I.5Создание и редактирование текста

Модель ruanchaves/bert-base-portuguese-cased-assin2-similarity — дообученная версия BERTimbau base, разработанная на основе neuralmind/bert-base-portuguese-cased. Она предназначена для оценки семантического сходства двух текстов на португальском языке с помощью классификационной головы BertForSequenceClassification и обучалась на наборе ASSIN 2. Модель содержит 136,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт результат классификации. Её можно применять для сравнения перефразировок, поиска похожих предложений и оценки сходства текстовых пар на португальском языке. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

Экспериментальная копия весов dots.ocr от RedNote HiLab с исправленной конфигурацией для запуска через Transformers. Модель предназначена для анализа изображений документов и преобразования их содержимого в текст, в том числе в формате Markdown; архитектура — плотная модель DotsOCRForCausalLM с 1,5 млрд параметров, работающая с изображениями и текстом. В метаданных указан контекст до 131 072 токенов и поддержка английского языка. Исправление устраняет ошибку инициализации video_processor, из-за которой инференс не запускался в актуальных версиях Transformers. Репозиторий содержит веса в формате safetensors и имеет лицензию MIT. Автор карточки называет эту версию экспериментальной и рекомендует более новые версии исходной модели; также указано, что скопированные веса нельзя использовать для других целей.

LMUnit-Qwen2.5-72B — языковая модель Contextual AI для оценки ответов по критериям на естественном языке. Она получает запрос, ответ и проверочный критерий и возвращает непрерывную оценку от 1 до 5: чем выше балл, тем лучше ответ соответствует критерию. Модель основана на Qwen2.5-72B-Instruct и дообучена для оценки качества текста. Она поддерживает диалоговый формат и интерфейс вызова инструментов; число параметров — 71,5 млрд, контекст — до 32 768 токенов. В карточке указана поддержка английского языка. Обучение объединяет сигналы сравнений ответов, прямых оценок и оценок по отдельным критериям. Разработчик приводит результаты на FLASK, BiGGen Bench, LFQA, RewardBench и RewardBench2. Модель подходит для автоматической проверки ответов по пользовательским критериям, ранжирования вариантов и оценки качества развернутых текстов. Лицензия в предоставленных данных не указана.

Cross-Encoder for Natural Language Inference — англоязычная модель от Sentence Transformers на базе microsoft/deberta-v3-xsmall. Она принимает пару предложений и оценивает их отношение, выдавая оценки для противоречия, следования и нейтральности. Модель содержит 77,5 млн параметров, использует архитектуру DeBERTa V2 и рассчитана на контекст до 512 токенов. Модель обучена на SNLI и MultiNLI. Её можно применять для проверки текстовых гипотез и классификации без дополнительного обучения, задавая категории в виде гипотез. В README приведены точности 91,64% на тестовой выборке SNLI и 87,77% на наборе MNLI mismatched. Лицензия — Apache-2.0.

OpenAI o4 Mini High — вариант модели рассуждений OpenAI o4-mini с параметром reasoning_effort, установленным на high. Это компактная модель семейства o-series, рассчитанная на быстрые и экономичные ответы с усиленным пошаговым рассуждением. В метаданных каталога для неё указана задача image-text-to-text. Модель предназначена для задач, где полезны рассуждение и работа с визуальным вводом и текстом. README сообщает, что это тот же вариант, что o4-mini, с повышенным уровнем reasoning effort; сведения об архитектуре, размере, контекстном окне, языках и условиях лицензии в предоставленных источниках отсутствуют.

