I.5Создание и редактирование текста

Godot-Dodo 4x 60k LLaMA 13B — модель генерации текста с инструктивной настройкой на основе LLaMA. По карточке модели, она обучена в апреле 2023 года на наборе из 60 тысяч примеров следования инструкциям; оценка проводилась на запросах с инструкциями по программированию. Архитектура — плотная LLaMA с 12,9 млрд параметров, контекст — 2048 токенов. Модель предназначена для генерации ответов на инструкции и помощи с задачами программирования. Доступны веса PyTorch. Карточка отсылает за подробностями к GitHub, поэтому конкретные результаты оценки и условия лицензии здесь установить нельзя.

Ivysaur — дообученная Mihaiii модель эмбеддингов на базе TaylorAI/gte-tiny, обученная на наборе Mihaiii/qa-assistant. Она предназначена для семантического автодополнения: модель преобразует текстовые запросы в векторы, которые можно использовать для поиска подходящих продолжений и сравнения текстов по смыслу. Архитектура — компактная BERT-модель с 25,9 млн параметров; доступны форматы Safetensors и ONNX, использовать её можно через Sentence Transformers или Transformers с подходящей операцией pooling. Модель рассчитана исключительно на английский текст. Контекст ограничен 512 токенами, более длинные входы обрезаются. Лицензия — MIT.

mlx-community/parakeet-ctc-1.1b — версия модели NVIDIA Parakeet CTC 1.1B, подготовленная сообществом mlx-community для запуска через MLX. Это модель распознавания речи на архитектуре семейства FastConformer/Conformer с CTC-декодированием: она принимает аудио и преобразует речь в текст. В карточке указаны поддержка MLX и формат весов safetensors; для использования предлагаются библиотеки parakeet-mlx и mlx-audio. Модель предназначена для автоматической транскрипции речи. Она распространяется по лицензии CC BY 4.0. README отсылает к исходной карточке NVIDIA за подробностями, поэтому конкретные сведения о языках, длине аудио и ограничениях качества здесь не подтверждены.

Qwen3-4B-MegaR3ASONER-v1 — плотная языковая модель с 3,7 млрд параметров, созданная RexTRO111 слиянием LoRA-адаптера MegaR3ASONER с Qwen/Qwen3-4B-Thinking-2507. Это полная модель в формате Transformers и BF16, которую можно загружать без отдельного PEFT-адаптера; заявленная длина контекста — 262 144 токена. Модель предназначена для генерации текста с рассуждениями, в частности для решения математических задач, а также задач по программированию и естественным наукам. В ограниченной предварительной проверке на 100 примерах GSM8K автор сообщает 88% точного совпадения при гибком извлечении ответа и 83% при строгом; это не полный результат GSM8K и не сравнение с базовой моделью. Модель может ошибаться в промежуточных рассуждениях, чрезмерно подробно отвечать на простые запросы, а длинные цепочки рассуждений увеличивают задержку и стоимость использования. Ответы следует проверять, особенно в задачах с высокой ценой ошибки. Лицензия указана как other; при распространении или коммерческом использовании необходимо учитывать отдельные лицензии базовой модели и обучающих наборов данных.

Это GGUF-квантизации модели Qwen3-VL-30B-A3B-Thinking — мультимодальной модели с режимом рассуждений, основанной на архитектуре Qwen3-VL. Репозиторий содержит вариант с контекстом до 1 млн токенов и применённой imatrix; доступны файлы в форматах BF16, F16 и F32. Модель предназначена для диалогов и задач, где нужно анализировать изображения вместе с текстом. Возможные сценарии включают ответы на вопросы по изображениям, визуальный анализ и OCR. Для работы с файлами репозитория README рекомендует использовать актуальную версию llama.cpp. Это квантизированные веса базовой модели Qwen/Qwen3-VL-30B-A3B-Thinking, подготовленные в формате GGUF. В карточке не приведены сведения о лицензии и конкретных языках; ограничения качества и точности не описаны.

