I.5Создание и редактирование текста

steja/whisper-large-persian — дообученная версия Whisper large-v2-hi для автоматического распознавания персидской речи. Модель разработана на основе anuragshas/whisper-large-v2-hi и дообучена на персидской части набора Mozilla Common Voice 11.0. Это плотная модель Whisper с архитектурой WhisperForConditionalGeneration и 905,2 млн параметров. Модель принимает аудио и генерирует распознанный текст на персидском языке. На тестовой выборке указаны значения loss 0,3047 и WER 26,3679. Репозиторий содержит веса PyTorch; модель распространяется по лицензии Apache-2.0.

Whisper large-v3-Persian — дообученная модель распознавания речи, созданная Mohammad Khosravi на основе openai/whisper-large-v3. Она принимает аудио и генерирует текстовую транскрипцию на персидском языке. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и доступна в формате safetensors для библиотеки Transformers. Модель дообучена на наборе Common Voice 11.0. В README приведён результат на тестовой выборке: WER 26,8658 и loss 0,2444. Репозиторий распространяется по лицензии Apache-2.0.

Sagicc/whisper-large-v3-sr-cmb — дообученная модель автоматического распознавания речи на основе Whisper large-v3 от OpenAI. Модель содержит 905,2 млн параметров и предназначена для преобразования аудио в текст; при дообучении использовались Common Voice 13, Google Fleurs и набор данных JuzneVesti-SR v1.0. В карточке приведены результаты оценки: WER 0,0415, WER Ortho 0,1339 и loss 0,1111. Модель ориентирована на сербскую речь, однако подробные сведения о вариантах языка и условиях оценки не описаны. Распространяется по лицензии Apache-2.0.

crossdelenna/whisper_med_alex.en — дообученная модель распознавания речи на базе Whisper, опубликованная пользователем crossdelenna. Она предназначена для преобразования аудио в текст; название указывает на английскую версию, а карточка сообщает о дообучении на наборе данных, который не описан. Архитектура — WhisperForConditionalGeneration, размер — 455,8 млн параметров; для работы используется Transformers, веса опубликованы в формате safetensors. В README приведён результат оценки WER 5,3233 и loss 0,0002, однако набор данных и условия оценки не раскрыты, поэтому эти цифры не позволяют надёжно судить о качестве на других аудиозаписях. Модель распространяется по лицензии Apache-2.0.

Whisper Medium Korean — модель распознавания речи, полученная дообучением OpenAI Whisper Medium на корейских наборах данных Junhoee/STT_Korean_Dataset_80000 и Bingsu/zeroth-korean. В обучающей выборке было около 102 тысяч предложений; автор сообщает, что итоговый чекпойнт достиг примерно 16 WER против примерно 24 WER дообученной отправной точки. Модель предназначена для преобразования корейской речи в текст. Это плотная модель архитектуры Whisper с 455,8 млн параметров; в метаданных указана поддержка аудиовхода. Репозиторий помечен лицензией Apache-2.0. Показатель WER приведён автором без подробностей о наборе и методике оценки, поэтому он не гарантирует аналогичное качество на других записях.

Это дообученная модель OpenAI Whisper-small, подготовленная автором yuriyvnv для автоматического распознавания нидерландской речи. Она принимает аудио и генерирует текстовую транскрипцию; модель реализована на базе WhisperForConditionalGeneration и содержит 153,1 млн параметров. Модель дообучена на 34 952 реальных аудиозаписях Common Voice 17.0 на нидерландском языке и 34 898 синтетических примерах без фильтрации качества. На тестовой части Common Voice указана доля ошибок WER 10,91%, а на валидации — 8,64%. Использование всех синтетических данных увеличивает объём обучения, но низкокачественные примеры могут вносить шум; модель также может хуже работать с региональными вариантами языка и технической речью. Лицензия — Apache-2.0.

