I.3Извлечение и структурирование данных

MAdel121/whisper-small-egyptian-arabic — модель распознавания речи, созданная дообучением openai/whisper-small автором репозитория на наборе MAdel121/arabic-egy-cleaned с использованием SpeechBrain. Она предназначена для транскрибации речи на египетском диалекте арабского языка и доступна для запуска через pipeline автоматического распознавания речи в Transformers. Модель имеет плотную архитектуру Whisper и содержит 153,1 млн параметров; репозиторий хранит веса в формате safetensors. Для тестовой части обучающего набора указаны WER 22,69% и CER 16,70%. Лицензия — MIT. Модель рассчитана прежде всего на египетскую арабскую речь. Точность может снижаться на других арабских диалектах, шумных записях, а также на специализированной тематике, недостаточно представленной в обучающих данных.

NaufalAqil18/whisper-tiny-indov2 — дообученная NaufalAqil18 модель распознавания речи на базе OpenAI Whisper Tiny. Она преобразует аудио в текст; размер модели составляет 29,4 млн параметров, архитектура — WhisperForConditionalGeneration. Модель обучена на датасете generator и предназначена для транскрибации аудиозаписей. В README приведены результаты оценки: loss 0,3805, WER 30,6093 и CER 14,6600. Лицензия — Apache-2.0. Карточка не уточняет языки аудио и условия тестирования, поэтому результаты сами по себе не позволяют судить о качестве распознавания в конкретном сценарии.

loodos выпустила эту предобученную модель ALBERT-Base для работы с текстами на турецком языке. Она построена на архитектуре ALBERT с 12 повторно используемыми слоями энкодера и размером скрытого представления 768; модель обучена на турецком корпусе без учёта регистра. В репозитории доступны веса PyTorch и TensorFlow, максимальная длина контекста — 512 токенов. Модель предназначена для дальнейшей настройки и применения в задачах обработки турецкого текста, например классификации или извлечения признаков. В README отмечена проблема токенизации турецких букв «ı», «i», «I», «İ» и других символов: нормализация токенизатора может искажать текст и приводить к потере информации. Для обучения на тексте без учёта регистра авторы предлагают использовать собственный модуль нормализации. Лицензия в предоставленных сведениях не указана.

vankha/asc_embedding — модель Sentence Transformers, дообученная на наборе из 42 пар текстов на основе hiieu/halong_embedding. Она кодирует предложения и абзацы на вьетнамском языке в нормализованные плотные векторы размерностью 768; сходство между ними можно оценивать косинусной мерой. Архитектура включает XLM-RoBERTa, усреднение токенных представлений и нормализацию; максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. В примерах обучающих данных — вопросы и инструкции из сферы школьного администрирования и финансов, однако размер набора невелик, поэтому качество на других данных может быть ограничено. Лицензия — Apache-2.0.

BELLE-2/Belle-whisper-large-v3-zh-punct — дообученная командой BELLE-2 модель распознавания речи на архитектуре Whisper large-v3, предназначенная для транскрибации китайской речи с расстановкой знаков пунктуации. Модель содержит 905,2 млн параметров, принимает аудио с частотой дискретизации 16 кГц и выдаёт текст. Опубликована в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Модель обучена с использованием LoRA на наборах AISHELL-1, AISHELL-2, WenetSpeech и HKUST. По результатам карточки, её качество близко к Belle-whisper-large-v3-zh на китайских ASR-бенчмарках; отмечено сопоставимое распознавание встреч и небольшое улучшение на WenetSpeech meeting. CER в таблице рассчитан после удаления пунктуации, поэтому эти результаты отдельно не оценивают точность расстановки знаков препинания.

bert-sr-base — языковая модель семейства BERT, разработанная aajrami и предназначенная для извлечения признаков из текста. Модель использует архитектуру RoBERTa; в карточке она описана как BERT base с предобучением по целевой функции shuffle + random. Число параметров — около 151,8 млн, длина контекста — 514 токенов. Модель подходит для получения векторных представлений текста и использования в качестве основы для последующих задач обработки языка. В репозитории указаны форматы PyTorch и Safetensors. Лицензия — CC BY 4.0. README не уточняет языки обучения и ограничения по применению.

