I.3Извлечение и структурирование данных

Это модель CLIP с визуальным энкодером ViT-B/16, обученная на наборе LAION-400M. Её подготовили для использования в экосистемах open_clip и timm; она сопоставляет изображения и текстовые описания в общем пространстве признаков. Модель предназначена для классификации изображений по текстовым меткам без отдельного обучения на этих классах: пользователь задаёт варианты описаний, а модель оценивает их соответствие изображению. Её также можно применять для получения признаковых представлений изображений и текста в совместимом пайплайне CLIP. Размер входного изображения в названии модели — 224 пикселя; точные параметры контекста текста в доступной карточке не приведены. Репозиторий содержит веса PyTorch и safetensors. Лицензия — MIT. Описание карточки не сообщает об ограничениях качества, языковой специализации или подробных режимах применения; результаты могут зависеть от формулировок текстовых меток и состава обучающих данных.

ViT-SO400M-16-SigLIP-i18n-256 — мультиязычная контрастивная модель сопоставления изображений и текста на основе SigLIP, опубликованная timm. Она обучена на наборе WebLI с мультиязычным токенизатором и предназначена для классификации изображений по текстовым описаниям без дообучения: модель оценивает соответствие изображения и вариантов текста. Через OpenCLIP доступны обработка изображений и текста и zero-shot классификация; через timm — получение эмбеддингов изображений. Чекпойнт преобразован из исходных весов JAX проекта Big Vision в PyTorch и распространяется в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

GroNLP/wav2vec2-dutch-large-ft-cgn — модель распознавания нидерландской речи, разработанная на основе архитектуры Wav2Vec2. Исходную англоязычную facebook/wav2vec2-large дополнительно предварительно обучили на нидерландской речи из корпуса Het Corpus Gesproken Nederlands, а затем дообучили с помощью CTC. Модель содержит около 402,7 млн параметров и принимает аудио, выдавая распознанный текст. Модель предназначена для автоматической транскрипции нидерландской речи. В карточке указаны форматы PyTorch и Safetensors; лицензия и ограничения по применению в предоставленных данных не описаны.

tomascufaro/wav2vec2-large-xls-r-300m-spanish-small-v3 — дообученная модель распознавания речи на базе jhonparra18/wav2vec2-large-xls-r-300m-spanish-custom. Она использует архитектуру wav2vec2 с классификационной головой CTC и предназначена для преобразования испанской речи в текст. Модель обучалась на Common Voice; в карточке указаны значения Loss 0,3986 и WER 0,1980 на наборе оценки. Репозиторий содержит веса PyTorch и насчитывает около 402,7 млн параметров. Лицензия в доступных данных не указана.

Модель oliverguhr/wav2vec2-large-xlsr-53-german-cv9 разработана как дообученная версия facebook/wav2vec2-large-xlsr-53 для распознавания немецкой речи. Это плотная модель архитектуры Wav2Vec2 с головой CTC и примерно 402,7 млн параметров. Она обучена на немецкой части Mozilla Common Voice 9.0 и предназначена для преобразования аудиозаписей речи в текст. На тестовой выборке указаны CER 2,27 и WER 9,48. Модель принимает аудио и выдаёт текст; основным языком является немецкий. Репозиторий содержит веса PyTorch и Safetensors, а также формат ONNX. Модель распространяется по лицензии Apache-2.0. README не описывает ограничения и условия записи аудио; результаты тестирования относятся к указанному набору данных и могут не отражать качество на других источниках речи.

aware-ai/wav2vec2-large-xlsr-53-german-with-lm — акустическая модель распознавания речи на базе Wav2Vec2 XLSR-53, дополненная языковой моделью KenLM. Она предназначена для преобразования немецкой речи в текст; в карточке приведена оценка на тестовой части Common Voice: WER около 5,75% и CER около 1,90%. Архитектура модели — Wav2Vec2ForCTC, размер — 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст на немецком языке. В README указано, что акустическая часть скопирована с модели jonatasgrosman и для неё обучена соответствующая языковая модель KenLM. Файлы доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

