I.3Извлечение и структурирование данных

facebook/metaclip-2-mt5-worldwide-b32 — мультиязычная модель MetaCLIP 2, разработанная Meta и представленная в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Это чекпойнт ViT-B/32 с токенизатором mT5, соответствующий варианту «ViT-B-32-mT5-worldwide» оригинальной реализации. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на заданных классах: пользователь передаёт изображение и варианты меток или описаний, а модель сопоставляет их. Модель использует архитектуру MetaClip2Model и распространяется в формате safetensors для Transformers. Карточка указывает мультиязычную направленность, но конкретные поддерживаемые языки, число параметров и размер контекста не приводит. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Это sentence-transformers-модель tanbinh2210, дообученная на парах вопросов и подходящих текстов на базе tanbinh2210/mlm-vinai_phobert-base-v2. Она использует RoBERTa PhoBERT и mean pooling, преобразует предложения и абзацы в плотные векторы размерности 768 и сравнивает их по косинусному сходству. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов; обучающие примеры включают вопросы и ответы по расчёту налогов на вьетнамском языке. Максимальная длина входа составляет 258 токенов по метаданным; README указывает ограничение 256 токенов. Модель принимает текст и выдаёт эмбеддинги, лучше всего подходит для сопоставления вьетнамских вопросов с релевантными текстами. Для длинных документов потребуется разбиение на фрагменты. Сведения о лицензии в предоставленных источниках отсутствуют.

Карточка модели PierrunoYT/moondream3-preview на Hugging Face совпадает с карточкой moondream/moondream3-preview, поэтому описание составлено по ней. Moondream 3 (Preview) — мультимодальная модель Moondream для анализа изображений и работы с текстом. Она принимает изображение и текстовый запрос, а также может использоваться как универсальная текстовая модель. Архитектура — Mixture of Experts: 9 млрд параметров всего, из них 2 млрд активны; визуальный энкодер основан на SigLIP. Модель имеет 24 слоя и контекстное окно до 32 тысяч токенов. Модель предназначена для ответов на вопросы об изображениях, создания подписей, поиска точек объектов и обнаружения объектов с ограничивающими рамками. Режим рассуждений включён по умолчанию; его можно отключить для простых запросов. Для локального запуска предлагается Transformers с FlexAttention, а также доступен облачный API. Moondream 3 выпущена как Preview, поэтому качество и поведение могут измениться. Веса распространяются по Business Source License 1.1 с Additional Use Grant: разрешены личное и исследовательское применение, внутреннее производственное использование и большинство коммерческих сценариев, но платные сервисы, конкурирующие с предложениями M87 Labs, требуют отдельного соглашения.

Jeevesh8/more_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_1 — модель классификации текста на базе BERT, опубликованная пользователем Jeevesh8 на Hugging Face. Она дообучена для задачи QQP (Quora Question Pairs), то есть для определения семантической эквивалентности или дублирования пар вопросов. Модель содержит около 136,7 млн параметров, использует архитектуру BERT и поддерживает контекст до 512 токенов. Основной сценарий применения — классификация пар англоязычных текстов, прежде всего вопросов, по признаку смыслового соответствия. Модель не предназначена для генерации текста и ориентирована на узкую задачу, связанную с QQP.

Jeevesh8/multiberts_seed_2_ft_0 — дообученная модель семейства MultiBERTs на архитектуре BERT для классификации текста. MultiBERTs разработана Google как набор воспроизводимых BERT-base чекпойнтов для анализа устойчивости результатов при различной инициализации и перемешивании обучающих данных; данный вариант опубликован пользователем Jeevesh8 и предназначен для задач текстовой классификации.

MyAwesomeModel — модель из репозитория PrevetDurgan279/MyAwesomeModel-TestRepo, предназначенная для извлечения признаков из текста. В метаданных Hugging Face она обозначена как BERT-модель, работающая через библиотеку Transformers и pipeline feature-extraction. Автор или организация-разработчик в предоставленных данных не названы. README описывает обновлённую версию модели как систему с улучшенными рассуждениями, математикой, программированием, классификацией, анализом тональности, суммаризацией, переводом и поддержкой function calling. Однако эти заявления не согласуются с указанным в метаданных pipeline-тегом feature-extraction и не подтверждают конкретные параметры, размер, языки или длину контекста модели, поэтому их следует рассматривать с осторожностью. Модель может использоваться как основа для получения векторных представлений текста и последующих задач машинного обучения, включая классификацию, поиск сходства и кластеризацию. Для работы заявлена библиотека Transformers. Лицензия MIT разрешает использование, модификацию и распространение при соблюдении её условий.

