I.5Создание и редактирование текста

jstoone/whisper-medium-da — дообученная модель распознавания датской речи, созданная на основе openai/whisper-medium. Это модель архитектуры Whisper с 455,8 млн параметров; она принимает аудио и преобразует речь в текст. Дообучение проводилось на датских данных Common Voice 11.0 и FLEURS. На указанном наборе оценки модель показала WER 13,7086 и loss 0,5814. Модель предназначена для автоматической расшифровки датской речи. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка не описывает условия записи аудио, устойчивость к различным акцентам и шуму или ограничения качества за пределами приведённой оценки.

Whisper Medium TR — дообученная модель emre на базе мультиязычной OpenAI Whisper Medium для распознавания турецкой речи в текст. Она использует трансформерную архитектуру Whisper и содержит 455,8 млн параметров; обучение проводилось на начальных 10% обучающей и валидационной частей турецкого Common Voice 11.0 от Mozilla Foundation. Модель предназначена для транскрибирования турецких аудиозаписей; в README для оценочного набора указана WER 18,51. Модель принимает аудио и выдаёт текст. В обучении использовался weight decay 0,1 для снижения переобучения. Лицензия — Apache-2.0.

TheirStory/whisper-medium-zulu — модель автоматического распознавания речи, созданная дообучением Whisper Medium компании OpenAI на наборе данных wjbmattingly/zulu_merged_audio. Она предназначена для преобразования звучащей речи на зулу в текст. Модель основана на архитектуре Whisper и содержит 455,8 млн параметров; использует входное аудио и выдаёт текст. На указанном в карточке наборе оценки модель показала значение WER 0,1993 и loss 0,2949. Эти результаты относятся к конкретному набору оценки и не гарантируют такое же качество на других данных. Модель распространяется под лицензией Apache-2.0.

Whisper-Tiny-MLA — компактная модель распознавания речи, разработанная Burak Aydin на базе OpenAI Whisper-Tiny. Декодерная self-attention преобразована из MHA в MLA, а модель дообучена для восстановления качества на 11 языках корпуса Whispered. Веса содержат 29,4 млн параметров и распространяются в формате safetensors; лицензия — Apache-2.0. Модель предназначена для транскрибации речи в текст, особенно в сценариях с ограниченной памятью и параллельной обработкой записей: сжатие KV-кэша декодера составляет 62,5%. Поддерживаются английский, немецкий, испанский, французский, русский, турецкий, арабский, валлийский, грузинский, тайский и китайский языки. Для загрузки требуются transformers 4.46.x и trust_remote_code=True. Компромисс за сокращение кэша — ухудшение качества распознавания: автор сообщает о медианном росте WER примерно на 1,9 пункта относительно аналогично обученной модели без преобразования. Экономия относится к KV-кэшу self-attention декодера; память энкодера и cross-attention не сжимается, поэтому выигрыш для одиночной короткой записи может быть небольшим. Модель проверялась на read-speech; качество на телефонной речи, дальней дистанции и перекрывающейся речи не оценено. Грузинский обозначен как нижний предел качества этого класса модели, а незнакомые письменности распознаются хуже.

ZGCM-1-7B — плотная авторегрессионная языковая модель Zhongguancun Academy и Zhongguancun Institute of Artificial Intelligence, обученная с нуля для математических рассуждений и поиска с использованием инструментов. Модель содержит 6,3 млрд параметров по метаданным каталога (в README указано 7,39 млрд), использует архитектуру ZGCM и поддерживает контекст до 262 144 токенов. Для работы требуется Transformers и включение trust_remote_code=True. Модель рассчитана на решение математических задач, многошаговый поиск в интернете и диалоговое текстовое взаимодействие; доступны режимы с внутренними рассуждениями и прямым ответом. В техническом отчёте авторы приводят высокие результаты на математических бенчмарках и оценках агентного поиска. Обучение включало предварительное обучение, расширение контекста и дообучение для общих и агентных задач. Весовые файлы опубликованы в формате safetensors. Лицензия — MIT. Модель работает с текстом и не описана как мультимодальная; качество ответов зависит от задачи и используемого инструментария для поиска. Возможность загрузки собственного кода модели требует осторожности при запуске.

