I.14Автоматизация процессов и AI-агенты

GodwillN/w2vbert-waxal — дообученная модель распознавания речи на архитектуре Wav2Vec2-BERT, основанная на facebook/w2v-bert-2.0. Она принимает аудио и преобразует речь в текст; число параметров — около 402,7 млн. Модель распространяется в формате Safetensors по лицензии MIT. В README приведены результаты оценки: WER 0,4034, CER 0,2183 и loss 0,8908. Датасет обучения, поддерживаемые языки и предполагаемые сценарии использования не описаны, поэтому качество распознавания для конкретного языка или типа аудио по этим данным определить нельзя.

Модель nguyenvulebinh/wav2vec2-base-vi-vlsp2020 — акустическая модель распознавания вьетнамской речи на архитектуре wav2vec2, представленная автором репозитория. Она предварительно обучена на 13 тысячах часов неразмеченной вьетнамской речи из YouTube, а затем дообучена на 250 часах размеченных данных VLSP ASR. Модель содержит 113,3 млн параметров и принимает речь с частотой дискретизации 16 кГц. Модель предназначена для преобразования вьетнамской речи в текст. В тесте VLSP T1 автор сообщает WER 8,66 без языковой модели и 6,53 с 5-граммовой языковой моделью. Эти результаты относятся к указанному тестовому набору и не гарантируют такое же качество на других типах аудио. Для использования модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое применение.

Модель Gabor Madarasz — система автоматического распознавания речи на венгерском языке, дообученная на базе facebook/mms-1b-all. Она использует архитектуру Wav2Vec2ForCTC с 1,3 млрд параметров и предназначена для преобразования венгерской речи в текст. Модель рассчитана на запись речи одного говорящего, например подкасты, аудиокниги и другие чёткие аудиозаписи. В карточке приведены результаты тестирования: WER 19,93% и CER 5,19% на тестовой части FLEURS для венгерского языка, а также WER 16% на 500 отложенных примерах Common Voice. Для уменьшения ошибок распознавания похожих по звучанию слов рекомендуется декодирование с языковой моделью, например KenLM через beam search. Лицензия — CC0-1.0.

DrishtiSharma/wav2vec2-large-xls-r-300m-bg-d2 — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на болгарской части набора Mozilla Common Voice 8.0. Она использует архитектуру Wav2Vec2 с выходной головой CTC и предназначена для преобразования болгарской речи в текст. Модель подходит для транскрибации аудиозаписей и оценки качества систем распознавания болгарской речи. В карточке указаны значение WER 0,2860 и loss 0,3421 на тестовой выборке Common Voice 8.0. Репозиторий содержит веса PyTorch; размер модели — около 402,7 млн параметров. Лицензия — Apache-2.0.

Это модель автоматического распознавания речи на урду, разработанная Kingabzpro. Она основана на архитектуре Wav2Vec2ForCTC и дообучена из facebook/wav2vec2-xls-r-300m на наборе Mozilla Common Voice 8.0. Размер модели — около 402,7 млн параметров; она принимает моноканальную аудиозапись с частотой 16 кГц и преобразует речь в текст на урду. Модель предназначена для транскрибирования речи и прототипирования систем распознавания урду. Для декодирования можно использовать включённую 5-граммную языковую модель KenLM: в README сообщается о WER 39,89% с KenLM против 56,07% при жадном CTC-декодировании на тестовой части Common Voice 8.0. Качество зависит от чистоты записи, акцента, переключения языков, фонового шума, специальной лексики и длины высказывания; транскрипты следует проверять перед ответственным использованием. Лицензия — Apache-2.0.

Модель dianavdavidson/wav2vec2-large-xlsr-53-iv_hindi_vaani-62420-hinglish_mixed_scripts-alldata-1e-4-100-mix-0.3-FT — дообученная Dianavdavidson версия facebook/wav2vec2-large-xlsr-53 для автоматического распознавания речи. Она построена на архитектуре Wav2Vec2ForCTC, содержит 402,8 млн параметров и принимает аудио, выдавая распознанный текст. По названию модели она ориентирована на хинди и хинглиш со смешанными письменностями; оценка на тестовом наборе указана как Global WER 29,1776 и loss 0,7903. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

KBLab разработала wav2vec2-large-xlsr-53-swedish — модель распознавания шведской речи на основе архитектуры Wav2Vec2ForCTC с 402,7 млн параметров. Она дообучена на базе facebook/wav2vec2-large-xlsr-53: сначала на корпусе примерно из 1000 часов шведских радиопередач, затем на NST Swedish Dictation и Common Voice. Модель принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст. Модель предназначена для автоматической транскрибации шведской речи. В оценке на тестовой части Common Voice указаны WER 14,30% и CER 4,93%. Для более высокого качества авторы рекомендуют свою более новую модель wav2vec2-large-voxrex-swedish. Модель распространяется по лицензии Apache-2.0.

