlow по лицензии Apache-2.0. Качество перевода может зависеть от тематики и формулировок; приведённые оценки относятся к указанному тестовому набору.

Helsinki-NLP/opus-mt-ja-vi — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с японского на вьетнамский и основана на архитектуре MarianMT с Transformer-align. Модель содержит 58,2 млн параметров, использует нормализацию и SentencePiece с словарями spm32k; длина контекста — 512 токенов. Модель предназначена для перевода японских текстов, включая варианты записи японского, вьетнамскими средствами. В карточке приведён результат на наборе Tatoeba-test.jpn.vie: BLEU 20,3 и chr-F 0,380. Доступна в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

OPUS-MT en-ro — модель машинного перевода с английского на румынский из проекта OPUS-MT. Исходная модель обучена с помощью Marian NMT; версия в Hugging Face преобразована для использования с Transformers. Архитектура — Transformer-big на базе MarianMT, около 156,2 млн параметров, токенизация SentencePiece с словарями по 32 тыс. токенов и контекст до 1024 токенов. Модель предназначена для перевода предложений и текстов с английского на румынский. Она обучалась на данных OPUS с использованием конвейера OPUS-MT-train; в карточке приведены результаты на наборах Tatoeba, FLORES-101 и новостном тестовом наборе. Обратный перевод с румынского на английский не заявлен. Модель выпущена OPUS-MT и распространяется по лицензии CC BY 4.0.

PASE — генеративная модель улучшения речи, разработанная Cisco Systems. Она очищает речь от шума и реверберации, стараясь сохранить разборчивость, содержание и особенности голоса говорящего. Модель рассчитана на монофонический звук с частотой 16 кГц. Архитектура объединяет DeWavLM, дообученную для подавления шума версию WavLM-Large с дистилляцией представлений, и двухпоточный вокодер, который восстанавливает аудио по фонетическим и акустическим признакам. Размер модели — около 382 млн параметров; вычислительная стоимость инференса — около 21,4 GMAC/s. Модель обучалась преимущественно на английской речи с шумами и реверберацией, синтезированными из перечисленных в карточке наборов данных. PASE предназначена для очистки записей разговоров и других речевых сигналов в шумной или реверберирующей среде. В тестах авторов модель показала низкий WER, высокую близость голоса к исходному и хорошее качество звучания; результаты релизной версии были близки к опубликованным в статье. Репозиторий распространяется по лицензии Apache 2.0. Качество может снижаться для языков, отличных от английского, при очень сильном шуме или реверберации, отличающейся от обучающих условий; возможны артефакты, а сохранение характеристик голоса не гарантируется. Модель не предназначена для обработки неречевого аудио, преобразования голоса или критически важных медицинских, юридических и безопасностных решений.

Sailor-4B — плотная языковая модель семейства Qwen2, разработанная проектом Sailor для работы с языками Юго-Восточной Азии. Это дообученная версия Qwen/Qwen1.5-4B с 3,6 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате Safetensors. Модель предназначена для генерации текста и диалогового взаимодействия на индонезийском, тайском, вьетнамском, малайском и лаосском языках. Модель подходит для ответов на вопросы, рассуждений здравого смысла и других текстовых задач на языках региона. В README также описано семейство Sailor-Chat, отдельно дообученное для следования инструкциям; Sailor-4B в карточке обозначена как базовая модель, поэтому не следует считать её специализированной чат-версией. Лицензия — Apache-2.0.

Sunflower-Qwen3.8-27B — открытая модель Sunbird AI на базе Qwen3.8-27B, дообученная для 68 африканских языков, с наиболее глубокой поддержкой 31 языка Уганды. Она предназначена прежде всего для перевода между английским и африканскими языками, а также для понимания текста, ответов на вопросы и рассуждений. Модель поддерживает диалоговый формат Qwen3.8; при включённом режиме thinking сама решает, когда применять рассуждение. Для массового перевода thinking можно отключить, чтобы ускорить генерацию без потери качества перевода. По результатам оценок авторов, модель показывает сильные результаты на переводческих наборах, включая FLORES-200 и SAHARA, и особенно эффективна при переводе на языки Уганды. Качество заметно различается между языками в зависимости от объёма обучающих данных: для языков базового уровня авторы рекомендуют проверять результат с носителем. Перевод оптимизирован сильнее, чем общий чат и рассуждения; как и другие большие языковые модели, Sunflower может уверенно выдавать неверную информацию. Модель распространяется по лицензии Apache-2.0.