Arabic-GLM-OCR-v2 — дообученная модель распознавания арабского текста на изображениях, созданная sherif1313 на базе zai-org/GLM-OCR. Она предназначена для извлечения текста из книг, рукописей, изображений и документов. Модель принимает изображение и формирует текст; карточка заявляет поддержку арабского языка и размер около 2,2 ГБ. Архитектура GLM-OCR относится к мультимодальным моделям для генерации текста по изображению. Автор заявляет о контекстном распознавании арабского текста, снижении влияния шума и исправлении орфографии. Для дословной транскрипции рекомендуется явно попросить сохранить исходное написание: модель может автоматически исправлять или перефразировать текст, а высокая температура способна ухудшить точность. README указывает, что для инференса требуется тонкая настройка управления генерацией. Лицензия — Apache-2.0.

Модель llm-book/bert-base-japanese-v3-jsts разработана авторами книги «大規模言語モデル入門» и представляет собой японскую модель BERT для оценки семантического сходства двух текстов. Она создана дообучением cl-tohoku/bert-base-japanese-v3 на наборе JGLUE JSTS и предназначена для сравнения предложений: модель возвращает числовую оценку сходства. Архитектура — BertForSequenceClassification, размер — 138,4 млн параметров, максимальная длина контекста — 512 токенов. Модель работает с японским текстом, использует Transformers и опубликована в формате PyTorch. Лицензия — Apache 2.0. Оценка является выходным баллом модели; README не задаёт шкалу или порог для принятия решений.

DeBERTa-v3-base — англоязычная модель Microsoft для заполнения пропусков и дальнейшей настройки на задачи понимания естественного языка. Она использует архитектуру DeBERTa-v2 с disentangled attention и улучшенным декодером маскирования; предобучение версии V3 основано на подходе ELECTRA и совместном использовании эмбеддингов с разделением градиентов. В модели 12 слоёв, размер скрытого представления 768, словарь из 128 тысяч токенов; метаданные указывают 211,6 млн параметров и контекст до 512 токенов. Модель подходит как основа для тонкой настройки на задачи вроде ответов на вопросы и классификации текстов. По README, предобучение выполнено на 160 ГБ данных, а результаты дообучения приведены для SQuAD и MNLI. Доступны веса PyTorch и TensorFlow. Лицензия — MIT.

Lakoc/DeCRED_small_cv_2 — дообученная модель распознавания речи на базе архитектуры JointCTCAttentionEncoderDecoder. Модель обучена на Common Voice 13.0 и предназначена для преобразования речи в текст. В карточке приведены результаты оценки: CER 0,0663 и WER 0,1563. Репозиторий содержит веса в формате safetensors. Описание сценариев применения, языков, условий лицензии и ограничений в карточке отсутствует, поэтому их нельзя уточнить. Модель опубликована 15 июня 2024 года.

BuzzASR/dutch — одноязычная модель автоматического распознавания речи на нидерландском языке, разработанная как часть набора BuzzASR из 102 специализированных ASR-моделей. Это дообученная версия Whisper large-v3 от OpenAI: модель использует архитектуру Whisper и токенизатор исходной модели, а настройка выполнена для распознавания речи. Веса доступны в формате Safetensors; размер модели — около 905,2 млн параметров. Модель предназначена для транскрибации нидерландской речи. В README приведены результаты на тестовых наборах FLEURS и Common Voice 25; авторы сообщают о снижении CER относительно Whisper large-v3 без дообучения на объединённом тесте. Модель поддерживает только нидерландский язык. Качество на других доменах и диалектах может отличаться от результатов на указанных тестовых наборах. Модель распространяется по лицензии MIT.

