I.5Создание и редактирование текста

nezamisafa/whisper-persian-v4 — модель распознавания речи на персидском языке, созданная дообучением Whisper large-v3 от OpenAI на наборе данных ASR_fa_v1. Это плотная модель архитектуры Whisper с 905,2 млн параметров, принимающая аудио и выдающая текст; для работы используется библиотека Transformers, веса опубликованы в формате safetensors. В README указана оценка WER 8,73 на наборе оценки. Модель предназначена для транскрибации персидской речи. Базовая Whisper large-v3 поддерживает многоязычную транскрибацию и перевод аудио в текст, однако карточка этой версии сообщает о дообучении для распознавания персидского языка и не подтверждает качество для других языков или задач. Модель распространяется по лицензии Apache-2.0.

CLEAR Global совместно с Makerere University Centre for Artificial Intelligence and Data Science дообучили мультиязычную модель распознавания речи Whisper Small на одобренной части набора TWB Voice 1.0 для хауса. Модель содержит 153,1 млн параметров, принимает аудио и выдаёт текстовую транскрипцию; в метаданных указана библиотека Transformers и формат весов safetensors. Модель предназначена для транскрибирования речи на хауса. На внутренней тестовой выборке TWB Voice 1.0 указаны WER 2,23% и CER 3,11%; тестовые дикторы не пересекались с обучающей и валидационной выборками. Также проводилась оценка на Common Voice v17 и Naija Voices, но её результаты не приведены. Модель распространяется по лицензии CC BY-SA 4.0.

NavAI · whisper-tiny-uzbek — компактная модель распознавания узбекской речи, разработанная NavAI на основе openai/whisper-tiny и дообученная на 753 часах аудио с человеческими расшифровками. В метаданных указано 29,4 млн параметров; README называет размер модели 39 млн. Архитектура — WhisperForConditionalGeneration, веса доступны в формате safetensors и предназначены для использования с Transformers. Модель преобразует узбекскую речь в текст, в первую очередь на латинице (uzn_Latn). Она подходит для транскрибации записей и пакетной обработки аудио; для лучших результатов рекомендуется явно задать язык «uz». Длинные записи обрабатываются окнами по 30 секунд. На четырёх тестовых наборах узбекской речи модель показывает макро WER 18,13% и микро WER 17,2%; качество ниже на энциклопедической речи и редких иностранных именах. Модель слабее справляется с дальними, шумными и выраженно диалектными записями; основной целевой вариант — узбекская речь на латинице. Лицензия модели — Apache-2.0.

Hannibal046/xrag-moe — языковая модель, разработанная Hannibal046 в рамках проекта xRAG. Она предназначена для генерации текста и использования в системах retrieval-augmented generation (RAG), где извлечённый контекст сжимается до одного токена перед передачей языковой модели. В репозитории разработчика модель указана как xRAG-MoE на базе mistralai/Mixtral-8x7B-Instruct-v0.1. Модель относится к архитектуре Mixture-of-Experts (MoE), поддерживает text generation и conversational-сценарии, содержит около 7,1 млрд параметров и имеет нативное контекстное окно 32 768 токенов. В качестве базовых инструментов указаны Transformers и PyTorch; модель можно запускать через Transformers, vLLM и SGLang. Основное преимущество — специализированная работа с RAG и экстремальным сжатием контекста, что может уменьшать объём входных данных при генерации ответов по найденным документам. Модель не является мультимодальной и предназначена для текстовых сценариев. В карточке отсутствуют надёжно указанные языки поддержки, лицензия и подробные сведения о качестве; поэтому эти характеристики нельзя устанавливать по доступным источникам.