Карточка модели Sakalti/Saba2-Preview на Hugging Face совпадает с карточкой Sakalti/saba1.5-coder, поэтому описание составлено по ней. Saba1.5-Coder — языковая модель Sakalti на архитектуре Qwen2, дообученная на основе Sakalti/Saba1.5-Pro. Модель содержит 1,5 млрд параметров и поддерживает контекст длиной до 256 000 токенов. Модель предназначена для генерации текста и диалогов; название и обучающий набор HachiML/alpaca_jp_python указывают на применение в задачах программирования на Python. В метаданных также отмечен интерфейс для вызова инструментов. Модель обучалась с использованием Unsloth и TRL и распространяется в формате Safetensors. Модель лицензирована по Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о языках программирования и точном наборе навыков, поэтому пригодность для конкретных задач разработки следует проверять на собственных примерах.

ctaguchi/ssc-sco-mms-model — дообученная модель распознавания речи на основе facebook/mms-1b-all. Она использует архитектуру Wav2Vec2ForCTC и содержит 1,3 млрд параметров; принимает аудио и преобразует речь в текст. Базовая модель поддерживает более тысячи языков, но язык и набор данных, на которых дообучена эта версия, не указаны. В карточке приведены результаты оценки: CER 0,2065, WER 0,5486 и loss 0,7277. Эти значения относятся к оценочному набору, сведения о котором отсутствуют, поэтому их нельзя напрямую переносить на другие данные. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Это преобразованная сообществом mlx-community модель Microsoft VibeVoice-ASR-Streaming-7B для потокового распознавания речи с привязкой реплик к говорящим. Модель принимает аудио и по мере его поступления выдаёт транскрипцию с указанием говорящего; отдельный этап диаризации не требуется. Поддерживаются 10 языков: английский, китайский, французский, немецкий, итальянский, японский, корейский, португальский, русский и испанский. Для повышения точности распознавания заданных терминов предусмотрена настройка контекста ключевыми словами. Это плотная модель семейства VibeVoice в формате MLX и точности bfloat16; размер весов составляет 16,66 ГБ. По описанию, потоковая обработка использует чанки примерно по 2,93 секунды и упреждение около 0,53 секунды, поэтому минимальная задержка составляет примерно 3 секунды. На тесте AMI-IHM автор карточки приводит результаты для Apple M5 Max и отмечает, что точность эталонной реализации меняется между запусками. Модель распространяется по лицензии MIT. Для запуска нужны совместимые MLX и оборудование Apple Silicon; порт использует среднее распределения акустического VAE вместо случайной выборки эталонной реализации, а результаты 4-битной версии зависят от того, вычислялись ли масштабы квантования на CPU или GPU.

Apel-sin/whisper-large-v3-russian-ties-podlodka-v1.2 — русскоязычная модель распознавания речи на архитектуре Whisper large-v3. Она объединяет методом TIES модели antony66/whisper-large-v3-russian и bond005/whisper-large-v3-ru-podlodka; размер составляет 905,2 млн параметров. Модель предназначена для преобразования аудиозаписей в текст, в том числе телефонных разговоров. В карточке указано, что для обработки звонков рекомендуется предварительно подготовить записи и отрегулировать громкость. Модель помечена как незавершённая работа: автор планирует дополнительно адаптировать её для распознавания телефонной речи. Обучение связано с наборами Common Voice 17.0, Taiga Speech v2, Podlodka Speech и ruLibriSpeech. Использование совместимого с OpenAI API сервера описано как возможный способ запуска. Сведения о лицензии в предоставленных данных отсутствуют.

