I.5Создание и редактирование текста

BuzzASR/armenian — одноязычная модель автоматического распознавания армянской речи, разработанная как часть набора BuzzASR и созданная полным дообучением openai/whisper-large-v3 с заменой токенизатора на армянский и мультитасковым дообучением на текстовых данных. Она преобразует аудио в текст; языковая и задачная подсказка встроена в конфигурацию генерации. Модель содержит 907,3 млн параметров и использует архитектуру Whisper. Модель предназначена для транскрибации армянской речи. В описанных тестах FLEURS и Common Voice 25 она показала CER 3,72% и 0,65% соответственно, а на объединённом тестовом наборе — CER 2,28% и WER 7,51%; эти результаты сравниваются с нулевым запуском Whisper large-v3. Обучение использовало FLEURS, Common Voice Corpus 25.0 и текстовые данные Goldfish. Модель ограничена армянским языком; качество на других предметных областях и диалектах может отличаться от результатов тестирования. Лицензия — MIT.

Fox-1-1.6B — базовая авторегрессионная языковая модель на архитектуре decoder-only Transformer семейства Llama, разработанная TensorOpera AI. Она содержит около 1,7 млрд параметров и обучена на 3 трлн токенов текста и кода с трёхэтапной учебной программой; контекст составляет 8192 токена. В модели применены Grouped Query Attention с 4 группами ключей и значений и 16 головами внимания для ускорения вывода. Модель предназначена для генерации текста и кода, а также как отправная точка для дальнейшего дообучения под прикладные сценарии. В карточке приведены результаты оценок на тестах рассуждения, знаний и следования инструкциям. Это базовая, а не инструкционно настроенная модель, поэтому для большинства пользовательских задач потребуется дополнительное дообучение или другая настройка. Репозиторий содержит веса Safetensors; лицензия — Apache 2.0.

Koitenshin/Huihui-InternVL3-14B-abliterated-GGUF — это квантованная модель в формате GGUF, созданная на основе Huihui-InternVL3-14B-abliterated от huihui-ai. Конвертацию в GGUF выполнили с использованием llama.cpp и сервиса GGUF-my-repo. Модель относится к семейству InternVL3 и предназначена для задач преобразования изображений и текста в текст, включая мультимодальное общение и анализ визуального содержимого. Заявлена поддержка multilingual-сценариев, однако конкретный перечень языков в карточке не приведён. Модель имеет размер 14B параметров; доступная в этой карточке версия использует квантование Q8_0. Она рассчитана на запуск через llama.cpp в формате GGUF, в том числе локально через llama-cli или в серверном режиме через llama-server. В качестве примера указан контекст 2048 токенов, но это значение может быть параметром запуска, а не предельным размером контекста самой модели. К сильным сторонам относятся мультимодальность, локальный запуск через llama.cpp и уменьшенный по сравнению с полноразмерной моделью объём хранения и вычислений благодаря квантованию Q8_0. Ограничения и точные характеристики качества, требования к оборудованию, особенности поддержки изображений и языков в README не описаны; для их оценки требуется оригинальная карточка базовой модели. В метаданных указана лицензия Apache-2.0, при этом ссылка на текст лицензии ведёт к лицензии Qwen, поэтому условия использования следует дополнительно проверить по исходной модели и файлам дистрибутива.

Модель reazon-research/japanese-hubert-base-k2-rs35kh — акустическая модель для автоматического распознавания японской речи. Её разработала команда Reazon Research: HuBERT Base дообучена на корпусе ReazonSpeech v2.0 с использованием фреймворка k2. Модель содержит около 117,3 млн параметров, реализована как HubertForCTC и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для преобразования японской речи в текст, включая длинные записи. В тестах авторов она показала CER 11,23% в среднем по указанным наборам и 27,05% на JSUT-BOOK; результаты зависят от данных и условий распознавания. Модель принимает аудио и выдаёт текст. Лицензия Apache-2.0.

Это модель Sentence Transformers, разработанная авторами репозитория ipsnan/keywordsextraction для извлечения ключевых слов из украинских научных и деловых документов. Она дообучена на базе intfloat/multilingual-e5-base и использует энкодер XLM-RoBERTa с усреднением токеновых представлений и L2-нормализацией. Модель содержит около 305,2 млн параметров, выдаёт эмбеддинги размерности 768 и обрабатывает последовательности длиной до 514 токенов по метаданным; в README указан предел 512 токенов. Модель кодирует документ и сопоставляет его с заранее подготовленными эмбеддингами ключевых слов, ранжируя совпадения по косинусному сходству. Она предназначена для поиска ключевых слов в научных текстах, академических материалах и деловых документах, а также для использования в семантическом поиске и сопоставлении предложений. В комплекте репозитория есть индекс ключевых слов и скрипт обработки PDF. Модель лучше всего работает с текстами на украинском языке и возвращает только слова из имеющегося индекса; для нового набора ключевых слов индекс нужно подготовить заново. Качество зависит от того, насколько первые примерно 3000 символов документа отражают его тему. Модель распространяется по лицензии MIT.