Agents-A1-bf16 — конверсия модели InternScience/Agents-A1 в формат MLX с точностью bf16. Это мультимодальная агентная модель семейства Qwen3.5-MoE с 40 слоями декодера, 256 маршрутизируемыми экспертами и общим экспертом в каждом слое, размером скрытого состояния 2048, модулем обработки изображений и видеопредобработкой. Модель принимает текст и изображения и генерирует текст; для запуска мультимодальной версии README рекомендует библиотеку mlx-vlm. Модель предназначена для диалоговых и агентных сценариев, включая рассуждения и ответы на вопросы по изображениям. В README приведён пример пошагового решения арифметической задачи и описания изображения; базовая модель в каталоге ориентирована также на многошаговые агентные и научные задачи, поиск и вызов инструментов. Репозиторий распространяется по лицензии Apache-2.0. По README, полный вариант bf16 занимает около 65 ГБ на диске; замеры приведены для MacBook Pro M5 Max с 128 ГБ памяти.

base_phase3 — модель распознавания речи на архитектуре wav2vec2, дообученная nguyenminhly на основе nguyenminhly/base_phase2. Она предназначена для преобразования аудиозаписей в текст. В метаданных указаны 113,3 млн параметров и формат PyTorch. В README приведены результаты оценки: WER 0,1305 и loss 0,2736; названы 44 000 шагов обучения и 49,44 эпохи. Язык распознавания и состав обучающих данных не описаны, поэтому область применения по языку или тематике определить нельзя. Модель распространяется по лицензии CC BY-NC 4.0, которая требует указания авторства и ограничивает коммерческое использование.

combinedwhispersanlishlr2e5 — дообученная модель распознавания речи на базе openai/whisper-small, подготовленная разработчиком thunderboltc. Она принимает аудио и преобразует речь в текст; в метаданных указаны архитектура WhisperForConditionalGeneration и библиотека Transformers. README приводит результаты оценки: WER 33,4213 и CER 8,1594; сведений о языке и составе обучающих данных нет. Модель подходит для транскрибирования аудиозаписей в сценариях, соответствующих данным её дообучения. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. README не описывает назначение дообучения и ограничения качества, поэтому область применения по языкам и типам аудио определить нельзя.

gemma-3n-E4B-it-MLX-4bit — это 4-битная квантованная версия мультимодальной модели gemma-3n-E4B-it, разработанной Google. Квантование в формате MLX предоставлено командой LM Studio с использованием mlx_vlm; модель оптимизирована для работы на устройствах с Apple Silicon. Модель предназначена для задач преобразования изображений, аудио и видео в текст, включая автоматическое распознавание и перевод речи, а также сценарии audio-text-to-text и video-text-to-text. В README не указаны точные архитектурные параметры, число параметров, поддерживаемые языки и размер контекстного окна. Ключевые преимущества — сниженное потребление памяти и вычислительных ресурсов благодаря 4-битной квантовании и адаптация к экосистеме Apple Silicon. Возможные ограничения связаны с потерей точности из-за квантования, а также с отсутствием в предоставленных данных подробных характеристик качества и совместимости. Для доступа и использования требуется принять лицензию Google Gemma на Hugging Face; конкретные условия лицензии следует уточнять в её тексте.

GLiNER2 Polish PII — модель извлечения именованных сущностей, разработанная на основе fastino/gliner2-privacy-filter-PII-multi и адаптированная полнопараметрическим дообучением к выявлению персональных и чувствительных данных в польском тексте. Она использует архитектуру GLiNER2 и выдаёт символьные интервалы с текстом, меткой и оценкой уверенности; поддерживает запросы по встроенной таксономии из 31 метки и пользовательским схемам. Модель предназначена для поиска кандидатов на редактирование персональных данных в документах, журналах и обучающих наборах, а также для поддержки проверки и деидентификации текста. В комплект входят три профиля порогов: сбалансированный, ориентированный на точность и экспериментальный профиль для задач приватности. Качество зависит от меток, порогов и предметной области: модель может пропускать данные, выдавать ложные срабатывания, неточно выделять границы фрагментов и хуже находить структурированные идентификаторы без контекстных подсказок. Для PESEL, NIP, REGON и IBAN рекомендуется дополнительная проверка контрольных сумм; перед применением следует оценить ошибки на данных целевого домена. Это компонент обнаружения, а не готовая система деидентификации и не гарантия соответствия GDPR. Модель распространяется по лицензии Apache-2.0.

