I.14Автоматизация процессов и AI-агенты

mohammadalihumayun/trocr-ur-v2 — дообученная модель распознавания текста на изображениях на урду. Она использует архитектуру vision-encoder-decoder и предназначена для OCR: на вход принимает изображение с текстом, на выходе генерирует его текстовую расшифровку. В метаданных указаны библиотека Transformers и формат весов safetensors. На тестовом наборе в README приведены значения loss 2,2939 и CER 0,2622; набор данных не описан. Модель может применяться для распознавания урду в изображениях и сканах, однако карточка не раскрывает ограничения по качеству, условиям съёмки или способам использования. Сведения о лицензии отсутствуют в предоставленных данных.

Модель Cardiff NLP — дообученная версия cardiffnlp/twitter-roberta-base-dec2021 на наборе tweet_topic_single для классификации тем отдельных твитов. Она использует архитектуру RoBERTa с 151,8 млн параметров и принимает текст с контекстом до 514 токенов. В README приведены результаты на тестовой выборке test_2021: micro-F1 и accuracy около 0,895, macro-F1 около 0,801. Модель подходит для автоматической тематической разметки сообщений в Twitter и анализа их содержания. Лицензия в предоставленных данных не указана.

Uzbek NER XLM-RoBERTa — модель распознавания именованных сущностей в узбекских текстах, созданная dashakoryakovskaya на основе дообучения FacebookAI/xlm-roberta-large. Она размечает токены по схеме BIO и выделяет организации (ORG), имена (NAME) и географические названия (GEO); предсказания для перекрывающихся окон объединяются по символьным смещениям. Модель построена на архитектуре XLM-RoBERTa large, содержит 658,7 млн параметров и обрабатывает до 514 токенов контекста; для длинных документов используются окна длиной до 512 токенов с шагом 128. Модель рассчитана на узбекские тексты; базовая XLM-RoBERTa мультиязычна, однако карточка не подтверждает качество разметки для других языков. Лицензия в предоставленных данных не указана.

VEJI-V2 — компактная модель типизированного выбора кандидата и принятия структурированных решений, опубликованная racore. Это не генеративная языковая модель: она получает контекст, вопрос или инструкцию и список вариантов, совместно оценивает варианты и возвращает лучший ответ, вероятности, оценку уверенности и фрагменты контекста, использованные для решения. Модель использует замороженный многоязычный энкодер paraphrase-multilingual-MiniLM-L12-v2, маршрутизацию свидетельств, рекуррентное уточнение с GRUCell и признаки точного совпадения, чисел, отрицаний и токенов кода. Обучаемая часть содержит около 3,28 млн параметров без учёта энкодера. Модель предназначена для классификации, маршрутизации запросов, извлечения ответа из заданных вариантов, проверок политик, семантического сопоставления, анализа кода и многошаговых вопросов по контексту. В README заявлена обработка контекста до 250 000 символов с повторным использованием закодированного состояния; тестовая точность составила 82,95% на выборке из 522 вопросов. Указаны английский и арабский языки, формат PyTorch и лицензия MIT. Ответ ограничен предоставленными вариантами, поэтому качество зависит от их полноты и формулировок. Оценка основана на небольшой выборке; в ней слабы ранжирование, планирование, временной порядок, некоторые числовые проверки и предсказание точного вывода кода. Начальная компиляция длинного контекста может быть затратной, а полный тест на длинном контексте не завершился.

Это модель CLIP семейства ViT-B/32, опубликованная в репозитории timm и обученная на наборе LAION-400M. Она совместима с open_clip и timm; вариант в OpenCLIP называется ViT-B-32-quickgelu. Модель сопоставляет изображения и текст в общем пространстве признаков, поэтому подходит для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов. Модель можно применять для поиска изображений по тексту и первичной категоризации изображений с помощью заранее заданных текстовых меток. Она принимает изображения и текстовые описания и выдаёт оценки соответствия между ними. Репозиторий содержит веса PyTorch и Safetensors; лицензия — MIT. Карточка не сообщает размер модели, длину контекста или список поддерживаемых языков.

