I.14Автоматизация процессов и AI-агенты

zeromodels/tipsv2-g14 — это преобразованная для библиотеки zeromodels версия TIPSv2 g/14 от Google DeepMind, модели для сопоставления изображений и текста. Она использует двухэнкодерную архитектуру CLIP/SigLIP: визуальный энкодер на основе ViT в стиле DINOv2 с register-токенами и двунаправленный текстовый энкодер, обученные контрастивной функцией потерь с масштабированием температуры. Модель предназначена для классификации изображений по текстовым меткам без дообучения: пользователь передаёт изображение и набор описаний классов, а модель оценивает их соответствие. В репозитории доступна загрузка полной модели и обоих энкодеров; конверсия на Keras 3 работает с TensorFlow, PyTorch и JAX. Обработка изображения масштабирует пиксели в диапазон [0, 1], разрешение входа — 448 пикселей. Модель принимает изображения и текстовые метки и выдаёт оценки соответствия для классификации. Репозиторий содержит конверсию весов google/tipsv2-g14, а не отдельное дообучение; лицензия — Apache-2.0, совпадает с лицензией исходного чекпойнта. Поддерживаемые языки и ограничения качества в доступных сведениях не описаны.

TwinLlama-3.1-8B — текстовая плотная авторегрессионная модель семейства Llama, опубликованная jessemeng и дообученная на unsloth/Llama-3.2-1B с помощью Unsloth и Hugging Face TRL. Она предназначена для генерации текста и диалогового общения. Модель содержит 1,2 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0.

UME-R1-7B — мультимодальная модель на архитектуре Qwen2-VL, разработанная авторами проекта UME-R1. По карточке, модель прошла этапы supervised fine-tuning с холодным стартом и обучения с подкреплением. Она формирует представления текста, изображений, нескольких изображений и видео: поддерживает как различительные, так и генеративные эмбеддинги, а повторная генерация представлений может улучшать результаты при выводе. Модель содержит 7,1 млрд параметров, использует библиотеку Transformers и имеет контекст длиной до 32 768 токенов. Модель предназначена для мультимодального поиска и сопоставления текста с изображениями или видео, а также для задач сравнения и классификации по сходству. В README заявлено, что она превосходит различительные эмбеддинги, но сведения о наборах обучения и оценки отсутствуют, поэтому это утверждение нельзя независимо оценить по карточке. В метаданных указаны чат и зрительные возможности; основной тег задачи — image-text-to-text. Лицензия — Apache-2.0.

fhai50032 выпустил Unaligned-Thinker-PHI-4 — разговорную языковую модель на базе Phi-4, дообученную методом SFT на наборе fhai50032/Unaligned-Thinking-o1. Модель предназначена для генерации текста в диалогах и ответов с рассуждениями; в карточке приведены примеры обсуждения алгоритмов и AGI. По метаданным это плотная модель с архитектурой LlamaForCausalLM, содержащая 14,1 млрд параметров и поддерживающая контекст до 16 384 токенов. Указаны язык английский и возможность чата. Модель опубликована в форматах PyTorch и safetensors по лицензии Apache-2.0. README сообщает параметры дообучения: три эпохи, глобальный размер пакета 8, скорость обучения 5e-4, LoRA с r=16 и alpha=16, cosine schedule и AdamW 8-bit с weight decay 0,01.

ViT-B-16-SigLIP2-512 — контрастивная модель «изображение–текст» семейства SigLIP 2, обученная на наборе WebLI. Разработчики карточки преобразовали исходные контрольные точки JAX из проекта Big Vision для использования в OpenCLIP; библиотека модели — open_clip, веса доступны в форматах PyTorch и safetensors. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: она сопоставляет изображение с предложенными текстовыми метками и оценивает их соответствие. Это подходит для поиска изображений по описанию и категоризации с собственным набором классов. В названии указаны архитектура ViT-B-16 и разрешение 512; карточка отмечает многоязычное направление семейства SigLIP 2, но не перечисляет конкретные поддерживаемые языки. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценки качества или подробных сведений об ограничениях, поэтому надёжность на конкретных доменах и языках следует проверять на целевых данных.