BuzzASR/lithuanian — монолингвальная модель автоматического распознавания речи на литовском языке, разработанная как часть набора BuzzASR и дообученная на базе openai/whisper-large-v3. Это плотная модель Whisper с архитектурой WhisperForConditionalGeneration, содержащая 905,2 млн параметров; для работы используется Transformers, веса опубликованы в формате safetensors. Модель преобразует литовскую речь в текст, а языковая и задачная подсказки уже заданы в конфигурации генерации. Модель обучена на данных FLEURS и Common Voice Corpus 25.0; также использовались текстовые данные корпуса Goldfish. На тестах FLEURS и Common Voice показаны CER 4,81% и 0,78% соответственно, а на объединённом наборе — CER 2,11% и WER 8,75%. Разработчики сообщают, что среди сравниваемых открытых систем модель показала наименьший CER на объединённом тестовом наборе. Модель предназначена для транскрибации литовской речи. Она монолингвальна, а качество за пределами тестовых наборов FLEURS и Common Voice, включая другие предметные области и диалекты, может отличаться. Лицензия — MIT.

Llama-4-Scout-17B-16E-Instruct — мультимодальная инструкционная модель Meta, опубликованная на Hugging Face организацией RedHatAI. Она построена на авторегрессионной архитектуре Llama 4 с механизмом смеси экспертов (MoE): 17 млрд параметров и 16 экспертов. Модель принимает текст и изображения и предназначена для диалогов, визуального анализа и рассуждений по изображениям. Модель подходит для ответов на вопросы об изображениях, их описания и распознавания визуальных деталей, а также для многоязычного общения. Заявлена поддержка арабского, немецкого, английского, испанского, французского, хинди, индонезийского, итальянского, португальского, тайского, тагальского и вьетнамского языков. Модель протестирована для понимания до пяти входных изображений; для большего числа изображений требуется дополнительная проверка. В README также отмечены возможные риски ошибочных или небезопасных ответов и необходимость учитывать лицензионные ограничения. Модель распространяется по пользовательской коммерческой лицензии Llama 4 Community License Agreement. Карточка сообщает о проверке в RHOAI 2.20, RHAIIS 3.0 и RHELAI 1.5.

Это версия мультиязычной модели M2M100 с 418 млн параметров, подготовленная сообществом gn64 для запуска через CTranslate2. Модель основана на facebook/m2m100_418M, разработанной Facebook AI для перевода между языками; веса оптимизированы квантизацией int8 и конвертацией из формата Hugging Face Transformers для ускорения инференса. Модель предназначена для автоматического перевода текста между поддерживаемыми языками. M2M100 использует архитектуру encoder-decoder и поддерживает перевод между 100 языками. Репозиторий распространяется по лицензии MIT. Квантизация int8 уменьшает требования к ресурсам и может ускорить работу, однако качество перевода может отличаться от исходной версии. README не сообщает отдельных результатов оценки этой сборки.

TeichAI/Nemotron-Orchestrator-8B-DeepSeek-v3.2-Speciale-Distill — дообученная TeichAI модель на архитектуре Qwen3, основанная на nvidia/Nemotron-Orchestrator-8B. Модель предназначена для генерации текста и диалогового взаимодействия с интерфейсом вызова инструментов; базовая модель ориентирована на координацию инструментов и моделей в многошаговых агентных задачах. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В карточке указано, что обучение проводилось с использованием Unsloth и библиотеки TRL из Hugging Face. Репозиторий опубликован в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает отдельные возможности или ограничения именно этого дообучения.