fwgpiyawudk/chandra-ocr-2-bf16-mlx — преобразованная для библиотеки MLX версия Chandra OCR 2 от Datalab, предназначенная для распознавания текста и структуры документов по изображениям и PDF. Модель принимает изображения документов и выдаёт текстовое представление; базовая модель поддерживает форматы Markdown, HTML и JSON. В репозитории указаны архитектура Qwen3.5 и формат safetensors. Модель рассчитана на OCR, извлечение структуры и разбор документов. Карточка описывает конвертацию исходной модели через mlx-vlm, а метаданные связывают её с datalab-to/chandra-ocr-2 и указывают лицензию OpenRAIL. Практическое применение и точность зависят от качества входного изображения и возможностей базовой модели. Поддерживаемые языки и ограничения лицензии сверх указанной лицензии OpenRAIL в карточке не раскрыты.

Finnish ModernBERT base — энкодерная модель архитектуры ModernBERT, разработанная TurkuNLP и предварительно обученная на финском, шведском, английском, коде, латыни и северносаамском языках. Модель содержит около 142,7 млн параметров, состоит из 22 слоёв и обучалась на 410,2 млрд токенов. Метаданные указывают контекстное окно 16 000 токенов; в карточке также отмечена теоретическая возможность экстраполяции до 128 тысяч токенов. Модель предназначена для заполнения маскированных токенов и получения контекстных представлений текста. Её можно применять как основу для задач обработки естественного языка и поиска по текстам; авторы сообщают о сильных результатах в задачах поиска вне обучающего домена на финском, шведском и английском языках. Модель конкурентоспособна в задачах NLU на коротком контексте, хотя в приведённом сравнении XLM-R-large показала лучшие результаты. Модель выпущена под лицензией Apache-2.0. Обучающие данные содержат источники с предвзятым и потенциально вредным содержанием, поэтому представления модели могут отражать эти свойства; их следует оценивать с учётом возможного влияния на уязвимые группы.

GODEL-v1_1-large-seq2seq — крупная предварительно обученная модель для целевых диалогов, разработанная Microsoft. Она построена на архитектуре Transformer encoder-decoder семейства T5 и предназначена для генерации ответов с учётом контекста беседы и внешней текстовой информации, например найденного документа. Модель можно дообучать на небольшом наборе диалогов под конкретную задачу. Версия 1.1 обучалась на 551 млн многоходовых диалогов Reddit и 5 млн диалогов с инструкциями и опорой на знания. Модель содержит 385,2 млн параметров, принимает и генерирует текст, поддерживает контекст до 512 токенов и рассчитана на диалоговые сценарии. В карточке указана лицензия MIT.

iky1e подготовил квантизованную версию Granite Speech 5.0 470M TurboCTC для инференса на устройствах Apple Silicon с использованием Granite-MLX и Swift. Это модель распознавания речи на базе архитектуры GraniteSpeech5ForCTC, преобразованная из чекпойнта IBM в формат MLX: веса квантизованы до 8 бит, часть тензоров сохранена в FP16. Размер файла весов составляет около 466 МиБ — примерно 52% от исходного; в описанном сравнении согласие транскриптов с исходной моделью составило 99,8825% по метрике пословного совпадения, которая не измеряет точность относительно человеческой расшифровки. Модель предназначена для преобразования английской речи в текст, в том числе из длинных аудиозаписей; инструмент Granite-MLX также принимает видеофайлы и может сохранять результат в TXT, SRT, WebVTT или JSON. Для обработки длинных записей используются блоки с контекстом, жадное CTC-декодирование и ограничение памяти. Репозиторий распространяется по лицензии Apache-2.0. Для запуска описан нативный Swift runtime Granite-MLX на Apple Silicon.