WestOrcaMonarch-DPO-7B — языковая модель на архитектуре Mistral, дообученная jsfs11 методом DPO на наборе OpenHermes2.5-dpo-binarized-alpha. Она предназначена для генерации текста в диалоговом формате ChatML и может использоваться для создания ответов на запросы и ведения диалогов. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Для обучения применялся QLoRA с рангом LoRA 32; в репозитории указаны веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценивания качества или перечня языков, поэтому их нельзя уверенно конкретизировать.

Модель bofenghuang/whisper-large-v2-cv11-german — дообученная версия Whisper Large v2, созданная для распознавания немецкой речи. Её обучили на немецкой части набора Mozilla Common Voice 11.0; модель построена на архитектуре Whisper и содержит около 905,2 млн параметров. Модель преобразует аудио в текст, включая регистр букв и пунктуацию. Для входной речи требуется частота дискретизации 16 кГц. В карточке для Common Voice 11.0 указана оценка WER 5,76; результат получен на этом наборе и не гарантирует такую же точность на других данных. Модель распространяется по лицензии Apache-2.0.

vonjack/whisper-large-v3-gguf — это модель автоматического распознавания речи Whisper в формате GGUF, предназначенная для использования с whisper.cpp. Репозиторий содержит варианты модели для преобразования аудио в текст; в качестве примеров указаны записи Librispeech. Разработчик модели в README не указан. Модель поддерживает широкий набор языков, включая английский, китайский, немецкий, испанский, русский, французский, японский, португальский и многие другие. Архитектура, количество параметров, размер модели, максимальная длина контекста и сведения о дополнительных модальностях в README не приведены. К сильным сторонам относятся совместимость с whisper.cpp и широкая языковая поддержка, однако ограничения по качеству, производительности и требованиям к ресурсам не описаны. Модель распространяется по лицензии Apache-2.0.

Карточка модели bybb138/whisper-large-v3-turbo-korean на Hugging Face совпадает с карточкой ghost613/whisper-large-v3-turbo-korean, поэтому описание составлено по ней. ghost613/whisper-large-v3-turbo-korean — дообученная модель Whisper Large V3 Turbo для автоматического распознавания корейской речи и преобразования её в текст. Она создана на основе openai/whisper-large-v3-turbo и обучена на корейском наборе данных Zeroth; в обучающей выборке было около 206 часов 43 минут аудио. Модель содержит около 905,2 млн параметров и принимает аудио, выдавая текст. В README указаны итоговые показатели WER 4,90% на валидации и 4,89% на тесте, а CER — 1,78% и 2,06% соответственно. Автор отмечает, что обучение не сошлось и дальнейшее улучшение результатов возможно. Модель опубликована в формате safetensors; условия лицензии в предоставленных данных не описаны.

burakaydinofficial/whisper-small-24lang — мультиязычная модель распознавания речи, созданная дообучением стандартной архитектуры OpenAI Whisper Small на 24 языках корпуса Whispered с лицензией CC0. Она предназначена для транскрибирования аудио и служит научным контрольным вариантом для сравнения с моделью, преобразованной из MHA в MLA. Модель содержит 153,1 млн параметров, использует архитектуру WhisperForConditionalGeneration и доступна в формате safetensors; она загружается через Transformers без trust_remote_code. Модель обучена для распознавания чтённой речи; в README приведены результаты оценки на CommonVoice-17, включая WER для английского, немецкого и испанского. Стандартную архитектуру Whisper можно конвертировать стандартными инструментами для faster-whisper, CTranslate2 и whisper.cpp. Для использования весов применяется лицензия Apache-2.0; обучающий корпус Whispered указан как CC0.

Jingmiao/whisper-small-chinese_base — дообученная модель распознавания речи на архитектуре Whisper Small, разработанная на основе openai/whisper-small. Она предназначена для преобразования китайской речи в текст; обучение проводилось на китайской части набора google/fleurs (cmn_hans_cn). Модель содержит 153,1 млн параметров и опубликована в формате PyTorch. На указанном в карточке наборе для оценки модель достигла значения WER 16,6439 и loss 0,3573. Лицензия Apache-2.0.

