I.3Извлечение и структурирование данных

T5Gemma XL-XL-UL2-IT — разработанная Google instruction-tuned модель семейства T5Gemma с encoder-decoder архитектурой: XL-кодировщик и XL-декодировщик, адаптированные с использованием UL2. Модель принимает текст и генерирует текст; в карточке указана поддержка английского языка. Она предназначена для генерации текста по инструкциям, ответов на вопросы, суммаризации и рассуждений, а также для создания черновиков и материалов для NLP-исследований. Модель основана на предварительно обученной google/t5gemma-xl-xl-ul2 и дообучена для следования инструкциям. Для работы доступны веса в формате Safetensors; используется библиотека Transformers. Лицензия — Gemma. Карточка не приводит размер параметров или длину контекста. Ограничения включают возможные фактические ошибки, смещения обучающих данных и трудности с неоднозначным языком и сложными открытыми задачами.

TeluguSBERT-STS — модель семейства BERT от L3Cube-Pune для получения векторных представлений предложений на телугу и оценки их семантического сходства. Она создана на основе l3cube-pune/telugu-sentence-bert-nli и дообучена на наборе данных STS; модель выпущена в рамках проекта MahaNLP. Модель подходит для сравнения смысла двух предложений, поиска похожих фраз и построения семантического поиска на телугу. Это плотная модель с 264,8 млн параметров и контекстом до 512 токенов; репозиторий содержит веса PyTorch, а метаданные отмечают поддержку эмбеддингов. Лицензия — CC BY 4.0.

dinesh480/telugu-whisper-finetuned — модель распознавания речи на телугу, разработанная на основе Swecha Gonthuka ASR и дообученная на пользовательском наборе телугуязычных аудиозаписей. Она использует архитектуру Wav2Vec2ForCTC и преобразует речь в текст на телугу в Unicode. Модель подходит для транскрибации, голосовых помощников, создания субтитров, образовательных приложений и анализа речи. Модель принимает монофонический звук WAV с частотой дискретизации 16 кГц; размер составляет 113,3 млн параметров. Репозиторий использует Transformers и хранит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Качество может снижаться при сильном фоновом шуме, нескольких говорящих, низком качестве записи и региональных акцентах, отсутствовавших в обучающих данных. README не приводит количественных результатов оценки.

TildeOpen-30b-64k — базовая языковая модель компании Tilde.ai, разработанная при финансировании Европейской комиссии через EuroHPC JU Large AI Grand Challenge. Это плотный декодерный трансформер семейства Llama с 29,9 млрд параметров. Модель не проходила инструкционное дообучение и настройку под человеческие предпочтения, поэтому предназначена прежде всего для продолжения текста и адаптации под прикладные задачи. Модель поддерживает более 30 европейских языков, включая русский, английский, немецкий, французский, польский и украинский, а также программный код и XML с данными для перевода. Контекст расширен с 8 тыс. до 65 536 токенов методом YaRN; обучение включало многоязычные текстовые данные, FinePDFs и синтетические данные на основе KNOT. Модель подходит для генерации и дополнения длинных текстов, работы с многоязычными документами и экспериментов с контекстом большой длины. В карточке приведены результаты тестов на понимание прочитанного и грамматику для ряда языков. Для работы рекомендованы Transformers версии 5 и выше или vLLM; в карточке также описаны патчи для более старых версий Transformers. Модель распространяется по лицензии CC-BY-4.0. Поскольку она не настроена для следования инструкциям и не выровнена с предпочтениями человека, качество диалоговых ответов и безопасность вывода не гарантируются; заявленные тесты не означают одинакового качества во всех языках и задачах.

josedossantos/tree-txtEmenta-legalbert — модель на базе BERT, опубликованная в формате safetensors и использующая библиотеку Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения сходства. Обучение с ContrastiveLoss на косинусном расстоянии нацелено на получение полезных представлений для сравнения текстов. Модель содержит 136,1 млн параметров и принимает последовательности длиной до 512 токенов. Название репозитория указывает на связь с юридическими текстами, однако README не описывает конкретные юридические задачи, обучающие данные или поддерживаемые языки. Лицензия в предоставленных сведениях не указана.

ukr-models/uk-punctcase — модель на базе XLM-RoBERTa-Uk, дообученная на украинских текстах для восстановления пунктуации и регистра букв. Она выполняет разметку токенов, чтобы восстанавливать знаки препинания и правильное написание заглавных и строчных букв в тексте. Модель содержит 137,3 млн параметров, использует архитектуру XLM-RoBERTa и рассчитана на контекст до 514 токенов. Форматы весов — PyTorch и safetensors. Лицензия MIT.

