I.14Автоматизация процессов и AI-агенты

Thespis-CurtainCall-7b-v0.2 — экспериментальная текстовая генеративная модель на архитектуре Mistral, опубликованная автором cgato как первая версия серии экспериментов по улучшению своих моделей. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. В README указано обучение на наборах Dolphin, Ultrachat, Capybara, Augmental, ToxicQA и Magiccoder-Evol-Instruct-110k. Модель предназначена для диалогов и генерации ответов в шаблонах Ooba и Silly Tavern, а также может применяться для генерации кода по инструкциям. Автор отмечает, что работа ещё далека от завершения и делится моделью для ознакомления и проверки. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое; начальные тесты автора не заменяют независимую оценку качества.

Sayan01/tiny-bert-qnli-distilled — компактная дистиллированная модель семейства BERT, опубликованная пользователем Sayan01 на Hugging Face. Она предназначена для классификации пар текстов в задаче QNLI и может использоваться через Transformers как модель text-classification для sequence classification. Модель имеет около 15,6 млн параметров, архитектурную основу BERT и максимальную длину входа 512 токенов. Она ориентирована на английский язык и подходит для определения отношения между вопросом и текстовым фрагментом, например для проверки, содержит ли фрагмент ответ на вопрос. Компактный размер упрощает локальный запуск и снижает требования к ресурсам, но модель специализирована на классификации, не генерирует ответы и не предназначена для произвольного многоязычного применения. Сведения о лицензии в доступных источниках не установлены.

TSFT-RAG Gemma-3-1B-IT — плотная языковая модель с 1 млрд параметров, дообученная с полным обновлением весов Сашей Франком в рамках исследовательского проекта TSFT-RAG на базе google/gemma-3-1b-it. Она предназначена для задач Retrieval-Augmented Generation: ответов по предоставленному контексту, отказа при недостатке подтверждений, извлечения информации и формирования структурированных ответов. Модель поддерживает диалоговый режим, работает с текстом и имеет контекстное окно 32 768 токенов. В оценке на 1 940 немецкоязычных примерах модель заметно лучше базовой справлялась с неподдержанными вопросами, но хуже отвечала на обоснованные контекстом вопросы. Это специализированная настройка под форматы RAG, а её качество для других задач систематически не оценивалось; она также может выдавать неверные сведения. Распространяется по лицензии Gemma.

Lachhhhhhh/un-ablit-q-125st — дообученная модель генерации текста на архитектуре Qwen3, созданная Lachhhhhhh на базе huihui-ai/Huihui-Qwen3-8B-abliterated-v2. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также заявлены возможности чата и интерфейс вызова инструментов. Модель предназначена для генерации текста и диалоговых ответов на английском языке. В README указано, что обучение выполнялось с Unsloth и библиотекой TRL. Модель распространяется по лицензии Apache-2.0. Подробности обучения и отдельные результаты оценки качества не приведены.

UniSpeech-SAT-Base-Finetuned-100h-Libri — акустическая модель распознавания речи от Microsoft, дообученная на 100 часах английской части LibriSpeech. Она основана на архитектуре UniSpeech-SAT и использует CTC для преобразования аудиоречи в текст; размер модели — 113,3 млн параметров. Модель принимает речь с частотой дискретизации 16 кГц и рассчитана на транскрибирование английской речи, в том числе аудиокниг и записей с похожими условиями. Модель можно использовать как акустическую часть конвейера автоматического распознавания речи. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Карточка не приводит оценок качества распознавания или подробных ограничений для аудио, отличающегося от LibriSpeech, поэтому пригодность для таких записей следует проверять отдельно.