Модель timm/vit_base_patch16_clip_224.datacompxl — визуальный энкодер CLIP на архитектуре ViT-Base с патчами 16×16 и входным разрешением 224 пикселя. Это веса только для изображения, опубликованные в формате PyTorch и safetensors и предназначенные для извлечения признаков изображений. Их можно использовать для получения визуальных представлений как части системы поиска по изображениям или мультимодального решения. Модель распространяется по лицензии Apache-2.0.

vit_base_patch16_siglip_gap_512.v2_webli — модель-энкодер изображений на архитектуре ViT из семейства SigLIP 2, опубликованная для библиотеки timm. Это только визуальная часть модели: вариант gap использует глобальное усреднение признаков и не содержит головы attention pooling. Модель обучена на наборе данных WebLI и предназначена для извлечения признаков изображения, в том числе для последующего сравнения изображений и построения мультимодальных систем. Модель принимает изображения и выдаёт их векторные представления. Карточка указывает на исследовательские работы SigLIP 2 и Sigmoid Loss for Language Image Pre-Training, но не приводит подробностей о разрешении входа, языковой поддержке или результатах оценки. Лицензия репозитория — Apache-2.0.

Это модель извлечения признаков изображений: визуальный энкодер CLIP на основе ViT-Base с патчами 32×32 и входным разрешением 224 пикселя. Весá опубликованы в библиотеке timm и обучены на наборе LAION-2B. Репозиторий содержит только энкодер изображений, поэтому модель формирует визуальные признаки для дальнейшего использования в поиске, сопоставлении изображений и других задачах компьютерного зрения. Модель принимает изображения и выдаёт векторные представления. Она не включает текстовый энкодер CLIP и сама по себе не генерирует описания или ответы на вопросы об изображениях. Лицензия — Apache-2.0.

VLM2Vec-V2.0 — мультимодальная модель для получения эмбеддингов, разработанная командой TIGER-Lab. Она предназначена для сопоставления визуального или текстового запроса с текстовыми описаниями и решения задач мультимодального поиска и оценки семантического сходства. Модель поддерживает изображения, видео и визуальные документы, а также текстовые данные. В демонстрации используется backbone Qwen2-VL-7B и дообучение с LoRA; предусмотрено нормализованное pooling-представление и вычисление сходства между эмбеддингами. Модель обучалась и оценивалась на наборах MMEB-train, MMEB-V2 и MMEB-eval. В метаданных указан английский язык. Размер контекста и точные характеристики архитектуры в README не указаны. Сильная сторона модели — единое мультимодальное представление для работы с разными типами визуального контента, включая видео, изображения и документы, что делает её подходящей для retrieval-сценариев. Ограничения README подробно не описывает; для запуска требуются Transformers, PyTorch и, согласно примеру, GPU с поддержкой bfloat16. Модель распространяется по лицензии Apache-2.0.

cahya/wav2vec2-base-turkish — модель автоматического распознавания речи, дообученная на турецком наборе Common Voice 7.0. Она построена на архитектуре Wav2Vec2 с CTC-головой и содержит 113,3 млн параметров. Модель принимает аудио и преобразует турецкую речь в текст. В README приведены результаты оценки на Common Voice 6.1, 7.0 и 8.0: WER составляет соответственно 9,437, 8,147 и 8,335, а CER — 3,325, 2,802 и 2,336. Для дообучения также использовались Media Speech и Magic Hub. Модель распространяется по лицензии Apache-2.0; показатели оценки относятся к указанным наборам данных и не гарантируют аналогичное качество на других типах записей.

wav2vec2-fleur-mms-batch6-epoch24-finetunning-3 — модель распознавания речи на базе архитектуры Wav2Vec2ForCTC, дообученная Nachuwu от Nachuwu/wav2vec2-fleur-mms-batch6-epoch16 на датасете audiofolder. Модель принимает аудио и преобразует речь в текст; в метаданных указано 1,3 млрд параметров. В README приведены результаты оценки: loss 1,3000 и WER 0,6017. Модель может применяться для транскрибирования аудиозаписей. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Модель ravirajoshi/wav2vec2-large-xls-r-300m-marathi — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на маратхи. Она принимает аудио и преобразует речь в текст; в карточке приведены результаты оценки: WER 0,2156 и loss 0,5656. Модель построена на архитектуре wav2vec2 с CTC-выходом, содержит 402,7 млн параметров и распространяется в формате PyTorch. Модель подходит для расшифровки записей и речи на маратхи. Лицензия Apache-2.0 разрешает использование, изменение и распространение с соблюдением её условий. Результаты распознавания могут содержать ошибки, особенно на аудио, отличающемся от условий оценки.