UniSpeech-SAT-Base-Finetuned-100h-Libri — акустическая модель распознавания речи от Microsoft, дообученная на 100 часах английской части LibriSpeech. Она основана на архитектуре UniSpeech-SAT и использует CTC для преобразования аудиоречи в текст; размер модели — 113,3 млн параметров. Модель принимает речь с частотой дискретизации 16 кГц и рассчитана на транскрибирование английской речи, в том числе аудиокниг и записей с похожими условиями. Модель можно использовать как акустическую часть конвейера автоматического распознавания речи. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Карточка не приводит оценок качества распознавания или подробных ограничений для аудио, отличающегося от LibriSpeech, поэтому пригодность для таких записей следует проверять отдельно.

VibeVoice-ASR-Streaming-7B — потоковая модель распознавания речи семейства VibeVoice, представленная в карточке как модель для транскрибации с указанием говорящего. Она обрабатывает поступающую речь и связывает распознанный текст с тем, кто его произнёс; пользовательские горячие слова помогают распознавать имена и специальные термины. Модель поддерживает китайский, английский, французский, немецкий, итальянский, японский, корейский, португальский, русский и испанский языки. В метаданных указаны архитектура VibeVoice, класс VibeVoiceForASRStreamingTraining, библиотека Transformers и формат safetensors. Размер 7B следует из названия модели. Лицензия — MIT. Карточка направляет к репозиторию microsoft/VibeVoice за кодом и инструкциями по использованию. Подробные сведения о контекстном окне, качестве распознавания и ограничениях в предоставленных материалах отсутствуют.

Viking-Qwen3.6-27B — мультимодальная модель на архитектуре Qwen3.5/Qwen3.6 с 27 млрд параметров, опубликованная nbeerbower. Она создана методом TIES-слияния трёх дообученных моделей поверх Huihui-Qwen3.6-27B-abliterated; языковые веса объединены, а башня зрения и часть дополнительных весов восстановлены из базовой модели. Модель предназначена для диалогов и обработки изображений с текстовыми запросами и ответами. Визуальный энкодер унаследован без изменений от базовой модели, поэтому слияние затронуло только языковую часть. В родословной присутствует bf16-реконструкция из Q8_0 GGUF, что может переносить погрешность квантования. Автор отмечает, что веса не проверялись генерацией после загрузки. Лицензия в предоставленных данных не указана.

timm/vit_base_patch16_clip_224.laion400m_e32 — модель семейства CLIP с визуальным энкодером Vision Transformer ViT-B/16, обученная на датасете LAION-400M. Она доступна для использования через open_clip и timm; карточка указывает имя OpenCLIP ViT-B-16. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов. Её можно применять для поиска изображений по тексту и сопоставления изображений с категориями, заданными текстовыми метками. Репозиторий содержит веса PyTorch и safetensors, лицензия — MIT. В описании модели не приведены сведения о размере входа, поддерживаемых языках или количественных оценках качества; название timm указывает разрешение 224 пикселя. Результаты зависят от формулировок текстовых меток и домена изображений; карточка не сообщает об отдельной адаптации для узких областей.

vit_base_patch16_siglip_gap_224.v2_webli — модель семейства SigLIP 2, опубликованная в библиотеке timm. Это визуальный энкодер ViT с патчами 16×16 и входным разрешением 224 пикселя; текстовый энкодер отсутствует. Вариант gap использует глобальное усреднение признаков и не содержит головы attention pooling. Модель обучена на WebLI и предназначена для извлечения признаков изображений. Полученные представления можно использовать для поиска и сопоставления изображений, кластеризации и других задач компьютерного зрения, где нужны визуальные признаки. Метаданные указывают задачу image-feature-extraction и форматы PyTorch и safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или дополнительных сведений об ограничениях применения.