Parakeet TDT 0.6B V2 — англоязычная модель автоматического распознавания речи от NVIDIA. Она преобразует монофоническое аудио в текст с пунктуацией, заглавными буквами и временными метками на уровне слов. Модель содержит 600 млн параметров и использует архитектуру FastConformer-TDT с декодером TDT; работает с аудиофрагментами длительностью до 24 минут за один проход. Модель предназначена для транскрибации разговоров, голосовых команд, песенных текстов и записей для субтитров или голосовой аналитики. По данным разработчика, она хорошо распознаёт числа в речи; скорость зависит от длительности аудио и размера пакета. Для запуска используется NVIDIA NeMo; модель оптимизирована для систем с GPU NVIDIA. Вход — монофоническое аудио 16 кГц, в карточке указаны форматы WAV и FLAC. Модель доступна для коммерческого и некоммерческого использования по лицензии CC-BY-4.0. Карточка не сообщает о мерах снижения смещений; точность для языков, отличных от английского, не заявлена.

handy-computer/whisper-base-gguf — это конверсия мультиязычной модели распознавания речи OpenAI Whisper base в формат GGUF для использования с transcribe.cpp. Модель разработана на основе openai/whisper-base и предназначена для автоматического преобразования аудио в текст, определения языка и перевода речи с любого поддерживаемого языка на английский. Для длинных записей используется декодирование фрагментами с окнами по 30 секунд; потоковая обработка не поддерживается, доступны сегментные временные метки. Модель построена на архитектуре encoder-decoder Transformer и поддерживает широкий набор языков, включая русский, английский, немецкий, французский, испанский, китайский, японский и многие другие. Доступны варианты F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 59 до 292 МБ. На тестовой выборке LibriSpeech test-clean показатель WER составляет 5,10–5,36% в зависимости от квантования, что указывает на высокое качество распознавания английской речи; качество заметно различается между языками, поэтому для менее распространённых языков требуется дополнительная проверка. Модель подходит для локальной транскрибации, субтитров, голосового ввода, анализа аудиозаписей и перевода речи. Квантованные варианты снижают требования к памяти при небольшом ухудшении качества, но README не содержит данных о точных требованиях к оборудованию и полной производительности. Распространяется по лицензии Apache-2.0.

vhdm/whisper-large-fa-v1 — модель распознавания речи на архитектуре Whisper, созданная разработчиком vhdm дообучением openai/whisper-large-v3-turbo на персидских аудиозаписях из набора vhdm/persian-voice-v1.1. Модель содержит 905,2 млн параметров и предназначена для транскрибации персидской речи: голосовых заметок, подкастов, видео и интервью, а также для создания поисковых расшифровок. Она поддерживает входное аудио и выдаёт текст; для чистой персидской речи в карточке указана частота ошибок слов WER 14,07%. Модель распространяется по лицензии MIT. Обучение проводилось на чистой речи из конкретного набора данных, поэтому качество может снижаться на шумных записях, акцентах и диалектах. Модель не оптимизирована для потокового распознавания и иногда может генерировать правдоподобные, но неверные слова.

AiLab.lv дообучила Whisper large-v3 для распознавания латышской речи. Модель принимает аудио и преобразует его в текст; её обучали на 209 часах латышских записей из Common Voice 17.0 и LATE-Media с помощью Transformers. Это плотная encoder-decoder модель WhisperForConditionalGeneration примерно с 905 млн параметров, опубликованная в форматах PyTorch и safetensors. Для Common Voice 17.0 указаны WER 3,4% на нормализованном тесте и 5,0% на форматированном; на тесте LATE-Media WER составляет 20,8%. Модель распространяется по лицензии Apache-2.0. Авторы отмечают, что её сменила более новая версия whisper-large-v3-lv-late-cv19.

Модель Dianavdavidson — дообученная на наборе данных Vaani модель автоматического распознавания речи на базе OpenAI Whisper Medium. Она принимает аудио и генерирует текстовую расшифровку; в карточке указаны 455,8 млн параметров, архитектура Whisper и формат safetensors. На оценочном наборе приведены Loss 0,4028 и Global WER 28,6796, однако описание не уточняет состав набора и методику оценки. Модель распространяется по лицензии Apache-2.0.