wav2vec2-large-xls-r-300m-spanish-small — модель автоматического распознавания речи на основе архитектуры Wav2Vec2ForCTC, дообученная glob-asr на датасете Common Voice от базовой модели jhonparra18/wav2vec2-large-xls-r-300m-spanish-custom. Модель принимает аудио и преобразует речь в текст; она предназначена для распознавания испанской речи. В репозитории указано 402,7 млн параметров. На оценочной выборке модель достигла loss 0,3596 и WER 0,2105. Доступны веса в формате PyTorch. Лицензия и подробные ограничения в предоставленных данных не указаны.

aware-ai/wav2vec2-xls-r-1b-german — модель автоматического распознавания речи, созданная дообучением архитектуры wav2vec2 XLS-R с 1,3 млрд параметров на немецкой части датасета Mozilla Common Voice 10.0. Она принимает аудио и выдаёт распознанный текст на немецком языке. Модель подходит для транскрибации немецкой речи, в том числе записей, похожих по условиям на данные Common Voice. В README приведены результаты оценки на тестовой выборке: WER 0,2931 и loss 0,3513. Используются веса PyTorch и Safetensors. В карточке не описаны ограничения, лицензия и подробности обучения; поэтому условия использования и пригодность для конкретных акустических условий по доступным данным оценить нельзя.

AndrewMcDowell/wav2vec2-xls-r-300m-arabic — дообученная модель распознавания арабской речи, созданная на основе facebook/wav2vec2-xls-r-300m и обученная на арабской части набора Mozilla Common Voice 7.0. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, выдавая распознанный текст на арабском языке. В оценке на тестовом наборе указаны значение потерь 0,4502 и WER 0,4783. Модель подходит для преобразования арабской речи в текст. Опубликована в формате PyTorch под лицензией Apache-2.0.

Модель mpoyraz/wav2vec2-xls-r-300m-cv6-turkish разработана как дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на турецком языке. Это плотная модель семейства wav2vec2 с архитектурой Wav2Vec2ForCTC и примерно 402,7 млн параметров; она принимает аудио и выдаёт распознанный текст. Для обучения использовались проверенная часть Common Voice 6.1 TR, кроме тестовой выборки, и MediaSpeech. В README также описана отдельная n-граммная языковая модель KenLM, обученная на статьях турецкой Википедии. Модель подходит для транскрибирования турецкой речи и оценки систем распознавания на наборах Common Voice и Speech Recognition Community. В README приведены результаты: WER 8,83 и CER 2,37 на тестовой выборке Common Voice 6.1 TR, а также WER 32,81 и CER 11,22 на dev-наборе Speech Recognition Community. Модель распространяется по лицензии Apache-2.0.

mesolitica/wav2vec2-xls-r-300m-mixed — модель распознавания речи, созданная Mesolitica на основе архитектуры wav2vec2 и дообученная для малайского языка, синглиша и китайского мандаринского. Она предназначена для преобразования речи в текст; карточка приводит отдельные наборы оценки для каждого из трёх языков и смешанную оценку. Модель содержит около 402,7 млн параметров и доступна в форматах PyTorch и TensorFlow. Она принимает аудио и выдаёт текстовую транскрипцию. В README описано обучение на одной видеокарте RTX 3090 Ti с 24 ГБ видеопамяти. Лицензия в предоставленных данных не указана.

facebook/webssl-dino3b-light2b-224 — визуальная модель Meta AI на архитектуре Vision Transformer, обученная методом самообучения DINOv2 на веб-изображениях без языковой супервизии. Вариант light2b обучен на подмножестве данных MetaCLIP, включающем изображения с текстовым содержимым; размер модели в метаданных — 3,9 млрд параметров, разрешение обучения — 224×224 пикселя. Модель предназначена для извлечения визуальных признаков и представлений изображений, которые можно использовать в задачах компьютерного зрения. Разработчики отмечают сильные результаты в распознавании текста и понимании диаграмм, сохраняя широкую применимость к визуальным задачам. Это не языковая модель: она обучена без языковой супервизии. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

bofenghuang/whisper-large-v2-cv11-french — модель автоматического распознавания речи, дообученная на базе openai/whisper-large-v2 на французской части датасета Mozilla Common Voice 11.0. Она преобразует французскую речь в текст и предсказывает регистр букв и пунктуацию. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и формат PyTorch. Для распознавания входное аудио следует подавать с частотой дискретизации 16 кГц. В README приведены результаты сравнения других вариантов Whisper, но отдельные показатели этой модели не указаны.

