I.14Автоматизация процессов и AI-агенты

Это неизменённая копия конвейера pyannote/speaker-diarization-community-1, размещённая StillScript. Модель предназначена для диаризации аудиозаписей: определения участков речи и разметки того, кто говорил в каждый момент, включая случаи смены говорящего и перекрывающейся речи. Веса конвейера и компонентов segmentation, embedding и plda побайтно совпадают с upstream-репозиторием. Модель работает с аудио и выдаёт временную разметку говорящих. Копия опубликована в формате PyTorch; её лицензия — CC BY 4.0. README не сообщает размер модели, длину контекста или языковую специализацию.

StrangeMerges_1-7B-slerp — объединённая модель для генерации текста, созданная с помощью LazyMergekit из FelixChao/WestSeverus-7B и mlabonne/Daredevil-7B методом SLERP. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для генерации продолжений и диалоговых ответов на текстовые запросы. В README приведена конфигурация слияния слоёв внимания и MLP; веса сохранены в формате Safetensors. Данные о лицензии и поддерживаемых языках в предоставленных источниках отсутствуют.

Strangemerges_32Neuralsirkrishna-7B — объединённая текстовая модель на архитектуре Mistral с 7,1 млрд параметров. Её создал Maxime Labonne автоматическим слиянием моделей; в конфигурации указаны StrangeMerges_32-7B-slerp и Kukedlc/NeuralSirKrishna-7b с методом dare_ties. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалогов. Она принимает текст и поддерживает контекст до 32 768 токенов. Указанная лицензия — Apache-2.0. Карточка не описывает целевые языки, специализированные области или результаты оценки качества.

Gille/StrangeMerges_56-7B-model_stock — объединённая модель семейства Mistral, созданная с помощью LazyMergekit из нескольких моделей на базе Mistral; метод слияния — model_stock, базовая модель конфигурации — snorkelai/Snorkel-Mistral-PairRM-DPO. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. В состав слияния входят модели, ориентированные в том числе на математику и диалог, однако README не приводит отдельных оценок качества или результатов тестирования. Файлы представлены в формате safetensors с точностью bfloat16. Лицензия в предоставленных данных не указана.

T3qm7xNeuralsirkrishna_YamExperiment26 — объединённая модель на архитектуре Mistral, созданная путём слияния automerger/T3qm7xNeuralsirkrishna-7B и automerger/YamExperiment26-7B. Она предназначена для генерации текста и диалоговых ответов; модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель может служить основой для приложений, которым нужна генерация текста с длинным контекстом. В README не описаны специальные преимущества или ограничения качества. Лицензия — Apache-2.0.

T5S — базовая модель семейства T5, разработанная для предварительного обучения на испаноязычных текстах. Это encoder-decoder Transformer архитектуры T5 Version 1.1 с двунаправленным энкодером и авторегрессионным декодером; модель содержит 123,8 млн параметров и доступна в форматах PyTorch и safetensors. Модель обучена на неразмеченных испаноязычных корпусах и предназначена для последующего дообучения в формате «текст в текст». После настройки её можно применять для суммаризации, перевода, классификации текста и ответов на вопросы. Лицензия — Apache-2.0.

TamilSBERT-STS — модель L3Cube-Pune для сравнения сходства предложений на тамильском языке. Она создана дообучением l3cube-pune/tamil-sentence-bert-nli на наборе данных STS и выпущена в рамках проекта MahaNLP. В основе лежит архитектура BERT; модель формирует плотные векторные представления предложений, пригодные для вычисления их семантической близости. Модель предназначена для оценки сходства пар тамильских предложений и поиска семантически близких текстов. Она содержит 264,8 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Для использования доступны веса PyTorch; README описывает применение через Sentence-Transformers или Transformers с pooling поверх контекстных представлений. Лицензия — CC BY 4.0. Карточка не приводит результатов оценки качества или подробностей о составе обучающего набора STS, поэтому точность на конкретных данных не установлена.