beto-emotion-analysis — модель классификации текста, разработанная на основе BETO, испаноязычной версии BERT. Она дообучена на корпусе TASS 2020 Task 2 для распознавания эмоций в текстах на испанском языке. Модель содержит 137,1 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Модель подходит для автоматической разметки эмоциональной окраски испаноязычных текстов, например сообщений и публикаций. Доступны веса в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

DeepSeek-V4.1-Flash-Abliterated — неофициальная community-версия модели DeepSeek-V4.1-Flash, опубликованная пользователем s-zaizen. Модель создана методом abliteration с использованием инструмента Heretic и предназначена для задач генерации текста и обработки изображений с текстом. Она сохраняет архитектуру исходной модели, токенизатор, компоненты компьютерного зрения, память Engram, тензоры MTP/DSpark, исходную конфигурацию контекста и форматы хранения FP8/MXFP4. Чекпойнт состоит из 48 файлов Safetensors общим объёмом около 510,3 ГБ. Точные размер модели, длина контекста и список поддерживаемых языков в README не указаны. В ходе конвертации изменены только выходные проекции внимания в 40 слоях; экспертные компоненты, Engram, зрительная часть, эмбеддинги и тензоры MTP/DSpark не затрагивались. Основная заявленная особенность — существенное снижение показателя отказов в тесте Heretic: с 97 до 24 отказов из 100 примеров. Этот показатель относится только к конкретной проверке склонности к отказам и не является оценкой общих возможностей модели. Поэтому поведение, безопасность и качество ответов в других сценариях требуют самостоятельной проверки. Для запуска необходима среда, совместимая с исходным форматом чекпойнта DeepSeek V4.1 FP8/MXFP4 и его способом кодирования запросов; файлы для эталонного запуска включены в комплект. Для модели и сопутствующих исходных файлов указана лицензия MIT. Инструмент Heretic распространяется по лицензии AGPL-3.0, что следует учитывать отдельно при его использовании.

Карточка модели yrrhall/dialect-router-v0.1 на Hugging Face совпадает с карточкой oddadmix/dialect-router-v0.1, поэтому описание составлено по ней. oddadmix/dialect-router-v0.1 — компактная модель на основе BERT, дообученная для определения арабского диалекта по тексту. Она классифицирует арабоязычные фразы по 11 кодам диалектов и языковых вариантов, используя энкодер Transformer с классификационной головой; размер модели — 12,4 млн параметров, максимальная длина входа — 512 токенов. Модель предназначена прежде всего для маршрутизации синтеза речи в Lahgtna: по диалекту выбираются соответствующая голосовая запись и языковой токен Chatterbox. Её также можно использовать для разметки арабских текстов в NLP-конвейерах, фильтрации контента и анализа наборов данных. Модель работает с арабским текстом и не предназначена для других языков. Короткие фрагменты, смешение арабского с другими языками и близкие географически диалекты могут приводить к ошибкам; полнота распознавания некоторых вариантов может быть ниже из-за смещения обучающего корпуса. Модель не следует использовать для определения личности или для высокорисковых решений без проверки человеком. Опубликована под лицензией MIT.

Toshifumi разработал эту модель, дообучив distilbert-base-multilingual-cased для классификации эмоций в тексте на наборе данных emotion. Это компактная модель семейства DistilBERT с архитектурой DistilBertForSequenceClassification; она принимает текст и присваивает ему эмоциональную метку. Длина контекста — до 512 токенов. На тестовой выборке указаны accuracy 0,8885 и F1 0,8888. Модель подходит для автоматической разметки коротких текстов и анализа пользовательских высказываний. Лицензия — Apache-2.0. Карточка не уточняет набор эмоциональных классов и языки, на которых модель проверялась, поэтому качество для конкретных языков и доменов следует оценивать отдельно.

