I.3Извлечение и структурирование данных

Saba2-3B — чат-модель Sakalti, созданная дообучением unsloth/Qwen2.5-3B-Instruct. Она предназначена для генерации текста и диалоговых сценариев; в каталоге также отмечен интерфейс вызова инструментов. Модель построена на плотной архитектуре Qwen2 и содержит 3,1 млрд параметров, работает с контекстом до 131 072 токенов и использует формат safetensors. Карточка указывает, что модель обучалась с Unsloth и библиотекой TRL. В метаданных для неё указан английский язык. Лицензия обозначена как qwen-research; перед использованием следует проверить её условия и ограничения для конкретного сценария.

Guilherme34/Samantha-test — объединённая текстовая модель, созданная методом TIES с помощью mergekit на основе Guilherme34/Samantha-v6.5 и NousResearch/Meta-Llama-3.1-8B. В метаданных указана архитектура Llama с плотной моделью на 7,5 млрд параметров и контекстом до 131 072 токенов; файлы представлены в формате safetensors, библиотека — Transformers. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов в чате и генерации текста с длинным контекстом. Метаданные также отмечают интерфейс вызова инструментов, но README не описывает его применение подробно. Модель создана из слияния других моделей, поэтому её поведение зависит от обоих исходных чекпойнтов. Лицензия в предоставленных данных не указана.

nickprock/sentence-bert-base-italian-xxl-uncased-sts-matryoshka — модель Sentence Transformers на базе BERT, разработанная nickprock. Она преобразует предложения и абзацы на итальянском языке в плотные векторы размерностью 768 для поиска семантически похожих текстов, кластеризации и других задач сопоставления предложений. Обучение использовало MatryoshkaLoss с CoSENTLoss и целевыми размерностями 768, 512, 256, 128 и 64, что позволяет использовать эмбеддинги разных размеров. Модель содержит 137,9 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Репозиторий предоставляет веса в формате safetensors; для применения предусмотрена библиотека sentence-transformers. Лицензия — MIT. Она предназначена для итальянских текстов; результаты для других языков README не заявляет.

Это конверсия SigLIP 2 от zeromodels в формат Keras 3 на основе google/siglip2-base-patch16-256. Модель предназначена для классификации изображений по текстовым подсказкам без отдельного обучения на заданных классах: на вход подаются изображения и текстовые описания классов, а на выходе — оценки соответствия изображения каждому описанию. SigLIP 2 использует визуально-языковой энкодер с sigmoid loss; при предобучении применялись генерация описаний, самодистилляция и masked prediction. Текстовая часть использует многоязычный словарь Gemma размером 256 тысяч токенов. Реализация Keras 3 работает с TensorFlow, Torch и JAX; для выбора размера изображения и токенизатора рекомендуется соответствующий Processor. Лицензия — Apache 2.0.

BuzzASR/slovenian — одноязычная модель автоматического распознавания речи для словенского языка, разработанная как часть набора BuzzASR из 102 специализированных моделей. Она дообучена методом fine-tuning на базе openai/whisper-large-v3 и использует архитектуру Whisper large-v3 с 905,2 млн параметров. Модель принимает аудио и преобразует речь в текст; языковая и задачная подсказка включена в конфигурацию генерации. Модель предназначена для транскрибации словенской речи. В приведённых тестах FLEURS и Common Voice 25 она показала CER 4,98% и 0,65% соответственно, а на объединённом наборе — CER 2,31% и WER 7,83%; результаты относятся к указанным тестовым выборкам. Обучение использовало данные FLEURS, Common Voice Corpus 25.0 и текстовые данные корпуса Goldfish. Модель выпущена под лицензией MIT.

Smaug Dolphin 60B — объединённая методом MoErge языковая модель на архитектуре Mixtral, созданная на основе abacusai/Smaug-34B-v0.1 и cognitivecomputations/dolphin-2.2-yi-34b-200k. Она предназначена для диалоговой генерации текста. В метаданных указаны 33,9 млрд параметров и контекст до 200 000 токенов; репозиторий содержит веса в формате safetensors. В README приведены результаты оценивания на бенчмарках рассуждений и понимания текста, включая средний балл 76,44, ARC и HellaSwag. Карточка сообщает, что модель работает ожидаемо, а оценки ещё проводятся. Лицензия обозначена как other, поэтому условия использования следует сверять с файлами лицензии репозитория.