NVIDIA-Nemotron-3-Nano-4B-GGUF — квантованная в формате GGUF версия малой языковой модели NVIDIA-Nemotron-3-Nano-4B, подготовленная Unsloth на основе NVIDIA-Nemotron-3-Nano-4B-BF16. Исходную модель разработала NVIDIA Corporation; она обучена с нуля и предназначена для объединения задач с рассуждением и без него. Модель поддерживает управляемую системным промптом генерацию рассуждений перед финальным ответом: включение рассуждений может повысить качество на сложных запросах, а отключение позволяет получать ответ без промежуточной трассы рассуждений с некоторым снижением точности. Архитектура гибридная: преимущественно Mamba-2 и MLP-слои в сочетании с четырьмя слоями Attention. Размер модели — 4B параметров; формат GGUF ориентирован на эффективное локальное развертывание и также допускает дообучение с помощью Unsloth. Поддерживается английский язык и языки программирования. Модель предназначена для агентных сценариев на периферийных устройствах, включая игровые NPC и компаньонов, локальных голосовых ассистентов для устройств, приложений и игр, а также автоматизацию IoT. К сильным сторонам относятся компактность, пригодность для edge-платформ и сочетание эффективности с рассуждением; ограничения — англоязычная специализация и отсутствие в README сведений о размере контекстного окна, конкретных вариантах квантования и количественных результатах тестирования. Использование регулируется NVIDIA Nemotron Open Model License. В README указана коммерческая применимость и глобальная география развертывания.

Prometheus-13B-v1.0 — языковая модель для детальной оценки ответов больших языковых моделей, разработанная авторами проекта Prometheus. Она основана на Llama-2-Chat и дообучена на 100 тысячах примеров обратной связи из Feedback Collection. Модель принимает инструкцию, оцениваемый ответ, рубрику с критериями и эталонный ответ, после чего генерирует текстовую обратную связь и оценку по заданной шкале. Модель предназначена для автоматизированной оценки длинных ответов по настраиваемым критериям, например читабельности для детей, культурной чувствительности и креативности. Её также можно использовать как reward model в RLHF. Архитектура — плотная LlamaForCausalLM на 12,9 млрд параметров; модель работает с английским языком, контекст составляет 4096 токенов. Для ожидаемого поведения README рекомендует применять шаблон диалога Llama-2-Chat. Лицензия — Apache-2.0.

PSST medium — модель распознавания речи, созданная дообучением openai/whisper-medium.en на сегментах корпуса Santa Barbara Corpus of Spoken American English. Она предназначена для преобразования аудиозаписей разговорного американского английского в текст. Модель основана на архитектуре Whisper и содержит 455,8 млн параметров. Модель подходит для расшифровки разговорной речи, представленной в обучающем корпусе. Веса доступны в формате PyTorch по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробных ограничений.

Карточка модели Ollam311/Qwen2.5-1.5B на Hugging Face совпадает с карточкой Qwen/Qwen2.5-1.5B, поэтому описание составлено по ней. Qwen2.5-1.5B — базовая языковая модель компании Qwen, обученная на этапе предобучения. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров: 28 слоёв, RoPE, SwiGLU, RMSNorm и группированное внимание. Репозиторий содержит веса в формате safetensors, модель рассчитана на запуск через Transformers. Модель предназначена для дальнейшего дообучения и генерации текста. Семейство Qwen2.5 поддерживает следование инструкциям, код, математику, структурированные данные и более 29 языков, включая русский, однако этот чекпойнт является базовым: разработчик не рекомендует использовать его непосредственно для диалогов. В README для этого варианта указан контекст 32 768 токенов; метаданные каталога указывают 131 072 токена, поэтому длина контекста в источниках расходится. Модель может служить компактной основой для экспериментов, адаптации под предметную область и разработки генеративных приложений. Лицензия Apache-2.0 допускает широкое использование и модификацию при соблюдении её условий. Для работы рекомендуется актуальная версия Transformers.

Taewan123/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная языковая модель семейства Qwen3, разработанная Taewan123 и дообученная на базе NotoriousH2/Qwen3-0.6B-JSON-SFT. Она предназначена для генерации текста в формате чата; базовая модель ориентирована на извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний с выводом в JSON. Модель содержит 507,9 млн параметров, принимает текст и поддерживает контекст до 40 960 токенов. Карточка сообщает об обучении с использованием Unsloth и библиотеки TRL. Указана лицензия Apache-2.0. Доступные сведения описывают её назначение через базовую модель; отдельные характеристики качества или результаты оценки этой версии не приведены.