Модель new-clasification-manish разработана Манишем Неги (Isuremedia) для классификации новостных заголовков и статей на шесть категорий. Это дообученная DistilBERTForSequenceClassification на базе distilbert/distilbert-base-multilingual-cased; модель принимает текст на английском и хинди и поддерживает контекст до 512 токенов. В карточке указана точность 78% на тестовом наборе. Среди примеров категорий — политика, спорт и бизнес; источники обучающих данных включают новостные издания Индии и BBC Hindi. Модель распространяется по лицензии MIT.

NUS Lithuanian PII Detection Model — модель Vytauto Didžiojo Universitetas для выявления персональных данных в литовском тексте. Это дообученный для классификации токенов энкодер XLM-RoBERTa large с 658,7 млн параметров и контекстом до 514 токенов; модель распознаёт 24 категории, включая имена, адреса, идентификационные коды, телефоны, даты и чувствительные сведения. Она предназначена для поиска фрагментов PII перед публикацией судебных и административных документов, обработкой медицинских и исследовательских записей или передачей текста внешним ИИ-сервисам. Выход модели содержит метки сущностей, а для деидентификации его следует сочетать с правилами постобработки и заменой найденных фрагментов. На отложенной выборке указаны entity-level F1 0,872, точность 0,860 и полнота 0,884; инструмент NUS PII validator сообщает строгий micro F1 0,854. Модель рассчитана только на литовский язык, не является универсальным распознавателем сущностей и сама по себе не анонимизирует текст. При полноте около 88% часть персональных данных может быть пропущена; необходимы проверка человеком и дополнительные меры, особенно в юридических и медицинских сценариях. Лицензия — OpenRAIL.

OGSQL-Mistral-7B — модель OneGate, дообученная на базе Mistral 7B Instruct для преобразования запросов на естественном языке в SQL-запросы. Она предназначена для формирования команд к базам данных по описанию пользователя, в том числе для тех, кто не владеет SQL. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. README описывает генерацию SQL, а метаданные указывают текстовую генерацию и чат-возможности. Модель опубликована в формате safetensors и распространяется по лицензии CC BY 4.0.

Ornith-1.5-35B-A3B-UNCENSORED-GGUF — набор GGUF-квантизаций модели Ornith 1.5 35B-A3B, опубликованный Dealign.ai на основе модели ornith-ai/Ornith-1.5-35B-A3B. Модель предназначена для локального запуска через llama.cpp и совместимые приложения. Это мультимодальная vision-language модель, способная работать с текстом и изображениями; для обработки изображений требуется отдельный vision-проектор mmproj. Лицензия — MIT. Архитектура сочетает GatedDeltaNet на основе SSM и attention Mixture-of-Experts с 256 экспертами, из которых активируются 8, а также включает голову multi-token prediction для speculative decoding. У модели поддерживается режим рассуждений с выводом трассы <think>, включённый по умолчанию и отключаемый через параметры chat template. Доступны варианты квантизации от Q8_0 до Q2_K размером примерно от 13,2 до 37,8 ГБ; Q4_K_M обозначен как сбалансированный рекомендуемый вариант. Контекстное окно и список поддерживаемых языков в README не указаны. К сильным сторонам относятся сохранение знаний и связности после модификации весов, поддержка рассуждений, vision-возможностей и локального инференса, а также возможность выбрать компромисс между качеством и требованиями к памяти. Более низкие уровни квантизации уменьшают размер модели, но могут заметно снижать качество: для Q2_K заявлена существенная потеря показателя MMLU. Модель имеет удалённые или существенно сниженные защитные ограничения и демонстрирует практически полное следование вредоносным запросам в тестах HarmBench, поэтому требует ответственного и законного применения.

