I.3Извлечение и структурирование данных

Qwen_Qwen2.5-VL-72B-Instruct-GGUF — это квантованные в формате GGUF версии мультимодальной модели Qwen2.5-VL-72B-Instruct, разработанной Qwen. Квантование выполнено bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text, то есть обработки изображений совместно с текстовыми запросами и генерации текстовых ответов. Модель имеет размер 72B параметров и поддерживает мультимодальные сценарии. Доступны варианты квантования от Q8_0 до Q2_K_L, различающиеся размером файлов, требованиями к памяти и качеством ответов. Наиболее качественными и рекомендуемыми в README названы варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS; малые варианты Q3 и Q2 экономят память, но заметно уступают по качеству. Размеры файлов составляют примерно от 31 до 77 ГБ. Модель можно запускать локально через llama.cpp, LM Studio и другие совместимые проекты. README указывает английский язык, однако сведения о полном наборе поддерживаемых языков и размере контекстного окна не приведены. Основные ограничения связаны с большими требованиями к оперативной или видеопамяти, особенно для высококачественных квантов, а также с возможной потерей качества при использовании низких уровней квантования. Лицензия обозначена как qwen и other; подробные условия доступны в лицензии исходной модели Qwen2.5-VL-72B-Instruct.

pyannote/speaker-diarization — открытая предварительно обученная модель-пайплайн команды pyannote, предназначенная для диаризации речи в аудиозаписях. Она определяет, кто и когда говорит, автоматически выполняя сегментацию речи, обнаружение смены говорящих и обработку перекрывающейся речи. Пайплайн рассчитан на применение в автоматическом распознавании речи и других сценариях анализа разговорного аудио. Модель работает с аудио и построена на базе pyannote.audio 2.1.1. Она не требует ручного задания голосовой активности, количества говорящих, дообучения внутренних моделей или настройки гиперпараметров под каждый датасет, однако позволяет указать точное или приблизительное число говорящих. Результат можно экспортировать в формате RTTM. Языки, размер модели, точная архитектура и максимальная длина контекста в README не указаны. Сильными сторонами являются полностью автоматическая обработка, поддержка перекрывающейся речи и возможность задавать ограничения на число говорящих. Производительность зависит от оборудования: заявленное измерение составляет около 1,5 минуты на обработку одного часа разговора при использовании Nvidia Tesla V100 и Intel Cascade Lake 6248. Точность заметно различается между наборами данных, поэтому модель следует проверять на целевом типе аудио. Для использования требуется принять условия доступа к модели и связанному компоненту pyannote/segmentation, а также создать токен Hugging Face. Лицензия — MIT.

Ternary Bonsai 2 27B MLX — мультимодальная модель семейства Qwen3.5, упакованная для локального запуска на Apple Silicon. Репозиторий представляет собой преобразованную упаковку чекпойнта prism-ml/Ternary-Bonsai-2-27B-mlx-2bit: переобучения и дополнительной квантизации не проводилось. 402 языковые матрицы хранят тернарные веса со скоростью 1,75 бита на вес; зрительный модуль и связанные тензоры сохранены в исходной точности FP16. Модель поддерживает диалог, работу с изображениями и интерфейс вызова инструментов. Она предназначена для генерации текста и ответов на вопросы по изображениям, включая OCR и пространственные рассуждения, при локальном инференсе на устройствах Apple Silicon. README сообщает о проверках точности на текстовых и мультимодальных сценариях, включая контекст до 8192 токенов, но полное окно контекста и общие бенчмарки возможностей исходной модели не проверялись. Заявленная экономия памяти не означает ускорения: в приведённых измерениях обработка входа была медленнее официального чекпойнта, а генерация имела сопоставимую скорость. Для запуска требуется MLX и комплект закреплённых версий MLX-LM, MLX-VLM и Transformers с поставляемым загрузчиком; стандартные загрузчики MLX и Transformers этот артефакт не поддерживают. Проверена конфигурация M4 Max с 48 ГБ объединённой памяти, другие версии библиотек и устройства не валидированы. Лицензия — Apache-2.0.

vulong3896/topic_classifier — модель классификации текста на основе DistilBERT, дообученная на distilbert/distilbert-base-multilingual-cased. Она предназначена для отнесения текстов к темам и другим заданным классам; конкретные категории и сценарии применения в карточке не описаны. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метку класса. Максимальная длина контекста — 512 токенов; репозиторий содержит веса в формате safetensors. Базовая модель многоязычная, поэтому модель подходит для классификации текстов на разных языках, хотя конкретные поддерживаемые языки не перечислены. На оценочном наборе указаны accuracy 0,8869 и loss 1,2182, но набор данных и методика оценки не описаны, поэтому эти результаты нельзя напрямую переносить на другие данные. Лицензия — Apache-2.0.

