I.3Извлечение и структурирование данных

IndicSeamless — дообученная AI4Bharat модель семейства SeamlessM4T-v2 для распознавания речи и перевода речи в текст на индийских языках. Она обучена на отфильтрованном наборе BhasaAnuvaad и предназначена для перевода аудиозаписей, в том числе речи из разных предметных областей. В README сообщается о превосходстве над базовой SeamlessM4T-v2 и другими системами на тестах Fleurs и BhasaAnuvaad. Модель распространяется в формате safetensors и используется через Transformers; лицензия CC BY-NC 4.0 запрещает коммерческое использование.

IndoBERT-Lite Large Model (phase2, uncased) — предварительно обученная языковая модель для индонезийского языка, созданная командой IndoBenchmark. Это модель архитектуры ALBERT, обученная на текстах набора Indo4B с задачами masked language modeling и next sentence prediction. В метаданных указаны 433,4 млн параметров и контекст до 512 токенов. Модель предназначена для извлечения контекстных представлений текста, которые можно использовать как основу для последующей обработки индонезийского языка. Она доступна в форматах PyTorch и TensorFlow и распространяется по лицензии MIT. В карточке показан способ загрузки через Transformers.

zhongweixie опубликовал экспериментальную модель Qwen3-4B, дообученную методом In-Place Test-Time Training (In-Place TTT). Модель предназначена для генерации текста и работы с длинными последовательностями; в карточке заявлены адаптация к входной последовательности во время инференса и обучение на контексте длиной 32 768 токенов с 6 000 шагами. Это плотная авторегрессионная модель семейства Qwen с архитектурой Qwen3ForCausalLM и 3,7 млрд параметров. Репозиторий содержит веса safetensors для Transformers, а метаданные отмечают разговорный режим и английский язык. Указанная лицензия — Apache-2.0. Карточка заявляет экономную по памяти обработку длинного контекста без полного attention и улучшение результатов на длинноконтекстных задачах, однако конкретные сравнительные результаты и ограничения не приведены. Модель происходит от Qwen/Qwen2.5-4B; README описывает её как Qwen3-4B на архитектуре Qwen2.5-4B.

Kimi-Linear-48B-A3B-Instruct-GGUF — экспериментальная GGUF-квантизация модели Kimi-Linear-48B-A3B-Instruct от Moonshot AI, подготовленная пользователем ymcki. Репозиторий предназначен для запуска модели локально через специальную ветку llama.cpp с поддержкой backend-agnostic реализации Kimi-Linear. Модель относится к классу текстовых генеративных instruct-моделей и ориентирована на диалоговые сценарии, выполнение инструкций и другие задачи генерации текста. В метаданных указан английский язык и лицензия MIT. Модель имеет архитектуру Kimi-Linear с разреженными экспертами (MoE); в названии указаны 48B общих параметров и 3B активных параметров, однако другие архитектурные характеристики и точный размер контекста базовой модели в README не приведены. Доступны варианты GGUF с разными типами квантизации, включая Q5_K_M, Q4_K_M, MXFP4_MOE, IQ4_XS, IQ3 и Q2_K, с размерами файлов примерно от 16 до 35 ГБ. Для некоторых конфигураций заявлена работа с контекстом до 400 тыс. токенов при наличии подходящей видеопамяти, но фактические возможности зависят от квантизации и оборудования. Сильными сторонами являются локальный запуск, поддержка MoE и возможность выбирать баланс между качеством, размером файла и объёмом контекста. Варианты с imatrix на основе c4_en_ja_imatrix.txt ориентированы на улучшение работы с японским языком; базовая модель также оценивается для английского языка. Ограничения включают экспериментальный статус, необходимость специальной ветки llama.cpp, высокие требования к памяти и снижение качества у более агрессивных вариантов квантизации. Для запуска требуется самостоятельно собрать совместимую версию llama.cpp; поддержка мультимодальных входов не указана.

