I.5Создание и редактирование текста

FireFunction V2 — языковая модель Fireworks AI для диалогов и вызова функций, дообученная на Llama 3. Она построена на плотной архитектуре Llama, содержит 69,5 млрд параметров и принимает текстовый контекст длиной до 8192 токенов. Модель поддерживает обычные инструкции и чат, одиночный и параллельный вызов функций, а также извлечение структурированной информации; в одном запросе можно описать до 20 функций. В карточке Fireworks сообщает о результатах, сопоставимых с GPT-4o на наборе публичных оценок вызова функций, и об улучшении относительно FireFunction v1. Модель не оптимизирована для сотен описаний функций или вложенных вызовов. Лицензия указана как llama3; применение следует сверять с её условиями.

OpenGryd/PaddleOCR-VL-1.6-MLX-16bit — конверсия PaddlePaddle/PaddleOCR-VL-1.6 в формат MLX для запуска на компьютерах Apple Silicon. Это мультимодальная модель обработки документов на основе ERNIE-4.5 с архитектурой PaddleOCRVLForConditionalGeneration; в README указано 0,9 млрд параметров, а размер файлов составляет около 1,81 ГБ. Модель использует точность bfloat16 без квантизации, принимает изображение вместе с текстовым запросом и выдаёт текстовый разбор документа. Контекст — до 131 072 токенов; языковые метки карточки указывают английский, китайский и многоязычную поддержку. Модель предназначена для локального распознавания и структурирования документов: извлекает текст целых страниц в Markdown или JSON, анализирует макет, распознаёт таблицы и формулы, диаграммы, печати и текстовые области. Повышенный предел разрешения изображения нацелен на распознавание мелкого текста, но увеличивает время обработки крупных страниц; README приводит замеры на 8-битной версии. Для работы требуется библиотека mlx-vlm и включение trust_remote_code=True, а запрос должен включать изображение. Лицензия — Apache-2.0.

Ring-lite-distill-preview — языковая MoE-модель InclusionAI для диалогов и генерации текста, дообученная на инструкционных данных с упором на рассуждения. В README указано 16,8 млрд параметров, из которых активируются 2,75 млрд; архитектура в метаданных обозначена как Bailing MoE, а карточка модели указывает контекст 16 384 токена. Модель предназначена для решения математических и логических задач, следования инструкциям, программирования и вызова функций в диалоговых сценариях. Авторы сообщают о результатах на тестах AIME24, MATH-500, GPQA-diamond, LiveCodeBench, IFEval и BFCL_v2; эти показатели относятся к оценкам авторов и не гарантируют аналогичного качества в прикладных системах. Поддерживаемые языки — китайский и английский. Модель дообучена на базе inclusionAI/Ling-lite. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT.

Apodex-1.1-mini-GGUF — GGUF-квантизированная версия reasoning-first модели Apodex 1.1, разработанной Apodex AI на базе Qwen/Qwen3.5-35B-A3B. Модель предназначена для сложных исследовательских задач с длительным горизонтом выполнения и агентных сценариев: поиска и анализа информации, подготовки отчётов, работы с файлами, наборами данных, электронными таблицами, изображениями, кодом и инструментами. Она может декомпозировать задачу, координировать параллельных субагентов, сохранять состояние, адаптировать план и учитывать обратную связь пользователя. Модель поддерживает текстовую генерацию и заявлена для английского и китайского языков. Для агентной работы предусмотрен нативный function calling, совместимый с шаблоном чата Qwen3.5; поддерживаются рассуждения и OpenAI-совместимые вызовы инструментов. Рекомендуемый максимальный контекст составляет 262144 токена, а максимальная длина генерации — 32768 токенов. В README также указана совместимость с запуском через llama.cpp и дополнительным мультимодальным проектором, однако полный перечень поддерживаемых модальностей и точные параметры GGUF-квантизации для данной карточки не раскрыты. Сильные стороны модели — ориентация на сквозное выполнение сложных задач, работа с внешними инструментами, командная агентная схема и встроенная проверка утверждений по источникам, данным и вычислениям. По приведённым результатам Apodex-1.1-mini особенно хорошо показывает себя в FrontierFinance и остаётся конкурентоспособной на APEX-Agent; при этом эти показатели зависят от Agent Team harness и не гарантируют аналогичное качество в каждом сценарии. Ограничения включают необходимость корректной настройки llama.cpp, парсеров шаблона и инструментов, а также отсутствие в README подробностей о размере файла, требованиях к аппаратному обеспечению и полной оценке надёжности. Лицензия — Apache 2.0.