whisper-small-alif — дообученная на датасете audiofolder модель распознавания речи на основе openai/whisper-small. Она предназначена для преобразования аудио в текст; карточка сообщает о результате WER 0,0 на оценочном наборе, но не описывает его состав, поэтому этот показатель нельзя переносить на другие данные. Модель построена на архитектуре WhisperForConditionalGeneration и распространяется в формате safetensors через библиотеку Transformers. Базовая Whisper поддерживает несколько языков и перевод аудио на английский, однако карточка этой версии не уточняет языки и сценарии дообучения. Модель распространяется по лицензии Apache-2.0. Состав обучающих данных и ограничения применения в карточке подробно не раскрыты.

vk496/whisper-small-esl — модель распознавания речи, дообученная разработчиком на базе Ari/whisper-small-es. Она предназначена для транскрибации аудио; карточка сообщает об обучении и оценке на небольшом наборе из 95 и 10 аудиофрагментов соответственно. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. В оценке указаны точное совпадение 0,900 и точность по символам 0,975. Метаданные связывают модель с испанским языком. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Sekiraw/whisper-small-hyper-tuned-v2 — дообученная Sekiraw модель распознавания речи на основе openai/whisper-small. Она принимает аудио и предназначена для преобразования речи в текст; карточка сообщает о дообучении на неизвестном наборе данных и приводит результаты оценки: loss 0,2138 и WER 0,3859. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 153,1 млн параметров и опубликована в формате safetensors для Transformers. Карточка не описывает целевые языки, набор данных или специальные сценарии применения, поэтому качество распознавания в конкретных условиях по указанным оценкам определить нельзя. Лицензия — Apache-2.0.

Whisper Small PL — дообученная модель распознавания речи на основе openai/whisper-small, созданная для транскрибирования польской речи. Она использует архитектуру Whisper и содержит 153,1 млн параметров. Обучение проводилось на наборах Common Voice 11.0 и FLEURS; в README для оценочной выборки указана WER 14,8004. Модель принимает аудио и выдаёт текстовую транскрипцию. Она подходит для преобразования записей польской речи в текст. Репозиторий распространяется в формате PyTorch по лицензии Apache-2.0.

optimum/whisper-tiny.en — английская модель распознавания речи семейства Whisper, экспортированная в формат ONNX с помощью Optimum. Она принимает аудио и генерирует текстовую расшифровку речи; размер модели составляет 29,4 млн параметров. Модель рассчитана на распознавание английской речи. Репозиторий опубликован под лицензией Apache 2.0. Формат ONNX позволяет использовать модель в совместимых средах инференса. Карточка не приводит дополнительных сведений о точности или специальных ограничениях распознавания.

GPT-6 Luna — быстрая и экономичная модель OpenAI из серии GPT-6, позиционируемая ниже GPT-6 Sol. Она предназначена для чат-сценариев, классификации и лёгких агентных задач, особенно при высокой нагрузке и требованиях к низкой задержке. Данных об архитектуре, размере, модальностях, языках, длине контекста и лицензии в предоставленных материалах нет.

LiquidAI/LFM2-VL-3B-GGUF — мультимодальная vision-language модель семейства LFM2-VL, разработанная Liquid AI для работы на периферийных устройствах и локального развертывания. Модель предназначена для задач преобразования изображений и текста в текст, включая анализ визуального содержимого и генерацию ответов по изображениям, с акцентом на сочетание качества, скорости и экономичного использования памяти. Модель распространяется в формате GGUF, совместимом с llama.cpp, и доступна в вариантах F16, Q4_0 и Q8_0, что позволяет выбирать между точностью, скоростью инференса и требованиями к ресурсам. Указан размер 3B; поддерживаются английский, японский, французский, испанский, немецкий, итальянский, португальский, арабский, китайский и корейский языки. Размер контекста и подробности архитектуры в предоставленной карточке не указаны. Сильными сторонами модели являются мультимодальность, ориентация на edge-сценарии, возможность локального запуска и наличие вариантов квантования. Ограничения включают отсутствие в карточке подробных результатов оценки, характеристик контекста и точных требований к аппаратному обеспечению. Модель выпускается по лицензии lfm1.0; дополнительные условия следует уточнять в файле LICENSE и оригинальной карточке базовой модели LiquidAI/LFM2-VL-3B.