Alamin2230/labse-base-part1 — дообученная модель на базе многоязычной BERT-модели sentence-transformers/LaBSE. По метаданным, она предназначена для классификации текста; архитектура — BertForSequenceClassification, веса представлены в формате safetensors. Контекстное окно составляет 512 токенов, размер модели — 498,1 млн параметров. Базовая LaBSE строит эмбеддинги предложений на 109 языках, однако целевые языки и область классификации этой версии не описаны. В README приведены результаты оценки: F1 0,9778, точность 0,9744, полнота 0,9813, а также FPR 0,0275 и FNR 0,0187. Набор данных указан как None, поэтому неизвестно, на каких примерах получены эти показатели и насколько они применимы к другим данным. Модель распространяется по лицензии Apache-2.0.

mzbac/llama-3-8B-Instruct-function-calling — дообученная mzbac с помощью mlx-lm модель семейства Llama 3 для диалоговой генерации текста и вызова функций. Она основана на инструкционной версии Meta-Llama 3 8B и обучена на очищенных данных набора glaive-function-calling-v2 в формате Llama 3; автор отмечает, что очистка исправляла некорректный JSON и одинарные кавычки в аргументах. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает контекст до 8192 токенов. Модель подходит для разговорных приложений, которым нужно формировать ответы и структурированные аргументы вызова функций. Карточка указывает английский язык и лицензию llama3. Автор предупреждает, что формат JSON при вызове функций может работать с ошибками.

Lumma-Fev-0.1B — компактная модель принятия решений компании FrontiersMind, дообученная на FrontiersMind/Nandi-Mini-150M. Это причинный трансформер с архитектурой FevForDecision и механизмом выбора по вариантам ответа: за один проход модель читает документ-состояние и набор типизированных вопросов, затем выдаёт вероятности для каждого вопроса, не генерируя текст. Поддерживаются вопросы форматов «да/нет», выбор из вариантов и оценка по упорядоченной шкале. Модель предназначена для классификации и структурированных решений по тексту или состоянию, заданному текстом, JSON-объектом либо массивом. Вопросы обрабатываются независимо друг от друга, а выводы можно использовать в локальных приложениях и API, совместимом с TypeSafe. В карточке приведён пример автономного выбора игровых действий по состоянию Super Mario; метаданные классифицируют модель как text-classification и указывают английский язык. Модель хранится в формате safetensors с точностью bf16. В качестве ограничения автор отмечает, что уверенность и вероятности являются оценками модели и требуют проверки калибровки на размеченных данных перед использованием для автоматических действий. Лицензия — Apache-2.0.

MedCPT Article Encoder — модель-кодировщик текстов из серии MedCPT, разработанной Computational Biology Branch при NCBI/NLM. Она преобразует биомедицинские статьи, включая заголовки и аннотации PubMed, в векторы размерности 768 для семантического поиска, кластеризации и сравнения статей. Архитектура — BERT; модель содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. Кодировщик обучен на 255 млн пар поисковых запросов и статей PubMed. Его векторы находятся в общем пространстве с векторами MedCPT Query Encoder, поэтому их можно использовать для поиска статей по запросам при совместном применении двух кодировщиков. Также доступны сценарии кластеризации и поиска статей по другим статьям. Для клинических решений результаты требуют проверки специалистом. Лицензия указана как other; README не уточняет её условия.

Ministral-3-14B-Instruct-2512-GGUF — это конвертированная в формат GGUF версия модели Ministral-3-14B-Instruct-2512-BF16, разработанной Mistral AI. Модель предназначена для инструкционного взаимодействия и задач преобразования изображений и текста в текст, включая мультимодальные сценарии, где на вход подаются текстовые и визуальные данные. Точная специализация, поддерживаемые языки и размер контекста в README не указаны. Модель имеет размер 14B параметров и поставляется в формате GGUF, ориентированном на запуск с совместимыми инструментами, включая llama-server. Сильной стороной является возможность локального или самостоятельного развертывания в поддерживаемой GGUF-инфраструктуре, однако README не содержит сведений о производительности, требованиях к ресурсам, конкретных поддерживаемых модальностях, ограничениях и качестве на отдельных задачах. Лицензия — Apache 2.0.

MM Grounding DINO Tiny — модель обнаружения объектов с открытым словарём, разработанная авторами работы «An Open and Comprehensive Pipeline for Unified Object Grounding and Detection». Она принимает изображение и текстовые запросы с названиями объектов и возвращает обнаруженные объекты с рамками и оценками. Вариант Tiny использует backbone Swin-T; улучшенная контрастивная голова классов и отдельные параметры декодера повышают качество zero-shot-обнаружения. Модель обучена на Objects365v1, GOLD-G и V3Det. Модель предназначена для поиска объектов по текстовому описанию без необходимости ограничиваться фиксированным набором классов, а также для задач обнаружения объектов на изображениях. В приведённых результатах вариант показал 50,6 COCO mAP и 30,6 AP на LVIS Val1.0. Весовые файлы представлены в формате safetensors и распространяются по лицензии Apache-2.0.