Whisper small Fa — модель распознавания речи, созданная дообучением openai/whisper-small на датасете Mozilla Common Voice 17.0. Она предназначена для преобразования аудиозаписей на фарси в текст и подходит для транскрибирования речи в пользовательских записях и наборах данных. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. В тестировании на карточке указаны наилучшие значения WER 0,419 и CER 0,196. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

hezarai/whisper-small-fa — модель распознавания речи на основе Whisper small, дообученная Hezar AI на персидской части набора Common Voice 13. Она преобразует персидскую речь в текст и предназначена для сценариев автоматической транскрибации. Модель распространяется в формате PyTorch и используется через библиотеку Hezar. В карточке не приведены сведения о лицензии и ограничениях качества.

Shirali/whisper-small-ISSAI_KSC_335RS_v2 — аудиомодель семейства Whisper с архитектурой WhisperForConditionalGeneration и 153,1 млн параметров. Репозиторий содержит веса PyTorch; модель предназначена для автоматического распознавания речи. В README указано, что модель обучена с нуля, но набор данных обозначен как None, а сведения о назначении, обучающих данных и оценке не приведены. Языки распознавания и качество для конкретных условий записи установить по доступным данным нельзя. Лицензия не указана.

Wiz2Beagle-7b-v1 — объединённая текстовая генеративная модель, созданная автором maxcurrent с помощью VortexMerge kit на основе amazingvince/Not-WizardLM-2-7B и mlabonne/NeuralBeagle14-7B. Слияние выполнено методом TIES с градиентами плотности и весов; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров, веса доступны в формате safetensors. Контекстное окно — до 32 768 токенов. Модель предназначена для генерации текста и может применяться для диалогов, ответов на вопросы, следования инструкциям, рассуждений и творческого письма — эти сценарии соответствуют возможностям базовых моделей. В метаданных указана лицензия Apache-2.0. Данные о языковой специализации и отдельных проверках качества этого слияния не приведены.

xlm-roberta-longformer-large-16384 — многоязычная модель с архитектурой Longformer, созданная на основе весов XLM-RoBERTa без дополнительного предварительного обучения. Версия large содержит 658,7 млн параметров, 24 слоя и скрытый размер 1024; механизм внимания рассчитан на обработку последовательностей длиной до 16 384 токенов. Модель предназначена для извлечения признаков из длинных текстов и последующего дообучения под прикладную задачу. Её можно использовать как основу для классификации, поиска и других задач понимания текста, требующих контекста длиннее стандартного окна трансформера. Поддерживается широкий набор языков, в частности английский и другие европейские, азиатские и африканские языки; полный перечень языковых тегов включает 50 языков. Репозиторий содержит формат TensorFlow. Лицензия — MIT. Карточка не сообщает результатов оценки качества и не описывает готовые прикладные сценарии: модель следует дообучить для конкретной задачи. Большое окно контекста позволяет учитывать протяжённый текст, но само по себе не гарантирует качество на конкретном языке или задаче.

Wav2Vec2-XLSR-300m-es — модель распознавания испанской речи, созданная polodealvarado путём дообучения facebook/wav2vec2-xls-r-300m на испанской части Common Voice 8.0. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель предназначена для преобразования аудиозаписей на испанском языке в текст. На оценочной выборке автор сообщает WER 0,146 без языковой модели и WER 0,109 с пятиграммовой языковой моделью; CER с ней составляет 0,036. Репозиторий включает PyTorch-веса и процессор с конфигурацией для пятиграммной языковой модели. Модель распространяется по лицензии Apache 2.0. Результаты приведены для Common Voice 8.0; точность на других типах записей и в иных акустических условиях может отличаться.

YamMulti_verse_model-7B — объединённая языковая модель на архитектуре Mistral, созданная с помощью mergekit. Разработчик объединил mayacinka/yam-jom-7B-slerp и ammarali32/multi_verse_model методом DARE TIES; в карточке базовой для слияния указана mayacinka/yam-jom-7B-slerp. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста на основе текстового запроса. Её можно использовать для диалогов, написания и продолжения текста, а также для других сценариев генерации. Данные не уточняют специализацию по языкам или прикладным областям. Модель распространяется в формате safetensors и рассчитана на работу через Transformers. Сведения о лицензии и известных ограничениях в предоставленных источниках отсутствуют.

