I.3Извлечение и структурирование данных

Модель HiTZ/stt_eu_conformer_transducer_large_v2 разработана HiTZ Basque Center for Language Technology и лабораторией Aholab Signal Processing Laboratory Университета Страны Басков. Это система автоматического распознавания речи на основе архитектуры Conformer-Transducer с примерно 119 млн параметров, дообученная от испанской модели stt_es_conformer_transducer_large с использованием NVIDIA NeMo. Модель принимает монофонические WAV-записи с частотой дискретизации 16 кГц и возвращает распознанную речь в виде текста. Она предназначена для транскрибации баскской речи; обучение проводилось на составном корпусе объёмом 771,73 часа, включающем Common Voice 18.0, записи парламента Басков, OpenSLR и программы EITB. Текст выдаётся строчными буквами. В тестах с жадным декодированием указаны значения WER от 2,50% на тестовой части Common Voice 18.0 до 11,87% на OpenSLR. Точность может снижаться на технической лексике, непривычной разговорной речи и речи с акцентом. Лицензия — Apache 2.0.

Swallow 7B Instruct — языковая модель для генерации текста и выполнения инструкций, разработанная tokyotech-llm. Данный репозиторий TheBloke содержит её квантизированные версии в формате GGUF, предназначенные для локального запуска и инференса на CPU и GPU. Модель основана на архитектуре Llama и имеет около 7 миллиардов параметров. Она поддерживает английский и японский языки, работает в режиме text generation и использует шаблон запросов Swallow-Instruct. Доступны варианты квантизации от 2 до 8 бит, что позволяет выбирать между меньшим потреблением памяти и сохранением качества. Формат GGUF совместим с llama.cpp и рядом пользовательских интерфейсов и библиотек для локального запуска. Сильными сторонами модели являются компактный размер, поддержка японского языка, возможность локального использования и широкий выбор уровней квантизации. Ограничения включают потенциальное снижение качества у более сильных вариантов квантизации; сведения о размере контекста и результатах тестирования в README не указаны. Модель распространяется по лицензии Llama 2.

Taiyi-CLIP-RoBERTa-326M-ViT-H-Chinese — китайская модель для сопоставления изображений и текста, разработанная командой Fengshenbang. Она обучалась на 123 млн пар изображений и текстов по схеме CLIP: текстовый энкодер основан на chinese-roberta-wwm-large, а визуальный — на ViT-H-14 из open_clip. В ходе предобучения визуальный энкодер был заморожен, а текстовый дообучался на наборах Noah-Wukong и Zero. Модель предназначена для извлечения совместимых представлений изображений и китайских текстов, классификации изображений без дополнительного обучения и поиска изображений по текстовому запросу. README приводит результаты zero-shot классификации на ImageNet1k-CN и поиска по тексту на Flickr30k-CNA, COCO-CN и wukong50k. Метаданные указывают архитектуру BertModel, 424,3 млн параметров и контекст 512 токенов; README отдельно указывает 326 млн параметров для модели в своей таблице. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

TIPSv2-B/14 — контрастивная модель «изображение–текст» семейства TIPSv2, предназначенная для классификации изображений по текстовым описаниям без дополнительного обучения. Модель создаёт пространственно насыщенные признаки изображений и согласованные с ними текстовые эмбеддинги. Вариант B/14 содержит 86 млн параметров визуального кодировщика и 110 млн параметров текстового кодировщика; общий размер — около 196 млн параметров. Архитектура включает 12-слойный визуальный энкодер ViT и 12-слойный текстовый Transformer, размерность эмбеддингов — 768. Изображения можно подавать в произвольном разрешении после преобразования значений пикселей в диапазон [0, 1]; текст обрабатывается SentencePiece-токенизатором с ограничением в 64 токена. Модель подходит для поиска и классификации изображений по текстовым меткам, а пространственные признаки также могут использоваться в сценариях сегментации. Поддержка русского языка в README и метаданных не подтверждена. Модель доступна под лицензией Apache-2.0. Для результатов классификации важно заранее подобрать подходящие текстовые описания классов; README не приводит количественных оценок качества или конкретных ограничений применимости.