microsoft/speecht5_asr — модель SpeechT5 от Microsoft, дообученная для автоматического распознавания речи на наборе LibriSpeech. Она преобразует монофоническую речь с частотой дискретизации 16 кГц в текст и предназначена для задач speech-to-text. SpeechT5 использует архитектуру кодировщика-декодировщика с общей сетью и специализированными компонентами для обработки речи и текста. Это часть унифицированной мультимодальной системы, предварительно обученной на речевых и текстовых данных; данный вариант настроен именно на распознавание речи. Для работы используются PyTorch и Transformers. Модель рассчитана на распознавание английской речи из LibriSpeech; README приводит входной формат моно, 16 кГц. Другие языки и условия записи в карточке не описаны. Лицензия — MIT.

stackoverflow_mpnet-base — модель эмбеддингов предложений, разработанная в рамках Community Week Hugging Face для проекта по обучению моделей sentence embeddings. Она основана на microsoft/mpnet-base и дообучена сиамской сетью с контрастивной целью на 18,56 млн пар заголовков и текстов вопросов Stack Overflow; в качестве эмбеддинга используется mean pooling скрытых состояний. Веса доступны в формате PyTorch, размер модели — 136,7 млн параметров, контекст — до 514 токенов. Модель кодирует текст в векторы для семантического поиска, сравнения сходства и кластеризации. Она ориентирована на технические вопросы и ответы Stack Overflow, поэтому особенно подходит для поиска похожих вопросов и семантической навигации по базе знаний разработчиков. Карточка описывает обучение с последовательностями до 128 токенов; более длинные входы могут не соответствовать режиму обучения. Лицензия в предоставленных данных не указана.

StripedHyena-Nous-7B — чат-модель для генерации текста, разработанная Together Research совместно с Nous Research. Она предназначена для диалога и ответов на инструкции в формате «Instruction/Response», а также для работы с длинными запросами. Модель содержит 8,7 млрд параметров и использует гибридную архитектуру StripedHyena: сгруппированное многоголовое внимание и управляемые свёртки в блоках Hyena. Она обучалась на последовательностях длиной до 32 тысяч токенов. Авторы заявляют о низкой задержке и высокой пропускной способности относительно Transformer-моделей сопоставимого размера. Модель работает с текстом и ориентирована на английский язык. Для запуска вне демонстрационной площадки требуются пользовательские ядра; при работе с длинными запросами или обучении компоненты poles и residues следует хранить в точности float32. Лицензия — Apache-2.0.

Tara — модель автоматического распознавания речи, разработанная Trelis для транскрибации хинди и смешанной речи хинди–английский. Она построена на архитектуре Whisper large-v3 и поддерживает отдельный режим смешанного кода: английские слова записываются латиницей, а хинди — деванагари. По метаданным репозитория модель содержит 905,3 млн параметров; принимает аудио с частотой 16 кГц и выдаёт текст. В карточке заявлены также сильные результаты для английской речи и устойчивость к шуму, телефонным записям, спонтанной речи и различным акцентам. Модель предназначена для голосовых помощников, аналитики звонков, субтитров и конвейеров обработки речевых данных. Для максимальной точности нужно выбирать режим распознавания по языку записи; смешанный режим подходит и для чистого хинди. Оценка в карточке проведена на аудиофрагментах длительностью до 30 секунд, поэтому более длинные записи рекомендуется разбивать на части. Поддержка других индийских языков не заявлена. Лицензия — Apache 2.0.

Terminis-7B — объединённая языковая модель от Q-bert, созданная слиянием v1olet/v1olet_marcoroni-go-bruins-merge-7B и mistralai/Mistral-7B-Instruct-v0.2 методом SLERP. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; её контекстное окно — 32 768 токенов. Модель предназначена для генерации текста и работы в форматах диалога ChatML и инструкций Alpaca. Лицензия — Apache-2.0. Карточка не приводит результатов оценки, поэтому качество на конкретных задачах по ней определить нельзя.

Карточка модели migtissera/Tess-2.0-Mixtral-8x7B на Hugging Face совпадает с карточкой migtissera/Tess-2.0-Mixtral-8x7B-v0.2, поэтому описание составлено по ней. Tess-2.0-Mixtral — языковая модель общего назначения из серии Tess, разработанной migtissera. Она обучена на базе mistralai/Mixtral-8x7B-v0.1 и использует архитектуру MixtralForCausalLM с разреженной архитектурой MoE. Модель предназначена для генерации текста и диалогов; формат запросов включает роли SYSTEM, USER и ASSISTANT. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. В репозитории размещены веса в формате safetensors, лицензия — Apache-2.0. В карточке указано, что модель uncensored; она может выдавать неточные или вводящие в заблуждение ответы, а также предвзятый, оскорбительный или неподходящий контент, поэтому результаты следует проверять.