Zelus-8B-Model_Stock — диалоговая языковая модель, созданная DreadPoor с помощью mergekit методом Model Stock. В качестве базовой использована FuseAI/FuseChat-Llama-3.1-8B-SFT, а в слияние вошли также модели семейства Llama 3.1 от Arcee, VAGOsolutions, Unsloth, Nous Research, Orenguteng и NeverSleep. Модель имеет плотную архитектуру LlamaForCausalLM с 7,5 млрд параметров и распространяется в формате safetensors. Модель предназначена для генерации текста и диалогов, включая ответы на инструкции и свободные запросы. Метаданные указывают контекст до 131 072 токенов, библиотеку Transformers и возможность chat. В README приведены результаты оценок IFEval и BBH; данных о языковой поддержке в карточке недостаточно, чтобы утверждать, какие языки модель поддерживает. Модель распространяется по лицензии Apache-2.0. Результаты в README ограничены приведёнными бенчмарками и сами по себе не гарантируют качество в конкретных сценариях; поведение унаследовано от нескольких объединённых моделей.

Zen5 Max — большая текстовая модель семейства Zen5 от ZenLM, основанная на DeepSeek-V4-Pro. Это не модель, обученная с нуля: README описывает её как перепакованную и квантизованную в GGUF версию аблитированной производной DeepSeek-V4-Pro. Применяется для генерации текста и задач, требующих глубоких рассуждений; для запуска автор рекомендует систему с unified memory от 512 ГБ или пул из восьми ускорителей H100/H200. Модель имеет архитектуру MoE и файл GGUF размером около 432 ГБ. Веса квантизованы асимметрично: маршрутизируемые up/gate-проекции используют IQ2_XXS, down-проекции — Q2_K, а общие эксперты, проекции внимания, логиты маршрутизации и LM head сохранены в более высокой точности. В тегах заявлены английский и китайский языки, а также контекст 1 млн токенов. Репозиторий распространяется по лицензии MIT. Требования к памяти и вычислительным ресурсам высоки; README рекомендует для оборудования с 128 ГБ использовать zen-5-pro-gguf. Количественные оценки качества в предоставленной карточке не приведены.

anakin87/zephyr-7b-alpha-sharded — разбитая на шарды копия Zephyr 7B Alpha, модели-ассистента от Hugging Face. Она предназначена для диалогов и генерации ответов на запросы, а эта версия упрощает загрузку модели в Google Colab. Это плотная авторегрессионная языковая модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; репозиторий содержит веса в формате safetensors. Основной язык карточки — английский. Zephyr 7B Alpha дообучена на базе mistralai/Mistral-7B-v0.1 методом Direct Preference Optimization на смеси общедоступных и синтетических наборов данных. В README отмечено, что снятие встроенного выравнивания данных повысило результаты на MT Bench и полезность ответов, но модель может выдавать проблемный текст при соответствующем запросе. Для инференса автор README рекомендует 8-битную квантизацию, чтобы снизить потребление видеопамяти. Лицензия — MIT.

zephyr-7b-sft-full — диалоговая модель генерации текста, дообученная командой HuggingFaceH4 на mistralai/Mistral-7B-v0.1 с использованием набора HuggingFaceH4/ultrachat_200k. Это плотная авторегрессионная архитектура MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов, предназначенная для общения и генерации ответов по текстовым запросам. В карточке приведено значение loss 0,9353 на оценочном наборе. Модель подходит для чат-ботов, ответов на вопросы и других сценариев генерации текста. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. README не приводит дополнительных сведений о целевых сценариях, языковом охвате или известных ограничениях.

S4sch/zephyr-neural-chat-frankenmerge11b — языковая модель для генерации текста, созданная путём объединения слоёв HuggingFaceH4/zephyr-7b-beta и Intel/neural-chat-7b-v3-1 с помощью mergekit. В сборке чередуются диапазоны слоёв обеих моделей; указанный в метаданных размер — 11,3 млрд параметров, архитектура — плотная MistralForCausalLM, формат весов — safetensors. Модель поддерживает контекст длиной до 32 768 токенов. Она предназначена для генерации текста и диалогового применения на основе объединённых моделей Zephyr и Neural Chat. В карточке не приведены отдельные оценки качества, описание поведения или перечень поддерживаемых языков. Лицензия — Apache-2.0.

