I.3Извлечение и структурирование данных

google/t5gemma-l-l-prefixlm-it — англоязычная инструкция-адаптированная модель Google из семейства T5Gemma. Это модель типа encoder-decoder с энкодером и декодером размера L, адаптированная с помощью PrefixLM; веса представлены в формате safetensors и предназначены для работы через Transformers. Модель генерирует текст по текстовому запросу и подходит для ответов на вопросы, суммаризации, рассуждений и других задач генерации по инструкциям. Модель можно применять для составления черновиков, краткого пересказа материалов и NLP-экспериментов. В карточке описано семейство T5Gemma как компактное и ориентированное на баланс качества и эффективности, однако размер именно этой версии и длина контекста не приведены. Лицензия — Gemma. Как и другие языковые модели, она может воспроизводить смещения обучающих данных, неверно отвечать на фактические вопросы и испытывать трудности с неоднозначностью и сложными инструкциями; результаты следует проверять.

text2vec-base-chinese — модель эмбеддингов предложений, обученная проектом text2vec на базе hfl/chinese-macbert-base с методом CoSENT. Она кодирует китайские предложения и короткие абзацы в плотные векторы размерности 768 для семантического поиска, сопоставления текстов, кластеризации и оценки сходства. Модель построена на архитектуре BERT, содержит около 129,5 млн параметров и принимает последовательности длиной до 512 токенов по метаданным; README указывает усечение входа длиннее 256 WordPiece-токенов. Модель предназначена прежде всего для китайских текстов. В README описана настройка на китайских данных STS-B с контрастивной функцией потерь и приведены результаты на китайских наборах для сопоставления предложений. Доступны веса в форматах PyTorch, Safetensors, ONNX и OpenVINO; автор также сообщает об ускоренных вариантах ONNX и OpenVINO. Лицензия — Apache-2.0. Модель выдаёт векторы, а не готовые ответы или текст; для поиска и сравнения требуется последующая обработка эмбеддингов. Её специализация на китайском языке и усечение длинных входов ограничивают применение к другим языкам и длинным документам.

TheTop-5x7B-Instruct-S3-v0.1 — текстовая генеративная модель MaziyarPanahi, созданная слиянием нескольких языковых моделей класса 7B и дополнительным объединением SLERP. Репозиторий содержит веса в формате safetensors; модель основана на архитектуре Mistral и имеет около 7,1 млрд параметров. Для запуска и работы с моделью указана библиотека Transformers. Модель предназначена для генерации текста по запросу и может использоваться для ответов на вопросы, диалогов и решения широкого круга задач на естественном языке. В карточке приведены результаты оценки на тестах ARC, HellaSwag и MMLU, включая вопросы по естественным и точным наукам, истории и другим областям. Контекст модели составляет до 32 768 токенов. Карточка не подтверждает поддержку конкретных языков или специализированное назначение. Модель распространяется по лицензии Apache-2.0. Поскольку это слияние нескольких моделей, качество может различаться между задачами; опубликованные оценки не гарантируют точность отдельных ответов.

GLM-Z1-9B-0414-GGUF — это квантизированная версия языковой модели GLM-Z1-9B-0414, разработанной THUDM и подготовленной к публикации в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Заявлена поддержка китайского и английского языков. Модель содержит около 9 миллиардов параметров; точная архитектура и размер контекста в README не указаны. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3 и Q2, включая форматы IQ. Более высокие уровни квантизации обеспечивают лучшее сохранение качества, а менее точные варианты требуют меньше оперативной памяти. Квантизация выполнена с использованием llama.cpp и метода imatrix; также отмечено исправление токенизатора. Сильной стороной модели является возможность локального запуска на широком спектре конфигураций с выбором подходящего компромисса между качеством и потреблением памяти. Ограничения включают возможное снижение качества у низкобитных вариантов, отсутствие сведений о результатах оценки, точной архитектуре и контекстном окне, а также необходимость соблюдать указанный формат промпта. Модель распространяется по лицензии MIT.

