I.3Извлечение и структурирование данных

Gemma-3-R1-4B-v1-GGUF — это набор квантизированных версий языковой модели TheDrummer/Gemma-3-R1-4B-v1, подготовленный пользователем bartowski в формате GGUF с использованием llama.cpp. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. В набор входят варианты с разной степенью квантизации: от полноразмерных BF16-весов объёмом около 7,77 ГБ до компактных версий Q2 и IQ3 объёмом менее 2 ГБ. Доступны форматы Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ, что позволяет выбирать между качеством ответов, потреблением памяти и скоростью работы. Для квантизации применялась методика imatrix с калибровочными наборами данных; для большинства сценариев рекомендуются варианты Q4_K_M, Q5_K_M, Q6_K или сопоставимые версии. README не содержит сведений о точной архитектуре, размере контекста, поддерживаемых языках, мультимодальности, исходных возможностях базовой модели или лицензии. Также не указан формат промпта, поэтому его следует уточнять на странице оригинальной модели. Более сильные варианты требуют больше оперативной памяти, а низкобитные версии экономичнее, но заметнее теряют в качестве.

MaziyarPanahi/TheTop-5x7B-Instruct-S2-v0.1 — текстовая генеративная модель, созданная MaziyarPanahi путём слияния пяти моделей 7B с помощью метода SLERP. Она построена на архитектуре Mistral и предназначена для генерации ответов и других текстов по запросу; заявленное контекстное окно составляет 32 768 токенов, а размер модели по метаданным — 7,1 млрд параметров. Модель подходит для диалоговых сценариев, ответов на вопросы и общих задач генерации текста. В карточке приведены результаты тестов на академических наборах, включая ARC и HellaSwag; эти оценки сами по себе не гарантируют качество в конкретном приложении. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия Apache-2.0.

Это текстовая модель-переранжировщик rohit-vt, дообученная на базе cross-encoder/ms-marco-MiniLM-L6-v2 с библиотекой Sentence Transformers. Она оценивает пары «запрос — текст» и выдаёт числовой балл релевантности, который можно использовать для перестановки результатов поиска и семантического поиска. Модель построена на архитектуре BERT как Cross Encoder с одним выходным значением и содержит 25,9 млн параметров. Она принимает текст, обрабатывает последовательности длиной до 512 токенов и предназначена для задач ранжирования. Обучение описано на 60 646 парах текстов с бинарными метками; примеры относятся к сопоставлению формулировок навыков.

TopEvolution — объединение предварительно обученных языковых моделей, созданное с помощью mergekit методом SLERP. В него вошли NousResearch/Hermes-2-Pro-Mistral-7B и mergekit-community/mergekit-slerp-ebgdloh; конфигурация использует V-образное распределение весов, отдавая Hermes предпочтение на входе и выходе и WizardMath в средних слоях. Модель построена на архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и рассчитана на генерацию текста с контекстом до 32 768 токенов. Метаданные указывают формат safetensors и библиотеку Transformers. Она предназначена для генерации текста и может быть полезна для диалогов, следования инструкциям и математических запросов благодаря включению Hermes и WizardMath в слияние; конкретные показатели качества в карточке не приведены. Лицензия в предоставленных данных не указана.

Babel-9B-Chat — языковая чат-модель семейства Tower-Babel, разработанная командой Tower-Babel. Представлена в формате GGUF и квантизирована bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через LM Studio, llama.cpp и другие совместимые проекты. Модель содержит около 9 миллиардов параметров и поддерживает мультиязычную работу. В README заявлены английский, китайский, хинди, испанский, французский, арабский, бенгальский, русский, португальский, индонезийский, урду, немецкий, японский, суахили, тамильский, турецкий, корейский, вьетнамский, яванский, итальянский, хауса, тайский, персидский, тагальский и бирманский языки. Данные о размере контекстного окна, архитектуре базовой модели и поддержке модальностей, кроме текста, не указаны. Основное преимущество представленной версии — выбор квантизаций с разным соотношением качества, размера и требований к памяти: от Q8_0 размером 9,58 ГБ до низкобитных вариантов примерно от 3,9 ГБ. Рекомендуемыми названы, в частности, Q4_K_M, Q5_K_M, Q6_K и Q6_K_L. Более компактные варианты экономят память, но могут заметно снижать качество; некоторые форматы являются устаревшими или не рекомендуются. Лицензия указана как seallm; применяются условия лицензии SeaLLM, ссылка на которую приведена в карточке модели.

