I.3Извлечение и структурирование данных

Модель KBLab на архитектуре wav2vec 2.0 Large предназначена для автоматического распознавания шведской речи. Она расширяет акустическую модель VoxRex-C социальным 4-граммным языковым моделированием, обученным на подмножестве шведского корпуса The Swedish Culturomics Gigaword Corpus: 40 млн слов из текстов социальных сетей за 2010–2015 годы. Модель содержит около 402,7 млн параметров и реализована как Wav2Vec2ForCTC в формате PyTorch. Модель принимает аудио и выдаёт текстовую расшифровку. Для обработки ожидается аудио с частотой дискретизации 16 кГц; аудио с другой частотой нужно предварительно пересчитать. На полном тестовом наборе Common Voice 6.1 VoxRex-C показала WER 9,03% без языковой модели и 6,47% с ней. Репозиторий распространяется по лицензии CC0-1.0.

Модель ravirajoshi/wav2vec2-large-xls-r-300m-marathi — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на маратхи. Она принимает аудио и преобразует речь в текст; в карточке приведены результаты оценки: WER 0,2156 и loss 0,5656. Модель построена на архитектуре wav2vec2 с CTC-выходом, содержит 402,7 млн параметров и распространяется в формате PyTorch. Модель подходит для расшифровки записей и речи на маратхи. Лицензия Apache-2.0 разрешает использование, изменение и распространение с соблюдением её условий. Результаты распознавания могут содержать ошибки, особенно на аудио, отличающемся от условий оценки.

Модель MehdiHosseiniMoghadam/wav2vec2-large-xlsr-53-Czech — версия wav2vec 2.0, дообученная на чешском языке на данных Common Voice. Она преобразует аудиозаписи речи в текст и подходит для автоматической транскрибации чешской речи. Для входного аудио требуется частота дискретизации 16 кГц. Модель содержит около 402,7 млн параметров и использует архитектуру Wav2Vec2ForCTC. В карточке приведён результат 27,05 % на тестовых данных Common Voice, но метрика и способ её расчёта не уточнены. Модель распространяется по лицензии Apache-2.0.

Wav2Vec2-Large-XLSR-53-Telugu — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на телугу. Она принимает речь и преобразует её в текст; для распознавания входной звук должен иметь частоту дискретизации 16 кГц. Обучение проводилось на 70% набора OpenSLR SLR66 для телугу. Модель построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Репозиторий включает веса PyTorch и Flax. В карточке приведён результат тестирования 44,98%, но не уточнена метрика, поэтому его нельзя напрямую интерпретировать как точность распознавания. Модель распространяется по лицензии Apache-2.0.

ceyda/wav2vec2-large-xlsr-53-turkish — модель распознавания речи, дообученная на турецком языке разработчиком карточки на основе facebook/wav2vec2-large-xlsr-53 с использованием данных Common Voice. Она преобразует аудиозапись речи в текст и предназначена для распознавания турецкой речи; входной сигнал должен иметь частоту дискретизации 16 кГц. Модель использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Доступны веса PyTorch и Flax. В README приведён результат 27,59 % на тестовых данных Common Voice, однако метрика не названа, поэтому напрямую интерпретировать её качество нельзя. Модель распространяется по лицензии Apache-2.0.

m3hrdadfi/wav2vec2-large-xlsr-persian-v3 — модель распознавания персидской речи, разработанная на основе facebook/wav2vec2-large-xlsr-53 и дообученная на датасете Common Voice. Она принимает аудио и преобразует речь на фарси в текст; входные записи должны иметь частоту дискретизации 16 кГц. Модель построена на архитектуре Wav2Vec2 с CTC-выходом и содержит 402,7 млн параметров. В карточке указана оценка WER 10,36% на тесте. Модель подходит для транскрибации персидских аудиозаписей. Доступны веса PyTorch и TensorFlow. Условия лицензии в предоставленных данных не указаны.

