I.3Извлечение и структурирование данных

barozp/Qwen3.8-Whittle-MoE-27B-MLX-4bit — 4-битная версия модели, преобразованная в формат MLX для Apple Silicon. Разработчик конверсии — barozp; исходная модель logic65/Qwen3.8-Whittle-MoE-27B-A17.8B создана на основе Qwen/Qwen3.8-27B. Это постфактум сформированная MoE-модель с 27 млрд параметров, из которых 17,8 млрд активны во время обработки токена. В каждом слое используются 64 маршрутизируемых экспертных фрагмента и один общий эксперт; маршрутизатор выбирает 16 из 64 фрагментов. Вариант v2.1 включает обучение маршрутизаторов, балансировку и обучение против зацикливания. Модель предназначена для генерации текста, диалоговых сценариев, рассуждений и локального запуска через mlx-lm, включая OpenAI-совместимый локальный сервер. Она поддерживает только текстовый режим. Контекст, перечень языков и специализированные показатели производительности в README не указаны. К преимуществам относятся MoE-архитектура с меньшим числом активных параметров, 4-битное квантование с group size 64 и адаптация к экосистеме MLX, что делает модель ориентированной на запуск на устройствах Apple Silicon. Ограничения включают отсутствие MTP head: модель работает только авторегрессионно, а MTPLX speculative decoding не поддерживается. В исходных экспериментах после обучения маршрутизаторов показатель на тесте знаний составил 27/39, а в версии v2.1 — 28/39; частота одношаговых зацикливаний снизилась до 8%, а доля ошибок структурированного вывода составила 22%. Эти результаты относятся к описанным автором тестам и не заменяют независимую оценку. Модель распространяется по лицензии Apache-2.0.

Qwen3-ForcedAligner-0.6B-GGUF — это GGUF-конверсия модели Qwen3-ForcedAligner-0.6B, разработанной командой Qwen. Модель предназначена для forced alignment: она принимает аудиозапись и готовую расшифровку и в одном проходе предсказывает временные метки для слов или токенов. Это позволяет получать пословные тайминги и субтитры с временным разрешением 80 мс, в том числе при использовании различных бэкендов автоматического распознавания речи через CrispASR. Архитектура включает 24-слойный аудиоэнкодер с d_model 1024, 28-слойное тело Qwen3 с d_model 1024, 16 attention heads и 8 KV heads, а также специализированную 5000-классовую голову для предсказания временных интервалов. В отличие от ASR-моделей, она не генерирует текст авторегрессивно, а обрабатывает всю пару «аудио, текст» одним прямым проходом. Доступны варианты F16, Q8_0, Q5_0 и Q4_K размером примерно от 0,53 до 1,84 ГБ. Поддерживаются китайский, английский, кантонский, французский, немецкий, итальянский, японский, корейский, португальский, русский и испанский языки. Сильные стороны модели — однопроходное выравнивание, широкая языковая поддержка, совместимость с разными транскрипционными бэкендами и наличие компактных квантованных вариантов. Ограничение текущей C++-обёртки — использование разбиения текста по пробелам, что менее эффективно для китайского и японского языков; для них предпочтительнее upstream-реализация с языково-специфической токенизацией. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-2B-Thinking-abliterated-v1-GGUF — мультимодальная vision-language модель от prithivMLmods, созданная на базе Qwen3-VL-2B-Thinking компании Alibaba. Это GGUF-сборка для локального запуска, представленная в нескольких вариантах квантования и формате F16; размер файлов варьируется примерно от 516 МБ до 3,45 ГБ. Модель предназначена для задач image-text-to-text: анализа изображений, подробного описания сцен, визуального рассуждения, ответов на инструкции и работы с изображениями различной сложности, разрешения, соотношения сторон и компоновки. Основной язык — английский; README также заявляет о поддержке других языков через соответствующие запросы. Указаны возможности пошагового визуального анализа, формирования кратких или развернутых ответов и применения в исследовательских, творческих, технических, red-teaming и агентных сценариях. Ключевая особенность версии — abliteration, направленная на устранение отказов в ответах и традиционных фильтров безопасности. Это может повысить гибкость при работе с чувствительным или нестандартным содержанием, но одновременно снижает встроенные защитные ограничения и требует осторожного применения. Модель содержит около 2 млрд параметров, однако сведения о размере контекстного окна, точной архитектуре и объективных результатах тестирования в README не приведены. Распространяется по лицензии Apache-2.0.