Это модель CLIP на архитектуре ViT-bigG-14 с разрешением изображения 378 пикселей, связанная с MetaCLIP 2. Её можно использовать через open_clip и timm для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах: модель сопоставляет изображение с набором текстовых меток и оценивает соответствие между ними. Репозиторий содержит веса в форматах PyTorch и safetensors; для работы предназначена библиотека open_clip. Модель рассчитана на задачи zero-shot классификации изображений в широком международном контексте. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и запрещает коммерческое применение. Карточка не описывает ограничения качества или список поддерживаемых языков.

Это веса визуального энкодера CLIP из семейства DFN, опубликованные разработчиками timm. Модель принимает изображения и преобразует их в признаки и эмбеддинги; она предназначена для извлечения визуальных представлений, в том числе как часть систем поиска и сопоставления изображений с текстом. В репозитории указаны архитектура ViT-Large с патчами 14 и разрешением изображения 224 пикселя, а также веса в форматах PyTorch и Safetensors. Карточка уточняет, что это только энкодер изображений, поэтому модель сама по себе не генерирует текст и не выполняет полный цикл CLIP-сопоставления с текстом. Лицензия обозначена как other; конкретные условия следует проверить в файлах репозитория.

vit_large_patch16_siglip_512.v2_webli — визуальный энкодер SigLIP 2 на архитектуре ViT-Large с патчами 16 пикселей, предназначенный для библиотеки timm. Он соответствует только визуальной башне модели SigLIP 2 и обучен на наборе данных WebLI. Модель преобразует изображения в признаки и подходит для извлечения визуальных представлений, которые можно использовать в системах поиска и анализа изображений. Репозиторий содержит веса PyTorch в формате Safetensors. Лицензия — Apache-2.0. Это только энкодер изображений, поэтому он сам по себе не принимает текст и не генерирует текстовые описания. Карточка не приводит конкретные результаты оценки качества или сведения об ограничениях сверх этого.

leophill/w2v-bert-2.0-afrivoices-ea-6l-asr — речевая модель, разработанная для хакатона AfriVoices East Africa ASR командой Digital Umuganda и Maseno Center for Applied Artificial Intelligence. Это дообученная на базе facebook/w2v-bert-2.0 модель Wav2Vec2-BERT 2.0 с архитектурой Conformer и CTC-головой, содержащая 402,7 млн параметров. Она распознаёт речь на шести восточноафриканских языках: луо, календжин, кикуйю, маасаи, сомали и суахили; язык на входе указывать не требуется. Модель принимает монофоническое аудио с частотой 16 кГц и выдаёт строчную транскрипцию без пунктуации. В тесте хакатона она заняла второе место с macro-WER 0,34819; качество зависит от языка, диалекта и формата речи, причём спонтанная длинная речь распознаётся хуже подготовленной. Для повышения точности README рекомендует декодирование pyctcdecode с языковой моделью KenLM для каждого языка. Модель ограничена шестью указанными языками и не предназначена для их идентификации. Лицензия — CC BY 4.0.

Sagicc/w2v-bert-2.0-sr — модель распознавания речи, дообученная на базе facebook/w2v-bert-2.0 на датасете Common Voice 16.1. Она использует архитектуру Wav2Vec2BertForCTC и принимает аудио, преобразуя речь в текст. В оценке на тестовой выборке указаны loss 0,1469 и WER 0,0534; применимость этих показателей зависит от состава и условий оценки. Модель предназначена для автоматической транскрибации речи. В карточке не уточнены язык записей и условия, для которых получены метрики. Вес модели — около 402,7 млн параметров; опубликована в формате Safetensors. Лицензия — MIT.

Alvenir/wav2vec2-base-da-ft-nst — модель распознавания датской речи, разработанная Alvenir. Это версия wav2vec2-base, дообученная на открытом датасете NST для преобразования аудио в текст; архитектура — Wav2Vec2ForCTC, размер — 113,3 млн параметров. Модель ожидает аудио с частотой дискретизации 16 кГц и поддерживает датский язык. В README приведены результаты оценки на датских наборах данных: WER 15,8% на тестовой части NST и 26,3% на тесте Common Voice 80; применение 3-граммовой языковой модели снижает эти показатели до 11,9% и 19,2% соответственно. Модель подходит для транскрибации датской речи, однако качество зависит от набора данных и может улучшаться внешней языковой моделью. Лицензия — Apache-2.0.