Dhivehi TSDAE News BERT — модель Sentence-Transformers на архитектуре BERT, обученная для представления предложений и абзацев в виде плотных векторов размерностью 768. Модель насчитывает 79,7 млн параметров и принимает текст; векторы подходят для семантического поиска и кластеризации новостных заголовков и других текстов на дивехи. Модель использует обучение TSDAE с функцией потерь DenoisingAutoEncoderLoss. Её можно применять через Sentence-Transformers либо Transformers с подходящей операцией pooling. Контекст составляет до 514 токенов. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

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.

ctl/wav2vec2-large-xlsr-cantonese — модель распознавания речи, дообученная на базе facebook/wav2vec2-large-xlsr-53 на кантонском языке с использованием корпуса Common Voice. Она принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; указана архитектура Wav2Vec2ForCTC с 406,3 млн параметров. Для оценки использовалась тестовая часть Common Voice для китайского (Гонконг); в карточке приведён результат 15,51%, но не уточнена метрика. Модель распространяется по лицензии Apache-2.0.

vumichien/whisper-small-ja — модель распознавания японской речи, полученная дообучением Whisper Small от OpenAI на японской части Mozilla Common Voice 11.0. Она принимает аудио и генерирует текстовую транскрипцию; архитектура — WhisperForConditionalGeneration, размер — 153,1 млн параметров. Модель подходит для преобразования японской речи в текст. На указанном в карточке наборе оценки достигнуты значения WER 13,4679 и CER 8,6022. Базовая Whisper Small также поддерживает несколько языков и перевод аудио на английский, однако карточка этой версии описывает дообучение именно для японского распознавания. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

Alfiob12/agnews-bert — модель классификации новостей, созданная дообучением bert-base-uncased на наборе AG News. Она принимает заголовок и текст статьи и относит новость к одной из четырёх категорий: World, Sports, Business или Sci/Tech. Модель построена на архитектуре BERT и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Предназначена для автоматической разметки новостных материалов и тематической сортировки публикаций. В README указана точность 94,47% на выделенной тестовой выборке. Модель работает с англоязычными новостями. Доступна в формате safetensors и распространяется по лицензии MIT. Результаты оценки относятся к AG News и могут не отражать качество на других тематиках, языках или форматах текста.

Ananthus-Transformers-for-contracts — дообученный Ananthu357 энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2. Модель построена на архитектуре BERT и библиотеке Sentence Transformers; она преобразует предложения и абзацы в нормализованные плотные векторы размерности 384 для сравнения по косинусному сходству. В метаданных указано 25,9 млн параметров и контекст до 512 токенов; README описывает максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сопоставления текстов, поиска парафразов, кластеризации и подготовки признаков для классификации. Название указывает на работу с договорами, но README не сообщает, на каких именно договорных данных модель обучалась и насколько хорошо она справляется с юридическими текстами. Лицензия в предоставленных данных не указана.

Модель gyr66/bert-base-chinese-finetuned-ner — дообученная версия Danielwei0214/bert-base-chinese-finetuned-ner, разработанная для обнаружения приватных данных в китайском тексте. Она выполняет классификацию токенов на основе BERT и обучена на наборе gyr66/privacy_detection. Модель содержит 129,5 млн параметров, принимает последовательности длиной до 512 токенов и предназначена для извлечения и разметки фрагментов, содержащих чувствительную информацию. На оценочном наборе модель показала F1 0,6947, точность 0,6532 и полноту 0,7417. Эти результаты относятся к указанному набору данных и могут не переноситься на другие типы текста. Модель распространяется в формате PyTorch; сведения о лицензии в предоставленных источниках отсутствуют.