Qwen3.5-9B-GGUF (OraQuant) — это текстовая GGUF-квантизация базовой модели Qwen3.5-9B, разработанной Alibaba Cloud, с применением собственной калиброванной технологии OraQuant (OQ) от Ora Computing. Архитектура и размер исходной модели сохранены: около 9 млрд параметров, однако снижена точность весов. Модель предназначена для локального и офлайн-вывода, внутреннего тестирования, сравнительного бенчмаркинга, изучения поведения модели, prompt engineering и создания непроизводственных прототипов. Она совместима со штатным llama.cpp при наличии поддержки Qwen3.5. Доступны варианты OQ-Q4_K_M размером около 5,7 ГБ с более высоким качеством, OQ-Q3_K_M размером около 4,7 ГБ с меньшим и более быстрым профилем, а также OQ-IQ2_XXS размером около 3,2 ГБ — самый компактный вариант со смешанной i-/k-квантизацией. Модель работает только с текстом: хотя исходная Qwen3.5-9B является мультимодальной, визуальные и видеоэнкодеры в этих файлах отсутствуют. Это reasoning-модель, поэтому на сложных запросах, особенно при использовании самого компактного варианта, возможны продолжительные фазы рассуждений и заметное снижение качества. К ограничениям относятся возможные отличия от поведения полной модели, особенно на специализированных, редких и сложных запросах, а также необходимость проверять результаты на предвзятость и непреднамеренные ошибки. Модель предоставляется «как есть» исключительно для оценки и тестирования. Согласно указанным условиям, разрешены только внутреннее тестирование, бенчмаркинг и непроизводственные прототипы для названного лицензиата; запрещены коммерческое и производственное применение, публичное API, перепродажа, распространение, передача третьим лицам, дообучение и обратная инженерия. Для файлов действует Custom Model License Agreement; исходная модель Qwen3.5-9B распространяется Alibaba Cloud по Apache License 2.0.

SARDI Dream 7B — дообученная командой проекта SARDI модель на основе Dream-v0-Instruct-7B, представленная как основа метода Self-Augmenting Retrieval for Diffusion Language Models в работе для ICML 2026. Это плотная диффузионная языковая модель с 7,1 млрд параметров для генерации текста и диалогов; метаданные указывают контекст до 131 072 токенов. Модель дообучена для retrieval-augmented generation и многошаговых вопросов: во время денойзинга метод SARDI формирует запросы по частично восстановленной последовательности, получает дополнительные свидетельства и использует их на следующих шагах генерации. Для обучения использовались обучающие части 2WikiMultiHopQA и HotpotQA, трассы рассуждений gpt-4o-mini и документы-ответы в контексте; обучение длилось три эпохи. Для инференса нужны код и декодирование с порогами из репозитория проекта. Веса представлены в формате safetensors и хранятся в float32; при инференсе выполняется приведение к bfloat16. Модель выпущена по лицензии Apache-2.0. README отмечает, что исходная Dream-7B ненадёжно генерировала трассы рассуждений в режиме zero-shot, поэтому для этой задачи был создан RAG-файнтюн.

Карточка модели Uzbekswe/uzbek_stt_v1 на Hugging Face совпадает с карточкой Kotib/uzbek_stt_v1, поэтому описание составлено по ней. Kotib/uzbek_stt_v1 — модель автоматического распознавания речи, разработанная командами Kotibai и Rubai и дообученная на базе OpenAI Whisper Medium. Она принимает аудио и преобразует узбекскую речь в текст; модель рассчитана прежде всего на узбекский язык и латинскую письменность, включая некоторые русские заимствования, произнесённые в узбекской речи. Архитектура Whisper, 455,8 млн параметров; модель использует формат safetensors и библиотеку Transformers. Для обучения использовали около 1 600 часов узбекского аудио, а оценку провели на 1 864 примерах из восьми тестовых наборов. В карточке указана общая доля ошибок WER 16,7%; на чистой речи — около 6–11%, на шумной или дополненной — около 12–24%. Модель подходит для расшифровки речи, диктовки, голосовых помощников и создания субтитров. Качество снижается при сильном шуме и частом переключении между языками; модель оптимизирована для узбекского. Лицензия — Apache-2.0.

classla разработала wav2vec2-xls-r-juznevesti-sr — модель распознавания сербской речи на основе facebook/wav2vec2-xls-r-300m, дообученная на 58 часах аудио и расшифровок из программы «15 minuta» новостного издания Južne vesti. Это аудиомодель архитектуры wav2vec2 с CTC-декодированием и примерно 402,7 млн параметров. Модель предназначена для преобразования сербской речи в текст, в частности для записей, похожих на аудио обучающей выборки. На dev- и test-частях набора JužneVesti указаны WER 0,295 и 0,290 соответственно, а CER — 0,141 и 0,138. Эти результаты относятся к оценке на данном наборе и не гарантируют аналогичного качества на других типах записей. Для работы в README приведён пример совместимости с Transformers, PyTorch и SoundFile; лицензия в доступных данных не указана.