Модель jonatasgrosman/wav2vec2-large-xlsr-53-greek — система автоматического распознавания греческой речи, созданная дообучением facebook/wav2vec2-large-xlsr-53. Она принимает аудио и преобразует речь в текст; для входной записи требуется частота дискретизации 16 кГц. Модель основана на архитектуре wav2vec2, использует CTC-выход и содержит около 402,7 млн параметров. Для дообучения использовались обучающая и валидационная части Common Voice 6.1 и CSS10. В оценке на греческой тестовой выборке Common Voice указаны WER 11,62% и CER 3,36%; результаты могут отличаться при других настройках оценки. Модель распространяется по лицензии Apache-2.0.

wav2vec2-nepali — модель распознавания речи, разработанная Анишем Шилпакаром путём дообучения Facebook wav2vec2 на данных OpenSLR для непальского языка. Архитектура Wav2Vec2ForCTC содержит около 402,7 млн параметров; модель принимает аудио и преобразует непальскую речь в текст. Подходит для расшифровки речи и голосового ввода, а также для интеграции в системы суммаризации речи или перевода. В карточке заявлена точность 91% в обычных условиях, однако метрика описана без подробностей о протоколе оценки. Модель распространяется в формате PyTorch; сведения о лицензии в предоставленных материалах отсутствуют.

WeDLM-7B-Instruct — инструкционно дообученная диффузионная языковая модель Tencent на 7,1 млрд параметров, созданная на основе tencent/WeDLM-7B. Она генерирует текст с параллельным декодированием при стандартном причинном механизме внимания и поддерживает диалог и выполнение инструкций. Модель предназначена для генерации ответов и многошагового общения; для ускоренного вывода разработчики рекомендуют движок wedlm, а интерфейс Hugging Face Transformers описан как удобный для обучения и простых прямых проходов. В README приведены результаты на тестах ARC-C, GSM8K и MATH, но они различаются по задачам, поэтому эти цифры не гарантируют качество в конкретном приложении. Контекст в метаданных указан как 16 384 токена, тогда как README сообщает 32 768 токенов. Модель доступна на условиях лицензии Apache 2.0.

OpenVINO/whisper-medium-fp16-ov — модель автоматического распознавания речи, разработанная OpenAI и преобразованная в формат OpenVINO IR с весами в формате FP16. Она предназначена для транскрибации аудиозаписей в текст и поддерживает работу через Optimum Intel, OpenVINO GenAI и OpenVINO Model Server, включая интеграцию с OpenAI-совместимым клиентом. Модель основана на whisper-medium; в README не указаны её точный размер и архитектурные параметры. Заявлена поддержка широкого набора языков, включая английский, китайский, немецкий, испанский, русский, французский, японский и многие другие. Конкретный размер контекста и дополнительные модальности не указаны. Ключевая особенность версии — совместимость с OpenVINO версии 2025.2.0 и выше и Optimum Intel версии 1.23.0 и выше, что позволяет запускать инференс на поддерживаемых CPU и GPU. Сильными сторонами являются широкая языковая поддержка, оптимизированное представление OpenVINO IR и возможность развертывания локально или через серверную инфраструктуру. Ограничения и особенности качества следует уточнять в исходной карточке whisper-medium, на которую ссылается README. Модель распространяется по лицензии Apache-2.0.

whisper-medium-luganda — дообученная на базе OpenAI Whisper Medium модель для автоматического распознавания речи на языке луганда. Она принимает аудио и преобразует речь в текст; архитектура Whisper содержит 455,8 млн параметров. В метаданных указаны наборы Common Voice 16.1 и FLEURS, а также формат весов safetensors. Модель опубликована под лицензией Apache 2.0.