Это модель Sentence Transformer на базе BERT, опубликованная pankajrajdeo. Она преобразует предложения и абзацы в плотные векторы размерностью 384, пригодные для сравнения по косинусному сходству. Архитектура использует усреднение токенных представлений; максимальная длина входа составляет 1024 токена. В метаданных указано 50,3 млн параметров, библиотека sentence-transformers и формат safetensors. Модель предназначена для поиска семантически близких текстов, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Карточка сообщает об обучении на парах anchor-positive и использует MultipleNegativesRankingLoss. Название репозитория указывает на биомедицинскую тематику обучения, в том числе UMLS, PubMed и PMC, однако описание датасета в README приводит также примеры общего характера. Языки и лицензия в предоставленных данных не указаны. Для работы с моделью подходит библиотека Sentence Transformers; результатом являются векторы текста, а не готовые ответы или метки. Качество на конкретных языках и предметных областях следует проверять отдельно.

Blending Embedder — модель SentenceTransformer, разработанная sowthri-industrial-ai и дообученная на базе intfloat/e5-base-v2. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 768 и предназначена для семантического поиска и извлечения релевантных фрагментов. Архитектура состоит из BERT, среднего pooling и нормализации; сходство векторов можно оценивать косинусной мерой. Модель принимает текстовые последовательности длиной до 512 токенов. Примеры обучающего набора показывают пары запросов и текстовых фрагментов о возобновляемом дизельном топливе, его свойствах, стандартах и применении в двигателях, поэтому модель может быть полезна для поиска по подобной технической документации. Лицензия в предоставленных данных не указана.

BLING-Phi-1.5B-v0 — дообученная модель llmware на базе Microsoft Phi-1.5B для инструктивных сценариев RAG. Она предназначена для ответов на вопросы по заданному контексту, извлечения значений и краткого суммирования документов в рабочих процессах с базой знаний, в том числе в финансовой, юридической и регуляторной сферах. Модель использует архитектуру Phi для генерации текста, поддерживает английский язык и имеет контекстное окно 2048 токенов. В тестировании на RAG-Instruct-Benchmark-Tester модель набрала 87,75 балла из 100; качество ответов на сложные вопросы и суммирования оценено как среднее или низкое. Результаты тестирования не гарантируют точность на других данных: ответы могут быть неполными или неверными, поэтому их следует проверять. Модель распространяется по Microsoft Research License и не может использоваться в коммерческих целях.

BusinessBERT — англоязычная модель на основе двунаправленного энкодера BERT, разработанная для NLP-задач в бизнес-сфере. Она предварительно обучена на корпусах деловой коммуникации общим объёмом 2,23 млрд токенов: годовой отчётности компаний, содержимом корпоративных сайтов и научной литературе. Помимо masked language modeling, при обучении использовалась классификация отрасли документа. Модель содержит 135,8 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch по лицензии CC BY 4.0. BusinessBERT предназначена для дообучения на классификации текстов, распознавании именованных сущностей, анализе тональности и ответах на вопросы о бизнес-документах. В карточке приведены результаты оценки на финансовых и деловых наборах данных для этих задач. Метаданные Hugging Face указывают pipeline-задачу fill-mask; модель также можно применять для заполнения маскированных токенов. Для прикладных задач из README может потребоваться дообучение.

CHURRO — открытая по весам мультимодальная модель распознавания исторических документов, разработанная Stanford OVAL. Модель содержит 3,1 млрд параметров и дообучена на базе Qwen/Qwen2.5-VL-3B-Instruct; она принимает изображения документов и выдаёт распознанный текст. Контекст модели — 128 000 токенов. Модель предназначена для транскрибации рукописного и печатного текста из исторических источников. Она обучена на CHURRO-DS — наборе примерно из 100 тысяч страниц 155 исторических коллекций, охватывающем 22 века и 46 языковых кластеров, в том числе исторические и мёртвые языки. Авторы сообщают о более высокой точности, чем у ряда существенно более крупных коммерческих и открытых VLM, при более низкой стоимости; для тестового набора CHURRO заявлено снижение стоимости в 15,5 раза относительно Gemini 2.5 Pro при превышении его точности. В репозитории указана лицензия other, поэтому перед использованием следует проверить её условия. Заявленные результаты относятся к тестовому набору CHURRO-DS; качество на иных коллекциях, почерках и языках может отличаться.