wav2vec2-large-xls-r-300m-spanish-small — модель распознавания речи, разработанная на основе jhonparra18/wav2vec2-large-xls-r-300m-spanish-custom и дообученная на Common Voice. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; карточка сообщает значение WER 0,1791 на оценочном наборе. Подходит для автоматической транскрипции испанской речи и экспериментов с распознаванием речи на данных Common Voice. В репозитории указаны веса PyTorch. Лицензия и подробные ограничения применения в предоставленных данных не описаны.

elgeish/wav2vec2-large-xlsr-53-arabic — модель автоматического распознавания арабской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на датасетах Arabic Speech Corpus и Common Voice. Это плотная архитектура wav2vec2 с CTC-выходом и примерно 402,7 млн параметров; репозиторий содержит веса PyTorch и Flax. Модель принимает аудио с частотой дискретизации 16 кГц и предназначена для преобразования арабской речи в текст. Результаты модели представлены в транслитерации Buckwalter, где арабские буквы кодируются символами ASCII; для получения арабского письма требуется обратная транслитерация. В карточке указаны WER 23,39% на валидации Common Voice и тестовый результат 26,55%. Модель можно применять для расшифровки арабских записей и речи, однако точность зависит от данных и условий записи. Лицензия — Apache-2.0.

wav2vec2-xls-r-1b-ca-lm — модель распознавания каталонской речи, созданная PereLluis13 и дообученная на основе facebook/wav2vec2-xls-r-300m. Она использует архитектуру wav2vec2 с классификационной CTC-головой и принимает аудио, преобразуя его в текст. Для обучения использованы датасеты Mozilla Common Voice 8.0 (каталонская часть), tv3_parla и parlament_parla. Модель предназначена для автоматической транскрипции каталонской речи. В README отмечено, что точность может быть ниже для менее представленных диалектов; также возможны смещения и особенности исходных краудсорсинговых данных. Модель распространяется по лицензии Apache-2.0.

DrishtiSharma/wav2vec2-xls-r-300m-kk-n2 — модель распознавания речи, дообученная на базе facebook/wav2vec2-xls-r-300m на казахской части набора Mozilla Common Voice 8.0. Она принимает аудио и преобразует речь на казахском языке в текст; архитектура — Wav2Vec2ForCTC семейства wav2vec2, размер — 402,7 млн параметров. На тестовой оценке автор сообщает WER 0,451 и loss 0,7149. Модель распространяется по лицензии Apache-2.0.

YazanSalameh/Whisper-base-Arabic — дообученная модель OpenAI Whisper Base для автоматического распознавания арабской речи и преобразования аудио в текст. Она основана на архитектуре Whisper с 51,7 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0. Модель обучалась на арабских данных Common Voice 16.0, MGB-2 и Jordan-Audio. В карточке приведён результат на оценочной выборке: WER 34,7 и loss 0,44; для проверки использовались 600 примеров из трёх наборов данных. Оценка ограничена небольшим объёмом выборки, а автор предлагает подбирать способ интерпретации точности самостоятельно.

Whisper-Hindi2Hinglish-Prime — дообученная Oriserve модель распознавания речи на архитектуре Whisper large-v3 от OpenAI. Она преобразует аудио с индийским произношением хинди в транскрипцию на хинглиш — разговорную смесь хинди и английского, записанную латиницей. Модель построена для работы с Transformers и имеет около 905 млн параметров. Для дообучения использовали примерно 550 часов шумных аудиозаписей на хинди с индийским акцентом; набор данных был специально собран и размечен с помощью автоматической транскрибации и последующей правки человеком. По данным README, модель снижает ошибки распознавания на тестах Common Voice, FLEURS и Indic-Voices относительно исходной Whisper large-v3 и предназначена для аудио с фоновым шумом. README также сообщает о снижении ложных транскрипций на записях с одним шумом. Модель подходит для транскрибации разговорной речи на хинглиш, в том числе в шумной обстановке. В README указано, что доступна более новая версия Whisper-Hindi2Hinglish-Apex. Лицензия — Apache-2.0.

Whisper Small Italian — модель распознавания речи на архитектуре Whisper, дообученная автором whispy на базе openai/whisper-base на наборе Common Voice 11.0. Она преобразует итальянскую речь в текст и подходит для транскрибирования записей и голосовых сообщений. Модель содержит 153,1 млн параметров; доступные веса представлены в формате PyTorch. На оценочной выборке указаны loss 0,1185 и WER 17,3916. Лицензия — Apache-2.0.