SzilviaB/Triple-Moist-Theia-21B-SKEWED — объединённая языковая модель на архитектуре Mistral, созданная методом TIES с помощью mergekit на основе mergekit-community/Moist_Theia_21B. Модель содержит 20,7 млрд параметров и предназначена для генерации текста и чат-диалогов. Модель принимает текст и выдаёт текст; каталог указывает поддержку чат-сценариев. В метаданных заявлена длина контекста 1 024 000 токенов. Карточка не приводит сведений о специализации по языкам или предметным областям. Веса опубликованы в формате Safetensors, библиотека — Transformers; лицензия в предоставленных данных не указана.

TyBert — предварительно обученная текстовая модель семейства BERT, выпущенная Trendyol для турецкого языка. Она предназначена для получения признаковых представлений текста и может служить основой для задач понимания языка, включая классификацию текстов и распознавание именованных сущностей. Модель содержит 137,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате Safetensors для Transformers. В метаданных основной задачей указано извлечение признаков; также поддерживается заполнение маскированных токенов. Лицензия Apache-2.0.

Typhoon2-qwen2vl-7b-vision-instruct — мультимодальная инструктивная модель компании Typhoon AI для работы с изображениями. Она дообучена на базе Qwen/Qwen2-VL-7B-Instruct и построена как плотная decoder-only модель с визуальным энкодером на архитектуре Qwen2; содержит 7,1 млрд параметров и использует библиотеку Transformers. Модель принимает текст и изображения и отвечает на вопросы о визуальном содержимом. Она оптимизирована для задач на основе изображений, включая OCR, анализ диаграмм и визуальные вопросы и ответы; README также сообщает о поддержке видеовхода базовым семейством, но выделяет изображения как основной сценарий этой модели. Основные языки — тайский и английский. Длина контекста — 32 768 токенов. В опубликованной оценке модель показывает результаты на OCRBench, MMBench и ChartQA; в частности, README приводит высокие результаты на ChartQA. Модель находится в разработке и может давать неточные, предвзятые или нежелательные ответы, поэтому результаты следует проверять. Лицензия — Apache-2.0.

UForm uform3-image-text-english-small — компактная мультимодальная модель от unum-cloud для кодирования изображений и английского текста в общее векторное пространство. Она предназначена для извлечения признаков, поиска изображений по текстовому запросу и сопоставления изображений с текстами. Лицензия Apache-2.0. Модель использует текстовый энкодер на основе BERT из 4 слоёв, принимающий до 64 токенов, и визуальный энкодер ViT-S/16 для изображений размером 224 × 224. Энкодеры совместно используют два слоя; выходные эмбеддинги имеют размерность до 256. Доступны веса в форматах PyTorch, ONNX и CoreML, включая предварительно квантованные варианты. В карточке приведены результаты zero-shot классификации ImageNet: точность Top-1 36,1%, Top-5 60,8%; для поиска текста по изображениям Recall@10 составляет 86% на Flickr и 64,5% на MS-COCO. Модель компактна и поддерживает совместное представление текста и изображений, но ограничена английским языком, коротким контекстом и входными изображениями 224 × 224; результаты на ImageNet указывают на скромную точность классификации по сравнению с крупными моделями.

UniME-Phi3.5-V-4.2B — мультимодальная модель для получения эмбеддингов по тексту и изображениям, основанная на Microsoft Phi-3.5-vision-instruct и дообученная командой DeepGlint-AI. Она предназначена для мультимодального поиска и оценки сходства: сопоставляет запросы с изображениями или текстами и помогает находить релевантные элементы в наборах данных. В карточке заявлен результат на верхней позиции таблицы MMEB для обучения с разрешением изображений 336×336. Модель использует архитектуру Phi-3 Vision с 3,7 млрд параметров, работает с текстом и изображениями и имеет контекст до 4096 токенов. При обучении донастраивался только языковой компонент; остальные параметры были заморожены. Для обучения использовались дистилляция текстовых представлений и настройка инструкций с подбором сложных негативных примеров. Лицензия — MIT. Карточка описывает метод обучения и результат на MMEB, но не приводит подробностей об использовании модели для извлечения эмбеддингов, форматах векторов или оценках релевантности. Поэтому заявленный результат не заменяет независимую проверку на целевых данных.