AtlasCloud/DeepSeek-V4-Flash-Vision-Exp-FP8-DSpark — экспериментальная мультимодальная модель семейства DeepSeek-V4, разработанная на базе DeepSeek-V4-Flash-Vision-Exp. Репозиторий содержит преобразованную версию официальных весов с FP4 для маршрутизируемых экспертов в формат FP8 e4m3 с блоковым масштабированием 128×128 ue8m0; плотные слои, общие эксперты, токенизатор и конфигурации DSpark и зрения сохранены без изменений. Модель распространяется как готовый checkpoint для Hugging Face и предназначена для запуска через SGLang или встроенную эталонную реализацию. Модель поддерживает обработку текста и изображений и ориентирована на мультимодальное понимание, агентские сценарии, работу с инструментами, графиками и визуальными данными, сохраняя сопоставимую производительность в текстовых агентских задачах. В README указано использование архитектурных компонентов vision encoder, aligner, DFlash attention, MoE, Hyper-Connections и DSpark forward path. Точный размер модели, окно контекста и перечень поддерживаемых языков не указаны. Ключевое свойство этой версии — lossless-преобразование экспертных весов в FP8 без дополнительного этапа конвертации при развертывании. Для запуска требуется совместимая конфигурация SGLang и отключение FP4-пути экспертов; конкретные требования к оборудованию не приведены. Модель распространяется по лицензии MIT.

Это конверсия в формат MLX модели diar_sortformer_4spk-v1 от NVIDIA, подготовленная сообществом mlx-community с помощью mlx-audio 0.3.2. Модель предназначена для офлайн-разметки речи по говорящим и определения активности голосов: она обрабатывает монофоническое аудио с частотой 16 кГц и выдаёт вероятности активности говорящих для каждого временного кадра, поддерживая до четырёх говорящих. Архитектура включает FastConformer из 18 слоёв, Transformer Encoder из 18 слоёв и модули Sortformer; используются 80 мел-фильтров. Языковые характеристики, размер и длина контекста в предоставленных данных не описаны. Условия лицензии не приведены, поэтому определить их по этой карточке нельзя.

Карточка модели Zappandy/dukaan-saathi-receipt-lora на Hugging Face совпадает с карточкой summerdevlin46/dukaan-saathi-receipt-lora, поэтому описание составлено по ней. Dukaan Saathi Receipt Parser — дообученная на базе Llama-3.2-3B-Instruct модель, созданная для разбора чеков и накладных в индийских магазинах kirana; она входит в демонстрационный проект помощника по учёту запасов Dukaan Saathi. Модель принимает распознанный OCR-текст поставщицких документов и формирует структурированный JSON со строками товаров, количеством, ценами и сведениями о поставщике. Она рассчитана на шумный текст из рукописных счетов, печатных налоговых накладных и неформальных записей. Обучение ориентировано на единообразие формата: использованы 28 примеров, из них 6 составлены вручную по реальным форматам kirana, а 22 синтетических примера добавлены для редких случаев. В метаданных указаны архитектура LlamaForCausalLM, 3,2 млрд параметров, контекст до 131 072 токенов, английский и телугу, формат safetensors и лицензия MIT. Малый объём обучения ограничивает обобщение: модель склонна переобучаться на знакомые шаблоны чеков и не предназначена для универсального разбора чеков. Перед записью любых изменений в учёт запасов требуется подтверждение владельца.

Adzpro/embedding_e5 — текстовая модель Sentence Transformers, дообученная разработчиком Adzpro на базе intfloat/multilingual-e5-base. Она преобразует предложения и абзацы в нормализованные плотные эмбеддинги размерности 768 и предназначена для семантического поиска и извлечения документов; близость векторов можно сравнивать косинусной мерой. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений и нормализацией. Модель принимает текст, поддерживает многоязычные сценарии и обрабатывает последовательности длиной до 512 токенов. Обучение описано как сопоставление запросов и документов с MultipleNegativesRankingLoss на 140 парах. Примеры датасета относятся к вьетнамским финансовым отчётам, поэтому модель может быть полезна для поиска по подобным материалам; README приводит метрики на небольших тестовой и валидационной выборках. Условия лицензирования в доступных сведениях не приведены.

