I.3Извлечение и структурирование данных

Qwen3.8-27B LLM SCS — дообученная компанией или автором achuthc1298 мультимодальная модель на базе Qwen/Qwen3.8-27B. Это плотная модель с архитектурой Qwen3_5ForConditionalGeneration и 27 млрд параметров, предназначенная для диалогов с текстом и изображениями. Она поддерживает анализ визуального содержимого и интерфейс вызова инструментов. В репозитории размещены полные веса в формате Safetensors, конфигурация модели, токенизатор и файлы предварительной обработки. Модель подходит для ответов на вопросы по изображениям, описания визуальных сцен и диалоговых задач с визуальным контекстом. Также заявлен интерфейс для вызова инструментов. Сведения о лицензии, длине контекста и поддерживаемых естественных языках в доступных данных отсутствуют.

kikekewl/Qwen3.8-Flash-Next-MLX-BF16 — это MLX-версия модели Qwen3.8-Flash-Next, подготовленная пользователем или организацией kikekewl для работы в экосистеме MLX. В карточке указано, что модель относится к классу image-text-to-text и предназначена для задач генерации текста на основе текстовых и, вероятно, визуальных входных данных. Конкретные сценарии применения не раскрыты. Модель имеет формат BF16 и основана на Qwen/Qwen3.8-Flash-Next. Сведения об архитектуре, количестве параметров, поддерживаемых языках, размере контекста, качестве, требованиях к оборудованию и особенностях мультимодальной обработки в карточке отсутствуют. Использование регулируется лицензией qwen-community-1.0; подробные условия доступны в файле LICENSE.

Qwen3.8-Flash-Next-MLX-Q9 — квантованная версия модели Qwen3.8-Flash-Next, подготовленная inferencerlabs с использованием модифицированной версии MLX. Модель предназначена для мультимодального вывода и относится к классу image-text-to-text, то есть может обрабатывать изображения и текст и генерировать текстовые ответы. README не содержит сведений о точном размере модели, архитектуре, поддерживаемых языках и длине контекста. Модель использует квантование Q9; по приведённым данным, такая конфигурация обеспечивает показатели, близкие к базовой модели: perplexity 1,20312 против 1,20312, token accuracy 97,80% против 100% и missed divergence 9,60% против 0%. На системе с Apple M3 Ultra заявлена скорость мультимодального вывода около 33,6 токена в секунду, при этом требуется примерно 189,6 GiB памяти. Эти результаты зависят от аппаратной конфигурации и условий запуска. Основное преимущество модели — сочетание мультимодальных возможностей с высокой точностью Q9-квантования. Ограничениями являются значительные требования к памяти, зависимость производительности от среды MLX и отсутствие в README подробных сведений о возможностях, языках и контекстном окне. Лицензия в предоставленных материалах не указана.

QZhou-Embedding-Zh — модель эмбеддингов Kingsoft-LLM для китайского языка, построенная на архитектуре Qwen3-8B. Она предназначена для поиска по смыслу, ранжирования, оценки семантического сходства и других задач понимания китайских текстов. Для получения векторов используется pooling последнего токена; поддерживается MRL с размерностями 128, 256, 512, 768, 1024, 1280, 1536 и 1792, причём размерность по умолчанию — 1792. В обучении применён Token Prepending, а контекст модели составляет до 40960 токенов. Модель показывает улучшения на китайском бенчмарке CMTEB в задачах поиска, семантического сходства, кластеризации, классификации пар и переранжирования. Она распространяется в формате safetensors по лицензии Apache-2.0. README рекомендует запуск через sentence-transformers; результаты и качество на других языках и вне указанных сценариев в карточке не описаны.

Røst-v3-wav2vec2-315m — модель распознавания датской речи, разработанная в Alexandra Institute в рамках проекта CoRal. Это архитектура Wav2Vec2-XLS-R с классификатором CTC, дообученная на датасете CoRal-v3, который включает разговорную и прочитанную вслух речь с разными диалектами, возрастными группами и голосами. По метаданным модель содержит 402,7 млн параметров; в таблицах README для этой версии указано 315 млн. Модель предназначена для преобразования датской речи в текст, в том числе для транскрибирования разговоров и чтения вслух. На оценке CoRal-v3 Character Error Rate составил 13,7% для разговорной речи и 5,9% для прочитанной вслух. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия OpenRAIL, адаптированная под датасет CoRal-v3, допускает коммерческое применение с ограничениями, в частности на синтез речи и биометрическую идентификацию.