Карточка модели minsu0567/IAD-X1-GRPO-answer-last-2 на Hugging Face совпадает с карточкой minsu0567/IAD-X1-GRPO-answer-last, поэтому описание составлено по ней. minsu0567/IAD-X1-GRPO-answer-last — дообученная minsu0567 модель семейства Qwen3.5 для преобразования изображений и текста в текст. Карточка указывает на обучение с Unsloth и библиотекой TRL; метаданные описывают архитектуру как плотную условную генеративную модель с поддержкой изображений и диалогового взаимодействия. Модель предназначена для задач image-text-to-text. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. В карточке не приведены сведения о размере модели, длине контекста и конкретных языках использования; метаданные указывают английский язык.

Карточка модели VoiceScribe/parakeet-tdt-0.6b-v3-mlx на Hugging Face совпадает с карточкой mlx-community/parakeet-tdt-0.6b-v3, поэтому описание составлено по ней. Это версия модели NVIDIA Parakeet-TDT-0.6B-v3, подготовленная сообществом mlx-community для запуска в формате MLX на устройствах Apple. Модель основана на архитектуре FastConformer с Transducer-подходом и предназначена для автоматического распознавания речи и преобразования аудиозаписей в текст. Размер модели — около 0,6 млрд параметров; репозиторий содержит веса Safetensors и распространяется по лицензии CC BY 4.0. Модель поддерживает распознавание речи на нескольких европейских языках, включая английский, испанский, французский, немецкий, русский и другие. Её можно применять для транскрибации аудиозаписей и диктовки; для запуска доступны библиотеки parakeet-mlx и mlx-audio. Это конвертированная версия исходной модели NVIDIA, поэтому её характеристики распознавания определяются базовой моделью, а совместимость и производительность зависят от MLX и оборудования Apple.

ab-ai разработала дообученную модель на базе Microsoft Phi-3-mini-4k-instruct для обнаружения персональных данных в тексте. Она предназначена для поиска имен, дат рождения, контактных и адресных данных, финансовых реквизитов, идентификаторов, IP- и криптовалютных адресов и других чувствительных сущностей, например для редактирования документов, защиты конфиденциальности и проверки соответствия требованиям. Модель использует плотную архитектуру Phi-3 с 3,7 млрд параметров, работает через Hugging Face Transformers и принимает текст, генерируя текстовый ответ. Заявленный контекст составляет до 4096 токенов; в метаданных указан английский язык. Модель распространяется по лицензии MIT. Результаты обнаружения зависят от формата запроса и могут пропускать или неверно классифицировать данные; перед использованием в процессах соответствия требованиям нужна проверка качества на целевых текстах.

Qwen3.5-9B-Base — базовая мультимодальная модель семейства Qwen3.5, представленная в репозитории Unsloth в формате Transformers. Это предобученная модель с 9 млрд параметров: языковая модель с энкодером изображений, использующая гибридную архитектуру Gated Delta Networks и gated attention. Репозиторий содержит веса в формате safetensors и совместим с Hugging Face Transformers, vLLM и SGLang. Модель предназначена прежде всего для дообучения, экспериментов с обучением на контексте и разработки приложений, а не для прямого диалога. Она принимает текст и изображения и генерирует текст; нативная длина контекста составляет 262 144 токена, с расширением до 1 010 000 токенов. В README заявлена поддержка 201 языка и диалекта, без перечисления конкретных языков. Лицензия — Apache-2.0. Как базовая модель, она может требовать дообучения или настройки промптов для прикладного использования; карточка не приводит оценок качества именно этой сборки Unsloth.

Это доработанная независимым автором модель llmfan46 на основе Qwen3-VL-32B-Instruct: в ней применён метод abliteration, чтобы заметно снизить частоту отказов. Это плотная мультимодальная модель с архитектурой Qwen3-VL и 32 млрд параметров, предназначенная для диалога по изображениям и видео, распознавания текста на изображениях и визуального рассуждения. Она также принимает текстовые запросы и генерирует текстовые ответы; базовая модель заявляет контекст до 256 тыс. токенов с возможностью расширения до 1 млн и поддержку OCR на 32 языках. В тестах автора доля отказов снизилась до 4 из 100 против 99 из 100 у исходной модели. Точность на PIQA близка к исходной (92,87% против 93,09%), а на MMLU ниже (79,87% против 82,44%), поэтому изменение ограничений сопровождается некоторой потерей результатов на этом тесте. Модель распространяется по лицензии Apache-2.0. README описывает возможности и характеристики базовой Qwen3-VL; эти сведения не следует считать отдельной независимой оценкой данной доработки.