PereLluis13/wav2vec2-xls-r-1b-ca — модель автоматического распознавания речи на каталанском языке, созданная дообучением facebook/wav2vec2-xls-r-300m на наборах Common Voice 8.0 для каталанского, tv3_parla и parlament_parla. Она использует архитектуру wav2vec2 с выходной головой Wav2Vec2ForCTC и содержит 1,3 млрд параметров. Модель предназначена для преобразования каталанской речи в текст, в том числе для записей, похожих на данные обучающих корпусов: краудсорсинговую речь, телепередачи и парламентские выступления. Распространяется под лицензией Apache-2.0.

anuragshas/wav2vec2-xls-r-300m-lv-cv8-with-lm — модель автоматического распознавания латышской речи, созданная дообучением facebook/wav2vec2-xls-r-300m на датасете Mozilla Common Voice 8.0 для латышского языка. Архитектура основана на Wav2Vec2 с CTC-декодированием; в репозитории указано около 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст. На тестовой части Common Voice 8.0 в карточке приведены WER 0,1705 и результат WER 9,633 при оценке с языковой моделью; без языковой модели — 16,997. Она подходит для распознавания латышской речи в аудиозаписях и оценки качества ASR. Лицензия — Apache-2.0. Карточка содержит мало сведений о рекомендуемых условиях применения и ограничениях; приведённые метрики относятся к конкретному набору данных и не гарантируют качество на других источниках аудио.

itayinbar/whisper-he-100m — модель распознавания речи на иврите, созданная на основе OpenAI Whisper Base. Она предназначена для преобразования ивритской речи в текст и протестирована на наборах eval-d1, he_speech_kan и eval-whatsapp. В карточке указаны показатели WER 12,99%, 16,62% и 21,67% соответственно. Модель содержит 94,36 млн параметров; её архитектура Whisper расширена до 12 слоёв энкодера и 12 слоёв декодера. Вместо многоязычного словаря Whisper используется байтовый BPE-токенизатор на 8 192 токена для иврита. Модель обучена на 3 112,7 часах вручную транскрибированной речи. Метаданные указывают форматы ONNX и Safetensors и лицензию Apache-2.0. Модель подходит для расшифровки ивритской речи, в том числе записей заседаний, краудсорсинговых аудиозаписей и сообщений. По приведённым результатам она уступает ivrit.ai на перечисленных тестах; показатели относятся к конкретным наборам оценки и не гарантируют аналогичное качество на других аудиоисточниках.

Whisper Large Norwegian Bokmål — дообученная модель распознавания речи на базе openai/whisper-large-v2, созданная NbAiLab. Она предназначена для автоматической транскрипции норвежской речи на букмоле. Обучение проводилось на корпусе примерно из 5 000 часов аудио: субтитрах NRK, стенограммах выступлений в парламенте Норвегии и записях Norsk Språkteknologi. Модель использует архитектуру Whisper Large v2 с 905,2 млн параметров и принимает аудио, выдавая текст. В README приведён результат на оценочном наборе: WER 10,72 и loss 0,2477; обучение на момент публикации ещё продолжалось, поэтому результаты могут измениться. Репозиторий распространяется по лицензии Apache-2.0.

mlx-community/whisper-medium-mlx — модель автоматического распознавания речи, конвертированная в формат MLX из версии Whisper medium. Репозиторий предназначен для использования с библиотекой MLX и примерами MLX от ml-explore. Модель подходит для преобразования аудиозаписей в текст через функцию whisper.transcribe, поэтому может применяться в сценариях транскрибации локальных аудиофайлов. README не содержит сведений о точной архитектуре, количестве параметров, поддерживаемых языках, модальностях, размере контекста, производительности или ограничениях. Лицензия также не указана, поэтому условия использования по представленным данным определить нельзя.

Модель oddadmix/whisper-small-arabic-dialectal — дообученная разработчиком oddadmix модель OpenAI Whisper Small для распознавания многообразной арабской речи. Она принимает аудио и транскрибирует его без диакритических знаков; поддерживает левантийские, магрибские, египетские, заливные, суданские и иракские диалекты, а также современный стандартный арабский. Архитектура — WhisperForConditionalGeneration, около 244 млн параметров; модель построена на openai/whisper-small и доступна в формате safetensors. В тесте на 932 аудиофрагментах модель показала WER 0,428 и CER 0,151 после очистки эталонных текстов. Она рассчитана на офлайн-транскрибацию фрагментов длительностью до 30 секунд, а не на потоковое распознавание. Качество на реальной речи зависит от диалекта: магрибские варианты распознаются сложнее; модель обучалась на дополненных, частично синтетических данных, поэтому её следует оценить на целевых записях перед применением. Выход не содержит диакритики, а латинские токены приводятся к нижнему регистру. Лицензия — Apache-2.0.

sapinsapin/whisper-small-fsc — модель распознавания речи на основе openai/whisper-small, дообученная автором на корпусе sapinsapin/filipinospeechcorpus для филиппинского языка, включая тагальскую речь и смешанную речь Taglish. Архитектура — WhisperForConditionalGeneration; модель принимает аудио и выдаёт текстовую транскрипцию. Модель обучалась 2000 шагов на 10 000 аудиофрагментах. На отложенной выборке указаны WER 0,1591 и CER 0,0706; CER использовался для выбора модели, поскольку орфография Taglish может различаться на уровне слов. Распознавание речи — основная поддерживаемая задача. Лицензия — Apache-2.0.