ruri-v3-30m (ONNX) — это ONNX-версия модели cl-nagoya/ruri-v3-30m, опубликованная пользователем sirasagi62. Исходную модель разработала исследовательская группа CL Research Group in Nagoya, Japan. Модель предназначена для построения векторных представлений японских текстов и задач семантического поиска, сравнения сходства, классификации, кластеризации и retrieval. Модель основана на архитектуре ModernBERT-Ja и оформлена как Sentence Transformer с mean pooling. Она содержит около 37 млн параметров, формирует embeddings размерностью 256 и поддерживает последовательности до 8192 токенов. Основной язык — японский. Для разных сценариев предусмотрены префиксы для обычного семантического кодирования, тематического анализа, поисковых запросов и документов. ONNX-репозиторий содержит варианты модели с разными форматами и уровнями квантования, включая FP16, INT8, UINT8 и Q4. Сильные стороны модели — небольшой размер, длинный контекст, высокая специализация на японских текстах и возможность локального запуска через ONNX Runtime или Transformers.js. Ограничение состоит в том, что это не генеративная языковая модель и она ориентирована прежде всего на японский язык; для многоязычных корпусов её пригодность может быть ниже. Модель и ONNX-версия распространяются по лицензии Apache 2.0.

Ruri v3 PT 130M — предварительно обученная модель эмбеддингов японского текста от команды cl-nagoya на базе ModernBERT-Ja. В отличие от дообученной версии Ruri v3 130M, этот вариант не проходил fine-tuning для задач сходства предложений. Модель содержит 132,1 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 8 192 токенов. Модель предназначена для получения векторных представлений японского текста, которые можно использовать как основу для поиска и сравнения предложений после подходящей настройки под задачу. В README указана лицензия Apache-2.0. Метаданные классифицируют модель как sentence-similarity, однако README отдельно предупреждает, что этот чекпойнт не дообучен; поэтому его качество для готового сравнения сходства может отличаться от специализированной версии.

SPLADE-max CamemBERT-base mMARCO-FR — франкоязычная модель для семантического поиска, разработанная и дообученная на французской части mMARCO. Она преобразует запросы и документы в разреженные векторы размерностью 32 000, а релевантность оценивает по косинусному сходству. Модель основана на almanach/camembert-base и содержит 137,8 млн параметров; архитектура CamemBERT использует masked language modeling. Контекст модели — до 514 токенов. Модель предназначена для поиска релевантных документов по запросам на французском языке, в том числе в больших коллекциях текстов. Обучение проводилось на парах запросов и passages из mMARCO с ранжирующей функцией потерь InfoNCE и регуляризацией разреженности FLOPS. В README приведена оценка на dev-наборе mMARCO-FR с 6 980 запросами и корпусом из 8,8 млн passages. Лицензия — MIT. Оценка качества описана для французского набора mMARCO; результаты на других языках и типах данных в карточке не приведены. Для поискового применения модель формирует разреженные векторы, поэтому при интеграции нужно обеспечить совместимый способ вычисления сходства и поиска.

ctaguchi/ssc-bew-mms-model — дообученная модель распознавания речи на базе facebook/mms-1b-all. Это модель wav2vec2 с архитектурой Wav2Vec2ForCTC, примерно 1,3 млрд параметров, принимающая аудио и выдающая текст. Базовая модель поддерживает более тысячи языков, однако язык и область применения именно этого дообучения не указаны. В README приведены результаты на тестовой выборке: loss 0,7747, CER 0,2038 и WER 0,6111. Оценки относятся к неизвестному набору данных, поэтому их недостаточно для вывода о качестве на других данных. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

SynCSE-partial-RoBERTa-large — языковая модель для извлечения признаков, опубликованная SJTU-LIT и распространённая HKUST-NLP. Она основана на архитектуре RoBERTa и предназначена для получения векторных представлений текста, которые можно использовать в последующих NLP-задачах. В метаданных указано около 454,1 млн параметров, поддержка английского языка и контекст до 514 токенов. В README говорится об обучении на 26,2 тыс. синтетических примеров и о возможных стереотипных и вредоносных смещениях в предсказаниях. Карточка содержит противоречивые указания на родительскую модель: в тексте названа «RoBERTa-largbe», а пример загрузки использует SynCSE-partial-RoBERTa-base, поэтому точную базовую модель установить нельзя. Лицензия в предоставленных данных не указана.

Tasksource-JEV-Nano-v0 — англоязычная модель для принятия решений по тексту, разработанная Дамьеном Силео как дообучение LightOn LateOn на базе ModernBERT-base. Она использует многовекторное представление и позднее взаимодействие токенов, что предназначено для высокопроизводительной классификации и типизированных решений. Модель содержит 149 млн параметров, принимает текст и поддерживает контекст до 8192 токенов; в метаданных указана библиотека sentence-transformers и формат safetensors. Базовая модель LateOn ориентирована на семантический поиск и извлечение документов.