NickyNicky/gemma-1.1-2b-it_text_to_sql_format_chatML_V1 — дообученная чат-модель семейства Gemma от автора NickyNicky, предназначенная для генерации SQL по запросам на естественном языке. Она построена на плотной архитектуре GemmaForCausalLM и содержит 2,5 млрд параметров; модель рассчитана на контекст до 8192 токенов и использует формат safetensors в библиотеке Transformers. В метаданных указаны английский язык и наборы данных gretelai/synthetic_text_to_sql и NickyNicky/synthetic_text_to_sql_format_chatML_gemma. README приводит результаты обучения за 2,01 эпохи и 2509 шагов. Модель распространяется по лицензии Apache-2.0.

gaurav-mac опубликовал модель на базе BERT для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и предназначена для поиска семантически близких фрагментов, кластеризации и сравнения предложений. Обучение с Triplet Loss на евклидовом расстоянии помогает располагать похожие тексты ближе в векторном пространстве. Модель содержит 264,8 млн параметров, принимает текст длиной до 512 токенов и распространяется в форматах PyTorch и safetensors. В названии указаны хинди и датасет SUMO, что указывает на целевую языковую специализацию, однако карточка не раскрывает подробностей о данных и качестве на конкретных наборах. Лицензия в доступных сведениях не указана.

HyperCLOVA X SEED Think 32B — плотная vision-language модель на базе Transformer, разработанная NAVER. Она принимает текст, изображения и видео и генерирует текст; общий формат представления текста и визуальных патчей поддерживает мультимодальное понимание. Модель содержит 32 млрд параметров, поддерживает контекст до 128 тыс. токенов и имеет опциональный режим рассуждений с настраиваемым бюджетом токенов. Модель предназначена для корейско-ориентированных задач рассуждения, анализа изображений и видео, визуальных вопросов и ответов, а также агентных сценариев. В README приведены примеры бенчмарков по корейским знаниям, пониманию диаграмм и текста на изображениях, а также выполнению задач в сервисных сценариях. Для запуска описаны OmniServe и требования к GPU; карточка указывает библиотеку Transformers. Лицензия обозначена как other, поэтому конкретные условия следует проверять в файлах лицензии репозитория.

p-doom разработала inverse dynamics model (IDM) для восстановления пользовательских действий по коротким записям экрана. Модель дообучена методом LoRA на языковых и визуальных модулях Qwen/Qwen3-VL-8B-Instruct, после обучения веса объединены. Она принимает сообщение с 10 скриншотами, снятыми с частотой 5 кадров в секунду, и выдаёт разреженный список действий в JSON: нажатия клавиш, щелчки мыши, перемещения курсора и прокрутку.

InternVL3.5-14B — мультимодальная модель OpenGVLab из семейства InternVL3.5, представленная в архитектуре InternVLChat. Она принимает изображения и текст и формирует текстовые ответы; версия на 14 млрд параметров является дообучением OpenGVLab/InternVL3_5-14B-MPO. Модель предназначена для диалогов по изображениям и мультимодальных задач, включая визуальное рассуждение, ответы на вопросы по изображению и распознавание текста в изображениях. В семействе InternVL3.5 применяются Cascade RL для улучшения рассуждений и Visual Resolution Router для динамического выбора разрешения визуальных токенов. В README также описаны взаимодействие с графическим интерфейсом и embodied-задачи как возможности семейства. Модель распространяется в формате safetensors и использует библиотеку Transformers; лицензия — Apache-2.0. README не приводит отдельные показатели качества или длину контекста именно для версии 14B.

OpenGVLab/InternVL3_5-4B-MPO — мультимодальная диалоговая модель семейства InternVL3.5, полученная дообучением InternVL3_5-4B-Instruct с использованием данных MMPR-v1.2 и MMPR-Tiny. Она принимает изображения и текст и генерирует текстовые ответы; подходит для вопросов по изображениям, визуального рассуждения и анализа изображений. В README семейство описано как использующее каскадное обучение с подкреплением и динамическую настройку разрешения визуальных токенов; указанная архитектура модели — InternVLChatModel, а формат весов — safetensors. Модель рассчитана на мультиязычные диалоговые сценарии. Репозиторий использует библиотеку Transformers и распространяется по лицензии Apache 2.0. В метаданных не приведены отдельные сведения о размере параметров и длине контекста этой версии.