bartowski/TQ2.5-14B-Neon-v1-GGUF — это набор GGUF-квантизаций текстовой генеративной модели TQ2.5-14B-Neon-v1, разработанной allura-org. Квантизации подготовлены bartowski с помощью llama.cpp и метода imatrix. Модель предназначена для генерации текста и может использоваться локально, в том числе через LM Studio, на совместимом CPU или GPU. Доступны варианты от F16 до низкобитных IQ- и Q-квантизаций размером примерно от 5 до 29,55 ГБ. Наиболее качественными считаются F16, Q8_0, Q6_K_L, Q6_K и Q5; Q4_K_M указан как вариант по умолчанию для большинства сценариев благодаря балансу качества и размера. Низкобитные варианты требуют меньше оперативной памяти, но могут заметно уступать по качеству. Для взаимодействия используется шаблон чата с ролями system, user и assistant. В карточке указано, что модель поддерживает английский язык и относится к задаче text-generation. Архитектура, максимальный размер контекста, точное число параметров исходной модели и дополнительные модальности не указаны; по названию можно заключить только, что базовая модель относится к классу 14B. Модель распространяется по лицензии Apache-2.0.

Turkish-LLM-32B-Instruct-GGUF — набор GGUF-квантизаций инструкционной языковой модели Turkish-LLM-32B-Instruct, разработанной ogulcanaydogan. Модель предназначена для генерации текста и работы с инструкциями, прежде всего на турецком и английском языках. Она подходит для локального запуска через Ollama и llama.cpp, включая задачи диалога, ответов на вопросы и создания текстов. Модель имеет размер 32B параметров; в метаданных также указана архитектура Qwen2. Доступны варианты Q4_K_M размером 19 ГБ, Q5_K_M размером 22 ГБ, Q8_0 размером 33 ГБ и F16 размером 62 ГБ. Q4_K_M обозначен как рекомендуемый баланс качества и размера, Q5_K_M предлагает более высокое качество при большем размере, Q8_0 близок к исходному качеству и требует более 40 ГБ VRAM, а F16 предназначен преимущественно для исследовательского использования. Размер контекстного окна и поддержка дополнительных модальностей не указаны; по назначению это текстовая модель. Сильной стороной модели является специализация на турецком языке при сохранении поддержки английского, а также возможность выбора между несколькими уровнями квантизации для разных аппаратных ресурсов. В приведённых тестах она немного превосходит базовую модель в MMLU-TR и XNLI-TR, но уступает ей в XCOPA-TR, поэтому результаты зависят от типа задачи. Модель распространяется по лицензии Apache-2.0.

Ultravox v0.4 — мультимодальная речевая LLM от Fixie.ai на базе Llama 3.1 8B Instruct и Whisper medium. Она принимает аудио вместе с текстовым контекстом и генерирует текст, поэтому подходит для голосовых агентов, распознавания и анализа речи, а также перевода устной речи. Модель использует архитектуру Ultravox; в README указана скорость около 150 мс до первого токена и 50–100 токенов в секунду на GPU A100 40 ГБ. Авторы приводят результаты для перевода между английским, немецким и испанским, а также для распознавания английской речи на LibriSpeech. Входные языки по метаданным: английский, арабский, немецкий, испанский, французский, итальянский, японский, португальский и русский. Модель не генерирует аудио, а на момент этой версии не проходила preference tuning. Лицензия — MIT.

UMT5-small — многоязычная encoder-decoder модель Google на архитектуре UMT5ForConditionalGeneration с 160,6 млн параметров. Она предварительно обучена на обновлённом корпусе mC4 из веб-текстов на 107 языках с применением схемы UniMax для более равномерного языкового покрытия. Модель предназначена для дальнейшего дообучения под задачи преобразования текста, например перевода, суммаризации и генерации по текстовому запросу. Сам по себе чекпойнт проходил только предварительное обучение без supervised-этапа, поэтому для прикладной задачи его нужно дообучить. Доступны веса PyTorch; лицензия — Apache-2.0.