Qwen3-VL-8B-Instruct-MLX-8bit — мультимодальная модель класса image-text-to-text, разработанная Qwen на основе Qwen3-VL-8B-Instruct. Она предназначена для обработки изображений и текста, включая сценарии визуального анализа и генерации текстовых ответов по представленному контексту. Модель содержит 8 миллиардов параметров и представлена в 8-битной квантизированной версии MLX, оптимизированной для работы на устройствах с Apple Silicon. Квантизацию выполнила команда LM Studio с использованием mlx_vlm. В README не указаны поддерживаемые языки, максимальная длина контекста и детальные сведения об архитектуре или результатах оценки качества. Ключевые преимущества модели — мультимодальность, относительно компактный размер по сравнению с более крупными вариантами и оптимизация для локального запуска на Apple Silicon. Ограничения связаны с потерями точности, возможными для 8-битной квантизации, а также с тем, что модель может генерировать неточные или неподходящие ответы. Модель распространяется по лицензии Apache 2.0.

Qwen3.5-397B-A17B-GGUF — набор GGUF-квантизаций базовой модели Qwen/Qwen3.5-397B-A17B, подготовленный bartowski с использованием llama.cpp и метода imatrix. Исходная модель разработана командой Qwen; конкретные сведения о внутренней архитектуре, языках и размере контекста в представленном README не указаны. Модель имеет заявленный pipeline image-text-to-text, поэтому предназначена для задач генерации текста с обработкой текстово-графических входов, однако подробности поддерживаемых модальностей не приведены. Доступны варианты квантования от Q8_0 до Q3 и IQ-серий, с размером файлов примерно от 188 до 429 ГБ. Старшие варианты обеспечивают более высокое качество, а младшие требуют меньше оперативной памяти, но могут заметно уступать по качеству. Для запуска подходят llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Также заявлена поддержка MTP-слоёв в новых версиях llama.cpp с параметром draft-mtp. Большой размер модели предъявляет крайне высокие требования к памяти и вычислительным ресурсам. Распространяется по лицензии Apache-2.0. README не содержит результатов бенчмарков, точных характеристик архитектуры, языкового охвата, длины контекста или подробного описания ограничений исходной модели.

Replete-LLM-Mist-Nemo-12b-GGUF — это набор квантизированных GGUF-версий языковой модели Replete-LLM-Mist-Nemo-12b, разработанной Replete-AI и преобразованной bartowski с использованием llama.cpp и imatrix-квантизации. Модель предназначена для генерации текста и локального запуска в совместимых средах, включая LM Studio. В метаданных указан английский язык и лицензия Apache-2.0. Модель относится к классу текстовых генеративных моделей, имеет размер 12 млрд параметров и связана с архитектурой Mistral. Доступны варианты от F32 до компактных IQ2/Q2/Q3 и более качественных Q4–Q8-квантизаций. Размер файлов варьируется примерно от 4,44 до 49 ГБ, что позволяет выбирать между качеством генерации и требованиями к оперативной памяти. Рекомендуемыми названы, в частности, варианты Q4_K_M, Q5_K_M, Q6_K и Q6_K_L. Сильной стороной набора является широкий выбор уровней квантизации для локального использования: высококачественные варианты должны минимально отличаться от исходных весов, а компактные подходят для систем с ограниченной памятью. При этом качество снижается на более агрессивных уровнях квантизации. Контекст модели, мультимодальные возможности и дополнительные языки в README не указаны. Шаблон чата также не задан; предложенный формат является стандартным и может быть некорректен, поэтому его следует сверять с карточкой исходной модели.