zuazo/whisper-small-es — дообученная модель распознавания речи на основе openai/whisper-small, созданная на датасете испанской речи Common Voice 13.0. Она предназначена для преобразования испанской речи в текст. Архитектура — WhisperForConditionalGeneration; модель содержит 153,1 млн параметров и работает с аудио на входе. В README для оценки на тестовой выборке указаны Loss 0,2212 и WER 8,2668. Модель распространяется по лицензии Apache-2.0, разрешающей использование, изменение и распространение с указанием авторов.

hadiqa123 выпустил XLS-R53english — англоязычную модель автоматического распознавания речи, дообученную для декодирования аудио в текст. Она основана на facebook/wav2vec2-large-xlsr-53, использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст; в карточке приведена оценка WER 0,3033 на тестовом наборе, но его состав не описан. Лицензия — Apache-2.0.

APEX-I-MiniPlus-V2.1 — это пользовательская квантизированная сборка модели XYZ-Aquila-mini от IsValorum в формате GGUF. Она предназначена для диалоговой генерации текста и рассуждений, в том числе для локального запуска с использованием системной RAM или частичной выгрузки на GPU. В README заявлены архитектура Mixture-of-Experts с 40 слоями и 256 микроэкспертами, файл размером около 14,75 ГБ, средний размер 3,40 бита на вес и поддержка контекста до 256 тысяч токенов; эти характеристики приведены автором сборки.

yam-sam-7B — объединённая языковая модель, созданная mayacinka с помощью LazyMergekit на основе cognitivecomputations/samantha-mistral-7b, CorticalStack/shadow-clown-7B-dare и yam-peleg/Experiment26-7B. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста. Заявленная длина контекста — 32 768 токенов. В карточке приведены результаты Open LLM Leaderboard: среднее значение 74,58, оценка ARC (25-shot) 70,90 и HellaSwag (10-shot) 87,92. Модель принимает текст и генерирует текст; сведений о целевых языках и специализированных предметных областях в доступных данных нет. Лицензия — Apache-2.0.

ZEUS 8B V13 — плотная языковая модель семейства Llama 3.1, созданная T145 слиянием нескольких моделей методом DARE TIES. В качестве основы использована unsloth/Meta-Llama-3.1-8B-Instruct; в слияние также вошли Llama-3.1-SuperNova-Lite, Llama-3.1-Storm-8B и Llama-3.1-8B-Lexi-Uncensored-V2. Модель содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, включая ответы на инструкции; её можно применять для продолжения текста и ведения беседы. Карточка приводит результаты оценивания на Open LLM Leaderboard, в том числе IFEval и BBH, но не описывает конкретные языки или специализированные предметные области. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Llama 3.1.

AfriqueQwen-14B — плотная причинная языковая модель семейства Qwen3, разработанная в рамках набора AfriqueLLM и дообученная методом продолженного предобучения на многоязычных данных. Она основана на Qwen/Qwen3-14B-Base, содержит 14 млрд параметров и использует контекст до 32 768 токенов. Для адаптации использовано около 26 млрд токенов; основное внимание уделено 20 африканским языкам, при этом обучение также сохраняло возможности на английском, французском, португальском и арабском. Модель предназначена для генерации текста и диалоговых сценариев на африканских языках, а также для многоязычных задач, включая перевод документов с длинным контекстом. В обучающие данные включены тексты, код, математические материалы и синтетические переводы. Карточка сообщает об оценках на нескольких многоязычных бенчмарках, но не приводит в доступном фрагменте результаты именно этой модели. Репозиторий использует формат Safetensors и библиотеку Transformers; для развёртывания предлагаются vLLM или SGLang. Лицензия — CC BY 4.0.