Ornith-1.0-9B-CoreAI — конверсия модели Ornith-1.0-9B от DeepReinforce-ai для запуска на устройствах Apple через on-device runtime Core AI. Это текстовая decoder-модель, ориентированная на агентное программирование: она обучалась одновременно решать задачи разработки и формировать управляющую оркестрационную схему для их выполнения. Конверсия опубликована в общественном Core AI model zoo. Модель построена на гибридной архитектуре Qwen3.5 с 32 слоями, чередующими GatedDeltaNet linear-attention mixers и gated full attention; используется нетипизированная vocabulary head размером 248 320 токенов. Поддерживается контекст до 8192 токенов, встроены токенизатор и chat template. Модель предназначена для локального текстового общения и генерации кода, включая сценарии агентного программирования на Apple silicon GPU или Neural Engine. Доступны варианты quantization int8 размером 9,8 ГБ и int4 размером 7,5 ГБ; на M4 Max заявлена скорость декодирования 48,3 и 58,9 токена в секунду соответственно. На iPhone 17 Pro int8-вариант пока не помещается в доступный лимит памяти. Лицензия MIT согласно карточке исходной модели.

OvisOCR — компактная мультимодальная модель ATH-MaaS для сквозного разбора документов. Она принимает изображение страницы целиком и формирует структурированный вывод в Markdown, сохраняя текст, таблицы, математические формулы, элементы оформления и порядок чтения. Модель построена на архитектуре Ovis2.6 и содержит 1,3 млрд параметров; для обработки использует Transformers или vLLM. Длина контекста — 40 960 токенов. Модель предназначена для извлечения и структурирования содержимого плотных и сложных документов. В README заявлены высокие результаты на OmniDocBench v1.5, однако конкретные численные показатели не приведены. OvisOCR может ошибаться или пропускать содержимое, поэтому результаты следует проверять вручную в критически важных сценариях. Лицензия — Apache-2.0.

Parm-2-CoT-14B-16k-o1-QwQ — языковая модель Pinkstack, дообученная на базе Microsoft Phi-4 для рассуждений и генерации текста. Она ориентирована на диалоги, решение математических задач, ответы на вопросы, требующие многошагового анализа, и программирование. В карточке указано, что модель обучалась на датасете amphora/QwQ-LongCoT-130K; архитектура репозитория обозначена как LlamaForCausalLM, веса доступны в формате safetensors. Размер модели — 14,1 млрд параметров, контекст — 16 384 токена. Модель поддерживает текстовый ввод и выдаёт текст. Автор отмечает высокие результаты на отдельных тестах рассуждений, математики и знаний, но приводит низкий результат IFEval и связывает его с постоянным пошаговым рассуждением. Для устойчивых результатов рекомендуется низкая температура; иногда модель может завершить рассуждение без итогового ответа. Лицензия — MIT.

proxima-ocr-d.markdown-post3.0.l — экспериментальная мультимодальная модель для обработки документов, созданная дообучением Qwen/Qwen3-VL-8B-Instruct. Она принимает изображения документов и преобразует их в Markdown, HTML-Markdown и структурированные представления, восстанавливая порядок разделов, таблицы, формы, многоколоночную верстку и математические выражения. Модель предназначена для OCR, извлечения таблиц и полей форм, восстановления разметки многостраничных документов, а также вопросов и поиска по их содержимому. В README заявлена поддержка технических фрагментов, включая код и формулы LaTeX; языком карточки указан английский. Модель распространяется в формате safetensors через библиотеку Transformers по лицензии Apache-2.0. Это ранняя экспериментальная версия: автор предупреждает о возможных артефактах. Точность может снижаться на повреждённых сканах и мало представленных языках, а сложная ориентация блоков и нерегулярная верстка могут требовать дополнительной обработки. Для длинных последовательностей и многостраничных документов требуется значительный объём видеопамяти.