Модель skshmjn/unsloth_llama-3.2-3B-instruct-uncenssored — дообученная разговорная языковая модель семейства Llama 3.2, созданная skshmjn на базе unsloth/llama-3.2-3b-instruct-unsloth-bnb-4bit. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель содержит 3,2 млрд параметров, использует плотную архитектуру LlamaForCausalLM и рассчитана на генерацию текста и диалоговое взаимодействие; заявленная длина контекста — 131 072 токена. Модель подходит для генерации ответов в чате и других текстовых сценариев на английском языке. Репозиторий содержит веса PyTorch в формате safetensors; метаданные также отмечают интерфейс вызова инструментов. Доступна по лицензии Apache-2.0. README не приводит сведений о составе обучающих данных или оценке качества.

ClaudioItaly/Utopy — объединённая языковая модель на архитектуре Llama, созданная с помощью mergekit методом TIES на основе Undi95/Utopia-13B. В репозитории указана конфигурация с несколькими вариантами плотности и весов для одной базовой модели; итоговые веса представлены в формате float16, а метаданные указывают 12,9 млрд параметров и контекст до 4096 токенов. Модель предназначена для генерации текста, диалоговых ответов и следования инструкциям. Она принимает текст и выдаёт текст; основная область применения — задачи общего назначения. В карточке не приведены отдельные сведения о языках, поэтому языковую специализацию определить нельзя. Доступна по лицензии, унаследованной от базовой модели, однако сведения о конкретной лицензии в предоставленных данных отсутствуют.

Violet-Lyra-Gutenberg — языковая модель для генерации текста, собранная автором репозитория методом слияния нескольких моделей на базе Mistral-Nemo. Она содержит 12,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 131 072 токенов. Веса сохранены в формате safetensors. Модель предназначена для диалоговой генерации и продолжения текста; в карточке рекомендованы форматы промптов ChatML или MistralNemo. Слияние выполнено методом della_linear с объединённым токенизатором; в состав вошли Grey-12b, Violet_Twilight-v0.2, Lyra-Gutenberg-mistral-nemo-12B и mistral-nemo-gutenberg-12B-v4, с базой Mistral-Nemo-Base-2407. Автор оценивает результат как особенно удачный среди использованных им моделей Nemo. В README не приведены результаты независимых оценок качества или подтверждённый перечень языков. Лицензия в предоставленных данных не указана.

Это визуальный энкодер ViT-Base с патчами 16×16, обученный как часть CLIP на данных LAION-2B. Модель распространяется через timm; в репозитории находятся только веса image encoder, без текстового энкодера CLIP. Она предназначена для извлечения признаковых векторов из изображений, например для поиска похожих изображений, кластеризации и построения визуальных представлений для последующих моделей. Доступны веса в форматах PyTorch и safetensors; лицензия — Apache-2.0. Энкодер принимает изображения и выдаёт векторы признаков. Для сравнения изображений с текстом или вычисления CLIP-сходства потребуется отдельно получить совместимый текстовый энкодер. Размер модели и точный входной размер в предоставленных сведениях не приводятся.

Модель timm/vit_base_patch16_clip_224.laion2b_ft_in12k — визуальный энкодер на основе Vision Transformer (ViT), разработанный для классификации изображений и извлечения признаков. Она предварительно обучена с помощью OpenCLIP на парах изображение–текст из LAION-2B, затем дообучена в timm на ImageNet-12k. Модель содержит 94,9 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Её можно использовать для присвоения изображениям классов и получения визуальных эмбеддингов для дальнейшей обработки. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

Wav2Vec2-Base-VoxPopuli-Finetuned — модель распознавания речи, разработанная Facebook AI. Она основана на архитектуре Wav2Vec2 Base: предварительно обучена на 10 тысячах часов неразмеченной речи из корпуса VoxPopuli, а затем дообучена на расшифрованных англоязычных данных. Модель преобразует аудиозапись на английском языке в текст и предназначена для автоматической транскрибации речи, в том числе записей, подобных материалам Common Voice. Она содержит 113,3 млн параметров и использует архитектуру Wav2Vec2ForCTC. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не приводит оценки точности и подробных ограничений качества; применимость к языкам, отличным от английского, не заявлена.