guoxuter/ov_intent_analysis_sft — компактная модель Guoxuter на базе Qwen3.5-0.8B, дообученная методом SFT для анализа поисковых намерений и планирования запросов в системах OpenViking. По недавнему контексту диалога и текущему сообщению пользователя она определяет, нужен ли поиск, и формирует структурированные запросы к областям skill, resource и memory. Модель представляет собой плотную трансформерную архитектуру Qwen3.5 с примерно 0,8 млрд параметров. Это исходный чекпойнт Transformers в формате Safetensors; для работы требуется версия Transformers с поддержкой Qwen3.5. Модель настроена под промпт и формат структурированного вывода OpenViking v7, поэтому её следует применять в совместимых системах и проверять результат по ожидаемой схеме. Модель предназначена для специализированного планирования извлечения данных, а не для роли универсального ассистента. Базовая модель поддерживает мультимодальные сценарии, однако в карточке дообучения описаны только текстовые входы и структурированный текстовый вывод. Лицензия — Apache-2.0.

leo009/paligemma-3b-pt-224 — вариант PaliGemma 3B от разработчика leo009, основанный на открытых компонентах SigLIP и Gemma. Это предобученная модель зрения и языка: принимает изображение размером 224×224 и текст, а затем генерирует текст; длина текстовой последовательности на входе и выходе составляет 128 токенов. Архитектура реализована в Transformers как PaliGemmaForConditionalGeneration, веса доступны в формате safetensors. Модель предназначена прежде всего для дообучения под отдельные задачи: создание подписей к изображениям и коротким видео, ответы на визуальные вопросы, чтение текста на изображениях, обнаружение и сегментация объектов. Также её можно адаптировать для вопросов по снимкам дистанционного зондирования, помощи незрячим пользователям и описания элементов интерфейса. Модель поддерживает несколько языков, но карточка не перечисляет их. PaliGemma рассчитана на один раунд ввода изображения и текста и не предназначена для многоходового диалога. Без дополнительного обучения результаты на специализированных задачах могут уступать специализированным моделям; сложные открытые запросы, нюансы языка и фактические утверждения могут обрабатываться ненадёжно. Указана лицензия Gemma.

yasserrmd/pharma-gemma-300m-emb — модель Sentence Transformer, дообученная на базе google/embeddinggemma-300m для работы с фармацевтическими и биомедицинскими текстами. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического сравнения и поиска; сходство оценивается косинусной мерой. Модель содержит 302,8 млн параметров, использует архитектуру Gemma 3 Text и принимает последовательности длиной до 2048 токенов. В README приведены примеры вопросов и ответов о лекарствах и биологии, а среди возможных сценариев названы поиск парафраз, классификация и кластеризация текстов. Репозиторий использует библиотеку Sentence Transformers и формат safetensors. Это инструмент для поиска и сопоставления текстов, а не модель для самостоятельной генерации медицинских рекомендаций или постановки диагноза. Качество зависит от соответствия запросов и корпуса её специализации; выводы о лечении следует проверять по надёжным источникам. Сведения о лицензии в предоставленных данных отсутствуют.

piedomains-text — многоязычный классификатор веб-сайтов, разработанный авторами проекта piedomains. Он определяет категории сайта по тексту его главной страницы и предназначен для автоматической классификации доменов по 44 категориям; результат может включать несколько категорий, если вероятности превышают заданный порог. Модель основана на ModernBERT, дообучена на jhu-clsp/mmBERT-base, содержит 306,9 млн параметров и принимает контекст до 8192 токенов. На отложенной выборке из 4382 документов точность составила 0,818, а macro-F1 — 0,758; температурная калибровка снизила ECE с 0,0490 до 0,0168. Модель намеренно допускает пересечение категорий, например, сайт автодилера может относиться и к покупкам, и к автомобилям. Известен существенный дефект: метка drugs часто ошибочно присваивается обычным интернет-магазинам; авторы также отмечают слабые результаты для категорий urlshortener, library, socialnet и shopping. Лицензия — MIT.