Zehнова STT — Jonibek21 разработала модель автоматического распознавания речи на узбекском языке. Это дообученная с помощью LoRA модель Whisper Medium на базе Kotib/uzbek_stt_v1, предназначенная для преобразования узбекской речи в текст латинским письмом. Модель принимает аудио и выдаёт текст. По данным README, она обучалась на специальном узбекском аудиодатасете из 9 214 обучающих и 1 024 тестовых примеров. Заявленный WER составляет около 11–13% в целом, 6–11% для чистой речи и 9–16% для шумной или аугментированной речи; автор сообщает об улучшении примерно на 5% относительно базовой модели. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Модель рассчитана на распознавание узбекской речи. Качество может снижаться при шуме, а аудио длиннее 30 секунд обрабатывается по частям.

madhurjindal представляет классификатор бессмысленного текста на английском языке, созданный с помощью AutoNLP на базе DistilBERT и дообученный для классификации последовательностей. Модель принимает текст и относит его к одной из четырёх категорий: шум, несвязный набор осмысленных слов, слабовыраженная бессмыслица или связный текст. Максимальная длина контекста — 512 токенов; модель доступна для Transformers в форматах PyTorch, Safetensors и ONNX. Модель предназначена для проверки пользовательского ввода в чат-ботах, фильтрации бессмысленных сообщений и спама, а также контроля качества текстовых данных. В README приведены метрики валидации, включая точность 97,36%; эти показатели относятся к описанному набору данных и не гарантируют такое же качество на других текстах. Модель опубликована под лицензией MIT.

Baanzon 33STREET 3.8-27B Uncensored Aggressive MTP — мультимодальная языковая модель на 27 млрд параметров, опубликованная компанией 33STREET. Она основана на Qwen/Qwen3.8-27B и распространяется в формате GGUF; квантизацию выполнял HauhauCS. Модель поддерживает работу с текстом и изображениями через vision projector, а также многоязычные сценарии, включая английский и китайский языки. Заявлено контекстное окно до 262 144 токенов, при этом вариант FastMTP рассчитан на контекст 32K. Модель предназначена для локального запуска, диалоговых приложений, анализа изображений, генерации текста и творческих производственных сценариев. Технология multi-token prediction обеспечивает спекулятивное декодирование и может ускорять генерацию при использовании совместимого llama.cpp; доступны варианты разной степени квантизации для видеопамяти примерно от 14 до 32 и более ГБ. В комплект входят веса модели, vision projector и варианты для запуска через llama.cpp и Ollama. Ключевая особенность модели — агрессивный профиль поведения с минимальным количеством отказов и отсутствием защитного слоя согласования. Поэтому она может генерировать оскорбительный, откровенный или иной потенциально вредный контент, а безопасность и соответствие законодательству полностью зависят от пользователя. Для работы требуются сборка llama.cpp с поддержкой MTP и vision либо совместимое окружение. Модель распространяется по лицензии Apache-2.0; права и условия базовой модели Qwen также должны учитываться.

htdht/bge_m3_finetuned — дообученная модель Sentence Transformers на базе BAAI/bge-m3, разработанная автором репозитория htdht. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 1024 для семантического поиска и извлечения документов по запросу. Архитектура включает XLM-RoBERTa, CLS-пулинг и нормализацию; сходство векторов можно оценивать косинусной мерой. Максимальная длина последовательности — 8192 токена. Модель обучалась на парах запрос–положительный документ с MultipleNegativesRankingLoss и рассчитана на текстовый поиск. Примеры обучающих данных и запросов в карточке преимущественно на вьетнамском языке, в том числе для поиска товарных описаний; результаты приведены для retrieval-оценки. Лицензия в предоставленных данных не указана.