Thomson-1.0-Small — открытая модель семейства Thomson, разработанная Thomson Reuters для профессиональной и общей работы, с особым вниманием к праву, налогообложению и журналистике. Это причинная языковая модель с архитектурой Qwen3.6-35B-A3B типа Mixture-of-Experts: 35 млрд параметров всего и около 3 млрд активных. Веса и конфигурация доступны в формате Hugging Face Transformers, в BF16 и Safetensors; заявленная длина контекста — 262 144 токена. Модель получена дальнейшим обучением Snowdon1.1-Small: разработчики применяли переориентацию ценностей, непрерывное предварительное обучение на юридических, финансовых и новостных материалах, а также постобучение. Карточка описывает поддержку диалога, работы с изображениями и интерфейс вызова инструментов; также упоминаются сценарии агентного глубокого исследования с использованием инструментов и цитированием источников. Метаданные задают основную задачу как image-text-to-text. Модель предназначена для анализа документов и вопросов в профессиональной работе, подготовки материалов и исследований с опорой на источники. Разработчики сообщают о фокусе на сохранении общих способностей при доменном обучении, однако результаты в README приведены без таблиц, поэтому независимо оценить их по карточке нельзя. Лицензия указана как other; конкретные условия использования следует проверять в файлах репозитория.

TIPS — g/14 low-res (v1) — контрастивная модель «изображение—текст» семейства TIPS, разработанная авторами TIPS (Text-Image Pre-training with Spatial Awareness). Репозиторий содержит конверсию официальных чекпойнтов. Модель сочетает визуальный кодировщик ViT-g/14 с 40 слоями и текстовый трансформер с 12 слоями; визуальная часть содержит 1,1 млрд параметров, текстовая — 389 млн. Модель формирует признаки изображений и текстовые эмбеддинги в общем пространстве. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах, а также для извлечения сопоставимых признаков изображения и текста. Визуальный энкодер работает с нативным разрешением 224 пикселя; поддерживаются и другие разрешения, кратные размеру патча, с интерполяцией позиционных эмбеддингов. Для изображений ожидаются значения пикселей в диапазоне [0, 1] без нормализации ImageNet; текст обрабатывается регистронезависимым SentencePiece-токенизатором с пределом 64 токена. Модель может быть полезна для поиска изображений по текстовому описанию и классификации по пользовательским меткам. README сообщает, что признаки пространственно насыщенные, однако не приводит количественных оценок качества. Модель распространяется по лицензии Apache-2.0.

Модель vit_base_patch16_clip_224.openai_ft_in12k_in1k — модель классификации изображений на основе Vision Transformer (ViT), опубликованная в библиотеке timm. Она предварительно обучена OpenAI на парах изображений и текстов WIT-400M с помощью CLIP, а затем дообучена на ImageNet-12k и ImageNet-1k. Модель содержит 86,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения признаков и построения эмбеддингов изображений. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Модель принимает изображения и выдаёт предсказанные классы либо векторные признаки.

vit_base_patch16_siglip_gap_256.webli — визуальный энкодер семейства SigLIP, опубликованный в библиотеке timm. Модель принимает изображения и предназначена для извлечения признаковых представлений; глобальное усреднение признаков (global average pooling) формирует векторное представление изображения. Размер входного изображения — 256 пикселей, патчи — 16 × 16. Модель подходит для получения признаков изображений в конвейерах компьютерного зрения, например для последующей индексации или сравнения изображений. В карточке указана лицензия Apache-2.0. Данные не описывают языковую часть или генерацию текста: это только визуальный энкодер.

Это модель извлечения признаков изображений: визуальный энкодер CLIP на основе ViT-Base с патчами 32×32 и входным разрешением 224 пикселя. Весá опубликованы в библиотеке timm и обучены на наборе LAION-2B. Репозиторий содержит только энкодер изображений, поэтому модель формирует визуальные признаки для дальнейшего использования в поиске, сопоставлении изображений и других задачах компьютерного зрения. Модель принимает изображения и выдаёт векторные представления. Она не включает текстовый энкодер CLIP и сама по себе не генерирует описания или ответы на вопросы об изображениях. Лицензия — Apache-2.0.