Модель collinbarnwell/pyannote-segmentation-30 — открытая модель сегментации речи по говорящим, обученная Севреном Баруди с использованием pyannote.audio 3.0. Она принимает 10-секундные фрагменты монофонического аудио с частотой 16 кГц и выдаёт покадровую матрицу из семи классов: неречевой участок, речь каждого из трёх говорящих и перекрывающаяся речь пар говорящих. Модель подходит для определения активности речи, сегментации говорящих и обнаружения одновременной речи в коротких фрагментах. Для диаризации полной записи её нужно использовать в составе дополнительного конвейера: сама модель обрабатывает только 10-секундные фрагменты. Обучение проводилось на наборах AISHELL, AliMeeting, AMI, AVA-AVD, DIHARD, Ego4D, MSDWild, REPERE и VoxConverse. Лицензия репозитория — MIT; для загрузки базовой модели pyannote/segmentation-3.0 требуется принять условия её использования и получить токен Hugging Face.

aliRafik разработал дообученную текстовую модель на архитектуре Qwen2.5-7B. Она обучена на примерно 52 тысячах примеров набора yahma/alpaca-cleaned с применением LoRA, Unsloth и библиотек Hugging Face TRL и Transformers; веса опубликованы в 16-битной точности. Репозиторий указывает 7,1 млрд параметров и контекст до 131 072 токенов, тогда как README описывает контекст обучения в 2048 токенов. Модель предназначена для выполнения текстовых инструкций, подготовки структурированных ответов и пошаговых объяснений, в том числе решения многоэтапных математических задач. Она поддерживает генерацию текста и ориентирована на английский язык. Разработчик приводит пример более последовательного и полного решения после дообучения, однако это не заменяет широкую оценку качества. Модель может ошибаться в рассуждениях и вычислениях, выдумывать сведения, давать неполные или чрезмерно подробные ответы и неверно трактовать неоднозначные инструкции. Лицензия — Apache-2.0.

aufklarer подготовил текстовую чат-версию Qwen3.5-0.8B для локального запуска на устройствах Apple Silicon через MLX. Это плотная гибридная архитектура Qwen3.5 с 24 слоями: 18 слоёв DeltaNet с линейным вниманием и 6 слоёв GatedAttention. В репозитории опубликованы варианты квантования INT4, INT5 и INT8; размер модели в карточке указан как 752 млн параметров, а файлы занимают от 424 до 800 МБ. Модель принимает текст и генерирует текст, поддерживает языки, перечисленные в метаданных, включая русский, английский и китайский. Модель предназначена для локального чата и генерации текста, в том числе структурированных ответов в формате JSON. По измерениям автора, INT8 близок к bf16 по качеству; INT4 заметно чаще нарушает формат JSON, поэтому для таких ответов рекомендуется INT5 или INT8. Vision tower и голова многотокенного предсказания исключены, поэтому эта сборка не обрабатывает изображения. Для INT5 и INT8 требуется совместимый runtime, который читает параметры квантования из config.json; имена весов также несовместимы напрямую с mlx-lm. Лицензия — Apache-2.0.

Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive-NVFP4 — квантизированная версия модели HauhauCS/Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive, основанной на Qwen/Qwen3.6-35B-A3B. Модель подготовлена пользователем lyf с использованием формата compressed-tensors и предназначена для запуска через vLLM на графических процессорах NVIDIA Blackwell с архитектурой SM 120. Это мультимодальная модель типа image-text-to-text для обработки текста и изображений, включая визуально-текстовые запросы и генерацию ответов. Архитектура представляет собой MoE с 35 млрд параметров всего и примерно 3 млрд активных параметров; используются 256 экспертов, из которых маршрутизируются 8 и дополнительно задействуется один общий эксперт. Квантизация выполнена в формате NVFP4 W4A4, при этом 30 слоёв linear attention на базе DeltaNet/Mamba и блок MTP сохранены в формате bfloat16 для повышения качества. Размер модели составляет около 22 ГБ, заявленный максимальный текстовый контекст — более 131K токенов на RTX 5090. Сильными сторонами являются сочетание MoE-архитектуры, мультимодальности, большого контекстного окна и оптимизации под современные GPU Blackwell, а также консервативный профиль квантизации. Ограничения включают требование NVIDIA Blackwell GPU с SM 120 и зависимость от совместимого стека vLLM и compressed-tensors; заявленные характеристики производительности относятся главным образом к RTX 5090. Языки модели в README не указаны. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-4B-Instruct-Unredacted-MAX — дообученная мультимодальная модель prithivMLmods на архитектуре Qwen3-VL с 4 млрд параметров. Она принимает текстовые запросы и изображения и формирует текстовые ответы; предназначена для диалога с визуальным контекстом, понимания изображений, генерации описаний и мультимодальных экспериментов. Поддерживает изображения разных разрешений и пропорций и рассчитана на эффективный запуск по сравнению с более крупными моделями. Модель подходит для создания подписей к изображениям и подготовки аннотаций для наборов данных, оценки систем компьютерного зрения с языковым интерфейсом и прототипирования приложений, объединяющих текст и изображения. Выпуск обновляет упаковку и совместимость с Transformers относительно huihui-ai/Qwen3-VL-4B-Instruct-abliterated, сохраняя возможности исходной архитектуры. Репозиторий распространяется по лицензии Apache-2.0. Качество зависит от чёткости изображения и формулировки запроса; интерпретации сложных сцен могут быть неполными или непоследовательными. Для стабильного вывода требуется достаточно видеопамяти, а результаты зависят от настроек декодирования и среды запуска.