Модель mazhar00968/wav2vec2-base-scl-common-voice — дообученная версия facebook/wav2vec2-base для автоматического распознавания речи. Она использует архитектуру Wav2Vec2ForCTC и содержит 113,3 млн параметров. Модель принимает аудио и выдаёт распознанный текст. В карточке приведены результаты оценки: loss 1,7258 и WER 0,8720. Описание данных для обучения и целевых сценариев в README не раскрыто, поэтому качество распознавания для конкретных языков и условий записи по этим сведениям оценить нельзя. Модель распространяется по лицензии Apache-2.0.

Модель KBLab на архитектуре wav2vec 2.0 Large предназначена для автоматического распознавания шведской речи. Она расширяет акустическую модель VoxRex-C социальным 4-граммным языковым моделированием, обученным на подмножестве шведского корпуса The Swedish Culturomics Gigaword Corpus: 40 млн слов из текстов социальных сетей за 2010–2015 годы. Модель содержит около 402,7 млн параметров и реализована как Wav2Vec2ForCTC в формате PyTorch. Модель принимает аудио и выдаёт текстовую расшифровку. Для обработки ожидается аудио с частотой дискретизации 16 кГц; аудио с другой частотой нужно предварительно пересчитать. На полном тестовом наборе Common Voice 6.1 VoxRex-C показала WER 9,03% без языковой модели и 6,47% с ней. Репозиторий распространяется по лицензии CC0-1.0.

kingabzpro/wav2vec2-large-xls-r-1b-Swedish — дообученная на шведской части Common Voice модель распознавания речи на базе facebook/wav2vec2-xls-r-1b. Это плотная архитектура Wav2Vec2ForCTC с 1,3 млрд параметров, принимающая аудио и выдающая распознанный текст на шведском языке. Модель предназначена для автоматической транскрипции шведской речи. В оценке на тестовой выборке Common Voice 8.0 показатель WER составил 18,44 без языковой модели и 14,04 с языковой моделью; CER — соответственно 5,75 и 4,86. Для использования языковой модели требуется соответствующая внешняя языковая модель. Модель распространяется под лицензией Apache-2.0. Оценка приведена для Common Voice 8.0; качество на других наборах данных и в реальных акустических условиях может отличаться.

ceyda/wav2vec2-large-xlsr-53-turkish — модель распознавания речи, дообученная на турецком языке разработчиком карточки на основе facebook/wav2vec2-large-xlsr-53 с использованием данных Common Voice. Она преобразует аудиозапись речи в текст и предназначена для распознавания турецкой речи; входной сигнал должен иметь частоту дискретизации 16 кГц. Модель использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Доступны веса PyTorch и Flax. В README приведён результат 27,59 % на тестовых данных Common Voice, однако метрика не названа, поэтому напрямую интерпретировать её качество нельзя. Модель распространяется по лицензии Apache-2.0.

m3hrdadfi/wav2vec2-large-xlsr-persian-v3 — модель распознавания персидской речи, разработанная на основе facebook/wav2vec2-large-xlsr-53 и дообученная на датасете Common Voice. Она принимает аудио и преобразует речь на фарси в текст; входные записи должны иметь частоту дискретизации 16 кГц. Модель построена на архитектуре Wav2Vec2 с CTC-выходом и содержит 402,7 млн параметров. В карточке указана оценка WER 10,36% на тесте. Модель подходит для транскрибации персидских аудиозаписей. Доступны веса PyTorch и TensorFlow. Условия лицензии в предоставленных данных не указаны.

NbAiLab/wav2vec2-xls-r-1b-npsc-bokmaal — дообученная модель распознавания речи на базе facebook/wav2vec2-xls-r-1b, созданная NbAiLab на датасете NbAiLab/NPSC, подвыборке 16K_mp3_bokmaal. Модель использует архитектуру wav2vec2 с CTC-декодированием, принимает аудио и преобразует речь в текст. В метаданных указано 1,3 млрд параметров; веса представлены в формате PyTorch. Модель предназначена для автоматической транскрипции речи на норвежском букмоле. Для оценки на тестовой выборке автор приводит WER 0,0966 и loss 0,1598. Лицензия — Apache-2.0. Подробности о других условиях записи, поддерживаемых языках и ограничениях применения в карточке не приведены.