Qwen3-VL-4B-Heretic — модифицированная сообществом версия мультимодальной модели Qwen3-VL-4B-Instruct от Qwen. Авторы применили оптимизатор Heretic для ослабления механизмов отказа; опубликованный вариант t122 выбран среди четырёх экспериментальных вариантов как вариант с наименьшим сдвигом относительно базовой модели. Это плотная модель примерно на 4 млрд параметров с архитектурой Qwen3-VL: языковой частью и энкодером изображений. Репозиторий содержит веса BF16 для Transformers и vLLM, сохраняя поддержку зрения; заявленный основной сценарий — диалог с анализом изображений и видео, включая OCR и визуальные рассуждения, унаследованные от базовой модели. В приведённых авторами испытаниях t122 достиг 100% выполнения запросов из набора HarmBench, тогда как базовая модель выполнила 30,8%; это означает существенное ослабление защитных отказов и позволяет использовать модель для ответов на запросы, которые базовая версия могла бы отклонить. На MMLU и HellaSwag результаты близки к базовой модели, а GSM8K снизился на 1,83%. Лицензия — Apache-2.0. Модель унаследовала ограничения Qwen3-VL-4B-Instruct; изменение поведения не гарантирует полного устранения отказов во всех контекстах.

RAG-Qwen2.5-7B — языковая модель TroyDoesAI, дообученная на базе unsloth/qwen2.5-7b-bnb-4bit. Она предназначена для ответов на вопросы по предоставленному контексту в сценариях RAG и для более точного следования источникам с целью снизить число галлюцинаций. Для контекста используется формат с явными разделителями блоков текста, метаданных и инструкции; модель обучалась отвечать на одиночные вопросы, а также формировать абзацы и списки. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, контекстом до 131 072 токенов и поддержкой английского языка. Репозиторий содержит веса PyTorch; для обучения применялись Unsloth и Hugging Face TRL. Лицензия — Apache-2.0. Модель лучше подходит для генерации ответов с опорой на явно переданный контекст, чем для задач, где требуется гарантированно проверяемая достоверность: снижение галлюцинаций заявлено как цель, но не подтверждено количественной оценкой. Для ожидаемого поведения нужно оформлять вход в рекомендованном формате; поддержка других языков и мультимодальных входов не заявлена.

SYNGEN REASONING 0.6B — языковая модель Pinkstack с 507,6 млн параметров на архитектуре Qwen3, дообученная на базе Qwen/Qwen3-0.6B-Base. Она предназначена прежде всего для генерации синтетических рассуждений, привязанных к итоговым ответам, например при преобразовании диалоговых наборов данных в наборы с цепочками рассуждений. Модель также подходит для других задач генерации текста, требующих рассуждений. Модель принимает текст и генерирует текст; заявленный родной контекст — 32 768 токенов. В README приведены рекомендуемые параметры генерации: min_p 0,05, top_p 0,85, temperature 0,55 и до 32 000 новых токенов. Карточка указывает поддержку английского и многоязычного текста, а также возможности диалога и генерации кода. Лицензия — Apache-2.0.

T5-Efficient-XXL Deep-Narrow — предварительно обученный текстовый энкодер-декодер Google на архитектуре T5, выпущенный вместе с исследованием «Scale Efficiently: Insights from Pre-training and Fine-tuning Transformers». Вариант Deep-Narrow увеличивает глубину модели относительно ширины; авторы исследования рассматривают такую конфигурацию как эффективную для последующей настройки. Метаданные каталога указывают 385,2 млн параметров, тогда как README приводит противоречивое значение 11 307,38 млн для чекпойнта XXL. Модель обучена на англоязычном наборе C4 span-based masked language modeling и предназначена для дальнейшего дообучения под задачи суммаризации, ответов на вопросы и классификации текста. Это не готовая чат-модель: для практического применения требуется fine-tuning. Контекст составляет 512 токенов; доступны веса для PyTorch, TensorFlow и Flax. Лицензия — Apache-2.0.