Qwen-VL-Chat-Int4 — квантованная до Int4 версия диалоговой визуально-языковой модели Qwen-VL-Chat, разработанной Alibaba Cloud. Модель предназначена для мультимодального взаимодействия: принимает изображения, текст и ограничивающие рамки, а генерирует текстовые ответы и ограничивающие рамки. Она поддерживает многоязычные диалоги, включая китайский и английский, работу с несколькими изображениями в одном диалоге, открытое распознавание объектов, детальное понимание изображений и визуальную локализацию на китайском языке. Модель подходит для анализа изображений в формате вопрос–ответ, описания сцен и объектов, распознавания содержимого и указания координат найденных объектов. Версия Int4 рассчитана на более эффективное по памяти и скорости инференс-развёртывание; в тестах на одной видеокарте A100-SXM4-80G она показывала скорость 37,79 токена/с для контекста 2048 токенов и 34,34 токена/с для контекста 8192 токенов. По данным README, квантование не привело к значительному падению качества на бенчмарке TouchStone. К ограничениям относятся необходимость совместимого окружения с Python 3.8+, PyTorch 2.0+ и рекомендуемой CUDA 11.4+, а также зависимость от GPU-инференса и специального программного стека. В README не указаны размер модели, точная архитектура, максимальная длина контекста и лицензия, поэтому эти характеристики нельзя определить по предоставленным данным.

Это модель на базе XLM-RoBERTa для получения векторных представлений болгарских предложений и оценки их сходства. Она содержит 124,5 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель обучали по идеям Sentence-BERT на закрытых параллельных болгарско-английских данных: переводные предложения должны располагаться близко в общем векторном пространстве. Учителем служила модель Google USE; затем модель сжали методом progressive module replacing. Модель подходит для поиска семантически близких предложений и сопоставления болгарских фраз с английскими переводами. Она чувствительна к регистру: различает «bulgarian» и «Bulgarian». Репозиторий предоставляет веса PyTorch; лицензия — MIT. Качество на иных языках и типах данных в карточке не описано.

Карточка модели allenai/SAGE-MM-Qwen2.5-VL-7B-SFT на Hugging Face совпадает с карточкой allenai/SAGE-MM-Qwen2.5-VL-7B-SFT_RL, поэтому описание составлено по ней. SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

myrkur/sentence-transformer-parsbert-fa — Sentence Transformers модель, дообученная на базе HooshvareLab/bert-base-parsbert-uncased для поиска семантически близких персидских предложений и абзацев, в том числе в системах RAG, вопросно-ответных системах и чат-ботах. Архитектура включает BERT и mean pooling; модель преобразует текст в плотные векторы размерности 768, а сходство можно оценивать косинусной мерой. Модель рассчитана на персидский язык, использует библиотеку sentence-transformers и принимает последовательности длиной до 512 токенов. Для подготовки модели указан датасет Gholamreza/pquad. Модель распространяется по лицензии Apache-2.0. Она предназначена для поиска и сопоставления текстов, а не для самостоятельной генерации ответов; качество на других языках и вне задач семантического поиска не подтверждено.