thirdeyeai/Qwen2.5-Coder-7B-Instruct-Uncensored — разговорная модель для генерации текста, разработанная thirdeyeai. По названию она относится к семейству Qwen2.5-Coder и предназначена для инструкционного диалога, в том числе с запросами по программированию; карточка описывает её как uncensored. Архитектура — плотная причинная языковая модель Qwen2 с классом Qwen2ForCausalLM, объёмом 7,1 млрд параметров и контекстом до 32 768 токенов. Модель принимает текст и выдаёт текст. Репозиторий содержит веса в формате safetensors; модель также доступна через Ollama. README не сообщает лицензию и не описывает конкретные оценки качества или ограничения. Разработчик снимает с себя ответственность за действия пользователей модели.

Voxtral Small 1.0 (24B) 2507 — мультимодальная модель Mistral, дообученная на базе mistralai/Mistral-Small-24B-Base-2501 для работы с аудио и сохранения возможностей текстовой языковой модели. Она принимает аудио и текстовые инструкции и генерирует текст: распознаёт речь, переводит её, отвечает на вопросы по аудиозаписям и составляет их краткие структурированные сводки. Модель поддерживает автоматическое определение языка речи и восемь языков: английский, французский, немецкий, испанский, итальянский, португальский, нидерландский и хинди. Контекст модели составляет 32 тыс. токенов; согласно карточке, она обрабатывает аудио до 30 минут при транскрибации и до 40 минут при анализе. Также заявлена экспериментальная поддержка вызова функций по голосовым инструкциям. Для запуска рекомендуются vLLM или Transformers; обработка на GPU требует около 55 ГБ видеопамяти в bf16 или fp16. Модель распространяется по лицензии Apache-2.0.

Карточка модели unsloth/whisper-base на Hugging Face совпадает с карточкой openai/whisper-base, поэтому описание составлено по ней. Whisper Base — мультиязычная модель распознавания речи, разработанная OpenAI. Это Transformer-энкодер-декодер с архитектурой sequence-to-sequence и примерно 51,7 млн параметров; модель принимает аудио и преобразует речь в текст на том же языке. Семейство Whisper обучалось на 680 тысячах часов размеченных аудиоданных со слабым контролем, что помогает ему обобщать на разные наборы данных и предметные области без дообучения. Модель также может переводить речь на английский язык; для длинных записей транскрипцию можно выполнять частями с помощью chunking в Transformers. Whisper Base подходит для транскрибации аудио, включая речь с акцентами, фоновым шумом и технической лексикой, а также для перевода речи на английский. Карточка сообщает о поддержке множества языков, среди них английский, русский, китайский, немецкий, испанский и французский. Для обычного использования модель распространяется по лицензии Apache-2.0. Распознавание может содержать галлюцинации — текст, отсутствующий в аудио, а также повторы. Точность неравномерна между языками, акцентами и диалектами и может быть ниже для языков с малым объёмом обучающих данных. Для модели указана длина входных аудиофрагментов до 30 секунд; более длинные записи обрабатываются с разбиением на части.

Chandra OCR 2 — модель оптического распознавания символов от Datalab, предназначенная для извлечения содержимого изображений и PDF-документов. Она преобразует документы в Markdown, HTML или JSON, сохраняя сведения о структуре и расположении элементов. В метаданных указана архитектура Qwen3.5 с плотной моделью типа conditional generation; веса представлены в формате safetensors, для работы используются Transformers и vLLM. Модель рассчитана на распознавание печатного и рукописного текста, таблиц, математических формул, форм и сложной разметки страниц. Она также извлекает изображения и диаграммы, создавая подписи и структурированные данные. Заявлена поддержка более 90 языков; карточка сообщает об улучшениях для многоязычных документов, широких страниц и сложной верстки. В README приведены результаты внутренних тестов, включая 85,9 балла на olmOCR benchmark, а также оценка пропускной способности около двух страниц в секунду в реальном использовании. Эти показатели зависят от документов и оборудования. Код распространяется по Apache 2.0, а веса — по модифицированной лицензии OpenRAIL-M: разрешены исследования, личное использование и применение стартапами ниже установленных финансовых порогов; конкурентное использование с API Datalab запрещено, для более широкого коммерческого использования требуется отдельная лицензия.