AbelZimba/whisper-bemba-stt — модель распознавания речи на основе архитектуры Whisper, размещённая пользователем AbelZimba на Hugging Face. Она предназначена для преобразования аудиозаписей на бемба в текст. Метаданные указывают на архитектуру WhisperForConditionalGeneration, 153,1 млн параметров и поддержку аудиовхода; задача модели — автоматическое распознавание речи. Карточка, доступная через веб-поиск, не раскрывает сведения об обучении, лицензии, контекстном окне или оценке качества.

sgangireddy/whisper-medium-tr — дообученная модель распознавания речи на базе openai/whisper-medium, созданная для турецкого языка. Она принимает аудио и преобразует речь в текст; для дообучения использовался турецкий раздел набора Common Voice 11.0. Модель содержит 455,8 млн параметров и опубликована в формате PyTorch. В карточке приведены результаты оценки: WER 10,50 на тестовом наборе Common Voice 11.0 и 9,26 на Google FLEURS; для исходной модели указаны значения 20,89 и 10,4 соответственно. Модель распространяется по лицензии Apache-2.0. Карточка не описывает условия записи аудио, разбиение данных или ограничения на шумную речь, поэтому качество в таких сценариях по приведённым результатам оценить нельзя.

crossdelenna/whisper-small.en — дообученная версия Whisper Small English, опубликованная на Hugging Face. Модель с архитектурой WhisperForConditionalGeneration содержит 153,1 млн параметров и предназначена для автоматического распознавания речи и преобразования аудио в текст. Репозиторий содержит веса PyTorch и SafeTensors; лицензия — Apache 2.0. Модель рассчитана на англоязычное распознавание речи. В карточке приведена оценка WER 0,7672 на наборе оценки, но набор данных и условия тестирования не описаны; поэтому результат не позволяет надёжно судить о качестве в конкретном сценарии.

Anonymizer-1.7B — компактная языковая модель компании Eternis AI для защиты конфиденциальности текста. Она предназначена для обнаружения персональных данных и их замены на семантически похожие значения, чтобы сохранить смысл пользовательского запроса при удалении исходных идентификаторов. Модель используется как основной анонимизатор в Enchanted и может применяться локально в других развёртываниях, где важны скорость и качество. По карточке, модель обучена с GRPO и оценивалась судьёй GPT-4.1. Модель построена на плотной архитектуре Qwen3 с 1,7 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Карточка описывает интерфейс замены сущностей и формат ответа с парами исходных и заменённых значений. Репозиторий содержит веса Safetensors, а лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

AuroraCap-7B-VID-xtuner — мультимодальная модель для создания подписей к изображениям и видео. Это вариант AuroraCap в формате Xtuner, разработанный для инференса и дальнейшего обучения; в карточке указаны ссылки на статью, код и обучающий набор AuroraCap-trainset. Модель основана на Vicuna 7B v1.5 16K с архитектурой Llama и содержит 6,6 млрд параметров. Она принимает визуальные данные и формирует текстовые описания; заявленный контекст составляет 4096 токенов. В метаданных основной задачей автора указана генерация текста, однако назначение модели и тег video-text-to-text указывают на описание видео. Модель распространяется под лицензией Apache-2.0. README отмечает, что формат Xtuner подходит для инференса и продолжения обучения; заявлена также возможность ускорять обучение с помощью объединения токенов при сохранении близкого качества. Подробности о поддерживаемых языках и ограничениях качества не приведены.

BanglaASR — модель распознавания речи на бенгальском языке, разработанная Md Saiful Islam. Она представляет собой дообученную на данных Mozilla Common Voice модель Whisper small и предназначена для преобразования бенгальской речи в текст. Для обучения использовались около 400 часов аудио: 40 тысяч обучающих и 7 тысяч проверочных фрагментов; в README для оценки указан Word Error Rate 4,58%. Метаданные репозитория указывают архитектуру Whisper и 153,1 млн параметров, тогда как README описывает вариант small как имеющий 244 млн параметров. Модель принимает аудио и выдаёт текст. В карточке указана лицензия MIT. Оценка качества приведена для использованного набора данных; она не гарантирует такую же точность на других записях и условиях речи.