BLOOM-560m — языковая модель на основе Transformer с архитектурой BLOOM, разработанная коллективом BigScience. Она содержит 560 млн параметров и предназначена для генерации текста, изучения поведения языковых моделей и дальнейшей адаптации к прикладным задачам. Модель обучена на нескольких языках и может использоваться как базовая для извлечения информации, ответов на вопросы и суммаризации. Поддержка языков включает английский, французский, испанский, португальский, арабский, бенгальский, хинди, индонезийский, тамильский, урду, вьетнамский и китайский, а также другие языки. Доступны версии весов в форматах PyTorch, Flax, ONNX и Safetensors. Модель может выдавать фактически неверные сведения, повторяться и генерировать предвзятый, оскорбительный или неподходящий контент. Она не предназначена для критически важных решений и высокорискового применения. Лицензия BigScience BLOOM RAIL 1.0 содержит ограничения на использование.

CLIP-GmP-ViT-L-14 — дообученная модель сопоставления изображений и текста на основе OpenAI CLIP ViT-L/14, разработанная zer0int. Она предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: пользователь задаёт категории словами, а модель оценивает соответствие изображения каждой категории. В карточке указано дообучение с геометрической параметризацией (GmP); в метаданных также указан датасет SPRIGHT-T2I/spright_coco. Модель использует архитектуру CLIPModel и опубликована в формате safetensors. Автор сообщает об улучшении точности на ImageNet и ObjectNet примерно до 0,90 относительно примерно 0,85 у исходной модели, однако эти результаты зависят от протокола оценки. В README исходная версия GmP названа устаревшей и уступающей более поздним вариантам автора, поэтому для использования как текстового энкодера генеративных моделей автор рекомендует другие версии. Лицензия — MIT.

yagosys/cloudinit-embedding-v4 — модель Sentence Transformer, дообученная разработчиком на базе sentence-transformers/all-MiniLM-L6-v2 для создания плотных векторных представлений предложений и абзацев. Энкодер на архитектуре BERT содержит около 25,9 млн параметров; README описывает усреднение токенных представлений с последующей нормализацией, размер вектора 384 и косинусную меру сходства. Метаданные указывают контекст до 512 токенов, а README — максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. В README указано обучение на 37 парах примеров с оценками сходства и функцией CosineSimilarityLoss, поэтому качество может быть ограниченным для задач, выходящих за рамки этих данных и близких формулировок. Базовая модель ориентирована на английский язык; лицензия в предоставленных источниках не указана.

ChenShawn/DeepEyes-7B — мультимодальная модель для диалога и визуального рассуждения, дообученная авторами DeepEyes на основе Qwen/Qwen2.5-VL-7B-Instruct. Модель принимает изображения и текст и формирует текстовые ответы; в процессе обучения с подкреплением она научилась включать визуальную информацию в цепочку рассуждений и использовать инструменты визуального поиска, например увеличение фрагментов изображения для проверки ответа. Модель предназначена для анализа изображений, визуального заземления объектов, решения математических задач по изображению и снижения галлюцинаций в визуальных ответах. Архитектура — плотная Qwen2.5-VL для генерации текста по текстовым и визуальным входам; размер составляет 7,1 млрд параметров, контекст — до 128 000 токенов. В карточке указана поддержка английского языка. Модель распространяется в формате safetensors под лицензией Apache-2.0. README описывает обучение и заявляет улучшение результатов на задачах с изображениями высокого разрешения, однако не приводит численных оценок качества. Для запуска визуального поиска может требоваться интеграция с соответствующими инструментами; модель сама по себе не выдаёт изображения и её показатели на конкретных прикладных данных следует проверять отдельно.

facebook/dinov3-vitb16-pretrain-lvd1689m — визуальная модель семейства DINOv3, разработанного Meta AI. Это Vision Transformer с патчами 16×16, предназначенный для извлечения универсальных признаков изображений. Карточка описывает модель ViT-B размером 86 млн параметров; она выдаёт признаки изображения, включая class token, patch tokens и register tokens. Модель работает с изображениями разных размеров, кратных 16 пикселям; другие размеры обрезаются до ближайшего меньшего кратного. Модель обучена на веб-данных LVD-1689M по методу DINOv3 и предназначена как визуальная основа для последующих задач без обязательного дообучения. Её признаки можно применять для классификации и поиска изображений, сегментации, оценки глубины и обнаружения объектов; для отдельных задач нужны классификатор или другая downstream-модель. Формат весов — safetensors, библиотека — Transformers. Лицензия DINOv3 License; в метаданных она обозначена как other. Карточка сообщает о неодинаковых результатах по регионам и категориям дохода, включая снижение качества для группы стран с низким доходом и различие между Европой и Африкой. Дообучение может усилить смещения, связанные с метками обучающих данных.