Tiger-Gemma-9B-v1-GGUF — это набор GGUF-квантизаций текстовой генеративной модели Tiger-Gemma-9B-v1, разработанной TheDrummer и подготовленной для распространения пользователем bartowski. Квантизация выполнена с использованием llama.cpp и метода imatrix, применяющего калибровочный датасет для сохранения качества при уменьшении размера весов. Модель предназначена для локального запуска и генерации текста через совместимые инструменты, включая llama.cpp. Доступны варианты от F32 размером около 36,97 ГБ до низкоразрядных Q2 и IQ2 размером около 3,43–4,03 ГБ; также представлены промежуточные варианты Q3–Q8 и IQ. Более крупные квантизации обычно обеспечивают более высокое качество, а компактные подходят для систем с ограниченным объёмом оперативной памяти. В README рекомендуются, в частности, варианты Q4_K_M, Q5, Q6 и IQ4_XS. Известно, что это модель класса Gemma с примерно 9 млрд параметров и поддержкой текстового ввода и вывода. Для диалогов требуется специальный формат prompt с маркерами начала и конца хода пользователя и модели. Системный prompt модель не поддерживает. Языки, размер контекстного окна и дополнительные архитектурные характеристики в предоставленных данных не указаны. Лицензия исходной модели и условия использования данной сборки также не указаны, поэтому перед применением необходимо проверить их отдельно.

ehristoforu/ud-14b — объединённая автором модель для генерации текста и диалогового общения. Она создана методом TIES с помощью mergekit на основе Qwen/Qwen2.5-32B; в объединение также вошли Qwen/QwQ-32B-Preview и unsloth/DeepSeek-R1-Distill-Qwen-32B. Архитектура — плотная Qwen2 с причинной языковой моделью, размер — 32 млрд параметров, контекст — до 131 072 токенов. Модель распространяется в формате safetensors и использует библиотеку Transformers. Модель предназначена для генерации ответов в чате и обработки длинных текстовых запросов. В метаданных отмечен интерфейс вызова инструментов, однако README не описывает его применение или проверенные сценарии. Языки и специализированные области применения в предоставленных данных не обозначены. Сведения о лицензии отсутствуют в предоставленных источниках.

Alibaba-NLP/UEmbed-9B — мультимодальная модель эмбеддингов на базе декодерной архитектуры Qwen3.5 с 9 млрд параметров. Она за один проход формирует плотные векторы и разреженные SPLADE-представления, пригодные для поиска по смыслу и по лексическим совпадениям. Модель принимает текст, изображения, видео и смешанные входы, представляя их в общем пространстве поиска. Модель предназначена для построения текстовых и мультимодальных поисковых систем, включая поиск по изображениям и визуальным документам. Плотные нормализованные векторы подходят для семантического поиска, а разреженные активации связаны с терминами словаря и могут использоваться в обратном индексе. Согласно карточке, модель обучена на 3,94 млн публичных примеров, включая данные для текстового и мультимодального поиска. Репозиторий использует библиотеку Transformers и формат safetensors; лицензия — CC BY 4.0.

Dampfinchen/Ultra-Instruct-12B — объединённая языковая модель для генерации текста и диалогов, созданная с помощью mergekit. В основе лежит IntervitensInc/Mistral-Nemo-Base-2407-chatml; слияние выполнено методом DARE TIES с моделями Orthrus-12b-v0.8, mistral-nemo-gutenberg-12B-v2 и Deutscher-Pantheon-12B. Модель имеет плотную архитектуру MistralForCausalLM и 12,1 млрд параметров. Модель предназначена для инструктивных запросов и общения в формате ChatML. Заявленная длина контекста — 1 024 000 токенов. README предупреждает, что ответы могут быть чрезмерно длинными и модель описана как uncensored. Репозиторий содержит веса safetensors и использует лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование.

Это модель зрения и языка из семейства CLIP, доступная через open_clip и timm. Её вариант в OpenCLIP называется ViT-B-16-quickgelu; визуальный энкодер построен на ViT-Base с патчами 16×16 и входным разрешением 224 пикселя. Модель обучена на наборе MetaCLIP-400M. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах: она сопоставляет изображение и варианты текста, после чего можно выбрать наиболее подходящее описание. Весы доступны в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Это визуальный энкодер SigLIP из библиотеки timm с архитектурой ViT-Large, патчами 16×16 и входным разрешением 384 пикселя. Модель преобразует изображение в признаки для последующего сравнения, поиска или использования в других системах машинного обучения; применяется глобальное усреднение признаков (global average pooling). Веса доступны в форматах PyTorch и Safetensors. Модель предназначена для извлечения визуальных признаков, а не для генерации текста или изображений. Карточка не сообщает о поддерживаемых естественных языках или специализированных предметных областях. Лицензия Apache-2.0 разрешает использование и модификацию на её условиях.