TheTop-5x7B-Instruct-S4-v0.1 — текстовая генеративная модель MaziyarPanahi, полученная слиянием нескольких предварительно обученных моделей 7B и моделей, объединённых методом SLERP. Карточка упоминает mergekit как инструмент слияния; метаданные указывают на архитектуру MistralForCausalLM и веса в формате safetensors. Указанный размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и инструкционного диалога. В README приведены результаты оценки на бенчмарках рассуждений и здравого смысла. Она распространяется по лицензии Apache-2.0. Карточка не уточняет состав исходных моделей, языковую специализацию и ограничения качества.

ViT-B-16-SigLIP-384 — модель сопоставления изображений и текста на основе SigLIP, обученная на наборе WebLI. Чекпойнт преобразован из исходных весов JAX проекта Big Vision в формат PyTorch; репозиторий поддерживает использование через OpenCLIP для работы с изображениями и текстом, а также через timm для получения представлений изображений. Лицензия — Apache-2.0. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах и для получения эмбеддингов изображений. Можно сравнивать изображение с набором текстовых меток или описаний и выбирать наиболее подходящее. Вариант имеет размер изображения 384 пикселя по стороне, что отражено в названии модели. Модель использует контрастивное обучение изображения и текста с функцией потерь SigLIP и обучалась на WebLI. Карточка не сообщает о поддержке конкретных естественных языков, поэтому языковые возможности текстового компонента нельзя уточнить. Для прикладного сценария качество зависит от соответствия текстовых меток обучающим данным и выбранной предметной области.

Модель infinitejoy/wav2vec2-large-xls-r-300m-bashkir — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания башкирской речи. Она построена на архитектуре Wav2Vec2 с CTC-выходом и содержит около 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст; при оценке на наборе Mozilla Common Voice 7.0 для башкирского языка указана WER 0,2421. Распространяется по лицензии Apache-2.0.

menhior дообучил модель facebook/wav2vec2-xls-r-300m на Common Voice для автоматического распознавания речи. Модель построена на архитектуре Wav2Vec2 и выдаёт текстовую транскрипцию по аудиозаписи; в метаданных указано 402,7 млн параметров и формат PyTorch. Название репозитория указывает на настройку для турецкого языка. На оценочном наборе указаны loss 0,3991 и WER 0,3050. Модель подходит для транскрибирования турецкой речи в сценариях, подобных записям Common Voice. Лицензия — Apache-2.0. Подробности о тренировочных настройках и конкретных ограничениях в карточке не раскрыты.

Wav2Vec2-Large-XLSR-53-Mongolian-v1 — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на монгольских данных Common Voice. Это модель архитектуры wav2vec2 с декодером CTC и примерно 402,7 млн параметров; доступны версии PyTorch и Flax. Для распознавания входную речь следует подавать с частотой дискретизации 16 кГц. Модель предназначена для транскрибации монгольской речи, в том числе записей, похожих на данные Common Voice; карточка приводит результат тестирования 34,64%, но не уточняет метрику в доступном описании. Распространяется по лицензии Apache-2.0.

Wav2Vec2-Large-XLSR-53-Persian V2 — модель распознавания речи на фарси, созданная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice. Она принимает аудио и преобразует речь в текст; для входной записи требуется частота дискретизации 16 кГц. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. Модель рассчитана на фарси и поддерживает автоматическое распознавание речи. В оценке на тестовой части Common Voice для фарси указана доля ошибок слов WER 31,92%. Модель опубликована в форматах PyTorch и Flax под лицензией Apache-2.0. Результат оценки относится к указанному тестовому набору и сам по себе не гарантирует такую же точность на других записях.

arampacha/wav2vec2-large-xlsr-ukrainian — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на украинском языке. Она основана на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров; доступны веса PyTorch и Flax. Для обучения использовались Common Voice и часть корпуса M-AILABS Ukrainian Corpus. Модель преобразует украинскую речь в текст и рассчитана на оценку и распознавание аудиозаписей. Входное аудио должно иметь частоту дискретизации 16 кГц; распознавание возможно без отдельной языковой модели. В карточке приведён результат оценки 29,89 на украинской тестовой выборке Common Voice, но метрика не уточнена. Модель распространяется по лицензии Apache-2.0.