Это визуальный энкодер из семейства CLIP, обученный на датасете MetaCLIP-400M и опубликованный в формате, совместимом с open_clip и timm. В open_clip модель называется ViT-L-14-quickgelu, а в timm — vit_large_patch14_clip_224.metaclip_400m. Архитектура объединяет визуальную часть на основе Vision Transformer с текстовым энкодером CLIP и предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: модель сопоставляет изображение с предложенными вариантами текста. Подходит для прототипирования классификаторов с произвольными текстовыми метками, поиска изображений по описанию и оценки соответствия изображения подписи. Репозиторий содержит веса PyTorch в формате safetensors и поддерживает работу через open_clip и timm. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерческое.

VTXAI/vtx-embed-7M — компактная модель эмбеддингов, разработанная Vortexa и используемая в поисковой системе по исходному коду vortexa. Она преобразует текстовые фрагменты в плотные векторы для семантического поиска и извлечения данных; заявленные сценарии включают индексирование кода и поиск по нему для разработчиков и ИИ-агентов. Модель содержит 7,56 млн параметров, использует архитектуру VortexEmbedV3 и формат хранения LF4 с 4-битной квантизацией. В README заявлены размер 4,72 МБ в памяти, субмиллисекундная задержка на CPU и поддержка Matryoshka-размерностей эмбеддингов. Опубликованные в карточке результаты показывают меньшие значения на приведённых тестах STSBenchmark, SICK-R и Banking77Classification, чем у сравниваемых MiniLM-L6-v2 и bge-small-en-v1.5, поэтому качество может уступать более крупным моделям. В метаданных указан английский язык и лицензия MIT; заявленная специализация README — поиск по коду.

Xenova/wav2vec2-base-960h — веб-совместимая версия модели facebook/wav2vec2-base-960h, подготовленная сообществом Xenova. Модель содержит веса в формате ONNX и предназначена для запуска через библиотеку Transformers.js, включая выполнение в JavaScript-средах. Основной сценарий использования — автоматическое распознавание речи и преобразование аудиозаписей в текст. В README приведён пример транскрибации аудиофайла с помощью pipeline automatic-speech-recognition. Модель основана на архитектуре Wav2Vec2; точный размер, поддерживаемые языки, максимальная длина контекста и перечень модальностей в представленном описании не указаны. Пример вывода содержит английскую речь, однако официальные языковые ограничения README не уточняет. Ключевое преимущество модели — возможность использовать ONNX-веса в Transformers.js и интегрировать распознавание речи в JavaScript-приложения. Ограничения включают зависимость от совместимой среды выполнения и отсутствие в README подробных сведений о качестве, производительности, требованиях к ресурсам и поддерживаемых языках. Лицензия в предоставленных данных не указана.

Kkonjeong/wav2vec2-base-korean — модель распознавания корейской речи, разработанная Чонхёном Парком и Джеёном Кимом. Это дообученная версия facebook/wav2vec2-base с архитектурой Wav2Vec2ForCTC, содержащая 113,3 млн параметров. Модель обучена на Zeroth-Korean и преобразует аудиозаписи корейской речи в текст, используя для распознавания корейские джамо.

Wav2Vec2-Large-XLSR-53-Romanian — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на румынском языке с использованием Common Voice. Она принимает аудиозапись речи с частотой дискретизации 16 кГц и преобразует её в текст; модель можно применять напрямую, без отдельной языковой модели. Архитектура — Wav2Vec2ForCTC, число параметров — 402,7 млн. В карточке приведён результат оценки 28,43% на тестовой части Common Voice, но метрика не уточнена. Модель распространяется под лицензией Apache-2.0; доступны веса в форматах PyTorch и Flax.

facebook/wav2vec2-large-xlsr-53-spanish — модель распознавания испанской речи, опубликованная Facebook. Она основана на архитектуре Wav2Vec2 и имеет около 402,7 млн параметров. Модель принимает аудио и выдаёт текстовую транскрипцию; в карточке указана оценка 17,6% на тестовой части Common Voice для испанского языка. Модель предназначена для автоматической транскрипции испанской речи, например записей и голосовых сообщений. Доступны веса в форматах PyTorch и Flax. Лицензия — Apache 2.0. README сообщает результат оценки, но не уточняет, какой именно метрикой он измерен.