T-Lite-instruct-0.1-abliterated — русскоязычная чат-модель семейства Llama, представленная как версия T-Lite-instruct без встроенных ограничений на ответы. Она предназначена для диалоговой генерации текста и выполнения запросов пользователя. Модель имеет плотную архитектуру LlamaForCausalLM и 7,5 млрд параметров, принимает текст и генерирует текст. Длина контекста составляет 8192 токена; в репозитории доступны веса safetensors. Карточка указывает русский язык и лицензию WTFPL.

Uzbek Whisper Small STT v2 — модель автоматического распознавания речи на узбекском языке, созданная на основе Whisper Small и дообученная на Mozilla Common Voice 26. В README указаны три эпохи обучения и 9 195 шагов оптимизации; оценка проводилась на узбекской тестовой выборке Common Voice 26. Модель предназначена для преобразования узбекской речи в текст. Файлы основной ветки представлены в формате CTranslate2 FP16 для запуска через faster-whisper; это не стандартный чекпойнт Transformers. README не сообщает лицензию. Точность может снижаться на записях с шумом, другими микрофонами, стилями речи и диалектами, а также на аудио, отличном от Mozilla Common Voice. Перед развёртыванием рекомендуется проверить модель на характерных для приложения записях.

timm/ViT-B-32-SigLIP2-256 — визуально-языковая модель семейства SigLIP 2, обученная на наборе WebLI и преобразованная из исходных контрольных точек JAX проекта Big Vision для использования в OpenCLIP. Это контрастивный энкодер изображений и текста, предназначенный прежде всего для классификации изображений по текстовым описаниям без специального дообучения под каждый набор классов. Модель подходит для сопоставления изображения с перечнем текстовых меток или описаний и выбора наиболее подходящих вариантов. Репозиторий использует библиотеку OpenCLIP; веса представлены в форматах PyTorch и Safetensors. Указана лицензия Apache-2.0. Карточка не приводит размер модели, длину контекста или конкретный перечень поддерживаемых языков.

Это модель timm от авторов семейства SigLIP 2: визуальный энкодер ViT с патчами 16×16, вариант с разрешением 512, обученный на наборе WebLI. Она соответствует зрительной башне мультимодальной модели SigLIP 2 и предназначена для извлечения признаков изображений, например для их последующего сравнения или использования в системах поиска. Модель принимает изображения и выдаёт визуальные признаки. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0. README описывает только image encoder, поэтому поддержка текстового ввода или генерации текста не заявлена.

NhutP/ViWhisper-small — модель распознавания вьетнамской речи, созданная дообучением Whisper-small от OpenAI. Она предназначена для преобразования вьетнамской речи в текст, в том числе для транскрибирования аудиозаписей и обработки длинных файлов с разбиением на фрагменты. Модель построена на архитектуре Whisper, содержит 153,1 млн параметров и доступна в формате Safetensors для Transformers. При обучении использованы 1308 часов данных, включая набор VietSpeech и другие вьетнамские речевые данные; для части примеров синтезировали речь, чтобы добавить слова, отсутствовавшие в корпусе. В README приведены результаты WER на нескольких вьетнамских тестовых наборах. Модель распространяется по лицензии MIT. Карточка описывает распознавание речи; качество на других языках и вне указанных тестов не установлено.

VN_legal_embedding_512 — модель Sentence Transformers, разработанная для создания плотных 768-мерных эмбеддингов предложений и абзацев в юридическом контексте. Она дообучена на базе intfloat/multilingual-e5-base на внутреннем наборе примерно из 30 000 примеров юридических вопросов и связанных с ними контекстов с использованием TripletLoss и косинусного расстояния. Модель предназначена для семантического поиска и сопоставления юридических вопросов с релевантными контекстами; эмбеддинги также подходят для кластеризации. Архитектура основана на XLM-RoBERTa, число параметров — 305,2 млн, длина контекста — 514 токенов. Репозиторий содержит веса в формате safetensors; библиотека для работы — Sentence Transformers. Лицензия в предоставленных данных не указана.