Это модель автоматического распознавания речи на бенгальском языке, созданная дообучением facebook/wav2vec2-xls-r-300m командой или автором arijitx на наборе OPENSLR_SLR53. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, преобразуя речь в текст. В метаданных указано 402,8 млн параметров; модель доступна в формате PyTorch. Модель предназначена для транскрибации бенгальской речи. На тестовой выборке без языковой модели автор сообщает WER 0,217 и CER 0,047; с пятиграммовой языковой моделью, обученной на данных AI4Bharat IndicCorp, показатели составили WER 0,153 и CER 0,034. Для использования результата с языковой моделью потребуется соответствующая внешняя языковая модель. Модель распространяется по лицензии Apache-2.0. Оценка проведена на 5% из 10 935 примеров; README приводит неоднозначное описание разбиения, поэтому точную процедуру формирования тестовой выборки следует учитывать при сравнении результатов.

Larrycmu разработал эту модель дообучением facebook/wav2vec2-xls-r-300m для автоматического распознавания речи. Это плотная модель Wav2Vec2 с CTC-выходом, принимающая аудио и выдающая текст; репозиторий содержит веса в формате safetensors. Число параметров — около 402,8 млн. В карточке приведены результаты на тестовой выборке: CER 0,0746 и WER 0,3453. Язык распознавания и характеристики набора данных не раскрыты, поэтому применимость к конкретному языку и условиям записи по этим сведениям оценить нельзя. Лицензия — Apache-2.0.

arbml/whisper-largev2-ar — дообученная модель распознавания речи на архитектуре Whisper large-v2, разработанная на основе openai/whisper-large-v2. Модель предназначена для преобразования аудио в текст; в карточке указана оценка WER 17,7875 на наборе оценки. Веса содержат около 905,2 млн параметров и опубликованы в формате PyTorch. Модель обучалась на наборе arbml/mgb2. В README не уточняются поддерживаемые диалекты, условия записи и сценарии применения, поэтому качество для конкретных типов аудио по имеющимся данным оценить нельзя. Указана лицензия Apache-2.0.

Модель andrewbawitlung/whisper-large-v3-turbo-mizonal3-E3-lus-v2026.06 разработана как дообученная версия openai/whisper-large-v3-turbo на наборе данных MiZonal v3.0. Это плотная модель Whisper для автоматического распознавания речи; размер составляет 905,2 млн параметров, веса опубликованы в формате safetensors. Версия E3 обучалась с аугментацией скорости речи и предназначена для транскрибирования аудио. В README приведены результаты на оценочном наборе: WER 14,1847, CER 2,7327 и коэффициент реального времени 0,0546. Карточка не уточняет язык аудио, поэтому языковую поддержку и область применения по этим данным определить нельзя. Модель распространяется по лицензии Apache-2.0.

zuazo/whisper-medium-es — модель распознавания речи, созданная дообучением openai/whisper-medium на испанской части набора Mozilla Common Voice 13.0. Она принимает аудио и генерирует текст; предназначена прежде всего для транскрибации испанской речи. Архитектура — Whisper, плотная модель с 455,8 млн параметров. На оценочном наборе указаны loss 0,1915 и WER 5,4088. Модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0, которая разрешает использование, изменение и распространение с указанием авторства.

Jeremy-p/whisper-small-qc-fr — дообученная версия мультиязычной модели OpenAI Whisper-small для распознавания речи, с повышенным весом квебекского французского в обучающей смеси французского и английского языков. Это плотная encoder-decoder модель WhisperForConditionalGeneration; в данном репозитории опубликованы веса fp32 для Transformers, а отдельная версия CTranslate2 int8 предназначена для faster-whisper. Обучающая смесь использовала французские данные с вероятностью выборки 0,90 и английские — 0,10. Модель предназначена для транскрибирования аудио на квебекском французском и английском. В приведённой оценке она улучшила показатели исходной Whisper-small по WER на обоих языках и превзошла Qwen3-ASR-0.6B на французской выборке, но уступила ей на английской; размеры выборок составили 100 французских и 324 английских примера. Максимальная длина целевых последовательностей при обучении была ограничена 448 токенами. Лицензия — MIT.