EgyBERT — модель семейства BERT, разработанная для работы с текстами на египетском диалекте арабского языка. Её предварительно обучили на корпусе египетских твитов объёмом более 34 миллионов сообщений и корпусе интернет-форумов объёмом более 44 миллионов предложений; суммарный объём текстов составил 10,4 ГБ. Модель содержит около 170,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и предназначена для извлечения признаков. EgyBERT можно использовать как основу для получения контекстных представлений египетского диалектного текста и построения downstream-систем обработки языка. Репозиторий предоставляет веса в формате safetensors. Лицензия CC BY-NC 4.0 требует указания авторства и не разрешает коммерческое использование.

abhi1nandy2/EManuals_RoBERTa — модель семейства RoBERTa, представленная автором abhi1nandy2. Она предназначена для извлечения признаков из текста и может использоваться как основа для получения текстовых представлений в сценариях поддержки клиентов и вопросно-ответных систем. Модель содержит 151,8 млн параметров, принимает текст и имеет контекстное окно до 514 токенов. В метаданных указаны реализация на PyTorch и формат весов PyTorch. Карточка README не содержит описания обучения или результатов, поэтому специализация на руководствах и качество в конкретных задачах не подтверждены. Лицензия в предоставленных метаданных не указана.

nghuyong/ernie-3.0-micro-zh — китайская языковая модель ERNIE 3.0, созданная на основе подхода крупномасштабного предобучения с использованием знаний для понимания и генерации языка. Репозиторий содержит вариант для PyTorch, конвертированный из официальной модели PaddlePaddle; в README сообщается о проверке точности конвертации. Для загрузки используются BertTokenizer и ErnieModel из Transformers. Модель предназначена для извлечения признаковых представлений текста и может служить основой для задач понимания китайского языка. Она имеет плотную архитектуру ErnieModel, 24,8 млн параметров и контекст до 2048 токенов. Карточка указывает китайский язык и формат PyTorch. Лицензия в предоставленных данных не указана.

ERNIE-4.5-VL-424B-A47B-Paddle — мультимодальная модель семейства ERNIE 4.5, разработанная Baidu и опубликованная в формате весов PaddlePaddle. Это чат-модель с архитектурой MoE, дообученная после предварительного обучения ERNIE-4.5-VL-424B-A47B-Base: в README указаны 424 млрд параметров всего и 47 млрд активируемых параметров на токен; метаданные каталога приводят 47,1 млрд параметров. Модель принимает текст и изображения и генерирует текст, поддерживает визуально-языковое понимание, рассуждение по изображениям и режимы с рассуждением и без него. Заявлены английский и китайский языки, а контекстное окно составляет 131 072 токена. Модель предназначена для диалоговых сценариев, где нужно интерпретировать изображения вместе с текстовыми запросами, отвечать на вопросы по визуальному содержимому и выполнять мультимодальные рассуждения. Для запуска README приводит пример развёртывания через FastDeploy, а метаданные указывают PaddlePaddle и формат safetensors. Лицензия — Apache-2.0. Для инференса крупной MoE-модели потребуется соответствующая вычислительная инфраструктура; доступный пример FastDeploy ограничивает длину контекста 32 768 токенами.

Florence-2-base — визуальная foundation-модель, разработанная Microsoft. В данном репозитории представлена упаковка microsoft/Florence-2-base для инференса Antfly с квантованными весами GGUF Q4_K. Модель использует prompt-based подход и sequence-to-sequence архитектуру, принимая изображение и текстовый запрос для выполнения различных задач компьютерного зрения и vision-language обработки. Модель предназначена для автоматического описания изображений, генерации подробных подписей, обнаружения объектов, сегментации и сопоставления фраз с областями изображения. Поддерживаются задачи captioning, detailed captioning, more detailed captioning, caption-to-phrase grounding, object detection и dense region caption. Переключение между сценариями выполняется с помощью специальных текстовых prompt-токенов, например <CAPTION> и <OD>. Модель обучалась на наборе FLD-5B, включающем 5,4 млрд аннотаций для 126 млн изображений, и рассчитана на zero-shot и последующее дообучение. Размер Florence-2-base составляет около 0,23 млрд параметров. В README не указаны поддерживаемые языки, максимальная длина контекста и полный перечень модальностей; явно описана работа с изображениями и текстовыми prompt-запросами. К сильным сторонам относятся единая архитектура для множества визуальных задач, возможность управления задачей через prompt и применение без специализированной модели под каждый сценарий. Ограничения включают отсутствие в предоставленных данных подробных сведений о качестве на отдельных бенчмарках, языковой поддержке и требованиях к ресурсам; версия Q4_K также является квантованным вариантом весов. Лицензия — MIT.