Это дообученная модель OpenAI Whisper Medium на базе архитектуры encoder-decoder Transformer с 455,8 млн параметров. Её разработали для распознавания разговорной речи на хинди и хинглише — речи со смешением хинди и английского — с помощью Transformers и PyTorch. Модель принимает аудио и выдаёт текстовую расшифровку. В описанной оценке на 373 примерах WER составил 0,0456, а CER — 0,0262; результаты приведены отдельно для хинди и хинглиша. Модель распространяется по лицензии Apache-2.0. Обучение проводилось преимущественно на синтетической речи. На шумных записях, при незнакомых акцентах и манере речи качество может снижаться; модель не оценивалась для потокового распознавания.

mlx-community/whisper-medium-mlx — модель автоматического распознавания речи, конвертированная в формат MLX из версии Whisper medium. Репозиторий предназначен для использования с библиотекой MLX и примерами MLX от ml-explore. Модель подходит для преобразования аудиозаписей в текст через функцию whisper.transcribe, поэтому может применяться в сценариях транскрибации локальных аудиофайлов. README не содержит сведений о точной архитектуре, количестве параметров, поддерживаемых языках, модальностях, размере контекста, производительности или ограничениях. Лицензия также не указана, поэтому условия использования по представленным данным определить нельзя.

oxide-lab/whisper-small-GGUF — набор квантизированных версий модели Whisper Small, разработанной OpenAI и опубликованной oxide-lab. Модель предназначена для автоматического распознавания речи, включая транскрибацию аудиозаписей, и может использоваться с Candle — ML-фреймворком на Rust — или whisper.cpp. Заявлена поддержка multilingual-сценариев, включая английский и русский языки. Модели распространяются в формате GGUF и основаны на openai/whisper-small. Доступны десять уровней квантизации — от q2_k до q8_0 — с различным компромиссом между размером, скоростью и качеством. Вариант q4_k рекомендован как сбалансированный для практического использования: он примерно на 65% меньше исходной модели, обеспечивает минимальное ухудшение качества и более быстрое выполнение по сравнению с менее квантизированными вариантами. Версии в корневом каталоге совместимы с Candle, а версии в каталоге whisper.cpp — с whisper.cpp; эти варианты отличаются именами тензоров и предназначены для соответствующих инструментов. Сильными сторонами модели являются поддержка нескольких форматов квантизации, возможность локального запуска и совместимость с Rust- и C++-инструментами. Ограничения включают зависимость от выбранного уровня квантизации, возможную потерю качества в компактных вариантах и необходимость использовать соответствующую реализацию и файлы конфигурации. Модель распространяется по лицензии MIT, такой же, как исходная модель Whisper.

Hhsjsnns/whisper-small-hinglish — дообученная версия Whisper Small от OpenAI для автоматического распознавания речи. Модель содержит 153,1 млн параметров, использует архитектуру WhisperForConditionalGeneration и принимает аудио, выдавая текстовую транскрипцию. В метаданных указана поддержка хинди и английского языков; модель дообучена на Common Voice 13.0. Модель подходит для транскрибирования речи на хинди и английском, в том числе смешанной хинглиш-речи. Опубликована в формате safetensors для Transformers и распространяется по лицензии Apache-2.0. README не содержит подробностей об оценке качества и специфических ограничениях модели.

primeline/whisper-tiny-german — компактная модель распознавания немецкой речи, разработанная Florian Zimmermeister на основе Whisper-tiny. Она предназначена для преобразования аудио на немецком языке в текст, в том числе для сценариев с ограниченными ресурсами и развёртывания на периферийных устройствах. Архитектура — WhisperForConditionalGeneration; в метаданных указано 29,4 млн параметров, а README указывает 37,8 млн и размер 73 МБ в формате bfloat16. Репозиторий содержит веса в форматах ONNX и safetensors. Для обучения использовались отфильтрованные данные Common Voice, multilingual LibriSpeech и внутренние данные; текст нормализовали по регистру и пунктуации. Модель выпущена под лицензией Apache-2.0. Разработчик не рекомендует применять её в критически важных сценариях: компактный размер может сопровождаться снижением качества распознавания в отдельных условиях.