CAMeLBERT-Mix — арабская языковая модель семейства BERT, разработанная CAMeL Lab и предварительно обученная на смеси современного литературного арабского (MSA), диалектного арабского (DA) и классического арабского (CA). Модель содержит 136,3 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Модель предназначена для заполнения пропусков в тексте и как основа для дообучения под задачи обработки арабского языка, включая распознавание именованных сущностей, разметку частей речи, анализ тональности и определение диалекта. Она обучалась на корпусах разных арабских вариантов, что позволяет применять её к литературному, диалектному и классическому тексту. Лицензия Apache 2.0.

Flix-AI разработала flix-swissgerman-full — модель распознавания швейцарского немецкого диалекта, дообученную на базе openai/whisper-large-v3. Это полноразмерное дообучение Whisper с 905,2 млн параметров в формате Safetensors. Модель принимает аудио на швейцарском немецком и преобразует речь в грамматически корректный текст на стандартном немецком, сочетая распознавание речи с передачей диалектных форм на стандартном языке. Обучение проводилось на 1 367 часах речи из телеэфира, парламентских выступлений, YouTube и швейцарского кино; охвачены основные диалектные регионы Швейцарии. В оценке указаны WER 25,60% и ошибка по содержанию cWER 13,8%; часть штрафа WER связана с различиями в редакционном стиле и транскрипционных соглашениях. Модель распространяется по лицензии Apache-2.0. Данные обучения вместе с моделью не распространяются; отдельные источники данных использовались на условиях, ограничивающих их применение исследовательскими целями.

Intern-S1-Pro — мультимодальная модель рассуждений, разработанная командой InternLM. Это разреженная MoE-модель общего и научного назначения с 1 трлн параметров, 512 экспертами и 22 млрд активируемых параметров на токен. Она предназначена для сложных рассуждений в химии, материаловедении, науках о жизни и Земле, а также для общих текстовых и мультимодальных задач. Поддерживает режим рассуждений, включённый по умолчанию, который можно отключить при формировании диалога. Модель заявлена для обработки изображений и текста; в README также описана поддержка длинных временных рядов длиной от 1 до 1 000 000 точек с Fourier Position Encoding. Для развёртывания авторы рекомендуют inference-движки LMDeploy, vLLM или SGLang, поскольку запуск модели такого размера стандартным методом Hugging Face затруднён. Поддержка временных рядов в этих сценариях развёртывания ещё оптимизируется. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0.

Kuray107/librispeech-100h-supervised — модель распознавания речи, дообученная на основе facebook/wav2vec2-large-lv60. Она использует архитектуру wav2vec2 с выходной головой CTC и содержит 402,7 млн параметров. Модель предназначена для преобразования аудио в текст; в карточке указано значение WER 0,0345 на оценочном наборе, но подробности о наборе и методике оценки не приведены. Модель принимает аудио и выдаёт текст. Идентификатор и описание указывают на связь с LibriSpeech, однако README не раскрывает языки, конкретные сценарии применения и ограничения качества. Веса доступны в формате PyTorch по лицензии Apache 2.0.

proxectonos/Nos_ASR-wav2vec2-xls-r-300m-gl — модель распознавания галисийской речи, созданная Proxecto Nós дообучением Facebook Wav2Vec2 XLS-R 300M. Она преобразует аудио в текст и предназначена для транскрибации галисийских записей; модель оценивали на тестовых выборках Common Voice 17.0, OpenSLR77, FalAI, FLEURS и Nos_ParlaSpeech-GL. Архитектура — Wav2Vec2ForCTC, число параметров — 402,7 млн; веса опубликованы в формате safetensors. В README приведены результаты WER, CER и RTF для части корпусов, включая WER 4,39 на FalAI и 7,85 на Common Voice 17.0. Модель распространяется по лицензии Apache-2.0.

Это мультимодальная модель семейства Qwen3.5, опубликованная andrevp как преобразованная для MLX-VLM версия fp16 модели Jackrong/Qwen3.5-2B-Claude-4.6-Opus-Reasoning-Distilled. Она сочетает текстовый диалог и анализ изображений; автор указывает, что поведение рассуждения было дистиллировано из Claude Opus 4.6. Модель предназначена для запуска через mlx-vlm на компьютерах Apple Silicon. Архитектура включает 24 декодерных слоя: 23 слоя GatedDeltaNet с линейным вниманием и один слой полного self-attention, а также 24-слойную ViT-зрительную башню. Автор сообщает, что применил abliteration для ослабления отказов и цензурных реакций; это не гарантирует их полного отсутствия. Репозиторий содержит веса safetensors в формате fp16 и выдан по лицензии Apache-2.0.