UrukHan/wav2vec2-ru — акустическая модель распознавания речи на базе архитектуры wav2vec2 с декодирующей головой CTC. Она содержит 402,7 млн параметров и предназначена для преобразования аудиоречи в текст. В README указано, что модель обучалась с нуля; набор данных не назван. Для оценки приведены loss 0,5468 и WER 0,4124. Модель подходит для автоматической расшифровки аудиозаписей. Суффикс «ru» указывает на ориентацию на русский язык, однако README и метаданные не подтверждают поддерживаемые языки. Репозиторий содержит веса PyTorch; лицензия и сведения о контексте применения не приведены.

Akaash1/wav2vec-khmer-english-medium — модель распознавания речи на базе Wav2Vec2, дообученная на facebook/wav2vec2-xls-r-300m на данных OpenSLR и S4E16_Podcast. Она принимает аудио и преобразует речь в текст; в карточке указано значение WER 0,2868 на оценочном наборе. Модель содержит 402,8 млн параметров и использует архитектуру Wav2Vec2ForCTC. Модель подходит для распознавания речи на кхмерском и английском языках, в том числе в подкастах. Распознавание основано на CTC. Распространяется по лицензии Apache-2.0.

Это версия Whisper Large v3 Turbo, дообученная для распознавания немецкой речи. Модель разработана на основе primeline/whisper-large-v3-german; автор карточки — Florian Zimmermeister. Репозиторий содержит конверсию CTranslate2 для использования в совместимых системах, например faster-whisper. В метаданных указана библиотека Transformers, а README описывает формат CTranslate2. Модель преобразует немецкую речь в текст и подходит для транскрибации, создания субтитров, голосового управления, голосового поиска и диктовки. В README для варианта Turbo указано 809 млн параметров. Приведены оценки WER на немецких наборах данных: модель показывает результаты, близкие к базовой дообученной модели, но уступает ей на некоторых тестах. Лицензия — Apache-2.0.

nlp-mg/whisper-mg — дообученная модель распознавания речи на базе openai/whisper-small, опубликованная под лицензией Apache-2.0. Она предназначена для преобразования аудио в текст; в README приведены результаты оценки: loss 0.1375 и WER 7.0732. Модель использует архитектуру WhisperForConditionalGeneration и содержит 153,1 млн параметров. Метаданные указывают поддержку аудиовхода. README не сообщает, на каких языках и данных проводилось дообучение, поэтому нельзя уточнить специализацию модели или качество распознавания для конкретного языка. Прикладные ограничения сверх этих сведений не описаны.

Whisper-NER — модель семейства Whisper, представленная авторами работы «WhisperNER: Unified Open Named Entity and Speech Recognition». Она совместно преобразует речь в текст и распознаёт в нём именованные сущности открытого типа, то есть может выделять разные типы сущностей, заданные во время использования. Модель предназначена как базовая для последующей настройки под конкретные наборы данных и сценарии распознавания речи с извлечением сущностей. Модель содержит около 905,2 млн параметров, принимает аудио и выдаёт транскрипцию с распознанными сущностями. В метаданных указан английский язык, а лицензия репозитория — MIT. Карточка не приводит метрики качества и подробностей о поддерживаемых аудиоформатах; для повышения качества на прикладных данных авторы рекомендуют дообучение.