linhtrann21/ft_paligemma_15k — дообученная модель PaliGemma для генерации текстовых ответов по изображениям. Она создана на основе linhtrann21/ft_paligemma_10k; в карточке не описаны конкретные данные обучения, сценарии применения или результаты оценки. Модель реализована как плотная мультимодальная архитектура PaliGemmaForConditionalGeneration и распространяется в формате safetensors через библиотеку Transformers. Модель принимает изображения и текстовые запросы и выдаёт текст, поэтому подходит для вопросов об изображении и его описания. Язык ответов и длина контекста в доступных сведениях не указаны. Лицензия — Gemma; перед использованием следует учитывать её условия.

Gliese-Qwen3.5-27B-Abliterated-Caption — мультимодальная модель prithivMLmods на 27 млрд параметров, созданная дообучением Qwen3.5-27B и предназначенная прежде всего для подробного описания изображений. Она принимает изображения и текстовые инструкции, а в ответ генерирует развернутые текстовые подписи с описанием объектов, людей, сцен и окружения; также поддерживает диалоговый режим и визуальное понимание. Модель рассчитана на автоматическую разметку изображений, создание наборов подписей для обучения и исследования в области vision-language. В карточке указаны анализ направлений отказа и их ослабление, поэтому модель может отвечать на запросы, от которых базовая модель отказалась бы, включая генерацию откровенных или спорных описаний. Репозиторий использует архитектуру Qwen3.5 для условной генерации и формат safetensors; базовая модель содержит 27 млрд параметров. Для использования указана лицензия Apache-2.0.

IndoBERT-Lite Base Model (phase1, uncased) — предварительно обученная языковая модель для индонезийского языка, разработанная командой IndoBenchmark. Она основана на архитектуре ALBERT и обучена на корпусе Indo4B с задачами masked language modeling и next sentence prediction. Модель предназначена для извлечения контекстных представлений текста, которые можно использовать в прикладных системах обработки индонезийского языка. Модель содержит 136,3 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Доступны веса PyTorch и TensorFlow. Лицензия — MIT. Карточка описывает предварительное обучение; качество на конкретных прикладных задачах зависит от последующего использования или дообучения.

KoBART-base-v1 — корейская модель семейства BART, опубликованная gogamza. Это плотная модель с архитектурой BartModel, содержащая 79,7 млн параметров; она предназначена для извлечения признаков из текста и может использоваться как основа для построения прикладных NLP-систем. Для загрузки применяются Transformers и PreTrainedTokenizerFast. Модель принимает текст и выдаёт скрытые представления токенов; заявленный размер контекста составляет 1026 токенов. Поддерживаемый язык — корейский. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии MIT.

LaBSE-en-ru-myv-v2 — дообученная slone версия модели LaBSE-en-ru-myv-v1 для работы с эрзянским и русским текстом. Модель основана на архитектуре BERT и содержит 170,2 млн параметров; обучение продолжалось около 150 тысяч шагов на наборе данных myv_ru_2022. Репозиторий содержит веса PyTorch, контекст модели — до 512 токенов. Модель предназначена для получения текстовых представлений, поиска соответствий между эрзянскими и русскими фрагментами и задач языкового моделирования с маскировкой токенов. Автор сообщает о немного лучших результатах по извлечению параллельных текстов и MLM по сравнению с версией v1. Лицензия — CC BY-SA 4.0.

rufimelo/Legal-BERTimbau-sts-base — модель на архитектуре BERT, разработанная для семантического сравнения португалоязычных юридических текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 1024, пригодные для поиска семантически близких фрагментов и кластеризации. Модель основана на Legal-BERTimbau-large, созданной на базе BERTimbau base, и дообучена для задачи Semantic Textual Similarity на датасетах ASSIN и ASSIN2. В метаданных указаны 136,1 млн параметров и контекст длиной до 512 токенов; поддерживаются форматы PyTorch и safetensors. Карточка приводит результаты оценки на португальских наборах STS, включая ASSIN, ASSIN2 и stsb_multi_mt. Модель предназначена для семантического поиска, сопоставления предложений и группировки юридических текстов на португальском языке. Лицензия в предоставленных данных не указана.