unsloth/GLM-4.1V-9B-Thinking-GGUF — это GGUF-версия открытой мультимодальной модели GLM-4.1V-9B-Thinking, разработанной командой THUDM и связанной с Zhipu AI. Версия подготовлена Unsloth с использованием квантования Unsloth Dynamic 2.0 и предназначена для задач понимания изображений и текста с рассуждением. Модель основана на GLM-4-9B-0414 и относится к vision-language models с примерно 9 млрд параметров. Она поддерживает китайский и английский языки, контекст до 64k токенов, изображения произвольного соотношения сторон и разрешением до 4K. Модель рассчитана на визуальные вопросы и ответы, анализ изображений, решение сложных задач, математическое и общее мультимодальное рассуждение, а также сценарии мультимодальных агентов. В README заявлены лучшие результаты среди моделей уровня около 10 млрд параметров на 23 из 28 тестов и превосходство над Qwen-2.5-VL-72B на 18 тестах, однако методика и результаты отдельно не приведены. К сильным сторонам относятся акцент на пошаговое рассуждение, поддержка длинного контекста и высокое разрешение изображений. Ограничения включают зависимость качества и требований к ресурсам от используемого GGUF-кванта; конкретный уровень квантизации в README не указан. Для запуска требуется совместимый инструментарий, а при использовании llama.cpp рекомендуется включать параметр --jinja из-за исправлений chat template. Модель распространяется по лицензии MIT.

miulab/llama2-7b-oss-instruct — англоязычная плотная авторегрессионная модель семейства Llama 2, дообученная на наборе Magicoder-OSS-Instruct-75K. Она служит основой кодовой модели, использованной в исследовании DogeRM, и предназначена для генерации текста в формате инструкций и диалога, в том числе для задач, связанных с кодом. Модель содержит 6,6 млрд параметров, построена на архитектуре LlamaForCausalLM и рассчитана на контекст до 4096 токенов. Модель опубликована исследовательской группой, указанной в статье DogeRM; README направляет к статье за подробностями обучения и оценки. Репозиторий распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не приводит результатов бенчмарков или подробного описания ограничений; качество на конкретных задачах программирования следует проверять отдельно.

Multilingual Anonymiser OpenPII — модель Ai4Privacy для обнаружения, классификации и редактирования персональных данных в тексте. Это дообученная на наборе open-pii-masking-500k-ai4privacy модель ModernBERT-base с архитектурой ModernBertForTokenClassification и 149 млн параметров. Репозиторий содержит веса Safetensors и формат ONNX; максимальная длина контекста — 8192 токена. Модель размечает фрагменты текста категориями PII, например именами и фамилиями, адресами электронной почты, датами и временем, чтобы их можно было скрыть или заменить. Она предназначена для анонимизации и категоризации PII в многоязычных документах. Карточка приводит результаты оценки на тестовой части обучающего набора: F1 составляет 91,50% в целом и 84,91% при макроусреднении; качество в реальных текстах может отличаться. Заявлена поддержка французского, английского, немецкого, телугу, хинди, итальянского, испанского и нидерландского языков. В карточке отмечены более низкая точность для некоторых категорий, включая номера паспортов и водительских удостоверений, и необходимость проверять качество на собственных данных. Модель распространяется по лицензии MIT.

MonkeyOCR — модель для разбора документов, разработанная авторами Zhang Li и соавторами. Она использует парадигму Structure-Recognition-Relation: определяет структуру страницы, распознаёт содержимое и устанавливает отношения между элементами, формируя результат в Markdown. Модель принимает изображения документов и страницы PDF; для обработки PDF и каталогов с файлами в README описаны локальный запуск, API и демонстрационный интерфейс. MonkeyOCR предназначена для разбора китайских и английских документов. В карточке описаны варианты семейства на 1,2 млрд и 3 млрд параметров; для версии pro-1.2B заявлены более высокая скорость и сопоставимые результаты с вариантом pro-3B. Репозиторий содержит веса в формате safetensors и библиотеку MonkeyOCR. Авторы отмечают ограничения при работе с фотографиями текста, рукописным содержимым, традиционными китайскими и многоязычными текстами. Использование заявлено для академических исследований и некоммерческих целей.