Umong/wav2vec2-large-mms-1b-bengali — модель распознавания речи, созданная дообучением facebook/mms-1b-all на датасете Common Voice 13.0. Она принимает аудио и преобразует речь на бенгали в текст; архитектура — Wav2Vec2ForCTC, размер — 1,3 млрд параметров. На оценочной выборке указаны loss 0,2591 и WER 0,3256. Модель подходит для транскрибирования речи на бенгали. Распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства, но запрещающей коммерческое применение.

wav2vec2-large-xls-r-300m-lithuanian — модель распознавания литовской речи, дообученная infinitejoy на базе facebook/wav2vec2-xls-r-300m на литовской части Common Voice 7.0. Это аудиомодель на архитектуре Wav2Vec2ForCTC с 402,7 млн параметров, предназначенная для преобразования речи в текст. В README приведены результаты на тестовой выборке: WER 0,2486 и loss 0,1722. Модель подходит для транскрибирования записей и голосовых фрагментов на литовском языке. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Подробные сведения о рекомендуемых условиях применения и ограничениях в карточке отсутствуют.

Модель infinitejoy/wav2vec2-large-xls-r-300m-sakha — дообученная Infinitejoy версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на саха (якутском) языке. Она принимает аудио и преобразует речь в текст; архитектура основана на Wav2Vec2ForCTC и имеет около 402,7 млн параметров. Обучение проводилось на наборе Mozilla Common Voice 7.0 для саха. На тестовой выборке указана WER 0,4421. Модель подходит для транскрибации записей на саха, включая голосовые сообщения и аудио из корпуса Common Voice. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0. README не описывает ограничения по записи или условиям эксплуатации.

Wav2Vec2-Large-XLSR-53-Odia — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 для языка одия в рамках работы над распознаванием речи для индийских языков с малым объёмом данных и переключением языков. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель преобразует аудиоречь на одия в текст. Для распознавания входную речь следует подавать с частотой дискретизации 16 кГц; README приводит результат оценки 68,75% на тестовых данных Odia из Common Voice. Модель предназначена для ASR, в том числе для сценариев с ограниченными обучающими данными. Веса опубликованы в формате PyTorch по лицензии Apache-2.0. Указанный результат оценки относится к конкретному тестовому набору и сам по себе не гарантирует качество на других записях или условиях записи.

xsway разработал wav2vec2-large-xlsr-georgian — модель распознавания речи на грузинском языке, полученную дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice. Она принимает аудио и преобразует речь в текст; для распознавания входной сигнал должен иметь частоту дискретизации 16 кГц. Модель основана на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. В README приведён результат 45,28% на тестовой части грузинского Common Voice, однако метрика не уточнена. Модель распространяется по лицензии Apache-2.0.

Wav2Vec2-Large-XLSR-53-Slovene — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на словенской части Common Voice. Она принимает аудиозаписи речи с частотой дискретизации 16 кГц и преобразует их в текст на словенском языке. Архитектура — Wav2Vec2ForCTC; размер модели составляет около 402,7 млн параметров. Модель подходит для расшифровки словенской речи и оценки систем распознавания на тестовых данных Common Voice. В README приведён результат тестирования 36,97 %, но не уточнена метрика, поэтому значение нельзя интерпретировать как конкретную точность. Модель распространяется по лицензии Apache-2.0.

mmwanje/waxal-whisper-small-spec_aug_v1 — мультиязычная модель автоматического распознавания речи, дообученная на базе OpenAI Whisper Small на данных Google WaxalNLP для языков лингала, шона и луганда. При обучении применялся SpecAugment к log-mel признакам; модель реализована как WhisperForConditionalGeneration и распространяется в формате safetensors. В метаданных указано 153,1 млн параметров и лицензия Apache-2.0. Модель предназначена для транскрибирования аудиозаписей на поддерживаемых языках. README называет этот чекпойнт лучшим по результату на отложенной выборке среди экспериментов первой фазы; приведённая оценка объединяет WER и CER, поэтому её нельзя напрямую интерпретировать как отдельную точность распознавания. Результаты зависят от языка и условий записи.