JevK5-2B — англоязычная модель для принятия типизированных решений по документам, разработанная как открытая альтернатива Jev компанией TypeSafe; с TypeSafe AI модель не связана. Она принимает документ и вопрос с ответами «да/нет», вариантами выбора или числовой шкалой и за один проход выдаёт вероятности для каждого варианта, не генерируя текст ответа. Модель основана на плотной архитектуре Qwen3.5-2B с 1,7 млрд параметров: адаптер LoRA ранга 16 объединён с весами. Веса доступны в формате safetensors, лицензия — Apache-2.0. Базовая модель поддерживает контекст до 262 144 токенов, но JevK5-2B отказывает в обработке входов длиннее 16 384 токенов. Модель предназначена для извлечения фактов из документов, классификации и маршрутизации по заданным вариантам. В README приведены результаты на вопросах по бизнес-документам и публичном JevBench; авторы отмечают хорошее качество на простых решениях, но более низкое — на стандартных и сложных примерах по сравнению с версией на 4 млрд параметров. Слабые стороны — арифметика, многошаговые запросы, даты, суммы и общие знания; на закрытом наборе JevBench модель не оценивалась. Для применения требуется JevK5 runtime на GPU NVIDIA либо сборка GGUF и llama.cpp на других устройствах.

KAILAS (Keyword Labeler At SciX) — англоязычная модель-классификатор на базе RoBERTa, разработанная для SciX Digital Library и адаптированная к задачам NASA Science Mission Directorate. Модель размечает научные тексты метками UAT (Unified Astronomy Thesaurus), чтобы поддерживать поиск и навигацию по научным публикациям в астрономии и смежных областях. Это encoder-only трансформер с архитектурой RobertaForSequenceClassification и 151,8 млн параметров по метаданным. В карточке указаны дообучение на данных SciX и версия UAT 5.1; обучающая выборка включала 18 тысяч заголовков, аннотаций, основного текста и благодарностей из астрономических статей, около 217 млн токенов. Контекст составляет 514 токенов. Лицензия — Apache-2.0.

Kotoba-Whisper-v2.2 — японская модель распознавания речи от Kotoba Technologies, разработанная совместно с Asahi Ushio. Она основана на kotoba-tech/kotoba-whisper-v2.0 и объединяет распознавание речи с конвейером постобработки, который добавляет диаризацию говорящих и пунктуацию к транскрипту. Модель построена на архитектуре Whisper, содержит около 905,2 млн параметров и принимает аудио, выдавая текстовую расшифровку. Она предназначена для транскрибирования японской речи с разделением реплик по говорящим и восстановлением пунктуации. Репозиторий использует формат safetensors; для работы через Transformers требуется версия 4.39 или новее. Лицензия — Apache-2.0. В README рекомендованы Flash Attention 2 при наличии совместимого GPU и добавление тишины в начале или конце аудио для потенциального улучшения качества. Для диаризации используются дополнительные пакеты, включая pyannote.audio. Карточка не сообщает длину контекста или подробные ограничения точности; качество диаризации и пунктуации зависит от аудио и компонентов конвейера.

vanch007/mlx-MOSS-Transcribe-Diarize-4bit — 4-битная квантизированная версия модели MOSS-Transcribe-Diarize, подготовленная для MLX. Она принимает аудиозаписи и предназначена для распознавания речи с разметкой говорящих. Вариант использует аффинную квантизацию MLX с 4 битами и размером группы 64 для текстового backbone; аудиоэнкодер Whisper и VQ-адаптер не квантизированы. Модель подойдёт для транскрибирования аудиофайлов и определения смены говорящих, в том числе при локальном запуске в окружении MLX. Репозиторий распространяется по лицензии Apache-2.0. В карточке и метаданных не приведены показатели точности, поддерживаемые языки, размер модели или длина контекста.