leophill/w2v-bert-2.0-afrivoices-ea-6l-asr — речевая модель, разработанная для хакатона AfriVoices East Africa ASR командой Digital Umuganda и Maseno Center for Applied Artificial Intelligence. Это дообученная на базе facebook/w2v-bert-2.0 модель Wav2Vec2-BERT 2.0 с архитектурой Conformer и CTC-головой, содержащая 402,7 млн параметров. Она распознаёт речь на шести восточноафриканских языках: луо, календжин, кикуйю, маасаи, сомали и суахили; язык на входе указывать не требуется. Модель принимает монофоническое аудио с частотой 16 кГц и выдаёт строчную транскрипцию без пунктуации. В тесте хакатона она заняла второе место с macro-WER 0,34819; качество зависит от языка, диалекта и формата речи, причём спонтанная длинная речь распознаётся хуже подготовленной. Для повышения точности README рекомендует декодирование pyctcdecode с языковой моделью KenLM для каждого языка. Модель ограничена шестью указанными языками и не предназначена для их идентификации. Лицензия — CC BY 4.0.

Модель Multilingual Speech Recognition for Indonesian Languages разработана для проекта распознавания речи на индонезийских языках. Это дообученная facebook/wav2vec2-large-xlsr-53 с архитектурой Wav2Vec2ForCTC и примерно 402,7 млн параметров. Она принимает аудио, рассчитанное на частоту дискретизации 16 кГц, и преобразует речь в текст без обязательного использования языковой модели. Модель обучалась на данных Common Voice для индонезийского языка, а также на высококачественных синтетических речевых данных для яванского и сунданского языков. Её можно применять для транскрибирования записей и в речевых интерфейсах, работающих с этими языками. README приводит результат оценки 11,57% на тестовой части Common Voice для индонезийского языка, но не уточняет метрику. Модель распространяется по лицензии Apache-2.0. Для работы следует подавать аудио с частотой 16 кГц; качество распознавания для разных языков и условий записи может различаться.

skydheere/wav2vec2-large-mms-1b-somalia — модель распознавания речи на основе wav2vec2-large, дообученная на facebook/mms-1b-all с использованием набора данных xtreme_s. Она принимает аудио и преобразует речь в текст; репозиторий указывает архитектуру Wav2Vec2ForCTC и размер около 1,3 млрд параметров. На оценочной выборке приведены loss 0,5553 и WER 0,4330. Карточка не описывает поддерживаемый язык и условия применения подробнее. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

Wav2Vec2-Large-XLSR-53-Telugu — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на телугу. Она принимает речь и преобразует её в текст; для распознавания входной звук должен иметь частоту дискретизации 16 кГц. Обучение проводилось на 70% набора OpenSLR SLR66 для телугу. Модель построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Репозиторий включает веса PyTorch и Flax. В карточке приведён результат тестирования 44,98%, но не уточнена метрика, поэтому его нельзя напрямую интерпретировать как точность распознавания. Модель распространяется по лицензии Apache-2.0.

wav2vec2-large-xlsr-mvc-swahili — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53. Она предназначена для преобразования аудиозаписей на суахили в текст и обучена на данных Common Voice 13.0. Модель использует архитектуру Wav2Vec2ForCTC, содержит около 402,7 млн параметров и принимает аудио, выдавая текст. Базовая модель предварительно обучена на речи 53 языков. В README отмечена проблема со словарём: при обучении не учли некоторые специальные символы, поэтому распознавание таких символов может работать некорректно. Модель распространяется по лицензии Apache-2.0.

CuongLD разработал wav2vec2-large-xlsr-vietnamese — модель распознавания вьетнамской речи, дообученную на базе facebook/wav2vec2-large-xlsr-53. Это акустическая модель Wav2Vec2 с выходной CTC-головой; размер модели составляет 402,7 млн параметров. Модель преобразует аудиозаписи речи в текст и подходит, например, для расшифровки голосовых сообщений и записей. В обучении использовались Common Voice и Infore_25h; для входного аудио требуется частота дискретизации 16 кГц. В карточке приведён результат оценки 58,63% на тестовых данных Common Voice, но метрика не уточнена. Модель рассчитана на вьетнамский язык. Репозиторий содержит веса PyTorch и Flax. Лицензия — Apache-2.0.