MolmoWeb-4B — открытая мультимодальная модель веб-агента, разработанная Ai2. Она предназначена для взаимодействия с веб-страницами: модель принимает визуальное представление страницы и текстовые инструкции, чтобы понимать интерфейс и выполнять задачи в браузере. Карточка относит её к семейству Molmo2; архитектура использует Qwen3-8B и SigLIP 2 как визуальную основу, а веса опубликованы в формате safetensors для Transformers. Модель ориентирована на сценарии веб-навигации и выполнения действий через интерфейс, а также на визуальные вопросы и grounding. В README сообщается о сравнительных результатах семейства MolmoWeb и выигрышах от параллельных запусков с выбором лучшего результата; приведённые показатели относятся к семейству и не уточняют отдельно качество версии 4B. Лицензия — Apache-2.0.】【。

Модель prashantkhandelwal/movie-genres-classification — англоязычный классификатор жанров фильмов на основе BERT, дообученный разработчиком на google-bert/bert-base-uncased. Он принимает название и краткое описание фильма и присваивает ему один или несколько из 19 жанров, включая боевик, комедию, драму, ужасы, мелодраму, научную фантастику и триллер. Для выбора жанров README рекомендует применять sigmoid к выходам модели и использовать порог вероятности 0,5. Модель построена на архитектуре BertForSequenceClassification и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Она предназначена для многометочной классификации англоязычных описаний фильмов. Распространяется по лицензии Apache-2.0.

MyAwesomeModel-TestRepo — репозиторий модели, опубликованный пользователем RonnyMaurer255. По метаданным это модель архитектуры BERT для извлечения признаков, реализованная на PyTorch и Transformers; лицензия — MIT. Предназначение, подтверждённое доступными данными, — получение векторных представлений текста для последующего использования в ML-конвейерах. Поисковый результат сообщает о возможном отсутствии весов, но другие найденные сведения указывают на файл pytorch_model.bin, поэтому наличие пригодного к запуску артефакта подтвердить нельзя. В карточке также не нашлось надёжных сведений о размере модели, контексте, поддерживаемых языках или обучении; дополнительные задачи и сильные стороны не установлены.

Ornith-1.5-35B-A3B-GGUF — это набор GGUF-квантизованных производных модели Ornith-1.5-35B-A3B, разработанной ornith-ai. Конвертацию в GGUF, квантизацию и публикацию выполнил NANI-Nithin с использованием upstream llama.cpp. Модель предназначена для генерации текста и локального инференса в llama.cpp и совместимых приложениях, включая LM Studio, KoboldCpp, Open WebUI, Jan и Text Generation WebUI с бэкендом llama.cpp. Базовая модель представляет собой vision-language модель архитектуры Qwen3.5-MoE с 40 трансформерными слоями, гибридным вниманием на основе Gated DeltaNet linear attention и full attention, 256 маршрутизируемыми экспертами, из которых 8 активируются для каждого токена, одним MTP-слоем и позиционным кодированием MRoPE. Однако опубликованные GGUF-файлы являются текстовыми: vision tower исходной VLM-модели пропущена при конвертации, поэтому обработка изображений в них не поддерживается. Указан язык English; контекст в README не указан. Репозиторий предлагает квантизации от Q2_K до Q8_0, а также IQ-варианты. Q4_K_M рекомендована как наиболее сбалансированный вариант, Q8_0 обеспечивает максимальное качество, а Q2_K предназначена для систем с жёсткими ограничениями по памяти, но может заметно уступать в качестве. Для IQ-квантизаций использовалась importance matrix, построенная на калибровочных данных WikiText-2; для запуска требуется свежая версия llama.cpp или совместимого рантайма с поддержкой архитектуры Qwen3.5-MoE. Модель распространяется по лицензии Apache-2.0.

ivrit-ai/pyannote-speaker-diarization-3.1 — форк модели pyannote/speaker-diarization-3.1, разработанной в экосистеме pyannote для анализа речи и голоса. Модель предназначена для автоматической диаризации аудиозаписей: определения количества говорящих и временных интервалов, в которых говорит каждый из них. По указанным меткам также заявлены задачи voice activity detection, обнаружения смены говорящих, перекрывающейся речи и сценарии, связанные с automatic speech recognition. Модель работает с аудио и относится к pipeline-моделям pyannote-audio; точные архитектура, размер, поддерживаемые языки и максимальная длина контекста в предоставленном README не указаны. Сильная сторона — ориентация на комплексную обработку многоговорящих аудиозаписей, однако качество для конкретных языков, акустических условий и случаев одновременной речи по этим данным оценить нельзя. Модель распространяется по лицензии MIT.