whisper-bsc-large-v3-cat — акустическая модель автоматического распознавания речи на каталанском языке, созданная Лабораторией языковых технологий Барселонского суперкомпьютерного центра (BSC). Модель дообучена на базе openai/whisper-large-v3 на 4700 часах каталанской речи из наборов Projecte AINA и других источников. Модель предназначена для транскрибирования каталанских аудиозаписей в обычный текст без пунктуации. Её можно применять для расшифровки передач, парламентских выступлений, заседаний региональных органов и записей с различными каталанскими акцентами. Архитектура — Whisper large-v3 с 905,2 млн параметров; для работы используется библиотека Transformers. Модель принимает аудио и выдаёт текст. В карточке указаны лицензия Apache-2.0 и формат весов safetensors. В обучающих данных использовались версии некоторых парламентских наборов, не опубликованные в открытом доступе; качество на других акцентах и акустических условиях может отличаться от результатов на целевых данных.

Sandiago21/whisper-large-v2-greek — дообученная модель распознавания речи на основе openai/whisper-large-v2. Она принимает аудио и преобразует речь в текст; дообучение выполнено на датасете FLEURS. Модель содержит 905,2 млн параметров и распространяется в форматах PyTorch и safetensors. Модель предназначена для транскрибации греческой речи. В README приведены результаты на оценочной выборке: WER 0,1774, WER Ortho 0,2102 и loss 0,2734. Лицензия — Apache-2.0. Подробные сведения об условиях записи, поддерживаемых вариантах греческого языка и ограничениях в карточке отсутствуют.

Модель oddadmix/whisper-large-v3-arabic-dialectal-v2 разработана автором oddadmix на базе Whisper large-v3 от OpenAI и дообучена для распознавания разговорного арабского языка в разных диалектах. Она принимает аудио и преобразует речь в текст; в карточке описано дообучение на сбалансированном по диалектам наборе lahgtna-v3-small: 52 тысячи обучающих и 2,6 тысячи тестовых фрагментов. Размер базовой модели — 1,54 млрд параметров, архитектура — WhisperForConditionalGeneration, веса опубликованы в формате safetensors. На сбалансированной тестовой выборке модель показала WER 0,3199 и CER 0,1203 при оценке нормализованного текста без диакритических знаков. В приведённых результатах лучше распознаются саудовский и другие заливные варианты, сложнее — магрибские диалекты, включая тунисский, алжирский и марокканский. Модель рассчитана на транскрибацию арабской речи, а не на генерацию текста по произвольным запросам. Модель распространяется по лицензии Apache-2.0. Она унаследовала мультиязычные возможности Whisper large-v3, однако дообучение и заявленная специализация ориентированы на арабские диалекты; показатели зависят от диалекта, качества аудио и принятой нормализации транскрипта.

Это дообученная модель OpenAI Whisper Large V3 Turbo от ele-sage для автоматического распознавания речи на канадском французском, включая квебекский диалект. Она преобразует аудио в текст и рассчитана на транскрибацию медиа, подкастов, интервью, формальных выступлений и повседневной речи с региональными акцентами. Модель построена на архитектуре Whisper с последовательным преобразованием аудио в текст и содержит около 905,2 млн параметров. Для дообучения использовали примерно 69 часов записей: выступления в Национальной ассамблее Квебека и данные Common Voice на канадском и других вариантах французского. В README указана частота дискретизации 16 кГц; фрагменты длиннее 30 секунд исключались или сегментировались. На валидационном наборе автор сообщает WER 6,65%. Модель предназначена прежде всего для французской речи из Квебека; обучение на формальных выступлениях и краудсорсинговых записях призвано охватить разные регистры. Это не гарантия точности на других акцентах, шумных записях или темах, не представленных в обучающих данных. Лицензия — MIT.