Модель timm/ViT-SO400M-14-SigLIP2 — контрастивная модель «изображение—текст» семейства SigLIP 2, обученная на наборе WebLI и подготовленная timm для использования в OpenCLIP. Она предназначена для классификации изображений без специального обучения на каждом наборе классов: модель сопоставляет изображение с текстовыми описаниями возможных категорий и оценивает их соответствие. Архитектура — vision-language encoder с визуальной частью ViT; модель использует формат PyTorch и веса safetensors. Модель подходит для поиска изображений по текстовым категориям и построения классификаторов с произвольными метками. SigLIP 2 описана как мультиязычное семейство, однако карточка этой конкретной версии не уточняет поддерживаемые языки. Лицензия — Apache-2.0.

jadasdn/wav2vec2-2 — дообученная модель распознавания речи на базе jadasdn/wav2vec2-1. Она использует архитектуру Wav2Vec2ForCTC и содержит 113,3 млн параметров. Модель принимает аудио и преобразует речь в текст; README сообщает результат оценки WER 0,3593 и loss 0,8353. Модель подойдёт для распознавания речи в аудиозаписях и интеграции в системы автоматической транскрибации. Данные о поддерживаемых языках, обучающем наборе и целевых сценариях в карточке не приведены. Распространяется по лицензии Apache-2.0.

Wav2Vec2-Base-960h — модель распознавания речи, разработанная Facebook. Она основана на архитектуре wav2vec 2.0: модель предварительно обучена на аудио речи, а затем дообучена на 960 часах размеченных данных LibriSpeech. Веса содержат 113,3 млн параметров; доступны форматы PyTorch, safetensors и TensorFlow. Модель предназначена для преобразования английской речи в текст. На вход подаётся аудио с частотой дискретизации 16 кГц; обучение и оценка опираются на LibriSpeech. Для оптимальных результатов следует соблюдать эту частоту дискретизации. Модель распознаёт речь, но карточка не заявляет поддержку других языков или дополнительных аудиозадач. Лицензия — Apache-2.0. Указанные в карточке результаты на LibriSpeech не гарантируют такую же точность на других акцентах, условиях записи или предметных областях.

Модель Gabor Madarasz для распознавания венгерской речи и преобразования её в текст. Это дообученная на венгерских данных модель facebook/mms-1b-all с архитектурой Wav2Vec2ForCTC и примерно 1,3 млрд параметров. Она принимает аудио и предназначена для транскрибации записанной речи, например подкастов, аудиокниг и одноголосых записей. Модель рассчитана на венгерский язык. В тестах автор сообщает WER 0,3068 и CER 0,0727 на FLEURS, а также WER 0,1275 на выборке из Common Voice и Voxpopuli; результаты зависят от набора данных и условий записи. Лицензия — CC0-1.0. Для улучшения выбора слов автор рекомендует декодирование с языковой моделью, например KenLM через beam search.

Карточка модели UrizenB/wav2vec2-large-spanish на Hugging Face совпадает с карточкой jonatasgrosman/wav2vec2-large-xlsr-53-spanish, поэтому описание составлено по ней. jonatasgrosman/wav2vec2-large-xlsr-53-spanish — модель распознавания испанской речи, разработанная Jonatas Grosman. Она дообучена на основе facebook/wav2vec2-large-xlsr-53 на обучающей и проверочной выборках Common Voice 6.1 и предназначена для преобразования аудиозаписей на испанском языке в текст. Модель построена на архитектуре Wav2Vec2ForCTC и содержит 402,7 млн параметров; для входной речи требуется частота дискретизации 16 кГц. Модель поддерживает распознавание речи без языковой модели и подходит для транскрибирования записей и оценки качества ASR на испаноязычных речевых наборах данных, включая Common Voice. В карточке приведена лицензия Apache-2.0. Результаты могут зависеть от акустических условий и отличий речи от обучающих данных; языковая модель в базовом сценарии не используется.

Модель dianavdavidson/wav2vec2-large-xlsr-53-iv_hindi_vaani-62420-hinglish_mixed_scripts-alldata-1e-4-100-mix-0.3-FT — дообученная Dianavdavidson версия facebook/wav2vec2-large-xlsr-53 для автоматического распознавания речи. Она построена на архитектуре Wav2Vec2ForCTC, содержит 402,8 млн параметров и принимает аудио, выдавая распознанный текст. По названию модели она ориентирована на хинди и хинглиш со смешанными письменностями; оценка на тестовом наборе указана как Global WER 29,1776 и loss 0,7903. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Facebook wav2vec2-large-xlsr-53-portuguese — модель распознавания португальской речи, опубликованная в формате PyTorch и Flax. Она основана на архитектуре Wav2Vec2ForCTC и содержит 402,7 млн параметров; для обучения или оценки использовался набор Common Voice на португальском языке. Модель принимает аудио и преобразует речь в текст. В README приведён результат 27,1% на тестовой выборке Common Voice PT, но метрика и подробности оценки не указаны. Модель распространяется по лицензии Apache 2.0.