Kuray107/wsj0-full-supervised — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-lv60. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; в карточке указаны результаты оценки: loss 0,0623 и WER 0,0343. Модель опубликована в формате PyTorch под лицензией Apache-2.0. Карточка не уточняет языки, условия записи и ограничения применения, поэтому область надёжной работы за пределами указанной оценки определить нельзя.

XLM-RoBERTa-XL — крупная многоязычная модель на архитектуре RoBERTa, разработанная авторами статьи Naman Goyal, Jingfei Du, Myle Ott, Giri Anantharaman и Alexis Conneau. Она предварительно обучена на 2,5 ТБ отфильтрованных данных CommonCrawl на 100 языках с целью masked language modeling: модель восстанавливает замаскированные слова, используя контекст с обеих сторон. Число параметров — 4,4 млрд, максимальная длина контекста — 514 токенов. Модель подходит для заполнения пропусков в тексте и извлечения многоязычных представлений для дообучения под классификацию последовательностей и токенов, а также ответы на вопросы. Она предназначена прежде всего для задач, анализирующих предложение целиком; для генерации связного текста README рекомендует авторегрессионные модели. Модель распространяется под лицензией MIT.

Модель vasilis/xls-r-et-V-3 — дообученная версия facebook/wav2vec2-xls-r-1b для автоматического распознавания эстонской речи. Она использует архитектуру Wav2Vec2ForCTC и обучалась на эстонской части набора Mozilla Common Voice 8.0. Модель принимает аудио и выдаёт распознанный текст. В карточке указаны результаты оценки на тестовом наборе: значение функции потерь 0,8824 и WER 0,5246. Модель опубликована в формате PyTorch по лицензии Apache-2.0.

Карточка модели Xwin-LM/Xwin-LM-13B-V0.1 на Hugging Face совпадает с карточкой Xwin-LM/Xwin-LM-70B-V0.1, поэтому описание составлено по ней. Xwin-LM-70B-V0.1 — языковая модель команды Xwin-LM, построенная на базе Llama 2 и настроенная для диалогов с помощью методов выравнивания, включая SFT и RLHF. Она предназначена для многоходового общения, ответов на вопросы и выполнения пользовательских инструкций в формате генерации текста. Модель содержит 68,7 млрд параметров, использует плотную архитектуру Llama и поддерживает контекст до 4096 токенов. В README сообщается о результатах модели на AlpacaEval, однако эти оценки относятся к бенчмарку и не гарантируют аналогичного качества в других сценариях. Для диалогов следует использовать шаблон Vicuna, описанный в карточке. Модель распространяется по лицензии Llama 2; отдельной специализации на конкретной области или поддерживаемых языках карточка не заявляет.

Yamshadowexperiment28M70.8-0.85-0.86-0.36-0.42-0.16-7B — объединённая плотная языковая модель семейства Mistral от автора репозитория aaron-di. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов; карточка показывает использование chat template и запуск через Transformers. Модель объединяет AurelPx/Percival_01-7b-slerp и liminerity/M7-7b. Заявленная длина контекста — 32 768 токенов. Доступен формат safetensors, лицензия — Apache-2.0. README не описывает специализированные области применения или результаты оценки качества.

YamshadowInex12-7B — автоматически собранная Maxime Labonne языковая модель для генерации текста. В README указано слияние MSL7/INEX12-7b и automerger/YamShadow-7B методом DARE-TIES; метаданные связывают модель с MSL7/INEX12-7b. Архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, формат весов — safetensors, точность — bfloat16. Контекстное окно составляет до 32 768 токенов. Модель подходит для генерации текста и диалоговых сценариев на базе языковой модели. Карточка не уточняет специализацию, языки или результаты оценки качества. Лицензия — Apache-2.0.