Akaash1/wav2vec-khmer-english-medium — модель распознавания речи на базе Wav2Vec2, дообученная на facebook/wav2vec2-xls-r-300m на данных OpenSLR и S4E16_Podcast. Она принимает аудио и преобразует речь в текст; в карточке указано значение WER 0,2868 на оценочном наборе. Модель содержит 402,8 млн параметров и использует архитектуру Wav2Vec2ForCTC. Модель подходит для распознавания речи на кхмерском и английском языках, в том числе в подкастах. Распознавание основано на CTC. Распространяется по лицензии Apache-2.0.

burakaydinofficial/whisper-base-cv11 — это мультиязычная модель распознавания речи, созданная дообучением стандартной архитектуры OpenAI Whisper Base на корпусе Whispered с лицензией CC0. Модель содержит 51,7 млн параметров и предназначена для преобразования речи в аудио в текст; она работает через библиотеку Transformers без пользовательского кода. Модель служит контрольной точкой для сравнения с вариантом whisper-base-mla-cv11, в котором изменена архитектура внимания. В карточке приведены результаты оценки на CommonVoice-17 для английского, немецкого и испанского языков; обучение проводилось на данных для чтения речи, энкодер был заморожен. Поддерживаются английский, немецкий, испанский, французский, русский, турецкий, валлийский, арабский, грузинский, тайский и китайский языки. Контекстная длина в доступных данных не указана. Модель распространяется по лицензии Apache-2.0. Результаты могут немного отличаться при повторной оценке: в карточке отмечено, что контрольная финальная контрольная точка отличается от контрольной точки, выбранной по dev-набору.

whisper-large-v2-gguf — это конвертация мультиязычной модели автоматического распознавания речи OpenAI Whisper large-v2 в формат GGUF для использования с transcribe.cpp. Модель разработана OpenAI, а сборки и конвертация опубликованы handy-computer. Она предназначена для расшифровки аудио, определения языка и перевода речи с поддерживаемых языков на английский текст. Модель использует архитектуру encoder-decoder Transformer и обрабатывает аудио окнами по 30 секунд с чанковой декодировкой длинных записей. Поддерживается широкий набор языков, включая русский, английский, немецкий, французский, испанский, китайский, японский и многие другие. Доступны варианты F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 997 МБ до 6,18 ГБ. Предусмотрены сегментные временные метки, но потоковая обработка не поддерживается. Сильные стороны модели — широкая языковая поддержка, распознавание, определение языка и перевод, а также несколько вариантов квантования для компромисса между качеством и требованиями к памяти. На тесте LibriSpeech test-clean заявленная WER составляет от 2,46% до 2,97% в зависимости от варианта, однако качество заметно различается между языками и наборами данных. Производительность зависит от оборудования и режима вычислений, а отсутствие streaming ограничивает применение в сценариях с минимальной задержкой. Модель распространяется по лицензии Apache-2.0.

Модель anton-l/xtreme_s_xlsr_300m_mls — дообученная на датасете GOOGLE/XTREME_S - MLS версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи. Она принимает аудио и преобразует речь в текст; архитектура основана на Wav2Vec2ForCTC, а число параметров составляет около 402,7 млн. В README приведены результаты на оценочной выборке: WER 0,3033 и CER 0,0951. Модель предназначена для сценариев распознавания речи, где требуется получить текстовую транскрипцию аудио. Язык или языки распознавания и длина контекста в доступных сведениях не уточнены. Модель распространяется по лицензии Apache-2.0.

Yi-Ko-6B-instruct-v1.2 — корейская инструкционная языковая модель на архитектуре Llama, разработанная путём дообучения модели с помощью LoRA. Автор обучил её на примерно 110 тысячах примеров, собранных из открытых наборов данных и вручную подготовленных материалов; среди тем — история, естественные науки, математика, машинное чтение, анализ отзывов, грамматика и ИТ-знания. В обучении также использовались корейские и англо-корейские переводные данные. Модель предназначена для генерации ответов и выполнения инструкций на корейском языке, включая вопросы и ответы по тексту, краткое изложение, перевод и анализ отзывов. Она содержит около 5,9 млрд параметров и поддерживает контекст до 2048 токенов. Данные обучения закрыты, поэтому состав и качество примеров нельзя независимо проверить. Лицензия — CC BY-SA 4.0.

Zephyr-7B-β — разговорная языковая модель из серии помощников Zephyr, разработанная HuggingFaceH4. Это плотная авторегрессионная модель семейства Mistral на 7,1 млрд параметров, дообученная на Mistral-7B-v0.1 методом Direct Preference Optimization (DPO) на синтетических диалогах и предпочтениях ответов. Она принимает текст и генерирует текст; основной язык — английский. Контекстное окно составляет 32 768 токенов. Модель предназначена для диалогового помощника: она отвечает на вопросы, следует инструкциям и поддерживает многошаговый чат. В опубликованных при выпуске оценках она показывала сильные результаты среди открытых моделей сопоставимого размера, но заметно уступает более крупным системам в сложных задачах программирования и математики. В карточке указано, что модель не прошла этап выравнивания безопасности в RLHF и может выдавать проблемный контент, в том числе по соответствующему запросу. Лицензия — MIT.