Это модель автоматического распознавания тайской речи, созданная AI Research путём дообучения wav2vec2-large-xlsr-53 на датасете Common Voice 7.0. Она принимает аудио и преобразует речь в текст; архитектура основана на Wav2Vec2 с CTC-декодированием и содержит около 402,7 млн параметров. Модель предназначена для транскрибации тайской речи, в том числе записей, подобных материалам Common Voice. В README приведены результаты оценки на тестовой выборке: символьная ошибка CER составила 2,81%, а WER зависит от выбранного способа токенизации тайского текста. Модель распространяется по лицензии CC BY-SA 4.0; результаты относятся к указанному тестовому набору и не гарантируют такое же качество на других аудиоданных.

WestKunai-XD-7b — слитая языковая модель, созданная автором seyf1elislam с помощью mergekit из WestKunai-Hermes-7b и KuTrix-7b на основе Mistral-7B-v0.1. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров; для репозитория указаны веса safetensors и контекст до 32 768 токенов. Также доступны квантованные версии в формате GGUF. Модель предназначена для генерации текста и ответов на запросы, включая сценарии с длинным контекстом. В карточке приведены результаты оценивания на задачах рассуждения и здравого смысла, однако конкретные языки, на которых модель оптимизирована, не описаны. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

handy-computer/whisper-large-v3-gguf — это конвертация мультиязычной модели распознавания речи OpenAI Whisper large-v3 в формат GGUF для использования с transcribe.cpp. Модель предназначена для автоматического преобразования речи в текст, определения языка и перевода речи с любого поддерживаемого языка на английский. Поддерживаются десятки языков, включая русский, английский, китайский, японский, корейский, арабский, испанский, французский и кантонский (yue). Модель использует архитектуру encoder-decoder Transformer, обрабатывает аудио через 128-канальный mel-вход и выполняет декодирование длинных записей блоками с окнами по 30 секунд. Доступны варианты F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 997 МБ до 3,11 ГБ. В тесте LibriSpeech test-clean показатель WER составил от 1,81% для F16 до 1,86% для Q4_K_M, что указывает на небольшую потерю качества при квантовании. Поддерживаются сегментные временные метки и потоковая обработка не поддерживается. Сильные стороны модели — широкая языковая поддержка, распознавание, определение языка и перевод речи, а также возможность выбора между качеством и требованиями к памяти благодаря нескольким вариантам квантования. Качество заметно зависит от языка: приведённые значения WER на наборе FLEURS существенно различаются, поэтому для менее распространённых языков необходима отдельная проверка. Модель распространяется по лицензии Apache-2.0.

cautroi/whisper-large-v3-id — дообученная модель распознавания речи на базе OpenAI Whisper large-v3, созданная Sanchit Gandhi. Она обучена на наборе Common Voice 11.0 и предназначена для преобразования речи в текст; карточка приводит WER 10,8842 на оценочной выборке. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и формат safetensors, запускается через Transformers. В метаданных для неё указан язык хинди. Базовая модель также поддерживает многоязычное распознавание и перевод аудио в текст. Лицензия — Apache-2.0. В карточке нет подробностей об условиях оценки и ограничениях качества, поэтому приведённый WER следует рассматривать только как результат на указанной оценочной выборке.

mlx-community/whisper-large-v3-turbo-4bit — мультиязычная модель распознавания речи на базе OpenAI Whisper large-v3-turbo, преобразованная сообществом mlx-community в формат MLX с 4-битным представлением. Она предназначена для преобразования аудиозаписей в текст и запуска на устройствах Apple через библиотеку mlx-audio-plus. Модель принимает аудио и выдаёт текст; исходная модель также поддерживает перевод речи в текст. Репозиторий распространяется по лицензии Apache-2.0.

mlx-community/whisper-large-v3-turbo-8bit — конверсия мультиязычной модели распознавания речи OpenAI Whisper Large V3 Turbo в формат MLX; преобразование выполнено с помощью mlx-audio-plus версии 0.1.4. Модель предназначена для преобразования аудиозаписей в текст и запуска на совместимых с MLX устройствах. Модель относится к семейству Whisper и использует плотную архитектуру. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. В метаданных указана задача автоматического распознавания речи; исходная модель также поддерживает перевод аудио в текст. Качество распознавания зависит от языка, записи и фонового шума.