openbmb/MiniCPM-V-4.6-Thinking-gguf — GGUF-квантизированная версия мультимодальной модели MiniCPM-V 4.6 Thinking, разработанной OpenBMB. Модель предназначена для эффективного понимания изображений и видео, включая сложное мультимодальное рассуждение, математические задачи и распознавание текста на изображениях (OCR). Она ориентирована на локальное использование, в том числе на мобильных устройствах и периферийных платформах iOS, Android и HarmonyOS. Модель использует архитектуру с визуальным энкодером SigLIP2-400M и языковой моделью Qwen3.5-0.8B, а также смешанное сжатие визуальных токенов 4x/16x. Thinking-вариант формирует явную цепочку рассуждений перед финальным ответом, что повышает качество на сложных задачах, но может увеличивать задержку и расход вычислительных ресурсов. Поддерживаются текстовые запросы совместно с изображениями и видео; сведения о полном перечне языков и размере контекста в карточке не указаны. К сильным сторонам относятся компактность, ориентация на устройства с ограниченными ресурсами, поддержка изображений и видео и улучшенное рассуждение на визуально сложных задачах. Ограничения включают зависимость производительности от используемого GGUF-квантизированного варианта и аппаратной конфигурации, а также возможные проблемы совместимости видеодекодера torchcodec с отдельными версиями CUDA. Репозиторий распространяется по лицензии Apache-2.0.

NbAiLab/Nb-wav2vec2-1b-bokmaal — модель автоматического распознавания речи, разработанная командой NbAiLab для норвежского языка букмол. Она дообучена на базе XLS-R от Facebook/Meta и использует архитектуру Wav2Vec2 с CTC-декодированием; размер модели — 1,3 млрд параметров. Для обучения использовался Norwegian Parliamentary Speech Corpus (NPSC). Модель предназначена для преобразования норвежской речи в текст. На тестовом наборе указана оценка WER 6,33% и CER 2,48% с 5-граммовой языковой моделью KenLM; без неё — WER 7,38% и CER 2,63%. Для применения с другими типами речи качество может отличаться. Модель распространяется по лицензии Apache 2.0.

barozp/Qwen3.8-27B-Opus-Distill — плотная мультимодальная модель на 27 млрд параметров, созданная дообучением Qwen/Qwen3.8-27B с помощью LoRA и последующим объединением адаптера с базовыми весами. Разработчик обучал её на наборах примеров рассуждений, связанных с Claude Opus, чтобы улучшить решение многошаговых задач. Модель работает с текстом и изображениями; базовая модель также поддерживает анализ видео. Vision tower и голова MTP перенесены из базы без изменений. Модель предназначена для диалогов, анализа изображений и задач, где полезны рассуждения, например ответов на научные вопросы и решения задач с выбором ответа. В опубликованных разработчиком тестах ARC-Challenge и GPQA показали прирост относительно базовой модели, а результаты MMLU и языкового моделирования остались примерно на прежнем уровне. Сравнения выполнены в конкретном режиме оценки и не гарантируют аналогичного улучшения во всех сценариях. Лицензия — Apache-2.0. Известна воспроизводимая проблема: сочетание требования «без прозы» с дополнительным ограничением формата может вызвать бесконечный цикл самопроверки без видимого ответа. Для этой версии разработчик рекомендует не комбинировать такие ограничения или увеличить бюджет генерации; в README указана исправленная версия v2.