MSQaLe — специализированная модель на 2 млрд параметров, разработанная авторами проекта SQaLe на базе Qwen3.5-2B. Её дообучили методом обучения с подкреплением GRPO на наборе SQaLe для преобразования вопросов на естественном языке в SQL-запросы к базам данных SQLite. Вместо передачи всей схемы в одном запросе модель работает как агент: исследует базу через инструменты, ищет нужные таблицы и значения, проверяет запрос и возвращает ответ. Для работы требуется цикл выполнения вызовов инструментов, например из файла sqale_agent.py. В тестах авторов модель показала точность выполнения 66,3% на SQaLe test и 52,3% на BIRD dev; при росте размера схем точность снижается. Модель обучалась и оценивалась только на SQLite. Хотя экспорт включает неизменённую башню зрения Qwen3.5-2B, обучение и оценка касались только текста. Лицензия — Apache-2.0.

Qwen3.5-9B-Base — базовая мультимодальная модель семейства Qwen3.5, представленная в репозитории Unsloth в формате Transformers. Это предобученная модель с 9 млрд параметров: языковая модель с энкодером изображений, использующая гибридную архитектуру Gated Delta Networks и gated attention. Репозиторий содержит веса в формате safetensors и совместим с Hugging Face Transformers, vLLM и SGLang. Модель предназначена прежде всего для дообучения, экспериментов с обучением на контексте и разработки приложений, а не для прямого диалога. Она принимает текст и изображения и генерирует текст; нативная длина контекста составляет 262 144 токена, с расширением до 1 010 000 токенов. В README заявлена поддержка 201 языка и диалекта, без перечисления конкретных языков. Лицензия — Apache-2.0. Как базовая модель, она может требовать дообучения или настройки промптов для прикладного использования; карточка не приводит оценок качества именно этой сборки Unsloth.

haisongzhang/roberta-tiny-cased — компактная модель RoBERTa, опубликованная пользователем haisongzhang на Hugging Face. Карточка предлагает использовать её для извлечения признаков текста через Transformers; архитектура — плотная модель семейства BERT с классом BertModel, содержащая 31,6 млн параметров и поддерживающая контекст до 512 токенов. Модель преобразует входной текст в контекстные векторные представления, которые можно использовать как основу для последующих задач NLP. Карточка не описывает целевые датасеты или конкретную языковую специализацию, поэтому нельзя надёжно указать поддерживаемые языки. Лицензия в доступных источниках не установлена.

RoBERT-base — румынская версия BERT, разработанная для работы с текстом на румынском языке. Это предварительно обученный энкодер с 12 слоями, скрытым размером 768 и 12 головами внимания; обучение проводилось с задачами masked language modeling и next sentence prediction. В карточке указано 114 млн параметров, а метаданные репозитория содержат 142,3 млн; длина контекста составляет 512 токенов. Модель uncased и доступна в форматах PyTorch, TensorFlow и Flax. RoBERT-base предназначена для последующей адаптации к задачам классификации текста, анализа тональности, определения диалекта и тематической классификации, а также восстановления диакритики. Обучение выполнено на подборке румынских корпусов Oscar, RoTex и RoWiki. В README приведены результаты для ряда задач, включая анализ тональности и классификацию молдавского и румынского вариантов языка. Это базовая предварительно обученная модель, поэтому для прикладных задач обычно требуется дообучение или отдельная модельная голова. Она рассчитана на румынский язык и ограничена контекстом в 512 токенов. Лицензия в предоставленных данных не указана.