imTak/whisper_large_v3_turbo_Korean2 — дообученная модель распознавания речи на основе Whisper large-v3-turbo от OpenAI. Она предназначена для преобразования корейской речи в текст; в карточке указано дообучение на наборе Zeroth-Korean, а метаданные также связывают модель с Common Voice 17.0. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 905,2 млн параметров и работает через Transformers. На оценочном наборе автор приводит значение WER 5,2703 и loss 0,0670. Модель распространяется по лицензии MIT. Показатели приведены для указанного оценочного набора и сами по себе не гарантируют такое же качество на других данных и условиях записи.

juancopi81/whisper-medium-es — модель автоматического распознавания речи, созданная Juan Carlos Piñeros дообучением OpenAI Whisper Medium на наборе Mozilla Common Voice 11.0. Она принимает аудио и генерирует текстовую расшифровку; карточка указывает испанский язык. Архитектура — WhisperForConditionalGeneration, размер — 455,8 млн параметров; веса доступны в форматах PyTorch и Safetensors. Модель предназначена для транскрибирования испанской речи. В README приведены результаты оценки: WER 5,4218 на оценочном наборе и WER 5,88 на Google FLEURS. Модель распространяется по лицензии Apache-2.0. Карточка не описывает дополнительные ограничения или условия, кроме лицензии.

Это дообученная на наборе данных None модель OpenAI Whisper Medium для автоматического распознавания речи. Она принимает аудио и генерирует текстовую расшифровку; карточка сообщает результаты оценки: loss 0,5053 и Global WER 23,6218. Метаданные описывают базовую Whisper Medium как мультиязычную модель для распознавания и перевода речи, однако язык или языки, на которых специализируется это дообучение, не подтверждены. Модель использует архитектуру WhisperForConditionalGeneration и формат safetensors. Лицензия — Apache 2.0.

Whisper Tamil Medium — модель распознавания речи на основе архитектуры Whisper, дообученная Vasista22 на корпусах тамильской речи в рамках спринта по тонкой настройке Whisper. Модель принимает аудио и генерирует текстовую транскрипцию на тамильском языке; её можно применять для расшифровки записей и оценки качества распознавания на тамильских аудиокорпусах. Модель содержит около 455,8 млн параметров. В репозитории представлены варианты PyTorch и Flax; карточка также приводит пример использования через Whisper JAX. Обучение проводилось на нескольких общедоступных корпусах тамильской речи, включая IISc-MILE, ULCA, Shrutilipi, Microsoft Speech Corpus, Fleurs и Babel. Лицензия — Apache-2.0.

Wiz2Beagle-7b-v1 — объединённая текстовая генеративная модель, созданная автором maxcurrent с помощью VortexMerge kit на основе amazingvince/Not-WizardLM-2-7B и mlabonne/NeuralBeagle14-7B. Слияние выполнено методом TIES с градиентами плотности и весов; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров, веса доступны в формате safetensors. Контекстное окно — до 32 768 токенов. Модель предназначена для генерации текста и может применяться для диалогов, ответов на вопросы, следования инструкциям, рассуждений и творческого письма — эти сценарии соответствуют возможностям базовых моделей. В метаданных указана лицензия Apache-2.0. Данные о языковой специализации и отдельных проверках качества этого слияния не приведены.

patrickvonplaten/xls-r-300m-sv-cv8 — модель распознавания речи на базе wav2vec 2.0 XLS-R, дообученная на шведской части набора Mozilla Common Voice 8.0 (sv-SE). Она принимает аудио и преобразует речь в текст; архитектура использует CTC. На оценочной выборке карточка сообщает WER 0,2525 и loss 0,2779. Модель рассчитана на автоматическую транскрипцию шведской речи. Распространяется по лицензии Apache-2.0.

Модель anton-l/xtreme_s_xlsr_300m_fleurs_langid — классификатор аудио для определения языка речи. Её создал пользователь anton-l, дообучив facebook/wav2vec2-xls-r-300m на наборе GOOGLE/XTREME_S — FLEURS.ALL. Архитектура основана на Wav2Vec2ForSequenceClassification; размер модели — около 402,7 млн параметров. Модель принимает аудиозапись и предсказывает один из языковых классов, представленных в FLEURS. На оценочной выборке из 77 960 примеров общая точность составила 0,7271. Результаты существенно различаются по языкам: например, точность для русского — 0,9794, а для некоторых других языков она низкая. Лицензия — Apache-2.0. README не содержит дополнительных рекомендаций по использованию или подробного описания ограничений.