AgentIR-4B — плотная текстовая модель для извлечения документов, разработанная авторами проекта AgentIR. Она дообучена на базе Qwen/Qwen3-Embedding-4B и предназначена для поиска в системах глубокого исследования, где агент передаёт вместе с запросом свой ход рассуждений. Совместное кодирование запроса и рассуждения помогает учитывать намерение и контекст агента при подборе материалов. Модель рассчитана на использование в исследовательских агентах и retrieval-системах; авторы сообщают об улучшении точности и сокращении числа итераций на BrowseComp-Plus. Это модель семейства Qwen3 с 3,7 млрд параметров, контекстом до 40 960 токенов и форматом safetensors. Метаданные указывают задачу feature-extraction; модель принимает текст и выдаёт текстовые эмбеддинги для поиска и сравнения. Лицензия в предоставленных данных не указана.

Aiden T5 — текстовая модель на архитектуре T5 от or4cl3ai, представленная как универсальная модель генерации и преобразования текста. В README заявлены генерация текста, перевод, суммаризация и ответы на вопросы; метаданные Hugging Face указывают задачу text-generation и формат PyTorch. В тегах перечислены датасеты по коду, диалогам, переводу, новостям и другим областям, однако точное назначение дообучения и проверенные характеристики модели не установлены. README заявляет доступ к интернету и BDI, а также 1,5 трлн параметров, 360 слоёв и результаты на нескольких бенчмарках. Эти утверждения не подтверждены метаданными, поэтому их нельзя считать надёжными характеристиками модели. Карточка описывает модель как находящуюся в разработке. Указана лицензия OpenRAIL.

Это GGUF-квантизированная версия языковой модели Olmo-3-7B-Instruct, разработанной Allen Institute for AI (AI2) и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и диалоговых сценариев на английском языке, включая работу через LM Studio, llama.cpp и другие проекты на базе llama.cpp. Модель содержит 7 миллиардов параметров и распространяется в формате GGUF с вариантами от BF16 до различных уровней квантования Q8, Q6, Q5, Q4, Q3 и Q2. Квантизация выполнена с использованием llama.cpp и метода imatrix; доступны файлы размером примерно от 3,26 до 14,60 ГБ. Для общения следует использовать шаблон с ролями system, user и assistant в формате специальных токенов im_start и im_end. Сведения о длине контекста, архитектурных деталях, мультимодальности и поддержке других языков в README не указаны. Сильной стороной модели является широкий выбор квантизированных вариантов, позволяющий адаптировать качество, размер файла и требования к оперативной памяти; варианты Q4 и выше описаны как рекомендуемые для большинства сценариев. Более компактные варианты экономят память, но обеспечивают более низкое качество. Модель предназначена для локального запуска, однако конкретные требования к производительности зависят от выбранного варианта квантования и оборудования. Лицензия — Apache-2.0.

aquif-3.5-8B-Think-GGUF — это квантизированная версия текстовой генеративной модели aquif-3.5-8B-Think, разработанной aquif-ai и подготовленной пользователем bartowski в формате GGUF. Модель предназначена для локального запуска и генерации текста через llama.cpp, LM Studio и другие совместимые проекты. Из доступных данных известно, что исходная модель имеет размер 8B параметров и поддерживает текстовую генерацию. Архитектура, языки, размер контекста, обучающие данные и специализированные сценарии применения не указаны. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3 и Q2, включая imatrix-квантизации. Старшие варианты обеспечивают более высокое качество, а младшие требуют меньше оперативной памяти, но сильнее теряют в качестве. Сильная сторона модели — широкий выбор файлов для подбора баланса между качеством, размером и требованиями к оборудованию; для большинства сценариев рекомендуется Q4_K_M, а варианты Q5 и Q6 позиционируются как высококачественные. Ограничения включают отсутствие в README сведений о формате промптов, языковой поддержке, контекстном окне и результатах оценки. Лицензия в предоставленных данных не указана.

smerchi/Arabic-Morocco-Speech_To_Text — дообученная модель распознавания речи на основе Whisper large-v3 от OpenAI. Она предназначена для преобразования аудио на арабском языке в текст; в карточке указан датасет Voice_Cleverlytics. Модель содержит 905,2 млн параметров и использует архитектуру WhisperForConditionalGeneration; веса представлены в формате Safetensors. Для запуска предусмотрена библиотека Transformers. Модель подходит для транскрибации речи на арабском языке, в частности марокканского варианта, о котором говорит название репозитория. Базовая Whisper large-v3 поддерживает многоязычное распознавание речи и перевод аудио в текст, однако карточка этой производной модели не приводит отдельные оценки качества или подробности обучения. Лицензия — Apache-2.0.