mlx-community/whisper-small-4bit — версия Whisper Small, подготовленная mlx-community для запуска в формате MLX и с 4-битным представлением весов. Репозиторий создан конвертацией openai/whisper-small с помощью mlx-audio-plus версии 0.1.4; модель предназначена для распознавания речи и транскрибирования аудио. Whisper Small — мультиязычная модель OpenAI, способная также переводить аудио на английский язык. Модель принимает аудио и выдаёт текст. Она распространяется по лицензии Apache-2.0 и рассчитана на запуск через библиотеку mlx-audio-plus. Доступные сведения не описывают точность на конкретных языках или типах записей; результат может зависеть от качества аудио и условий записи.

whisper-small-alif — дообученная на датасете audiofolder модель распознавания речи на основе openai/whisper-small. Она предназначена для преобразования аудио в текст; карточка сообщает о результате WER 0,0 на оценочном наборе, но не описывает его состав, поэтому этот показатель нельзя переносить на другие данные. Модель построена на архитектуре WhisperForConditionalGeneration и распространяется в формате safetensors через библиотеку Transformers. Базовая Whisper поддерживает несколько языков и перевод аудио на английский, однако карточка этой версии не уточняет языки и сценарии дообучения. Модель распространяется по лицензии Apache-2.0. Состав обучающих данных и ограничения применения в карточке подробно не раскрыты.

Moritz Laurer дообучил мультиязычную модель XLM-V-base от Meta AI для вывода по естественному языку (NLI) и классификации без заранее заданных обучающих примеров. Модель сопоставляет premise и hypothesis, а в zero-shot-сценарии оценивает, насколько текст соответствует каждому из предложенных пользователем классов. Она основана на архитектуре XLM-RoBERTa и содержит около 805,7 млн параметров; словарь XLM-V включает 1 млн токенов. Контекст — до 514 токенов. Модель заявлена для 116 языков благодаря предварительному обучению на CC100 и переносит NLI между языками. Она дообучена на английском MNLI и профессионально переведённых данных XNLI для 15 языков. Средняя точность в приведённой оценке XNLI составляет 0,78; на других языках качество может быть ниже, а длинный текст ограничен окном контекста. Лицензия — MIT.

Модель anton-l/xtreme_s_xlsr_300m_mls — дообученная на датасете GOOGLE/XTREME_S - MLS версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи. Она принимает аудио и преобразует речь в текст; архитектура основана на Wav2Vec2ForCTC, а число параметров составляет около 402,7 млн. В README приведены результаты на оценочной выборке: WER 0,3033 и CER 0,0951. Модель предназначена для сценариев распознавания речи, где требуется получить текстовую транскрипцию аудио. Язык или языки распознавания и длина контекста в доступных сведениях не уточнены. Модель распространяется по лицензии Apache-2.0.

Карточка модели LoyalTyAI/ygngyotal.1 на Hugging Face совпадает с карточкой dphn/Dolphin-Mistral-24B-Venice-Edition, поэтому описание составлено по ней. Dolphin Mistral 24B Venice Edition — разговорная модель общего назначения, созданная в совместном проекте Dolphin и Venice.ai на основе Mistral-Small-24B-Instruct-2501. Это плотная модель семейства Mistral 3 с 24 млрд параметров, представленная в формате safetensors и рассчитанная на работу через Transformers; для развёртывания авторы рекомендуют vLLM. Модель предназначена для диалогов и выполнения инструкций в приложениях, где владелец задаёт системный промпт и самостоятельно определяет стиль и правила ответов. Авторы позиционируют её как менее ограниченную настройками поведения, чем обычные коммерческие чат-модели, и сообщают, что она используется как модель Venice Uncensored. В карточке указан стандартный шаблон чата Mistral; авторы рекомендуют низкую температуру генерации, например 0,15. Модель принимает текст и генерирует текст. README не сообщает поддерживаемые естественные языки и длину контекста. Репозиторий распространяется по лицензии Apache-2.0. Модель ориентирована на управляемое поведение, однако её следование инструкциям зависит от системного промпта и параметров генерации; заявленная сниженная цензура означает, что ответы могут включать потенциально вредный или неподходящий контент.