Rombos-LLM-V2.6-Nemotron-70b-GGUF — это набор квантованных версий языковой модели Rombos-LLM-V2.6-Nemotron-70b, опубликованный и подготовленный к квантованию пользователем bartowski. Модель предназначена для генерации текста и распространяется в формате GGUF для запуска с помощью llama.cpp и совместимых приложений, включая LM Studio. Квантование выполнено с использованием imatrix на базе llama.cpp b3930. Доступны варианты квантования от Q8_0 до IQ1_M с размерами файлов примерно от 19 до 75 ГБ. Более высокие уровни квантования обеспечивают лучшее сохранение качества, но требуют больше оперативной памяти; в README рекомендуются варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS. Версии с низким уровнем квантования экономичнее по памяти, однако отличаются сниженным качеством. Это текстовая модель без заявленной поддержки изображений или других модальностей. README не содержит сведений о точной архитектуре, языках, размере контекста, разработчике исходной модели, лицензии и результатах независимого тестирования. Поэтому модель можно рекомендовать для локальной генерации текста при наличии подходящего объёма памяти, но её языковые возможности, ограничения и условия юридического использования следует уточнять на странице исходной модели rombodawg/Rombos-LLM-V2.6-Nemotron-70b.

Rombos-LLM-V2.6-Qwen-14b — диалоговая языковая модель автора Rombodawg, представленная как обновлённая версия Rombos-LLM-V2.5-Qwen-14b. Это плотная модель семейства Qwen2, дообученная на базе Qwen/Qwen2.5-14B-Instruct; она содержит 14 млрд параметров и предназначена для генерации текста и диалогов. Карточка сообщает о результатах ручного сравнения с предыдущей версией и приводит оценки IFEval и BBH, но подробности метода дообучения и бенчмарков ограничены. Модель работает через Transformers, распространяется в формате safetensors и поддерживает контекст до 131 072 токенов. Метаданные указывают на интерфейс вызова инструментов, однако README не описывает его применение. Лицензия — Apache-2.0. Языки и специальные предметные области в карточке не обозначены.

Ruri v3 310M — модель текстовых эмбеддингов для японского языка, разработанная cl-nagoya на базе cl-nagoya/ruri-v3-pt-310m. Это дообученная Sentence Transformer-модель с архитектурой ModernBERT-Ja и 314,6 млн параметров; она преобразует текст в векторы размерности 768 для сравнения по косинусному сходству. Максимальная длина последовательности — 8192 токена. Модель использует словарь из 100 тысяч токенов, SentencePiece и FlashAttention; для токенизации не требуется внешняя сегментация японского текста. Модель предназначена для поиска по смыслу, оценки сходства предложений и документов, ранжирования и других задач на японском тексте. В README приведена оценка JMTEB: средний результат 77,24; также представлены результаты по поиску, семантическому сходству, классификации, переранжированию и кластеризации. Модель поддерживает японский язык и распространяется по лицензии Apache 2.0.

Ruri v3 PT 70M — японская модель для получения эмбеддингов текста, разработанная cl-nagoya на основе ModernBERT-Ja от SB Intuitions. Она предназначена для представления предложений и текстов в виде векторов, пригодных для сравнения семантической близости и поиска похожих фрагментов. Модель содержит 70 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 8192 токенов. Это предварительно обученная версия Ruri v3; карточка рекомендует для готового применения дообученный вариант cl-nagoya/ruri-v3-70m. Модель ориентирована на японский язык. Распространяется по лицензии Apache-2.0.

ruT5-base — предварительно обученная русскоязычная трансформерная модель семейства T5, разработанная командой SberDevices. Это архитектура encoder-decoder с примерно 123,8 млн параметров по метаданным Hugging Face; карточка README приводит другую оценку — 222 млн параметров. Модель использует BPE-токенизатор со словарём 32 101 токен и рассчитана на контекст до 512 токенов. Модель предназначена для задач преобразования текста в текст: она может служить основой для генерации, перефразирования, суммаризации и других русскоязычных NLP-сценариев. README ссылается на препринт о семействе предварительно обученных трансформерных языковых моделей для русского языка и описывает обучение на корпусе объёмом 300 ГБ. Модель поддерживает русский язык и распространяется в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют; перед использованием следует проверить условия на странице репозитория Hugging Face.