shahukareem/wav2vec2-xls-r-300m-dv — модель распознавания речи на архитектуре Wav2Vec2ForCTC, разработанная на основе facebook/wav2vec2-xls-r-300m и дообученная на Common Voice. Она принимает аудио и преобразует речь в текст; на указанном в карточке наборе оценки достигла WER 0,2451 и loss 0,2206. Модель содержит около 402,7 млн параметров и опубликована в формате PyTorch. Модель предназначена для автоматического распознавания речи. В карточке не приведены сведения о поддерживаемых языках, контексте применения или специальных сценариях. Распространяется по лицензии Apache-2.0; качество распознавания за пределами указанной оценки не описано.

dbdmg/wav2vec2-xls-r-300m-italian-robust — акустическая модель распознавания итальянской речи, дообученная на базе facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Для обучения использованы итальянские части наборов Common Voice 7.0, LibriSpeech multilingual, TED multilingual, Voxforge, M-AILABS, EuroParl-ST, EMOVO и MSPKA. Модель принимает аудио и преобразует речь в текст; карточка не описывает дополнительные режимы работы или длину контекста. Репозиторий предоставляет веса PyTorch и Safetensors. Лицензия — Apache 2.0.

WebSquareAI-Instruct-llama-3-8B-v0.5.39 — диалоговая языковая модель, разработанная командой UI Platform компании Inswave Systems. Она предназначена для генерации текста в формате инструкций и диалогов; карточка указывает базовую модель meta-llama/Meta-Llama-3-8B. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 7,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает английский язык и контекст до 8192 токенов. Вес опубликован в формате safetensors. Модель можно применять для диалоговых интерфейсов и генерации ответов по текстовым инструкциям. Данных о специализированной предметной области и конкретных ограничениях качества в карточке нет. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

steja/whisper-large-persian — дообученная версия Whisper large-v2-hi для автоматического распознавания персидской речи. Модель разработана на основе anuragshas/whisper-large-v2-hi и дообучена на персидской части набора Mozilla Common Voice 11.0. Это плотная модель Whisper с архитектурой WhisperForConditionalGeneration и 905,2 млн параметров. Модель принимает аудио и генерирует распознанный текст на персидском языке. На тестовой выборке указаны значения loss 0,3047 и WER 26,3679. Репозиторий содержит веса PyTorch; модель распространяется по лицензии Apache-2.0.

Модель speech-transformer/whisper-large-processed_dataset-20250627-100p — дообученная версия Whisper large-v3 от OpenAI для автоматического распознавания речи и преобразования аудио в текст. Она содержит около 905,2 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors для библиотеки Transformers. На оценочном наборе указаны Loss 0,1988 и WER 9,8178; состав этого набора и условия оценки не описаны. Модель принимает аудио и выдаёт текст. README не сообщает, на каких данных и языках проводилось дообучение, поэтому нельзя определить её специализацию или качество на конкретных языках и типах записей. Базовая модель Whisper large-v3 мультиязычная, однако переносить все её языковые возможности на эту дообученную версию без данных о тренировке нельзя. Лицензия — Apache-2.0.

AmirMohseni/whisper-large-v3-persian-ct2-int8 — версия Whisper large-v3, подготовленная Amir Mohseni для распознавания персидской речи. Модель принимает аудио и генерирует текстовую транскрипцию; карточка Hugging Face указывает задачу automatic-speech-recognition, язык Persian и базовые модели openai/whisper-large-v3 и AmirMohseni/whisper-large-v3-persian-bf16. Это вариант с INT8-квантованием, предназначенный для более экономичного по памяти вывода. Репозиторий относится к семейству Whisper encoder-decoder моделей OpenAI; для задачи распознавания особенно подходит персидский язык. Карточка не приводит размер модели или контекст, а также не описывает точность именно этой квантованной версии. Модель распространяется по лицензии Apache-2.0. Известное практическое ограничение: квантование может влиять на качество распознавания, но величина такого влияния для этой версии не указана.