German-RAG-LLAMA-3.1-8B-MERGED-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer, разработанная командой Avemio AI при поддержке Hessian AI. Это объединённая модель семейства Llama 3.1 объёмом 7,5 млрд параметров, предназначенная для немецкоязычных RAG-систем и задач ответов на вопросы по предоставленному контексту. Она также подходит для извлечения релевантных сведений и краткого пересказа источников; в карточке заявлена поддержка немецкого и английского языков. Нативная длина контекста — 131 072 токена. Модель распространяется в формате safetensors и поддерживает чатовый режим. Метаданные Hugging Face указывают лицензию llama3.1, тогда как README заявляет Apache 2.0; лицензионные условия следует уточнить перед использованием. В оценке объединённая версия показала более низкий результат извлечения, чем варианты SFT и ORPO из той же серии. Ответы могут содержать фактические ошибки, а без фильтрации модель может генерировать вредный или чувствительный контент.

LFM2.5-1.2B-Instruct — плотная гибридная языковая модель Liquid AI для локального и периферийного развертывания. Это версия общего назначения, дообученная следовать инструкциям на базе LiquidAI/LFM2.5-1.2B-Base. В карточке указано 1,17 млрд параметров, 16 слоёв (10 блоков double-gated convolution и 6 блоков GQA), а метаданные Hugging Face указывают 1,5 млрд параметров. Модель принимает текст и генерирует текст; поддерживает контекст до 32 768 токенов по README, тогда как метаданные каталога указывают нативный контекст 128 000 токенов. Модель рассчитана на агентные сценарии, извлечение данных, ответы по документам в RAG и вызов функций. Liquid AI заявляет высокую скорость локального вывода и возможность работы с ограниченной памятью. Поддерживаемые языки: английский, арабский, китайский, французский, немецкий, японский, корейский и испанский. Модель не рекомендуется для задач, требующих обширных знаний, и программирования. Лицензия обозначена в метаданных как other; конкретные условия следует сверить с лицензией репозитория.

NVIDIA Parakeet TDT 0.6B v3 — многоязычная модель распознавания речи на 600 млн параметров, доступная в формате Transformers. Она использует архитектуру FastConformer-TDT и предназначена для преобразования речи в текст с автоматическим определением языка аудио. Поддерживает 25 европейских языков, включая русский и английский. Модель подходит для транскрибации разговоров и длинных записей, создания субтитров, голосовых помощников и аналитики речи. Она добавляет пунктуацию и заглавные буквы, а также может выдавать временные отметки на уровне слов и сегментов. Принимает монофоническое аудио 16 кГц; в README заявлена обработка записей до 24 минут с full attention на A100 80 ГБ или до 3 часов с local attention. Модель выпущена NVIDIA под лицензией CC BY 4.0, допускающей коммерческое и некоммерческое использование при соблюдении её условий. README отмечает оптимизацию для систем с GPU NVIDIA. Среди ограничений указаны отсутствие мер по снижению смещения и возможное влияние различий между европейским и бразильским вариантами португальского на результаты оценки.

Mtrini-27B-Tellus-Merged — объединённая модель CompiwerAI для запуска через Transformers. В README в качестве базовой модели указана Qwen3.8-27B; метаданные описывают архитектуру как плотную Qwen3.5 для авторегрессионной генерации текста. Размер по метаданным — 22,3 млрд параметров, нативный контекст — 262 144 токена, файлы представлены в формате safetensors. Модель предназначена для диалогов, генерации кода, математических задач и рассуждений. Для обучения использовалась смесь из 11 200 примеров, включающая данные по программированию и математике, а также марокканскую дариджу и арабский язык. В README сказано, что LoRA-адаптер CompiwerAI объединён с базовой моделью в самостоятельный чекпойнт. Модель распространяется по лицензии Apache-2.0. Результаты обучения и состав обучающей смеси приведены в карточке, но независимые оценки качества и подробные ограничения не описаны.