AmirMohseni/whisper-large-v3-persian-ct2-int8 — версия Whisper large-v3, подготовленная Amir Mohseni для распознавания персидской речи. Модель принимает аудио и генерирует текстовую транскрипцию; карточка Hugging Face указывает задачу automatic-speech-recognition, язык Persian и базовые модели openai/whisper-large-v3 и AmirMohseni/whisper-large-v3-persian-bf16. Это вариант с INT8-квантованием, предназначенный для более экономичного по памяти вывода. Репозиторий относится к семейству Whisper encoder-decoder моделей OpenAI; для задачи распознавания особенно подходит персидский язык. Карточка не приводит размер модели или контекст, а также не описывает точность именно этой квантованной версии. Модель распространяется по лицензии Apache-2.0. Известное практическое ограничение: квантование может влиять на качество распознавания, но величина такого влияния для этой версии не указана.

Sagicc/whisper-large-v3-sr-cmb — дообученная модель автоматического распознавания речи на основе Whisper large-v3 от OpenAI. Модель содержит 905,2 млн параметров и предназначена для преобразования аудио в текст; при дообучении использовались Common Voice 13, Google Fleurs и набор данных JuzneVesti-SR v1.0. В карточке приведены результаты оценки: WER 0,0415, WER Ortho 0,1339 и loss 0,1111. Модель ориентирована на сербскую речь, однако подробные сведения о вариантах языка и условиях оценки не описаны. Распространяется по лицензии Apache-2.0.

sam8000 выпустил дообученную на наборе FLEURS модель OpenAI Whisper large-v3-turbo для автоматического распознавания речи на болгарском языке. Это мультиязычная модель архитектуры Whisper с 905,2 млн параметров, предназначенная для преобразования аудио в текст; в метаданных указана поддержка входного аудио. На тестовой выборке автор сообщает WER 9,9711 и WER Ortho 28,9047. Модель распространяется в формате Safetensors по лицензии MIT. Подробности о составе обучающих данных, кроме указания FLEURS, и о конкретных ограничениях в карточке не приведены.

GeoffVdr/whisper-medium-nlcv11 — дообученная модель распознавания речи на базе OpenAI Whisper Medium. Она обучена на обучающей и валидационной частях нидерландского набора Mozilla Common Voice 11.0 и предназначена для преобразования нидерландской речи в текст. Модель использует архитектуру WhisperForConditionalGeneration и содержит 455,8 млн параметров. Для оценки использовалась тестовая часть Common Voice 11.0 на нидерландском языке. Модель принимает аудио и выдаёт текст; карточка не сообщает метрики качества или подробные ограничения. Веса доступны в формате PyTorch по лицензии Apache-2.0.

Sagicc/whisper-medium-sr-v2 — 455,8-миллионная модель распознавания речи на базе Whisper Medium от OpenAI, дообученная разработчиком Sagicc на объединённых наборах Common Voice 16, Fleurs, новостных аудиозаписей Južne vesti и LBM. Модель принимает аудио и преобразует речь в текст; она предназначена прежде всего для распознавания сербской речи. В карточке приведены результаты оценки: WER 0,0738 и WER Ortho 0,1663. Модель использует архитектуру Whisper и опубликована в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает дополнительные сценарии применения и подробные ограничения.

yuriyvnv/whisper-small-mixed-cv-nl — дообученная Yuriyvnv модель OpenAI Whisper Small для распознавания речи на нидерландском языке. Она принимает аудио и генерирует текстовую транскрипцию; модель построена на архитектуре WhisperForConditionalGeneration, содержит 153,1 млн параметров и распространяется в формате safetensors через Transformers. Модель обучена на смеси 34 952 реальных аудиозаписей Common Voice 17.0 и 30 182 синтетических примеров на нидерландском языке, отфильтрованных по качеству выравнивания аудио и текста. В карточке указаны WER 8,73% на валидации и 10,86% на тестовой выборке Common Voice, а также результаты на MLS; эти показатели относятся к описанным наборам и не гарантируют аналогичное качество на других данных. Модель предназначена для транскрибации чистой нидерландской речи общего назначения. Она может хуже работать с технической лексикой, шумным аудио и региональными вариантами нидерландского. Лицензия — Apache-2.0.