NB-Whisper Large Distilled Turbo BETA — модель автоматического распознавания речи, разработанная Национальной библиотекой Норвегии. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration; она принимает аудио и выдаёт текстовую транскрипцию, рассчитанную прежде всего на норвежский букмол. Модель предназначена для более быстрого распознавания речи при ограниченных ресурсах, включая потоковую транскрипцию и развёртывание на мобильных и периферийных устройствах. В README модель названа дистилляцией NbAiLab/nb-whisper-large. Она обучалась на норвежских речевых данных, включая коллекции Национальной библиотеки Норвегии и Språkbanken. README указывает размер 756 млн параметров, тогда как метаданные Hugging Face — 905,2 млн. Метаданные также отмечают английский среди языков карточки; основным языком модели заявлен норвежский букмол. Лицензия — Apache 2.0. Это бета-версия, выпущенная для тестирования. Возможны пропуски фрагментов, галлюцинации и ошибки транскрипции; текст может быть нормализован в грамматически корректные предложения, а не передавать речь дословно. Качество следует проверять на целевых аудиозаписях.

NYXIS-Pro — диалоговая текстовая модель QuantaSparkLabs на архитектуре Qwen2 с 1,5 млрд параметров, дообученная на базе QuantaSparkLabs/NYXIS-1.1B. Она предназначена для генерации ответов и помощи с вопросами по программированию, математике, науке, истории и общим знаниям. В комплект входят база AEGIS из 5 426 фрагментов знаний и двухэтапный поиск: первичный подбор с bge-small-en-v1.5 и переранжирование с ms-marco-MiniLM-L-6-v2. Модель также оценивает эмоцию в пользовательском тексте и подстраивает тон ответа. Контекст модели — до 32 768 токенов. По README, система может обращаться к внешнему поиску при наличии предоставленной пользователем API-функции, а при нехватке данных должна сообщать об этом. Заявление карточки о том, что модель не галлюцинирует, не гарантирует фактическую точность. Модель ориентирована на английский язык; небольшое число параметров ограничивает сложные рассуждения, база знаний охватывает ограниченный набор фрагментов, а определение эмоций основано на ключевых словах. Лицензия — Apache-2.0.

Ouro-1.4B-Thinking — языковая модель ByteDance для генерации текста и диалогов с акцентом на рассуждения. Это плотная причинно-языковая архитектура OuroForCausalLM примерно на 1,3 млрд параметров; модель дообучена методом supervised fine-tuning на данных для рассуждений. Поддерживает контекст до 65 536 токенов и принимает текст, выдавая текст с подробными шагами рассуждения. Модель предназначена прежде всего для математических, научных и связанных с кодом задач, а также для диалогов. В архитектуре используются четыре рекуррентных шага с настраиваемым адаптивным выходом; промежуточные выходы могут служить оценками финального ответа. README сообщает о результатах, сопоставимых с некоторыми моделями на 4 млрд параметров, но не приводит конкретных оценок. Для запуска рекомендуется Transformers 4.56.0; vLLM не поддерживает адаптивный выход. Лицензия — Apache-2.0. Разработчики обозначают модель как исследовательскую и предоставляют её без гарантий пригодности для промышленного применения.

Ertas AI выпустила дообученную модель SegEnc на базе Salesforce/socratic-pretraining-qmsum для суммирования найденных фрагментов стенограмм встреч с учётом вопроса пользователя. Она использует архитектуру Segment Encoder с Fusion-in-Decoder поверх BART-large: стенограмма делится на сегменты, кодируемые независимо, а декодер учитывает их совместно. Модель содержит 406,3 млн параметров; метаданные указывают 252,8 млн. Веса представлены в формате safetensors, размер контекста по метаданным — 1024 токена, а заявленная в README ёмкость обработки при разбиении на сегменты — до 4008 токенов. Модель предназначена для сценария locate-then-summarize на датасете QMSum: сначала извлекаются релевантные фрагменты, затем они суммируются в ответ на запрос. Поддерживаемый язык — английский. Авторы сообщают о сопоставимых метриках с их системой на 1,2 млрд параметров при меньшем числе параметров и меньшем пиковом потреблении памяти, однако статистическая эквивалентность не установлена. Лицензия — BSD 3-Clause.