Unlimited-OCR-GGUF — набор GGUF-квантизаций модели baidu/Unlimited-OCR, подготовленный пользователем sahilchachra. Это мультимодальная vision-language OCR-модель примерно на 3 млрд параметров, предназначенная для распознавания текста и структурированного разбора документов по изображениям. Поддерживаются сценарии преобразования документов в Markdown с сохранением структуры, извлечения обычного текста, распознавания таблиц и элементов макета, получения ограничивающих рамок, разбора рисунков, графиков и диаграмм, а также визуального вопросно-ответного взаимодействия. В метаданных заявлена многоязычность, без перечисления конкретных языков. Модель использует архитектуру DeepSeek-OCR: визуальную башню DeepEncoder на базе SAM и CLIP, а также текстовый декодер DeepSeek-V2 MoE. Репозиторий содержит варианты от BF16 до 2- и 3-битных K-quants и i-quants; рекомендуемым компромиссом размера и качества указан Q4_K_M. Визионный проектор mmproj поставляется отдельно в формате F16 и требуется для каждого запуска. Контекстное окно в README не указано. Сильные стороны модели — ориентация на однопроходный разбор документов, поддержка длинных и плотных документов, сохранение порядка чтения и структуры, а также возможность получать координаты найденного текста. Ограничения связаны с необходимостью специальной сборки llama.cpp с поддержкой DeepSeek-OCR: стандартная ветка upstream на момент публикации файлы не загружает. Для работы необходимо скачать одновременно языковую GGUF-модель и vision projector; низкобитные варианты экономят память, но снижают качество OCR. Лицензия — MIT.

VibeVoice-ASR — модель Microsoft для распознавания речи и формирования структурированных расшифровок. Она принимает аудио и в одном проходе обрабатывает записи длительностью до 60 минут, указывая распознанный текст, временные метки и говорящих. Модель также поддерживает пользовательские ключевые слова для имён, терминов и другой специальной лексики. Модель рассчитана на многоязычную речь: README заявляет поддержку более 50 языков, автоматическое определение языка и переключение между языками в ходе записи. По данным карточки, модель построена на плотной архитектуре семейства VibeVoice, использует Transformers и хранит веса в формате safetensors. Указанная лицензия — MIT. Модель подходит для расшифровки длинных записей, где важны привязка реплик ко времени и разделение по говорящим. README заявляет обработку до 60 минут в пределах контекста 64K токенов; фактическое качество распознавания может зависеть от языка, акустики и предметной лексики.

dealignai выпустила Laguna-XS-2.1-JANG_4M-CRACK — текстовую MoE-модель для диалогов и агентного программирования, полученную дообучением Poolside Laguna-XS-2.1, удалением отказов на уровне весов и смешанной квантизацией JANG для MLX. В README указаны 33 млрд параметров всего и около 3 млрд активных; метаданные каталога указывают 2,6 млрд параметров. Модель предназначена для работы на Apple Silicon через vMLX или совместимую среду MLX и поддерживает вызов инструментов. Модель принимает текст, выдаёт текст, поддерживает английский язык и контекст до 262 144 токенов. В README заявлены режимы рассуждения и прямых ответов, а также результаты оценок MMLU и HarmBench; это результаты, сообщённые автором. Для генерации автор рекомендует явно задавать temperature=1.0, top_p=1.0 и top_k=20, поскольку некоторые среды не учитывают параметры из конфигурационных файлов. Удаление отказов означает, что модель может выполнять запросы без стандартного поведения отказа. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в репозитории модели.

Lite-Whisper large-v3-turbo-acc — сжатая версия мультиязычной модели распознавания речи OpenAI Whisper, разработанная авторами LiteASR. Модель предназначена для преобразования аудио в текст и доступна для запуска через библиотеку Hugging Face Transformers. В карточке приведено сравнение на наборах ESB: вариант acc показывает средний WER 10,1 при размере энкодера 429 млн параметров и декодера 907 млн; у Whisper large-v3 указаны тот же WER и энкодер 635 млн. По метаданным модель содержит 905,2 млн параметров и основана на openai/whisper-large-v3-turbo. Репозиторий распространяется в формате safetensors под лицензией Apache-2.0.