Это мультимодальная модель Meta семейства Llama 3.2 Vision, опубликованная Unsloth в виде чекпойнта формата safetensors для Transformers. Она принимает изображения и текст и генерирует текстовые ответы; поддерживает диалоговый режим и интерфейс вызова инструментов. В карточке указано, что основой служит meta-llama/Llama-3.2-90B-Vision-Instruct, поэтому этот репозиторий представляет собой её дообученную версию. Модель подходит для ответов на вопросы по изображениям, описания визуального содержимого и диалоговых сценариев, где текстовый запрос связан с изображением. В метаданных для языков карточки указан английский; исходная модель поддерживает английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Контекстный размер в доступных данных не указан. Лицензия — Llama 3.2 Community License, пользовательская лицензия Meta; перед внедрением следует проверить её условия.

MedEmbed Biomedical MRL — англоязычная модель Sentence Transformers на базе BERT, опубликованная пользователем potsu-potsu. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 768, нормализованные для сравнения по косинусному сходству. Модель обучена на 4 012 парах запросов и положительных ответов из биомедицинских текстов; поддерживает укорочение вектора до 512, 256, 128 или 64 измерений благодаря Matryoshka-обучению. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и ранжирования биомедицинских текстов, оценки сходства формулировок, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. В карточке приведены результаты оценки информационного поиска при разных размерностях вектора. Лицензия Apache-2.0. Результаты и обучение описаны для английского языка; качество на других языках не подтверждено.

openbmb/MiniCPM-V-4.6-GPTQ — GPTQ-квантизированная версия мультимодальной модели MiniCPM-V 4.6, разработанной OpenBMB. Модель предназначена для понимания изображений и видео, включая анализ одного или нескольких изображений, работу с визуальными вопросами и сценарии локального запуска на мобильных и периферийных устройствах. В основе лежат визуальный энкодер SigLIP2-400M и языковая модель Qwen3.5-0.8B. Версия использует квантизацию W4A16 в формате GPTQModel и смешанное сжатие визуальных токенов 4x/16x, позволяющее выбирать баланс между точностью и скоростью. Заявлены снижение вычислений визуального энкодера более чем на 50%, примерно в 1,5 раза большая пропускная способность по сравнению с Qwen3.5-0.8B и поддержка платформ iOS, Android и HarmonyOS. Модель также интегрируется с Transformers, vLLM, SGLang, llama.cpp и Ollama; доступны средства дообучения через SWIFT и LLaMA-Factory. Сильные стороны модели — компактность, энергоэффективность, мультимодальное понимание и пригодность для on-device-развёртывания. README не указывает поддерживаемые языки, размер контекста и подробные ограничения качества; фактическая точность может зависеть от выбранного уровня визуального сжатия и квантизации. Модель распространяется по лицензии Apache-2.0.

ZhangYuchi/modelbest-Qwen-2.5-Omni-7B-SFT-with-DPO — мультимодальная модель семейства Qwen2.5-Omni, разработанная ZhangYuchi. Это полнопараметрическая DPO-настройка SFT-модели для бенчмарка OmniGAIA и агентных вопросов с несколькими ходами и использованием инструментов. Модель предназначена для рассуждений по видео, аудио и изображениям, а также для работы с внешними инструментами поиска и анализа медиа. Модель основана на Qwen/Qwen2.5-Omni-7B; веса сохранены в формате safetensors. README указывает, что это checkpoint-60, обученный на парах предпочтений из собственных траекторий SFT-модели; использовано 962 пары из семи из восьми частей данных. Метаданные указывают языки английский и китайский, библиотеку Transformers и лицензию Apache-2.0. Базовая модель поддерживает диалог с текстом, изображениями, аудио и видео и может выдавать текстовые и речевые ответы. Модель подходит для мультимодальных вопросов и ответов с применением инструментов, включая поиск в интернете и активное восприятие медиа. Результаты OmniGAIA зависят от случайного seed и траекторий использования инструментов; улучшение от DPO не проявляется на каждом seed. README также отмечает ошибки восприятия длинного аудио и визуальных объектов, дрейф веб-поиска и зависимость оценок от LLM-судьи. Модель наследует ограничения базовой Qwen2.5-Omni-7B.