Zora v1.13 — открытая языковая модель Sovasoft на базе Qwen3-8B, дообученная для 12 языков Балкан и Юго-Восточной Европы: сербского, хорватского, боснийского, македонского, словенского, албанского, черногорского, болгарского, греческого, турецкого, румынского и венгерского. Это плотная авторегрессионная модель с 7,6 млрд параметров и контекстом до 40 960 токенов; она работает с текстом, поддерживает диалог и интерфейс вызова инструментов. Модель предназначена для генерации ответов и рассуждений на поддерживаемых языках, анализа аргументов и предвзятости, а также использования в сценариях поиска с дополнением контекста (RAG). Разработчик сообщает об улучшении анализа и многошаговой логики в версии 1.13 и о стремлении модели признавать неопределённость. По собственным тестам Sovasoft, эти улучшения сопровождаются заметным снижением подробности ответов и небольшим снижением результатов быстрого поиска фактов; фактические знания модели ограничены, а рассуждения требуют проверки. Заявленные результаты BalkanBench получены на внутреннем бенчмарке разработчика и могут зависеть от его дизайна и обучающих данных. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README рекомендует для квантизованных вариантов форматы не ниже Q5_K_M, поскольку более сильная квантизация может ухудшать следование заявленной политике честных ответов; для актуальных сведений требуется внешний поиск или RAG.

0x01-8x7B-hf — слитая языковая модель семейства Mixtral, опубликованная rAIfle. Автор описывает её как многоэтапное слияние нескольких моделей с разными весами и методами; модель предназначена для генерации текста. В метаданных указаны архитектура MixtralForCausalLM с механизмом Mixture of Experts, 7,1 млрд параметров и контекст до 32 768 токенов. Автор сообщает, что модель показала приемлемые результаты при использовании рекомендованных настроек, однако конкретные сценарии и языки не описаны. Репозиторий содержит веса в формате safetensors; также перечислены отдельные квантованные версии GGUF и exl2. Лицензия в предоставленных данных не указана.

CausalLM/7B-DPO-alpha — языковая модель на архитектуре Llama, разработанная авторами проекта CausalLM. Это версия с обучением DPO на отдельной ветке обучения; по карточке модели, она не является продолжением обучения CausalLM/7B или CausalLM/14B. Модель содержит 7,1 млрд параметров, работает с текстом и имеет контекстное окно до 8192 токенов. Модель предназначена для генерации текста и диалоговых ответов. В метаданных указаны английский и китайский языки; среди обучающих данных перечислены наборы для диалогов, инструкций, математики и знаний. Авторы приводят результаты сравнения MT-Bench, но доступный фрагмент карточки не содержит оценки самой модели. Лицензия — WTFPL. Авторы предупреждают, что модель обучалась на неотфильтрованных интернет-данных и может генерировать оскорбительный, порнографический или жестокий контент. Они также отмечают отсутствие специального этапа RLHF для этики и безопасности, поэтому выходы модели требуют проверки и фильтрации.

AfriqueQwen3.5-9B-50Langs-Instruct-v1 — постобученная инструктивная версия модели McGill-NLP/AfriqueQwen3.5-9B-50Langs, разработанная McGill-NLP. Это плотная языковая модель семейства Qwen3.5 с 9 млрд параметров, предназначенная для диалогов и выполнения текстовых инструкций. Модель используют для пошагового решения математических задач, перевода и ответов на вопросы с выбором варианта. Модель ориентирована на 50 языков, в частности на африканские языки; в README приведены примеры работы на английском и суахили. В репозитории заявлена текстовая генерация: хотя класс архитектуры поддерживает условную генерацию, веса для зрения отсутствуют. Для запуска через vLLM README указывает режим `--language-model-only` и максимальную длину входа 12 288 токенов. В README приведены результаты оценки на наборах AfriMGSM, AfriMMLU, AfriXNLI, Belebele, Injongo, SIB-200 и FLORES. Полная таблица сравнительных результатов здесь представлена не целиком, поэтому по ней нельзя надёжно оценить качество модели относительно других систем. Модель распространяется по лицензии CC BY 4.0.

all-MiniLM-L12-v2-code-search-512 — это компактная модель Sentence Transformers, дообученная на парах кода и документации из CodeSearchNet для семантического поиска по коду. Она сопоставляет текстовые запросы на естественном языке с исходным кодом и возвращает 384-мерные нормализованные эмбеддинги для поиска по косинусному сходству. Модель основана на архитектуре BERT семейства MiniLM, содержит 40 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для поиска фрагментов кода по запросу, сопоставления кода с документацией, поиска похожего кода и кластеризации, в том числе при интеграции в инструменты разработчика и IDE. В README приведены результаты на валидационной выборке CodeSearchNet: Accuracy@1 91% и MRR@10 0,9338. Поддерживаются запросы на естественном языке и код на Python, Java, JavaScript, PHP, Ruby и Go; возможны и другие языки из CodeSearchNet. Модель не предназначена для генерации или автодополнения кода. Входы длиннее 512 токенов обрезаются, а качество может различаться между языками программирования и предметными областями. Лицензия — Apache-2.0.