Nanonets-OCR-s-GGUF — GGUF-версия модели Nanonets-OCR-s, разработанной Nanonets и подготовленной Unsloth. Это мультимодальная модель класса image-to-text, предназначенная для распознавания содержимого документов и преобразования изображений страниц в структурированный Markdown, пригодный для последующей обработки большими языковыми моделями. Модель поддерживает распознавание текста, математических формул с преобразованием в LaTeX, сложных таблиц с выводом в Markdown и HTML, описаний изображений через теги <img>, а также обнаружение подписей, водяных знаков, номеров страниц и элементов форм. Флажки и радиокнопки преобразуются в стандартизированные Unicode-символы. В метаданных указана поддержка английского языка и библиотек Transformers; конкретные размер, архитектура, размер контекста и перечень дополнительных языков не указаны. Сильные стороны модели — извлечение не только текста, но и структуры и семантических элементов сложных документов, включая таблицы, формулы, изображения и подписи. Она подходит для OCR документов, конвертации страниц в Markdown и подготовки данных для LLM-пайплайнов. Ограничения README не описывает; также в предоставленных данных отсутствует информация о лицензии и точных требованиях к аппаратному обеспечению.

NB-Whisper Large — модель распознавания речи от NB AI-Lab Национальной библиотеки Норвегии, дообученная на основе openai/whisper-large. Модель семейства Whisper содержит около 905 млн параметров и предназначена для транскрибации речи; семейство также поддерживает перевод речи. Для обучения серии NB-Whisper использовали 8 млн аудиофрагментов общей длительностью около 66 000 часов, включая датасеты NbAiLab/ncc_speech, NbAiLab/NST и NbAiLab/NPSC. Модель ориентирована прежде всего на норвежский язык, включая букмол и нюношк, а также поддерживает английский. Она принимает аудио и генерирует текст; длинные записи можно обрабатывать сегментами, а Transformers позволяет получать временные метки слов и предложений. Для Large рекомендуется GPU; в README указано, что это релиз-кандидат, поэтому качество и стабильность могут измениться. Лицензия — Apache 2.0.

Qwen3-VL-4B-Instruct-abliterated-v1-GGUF — мультимодальная vision-language модель от prithivMLmods, основанная на Alibaba Qwen3-VL-4B-Instruct. Это GGUF-версия модели примерно с 4 млрд параметров, изменённая методом abliteration для удаления стандартных отказов и фильтров безопасности. Модель предназначена для генерации текста по изображениям и инструкциям, подробного описания визуального содержимого, визуального рассуждения и выполнения инструкций в сложных, чувствительных, художественных и технических сценариях. Модель поддерживает анализ изображений и видео, OCR на 32 языках, работу с различными разрешениями и соотношениями сторон, а также контекст до 256K токенов. Она подходит для разбора пользовательских интерфейсов, извлечения данных из документов, интерпретации графиков, captioning и агентских задач. Основным языком указан английский, при этом заявлена возможность работы с многоязычными запросами. Доступны варианты квантования GGUF размером примерно от 1,06 до 8,05 ГБ, что позволяет запускать модель на потребительских GPU; для BF16 указано требование около 10–12 ГБ VRAM. Сильной стороной является сочетание мультимодального анализа, длинного контекста, OCR и отсутствия обычных защитных отказов, что может быть полезно для исследований, red-teaming и творческих приложений. Ограничением является потенциально менее безопасное поведение из-за удаления защитных механизмов, а также возможное снижение качества при использовании наиболее агрессивных вариантов квантования. Модель распространяется по лицензии Apache-2.0.

Voxtral Mini 3B 2507 Transformers Edition — мультимодальная модель семейства Voxtral от Mistral AI, основанная на Ministral-3B и дополненная обработкой аудио. Она принимает аудио и текстовые инструкции, распознаёт речь, переводит её и отвечает на вопросы по аудиозаписям; также поддерживает суммаризацию и вызов функций по голосовым намерениям. Модель работает через Transformers, использует плотную архитектуру VoxtralForConditionalGeneration, а карточка указывает формат safetensors и контекст до 32 тысяч токенов. Модель поддерживает английский, испанский, французский, португальский, хинди, немецкий, нидерландский и итальянский языки; для транскрибации автоматически определяет язык аудио. Согласно карточке, может обрабатывать аудио длительностью до 30 минут при транскрибации и до 40 минут при анализе. Лицензия Apache-2.0. Заявленные сценарии включают транскрибацию, перевод, вопросы и ответы по аудио, составление сводок и запуск действий по устным командам.