Модель GoranS/whisper-large-v3-turbo-hr-parla — дообученная версия Whisper large-v3 от OpenAI, созданная на данных ParlaSpeech-HR и дополнительном частном наборе объёмом 400 часов с аугментациями. Она предназначена для автоматической транскрибации речи на хорватском языке. Архитектура — WhisperForConditionalGeneration; в репозитории указано около 905,2 млн параметров, формат весов — safetensors. Модель принимает аудио и выдаёт текст; библиотека для работы — Transformers. В README приведён результат WER 3,52% на оценочном наборе. В таблице сравнения указано WER 9,93% для связанной модели slsolucije/whisper-large-v3-turbo-hr-parla-lora-merged на тестовой части FLEURS для хорватского языка; этот результат не следует приписывать данной модели напрямую. Лицензия — Apache-2.0.

Карточка модели VARabic/whisper-medium-finetuned-sada-asr на Hugging Face совпадает с карточкой wageehkhad/whisper-medium-finetuned-sada-asr, поэтому описание составлено по ней. Модель wageehkhad/whisper-medium-finetuned-sada-asr — версия Whisper Medium, дообученная на наборе SADA22 для автоматического распознавания саудовской арабской речи. Она преобразует аудиозаписи в текст и использовалась как компонент распознавания речи в экспериментах по оценке диалектности арабского языка: полученную расшифровку передавали текстовому классификатору диалектности. Модель построена на архитектуре WhisperForConditionalGeneration и содержит 455,8 млн параметров; опубликована в формате safetensors. Базовая модель — openai/whisper-medium. Основной сценарий — транскрибация саудовской арабской речи. Модель рассчитана на речевые сегменты длительностью до 30 секунд; более длинные записи можно обрабатывать с автоматическим разбиением на части в используемом pipeline. Дообучение ориентировано на саудовский диалект, поэтому качество на других арабских диалектах и передачах на литературном арабском может быть ниже. Лицензия — Apache-2.0.

Whisper Small DE — модель распознавания речи, созданная Максимилианом Кенфенхойером путём дообучения openai/whisper-small на датасете Common Voice 17.0. Она предназначена для преобразования немецкой речи в текст. В карточке указана оценка WER 7,5440 на наборе оценки. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. Она принимает аудио и выдаёт текст; библиотека загрузки — Transformers. Распознавание ориентировано на немецкий язык. Модель распространяется по лицензии Apache-2.0.

CKSINGH разработал эту модель как дообученную версию CKSINGH/whisper-small-hi-firefox для автоматического распознавания речи. Это модель семейства Whisper с архитектурой WhisperForConditionalGeneration и 153,1 млн параметров; репозиторий содержит веса PyTorch и Safetensors. Карточка приводит результаты оценки: WER 16,1932 и CER 12,5576, но не уточняет набор данных и условия тестирования. Модель предназначена для преобразования аудио на хинди в текст. Она распространяется по лицензии Apache-2.0.

SubZtep/whisper-small-hu — дообученная модель распознавания речи на основе openai/whisper-small, разработанной OpenAI. Она предназначена для транскрибирования аудио на венгерском языке; при оценке на тестовой выборке Common Voice 26.0 показала WER 15,62 и CER 3,33 после нормализации регистра и пробелов. Модель содержит 153,1 млн параметров и работает с аудиовходом через библиотеку Transformers. Модель обучена на 62 284 аудиофрагментах с чтением предложений из венгерской части Common Voice 26.0. Она подходит для транскрибирования аналогичной речи, например записей с дикторским чтением. Лицензия — MIT. На спонтанной речи, шумных записях и аудио с узкоспециальной лексикой ожидается больше ошибок. Указанные WER и CER не отражают точность регистра и пунктуации; для венгерского языка CER может лучше показывать близость транскрипта из-за агглютинативной морфологии.