Это визуальный энкодер SigLIP из библиотеки timm: модель преобразует изображения в признаки и поддерживает извлечение визуальных представлений. В карточке указаны вариант SO400M с патчами 14×14 и входным разрешением 378 пикселей; сохранён исходный механизм attention pooling. Модель разработана как часть семейства timm и распространяется в форматах PyTorch и safetensors. Энкодер подходит для получения признаков изображений в системах визуального поиска, сопоставления и анализа. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. В доступной карточке не приведены сведения о качестве на конкретных наборах данных.

VLM2Vec-LLaVa-Next — мультимодальная модель TIGER-Lab, дообученная на базе llava-v1.6-mistral-7b-hf с помощью LoRA. Она преобразует изображение и текст в мультимодальные представления для задач поиска и сопоставления, включая оценку на наборах MMEB и Flickr30K. В метаданных указаны архитектура LLaVA-NeXT, формат safetensors и поддержка диалогового взаимодействия с изображениями. Модель рассчитана на англоязычные запросы и изображения; размер контекста и число параметров в предоставленных данных не приведены. По README, обучение использовало контрастивное обучение на MMEB-train с внутрипакетными отрицательными примерами. Лицензия — Apache-2.0. README приводит сравнительные заявления о результатах, но не содержит самих численных метрик.

pyannote/voice-activity-detection — открытая модель для обнаружения участков речи в аудиозаписях, разработанная командой pyannote.audio. Она предназначена для voice activity detection и может использоваться как этап предварительной обработки в автоматическом распознавании речи, сегментации аудио и задачах speaker diarization. Модель реализована как pipeline на базе pyannote.audio 2.1 и работает с аудио; сведения о размере, конкретной архитектуре, поддерживаемых языках и максимальной длине контекста в карточке не указаны. Результатом является временная шкала интервалов, в которых присутствует активная речь. В качестве связанных наборов данных указаны AMI, DIHARD и VoxConverse. Для использования требуется принять условия доступа к зависимой модели pyannote/segmentation и настроить токен Hugging Face. Модель распространяется по лицензии MIT. README не содержит количественных метрик качества и подробного описания ограничений, поэтому пригодность для конкретного типа аудио и требуемый уровень точности необходимо проверять отдельно.

sanchit-gandhi/wav2vec2-2-bart-large-cnn — модель распознавания речи на архитектуре SpeechEncoderDecoderModel, обученная с нуля на наборе LibriSpeech ASR. Она преобразует аудио в текст и предназначена для автоматической транскрипции речи. В карточке приведён результат на оценочной выборке: WER 0,1042 и loss 0,3524. Модель опубликована в формате PyTorch. Лицензия и подробности об ограничениях в доступных данных не указаны.

Модель Nachuwu/wav2vec2-fleur-mms-batch6-epoch16-finetunning — дообученная версия Wav2Vec2 для автоматического распознавания речи и преобразования аудио в текст. Она обучена на наборе данных audiofolder и использует архитектуру Wav2Vec2ForCTC; размер модели — 1,3 млрд параметров. На оценочном наборе указаны loss 0,7739 и WER 0,5252. Карточка не описывает языки, аудиоформат или условия применения. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

speech31/wav2vec2-large-english-phoneme-v2 — модель распознавания речи на базе архитектуры Wav2Vec2, разработанная путём дообучения facebook/wav2vec2-large. Она использует CTC-архитектуру и содержит 402,7 млн параметров. Модель предназначена для преобразования входящего аудио в текстовую последовательность; название указывает на английскую фонемную версию, но карточка не уточняет точный формат вывода и обучающие данные. В README приведены результаты оценки: loss 0,4069 и CER 0,0900. Модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. README не описывает условия применения и ограничения; указанные метрики относятся только к упомянутому набору оценки, который в карточке не назван.

facebook/wav2vec2-large-es-voxpopuli — большая модель Facebook AI на архитектуре Wav2Vec2, предварительно обученная на неразмеченной испаноязычной части корпуса VoxPopuli. Модель содержит 402,7 млн параметров и предназначена для использования как основа для распознавания речи после тонкой настройки на целевой задаче. Она принимает аудио и поддерживает автоматическое распознавание речи на испанском языке. Чекпойнт доступен в форматах PyTorch и Flax; карточка рекомендует дообучить его для конкретного языка или сценария. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но некоммерческое.