Карточка модели Edge0/Audio8-ASR-0.1B-onnx-runtime на Hugging Face совпадает с карточкой Audio8/Audio8-ASR-0.1B-onnx-runtime, поэтому описание составлено по ней. Audio8-ASR-0.1B ONNX Runtime — локальный пакет распознавания речи, связанный с основной моделью Audio8-ASR-0.1B. Он включает ONNX-графы и средства инференса через ONNX Runtime, а также веб-интерфейс, локальный HTTP API и CLI для транскрибирования аудиофайлов. Модель автоматически определяет язык речи; заявлена поддержка английского, китайского, кантонского, французского, японского, немецкого и корейского языков. Пакет содержит варианты графов декодера fp32, int8 и int4, а аудиобашни — fp32 и int8. По умолчанию используются int8 для декодера и аудиобашни; есть опциональное усиление заданных ключевых слов при декодировании. Репозиторий предназначен для локального инференса на CPU через ONNX Runtime; для GPU требуется совместимый пакет ONNX Runtime GPU и доступный провайдер. Для работы аудио преобразуется в моно и передискретизируется до 16 кГц. Runtime обрезает аудио длиннее 30 секунд, а контекст декодера ограничен 512 токенами. Сильное усиление ключевых слов может приводить к ошибочным вставкам или повторам. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но ограничивающая коммерческое применение.

Aura32k — слитая модель для генерации текста на архитектуре Mistral, созданная автором jeiku с помощью mergekit. В объединение вошли jeiku/32kBase и jeiku/selfbot_256_mistral; применён метод passthrough. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Репозиторий содержит веса safetensors и рассчитан на использование с библиотекой Transformers. Данных о поддерживаемых естественных языках и специальных прикладных областях нет. Лицензия в предоставленных данных не указана.

Azerbaijani Whisper Turbo — модель LocalDoc для автоматического распознавания азербайджанской речи. Это дообученная на датасетах LocalDoc/azerbaijani_asr и LocalDoc/fleurs-azerbaijani-asr модель openai/whisper-large-v3-turbo на архитектуре Whisper с 905,2 млн параметров. Она принимает аудио с частотой дискретизации 16 кГц в моно и преобразует речь в текст. Модель предназначена для транскрибации азербайджанской речи, в том числе для сценариев с обработкой в реальном времени на GPU. По README, на тестовой выборке FLEURS из 921 аудиозаписи она показала WER 13,17%; авторы также заявляют о снижении WER на 8% относительно whisper-large-v3 и почти двукратном ускорении вывода. Лицензия — Apache-2.0.

Карточка модели katanemo/bart-large-mnli на Hugging Face совпадает с карточкой facebook/bart-large-mnli, поэтому описание составлено по ней. facebook/bart-large-mnli — контрольная точка BART-large от Facebook, дообученная на датасете MultiNLI для распознавания отношений логического следования между текстами. Модель применяют для классификации без заранее заданного набора классов: исходный текст рассматривается как предпосылка, а для каждой кандидатной метки формируется гипотеза, например «Этот текст о политике». Вероятности следования и противоречия преобразуются в оценки меток. Модель подходит для тематической классификации, маршрутизации текстов по пользовательским категориям и других задач, где нужно оценить соответствие текста произвольным меткам. Архитектура — BART-large с классификатором последовательностей, размер — 252,8 млн параметров, контекст — до 1024 токенов. Репозиторий содержит варианты PyTorch, Flax и Safetensors. Лицензия — MIT. Качество зависит от формулировки кандидатных меток и гипотез, а также от того, насколько задача соответствует обучению на MNLI; оценки модели не гарантируют правильную классификацию. Для нескольких одновременно верных меток предусмотрен режим независимой оценки каждого класса.