Qwen3.8-27B LLM SCS — дообученная компанией или автором achuthc1298 мультимодальная модель на базе Qwen/Qwen3.8-27B. Это плотная модель с архитектурой Qwen3_5ForConditionalGeneration и 27 млрд параметров, предназначенная для диалогов с текстом и изображениями. Она поддерживает анализ визуального содержимого и интерфейс вызова инструментов. В репозитории размещены полные веса в формате Safetensors, конфигурация модели, токенизатор и файлы предварительной обработки. Модель подходит для ответов на вопросы по изображениям, описания визуальных сцен и диалоговых задач с визуальным контекстом. Также заявлен интерфейс для вызова инструментов. Сведения о лицензии, длине контекста и поддерживаемых естественных языках в доступных данных отсутствуют.

Qwen3-VL-4B-Instruct-NPU — мультимодальная модель на 4 млрд параметров от команды Qwen компании Alibaba Cloud, подготовленная для запуска на Qualcomm NPU через NexaSDK. Это вариант Qwen3-VL-4B-Instruct с инструкционной настройкой и файлом GGUF в формате F16. Модель принимает текстовые запросы и изображения, а также понимает видеоконтекст; отвечает текстом в диалоге, объясняет визуальные сцены и анализирует документы, диаграммы и снимки экрана. Подходит для визуальных помощников, описания изображений, вопросов по визуальным материалам и мультиязычных сценариев. README заявляет поддержку нескольких языков, но не перечисляет их по отдельности. Размер 4 млрд параметров рассчитан на более компактный запуск на устройствах. Конкретная длина контекста и лицензия в предоставленных сведениях не указаны.

Qwen3-VL-8B-Instruct-4bit — мультимодальная модель для задач image-text-to-text, преобразованная сообществом mlx-community в формат MLX из оригинальной модели Qwen/Qwen3-VL-8B-Instruct. Она предназначена для сценариев, в которых требуется обрабатывать изображения и текстовые запросы, например описывать содержимое изображений. Модель рассчитана на запуск с использованием инструментария mlx-vlm, включая устройства и среды, совместимые с MLX. Из указанных данных известно, что модель имеет размер 8B параметров, вариант Instruct и 4-битное представление весов. Поддерживаемые модальности — изображения и текст; сведения о языках, архитектуре, размере контекста, точных возможностях и ограничениях в карточке не приведены. К преимуществам относятся мультимодальная направленность и сниженная разрядность, потенциально уменьшающая требования к памяти, однако качество и применимость зависят от исходной модели и среды MLX. Модель распространяется по лицензии Apache-2.0.

BuzzASR/slovenian — одноязычная модель автоматического распознавания речи для словенского языка, разработанная как часть набора BuzzASR из 102 специализированных моделей. Она дообучена методом fine-tuning на базе openai/whisper-large-v3 и использует архитектуру Whisper large-v3 с 905,2 млн параметров. Модель принимает аудио и преобразует речь в текст; языковая и задачная подсказка включена в конфигурацию генерации. Модель предназначена для транскрибации словенской речи. В приведённых тестах FLEURS и Common Voice 25 она показала CER 4,98% и 0,65% соответственно, а на объединённом наборе — CER 2,31% и WER 7,83%; результаты относятся к указанным тестовым выборкам. Обучение использовало данные FLEURS, Common Voice Corpus 25.0 и текстовые данные корпуса Goldfish. Модель выпущена под лицензией MIT.

ctaguchi/ssc-bxk-model — модель автоматического распознавания речи, разработанная дообучением facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст; в карточке не уточняются поддерживаемые языки и формат входного аудио. На оценочном наборе указаны значения Loss 1,4388, CER 0,2469 и WER 0,8253. Датасет, сценарии применения и дополнительные ограничения в карточке не описаны. Модель распространяется под лицензией Apache-2.0.