NbAiLab разработала wav2vec2-large-voxrex-npsc-nynorsk — модель распознавания речи, дообученную на наборе NBAILAB/NPSC 16K_MP3_NYNORSK. Она принимает аудио и преобразует речь в текст, с акцентом на норвежский нюнорск. Модель основана на архитектуре Wav2Vec2 с CTC-декодированием и содержит 402,7 млн параметров. На оценочном наборе указаны значения Loss 0,4142 и WER 0,1576. Модель подходит для транскрибации записей на нюнорске; данные карточки не описывают ограничения по условиям записи или устойчивости к шуму. Веса опубликованы в формате PyTorch по лицензии Apache 2.0.

infinitejoy/wav2vec2-large-xls-r-300m-arabic — модель распознавания речи, полученная дообучением facebook/wav2vec2-xls-r-300m на арабской части набора Mozilla Common Voice 7.0. Она принимает аудио и преобразует речь в текст; архитектура — Wav2Vec2ForCTC семейства wav2vec2, число параметров — около 402,8 млн. Модель предназначена для автоматической транскрипции арабской речи. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка описывает оценивание на тестовой выборке Common Voice 7, но метрики WER и loss приведены как NA. Поэтому по карточке нельзя оценить точность распознавания или устойчивость модели на других акцентах, условиях записи и типах речи.

anton-l/wav2vec2-large-xlsr-53-romanian — модель распознавания речи на базе facebook/wav2vec2-large-xlsr-53, дообученная на румынском языке разработчиком anton-l с использованием Common Voice. Она преобразует аудиоречь в текст и подходит для транскрибирования записей на румынском языке. Архитектура — Wav2Vec2ForCTC с 402,7 млн параметров; доступны веса PyTorch и Flax. Для входной речи требуется частота дискретизации 16 кГц. Модель рассчитана на автоматическое распознавание румынской речи; в карточке приведён результат оценки 24,84% на тестовой части Common Voice, но не уточнена метрика. Распространяется по лицензии Apache-2.0.

aware-ai/wav2vec2-xls-r-1b-german — модель автоматического распознавания речи, созданная дообучением архитектуры wav2vec2 XLS-R с 1,3 млрд параметров на немецкой части датасета Mozilla Common Voice 10.0. Она принимает аудио и выдаёт распознанный текст на немецком языке. Модель подходит для транскрибации немецкой речи, в том числе записей, похожих по условиям на данные Common Voice. В README приведены результаты оценки на тестовой выборке: WER 0,2931 и loss 0,3513. Используются веса PyTorch и Safetensors. В карточке не описаны ограничения, лицензия и подробности обучения; поэтому условия использования и пригодность для конкретных акустических условий по доступным данным оценить нельзя.

imvladikon/wav2vec2-xls-r-1b-hebrew — модель распознавания речи на базе wav2vec 2.0 XLS-R, дообученная разработчиком imvladikon на основе facebook/wav2vec2-xls-r-1b. Она принимает аудио и преобразует речь на иврите в текст; подходит, например, для транскрибирования записей и аудиоматериалов на этом языке. Модель содержит 1,3 млрд параметров, использует архитектуру Wav2Vec2ForCTC и опубликована в форматах PyTorch и Safetensors. В оценке указаны loss 0,3533 и WER 0,2251. Датасет дообучения в карточке обозначен как None, поэтому по этим результатам нельзя судить о поведении на иных источниках и условиях записи. Лицензия — Apache-2.0.

edugp/wav2vec2-xls-r-300m-36-tokens-with-lm-es — модель распознавания испанской речи, созданная дообучением facebook/wav2vec2-xls-r-300m на датасете Common Voice. Она использует архитектуру Wav2Vec2 с CTC-декодированием и дополнительной 5-граммовой языковой моделью KenLM. При обработке текста сохраняются строчные буквы a–z, испанские гласные с ударением и ü; другие символы удаляются. В README указаны результаты на оценочной выборке: WER 0,0868 и CER 0,0281. Модель принимает аудио и выдаёт испанскую транскрипцию. Репозиторий содержит веса PyTorch, модель насчитывает около 402,7 млн параметров и распространяется по лицензии Apache-2.0. Карточка не содержит подробных сведений о контексте применения и ограничениях качества за пределами указанной оценочной выборки.

Модель saat tr updan/wav2vec2-xls-r-300m-ftspeech — дообученная датским разработчиком модель wav2vec 2.0 на основе facebook/wav2vec2-xls-r-300m. Она предназначена для автоматического распознавания датской речи и преобразования аудиозаписей в текст. Дообучение проводилось на FTSpeech — наборе из 1 800 часов выступлений в датском парламенте с транскрипциями. Модель использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Для датской части Common Voice 8.0 указана WER 20,48 без языковой модели и 17,91 с 5-граммной языковой моделью; на тестовом наборе Alvenir — 15,46 и 13,84 соответственно. Репозиторий содержит веса PyTorch и safetensors. Лицензия указана как other, без уточнения условий в предоставленных данных.