SenseVoiceSmall-GGUF — это GGUF-сборка модели SenseVoiceSmall, разработанной командой FunAudioLLM. Модель предназначена для автоматического распознавания речи и запускается через CPU-ориентированный runtime FunASR llama.cpp без необходимости использовать Python или собирать программное обеспечение самостоятельно. Она рассчитана на локальное применение на компьютерах и edge-устройствах, включая обработку аудиофайлов и длинных записей с использованием VAD-модуля. В основе модели лежит архитектура SAN-M encoder с CTC-декодированием. Она поддерживает китайский и английский языки, а также может добавлять к результату теги языка, эмоций и звуковых событий. Доступны варианты весов в форматах F16 размером около 470 МБ, Q8 размером около 235 МБ и F32 размером около 936 МБ; для Q8 заявлена точность, сопоставимая с F16. На CPU с восемью потоками модель достигает примерно 8,01% CER на указанном Mandarin-бенчмарке и работает примерно в 20 раз быстрее реального времени по данным README. К сильным сторонам относятся высокая скорость на CPU, автономный запуск, отсутствие обязательной зависимости от Python и поддержка дополнительных языковых, эмоциональных и событийных тегов. Ограничения включают заявленную поддержку только китайского и английского языков, необходимость отдельного VAD-модуля для длинного аудио и привязку к FunASR llama.cpp runtime. Модель распространяется по лицензии Apache-2.0.

Это дообученная разговорная языковая модель семейства Llama, опубликованная mazzaqq и основанная на unsloth/meta-llama-3.1-8b-instruct-bnb-4bit. Модель предназначена для генерации текста и диалогов; в репозитории указаны веса в формате safetensors, а метаданные описывают плотную архитектуру LlamaForCausalLM объёмом 7,5 млрд параметров и контекст до 131072 токенов. Модель поддерживает английский язык. Метаданные отмечают чат и интерфейс вызова инструментов. Карточка сообщает, что обучение выполнено с Unsloth и библиотекой TRL, но не описывает конкретную специализацию дообучения или результаты оценки качества. Лицензия — Apache-2.0.

IB13/sft_t5_base_processed_model — дообученная модель генерации текста семейства T5 на основе google/flan-t5-base. Она содержит 123,8 млн параметров, использует архитектуру T5ForConditionalGeneration и принимает текст, чтобы генерировать текст в формате text-to-text. Базовая модель обучена следовать инструкциям и поддерживает разнообразные NLP-задачи; конкретная специализация этого дообучения и обучающий датасет не описаны. Длина контекста составляет 512 токенов. Модель можно применять для генерации ответов и выполнения текстовых преобразований. Она распространяется по лицензии Apache-2.0. Качество и ограничения дообученной версии не описаны.

SigLIP 2 So400m — модель семейства SigLIP 2, разработанная Google и предназначенная для сопоставления изображений и текста. Её применяют для классификации изображений по произвольным текстовым меткам, поиска изображений по текстовому запросу и как визуальный энкодер для мультимодальных моделей и других задач компьютерного зрения. Модель использует плотную архитектуру SigLIP и представлена в формате safetensors; работать с ней можно через Transformers. Предобучение проведено на наборе WebLI. SigLIP 2 развивает подход к предобучению SigLIP, объединяя его с ранее разработанными методами для улучшения семантического понимания, локализации и извлечения плотных признаков. Лицензия — Apache 2.0. Модель обрабатывает изображения и текстовые метки и выдаёт оценки соответствия; качество зависит от формулировок меток и характеристик изображений. README не приводит конкретных ограничений применения.

silero-vad-v5 — модель обнаружения голосовой активности Silero, опубликованная Vokra в формате GGUF для runtime Vokra. Это конверсия исходных весов snakers4/silero-vad версии 5, а не новая или дообученная модель. Репозиторий содержит файл размером 2,1 МБ с архитектурой silero-vad. Модель предназначена для выделения участков речи в аудиозаписях и потоках речи. Для указанного в README сценария на вход подаётся монофонический WAV с частотой 16 кГц, а результатом являются сегменты с обнаруженной речью. Формат GGUF позволяет runtime Vokra напрямую отображать файл в память. Модель распространяется по лицензии MIT. Карточка не описывает другие частоты дискретизации, языковые ограничения или показатели качества.