LyngualLabs/whisper-small-yoruba — дообученная LyngualLabs модель OpenAI Whisper Small на архитектуре Seq2Seq/Transformer с 153,1 млн параметров. Она предназначена для автоматической транскрибации речи на йоруба и английском, включая частое переключение между этими языками в одной беседе. Модель принимает аудио и выдаёт текст; в README сообщается о настройке на акценты, тональность и языковое смешение в разговорах на йоруба и английском. На отложенной тестовой выборке авторы сообщили WER 20,76%. Модель может путать орфографию заимствованных слов при переключении языков; качество снижается на шумных записях и диалектных вариантах йоруба. Лицензия репозитория — Apache-2.0.

deepdml/whisper-tiny-es-mix-norm — дообученная модель распознавания речи на базе openai/whisper-tiny, разработанная deepdml. Она преобразует аудио в текст и обучена на наборах Common Voice 26.0, WorldSpeech, VoxPopuli, Multilingual LibriSpeech, VoxForge, FLEURS и Basque Parliament. В карточке указаны результаты оценки: WER 16,07 и CER 6,04; подробности методики оценки не приведены. Модель представлена в формате safetensors и доступна по лицензии Apache-2.0.

IDEA-CCNL разработала Erlangshen-Roberta-330M-Similarity — китайскую модель семейства RoBERTa, дообученную для оценки сходства текстов. Она основана на chinese-roberta-wwm-ext-large и обучена на 2 773 880 примерах из 20 наборов данных с китайскими перефразированиями. В README размер модели указан как 330 млн параметров, а метаданные Hugging Face указывают 424,3 млн параметров; для запуска предлагаются BertTokenizer и BertForSequenceClassification из Transformers. Модель предназначена для сравнения китайских фраз и предложений, в том числе поиска перефразирований и определения смысловой близости. В карточке приведены результаты на наборах BQ, BUSTM и AFQMC; длина контекста составляет 512 токенов. Модель принимает текстовые пары и выдаёт классификационную оценку сходства. Репозиторий распространяется под лицензией Apache-2.0.

nypgd/gemma-4-e2b-assistant-vllm — дообученная разработчиком nypgd мультимодальная модель семейства Gemma 4 на базе unsloth/gemma-4-E2B-it. Она предназначена для диалогов с текстом и изображениями; каталог также отмечает интерфейс вызова инструментов. Модель представлена в формате safetensors и обучалась с использованием Unsloth и библиотеки TRL. Модель подходит для вопросов по изображениям и документам, а также для ассистентских сценариев с подключением инструментов. В карточке не приведены сведения о размере, длине контекста и конкретных языковых возможностях; метаданные указывают английский язык. Лицензия — Apache-2.0.

InternVL3.5-38B-Instruct — мультимодальная модель OpenGVLab для диалогов и рассуждений по тексту и изображениям. Это дообученная версия InternVL3.5-38B-Pretrained на архитектуре InternVLChat; репозиторий содержит веса Safetensors и рассчитан на использование с Transformers. Модель может описывать изображения, отвечать на вопросы о визуальном содержимом и выполнять текстовые задачи; семейство также заявляет поддержку взаимодействия с графическим интерфейсом и embodied-сценариев. В InternVL3.5 применяются Cascade RL для улучшения рассуждений и Visual Resolution Router для динамической настройки разрешения визуальных токенов. Для запуска версии 38B README указывает необходимость двух GPU A100. Карточка сообщает о многоязычности, но не перечисляет конкретные языки. Модель распространяется по лицензии Apache-2.0.

Qwen-7B-QAnything — двуязычная instruction-tuned модель на базе Qwen-7B, подготовленная для QAnything. Карточка описывает запуск через FastChat с бэкендами Transformers и vLLM; метаданные указывают архитектуру QWenLMHeadModel и контекст до 8192 токенов. Модель предназначена для диалоговых сценариев QAnything и может использоваться в системах, которым нужны генерация ответов и извлечение признаков для RAG. В README заявлена поддержка двух языков, но их названия не приведены. Репозиторий содержит веса PyTorch. В метаданных указана лицензия Apache-2.0, тогда как README ссылается на Tongyi Qianwen Research License Agreement; условия следует сверить перед использованием.