2026-05-leash-t2k-q3-1p7 — контрольная точка языковой модели в стандартном формате Hugging Face, доступная через AutoModelForCausalLM. По метаданным это плотная авторегрессионная модель семейства Qwen3 с 1,7 млрд параметров и контекстом до 40 960 токенов. Поддерживает генерацию текста и диалоговый режим; в метаданных также отмечен интерфейс вызова инструментов. Модель может использоваться для генерации продолжений текста и ведения диалога. README характеризует её как резервную копию исследовательского артефакта, но не описывает специальные сценарии или результаты оценки качества. Репозиторий содержит веса safetensors. Условия лицензии в предоставленных данных не приведены.

Это исследовательский контрольный чекпойнт языковой модели семейства Qwen3, опубликованный пользователем yuq-zhou в стандартном формате Hugging Face для загрузки через Transformers. Модель с плотной архитектурой Qwen3ForCausalLM содержит 1,7 млрд параметров и рассчитана на генерацию текста, включая диалоговые сценарии и интерфейс вызова инструментов. Длина контекста составляет 40 960 токенов. Карточка не описывает обучение, специализированные области или качество модели; название содержит пометку exp, а README называет репозиторий резервной копией исследовательского артефакта. Веса доступны в формате safetensors. Сведения о лицензии и языках в предоставленных данных отсутствуют.

Palak/albert-base-v2_squad — модель ALBERT дообученная разработчиком Palak на albert-base-v2 для ответов на вопросы по контексту. Она предназначена для сценариев извлечения ответа из текста, например для поиска ответа в документе или фрагменте статьи. Модель содержит 136,3 млн параметров, использует архитектуру AlbertForQuestionAnswering и принимает контекст длиной до 512 токенов. Веса представлены в формате PyTorch; лицензия — Apache-2.0. На наборе SQuAD v1 модель показала exact match 82,7 и F1 90,1 по оценке в карточке. Эти результаты относятся к тестированию на SQuAD и не гарантируют аналогичное качество на других языках, предметных областях или форматах контекста.

AltCLIP-m18 — мультиязычная модель сопоставления изображений и текста, разработанная командой FlagAI. Это CLIP-подобная архитектура AltCLIP: она кодирует изображения и текст в общее пространство признаков, что позволяет сравнивать их и классифицировать изображения по текстовым описаниям без отдельного обучения на целевых классах. В метаданных Hugging Face указан сценарий zero-shot-классификации изображений; в README также приведены результаты классификации и поиска по изображениям и текстам. Модель поддерживает 18 языков: английский, китайский, японский, тайский, корейский, хинди, украинский, арабский, турецкий, вьетнамский, польский, нидерландский, португальский, итальянский, испанский, немецкий, французский и русский. Разработчики также указывают, что модель может служить текстово-графической основой для AltDiffusion-m18. Код открыт на FlagAI, веса доступны через ModelHub; лицензия самих весов в предоставленной карточке не определена. Условия использования датасетов не следует трактовать как лицензию модели.

Карточка модели AzeerDev/arabic-reranker на Hugging Face совпадает с карточкой oddadmix/arabic-reranker, поэтому описание составлено по ней. oddadmix/arabic-reranker — арабоязычный реранкер, дообученный на базе Omartificial-Intelligence-Space/Arabic-Triplet-Matryoshka-V2, которая, согласно README, основана на aubmindlab/bert-base-arabertv02. Модель использует архитектуру BERT и оценивает релевантность пары «запрос — текст», чтобы переупорядочивать результаты поиска или варианты ответа. Модель предназначена для повторного ранжирования арабских документов и абзацев в информационном поиске, поисковых системах и сценариях вопросно-ответных систем с выбором среди кандидатов. Она обучалась на синтетических арабских триплетах, созданных с помощью LLM, и дополнительно настраивалась методом оценки. Размер модели — 162,4 млн параметров, максимальная длина входа — 512 токенов; в README приведён пример использования через sentence-transformers CrossEncoder. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