Tanaos разработала эту модель на базе tanaos/tanaos-NER-v1 и дообучила её с помощью библиотеки Artifex на синтетических данных для распознавания персональных данных в тексте. Это модель RoBERTa для токеновой классификации с 151,8 млн параметров и контекстом до 514 токенов. Она выделяет пять категорий чувствительных сущностей, включая имена людей, местоположения и даты, после чего обнаруженные фрагменты можно удалить или заменить для анонимизации текста. Модель предназначена для подготовки текстов к передаче, публикации или дальнейшей обработке, когда требуется снизить риск раскрытия персональных данных. В карточке заявлена поддержка английского языка; обучение проводилось на синтетическом наборе примерно из 10 тысяч фрагментов. Указана лицензия MIT. Авторы отмечают, что для специализированных текстов может потребоваться дополнительное дообучение; распознавание сущностей само по себе не гарантирует полного удаления всех персональных данных или соответствия требованиям GDPR.

Модель suzii/vi-whisper-large-v3-turbo — дообученная разработчиком suzii версия Whisper large-v3-turbo для распознавания вьетнамской речи. Она принимает аудио и преобразует его в текст; обучение продолжалось 240 часов на одной видеокарте Nvidia A6000 с использованием нескольких корпусов вьетнамской речи. Архитектура — WhisperForConditionalGeneration, около 905,2 млн параметров; доступны веса в форматах Safetensors и ONNX, модель рассчитана на работу через Transformers. Модель предназначена для транскрибирования вьетнамской речи, в том числе аудиозаписей, разговоров, видеороликов и аудиокниг. Её языковая специализация и дообучение на вьетнамских корпусах ориентированы на улучшение распознавания этого языка относительно исходной мультиязычной модели. Лицензия в предоставленных данных не указана.

C1Tech разработала модель распознавания персидской речи на архитектуре Whisper, дообучив её на крупном пользовательском наборе данных на персидском языке. Модель преобразует аудио в текст и предназначена для задач автоматического распознавания речи на персидском языке. В README заявлены 74 млн параметров и высокие результаты на тестах Common Voice и FLEURS по сравнению с рядом крупных моделей. Метаданные репозитория указывают 51,7 млн параметров; поэтому точный размер модели расходится между источниками. Для использования подходит библиотека Transformers, веса доступны в формате safetensors. Лицензия — Apache-2.0.

mikr/whisper-large-czech-cv11 — дообученная модель автоматического распознавания речи на базе Whisper Large от OpenAI. Она обучена на чешской части датасета Mozilla Common Voice 11.0 и предназначена для транскрибирования чешской речи в текст. В архитектуре WhisperForConditionalGeneration около 905,2 млн параметров; веса доступны в форматах PyTorch и Safetensors. На тестовой выборке автор приводит WER 10,8278 и loss 0,2528. Модель распространяется по лицензии Apache-2.0.

vumichien/whisper-large-v2-jp — дообученная модель распознавания речи на основе Whisper large-v2 от OpenAI. Она обучена на японской части набора Mozilla Common Voice 11.0 и предназначена для преобразования японской речи в текст. Архитектура WhisperForConditionalGeneration содержит около 905,2 млн параметров; модель принимает аудио и выдаёт текст. В README приведены результаты оценки на тестовой выборке: WER 8,1166 и CER 5,0032. Модель опубликована под лицензией Apache-2.0.

Whisper Small от FutureProofGlitch — дообученная версия openai/whisper-small для автоматического распознавания речи. Модель содержит 153,1 млн параметров и обучена на корпусе AMI Meeting Corpus, содержащем записи совещаний. Подходит для преобразования речи из записей встреч в текст; для оценки приведены WER 19,38 и WER Ortho 19,58 на тестовой выборке. Модель принимает аудио и выдаёт текст. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Подробности о сценариях применения и ограничениях качества в карточке не раскрыты.