Mollel разработал Swahili Gemma — дообученную разговорную языковую модель семейства Gemma для генерации текста. Модель содержит 8,2 млрд параметров, использует архитектуру GemmaForCausalLM и рассчитана на контекст до 8192 токенов. В карточке указана поддержка английского языка; название и примеры применения ориентируют модель на работу со суахили, но README не приводит отдельного списка поддерживаемых языков. Модель можно применять для диалоговых ответов, создания обучающих наборов и ответов по документам в RAG-сценариях. README описывает загрузку через Hugging Face и LlamaIndex. Лицензия — Apache 2.0. Качество и ограничения для отдельных задач в карточке не оценены.

T3Q-LLM/T3Q-LLM3-NC-v1.0 — разговорная текстовая модель семейства Llama, размещённая в формате Transformers и представленная в виде плотной причинной языковой модели объёмом 7,5 млрд параметров. Карточка не называет разработчика и не раскрывает сведения о дообучении, поэтому происхождение модели установить нельзя. Для работы указано контекстное окно 8192 токена. Модель предназначена для генерации текста в диалоговом формате. В карточке приведены результаты оценки на корейских наборах KoBEST BoolQ и COPA, однако описания назначения суффикса NC, обучающих данных и подробных сценариев применения нет. Репозиторий содержит веса Safetensors для библиотеки Transformers; лицензия — Apache 2.0.

Tower-7B-Sep_2c1t — модель Unbabel TowerInstruct-Mistral-7B-v0.2, дообученная SardineLab полным супервизируемым fine-tuning для многоязычного машинного перевода на уровне фрагментов документов. При переводе текущего фрагмента модель принимает два предшествующих фрагмента исходного текста в отдельных секциях контекста, чтобы учитывать связность документа. Обучение проводилось на примерах sardinelab/DocBlocks с разбиением на фрагменты фиксированного диапазона 256–512 токенов. Модель построена на плотной архитектуре Mistral с 7,1 млрд параметров; максимальная длина контекста — 32 768 токенов. Она переводит между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским и китайским в обоих направлениях. Для наилучшего соответствия обучению следует передавать два предыдущих фрагмента отдельно и использовать полные английские названия языков в промпте. Модель предназначена для последовательного перевода документов с учетом контекста между фрагментами. Это генеративная модель, поэтому качество перевода и соблюдение границ фрагментов могут зависеть от промпта и входных данных. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на аналогичных условиях, но некоммерческое.

Tower-7B-Stair_FS4 — модель Unbabel/TowerInstruct-Mistral-7B-v0.2, дообученная SardineLab полным обновлением параметров для многоязычного машинного перевода фрагментов документов. Она переводит между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским или китайским языком в обоих направлениях. Вариант Stair_FS4 обучен на четырёх последовательных фрагментах документа: для каждого следующего фрагмента можно передать до трёх предыдущих частей исходного текста, чтобы учитывать контекст документа. При подготовке данных использовалось разбиение на фрагменты длиной 256–512 токенов; максимальная длина последовательности модели — 32 768 токенов. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров. Она предназначена для сценариев, где нужно переводить документы частями с учётом предыдущего контекста; точное разбиение документа и формат промптов важны для соответствия обучению. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий лицензии.

WindyTranslate/translate-en-ro — модель машинного перевода, опубликованная Windstorm Labs для перевода текста с английского на румынский. Это дообученная версия Helsinki-NLP/opus-mt-en-ro: LoRA-дообучение на параллельных корпусах объединено с базовыми весами. Модель использует архитектуру Marian, содержит 55,7 млн параметров и доступна в формате safetensors для Transformers; длина контекста — 512 токенов. Модель предназначена для перевода с английского на румынский. В карточке приведена скрининговая оценка на 48 предложениях FLORES-200 dev: chrF++ 59,45 и BLEU 36,20; это не результат публикационного исследования. Поддерживается только одно направление перевода. Лицензия — Apache-2.0.