jonatasgrosman/wav2vec2-xls-r-1b-portuguese — модель распознавания речи на португальском языке, созданная дообучением facebook/wav2vec2-xls-r-1b. Она использует архитектуру Wav2Vec2 с выходной головой CTC и содержит около 1,3 млрд параметров. Для обучения использованы обучающие и валидационные части Common Voice 8.0, CORAA, Multilingual TEDx и Multilingual LibriSpeech; модель предназначена для преобразования португалоязычной речи в текст. Модель принимает аудио с частотой дискретизации 16 кГц и выдаёт транскрипцию. В карточке приведён пример использования через библиотеку HuggingSound. Модель опубликована под лицензией Apache-2.0. Карточка не сообщает метрики качества или ограничения на типы записей, поэтому практическую точность следует оценивать на данных целевого сценария.

OpenVINO/whisper-small.en-int8-ov — англоязычная модель автоматического распознавания речи на базе Whisper small, разработанного OpenAI. Модель преобразована в формат OpenVINO IR, а её веса сжаты до INT8 с помощью NNCF; объём модели составляет около 153,1 млн параметров. Модель предназначена для преобразования английской речи в текст: расшифровки аудиозаписей, голосовых заметок, интервью и других источников аудио. Она поддерживает запуск через OpenVINO и Optimum Intel, включая инференс на CPU, и совместима с OpenVINO версии 2025.2.0 и выше и Optimum Intel версии 1.23.0 и выше. INT8-квантизация уменьшает размер весов и может сделать инференс более эффективным на совместимом оборудовании, однако модель рассчитана именно на английский язык. Использование распространяется по лицензии Apache-2.0.

Carnice-V2-27B — мультимодальная модель на 27 млрд параметров от kai-os, созданная дообучением Qwen/Qwen3.6-27B на трассах взаимодействия в стиле Hermes Agent. Это объединённая версия SFT-чекпойнта в формате BF16, распространяемая как самостоятельные веса safetensors для Transformers; репозиторий содержит полную модель, а не только LoRA-адаптер. Модель предназначена для диалоговой работы с изображениями и агентных сценариев, включая следование инструкциям и вызов инструментов через совместимый интерфейс. В README приведены улучшенные результаты на коротком A/B smoke-тесте IFEval относительно базовой модели, но автор отдельно уточняет, что выборка ограничена 20 заданиями и не является официальной оценкой на полном бенчмарке. Лицензия — Apache-2.0. Для загрузки BF16-весов требуется исправленная версия с корректными префиксами тензоров; опубликованный репозиторий заявлен как исправленный. Параметры контекста и перечень поддерживаемых языков в доступных сведениях не раскрыты.

IndicWav2Vec-Hindi — модель распознавания речи на основе архитектуры Wav2Vec2, разработанная AI4Bharat. Она предназначена для преобразования аудиоречи на хинди в текст и подходит для сценариев автоматической транскрибации. Модель обучена в fairseq и перенесена в формат Hugging Face; репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель распознаёт речь на хинди. Для неё отмечено ограничение: вывод при инференсе с языковой моделью не поддерживается, что может ограничивать улучшение транскрипции с помощью языкового декодирования.

LFM2-2.6B-Transcript — компактная плотная языковая модель Liquid AI, разработанная совместно с AMD для суммаризации расшифровок встреч. Модель дообучена на базе LiquidAI/LFM2-2.6B и содержит 2,4 млрд параметров; её контекст составляет 128 000 токенов. Она принимает текстовую расшифровку с указанием участников и выдаёт связное резюме, ключевые тезисы, решения и поручения. Модель рассчитана на длинные транскрипты встреч продолжительностью 30–60 минут, включая внутренние совещания, звонки с клиентами и брифинги. Она поддерживает английский язык и предназначена для одношагового диалога с заданным форматом входа. По заявлению разработчиков, модель может работать локально на CPU, GPU и NPU, в том числе в условиях ограниченной памяти, что подходит для конфиденциальных и автономных сценариев. Для этого репозитория указана лицензия other; конкретные условия использования следует сверить с лицензией и документацией модели. Качество и скорость зависят от оборудования и входной расшифровки. Разработчики рекомендуют низкую температуру генерации, около 0,3; модель специализирована на английских стенограммах встреч, поэтому не следует считать её универсальной или многоязычной.