DUSUNEN Rota 270M v1 — компактная плотная модель текстовых эмбеддингов, разработанная GoktugD на базе microsoft/harrier-oss-v1-270m. Она кодирует турецкие поисковые запросы и фрагменты документов в общее 640-мерное векторное пространство для первичного поиска, семантического поиска и отбора кандидатов для RAG. Модель содержит около 257 млн параметров, использует архитектуру Gemma3Text и имеет контекст до 32 768 токенов; для запросов требуется заданный инструкционный формат, документы подаются как обычный текст. Модель дообучена на 100 000 триплетах, происходящих из машинного перевода MS MARCO, и распространяется в форматах Safetensors и ONNX под лицензией MIT. В опубликованной оценке на небольшом наборе исторических вопросов и документов на турецком она немного превосходит Mursit Base TR Retrieval по нескольким метрикам, но уступает базовой Harrier и multilingual-e5-base по MRR@10. Это результат адаптации к домену, а не универсальное улучшение; оценка сходства служит сигналом ранжирования, а не вероятностью или проверкой фактов.

ERNIE-4.5-VL-424B-A47B-Base — базовая мультимодальная модель компании Baidu, предназначенная для понимания текста и изображений и генерации ответов с учётом визуального контекста. Модель построена на архитектуре Mixture of Experts (MoE): в README указано 424 млрд параметров всего и 47 млрд активируемых параметров на токен, а метаданные каталога приводят 47,1 млрд параметров. Она принимает текст и изображения и выдаёт текст; заявленная длина контекста — 131 072 токена. Модель предварительно обучена на текстовых и визуальных данных. Её можно применять для диалога по изображениям, визуальных вопросов и ответов, описания изображений и межмодального рассуждения. Карточка сообщает о поддержке китайского и английского языков. Для запуска используются веса PaddlePaddle; лицензия — Apache-2.0. README отмечает, что полная поддержка модели в vLLM ещё разрабатывается.

Flan-UL2-Alpaca-LoRA — англоязычная модель генерации текста, созданная дообучением Google Flan-UL2 с помощью PEFT-LoRA на датасете Alpaca. Это плотная модель семейства T5 с 7,6 млрд параметров; она принимает текстовые инструкции и формирует текстовые ответы в стиле instruction-following. Указанная длина контекста — 512 токенов. Модель подходит для ответов на вопросы, выполнения текстовых инструкций и генерации текстов по запросу на английском языке. Веса доступны в форматах PyTorch и Safetensors; для работы указана библиотека Transformers. Лицензия обозначена как other, поэтому условия использования следует проверять в карточке модели и у базовой модели перед применением. В README отмечены возможные смещения обучающих данных и более низкое качество за пределами английского языка. Также качество может различаться в зависимости от типа вопроса и текста.

ApolloRaines/Gemma-4-12B-it-Jbliterated — языковая модель для генерации текста, созданная ApolloRaines на базе google/gemma-4-12b-it-qat-q4_0-unquantized от Google. Она предназначена для диалогов и других задач генерации текста, где требуется более прямой ответ без выраженного отказа и уклонения. Модель ориентирована на англоязычные сценарии; заявленный pipeline — text-generation. Модель использует архитектуру Gemma 4 Unified и содержит 12 млрд параметров. Выпуск выполнен как редактирование весов без дополнительного переобучения: применён фреймворк jBlaze precision neural surgery, исходный тип данных — bfloat16. Доступны версии GGUF, включая BF16, Q8_0, Q6_K, Q5_K_M и рекомендуемую для видеокарт с 8–12 ГБ памяти Q4_K_M. Для GGUF требуется llama.cpp версии b10176 или новее; заявлена поддержка контекста до 8192 токенов в примере запуска. Согласно собственным измерениям авторов, показатель MMLU сохранился на уровне базовой модели — 78,42%, а доля прямых ответов на отложенном наборе выросла примерно с 1% до 89%. При этом версия v1 может классифицировать запросы с точки зрения безопасности во внутреннем процессе рассуждения и иногда не выдавать ответ; авторы рекомендуют новую версию v2. Данные о мультимодальности и иных языках, кроме английского, не указаны. Модель распространяется на условиях Gemma Terms of Use; README также указывает лицензию Apache 2.0.