Это англоязычная модель RoBERTa-base для классификации тональности публикаций в Twitter на отрицательную, нейтральную и положительную. Репозиторий содержит версию весов исходной модели Cardiff NLP `cardiffnlp/twitter-roberta-base-sentiment-latest`, преобразованную в формат safetensors; архитектура и поведение модели не менялись, переобучения не было. Модель подходит для определения тональности англоязычных твитов и анализа настроений в коротких сообщениях. Она построена на архитектуре RoBERTa для классификации последовательностей, содержит около 151,8 млн параметров и принимает текст с контекстом до 514 токенов. Обучение исходной модели связано с набором TweetEval и примерно 124 млн твитов за 2018–2021 годы. Лицензия репозитория — CC BY 4.0. Модель ориентирована на англоязычные публикации в Twitter; результаты на других языках и типах текста могут быть менее надёжными. Преобразование в safetensors само по себе не меняет точность или область применения исходной модели.

Vicuna 13B Cocktail — экспериментальная доработанная версия Vicuna 1.1 от автора репозитория reeducator. Модель построена на плотной архитектуре Llama и содержит 12,9 млрд параметров; она предназначена для генерации текста в диалоговом формате, ответов на вопросы, творческого письма, ролевых игр и сторителлинга. В README описана цель усилить творческие способности Vicuna и уменьшить цензурирование. Для обучения использовались наборы ShareGPT, GPTeacher и другие датасеты Vicuna; модель обучена на формате диалога USER/ASSOCIATE. Модель ориентирована на английский язык, а её контекст составляет 2048 токенов. В метаданных указаны форматы PyTorch и Safetensors; в README также приведены варианты квантования для llama.cpp и GPTQ, однако карточка не описывает их как форматы текущих файлов модели. Модель может генерировать ответы на чувствительные и спорные темы, поэтому для пользовательских приложений может потребоваться отдельная проверка содержания. Условия лицензирования в предоставленных данных не указаны.

Epiculous/Violet_Twilight-v0.2-GGUF — языковая модель для генерации текста, разработанная Epiculous. Это объединённая модель, полученная методом SLERP merge из Azure_Dusk-v0.2 и Crimson_Dawn-v0.2; исходная конфигурация использует 40 слоёв, тип данных bfloat16 и базовую модель Azure_Dusk-v0.2. Модель предназначена прежде всего для диалоговых сценариев, ролевого взаимодействия и творческой генерации текста. Она обучена с использованием шаблона ChatML, поэтому для корректного общения рекомендуется применять соответствующий Context and Instruct template. В README заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Доступна в формате GGUF, а также существуют варианты в форматах полной модели и EXL2. К сильным сторонам относятся ориентация на ролевые и художественные сценарии, многоязычность и наличие нескольких рекомендованных настроек сэмплирования. Точные размер модели, максимальная длина контекста, используемая архитектура и результаты оценивания в README не указаны. Модель распространяется по лицензии Apache-2.0.

AIFT-Yi-Ko-6B-v1.11 — языковая модель для генерации текста, созданная на основе beomi/Yi-Ko-6B. Модель имеет плотную архитектуру семейства LLaMA с 5,9 млрд параметров и контекстом 2048 токенов; веса опубликованы в формате safetensors. Модель прошла полное дообучение в течение трёх эпох на примерно 48 тысячах примеров собственного набора данных в стиле Open Orca, после удаления дубликатов и настройки распределения данных. Она предназначена для генерации текста и может применяться к корейским языковым задачам; README приводит результаты оценки на KoBEST BoolQ, COPA, HellaSwag и PAWS-X. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование. Приведённые результаты относятся к оценке с 5 примерами и сами по себе не подтверждают качество на других задачах или в производственных сценариях.

AISAK-TVI — мультимодальная модель общего назначения от команды AISAK, созданная на архитектуре Bunny-Llama и интегрированная с AISAK-Assistant. Она принимает текст и изображения и формирует текстовые ответы; заявленный размер — 7,5 млрд параметров, контекст — до 8192 токенов. Модель предназначена для описания изображений, формулирования ответов, творческого письма и автоматизации создания контента. В карточке заявлена поддержка мультимодального понимания, однако независимые показатели качества не приведены, а развертывание описано как часть будущей полной системы AISAK. Возможны предвзятость и снижение качества на узкоспециализированных или выходящих за область обучения запросах; важные результаты следует проверять. Условия лицензии обозначены как other, а README утверждает, что копирование и распространение требуют предварительного письменного разрешения правообладателя.

Arbor-8B — объединённая методом Karcher merge языковая модель от автора pinkachu, собранная из дообученных моделей Llama 3.1. Она предназначена для диалогов и ролевых сценариев. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров; принимает текст и генерирует текст. Заявленная длина контекста — 131 072 токена. В репозитории представлены веса Safetensors. Среди исходных моделей есть варианты для ролевого общения, чата, рассуждений и следования инструкциям. Карточка не сообщает о специальной языковой специализации. Лицензия в предоставленных данных не приведена.