Карточка модели OpenMOSS-Team/MOSS-Audio-8B-Thinking на Hugging Face совпадает с карточкой OpenMOSS-Team/MOSS-Audio-4B-Instruct, поэтому описание составлено по ней. MOSS-Audio-4B-Instruct — открытая модель для понимания аудио, разработанная MOSI.AI, командой OpenMOSS и Shanghai Innovation Institute. Это вариант Instruct с аудиоэнкодером MOSS-Audio-Encoder и языковой основой Qwen3-4B; общий размер составляет около 4,6 млрд параметров. Аудио преобразуется в временные представления с частотой 12,5 Гц, которые объединяются с представлениями языковой модели для генерации текста. Модель принимает аудио и выполняет инструкции на его основе. Модель предназначена для распознавания речи с временными метками, ответов на вопросы и составления резюме по аудио, анализа говорящих, эмоций и звуковых событий, описания окружающей обстановки и понимания музыки. Архитектура с передачей признаков между слоями энкодера и временными маркерами поддерживает анализ акустических деталей и последовательности событий. В карточке семейства заявлена поддержка английского и китайского языков; результаты оценки относятся к семейству моделей и не гарантируют такое же качество именно для варианта 4B. Модель распространяется по лицензии Apache-2.0. Карточка описывает возможности семейства, но не приводит отдельные результаты оценки, требования к ресурсам или конкретные ограничения варианта 4B-Instruct.

NB-Whisper Base — модель автоматического распознавания речи от NB AI-Lab Национальной библиотеки Норвегии. Она основана на openai/whisper-base и дообучена для работы с норвежской речью, включая букмол и нюнорск, а также с английским языком. В метаданных указано 51,7 млн параметров; карточка описывает семейство NB-Whisper и сообщает, что модели серии обучались на корпусе из 66 000 часов речи. Модель предназначена для расшифровки аудио и может использоваться для транскрипции длинных записей, получения временных меток слов и предложений, а также перевода речи на английский. Для длинного аудио карточка рекомендует обработку фрагментами; увеличение beam size может повысить точность ценой скорости и памяти. Модель доступна для использования через Transformers, также описана конверсия в формат Whisper.cpp. Лицензия — Apache 2.0. Распознавание других языков и качество на шумных или специализированных записях не подтверждены приведёнными данными.

Openthoughts-4-code-qwen3-32b-annotated-32k_qwen2.5-1.5B_32k — диалоговая языковая модель семейства Qwen2, разработанная на основе Qwen/Qwen2.5-1.5B-Instruct и дообученная на датасете laion/openthoughts-4-code-qwen3-32b-32k-annotated. Она предназначена для генерации текста и диалоговых ответов, в том числе по примерам кода из обучающих данных. Модель имеет архитектуру Qwen2ForCausalLM, 1,5 млрд параметров и контекст до 32 768 токенов; доступна в формате Safetensors и рассчитана на работу с текстом. Модель может быть полезна для генерации кода и ответов в чат-сценариях, однако README не приводит результатов оценки, конкретных ограничений или подробностей обучения. Лицензия — Apache-2.0.

cnmoro/Qwen2.5-0.5B-Chunk-Compressor — дообученная модель Qwen2.5-0.5B-Instruct для сжатия фрагментов текста. Она предназначена для подготовки более компактных и удобных для чтения фрагментов, сохраняющих информацию для систем поиска с дополненной генерацией (RAG). Модель построена на плотной архитектуре Qwen2ForCausalLM и содержит 494 млн параметров; нативная длина контекста — 32 768 токенов. Модель принимает текст и генерирует сжатый текст. В карточке указан португальский язык. Для применения приведён строгий шаблон использования, поэтому формат входных данных следует соблюдать. Модель распространяется по лицензии MIT.