Jina Reader-LM 1.5B — языковая модель от Jina AI для преобразования HTML-страниц в Markdown. Она обучена на подобранных парах HTML и соответствующего Markdown и принимает исходный HTML без отдельной инструкции в запросе. Пример применения из карточки — конвертация страницы Hacker News; модель также рассчитана на преобразование содержимого произвольных веб-страниц. Модель имеет плотную архитектуру Qwen2ForCausalLM с 1,5 млрд параметров, поддерживает чатовый формат и контекст до 256 000 токенов. Веса опубликованы в формате safetensors и используются через Transformers. Карточка указывает, что выпущена более новая версия ReaderLM-v2. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

artop79/rubaistt-uz-ft2 — дообученная модель распознавания речи на базе Whisper Medium. Она предназначена для преобразования узбекской речи в текст. В репозитории указаны 455,8 млн параметров и формат safetensors; модель доступна через Transformers. В README приведены результаты оценки на тестовом наборе: loss 0,0188 и WER 2,0305, однако набор данных и условия оценки не описаны. Модель распространяется по лицензии Apache-2.0.

ruT5-ASR — русскоязычная модель коррекции распознанной речи, обученная bond005 на основе ruT5-base. Она исправляет ошибки в тексте, полученном системами автоматического распознавания речи, в частности Wav2Vec2-Large-Ru-Golos, и может работать как отдельная модель преобразования последовательностей: на вход получает черновую транскрипцию и возвращает исправленный текст. Модель построена на архитектуре T5, содержит 123,8 млн параметров и имеет контекст до 512 токенов. Она обучалась на обучающей части набора SberDevices Golos; оценивалась на тестовых частях Golos, русской части Common Voice 6.0 и Russian Librispeech. В приведённом сравнении эффект коррекции различается по наборам данных: на SOVA RuDevices ошибка снизилась, а на Voxforge Ru и Russian Librispeech выросла. Модель предназначена для работы с русскими транскрипциями и не распознаёт аудио напрямую. Распространяется в формате PyTorch по лицензии Apache-2.0.

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

Wav2Vec2-XLS-R-300M-21-EN — модель Facebook для перевода речи с 21 языка на английский. Это модель типа SpeechEncoderDecoderModel: кодировщик основан на facebook/wav2vec2-xls-r-300m, декодер — на facebook/mbart-large-50; модель дообучена на парах перевода из набора CoVoST 2. Она принимает аудио на французском, немецком, испанском, каталанском, итальянском, русском, китайском, португальском, персидском, эстонском, монгольском, нидерландском, турецком, арабском, шведском, латышском, словенском, тамильском, японском, индонезийском и валлийском языках и генерирует перевод на английском. Модель подходит для перевода устной речи и аудиозаписей, например для создания английской версии многоязычного аудиоконтента. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. В карточке приведена ссылка на оценку качества на CoVoST 2, но конкретные численные результаты здесь не указаны.

DrishtiSharma/wav2vec2-xls-r-300m-kk-n2 — модель распознавания речи, дообученная на базе facebook/wav2vec2-xls-r-300m на казахской части набора Mozilla Common Voice 8.0. Она принимает аудио и преобразует речь на казахском языке в текст; архитектура — Wav2Vec2ForCTC семейства wav2vec2, размер — 402,7 млн параметров. На тестовой оценке автор сообщает WER 0,451 и loss 0,7149. Модель распространяется по лицензии Apache-2.0.

Whisper Dutch - RTL — модель распознавания речи на нидерландском языке, созданная дообучением openai/whisper-small на наборе Common Voice 11.0. Она принимает аудио и преобразует речь в текст; архитектура основана на Whisper и содержит 153,1 млн параметров. На оценочной выборке указаны Loss 0,1895 и WER 24,9245. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Это версия Whisper Large v3 Turbo, дообученная для распознавания немецкой речи. Модель разработана на основе primeline/whisper-large-v3-german; автор карточки — Florian Zimmermeister. Репозиторий содержит конверсию CTranslate2 для использования в совместимых системах, например faster-whisper. В метаданных указана библиотека Transformers, а README описывает формат CTranslate2. Модель преобразует немецкую речь в текст и подходит для транскрибации, создания субтитров, голосового управления, голосового поиска и диктовки. В README для варианта Turbo указано 809 млн параметров. Приведены оценки WER на немецких наборах данных: модель показывает результаты, близкие к базовой дообученной модели, но уступает ей на некоторых тестах. Лицензия — Apache-2.0.