Sina-Loki-7b-Merge — экспериментальная объединённая языковая модель из серии DARE merges. Репозиторий содержит веса в формате Safetensors; по метаданным модель построена на плотной архитектуре MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для генерации текста. Модель опубликована Azazelle по лицензии CC BY 4.0.

Модель yjoonjang/stsb-quora-distilroberta-linear-merge — демонстрационное линейное слияние двух англоязычных Cross-Encoder-моделей на базе DistilRoBERTa: cross-encoder/stsb-distilroberta-base и cross-encoder/quora-distilroberta-base. Разработчик объединил их веса методом linear с коэффициентами 0,5 и 0,5; это пример работы функции слияния CrossEncoder в Sentence Transformers, а не выпуск модели, специально настроенной под отдельную задачу. Модель предназначена для оценки и ранжирования пар текстов по семантической близости, в частности для сценариев семантического сходства и поиска похожих вопросов. Архитектура — RobertaForSequenceClassification, размер — 95,2 млн параметров, максимальный родной контекст — 514 токенов. Модель принимает текстовые пары и выдаёт оценки релевантности или сходства. Доступны форматы safetensors, Flax и OpenVINO. Это демонстрационная объединённая модель; README не приводит результатов оценки качества, поэтому её пригодность для конкретной задачи следует проверять отдельно. Лицензия в предоставленных данных не указана.

Swallow-MS-7b-instruct-v0.1 — диалоговая языковая модель TokyoTech-LLM, созданная на базе Mistral-7B-v0.1 с продолженным предварительным обучением и настройкой на выполнение инструкций. Это плотная модель MistralForCausalLM с 7,2 млрд параметров, работающая с текстом и контекстом до 4096 токенов. Модель предназначена для диалогов и выполнения инструкций на японском и английском языках. Она подходит для генерации ответов, письма, ролевых диалогов, рассуждений, извлечения информации и базовых задач по STEM и программированию. Токенизатор с расширенным японским словарём эффективнее представляет японский текст, что может ускорять обработку. Для instruct-версии авторы рекомендуют указанный в карточке формат диалога; отклонение от него может ухудшить ответы. Авторы предупреждают, что модель находится на раннем этапе разработки и не настроена для надёжного следования человеческим намерениям и требованиям безопасности. Результаты также заметно различаются между задачами: в опубликованной оценке особенно слабыми были математика и программирование. Лицензия — Apache-2.0.

T3qm7xNeuralsirkrishna_Strangemerges_30Pastiche — объединённая текстовая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/Strangemerges_30Pastiche-7B и предназначена для генерации текста и диалогов. Модель принимает текст и выдаёт текст. Контекст составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Сведения о специализации на определённой области или языке отсутствуют, поэтому модель следует считать общего назначения.

Это GGUF-квантизированная версия языковой модели Big-Alice-28B-v1, разработанной TheDrummer. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может применяться в локальных сценариях общения с LLM, написания и преобразования текста, а также в других задачах текстовой генерации. Доступны варианты от BF16 до низкобитных Q2 и IQ-квантизаций. Размер исходной модели составляет 28B параметров; размер файлов варьируется примерно от 12 до 57,22 ГБ в зависимости от формата. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5, Q6 и IQ4_XS; более качественные квантизации требуют больше оперативной или видеопамяти, а низкобитные версии экономят ресурсы ценой снижения качества. Поддерживаются запуск через llama.cpp, LM Studio и другие совместимые проекты. Предусмотрен шаблон prompt в формате ChatML с ролями system, user и assistant. В README не указаны точные поддерживаемые языки, размер контекстного окна, мультимодальные возможности и детальные результаты оценки качества, поэтому эти характеристики нельзя определить по имеющимся данным. Модель распространяется по лицензии MIT.