Gemma4-12B-QAT-Genesis — квантизированная GGUF-версия базовой модели Gemma 4 12B-it, разработанной Google DeepMind. Автор сборки указывает, что удалил шум дистилляции и квантизации из тензоров, оставив остальные параметры без изменений. Модель предназначена для диалогов, творческого письма и roleplay, а также поддерживает обработку изображений через отдельный vision-проектор mmproj. Модель имеет плотную архитектуру размером 12B параметров и контекст до 256K токенов. Доступна в формате Q4_0: текстовая модель занимает около 6,98 ГБ, vision-проектор — 175 МБ. В README указан английский язык. Для ускорения генерации поставляется MTP-голова для speculative decoding; по заявлению автора, при использовании llama.cpp она обеспечивает примерно на 60% большую скорость без изменения результата. Модель совместима с llama.cpp, LM Studio, Jan, koboldcpp и другими GGUF-совместимыми средами. К сильным сторонам относятся поддержка изображений, большой контекст, пригодность для ролевых и разговорных сценариев, а также возможность быстрой работы на недорогих GPU. Ограничения включают зависимость vision-функций от mmproj, необходимость совместимого GGUF-рантайма для MTP-ускорения и известную проблему возможных сбоев Gemma 4 в LM Studio при multi-GPU режиме tensor-split; рекомендуется использовать один GPU либо layer-split или priority order. Модель распространяется по лицензии Gemma.

gemma-4-31B-it-MLX-5bit — это 5-битная квантованная версия инструкционной модели gemma-4-31B-it, разработанной Google. Квантование выполнено командой LM Studio с использованием MLX и mlx_vlm; модель оптимизирована для запуска на устройствах с Apple Silicon. В карточке указана модальность image-text-to-text, поэтому модель предназначена для обработки текста и изображений с генерацией текстовых ответов. Модель подходит для локального использования в LM Studio и совместимых приложениях, включая диалоговые сценарии, анализ изображений и выполнение инструкций. Квантование снижает требования к памяти по сравнению с полной версией и может упростить запуск на Apple Silicon, однако может уменьшать точность относительно исходной модели. В README не указаны размер контекста, поддерживаемые языки, результаты тестирования и точные требования к памяти, поэтому оценить эти характеристики невозможно. Лицензия указана как Apache 2.0.

Goku-8x22B-v0.2 — разговорная языковая модель MaziyarPanahi, дообученная на основе v2ray/Mixtral-8x22B-v0.1 на наборах OpenHermes-2.5, WizardLM Evol Instruct V2 и Orca Math Word Problems. Она использует архитектуру Mixtral с разреженной смесью экспертов (MoE) и предназначена для генерации текста в диалогах, выполнения инструкций и решения математических задач. В README указана общая ёмкость в 141 млрд параметров, из которых активны 35 млрд; метаданные каталога указывают 22 млрд параметров. В README также сообщается об обучении с длиной последовательности 8192 токена, а метаданные приводят длину контекста 65 536 токенов. Модель работает с текстом и поддерживает чат. В карточке отмечены английский, французский, итальянский, немецкий и испанский языки. Лицензия — Apache-2.0. Доступные сведения не содержат результатов сравнительных оценок качества; значения размера и контекста различаются между README и метаданными, поэтому их следует трактовать с осторожностью.

Это MLX-порт модели IBM Granite Speech 4.1 2B NAR, подготовленный mlx-community для запуска на компьютерах Apple Silicon через mlx-audio. Модель предназначена для автоматической транскрибации речи; поддерживаемые языки — английский, французский, немецкий, испанский и португальский. Репозиторий распространяется по лицензии Apache-2.0. Архитектура — плотная нерегрессионная ASR-модель примерно на 2,25 млрд параметров в формате bf16: 16-слойный Conformer-энкодер строит гипотезу CTC, Q-Former-проектор формирует аудиопредставления, а 40-слойный двунаправленный редактор уточняет гипотезу за один проход. Для работы нужны macOS 14 или новее и Apple Silicon. Ограничения: пакетная обработка ограничена размером 1, потоковая транскрибация не поддерживается; доступны только веса bf16, без вариантов с квантизацией.