Whisper Medium Vaani Telugu — дообученная командой ARTPARK-IISc модель распознавания речи на базе OpenAI Whisper Medium. Она предназначена для автоматической транскрибации речи на телугу в текст; в метаданных указан датасет ARTPARK-IISc/Vaani. Модель имеет архитектуру Whisper с 455,8 млн параметров и принимает аудио, выдавая текст. Поддерживаемый язык — телугу. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT.

whisper-small-arabic-letters-pod — дообученная модель семейства Whisper, созданная на основе openai/whisper-small. Она предназначена для автоматического распознавания речи и преобразования аудио в текст. В README приведены результаты оценки: loss 0,0493 и WER 6,3830. Модель принимает аудио и выдаёт текст. Базовая Whisper small — мультиязычная модель для транскрибирования речи и перевода аудио на английский язык; карточка этой версии не уточняет языки и специальные сценарии дообучения. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0.

istomin9192/whisper-small-sr — дообученная модель OpenAI Whisper Small для автоматического распознавания сербской речи. Она предназначена для транскрибирования аудио с выводом текста только латиницей на сербском языке. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров; доступна в формате safetensors и рассчитана на использование через Transformers. Модель обучали на смеси открытых сербских речевых корпусов, включая Common Voice 24.0, FLEURS и часть ParlaSpeech-RS. В README приведены результаты WER 6,59% и 7,09% на тестовой выборке Common Voice 24.0; для нормализованной оценки удаляли пунктуацию, приводили текст к нижнему регистру, конвертировали кириллицу в латиницу и записывали числа словами. Лицензия — Apache-2.0.

Это дообученная на неизвестном наборе данных модель OpenAI Whisper large-v3-turbo для автоматического распознавания речи. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и представлена в формате safetensors; библиотека для работы с ней — Transformers. Модель принимает аудио и преобразует речь в текст. В карточке приведены результаты оценки: loss 0,3081 и глобальный WER 46,6495. Данных о целевых языках, сценариях обучения и ограничениях применения в README нет. Лицензия — MIT.

Bespoke-MiniCheck-7B — модель проверки фактов, разработанная Bespoke Labs и поддерживаемая Liyan Tang и Bespoke Labs. Она принимает документ и отдельное предложение-утверждение и определяет, подтверждается ли оно документом, выдавая метку 0 или 1. Для проверки утверждения из нескольких предложений его сначала нужно разбить на отдельные предложения. Модель дообучена на базе internlm/internlm2_5-7b-chat и использует архитектуру InternLM2 с 7,4 млрд параметров. Контекст составляет до 32 768 токенов; документы длиннее этого предела требуют разбиения. В README сообщается о высокой пропускной способности при запуске через vLLM, но результаты зависят от оборудования и сценария. Карточка указывает английский язык. Модель предназначена для проверки соответствия утверждений опорным документам; лицензия в предоставленных данных не описана.

unsloth/DeepSeek-R1-Distill-Qwen-1.5B-bnb-4bit — 4-битная квантованная версия модели DeepSeek-R1-Distill-Qwen-1.5B, разработанная и опубликованная Unsloth на основе модели DeepSeek от DeepSeek AI. Это текстовая языковая модель для задач рассуждения, включая решение математических задач, программирование и другие задачи, требующие многошагового анализа. Модель предназначена для использования с библиотекой Transformers и может применяться в сценариях локального запуска и исследовательских экспериментов с ограниченными ресурсами. Модель основана на архитектуре семейства Qwen2; её размер составляет 1,5 млрд параметров, а представленный вариант использует 4-битное представление весов, что снижает требования к памяти. В README указано, что модель поддерживает английский язык; сведения о других языках, длине контекста и мультимодальных возможностях отсутствуют. К сильным сторонам относятся компактность и сниженное потребление памяти, однако по качеству и глубине рассуждений она может уступать более крупным версиям, а влияние 4-битной квантования на точность отдельно не описано. Модель распространяется по лицензии Apache-2.0.