Карточка модели 2fed/whisper-large-v3-turbo на Hugging Face совпадает с карточкой openai/whisper-large-v3-turbo, поэтому описание составлено по ней. Whisper large-v3-turbo — мультиязычная модель распознавания речи OpenAI на архитектуре Transformer encoder-decoder. Это дообученная и ускоренная версия Whisper large-v3: число слоёв декодера сокращено с 32 до 4, что ускоряет вывод с небольшим снижением качества. Модель содержит 905,2 млн параметров и работает с аудио; она поддерживается библиотекой Transformers. Модель предназначена для преобразования речи в текст на языке оригинала и перевода речи между языками, включая перевод на английский. Она обучалась на более чем 5 млн часов размеченных данных и демонстрирует обобщение на новые наборы данных и предметные области. Для длинных записей требуется обработка последовательными окнами или разбиение аудио на сегменты; воспринимаемое окно составляет 30 секунд. Модель может ошибаться, добавлять слова, которых нет в аудио, и повторять фрагменты. Точность различается между языками, акцентами и диалектами и может быть ниже для языков с ограниченными обучающими данными. Лицензия — MIT.

DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Lite-Whisper large-v3-turbo — сжатая версия мультиязычной модели OpenAI Whisper, разработанная с использованием LiteASR. Модель предназначена для автоматического распознавания речи и преобразования аудио в текст. По метаданным, она основана на openai/whisper-large-v3-turbo, содержит 905,2 млн параметров и использует архитектуру LiteWhisperForConditionalGeneration; опубликована в формате safetensors и работает через Transformers. В карточке приведены результаты оценки на наборах ESB: варианты Lite-Whisper показывают средний WER 10,1–10,2. Метаданные указывают лицензию Apache-2.0. Поддерживаемые языки и длина контекста в предоставленных источниках не перечислены.

OwenArli разработала Formax v1.0 на основе Meta-Llama-3-8B-Instruct. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, предназначенная для генерации текста в диалоговом режиме и точного следования заданным инструкциям по формату ответа. Её можно применять для структурированной обработки данных и создания датасетов; в качестве формата хранения указаны safetensors, а длина контекста составляет 8192 токена. Модель дообучена с помощью LoRA: README указывает ранг 64, alpha 128 и примерно 2% обучаемых весов. Обучение проводилось на последовательностях длиной 4096 токенов в течение одного эпоха. Лицензия — Meta Llama 3 License; условия её использования определяются этим соглашением.

Nanonets-OCR-s — компактная мультимодальная модель Nanonets для распознавания документов и преобразования их содержимого в структурированный Markdown. Она дообучена на Qwen2.5-VL-3B-Instruct и принимает изображения документов, включая сложные страницы с таблицами, формулами и встроенными изображениями. Модель распознаёт текст и структуру документа, представляет математические формулы в LaTeX, описывает изображения, извлекает текст водяных знаков и выделяет подписи. Таблицы она может выводить в формате Markdown или HTML, а состояния флажков и переключателей — обозначать стандартными символами. Такой вывод подходит для дальнейшей обработки языковыми моделями и для извлечения данных из деловых и юридических документов. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и имеет контекст длиной до 128 000 токенов. В метаданных указан английский язык. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не указана.

jlvdoorn/whisper-large-v3-atco2-asr — дообученная модель распознавания речи на базе Whisper large-v3 от OpenAI. Она предназначена для преобразования аудио в текст; README сообщает результат оценки WER 17,0374 и loss 0,7695, но не описывает набор оценки и условия измерения. Модель содержит 905,2 млн параметров, использует архитектуру WhisperForConditionalGeneration и опубликована в формате safetensors. Лицензия — Apache-2.0.