SEW-D-tiny-100k-ft-ls100h — англоязычная модель распознавания речи от ASAPP Research на архитектуре SEW-D, представленная как вариант SEW-D-tiny. Она преобразует речь в текст и предназначена для транскрибирования аудио; в README также описана более широкая применимость базовой предварительно обученной модели после дообучения для задач идентификации говорящего, классификации намерений и распознавания эмоций. Модель содержит 28,3 млн параметров и принимает аудио с частотой дискретизации 16 кГц; её архитектура основана на идеях wav2vec 2.0 и рассчитана на эффективное распознавание речи. Карточка указывает датасет LibriSpeech ASR и лицензию Apache-2.0. README приводит результаты семейства SEW в исследовании, но не сообщает отдельные метрики именно для этого чекпойнта.

Skywork-R1V-38B — мультимодальная модель Skywork для диалогового анализа изображений с пошаговым визуальным рассуждением. Она сочетает визуальный энкодер InternViT-6B-448px-V2_5 с языковой моделью DeepSeek-R1-Distill-Qwen-32B; репозиторий содержит веса в формате safetensors и предназначен для работы через Transformers. Модель принимает изображения и текстовые запросы, а отвечает текстом. Карточка заявляет поддержку многошагового решения задач по изображениям, включая визуальную математику, научные и медицинские изображения, а также контекстное понимание текста и изображения. Метаданные отмечают диалоговый режим и интерфейс вызова инструментов. Лицензия репозитория — MIT. Карточка не приводит результаты оценивания в доступном тексте и не уточняет ограничения или поддерживаемые естественные языки, поэтому качество на конкретных типах изображений и языках по этим данным оценить нельзя.

argmaxinc/speakerkit-coreml — набор моделей SpeakerKit в формате Core ML для обработки речи в экосистеме Apple. Репозиторий связан с WhisperKit и pyannote; карточка указывает задачу автоматического распознавания речи и входные аудиоданные. Архитектура и результаты оценки описаны в статье Interspeech 2025, на которую ссылается README. Модель предназначена для сценариев распознавания речи и диаризации — определения говорящих в аудиозаписи. Формат Core ML позволяет использовать её в приложениях на устройствах Apple; библиотека WhisperKit предоставляет соответствующую интеграцию. Модели, на которых построен SpeakerKit, распространяются по лицензии CC BY 4.0; Swift-фреймворк SpeakerKit имеет лицензию MIT.

ctaguchi/ssc-tob-mms-model-mix-adapt-max — дообученная модель автоматического распознавания речи на основе facebook/mms-1b-all. Она принимает аудио и преобразует речь в текст; архитектура — Wav2Vec2 с CTC-выходом, размер — 1,3 млрд параметров. Базовая модель поддерживает более тысячи языков, но язык и состав данных, на которых дообучена эта версия, не указаны. В карточке приведены результаты оценки: CER 0,1791 и WER 0,6105. Эти метрики указывают на ошибки распознавания, однако без описания набора данных и протокола оценки их нельзя напрямую переносить на другие условия. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Stella-PL-retrieval-8k — модель эмбеддингов на основе stella_en_1.5B_v5, дообученная командой sdadas для поиска по польским текстам. Она преобразует текст в векторы размерности 1024 и предназначена для извлечения релевантных документов по запросу. Архитектура — плотная Qwen2ForCausalLM с 1,5 млрд параметров; базовое окно контекста составляет 131 072 токена, а README сообщает о специальном обучении на последовательностях до 8192 токенов. Модель адаптировали к польскому языку дистилляцией на 20 млн польско-английских пар, затем дообучили с контрастивной функцией потерь на 1,5 млн запросов. Для подбора положительных и отрицательных фрагментов использовали BAAI/bge-reranker-v2.5-gemma2-lightweight. В README указано значение NDCG@10 62,69 на польском бенчмарке PIRB. Репозиторий содержит веса safetensors и совместим с Sentence-Transformers; лицензия — Gemma. Модель в первую очередь рассчитана на польский поиск, поэтому её пригодность для других языков и задач не подтверждена приведёнными результатами.