Карточка модели chenQAQ/japanese-wav2vec2-large-rs35kh на Hugging Face совпадает с карточкой reazon-research/japanese-wav2vec2-large-rs35kh, поэтому описание составлено по ней. Японская модель автоматического распознавания речи Reazon Research на архитектуре wav2vec 2.0 Large, дообученная на крупномасштабном корпусе ReazonSpeech v2.0. Она преобразует японскую речь в текст и подходит для расшифровки коротких записей и длинных аудиоматериалов. В README приведены результаты по метрике CER: среднее значение составило 16,25% на указанных тестовых наборах, а на JSUT-BOOK для длинной речи — 30,98%. Метаданные указывают класс Wav2Vec2ForCTC, около 405,7 млн параметров и поддержку Transformers. Модель принимает аудио и выдаёт текст; заявленный язык — японский. Распространяется по лицензии Apache-2.0.

Это пакет Mesh LLM с весами Kimi-K2.7-Code в формате GGUF, подготовленный для распределённого инференса. Он разбивает исходный GGUF на артефакты по слоям, чтобы запускать модель на локальном кластере из нескольких машин; пакет рассчитан на локальную приватную работу и совместим с чат-интерфейсом Mesh LLM и API формата OpenAI. Модель принимает текстовые запросы и выдаёт текстовые ответы в режиме чата. Репозиторий указывает исходную модель unsloth/Kimi-K2.7-Code-GGUF и вариант квантования UD-Q4_K_XL; архитектурные подробности, размеры, языки и длина контекста в предоставленных данных не описаны. Для лицензии и рекомендаций по использованию README отсылает к карточке исходной модели, поэтому условия лицензии этого пакета по имеющимся сведениям определить нельзя.

LFM2-2.6B-Transcript-GGUF — языковая модель компании Liquid AI, созданная на основе LFM2-2.6B при партнёрстве с AMD. Она предназначена для приватного локального суммирования записей встреч и ориентирована на работу непосредственно на устройстве, чтобы данные совещаний не покидали его. Модель имеет размер 2,6 млрд параметров и распространяется в формате GGUF для запуска, в частности, через llama.cpp. Заявлена поддержка работы на CPU, GPU и NPU, потребление менее 3 ГБ оперативной памяти при обработке длинных встреч и получение сводок за секунды. В метаданных указаны английский язык и задача генерации текста; сведения о размере контекста, точной архитектуре, поддерживаемых форматах входных данных и мультимодальности не приведены. К сильным сторонам относятся локальное выполнение, повышенная конфиденциальность, низкие требования к памяти и высокая скорость суммирования; разработчик заявляет качество, сопоставимое с облачными решениями и приближающееся к качеству значительно более крупных моделей. Ограничения включают отсутствие подробных данных о контекстном окне, языковой поддержке за пределами английского и характеристиках качества на конкретных наборах данных. Лицензия указана как lfm1.0; тип лицензии обозначен как other.

Merge-Mistral-Prometheus-7B — объединённая модель Vicgalle на основе prometheus-eval/prometheus-7b-v2.0 и 4bit/Mistral-7B-Instruct-v0.1. Модель построена на плотной архитектуре Mistral, содержит 7,1 млрд параметров и предназначена для диалоговой генерации текста; доступный контекст составляет до 32 768 токенов. Модель-судья Prometheus в составе объединения рассчитана на оценку ответов LLM по заданным критериям и попарное ранжирование. Лицензия — Apache 2.0. В README указан линейный метод слияния и формат bfloat16; в метаданных репозитория указаны файлы safetensors.