Ziya-Reader-13B-v1.0 是 IDEA-CCNL 团队开发的中文知识问答模型，基于 13B 参数的 Llama 2，并在通用数据和检索问答数据上微调。它采用 Llama 自回归 Transformer 架构，使用位置插值扩展上下窗口；README указывает 8k токенов, тогда как метаданные Hugging Face указывают нативный контекст 4096 токенов. Модель отвечает на вопросы по одному или нескольким предоставленным документам, поддерживает поиск релевантных документов и суммаризацию длинных текстов, а также общее общение в формате вопрос–ответ. В карточке описана устойчивость к изменению порядка документов и приведены оценки на китайских наборах LongBench. Предназначена прежде всего для китайских сценариев баз знаний, retrieval QA и клиентской поддержки, в том числе в праве, финансах и медицине. Модель принимает текст и генерирует текст. Репозиторий содержит веса PyTorch; указанная лицензия — GPL-3.0. Результаты зависят от качества и полноты переданных документов; заявленные оценки основаны на тестах разработчиков и не гарантируют качество в конкретной предметной области.

ZwZ-4B — мультимодальная модель для детального восприятия изображений, разработанная inclusionAI на основе Qwen3-VL-4B-Instruct. Это плотная модель семейства Qwen3-VL с 4 млрд параметров, предназначенная для ответов на вопросы об изображениях и распознавания мелких визуальных деталей. Обучение сочетает дистилляцию Region-to-Image и обучение с подкреплением на наборе ZwZ-RL-VQA из 74 тысяч примеров. Модель обрабатывает изображение за один проход без увеличения отдельных областей во время вывода и без вызовов инструментов. Авторы сообщают о высоких результатах на тестах детального восприятия и улучшениях в визуальном рассуждении, сценариях GUI-агентов и обнаружении изображений, созданных ИИ. Доступны веса Safetensors для Transformers; лицензия — Apache-2.0.

Модель joannetai520/16_bit_model_try4 — дообученная языковая модель семейства Llama на основе unsloth/meta-llama-3.1-8b-instruct-unsloth-bnb-4bit. Её разработал joannetai520; обучение выполнялось с использованием Unsloth и библиотеки TRL. Модель предназначена для генерации текста и диалогового взаимодействия, а интерфейс поддерживает вызов инструментов. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает контекст длиной до 131072 токенов. В метаданных указан английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0.

afrivoices-whisper-turbo — дообученная модель распознавания речи на основе openai/whisper-large-v3-turbo. Она принимает аудио и преобразует речь в текст. В README приведены результаты оценки на тестовом наборе: loss 0,5509 и WER 0,2632. Модель предназначена для автоматического распознавания речи. Датасет обучения, поддерживаемые языки и предполагаемые сценарии применения в карточке не раскрыты. Модель распространяется в формате Safetensors через Transformers по лицензии MIT.

Это GGUF-квантизированная версия языковой модели Llama-3.1-Tulu-3.1-8B, разработанной Allen Institute for AI (allenai) и опубликованной в формате квантизаций пользователем bartowski. Модель предназначена для генерации текста и запуска локально с помощью llama.cpp, LM Studio и других совместимых проектов на базе llama.cpp. Указан английский язык; поддержка других языков и мультимодальность не заявлены. Модель содержит 8 миллиардов параметров и распространяется в нескольких вариантах квантизации от Q2 до Q8, размером примерно от 3,7 до 8,5 ГБ. Доступны форматы Q4, Q5, Q6, Q8 и IQ, позволяющие выбирать между качеством ответов и требованиями к памяти; наиболее сбалансированным вариантом автор README называет Q4_K_M, а варианты Q5 и Q6 — высококачественными. Для взаимодействия рекомендуется использовать шаблон с ролями system, user и assistant. Сведения о размере контекста, точной архитектуре, производительности и ограничениях исходной модели в README не приведены. Основные преимущества — широкий выбор квантизаций, возможность локального запуска и адаптация под устройства с разным объёмом оперативной памяти. Более сильное сжатие уменьшает требования к ресурсам, но снижает качество, особенно у вариантов Q2 и Q3. Модель распространяется под лицензией llama3.1; перед использованием следует учитывать условия этой лицензии.