NVIDIA stt_ar_fastconformer_hybrid_large_pcd_v1.0 — крупная модель автоматического распознавания арабской речи на архитектуре FastConformer. Она принимает монофонический WAV-аудиосигнал с частотой 16 кГц и возвращает текст на арабском языке с диакритическими знаками и поддержкой базовой пунктуации. Размер модели — около 115 млн параметров; обучение использует гибридные декодеры Transducer (RNNT) и CTC, токенизатор SentencePiece с размером словаря 1024. Модель обучена NVIDIA с использованием NeMo на составном наборе примерно из 1100 часов арабской речи. Модель подходит для преобразования записей и речевых файлов в арабскую текстовую расшифровку. Она работает без потоковой обработки; для нормализации результата может потребоваться обратная текстовая нормализация. Точность зависит от шума, акцента, типа речи и контекста; качество может снижаться на диалектной речи и технических терминах, а дословная транскрипция и пунктуация не гарантируются. Модель не предназначена для критически важных приложений. Лицензия — CC BY 4.0; карточка сообщает о возможности коммерческого и некоммерческого использования.

Kiri разработала дообученную модель на архитектуре T5 для ответов на вопросы по текстовому контексту, включая вопросы с учётом предыдущих реплик. При обучении использовались CoQA, SQuAD 2, GoEmotions и CNN/DailyMail; модель содержит 123,8 млн параметров, принимает текст с контекстом длиной до 512 токенов и выдаёт текст. В карточке приведены результаты F1 79,5 на dev-наборе SQuAD 2 и F1 70,6 на dev-наборе CoQA. Также заявлены суммаризация и определение эмоций, но эти возможности не оценивались. Модель рассчитана на английский язык. Распространяется под лицензией Apache-2.0.

TiRoBERTa BiEncoder — модель двунаправленного кодировщика предложений для языка тигринья, разработанная как часть работы над монолингвальными bi-encoder-моделями. Она основана на TiRoBERTa-base и использует архитектуру Sentence-Transformers: кодирует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, информационного поиска, кластеризации и представления текста. Модель обучена на наборах данных для вопросов и ответов и информационного поиска на тигринья. Репозиторий содержит веса SafeTensors; для работы подходят Sentence-Transformers и Transformers. Контекст модели — до 512 токенов по README; метаданные указывают 514 токенов. Лицензия — Apache-2.0. Это модель векторных представлений, а не генеративная языковая модель; качество за пределами тигринья и обучающих сценариев не заявлено.

EMBO разработала SODA-VEC VICReg Our Contrast — модель для построения векторных представлений биомедицинских и научных текстов. Она дообучена на базе answerdotai/ModernBERT-base и обучена на 26,5 млн пар заголовков и аннотаций из PubMed Central. Модель использует ModernBERT-base с 12 слоями, mean pooling и L2-нормализацией; выдаёт эмбеддинги размерности 768 и поддерживает контекст до 8192 токенов. Она предназначена для семантического поиска, сравнения текстов и извлечения научной литературы, а также может служить основой для дообучения под прикладные задачи. Лицензия — Apache-2.0. Модель ориентирована на англоязычные тексты биомедицины и наук о жизни. Она может хуже работать в других областях; для длинных документов рекомендуется разбивать текст на фрагменты. Представления отражают смещения корпуса PubMed Central.

snehatyagi/wav2vec2_test — дообученная модель распознавания речи на базе facebook/wav2vec2-base. Она использует архитектуру Wav2Vec2ForCTC, содержит 113,3 млн параметров и принимает аудио для преобразования речи в текст. Модель опубликована в формате PyTorch под лицензией Apache-2.0. Карточка приводит результаты оценки: loss 91,1661 и WER 0,5714. Датасет обучения и поддерживаемые языки не указаны, поэтому область применимости и качество распознавания для конкретных языков или условий записи подтвердить нельзя.

Модель m-salman-a/wav2vec2-xlsr-53-common-voice-indonesian — система автоматического распознавания речи на базе wav2vec 2.0 XLSR-53, дообученная автором репозитория на индонезийской части Common Voice 8.0. Она преобразует аудио на индонезийском языке в текст и предназначена для распознавания речи в записях, подготовленных по правилам предобработки модели. Модель использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. В обучающих данных было около 32 тысяч аудиозаписей из разделов train, validation и other; аудио приводили к частоте 16 кГц, а текст нормализовали: удаляли символы, переводили цифры в словесную форму и приводили символы к нижнему регистру. В README сообщается средний показатель WER 15,6% по пяти запускам на тестовой части Common Voice 8.0. Это экспериментальная модель, созданная в рамках бакалаврской исследовательской работы. Для корректных результатов входное аудио следует привести к 16 кГц и учитывать применённую нормализацию транскриптов; качество на иных данных в карточке не описано. Лицензия в предоставленных данных не указана.