Это англоязычная SentenceTransformer-модель, дообученная krishanusinha20 на базе sentence-transformers/all-MiniLM-L6-v2 для сопоставления текстовых запросов с SQL-запросами. Энкодер BERT преобразует предложения и абзацы в плотные векторы размерности 384; сходство между ними оценивается косинусной мерой. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов, а в конфигурации README задана максимальная длина последовательности 256 токенов. Модель подходит для семантического поиска, ранжирования похожих формулировок запросов и SQL, поиска перефразировок, кластеризации и классификации текстов. В примерах обучения представлены пары вопросов на английском языке и соответствующих SQL-запросов; обучающий набор содержит 10 примеров, поэтому качество на широком круге схем баз данных и формулировок может быть ограниченным. Лицензия в предоставленных данных не указана.

Nawah-Router-BERT-6M-v2 — арабская модель для маршрутизации текстовых запросов по категориям. Разработчик — oddadmix. Она принимает текст и категории на естественном арабском языке, оценивает их за один проход и не требует заранее заданной таксономии. Модель дообучена на базе oddadmix/Nawah-BERT-6M-v2 и использует архитектуру BERT; размер — 6,2 млн параметров, контекст — до 2048 токенов. В приведённых в карточке оценках модель превосходит более крупный Nawah-Router-v3 на наборах новых категорий и доменов, но уступает ему на новых осях классификации; автор отмечает, что результаты близки и основаны на одном запуске. Модель опубликована в формате safetensors, использует библиотеку Transformers и распространяется по лицензии Apache-2.0.

nyx — компактная модель принятия решений на 4 млрд параметров, созданная Devansh Batham на базе Qwen/Qwen3.5-4B. Она предназначена для задач Choice, Score и Noul, а также классификации запросов; в README приведены результаты на наборах AG News, TREC coarse и CoLA. Модель поставляется одним файлом GGUF размером 3,29 ГБ для запуска через llama.cpp на CPU, Apple Metal, NVIDIA CUDA и AMD HIP. Метаданные отмечают поддержку диалога, а формат GGUF указывает на квантованную поставку. В бенчмарках nyx показывает разные результаты относительно базовой модели: выше на CoLA и ниже на AG News и TREC coarse. Опубликованный файл GGUF совпал с эталонной версией nyx в 98,73% случаев отдельного теста точности воспроизведения. Лицензия — Apache-2.0.

shahrukhx01/question-vs-statement-classifier — компактная модель классификации текста на основе BERT, разработанная для разделения поисковых запросов на вопросы и утверждения. Она предназначена для классификации запросов в сценариях нейронного поиска и интеграции с Haystack. Модель содержит около 12 млн параметров, принимает текст длиной до 512 токенов и выдаёт метку класса; опубликованные веса доступны в форматах PyTorch и safetensors. Карточка не сообщает результаты оценки качества и подробности обучающих данных, поэтому точность классификации на конкретных типах запросов не установлена. Метаданные указывают английский язык. Условия лицензирования в предоставленных данных не описаны.

Raptarchis — модель Sentence Transformers на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерности 256. Её можно применять для семантического поиска, сравнения текстов и кластеризации. В метаданных указан греческий язык и датасет greek_legal_code; модель содержит 140,1 млн параметров и поддерживает контекст до 512 токенов. Модель обучена с использованием CosineSimilarityLoss и опубликована в формате PyTorch. Лицензия — Apache-2.0. Карточка не приводит результатов оценки, поэтому качество на конкретных наборах данных по имеющимся сведениям оценить нельзя.