Whisper Small Czech CV11 — модель распознавания речи, созданная дообучением openai/whisper-small на чешской части набора Mozilla Common Voice 11.0. Она преобразует чешскую речь в текст и подходит для транскрибирования записей и голосовых фрагментов. Архитектура — WhisperForConditionalGeneration, размер — 153,1 млн параметров; базовая модель Whisper мультиязычная. На тестовой выборке указана WER 18,5557 и loss 0,3587. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Оценка приведена для указанного набора данных; README не описывает ограничения качества в других условиях записи.

ASID-Captioner-7B — мультимодальная модель для детального описания видео, разработанная AudioVisual-Caption и дообученная на основе Qwen/Qwen2.5-Omni-7B на наборе ASID-1M. Она анализирует видеокадры и, если доступна, звуковую дорожку, формируя связное текстовое описание.

gte-micro — компактная модель эмбеддингов на архитектуре BERT, разработанная как дистилляция gte-small. Она предназначена для семантического автодополнения: преобразует английский текст в векторы, которые можно использовать для поиска подходящих продолжений или сравнения смысловой близости. Модель содержит 18,8 млн параметров, принимает текстовые входы и рассчитана на контекст до 512 токенов; доступны форматы Safetensors и ONNX. Модель подходит для сценариев семантического поиска и ранжирования вариантов автодополнения по смыслу. Лицензия — MIT. Она предназначена только для английского текста; более длинные входы обрезаются до 512 токенов.

Heretical-Qwen3.5-0.8B — дообученная версия Qwen3.5-0.8B-Base от автора репозитория, созданная с помощью настроенной версии Heretic. Это компактная плотная мультимодальная модель с 0,8 млрд параметров: гибридная архитектура Gated DeltaNet и Softmax Attention объединена с визуальным энкодером. Модель принимает текст и изображения и предназначена для диалогов и задач понимания изображений; контекст составляет 262 144 токена. В README сообщается о снижении частоты отказов в тесте автора до 5 из 100 при KL-дивергенции 0,0224 относительно исходной модели. Небольшой размер подходит для прототипирования, разработки и дальнейшей настройки под конкретные задачи. Карточка также заявляет поддержку 201 языка и диалекта, но не приводит таблицу языков именно этой версии. Модель распространяется в формате Safetensors для Transformers; лицензия — Apache-2.0.

hviske-v5.3 — модель распознавания датской речи, разработанная Syvai и дообученная на базе syvai/hviske-v5.1 на обучающих выборках CoRal v3. Это модель класса Conformer encoder-decoder с 2 млрд параметров, предназначенная для транскрибации чтения вслух и разговорной речи на датском языке. Она принимает аудио и выдаёт текст; длинные записи автоматически разбиваются на фрагменты, а входное аудио пересэмплируется до 16 кГц. На полных тестовых выборках CoRal v3 автор сообщает средний WER 13,91% при beam search с шириной 5 и строгой нормализацией; на разговорной речи ошибки заметно выше, чем на чтении вслух. На одной RTX 3090 указана скорость около 425× относительно реального времени. Beam search снижает WER примерно на 0,4 процентного пункта, но увеличивает время инференса примерно на 75%. Для загрузки через Transformers требуется trust_remote_code, поскольку репозиторий содержит пользовательский код. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

InternVL-Chat-V1-1 — мультимодальная модель OpenGVLab для диалога по изображениям и тексту. Её архитектура объединяет визуальный энкодер InternViT-6B с разрешением 448 × 448, MLP-проектор и внутреннюю чат-версию LLaMA2-13B; общий размер составляет 19 млрд параметров. Изображение кодируется в 256 визуальных токенов после операции pixel shuffle. Модель предназначена для ответов на вопросы об изображениях, визуального диалога и распознавания текста на изображениях. В этой версии улучшены OCR и поддержка китайских разговоров; карточка также показывает поддержку многоязычности. Можно вести текстовый диалог без изображения. Модель работает через Transformers и требует значительных вычислительных ресурсов; авторы предупреждают, что 4-битная BNB-квантизация может ухудшить понимание изображений, а результаты при работе с несколькими изображениями и видео слабы из-за недостатка обучающих данных. Лицензия — MIT.