Unhinged-Author-70B — объединённая языковая модель, созданная FiditeNemini с помощью mergekit и метода TIES на основе Steelskull/L3.3-MS-Nevoria-70b с включением huihui-ai/DeepSeek-R1-Distill-Llama-70B-abliterated. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров, рассчитанная на генерацию текста; заявленный контекст составляет до 131 072 токенов. Модель можно применять для диалогов, развёрнутых ответов, рассуждений и творческого письма. Репозиторий предоставляет веса в формате safetensors; метаданные указывают библиотеку Transformers и интерфейс для вызова инструментов. README не приводит оценок качества или подробных рекомендаций по использованию. Лицензия в предоставленных данных не указана.

ClaudioItaly/Utopy — объединённая языковая модель на архитектуре Llama, созданная с помощью mergekit методом TIES на основе Undi95/Utopia-13B. В репозитории указана конфигурация с несколькими вариантами плотности и весов для одной базовой модели; итоговые веса представлены в формате float16, а метаданные указывают 12,9 млрд параметров и контекст до 4096 токенов. Модель предназначена для генерации текста, диалоговых ответов и следования инструкциям. Она принимает текст и выдаёт текст; основная область применения — задачи общего назначения. В карточке не приведены отдельные сведения о языках, поэтому языковую специализацию определить нельзя. Доступна по лицензии, унаследованной от базовой модели, однако сведения о конкретной лицензии в предоставленных данных отсутствуют.

featherless-ai-quants/v2ray-Llama-3-70B-GGUF — набор GGUF-квантизаций модели v2ray/Llama-3-70B, подготовленный featherless-ai-quants. Модель предназначена для генерации текста и может применяться в сценариях локального или серверного запуска языковой модели, включая диалоговые приложения, создание и преобразование текста, а также другие задачи text-generation. В репозитории доступны варианты IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0. Размеры указанных наборов составляют примерно от 25 до 72 ГБ. GGUF обеспечивает выбор компромисса между требованиями к памяти, скоростью работы и сохранением качества, однако конкретные характеристики зависят от выбранного варианта. README не указывает архитектурные детали, размер контекста, поддерживаемые языки и модальности; из названия и pipeline_tag следует, что это текстовая модель. Сильная сторона набора — наличие множества уровней квантизации для разного оборудования и требований к качеству. Ограничения включают значительные требования к памяти даже для наиболее компактных вариантов, а также отсутствие в README данных о сравнительных результатах, качестве, тонкой настройке и рекомендуемых параметрах запуска. Лицензия в предоставленных материалах не указана.

vectorizer-v1-S-en — англоязычный векторизатор Sinequa на архитектуре BERT-Small, содержащий около 32,4 млн параметров. Он преобразует запросы и фрагменты текста в векторы размерностью 256 для семантического поиска: векторы фрагментов хранятся в векторном индексе, а вектор запроса используется для поиска релевантных фрагментов. Модель нечувствительна к регистру и диакритическим знакам, принимает последовательности длиной до 512 токенов. Модель обучали на парах «запрос — фрагмент» с внутрипакетными негативными примерами, затем дообучали на триплетах с негативными примерами, найденными предыдущей версией. Данные основаны на Natural Questions, адаптированном Sinequa; качество оценивали на 14 англоязычных наборах BEIR. Средний Recall@100 составил 0,456. По README, для использования требуется Sinequa версии 11.10.0 или новее; указаны требования к CUDA для запуска на GPU. Модель предназначена для поиска по англоязычным текстам. Лицензия в предоставленных данных не указана.

vectorizer-v1-S-multilingual — модель-векторизатор компании Sinequa для преобразования запросов и текстовых фрагментов в эмбеддинги, предназначенные для поиска релевантных фрагментов в векторном индексе. Она построена на компактной архитектуре BERT-Small; в README указано 39 млн параметров, а в метаданных Hugging Face — 42,4 млн. Модель принимает текст и возвращает векторные представления. Контекст ограничен 512 токенами. Модель обучалась на парах «запрос — фрагмент» с внутрипакетными негативными примерами и датасете Natural Questions, включая переводы на поддерживаемые языки. Она обучена и протестирована для английского, французского, немецкого и испанского языков, нечувствительна к регистру и диакритическим знакам. По README, средний Recall@100 на 14 наборах BEIR составил 0,448; на MIRACL приведены результаты для французского, немецкого и испанского. Для FP16 и FP32 указаны требования к видеопамяти 300 и 600 МиБ соответственно. Лицензия в предоставленных данных не указана.