SloBERTa-Trendi-Topics 1.0 — модель классификации новостных текстов на 13 тематических категорий, разработанная для словенских текстов. Она основана на архитектуре CamemBERT и дообучена на контекстных представлениях SloBERTa 2.0. Для обучения использовано около 36 тысяч текстов словенских новостных источников; разметка категорий частично сформирована автоматически по разделам публикации. Модель подходит для тематической сортировки новостей по таким категориям, как политика, экономика, спорт, здоровье, культура, погода и общество. В README указаны максимальная длина последовательности 512 токенов и macro-F1 0,94 на тестовом наборе из 1 295 текстов; лучшие результаты получены для криминальной хроники, политики, спорта и погоды, наиболее низкие — для досуга. Модель содержит 137,8 млн параметров, опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. Она рассчитана на классификацию словенских новостных текстов; качество за пределами близких источников и тематических категорий в карточке не охарактеризовано.

ssc-top-mms-model-mix-adapt-max — дообученная модель распознавания речи на основе facebook/mms-1b-all. Она использует архитектуру wav2vec2 с CTC-декодированием и принимает аудио, преобразуя речь в текст. В карточке приведены результаты оценки: loss 0,7289, CER 0,1445 и WER 0,5792; набор данных и условия оценки не описаны. Базовая MMS поддерживает более тысячи языков, однако языки и сценарии, на которых проверялась эта дообученная версия, не уточнены. Модель содержит 1,3 млрд параметров, работает через Transformers и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

ssc-ttj-mms-model — дообученная модель распознавания речи на базе facebook/mms-1b-all, опубликованная под лицензией CC BY-NC 4.0. Она использует архитектуру wav2vec2 с CTC-декодированием, содержит 1,3 млрд параметров и принимает аудио, чтобы преобразовывать речь в текст. Базовая модель поддерживает более тысячи языков, однако язык и состав данных для этого дообучения не указаны. В README приведены результаты оценки: CER 0,0795 и WER 0,4288 при значении loss 0,2494. Данных о наборе для обучения, сценариях применения и ограничениях автор не предоставил; качество на других данных и языках по этим метрикам определить нельзя. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Карточка модели SYNAPSEai1/SynapseMusicV12-Transcriber на Hugging Face совпадает с карточкой ACE-Step/acestep-transcriber, поэтому описание составлено по ней. ACE-Step Transcriber — мультиязычная модель транскрибации, используемая ACE-Step v1.5 для разметки обучающих данных. В карточке указана архитектура Qwen2.5-Omni; модель принимает аудио и формирует структурированный текст с распознанной речью или текстом песен, а также пометками частей композиции, например куплетов, припева и инструментальных фрагментов. Модель предназначена для распознавания речи и пения, извлечения текста песен, создания субтитров и анализа музыкальной структуры. Она поддерживает более 50 языков, включая китайский, японский, корейский, вьетнамский, тайский, индонезийский, малайский, филиппинский, хинди, бенгальский, тамильский и урду. Репозиторий содержит веса в формате Safetensors, используется библиотека Transformers. Лицензия — MIT.

bakrianoo/t5-arabic-base — компактная модель семейства T5, разработанная для задач на арабском и английском языках. Это модель типа encoder-decoder с 126 млн параметров, реализованная для PyTorch и использующая формат text-to-text: входные и выходные данные представляются текстом. Модель можно применять как основу для генерации и преобразования текста на арабском и английском языках, а также как более компактную альтернативу google/mt5-base. Карточка не уточняет конкретные задачи, показатели качества или длину контекста. Модель распространяется по лицензии Apache-2.0.

Kaousheik разработал TEMPO — экспериментальный чекпойнт аудиоязыковой модели для определения временных границ речи, звуков и музыки. Это вариант абляции из Table 3, обученный с distance-aware Gaussian timestamp loss без time-aware projector; он основан на NVIDIA Audio Flamingo 3. Базовая архитектура сочетает замороженный аудиоэнкодер Whisper-large, Qwen2-7B и проектор; модель принимает аудио и формирует текст с временными метками. Модель предназначена для диаризации с распознаванием реплик, привязки текстовых запросов к интервалам аудио, сегментации записей с описанием событий и анализа временных отрезков музыки. В README приведены результаты этой абляции: DER 86,2, diarization mIoU 37,5, dense-captioning eF1 49,9 и grounding F1 38,0. Поддерживается английский язык. Временные метки ограничены 60 секундами, поэтому более длинные записи нужно разбивать на фрагменты; распознавание речи нескольких говорящих и определение аккордов остаются неточными. Метаданные указывают лицензию other, конкретные условия следует проверять в карточке модели.