Модель создана с помощью AutoTrain и дообучена на базе neuralmind/bert-base-portuguese-cased для классификации текстов. Она использует архитектуру BERT для классификации последовательностей, содержит 136,1 млн параметров и принимает текст длиной до 512 токенов. Карточка приводит метрики на валидации: accuracy 0,689 и macro F1 0,693; без сведений о классах и домене нельзя определить более конкретное назначение.

MMG/bert-base-spanish-wwm-cased-finetuned-sqac — модель BERT, дообученная на наборе SQAC для ответов на вопросы по текстовому контексту. Она принимает вопрос и связанный с ним фрагмент текста на испанском языке и извлекает из контекста ответ. Модель содержит 137,1 млн параметров, использует архитектуру BertForQuestionAnswering и поддерживает контекст длиной до 512 токенов. На оценочной выборке SQAC модель показала exact match 62,02 и F1 79,45. Она подходит для поиска ответов в испанских текстах, если вопрос и нужная информация помещаются в контекст. Лицензия в предоставленных данных не указана.

Canarim-7B-Instruct-i1-GGUF — квантизированная версия инструкционной языковой модели Canarim-7B-Instruct, разработанной dominguesm и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена для генерации и обработки текста, прежде всего на португальском языке; в метаданных также указана связь с экосистемой Llama 2. Обучение связано с набором данных CC-MAIN-2023-23. Модель имеет около 7 миллиардов параметров и представлена в виде набора вариантов квантизации i1, включая IQ1–IQ4, Q4, Q5 и Q6. Размер файлов варьируется примерно от 1,6 до 5,6 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Версии с более низкой точностью занимают меньше места, но могут заметно уступать по качеству; в README рекомендуются отдельные варианты Q4_K_M и Q4_K_S как сбалансированные по размеру, скорости и качеству. Формат GGUF удобен для локального запуска совместимыми инструментами, однако конкретные требования к аппаратному обеспечению и максимальная длина контекста в README не указаны. Модель ориентирована на португалоязычные сценарии, но подробные результаты тестирования, перечень поддерживаемых модальностей и ограничения качества не приведены. Указанная лицензия — llama2.

Cydonia-v1.25-22B — слитая языковая модель, созданная автором репозитория на основе TheDrummer/Cydonia-22B-v1.2 и TheDrummer/Cydonia-22B-v1.3. Модели объединены методом SLERP с помощью mergekit; в конфигурации указана точность bfloat16. Репозиторий содержит 22-миллиардную плотную модель архитектуры Mistral в формате safetensors с контекстом до 32 768 токенов. Модель предназначена для генерации текста и разговорного взаимодействия; базовое семейство Cydonia ориентировано на творческое письмо, ролевые диалоги и развитие повествовательных сцен. В метаданных также отмечен интерфейс вызова инструментов. Поддерживаемый язык по карточке — английский. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория и лицензиями исходных моделей.

Dhee-NxtGen-Qwen3-Odia-v2 — языковая модель компании DheeYantra, разработанная совместно с NxtGen Cloud Technologies Pvt. Ltd. Это плотная авторегрессионная модель на архитектуре Qwen3 объёмом 1,7 млрд параметров с контекстом до 40 960 токенов. Модель дообучена для диалогов в стиле ассистента, рассуждений и вызова функций; работает с Transformers и оптимизирована для высокопроизводительного запуска через vLLM. Модель предназначена прежде всего для понимания и генерации текста на языке одия: она подходит для чат-ботов, ассистентов, диалоговых систем, создания историй, суммаризации и структурированных ответов. Условия лицензии Apache-2.0 позволяют использовать её на соответствующих условиях этой лицензии. Модель ориентирована главным образом на одия. Ответы могут быть неточными или предвзятыми, а качество — снижаться на темах вне обучающего распределения и при смешении языков; на других языках беглость может быть ниже. Для высокопроизводительного запуска через vLLM README указывает требования к GPU с compute capability не ниже 8.0, PyTorch 2.1+ и CUDA; на V100 GPU-инференс vLLM не поддерживается.