vicgalle-Configurable-Llama-3-8B-v0.1-GGUF — набор GGUF-квантизированных вариантов модели vicgalle/Configurable-Llama-3-8B-v0.1, подготовленный командой featherless-ai-quants. Модель предназначена для генерации текста и может использоваться в сценариях локального или совместимого с GGUF инференса. README не раскрывает подробности о принципах конфигурируемости, обучении, языках, поддерживаемых модальностях и максимальном размере контекста. Доступны варианты квантизации Q8_0, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S, IQ4_XS, Q3_K_L, Q3_K_M, Q3_K_S и Q2_K с размером файлов примерно от 3,0 до 8,1 ГБ. Это позволяет выбирать компромисс между качеством генерации, требованиями к памяти и скоростью работы, однако README не содержит результатов сравнительных оценок и конкретных требований к оборудованию. Модель является текстовой, поскольку заявленный pipeline_tag — text-generation. Информация о лицензии и условиях использования в README отсутствует. Поэтому перед применением в коммерческих или иных регулируемых сценариях необходимо проверить лицензию базовой модели vicgalle/Configurable-Llama-3-8B-v0.1 и условия распространения её квантизированных файлов.

Vikhr-Llama-3.2-1B-instruct-GGUF — инструкционная языковая модель семейства Vikhr, разработанная командой Vikhr Team. Она основана на Llama-3.2-1B-Instruct и дообучена на русскоязычном датасете GrandMaster-PRO-MAX. Модель предназначена для генерации текста и выполнения инструкций на русском и английском языках. Модель имеет компактный размер 1B параметров и ориентирована на эффективный запуск на слабых, маломощных и мобильных устройствах. В README также заявлена эффективность в пять раз выше базовой модели. Указан формат GGUF и библиотека llama.cpp, что подходит для локального развёртывания и инференса с ограниченными вычислительными ресурсами. Рекомендуемая температура генерации — 0,3. По результатам оценки на ru_arena_general модель получила Score 19,04 и LC Score 45,56, превзойдя базовую meta-llama-Llama-3.2-1B-Instruct в этом сравнении. При этом README не содержит сведений о размере контекста, точной архитектуре GGUF-квантизации и поддерживаемых модальностях, поэтому модель следует рассматривать как текстовую. Лицензия указана как llama3.2; условия её применения необходимо уточнять в соответствующих лицензионных документах.

timm/ViT-B-16-SigLIP2-256 — контрастивная модель зрения и языка семейства SigLIP 2, обученная на наборе WebLI и преобразованная из исходных контрольных точек JAX проекта Big Vision для использования в OpenCLIP. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах: она сопоставляет изображение с предложенными текстовыми вариантами и позволяет выбрать наиболее подходящий. Модель работает с изображениями и текстом и рассчитана на zero-shot классификацию. В карточке указаны архитектура ViT-B/16 с разрешением 256 и обучение на WebLI; веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Результаты зависят от формулировок текстовых меток и от соответствия изображений данным обучения; модель может хуже работать на редких понятиях, специализированных изображениях и языках, для которых качество отдельно не подтверждено. Она предназначена для сопоставления изображений и текста, а не для генерации описаний или локализации объектов.

ViT-B-16-SigLIP-i18n-256 — модель контрастивного сопоставления изображений и текста, обученная на датасете WebLI с функцией потерь SigLIP. Чекпойнт преобразован из исходного JAX-формата Big Vision в PyTorch и совместим с OpenCLIP для работы с изображениями и текстом, а также с timm для получения эмбеддингов изображений. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: она сопоставляет изображение с набором предложенных текстовых меток. Также её можно использовать для получения эмбеддингов изображений. Метаданные Hugging Face указывают задачу zero-shot image classification, библиотеку open_clip и лицензию Apache-2.0. Обозначение i18n указывает на многоязычную версию, однако конкретный перечень поддерживаемых языков и размер входного изображения в предоставленных данных не подтверждены. Модель выдаёт оценки соответствия изображения текстовым описаниям или эмбеддинги; качество зависит от формулировок меток и покрытия обучающих данных WebLI.