andreaschari/bge-m3-RU_MMARCO_50_MIXED — дообученная модель Sentence Transformers на базе BAAI/bge-m3, разработанная для семантического поиска на русском языке. При обучении использовался русский датасет MMARCO/v2 с равной долей запросов на кириллице и русских запросов, транслитерированных в английский текст с помощью uroman; модель связана с исследованием о поиске при различии письменности запроса и документов. Модель на архитектуре XLM-RoBERTa содержит 658,7 млн параметров и формирует текстовые эмбеддинги размерности 1024. Она принимает последовательности длиной до 8192 токенов; для сравнения эмбеддингов в карточке указана косинусная близость. Подходит для поиска русскоязычных документов по запросам как на кириллице, так и в транслитерации. Распространяется под лицензией MIT. Специализация на MMARCO/v2 и смешанных кириллических и транслитерированных запросах может ограничивать качество за пределами этих условий; результаты поиска следует проверять на целевых данных.

Bielik-11B-v2.0-Instruct — генеративная языковая модель с 11 млрд параметров, разработанная SpeakLeash совместно с вычислительным центром ACK Cyfronet AGH. Это дообученная в формате инструкций версия Bielik-11B-v2 на архитектуре Mistral с причинным декодером; модель предназначена для диалогов и выполнения текстовых инструкций. Она обучалась преимущественно на польских текстах и инструкциях и рассчитана прежде всего на польский язык, при этом в карточке также упоминается оценка задач на английском. Контекст составляет до 32 768 токенов, формат весов — Safetensors, для общения используется шаблон ChatML. Модель подходит для ответов на вопросы, диалогового взаимодействия и выполнения разнообразных языковых задач на польском языке. Лицензия — Apache 2.0 с дополнительными условиями использования, приведёнными в карточке. Разработчики отмечают, что это демонстрационная версия instruct-настройки базовой модели; у неё нет механизмов модерации, ответы могут содержать фактические ошибки, предвзятость или оскорбительный контент.

BLOSSOM-v3-mistral-7b — разговорная языковая модель Azure99, дообученная на Mistral-7B-v0.1. Она предназначена для диалогов и выполнения инструкций, включая ответы на вопросы и задачи на математические рассуждения. Обучение прошло в два этапа на смешанных наборах Wizard, Orca, Blossom Chat и Blossom Math: сначала на одноходовых инструкциях, затем на многоходовых диалогах и примерах математических рассуждений. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка указывает на китайский и английский языки; автор отмечает, что исходный Mistral-7B-v0.1 слабее знает китайский и рекомендует для китайских сценариев другую модель Blossom на Baichuan2. Модель доступна в формате PyTorch по лицензии Apache-2.0.

Borealis — русскоязычная аудиоязыковая модель с распознаванием речи, разработанная Ильёй Кулешовым и Александром Николичем из Vikhr Team. Репозиторий содержит чекпойнт архитектуры Borealis, вдохновлённой Voxtral; модель обучалась на примерно 7000 часах русскоязычного аудио. Модель предназначена для преобразования русской речи в текст и поддерживает расстановку пунктуации в распознанной речи. В README приведено сравнение с другими открытыми моделями ASR на нескольких наборах данных: средний WER Borealis составляет 6,33%; результаты различаются в зависимости от набора данных. Модель опубликована в формате PyTorch для Transformers и распространяется по лицензии Apache-2.0. В README не приведены размер модели, длина контекста и подробные инструкции по использованию; заявленный бенчмарк ещё не опубликован, поэтому результаты сравнения следует рассматривать с учётом этого ограничения.