Экспериментальная модель генерации текста и кода от команды kalo-team: предварительный результат дистилляции, в которой студент 4x8b обучался приближать распределение ответов учителя Llama 3 70B с помощью KL-дивергенции. Модель основана на архитектуре Mixtral с разреженной архитектурой MoE; в метаданных указано 7,5 млрд параметров и контекст до 8192 токенов. Доступны веса в формате safetensors, лицензия — Llama 3. Модель предназначена для генерации текста в диалоге и экспериментов с генерацией кода, а также для дальнейшей настройки и оценки поведения дистилляции. В README приведены результаты на MMLU, ARC, HellaSwag, GSM8K, TruthfulQA и HumanEval; автор отмечает, что полное дообучение привело к умеренному забыванию знаний вне областей дистилляции из-за ограниченного объёма данных. Это предварительный тестовый прогон, а не запланированная полномасштабная дистилляция.

Nous-Hermes-2-Vision — мультимодальная vision-language модель, разработанная при руководстве qnguyen3 и teknium на основе OpenHermes-2.5-Mistral-7B от teknium. Модель объединяет языковую основу Mistral 7B с визуальным энкодером SigLIP-400M и предназначена для обработки изображений и текста. Модель рассчитана на визуальные диалоги, анализ содержимого изображений, ответы на вопросы по изображениям и автоматизацию сценариев с function calling. Благодаря обучению на данных LVIS-INSTRUCT4V, ShareGPT4V, частном наборе данных для function calling и диалогах OpenHermes-2.5 она также может формировать структурированные ответы по заданной схеме. Для работы используется шаблон запросов Vicuna-V1. Заявленный язык — английский. Ключевые характеристики включают архитектуру на базе Mistral-7B, визуальный модуль SigLIP-400M и мультимодальный режим работы с изображениями и текстом. Точный размер контекста и поддерживаемые форматы изображений в README не указаны. Авторы отмечают преимущество более компактного визуального энкодера по сравнению с традиционными энкодерами размером около 3B параметров, однако также предупреждают о возможной ошибке в инференсе, которая могла требовать исправления на уровне upstream. Модель распространяется по лицензии Apache-2.0.

Ola-7B — мультимодальная модель, разработанная исследователями Tencent, Университета Цинхуа и Наньянского технологического университета. Она дообучена на базе Qwen2.5-7B и сочетает визуальный энкодер Oryx-ViT с языковой моделью Qwen2.5 на 7,1 млрд параметров. Модель принимает текст, изображения, видео и аудио, а выдаёт текст; контекстное окно составляет 32 тыс. токенов. Модель предназначена для диалогов и генерации текстовых ответов по визуальным и аудиовизуальным данным, включая изображения и видео произвольного пространственного размера и временной длины. Обучение проводилось в три этапа на смеси более чем из 5 млн примеров с изображениями, видео и аудио. Для запуска требуется отдельно скачать speech encoder и указать его путь в config.json. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Модель hiteshwadhwani/pii-model-indicv2 — дообученная модель классификации токенов для выявления персональных данных (PII) в английском и индийских языках. Она создана на базе ai4bharat/IndicBERTv2-MLM-only и предназначена для обнаружения и последующего маскирования имён, адресов, телефонов, электронной почты и других типов чувствительных данных. Модель принимает текст на английском, хинди письмом деванагари, хинглиш и в смешанном написании деванагари и английского; поддерживает 31 тип сущностей. Архитектура — BERT для классификации токенов, размер — 305,2 млн параметров, контекст — до 512 токенов. В карточке указаны общий F1 0,9497, точность 0,9464 и полнота 0,9530. Модель подходит для проверки текстов перед сохранением или передачей, а также для автоматизированной редакции документов и сообщений. Качество ниже для сущности SEX и адресов типа SECONDARYADDRESS; задержка выше, чем у IndicBERT v1. Лучше всего модель подходит для индийских и американских шаблонов персональных данных. Лицензия — Apache-2.0.