Это квантованная GGUF-версия мультиязычной модели распознавания речи OpenAI Whisper large-v3-turbo, подготовленная командой handy-computer для работы с transcribe.cpp. Модель предназначена для автоматической транскрибации аудио, определения языка и генерации сегментных временных меток. Поддерживается широкий набор языков, включая русский, английский, китайский и кантонский (yue). Режим перевода речи не поддерживается, потоковая обработка отключена. Модель использует архитектуру encoder-decoder Transformer, принимает аудио через 128-bin mel-представление и обрабатывает длинные записи фрагментами на основе 30-секундных окон. Доступны варианты F16 и квантования Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 536 МБ до 1,63 ГБ. На тесте LibriSpeech test-clean показатель WER составляет 2,01% для F16 и Q8_0, 2,03% для Q5_K_M и 2,04% для Q4_K_M. Квантованные варианты уменьшают размер файла при небольшом ухудшении качества, однако точность может существенно различаться между языками. Модель подходит для локальной транскрибации, субтитров, голосовых заметок и анализа аудиозаписей при использовании transcribe.cpp. Распространяется по лицензии Apache-2.0.

arbml/whisper-small-ar — дообученная версия OpenAI Whisper Small для автоматического распознавания речи. Модель основана на архитектуре Whisper и содержит 153,1 млн параметров; в репозитории представлены веса PyTorch. В метаданных указан датасет arbml/mgb2, а карточка сообщает о результате WER 21,3693 на оценочном наборе. Модель принимает аудио и преобразует речь в текст. Лицензия Apache-2.0 разрешает использование на её условиях. Карточка не описывает дополнительные сценарии применения или известные ограничения качества.

jlvdoorn/whisper-small-atco2-asr — дообученная модель распознавания речи на базе мультиязычной Whisper Small от OpenAI. Модель содержит 153,1 млн параметров, использует архитектуру Whisper и принимает аудио для преобразования речи в текст. Репозиторий распространяет веса в форматах PyTorch и safetensors. Модель предназначена для автоматического распознавания речи. В README приведены результаты оценки: loss 0,8297 и WER 33,4520; описание набора данных, сценариев применения и ограничений не предоставлено. Лицензия — Apache-2.0.

anggiatm/whisper-small-id — модель автоматического распознавания речи, дообученная автором anggiatm на базе openai/whisper-small с использованием набора Common Voice 17.0. Она преобразует индонезийскую речь в текст; размер модели — 153,1 млн параметров, архитектура — WhisperForConditionalGeneration. В оценке на тестовом наборе указаны loss 0,0931 и WER 6,5965. Модель предназначена для транскрибирования индонезийской речи. Распространяется по лицензии Apache-2.0.

X-CLIP base-sized patch16 — модель Microsoft для анализа видео и текста, основанная на расширении CLIP для понимания видео-языковых связей. Она обучена с учителем на наборе Kinetics-400 в контрастивном режиме на парах «видео — текст». Модель использует 8 кадров на видео с разрешением 224×224; веса доступны в форматах PyTorch и Safetensors. Модель подходит для классификации видео в режимах zero-shot, few-shot и с обучением на размеченных данных, а также для поиска соответствий между видео и текстом. Её можно применять для оценки того, насколько текстовое описание подходит к ролику. На Kinetics-400 указаны результаты 83,8% top-1 и 95,7% top-5. Лицензия — MIT.

Plim/xls-r-1b-cv_8-fr — акустическая модель распознавания французской речи, дообученная на датасете Mozilla Foundation Common Voice 8.0, конфигурация fr. Она основана на facebook/wav2vec2-xls-r-1b и использует архитектуру wav2vec2 с CTC-декодированием; число параметров — около 1,3 млрд. Модель принимает аудио и выдаёт текстовую транскрипцию. Модель предназначена для автоматической транскрипции французской речи, в том числе записей, похожих на данные Common Voice. В README приведены результаты оценки: на тестовой выборке Common Voice WER составляет 18,33 без языковой модели и 15,40 с ней; на dev-выборке speech-recognition-community-v2 — 31,33 и 25,05 соответственно. Лицензия — Apache-2.0. Показатели зависят от набора данных и декодирования, а результатов для тестовой выборки audio в карточке нет.