AraDPR — модель плотного поиска фрагментов текста на арабском языке для систем ответов на вопросы. Согласно карточке, она разработана на основе AraBERT и использует архитектуру dual-encoder: отдельные кодировщики представляют вопросы и фрагменты документов в виде векторов, чтобы находить семантически релевантные passages. В метаданных указаны архитектура BERT, 205,1 млн параметров, библиотека Transformers и контекст до 512 токенов. Модель предназначена для поиска релевантных фрагментов в корпусе документов перед формированием ответа; её также можно включать в конвейеры суммаризации и извлечения информации. Основной язык — арабский. Карточка предупреждает о возможных трудностях с диалектами и узкоспециализированными текстами. Лицензия — MIT.

flaglow/BAAI-bge-reranker-v2-m3-mlx-fp16 — MLX-совместимая версия модели BAAI/bge-reranker-v2-m3, разработанной Beijing Academy of Artificial Intelligence (BAAI) и подготовленной пользователем flaglow для локального запуска через MLX. Это не генеративная модель общего назначения, а многоязычный reranker для оценки релевантности пары «запрос—документ» и переупорядочивания результатов поиска, например в системах семантического поиска и Retrieval-Augmented Generation. На вход подаются запрос и текстовый фрагмент, на выходе — числовой score релевантности; при необходимости его можно преобразовать в значение от 0 до 1 с помощью sigmoid-функции. Модель содержит около 0,6 млрд параметров и основана на семействе BGE-M3 с архитектурой XLM-RoBERTa; исходная модель позиционируется как multilingual и поддерживает несколько языков, но точный перечень языков для этой производной версии в её карточке не указан. В примерах исходной модели используется ограничение длины входа 512 токенов. Репозиторий flaglow содержит MLX-представление в формате Safetensors; карточка указывает совместимость с MLX и размер около 2,27 ГБ, однако собственная документация производной версии отсутствует, поэтому детали конвертации и фактического числового формата следует проверять по файлам модели. Сильные стороны модели — многоязычное ранжирование, сравнительно небольшой размер и возможность эффективного локального запуска на совместимом оборудовании. Ограничения — модель предназначена для оценки релевантности, а не для самостоятельной генерации ответов; качество зависит от языка, домена и длины входных текстов. Для исходной BAAI/bge-reranker-v2-m3 указана лицензия Apache-2.0; отдельная лицензия производного репозитория flaglow в доступной карточке явно не описана.

CAMeL-Lab разработала CAMeLBERT-DA NER — модель распознавания именованных сущностей на основе BERT, дообученную на диалектном варианте CAMeLBERT-DA с использованием датасета ANERcorp. Она размечает арабский текст по токенам и предназначена для извлечения сущностей в приложениях на базе CAMeL Tools или Transformers. Модель содержит 136,3 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Доступны веса PyTorch и TensorFlow. Карточка указывает лицензию Apache-2.0. Модель рассчитана на арабский язык; качество разметки за пределами описанного сценария и датасета может отличаться.

BERTimbau-base-text-filter — модель классификации текста на основе BERT, дообученная для оценки качества фрагментов текста на португальском языке. Она обучена на наборе данных TucanoBR/GigaVerbo-Text-Filter; в README указаны три эпохи обучения и оптимизатор AdamW. Метаданные описывают архитектуру как BertForSequenceClassification и указывают 136,1 млн параметров, библиотеку Transformers и контекст до 512 токенов. Модель подходит для автоматической фильтрации и предварительной оценки качества португальских текстов в корпусах и потоках пользовательского контента. Она не предназначена для генерации или оценки текстов на других языках; README не раскрывает шкалу оценок, порог классификации и метрики качества. Лицензия репозитория — Apache-2.0.