Qwen2-VL-OCR-2B-Instruct-GGUF — мультимодальная модель для преобразования изображений в текст, разработанная как дообученная версия Qwen/Qwen2-VL-2B-Instruct и опубликованная пользователем или организацией prithivMLmods. Она сочетает визуальное и текстовое понимание с диалоговым взаимодействием и предназначена прежде всего для OCR, распознавания небрежного рукописного текста, анализа изображений, решения математических задач и вывода формул в формате LaTeX. Модель поддерживает сценарии image-to-text и VQA, а также задачи, связанные с кодом. В метаданных указан английский язык. Модель имеет размер 2B параметров согласно названию базовой модели и распространяется в формате GGUF с вариантами от FP16 до низкоразрядных квантований Q2–Q8 и i1/IQ. Это позволяет выбирать между качеством, скоростью и требованиями к памяти, однако README не содержит количественных оценок качества, сведений о длине контекста, точном наборе поддерживаемых языков и ограничениях распознавания. Лицензия — Apache-2.0; условия конкретного запуска зависят от совместимого программного обеспечения для GGUF.

Squirtle — компактная модель эмбеддингов на архитектуре BERT, созданная Mihaiii дистилляцией bge-base-en-v1.5. Она предназначена прежде всего для семантического автодополнения, а также может использоваться для сравнения сходства предложений и извлечения признаков текста. Модель содержит 16,4 млн параметров, работает с текстом и поддерживает контекст до 512 токенов. Для получения эмбеддингов в сценарии semantic-autocomplete README рекомендует использовать CLS-пулинг и нормализацию; модель также доступна в форматах Safetensors и ONNX. Лицензия — MIT. README не приводит оценок качества или подробностей о поддерживаемых языках; название базовой модели указывает на англоязычное назначение.

NVIDIA FastConformer-Hybrid Large (ka) — модель распознавания речи на грузинском языке, разработанная NVIDIA и предназначенная для использования с инструментарием NeMo. Она преобразует монофонические аудиозаписи WAV с частотой 16 кГц в текст на грузинском письме; результат включает пробелы и знаки препинания: точки, запятые и вопросительные знаки. Модель построена на архитектуре FastConformer и содержит около 115 млн параметров. Это гибридный чекпойнт, обученный с функциями потерь Transducer и CTC, поэтому распознавание доступно в обоих режимах. Для обучения использовали около 163 часов грузинской речи из Mozilla Common Voice 17.0 и Google Fleurs. В README приведены значения WER 5,73% на тесте Common Voice и 13,44% на тесте Fleurs при жадном декодировании Transducer. Модель подходит для транскрибации грузинской речи и может служить предобученной основой для дообучения на других данных. Качество может снижаться на технической лексике, разговорных вариантах речи и акцентированной речи. Лицензия — CC BY 4.0.

Uni-MoE 2.0-Omni — открытая омнимодальная модель команды HIT-TMG, предназначенная для понимания, рассуждений и генерации в сценариях с несколькими модальностями. Версия Omni объединяет обработку разных типов входных данных с генерацией изображений и аудио. Модель построена на архитектуре GrinQwen2VLForConditionalGeneration и дообучена на базе Qwen/Qwen2.5-7B-Instruct. Метаданные указывают 7,1 млрд параметров, контекст до 128 000 токенов и поддержку английского и китайского языков. В README описаны Omnimodality 3D RoPE и архитектура смеси экспертов с динамической ёмкостью; модель доступна в формате safetensors и использует лицензию Apache-2.0. Модель подходит для мультимодального диалога, анализа изображений и аудио, а также генерации изображений и аудио. Карточка не уточняет поддерживаемые аудиоформаты, качество на отдельных задачах или ограничения на длину генерируемых аудио и изображений.