yamacinka/yam-pastiche-7B — объединённая текстовая модель на архитектуре Mistral, собранная с помощью LazyMergekit из yam-peleg/Experiment28-7B, yam-peleg/Experiment26-7B и yam-peleg/Experiment24-7B. В конфигурации указан метод task_arithmetic и формат весов bfloat16. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового применения. Карточка описывает состав и способ слияния, но не приводит конкретных оценок качества, языкового охвата или специализированных областей применения. Лицензия в предоставленных данных не указана.

Yamshadowexperiment28M70.64-0.81-0.33-0.12-0.46-0.05-7B — объединённая текстовая модель семейства Mistral от автора aaron-di, предназначенная для генерации текста и диалогов. В метаданных указаны 7,1 млрд параметров, архитектура MistralForCausalLM, контекст до 32 768 токенов и формат весов safetensors. README показывает запуск через Transformers с применением chat template и генерацией продолжения ответа на пользовательский запрос. Модель можно использовать для диалога и создания текстовых ответов; сведений о целевой предметной области или языковой специализации в карточке нет. Лицензия — Apache 2.0.

Yamshadowexperiment28M7-7B — объединённая текстовая модель семейства Mistral с 7,1 млрд параметров, созданная автоматически Maxime Labonne на основе liminerity/M7-7b. Веса объединены методом DARE-TIES; в конфигурации указаны формат bfloat16 и int8-маска слияния. Модель предназначена для генерации текста и диалоговых сценариев. Она принимает текст и выдаёт текст, а заявленная длина контекста составляет 32 768 токенов. Карточка не сообщает о специализации на конкретных языках или предметных областях. Модель распространяется по лицензии Apache-2.0. Качество и ограничения в README не описаны; применимость к конкретным задачам следует оценивать отдельно.

YamshadowInex12_Inex12Neural — слитая модель семейства Mistral, созданная на основе automerger/YamshadowInex12-7B и automerger/Inex12Neural-7B. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Модель содержит 7,1 млрд параметров и опубликована в формате safetensors. Практические сценарии включают генерацию продолжений и ответов на текстовые запросы. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит сведений о специализированных областях применения или отдельных языках.

YamshadowStrangemerges_32_NeuralsirkrishnaExperiment28 — объединённая языковая модель на архитектуре Mistral, созданная из automerger/YamshadowStrangemerges_32-7B и automerger/NeuralsirkrishnaExperiment28-7B. Она предназначена для генерации текста и может использоваться в приложениях, которым нужна текстовая генерация. Модель содержит 7,1 млрд параметров, поддерживает контекст длиной до 32 768 токенов и распространяется в формате safetensors. Модель опубликована под лицензией Apache-2.0. Карточка не сообщает о специализированных предметных областях, языках или дополнительных возможностях; качество и ограничения исходных моделей в предоставленных данных не описаны.

YamshadowStrangemerges_32_ShadowYam — объединённая модель Mistral, созданная на основе automerger/YamshadowStrangemerges_32-7B и automerger/ShadowYam-7B. Она предназначена для генерации текста и поддерживает контекст длиной до 32 768 токенов. Модель содержит 7,1 млрд параметров, её веса доступны в формате Safetensors. Карточка не описывает специализацию по языкам или предметным областям и не приводит оценок качества. Модель распространяется по лицензии Apache 2.0.

YamT3qm7xp_Experiment28Experiment29 — объединённая модель семейства Mistral на 7,1 млрд параметров, созданная MaziyarPanahi на основе automerger/YamT3qm7xp-7B и automerger/Experiment28Experiment29-7B. Она предназначена для генерации текста и может использоваться в чат-сценариях и других задачах, где требуется продолжение или создание текста. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В репозитории представлены веса Safetensors. Модель распространяется по лицензии Apache-2.0.