Это модель CLIP семейства ViT-B/32, опубликованная в репозитории timm и обученная на наборе LAION-400M. Она совместима с open_clip и timm; вариант в OpenCLIP называется ViT-B-32-quickgelu. Модель сопоставляет изображения и текст в общем пространстве признаков, поэтому подходит для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов. Модель можно применять для поиска изображений по тексту и первичной категоризации изображений с помощью заранее заданных текстовых меток. Она принимает изображения и текстовые описания и выдаёт оценки соответствия между ними. Репозиторий содержит веса PyTorch и Safetensors; лицензия — MIT. Карточка не сообщает размер модели, длину контекста или список поддерживаемых языков.

Pinwheel/wav2vec2-large-xls-r-1b-hindi — модель автоматического распознавания речи, разработанная организацией Pinwheel на базе архитектуры Wav2Vec2-XLS-R компании Meta. Она преобразует аудиосигнал в текст и предназначена прежде всего для распознавания речи на хинди. Модель совместима с Transformers и PyTorch, использует архитектуру Wav2Vec2ForCTC и содержит около 1,3 млрд параметров. Конфигурация включает 48 скрытых слоёв, размер скрытого представления 1280 и словарь из 72 токенов.

Модель qinyue/wav2vec2-large-xlsr-53-chinese-zn-cn-aishell1 — дообученная на китайском языке версия facebook/wav2vec2-large-xlsr-53 для автоматического распознавания речи. Она использует архитектуру Wav2Vec2 с CTC-декодером и содержит 407,1 млн параметров; для распознавания принимает аудио с частотой дискретизации 16 кГц и выдаёт текст на китайском языке. На тестовой выборке AISHELL-1 указана частота ошибок слов WER 7,04%; с языковой моделью — 3,96%. Модель распространяется по лицензии Apache-2.0.

facebook/wav2vec2-large-xlsr-53-dutch — модель распознавания речи на основе архитектуры wav2vec 2.0, опубликованная Facebook. Она предназначена для преобразования нидерландской речи в текст и оценена на тестовой части Common Voice NL; в карточке приведён результат 21,1% без пояснения метрики. Модель содержит 402,7 млн параметров и доступна в форматах PyTorch и Flax. Модель принимает аудио и выдаёт текстовую транскрипцию. В метаданных указан нидерландский язык, а лицензия — Apache 2.0. Карточка не уточняет метрику оценки и условия записи аудио, поэтому приведённый результат нельзя напрямую сопоставлять с результатами других моделей.

elgeish/wav2vec2-large-xlsr-53-levantine-arabic — модель автоматического распознавания речи на основе Wav2Vec2-Large-XLSR-53, дообученная на наборе Arabic Speech Corpus. Разработчик адаптировал её для распознавания арабской речи; карточка указывает арабский язык и задачу automatic speech recognition. Модель принимает аудио и выдаёт распознанный текст. Для входной речи требуется частота дискретизации 16 кГц. В репозитории представлены варианты PyTorch и Flax; модель содержит около 402,7 млн параметров. Лицензия — Apache-2.0.

anuragshas выпустил модель автоматического распознавания речи на хинди, дообученную на базе facebook/wav2vec2-xls-r-1b на наборе Mozilla Common Voice 8.0 для хинди. Модель использует архитектуру Wav2Vec2 с CTC-декодированием; в репозитории указано 1,3 млрд параметров и веса PyTorch. Для декодирования предусмотрен языковой модельный компонент: в оценке на тестовой части Common Voice 8 WER составил 15,899 с LM и 26,209 без LM. Модель подходит для транскрибирования записей речи на хинди, в том числе голосовых образцов, близких к данным Common Voice. В README также приведён результат WER 0,3547 на оценочном наборе без уточнения условий, поэтому показатели могут различаться в зависимости от декодирования и настройки оценки. Лицензия — Apache-2.0.

qanastek/whisper-base-french-cased — модель автоматического распознавания речи на основе Whisper Base, дообученная на французской части набора Mozilla Common Voice 11.0. Она преобразует французскую речь в текст и подходит для транскрибации записей и аудио с французской речью. Архитектура — WhisperForConditionalGeneration; модель содержит 51,7 млн параметров и опубликована в формате PyTorch. В карточке приведены результаты оценки: WER 24,0648 на тестовой выборке Common Voice 11.0 для французского языка, 24,20 на FLEURS fr_fr и 23,66 на VoxPopuli fr. Модель распространяется по лицензии Apache-2.0. Оценки относятся к указанным наборам данных и не гарантируют аналогичного качества на иных аудиозаписях.