EMOVA-Qwen-2.5-7B — мультимодальная разговорная модель, разработанная командой EMOVA. Чекпойнт объединяет базовую модель Qwen2.5-7B-Instruct с компонентом Qwen2-VL и предназначен для диалога по текстовым, визуальным и речевым входам с текстовыми и речевыми ответами. Архитектура — плотная авторегрессионная модель на 7,1 млрд параметров; нативный контекст — 32 768 токенов. Модель рассчитана на мультимодальное понимание, ответы на вопросы об изображениях, разговоры с речевым вводом и генерацию речи с управлением стилем и эмоциями. Для китайского и английского заявлены 24 варианта речевого стиля, включая выбор голоса, высоты тона и эмоции. В карточке также заявлена поддержка чата и интерфейса вызова инструментов. Для работы с чекпойнтом требуется кодовая база EMOVA; репозиторий содержит веса в safetensors и предназначен для использования в исходном формате EMOVA. Лицензия — Apache-2.0. Метаданные указывают text-generation как pipeline_tag, поэтому другие мультимодальные задачи здесь описаны как возможности модели, а не как подтверждённые отдельные pipeline-теги.

flammen23-mistral-7B — языковая модель на архитектуре Mistral с 7,1 млрд параметров, разработанная FlammenAI. Модель создана слиянием предварительно обученных моделей и последующим дообучением методом Direct Preference Optimization на датасете nbeerbower/bible-dpo; в метаданных базовой моделью указана flammenai/flammen22X-mistral-7B. Модель предназначена для ролевых диалогов с персонажами, творческого письма и задач общего назначения. Она принимает текст и генерирует текст, работает через Transformers, а заявленная длина контекста составляет 32 768 токенов. Модель распространяется под лицензией Apache-2.0. Карточка не приводит подробных результатов оценки качества; специализация на ролевой игре и творческом письме заявлена разработчиком.

Модель 云碩科技 (xCloudinfo), дообученная для диалогов на тайваньском традиционном китайском языке. В основе — мультимодальная Google Gemma 4 26B A4B IT: архитектура Gemma4 с 26 млрд общих и примерно 4 млрд активных параметров, текстом и зрением. Для настройки применили bf16 LoRA SFT на 27 955 очищенных примерах self-instruct, дистиллированных из TAIDE; адаптер объединили с полной моделью. Настройка затронула языковую модель, а исходный модуль зрения сохранили. Модель принимает текст и изображения и отвечает текстом. Она предназначена для диалогов на тайваньском традиционном китайском, в том числе с вопросами по изображениям. README сообщает об успешной проверке распознавания изображений. Для загрузки указаны AutoModelForImageTextToText и vLLM; репозиторий содержит safetensors. Длина контекста в доступных данных не приведена. Основа указана под лицензией Apache-2.0 и также подпадает под лицензию Google Gemma 4 с политикой запрещённого использования. Для производной от TAIDE необходимо соблюдать условия лицензии TAIDE и сохранять уведомление о происхождении; README также запрещает военное и незаконное применение и выдавать модель за представителя TAIDE или NARLabs. Условия TAIDE ограничивают использование и распространение производной модели.

Gemma-4-E4B-Hindi-Instruct-GGUF — это дообученная на инструкциях хинди-версия Gemma 4 E4B, подготовленная в формате GGUF разработчиком pankajpandey-dev. Модель создана для локального запуска на CPU, GPU и edge-устройствах без API и облачных сервисов, в частности через llama.cpp, LM Studio и llama-cpp-python. Она предназначена для диалогов, ответов на инструкции и генерации текста на хинди, а также поддерживает английский язык. Модель является текстовой и не поддерживает обработку изображений. Дообучение выполнено методом LoRA на примерно 10 тысячах пар инструкций на хинди из AI4Bharat indic-instruct-data-v0.1. Архитектурной основой служит unsloth/gemma-4-E4B-it. Вариант E4B работает со скоростью, сопоставимой с моделями около 4B, но содержит около 8B общих параметров; доступны квантизации Q4_K_M, Q5_K_M и Q8_0 размером примерно от 5,3 до 8 ГБ. Максимальный заявленный контекст — 128K токенов. Сильные стороны модели — более стабильная генерация на хинди с использованием деванагари, точное соблюдение ограничений запроса и краткие ответы. По сравнению с базовой Gemma 4 E4B она может уступать в подробности и широте общих знаний, поэтому не является универсально более интеллектуальной моделью. Для запуска требуется рабочая память, соответствующая выбранной квантизации; Q4_K_M рассчитана примерно на устройства с 8 ГБ памяти. В README указана лицензия Gemma.