Thox1-27b — крупная языковая модель семейства Qwen3.5, представленная в виде квантизированной GGUF-версии на 27 млрд параметров. Она основана на s3nh/Bonsai-27B-unpacked-abliterated-uncensored и связана с экосистемой THOX.ai LLC. Модель предназначена для локальной генерации текста на устройствах и периферийных системах с использованием llama.cpp, обеспечивая работу с данными без обязательной передачи в облако. Архитектура включает 64 слоя, скрытое представление размером 5120, 24 attention heads, 4 KV heads с GQA, промежуточный размер FFN 17408 и словарь из 248 320 токенов. Весовая версия использует крайне компактную 1-битную квантизацию Q1_0 и занимает около 4,67 ГБ. Конфигурация допускает контекст до 262 144 токенов, однако в карточке модели заявлена подача с контекстом 8192 токена. Исходная конфигурация описывает мультимодальную VLM-архитектуру с vision tower, но данная версия обслуживается в текстовом режиме; заявлен английский язык. К сильным сторонам относятся небольшой для модели такого размера объём файла, возможность локального запуска и ориентация на on-device-сценарии. Ограничения связаны с потерями качества, характерными для 1-битной квантизации, отсутствием заявленной поддержки изображений в режиме llama.cpp и отсутствием safety alignment: модель описана как abliterated и uncensored, поэтому для публичных приложений рекомендуется использовать внешние защитные механизмы. В карточке указана лицензия Apache-2.0, но полную совместимость лицензионной цепочки с базовой моделью необходимо дополнительно проверить.

TIPSv2 SO400m/14 — контрастивная модель компьютерного зрения и языка из семейства TIPSv2, предназначенная для сопоставления изображений с текстовыми описаниями. Вариант SO400m/14 разработан Google и содержит визуальный энкодер ViT на 412 млн параметров и текстовый энкодер Transformer на 448 млн параметров; размер совместного пространства эмбеддингов — 1152 измерения. Модель подходит для классификации изображений по текстовым меткам без дообучения, извлечения согласованных текстовых и визуальных признаков, а пространственно насыщенные представления могут использоваться в сценариях сегментации. Визуальный и текстовый энкодеры имеют по 27 слоёв; изображения можно подавать с разным разрешением после преобразования значений пикселей в диапазон [0, 1], а текст обрабатывается SentencePiece-токенизатором с ограничением в 64 токена. Модель принимает изображения и текст и выдаёт эмбеддинги и оценки соответствия. Репозиторий распространяется по лицензии Apache-2.0. Для текстового ввода указана предварительная обработка в нижний регистр и максимум 64 токена; характеристики качества на конкретных наборах данных в карточке не приведены.

uzbek-llama-3.1-8B-instruct-v2-GGUF — квантизированная в формате GGUF версия модели Llama-3.1-8B-Instruct-Uz, разработанной behbudiy и подготовленной квантизацией mradermacher. Модель основана на Llama 3.1 с 8 млрд параметров и ориентирована на генерацию текста по инструкциям, ответы на вопросы, суммаризацию и перевод. В обучении использовались наборы yahma/alpaca-cleaned, behbudiy/alpaca-cleaned-uz и behbudiy/translation-instruction. Заявлены узбекский и английский языки. Модель доступна в нескольких вариантах GGUF-квантизации — от Q2_K размером около 3,3 ГБ до Q8_0 размером около 8,6 ГБ, а также в формате f16 размером около 16,2 ГБ. В README рекомендуются варианты Q4_K_S и Q4_K_M как быстрые; Q6_K описан как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством среди указанных. Квантизация уменьшает требования к памяти, но более компактные варианты могут уступать по качеству менее сжатым. Модель подходит для локального запуска и прикладных задач обработки текста на узбекском и английском языках. Данные о длине контекста, точной архитектуре базовой модели, поддерживаемых модальностях помимо текста, результатах оценки и системных требованиях не указаны. Лицензия обозначена как llama3.1; перед использованием следует проверить её условия и ограничения.

Voz — модель распознавания речи от Desert Ant Labs, предназначенная для локальной транскрибации аудио на iPhone, iPad, Mac, Windows, в браузере и Node.js. В её основе NVIDIA Parakeet TDT 0.6B v3: веса преобразованы и сжаты для запуска на устройствах, при этом, согласно README, сами веса не дообучались. Репозиторий содержит сборки Core ML, ONNX и TensorFlow Lite; на устройствах Apple вычисления выполняются на Neural Engine. Модель разбивает запись на окна по 15 секунд и может возвращать текст с временными метками для отдельных слов. Поддерживает 25 языков, включая русский, английский, немецкий, итальянский и украинский; принимает моно- и стереоаудио с разной частотой дискретизации. Для Parakeet TDT 0.6B v3 указана лицензия CC BY 4.0; карточка Voz обозначает лицензию как other и отсылает к THIRD_PARTY_NOTICES.md, поэтому условия использования самой сборки следует сверять с этим файлом. По результатам README, точность зависит от языка и типа записи: модель хорошо работает на ряде языков, но для подкастов и совещаний может потребоваться ручная проверка, а для некоторых языков качество заметно ниже.