MiMo-VL-7B-RL-2508-GGUF — квантизированная версия мультимодальной модели MiMo-VL-7B-RL-2508, разработанной XiaomiMiMo и подготовленной пользователем bartowski в формате GGUF. Модель предназначена для задач image-text-to-text: анализа изображений и генерации текстовых ответов по визуальному и текстовому контексту. Модель содержит около 7 миллиардов параметров и поддерживает обработку текста и изображений. Для квантизации использовались llama.cpp и калибровочные данные с методом imatrix. Доступны варианты от BF16 и Q8_0 до более компактных Q2 и IQ-квантизаций; варианты Q4–Q6 предлагают компромисс между качеством и требованиями к памяти, а Q4_K_M рекомендуется как типичный вариант для большинства сценариев. Сведения о поддерживаемых языках, размере контекстного окна и точном формате промптов в README не указаны. Модель можно запускать через llama.cpp, LM Studio и другие совместимые проекты. Квантизация уменьшает размер файлов и требования к ресурсам, однако более низкие уровни квантизации могут заметно снижать качество ответов. Лицензия в предоставленных данных не указана.

xLAM-8x22b-r-IMat-GGUF — GGUF-квантизированная версия модели Salesforce/xLAM-8x22b-r, подготовленная пользователем legraphista с использованием llama.cpp и IMatrix-калибровки. Исходная модель имеет формат BF16; в репозитории доступны варианты от BF16 и FP16 до низкобитных Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K, включая варианты с IMatrix. Файлы распространяются в разделённом виде и предназначены для запуска в совместимой инфраструктуре, например llama.cpp. Модель ориентирована на задачи function calling, tool use и работу в LLM-агентах: она может применяться в сценариях, где языковая модель должна выбирать и вызывать внешние инструменты или функции. В метаданных указаны английский язык и текстовая генерация; мультимодальность и поддерживаемый размер контекста не заявлены. Архитектурные сведения ограничены указанием на исходную модель и тегом mistral, поэтому точные параметры и устройство модели по README определить нельзя. Ключевое преимущество — широкий выбор уровней квантизации, позволяющий выбирать компромисс между размером файлов, требованиями к ресурсам и сохранением качества; для вариантов Q4_K и ниже заявлено использование IMatrix. Ограничения включают очень большой размер файлов: от 48,10 ГБ для Q2_K_S до 281,27 ГБ для BF16/FP16, а также необходимость совместимого ПО и аппаратных ресурсов. Модель распространяется по лицензии CC BY-NC 4.0; доступ к репозиторию требует подтверждения условий лицензии.

Это модель Sentence Transformers, разработанная командой sentence-transformers на базе XLM-RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель имеет 305,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель предназначена для извлечения эмбеддингов и задач семантического сходства; репозиторий содержит варианты в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. В карточке модель помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и не рекомендуют её использовать.

Карточка модели manojbillionaire123/gemma-4-E2B-it на Hugging Face совпадает с карточкой google/gemma-4-E2B-it, поэтому описание составлено по ней. Gemma 4 E2B IT — мультимодальная модель Google DeepMind, дообученная на основе google/gemma-4-E2B для выполнения инструкций. Она принимает текст, изображения и аудио, а выдаёт текст; подходит для диалогов, рассуждений, написания и исправления кода, распознавания речи и анализа визуального содержимого, включая документы, диаграммы и кадры видео. Модель использует плотную архитектуру Gemma 4 и рассчитана на локальное развёртывание, в том числе на устройствах с ограниченными ресурсами. Для малых моделей семейства заявлено контекстное окно до 128 тысяч токенов; Gemma 4 поддерживает множество языков. Модель поддерживает вызов инструментов и режим рассуждений. Google DeepMind указывает сценарии использования для создания контента, диалоговых помощников, суммаризации, извлечения сведений из изображений и работы с аудио. Репозиторий содержит веса Safetensors, модель использует библиотеку Transformers и распространяется по лицензии Apache 2.0. Качество ответов может зависеть от языка, сложности задачи и входных данных; описание не приводит отдельных оценок для этой версии.