facebook/wav2vec2-conformer-rel-pos-large-960h-ft — акустическая модель распознавания речи, разработанная Facebook AI (ныне Meta) на основе архитектуры Wav2Vec2-Conformer с относительными позиционными эмбеддингами. Модель предобучена и дообучена на 960 часах англоязычной речи из LibriSpeech. Она предназначена для преобразования речи в текст и может использоваться для транскрибирования аудиозаписей. На вход подаётся речь с частотой дискретизации 16 кГц; архитектура модели — Wav2Vec2ConformerForCTC, размер — 402,7 млн параметров. Модель поддерживает английский язык. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Качество на речи, отличающейся от LibriSpeech, а также обработка других языков в карточке не описаны.

Osolon разработал wav2vec2-large-xls-r-300m-pl — модель распознавания речи, полученную дообучением facebook/wav2vec2-xls-r-300m на Common Voice 10.0. Она принимает аудио и преобразует речь в текст; архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. На указанной в карточке оценочной выборке модель показала WER 0,1338 и loss 0,1589. Модель распространяется по лицензии Apache-2.0.

Ilyes разработал модель распознавания французской речи на базе wav2vec2-large-xlsr-53. Это плотная модель с архитектурой Wav2Vec2ForCTC и 402,7 млн параметров, принимающая аудио и преобразующая речь в текст. Модель дообучена и оценена на французской части Common Voice; в карточке указаны WER 12,82% и CER 4,40% на тестовой выборке Common Voice FR. Модель подходит для транскрибации французской речи, например записей и аудиоматериалов. Она распространяется под лицензией Apache-2.0.

Модель voidful/wav2vec2-large-xlsr-53-tw-gpt — дообученная на традиционном китайском варианте для Тайваня (zh-TW) версия facebook/wav2vec2-large-xlsr-53. Она распознаёт речь и предназначена для транскрибирования аудио; README приводит результаты оценки на тестовой части Common Voice: CER 28,70 без языковой модели и 18,36 с GPT и поиском по лучу. Архитектура — Wav2Vec2 CTC, размер — 424,3 млн параметров. Входную речь следует подавать с частотой дискретизации 16 кГц. Модель подходит для создания расшифровок записей на zh-TW, в том числе материалов, похожих на записи Common Voice. Карточка указывает лицензию Apache-2.0. Приведённые оценки относятся к тестовым данным Common Voice; качество на других источниках речи может отличаться.

Модель sumedh/wav2vec2-large-xlsr-marathi разработана на основе facebook/wav2vec2-large-xlsr-53 и дообучена для автоматического распознавания речи на маратхи. Она использует архитектуру Wav2Vec2ForCTC, содержит 402,7 млн параметров и принимает аудио с частотой дискретизации 16 кГц, выдавая распознанный текст. Модель обучена на наборе OpenSLR64, где представлены только женские голоса, и показала WER 12,70% на тестовой части данных; автор сообщает, что она также хорошо работает с мужскими голосами. Подходит для транскрибирования речи на маратхи и создания текстовых расшифровок аудиозаписей. Лицензия — Apache-2.0. Результаты оценки получены на части OpenSLR64, поэтому точность на других записях и условиях может отличаться.

wav2vec2-xls-r-1b-scandinavian-E2-100h-30-epochs-20250123 — дообученная Davidilag модель распознавания речи на базе facebook/wav2vec2-xls-r-1b. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, выдавая распознанный текст. В README приведены результаты на оценочном наборе: WER 21,627 и CER 4,5904; набор данных и условия оценки не описаны, поэтому эти значения нельзя уверенно переносить на другие записи. Модель предназначена для автоматической транскрипции речи. В метаданных указаны 1,3 млрд параметров, библиотека Transformers и формат safetensors. Лицензия — Apache-2.0. Язык или языки дообучения из карточки установить нельзя.