jlondonobo/whisper-large-v2-pt-v3 — дообученная на португалоязычной части набора Common Voice 11.0 модель автоматического распознавания речи на базе Whisper Large v2 от OpenAI. Она принимает аудио и генерирует текстовую расшифровку, в частности подходит для транскрибирования португальской речи. Модель построена на архитектуре Whisper, содержит 905,2 млн параметров и распространяется в формате PyTorch. В карточке указаны результаты оценки на тестовой выборке: loss 0,1503 и WER 4,8385. Модель выпущена под лицензией Apache-2.0. Карточка не описывает ограничения и условия оценки подробнее, поэтому результаты могут не отражать качество на других аудио и сценариях.

Whisper-Large-V3-Distil-Italian-v0.2 — дистиллированная модель распознавания речи на базе архитектуры Whisper, созданная для транскрибации итальянской речи. Она содержит 905,2 млн параметров и использует неизменённую архитектуру энкодера Whisper large-v3 с декодером из двух слоёв; учительской моделью была openai/whisper-large-v3. Обучение охватывало аудиофрагменты длительностью до 30 секунд и применяло аугментацию данных для сохранения возможностей транскрибации длинных записей. Модель можно использовать самостоятельно, чтобы ускорить распознавание с некоторой потерей точности, или как черновую модель для speculative decoding вместе с Whisper large-v3. В README заявлены ускорение до 5,8 раза при самостоятельном использовании и примерно вдвое при speculative decoding; для последнего способа обещается сохранение тех же результатов, что у основной модели. Поддерживаются варианты запуска через Transformers и конвертированные реализации Whisper. Модель принимает аудио и выдаёт текст; сведения о контекстном окне в карточке не приведены. Репозиторий распространяется по лицензии MIT.

RedHatAI/whisper-large-v3-quantized.w8a8 — квантизированная версия модели openai/whisper-large-v3, разработанная Neural Magic. Это аудио-текстовая модель распознавания речи, преобразующая аудиовход в текст. Модель предназначена для автоматической транскрипции речи и эффективного инференса, в том числе при развертывании через vLLM и его OpenAI-совместимый сервер. В README явно указана поддержка английского языка. Архитектура соответствует Whisper large-v3; точное число параметров и максимальная длина контекста в README не указаны. Веса и активации квантизированы в INT8 по схеме W8A8, что ориентировано на снижение вычислительных и ресурсных затрат при инференсе. Модель готова к использованию с vLLM версии 0.5.2 и выше и поддерживает обработку аудиоданных в мультимодальном запросе. README не содержит количественной оценки влияния квантизации на точность и подробностей об ограничениях качества. Модель распространяется по лицензии Apache 2.0.

Модель andrewbawitlung/whisper-large-v3-turbo-mizonal3-E5-lus-v2026.06 — экспериментальная дообученная версия Whisper large-v3-turbo на наборе данных MiZonal v3.0. Конфигурация E5 объединяет аугментации фонового шума, изменения скорости речи и SpecAugment с маскированием по времени и частоте. Модель предназначена для автоматического распознавания речи; заявлены WER 13,8215, CER 2,6263 и коэффициент реального времени 0,0540 на оценочном наборе. Модель содержит 905,2 млн параметров, принимает аудио и выдаёт текст. Базовая Whisper large-v3-turbo — мультиязычная модель для распознавания речи и перевода аудио в текст; карточка этой производной описывает оценку распознавания на MiZonal, но не уточняет язык аудио. Опубликованные сведения о результатах помечены как предварительные: подробности рецензирования и публикации ожидаются. Лицензия — Apache-2.0.

Модель dianavdavidson/whisper-medium_iv_hindi_vaani_62509_ratio_alldata_lr_1e-4_lgid_None_mixratio_0.75_FT — дообученная версия Whisper Medium от OpenAI для автоматического распознавания речи. Она принимает аудио и генерирует текст; название указывает на настройку для Hindi, но карточка не описывает состав обучающих данных или условия записи. В оценке указаны loss 0,3762 и Global WER 28,5523. Модель построена на Whisper Medium с архитектурой WhisperForConditionalGeneration, содержит около 455,8 млн параметров и распространяется в формате safetensors. Лицензия — Apache-2.0.