Qwen2.5-VL-7B-Instruct-GGUF — мультимодальная instruction-модель семейства Qwen2.5-VL, разработанная Qwen и представленная в формате GGUF компанией Second State Inc. Модель предназначена для обработки изображений и текста с генерацией текстовых ответов, поэтому подходит для визуальных вопросов и ответов, анализа изображений и других сценариев image-text-to-text. Модель основана на Qwen/Qwen2.5-VL-7B-Instruct и имеет около 7 миллиардов параметров. В комплекте предусмотрен отдельный визуальный модуль Qwen2.5-VL-7B-Instruct-vision.gguf; заявленный размер контекста составляет 32 000 токенов. Для запуска рекомендуется LlamaEdge с prompt template qwen2-vision. В README указан английский язык, поэтому поддержка других языков по этим данным не подтверждена. Доступно несколько вариантов квантования от 2 до 8 бит, а также версия f16, что позволяет выбирать между размером файлов, требованиями к памяти и качеством. Рекомендуемыми названы варианты Q4_K_M, Q5_K_M и Q5_K_S; более агрессивное квантование может приводить к заметной или существенной потере качества. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-8B-Thinking — мультимодальная модель семейства Qwen3-VL от команды Qwen компании Alibaba Cloud, представленная в формате MLX fp16 для локального запуска на компьютерах Apple Silicon через NexaSDK. Это производная от Qwen/Qwen3-VL-8B-Instruct модель с 8 млрд параметров, предназначенная для диалога и рассуждений по тексту, изображениям и видео. Модель подходит для визуальных вопросов и ответов, анализа сцен, графиков и документов, объяснения результатов и многошагового анализа мультимодальных данных. Она принимает текст и изображения, в том числе последовательности видеокадров, и формирует текстовые ответы; README также заявляет структурированные цепочки рассуждений и JSON-ответы. Карточка отмечает многоязычные возможности, но не перечисляет конкретные языки или длину контекста. В README заявлены углублённое визуальное рассуждение и работа с длинным контекстом, однако конкретные тесты и количественные результаты не приведены. Модель распространяется под лицензией Apache-2.0, унаследованной от базовой модели Qwen/Qwen3-VL-8B-Instruct.

sat-3l-sm — компактная модель сегментации текста из проекта Segment Any Text, предназначенная для использования с wtpsplit. Она делит текст на предложения, что полезно для подготовки документов, субтитров и других текстовых данных. Модель построена на архитектуре XLM для классификации токенов, содержит 220,3 млн параметров и использует три слоя Transformer. Контекст модели составляет 514 токенов; доступны форматы Safetensors и ONNX. Модель рассчитана на многоязычную сегментацию предложений. Карточка перечисляет широкий набор поддерживаемых языков, включая английский, арабский, китайский здесь не заявлен, японский и другие; языковые теги метаданных не включают русский. Лицензия — MIT. Карточка не описывает точность на конкретных наборах данных или ограничения обработки длинных последовательностей.

TB-OCR-preview-0.1 — предварительная модель распознавания текстовых блоков, созданная Yifei Hu на базе Microsoft Phi-3.5-vision-instruct. Она принимает изображения отдельных блоков и преобразует их содержимое в структурированный Markdown, включая текст, математические выражения в LaTeX и заголовки. Модель рассчитана на обработку блоков, а не целых страниц; для распознавания страницы автор рекомендует сначала выделять текстовые, табличные и графические области отдельной моделью. Блоки можно обрабатывать параллельно. Модель содержит 3,7 млрд параметров, использует архитектуру Phi3VForCausalLM и формат safetensors. Контекст составляет 4096 токенов. По заявлению автора, 4-битная загрузка требует около 2,8 ГБ видеопамяти и почти не снижает качество. Это preview-чекпойнт для проверки качества синтетического датасета, обученный примерно на 250 тыс. пар изображение–текст; лицензия — MIT.

jlvdoorn/whisper-large-v3-atco2-asr-atcosim — дообученная модель семейства Whisper, созданная на базе openai/whisper-large-v3. Она предназначена для автоматического распознавания речи и преобразования аудио в текст. В карточке приведены результаты оценки: loss 0,1039 и WER 22,2698; сведения о наборе данных и сценариях обучения не раскрыты. Модель содержит около 905,2 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0.