NbAiLab разработала wav2vec2-large-voxrex-npsc-nynorsk — модель распознавания речи, дообученную на наборе NBAILAB/NPSC 16K_MP3_NYNORSK. Она принимает аудио и преобразует речь в текст, с акцентом на норвежский нюнорск. Модель основана на архитектуре Wav2Vec2 с CTC-декодированием и содержит 402,7 млн параметров. На оценочном наборе указаны значения Loss 0,4142 и WER 0,1576. Модель подходит для транскрибации записей на нюнорске; данные карточки не описывают ограничения по условиям записи или устойчивости к шуму. Веса опубликованы в формате PyTorch по лицензии Apache 2.0.

Модель ravirajoshi/wav2vec2-large-xls-r-300m-marathi — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на маратхи. Она принимает аудио и преобразует речь в текст; в карточке приведены результаты оценки: WER 0,2156 и loss 0,5656. Модель построена на архитектуре wav2vec2 с CTC-выходом, содержит 402,7 млн параметров и распространяется в формате PyTorch. Модель подходит для расшифровки записей и речи на маратхи. Лицензия Apache-2.0 разрешает использование, изменение и распространение с соблюдением её условий. Результаты распознавания могут содержать ошибки, особенно на аудио, отличающемся от условий оценки.

WAXAL-mlg_asr-w2v-bert-2.0 — модель автоматического распознавания речи, созданная дообучением facebook/w2v-bert-2.0. Она использует архитектуру Wav2Vec2BertForCTC и содержит 402,7 млн параметров; модель принимает аудио и преобразует речь в текст. В карточке приведены результаты оценки: CER 0,2007 и loss 0,8135, однако набор данных и условия оценки не описаны. Модель распространяется в формате Safetensors по лицензии MIT.

itayinbar/whisper-he-100m — модель распознавания речи на иврите, созданная на основе OpenAI Whisper Base. Она предназначена для преобразования ивритской речи в текст и протестирована на наборах eval-d1, he_speech_kan и eval-whatsapp. В карточке указаны показатели WER 12,99%, 16,62% и 21,67% соответственно. Модель содержит 94,36 млн параметров; её архитектура Whisper расширена до 12 слоёв энкодера и 12 слоёв декодера. Вместо многоязычного словаря Whisper используется байтовый BPE-токенизатор на 8 192 токена для иврита. Модель обучена на 3 112,7 часах вручную транскрибированной речи. Метаданные указывают форматы ONNX и Safetensors и лицензию Apache-2.0. Модель подходит для расшифровки ивритской речи, в том числе записей заседаний, краудсорсинговых аудиозаписей и сообщений. По приведённым результатам она уступает ivrit.ai на перечисленных тестах; показатели относятся к конкретным наборам оценки и не гарантируют аналогичное качество на других аудиоисточниках.

Mozilla.ai представила дообученную версию OpenAI Whisper large-v3 для распознавания речи на бенгальском языке. Модель использует архитектуру WhisperForConditionalGeneration, содержит около 905,2 млн параметров и принимает аудио, выдавая текст. Она создана на 21 409 аудиозаписях бенгальской части корпуса Common Voice 21.0; после дообучения опубликованы улучшенные показатели ошибок распознавания по сравнению с исходной Whisper large-v3 на бенгальском наборе.

Noobbbbb/whisper-small-bn-v2 — модель распознавания речи на бенгальском языке, созданная дообучением Noobbbbb/whisper-small-bn на наборе Noobbbbb/bengali-ai-asr-80k. Она использует архитектуру Whisper Small с 12 слоями энкодера и 12 слоями декодера и предназначена для преобразования бенгальской речи в текст. В карточке описана обработка аудио с выдачей транскрипции, в том числе временных фрагментов для длинных записей. Для обучения использовались подмножества обучающей и валидационной выборок, а также упомянут датасет Google FLEURS. Приведённые в карточке метрики получены на разных наборах и напрямую несопоставимы. Остаются ошибки замены слов и диакритики; качество на шумных записях и телефонной речи отдельно не проверялось. Модель распространяется по лицензии Apache-2.0.