V-SPLADE Quality — модель NAVER для поиска визуальных документов по текстовому запросу. Она кодирует изображения страниц PDF, слайдов и сканов в разреженные векторы, пригодные для поиска через инвертированный индекс; текстовые документы также поддерживаются. Размер модели — 250 млн параметров, архитектура основана на ModernVBERT. Для запросов используется обученный Bag-of-Words lookup без нейронного кодирования во время обслуживания, поэтому запросы можно обрабатывать без GPU, а страницы — индексировать напрямую, без предварительного OCR или генерации подписей. В README приведены результаты на бенчмарках поиска документов и сравнение скорости построения индекса с OCR- и caption-подходами. Модель предназначена для поиска по сканированным отчётам, презентациям и другим документам, представленным изображениями страниц. Для работы с изображениями требуется Sentence Transformers с поддержкой изображений и Transformers версии не ниже 5.3.0. Репозиторий распространяется по лицензии Apache-2.0. В карточке указаны английский язык и задачи извлечения признаков, заполнения пропусков и оценки сходства предложений; описанный сценарий поиска при этом использует изображения документов и текстовые запросы.

mitkaj/w2v2BERT-CZ-CV-17.0 — модель распознавания чешской речи, созданная дообучением facebook/w2v-bert-2.0 разработчиком mitkaj. Она использует архитектуру Wav2Vec2BertForCTC и CTC-обучение на наборе Czech Common Voice; словарь модели содержит 51 токен. Модель принимает аудио и выдаёт текстовую транскрипцию на чешском языке. Модель предназначена для автоматического распознавания чешской речи, в том числе записей, похожих на данные Common Voice. В карточке указана оценка WER 5,83% на чешском тестовом наборе. Число параметров — около 402,7 млн. Длина контекста не указана в доступных материалах. Лицензия — MIT.

Yehor/w2v-xls-r-uk — модель автоматического распознавания украинской речи от автора Yehor, дообученная на основе facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC семейства wav2vec2, содержит 402,7 млн параметров и принимает аудио, преобразуя его в текст. В метаданных указан датасет Common Voice 10.0 для украинского языка. Модель подходит для транскрибации украинской речи и распознавания записей. В карточке приведены результаты оценки: WER 20,24% и CER 3,64%; для оценки использовались float16 и batch_size=1. README предупреждает, что следует использовать обновлённую модель. Модель опубликована под лицензией Apache-2.0.

ceyda/wav2vec2-base-760-turkish — модель распознавания речи на турецком языке, разработанная на основе ceyda/wav2vec2-base-760 и дообученная на обучающей и валидационной выборках Common Voice. Это архитектура Wav2Vec2 с CTC-декодированием, содержащая 113,3 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; её можно использовать без языковой модели. Модель подходит для транскрибации турецкой речи и оценки систем распознавания на тестовой выборке Common Voice. В README приведены результаты на этой выборке: WER 22,60 и CER 6,05. Модель распространяется по лицензии Apache-2.0.

Модель dragonSwing/wav2vec2-base-vietnamese — акустическая модель распознавания вьетнамской речи на основе Wav2Vec2 с классификационной головой CTC. Разработчик дообучил dragonSwing/wav2vec2-base-pretrain-vietnamese на 100 часах размеченных аудиоданных набора VSLP. В репозитории представлены веса PyTorch и Safetensors, размер модели — 113,3 млн параметров. Модель предназначена для преобразования вьетнамской речи в текст, в том числе для расшифровки аудио и распознавания речи в приложениях. Для входной речи требуется частота дискретизации 16 кГц; в README приведён результат оценки 31,35% на вьетнамской тестовой части Common Voice. Модель выпущена по лицензии Apache-2.0.