I.6Перевод и языковая адаптация

Это дообученная модель Whisper, разработанная на основе parthiv11/indic_whisper_hi_multi_gpu; в карточке автор не указан. Модель предназначена для автоматического распознавания речи и транскрибирования аудио. Она содержит 455,8 млн параметров и использует архитектуру WhisperForConditionalGeneration; для работы применяется библиотека Transformers. На оценочном наборе указаны Loss 0,5923 и Global WER 45,2226. Датасет обучения и подробные сценарии использования в карточке не раскрыты. Модель распространяется по лицензии MIT.

Japanese-LLaMA-3-8B-Instruct-v2 — полноразмерная чат-модель для выполнения инструкций, разработанная на основе Meta-Llama-3-8B-Instruct. Модель относится к плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текстовые запросы, выдавая текстовые ответы. Модель предназначена для диалога и выполнения инструкций на японском языке. Её можно использовать для японского чат-бота, ответов на вопросы и генерации текста по запросу. Контекст составляет 8192 токена. Разработка и тестирование проводились на сервере ConoHa VPS с GPU NVIDIA H100. Указана лицензия llama3.

kstunlp/kstu-asr — модель автоматического распознавания кыргызской речи, созданная KSTU NLP как полное дообучение facebook/mms-1b-all. Это модель на базе Wav2Vec2 с архитектурой CTC и примерно 1 млрд параметров; она принимает аудио и выдаёт распознанный текст на кыргызском языке. Для декодирования в примере используется жадный CTC-декодер с целевым языком kir. Модель обучали на кыргызских речевых данных KSTU NLP, Common Voice 21 и FLEURS-ky, дополнив их синтетическими данными. В приведённых испытаниях она показала WER 12,93% на тестовой выборке FLEURS-ky и 16,17% на отдельной разговорной выборке; эти результаты относятся к описанным наборам и нормализации текста. Для использования указаны Transformers и аудио 16 кГц, моно. Лицензия в метаданных обозначена как other, поэтому конкретные условия распространения следует сверить с репозиторием.

KULLM3 — диалоговая языковая модель, разработанная NLP&AI Lab и дообученная на базе upstage/SOLAR-10.7B-v1.0. Она предназначена для выполнения инструкций и ведения связного чата, прежде всего на корейском языке; также поддерживает английский. Архитектура — плотная LlamaForCausalLM с 10,6 млрд параметров, модель работает через Transformers и принимает текст, выдавая текст. Контекст составляет 4096 токенов. Для дообучения использовали набор vicgalle/alpaca-gpt4 и смешанные корейские инструкции, всего более 66 тысяч примеров. Разработчики отмечают необходимость системного промпта, использовавшегося при обучении: без него качество может быть ниже ожидаемого. Модель распространяется по лицензии Apache 2.0.

lingtrain/labse-udmurt — модель Sentence Transformer, созданная дообучением многоязычной LaBSE командой Lingtrain для работы с предложениями и абзацами на удмуртском языке. Она кодирует текст в плотные векторы размерностью 768 и сравнивает их косинусным сходством. Модель основана на BERT, содержит 498,1 млн параметров; максимальная длина последовательности в README указана как 256 токенов, а контекстное окно в метаданных — 512 токенов. Модель подходит для семантического поиска, оценки сходства и поиска перефразировок, а также для кластеризации и классификации текстов. В обучающих данных использовались пары предложений, в том числе удмуртские фразы с русскими переводами; обучение проводилось с MultipleNegativesRankingLoss. Репозиторий содержит веса PyTorch и Safetensors. Модель предназначена прежде всего для удмуртского языка; README не подтверждает качество для других языков и специализированных предметных областей. Лицензия в предоставленных материалах не указана.

Llama3.1-8B-Chinese-Chat-GGUF — это набор файлов модели в формате GGUF для генерации текста и ведения диалогов на основе модели Llama3.1-8B-Chinese-Chat. Исходную модель разработал shenzhi-wang, а GGUF-квантизацию и публикацию выполнил MaziyarPanahi. Доступны варианты с разной точностью квантизации: 2-, 3-, 4-, 5-, 6- и 8-битные версии. Модель предназначена для локального запуска в сценариях генерации текста и чат-взаимодействия, включая использование через llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другие совместимые инструменты. Формат GGUF ориентирован на эффективное локальное выполнение и поддерживает работу с CPU и GPU в зависимости от выбранного программного обеспечения. В README не указаны точная длина контекста, перечень поддерживаемых языков, параметры архитектуры исходной модели, результаты оценивания или конкретные сильные стороны в сравнении с альтернативами. Выбор уровня квантизации позволяет балансировать между размером файлов, потреблением памяти и качеством генерации: более сильное сжатие обычно снижает требования к ресурсам, но может повлиять на качество. Лицензия модели в README не указана, поэтому условия использования необходимо уточнять на странице исходной модели и репозитория GGUF.

DeepMount00/Llama-3-COT-ITA — разговорная языковая модель для генерации текста на основе плотной архитектуры Llama с 7,5 млрд параметров. Репозиторий содержит веса в формате safetensors; модель создана в 2024 году и распространяется по лицензии Apache-2.0. По метаданным модель рассчитана на диалоговую генерацию текста на итальянском и английском языках. Заявленная длина контекста — 8192 токена. README состоит из повторяющейся тестовой фразы, поэтому он не подтверждает заявленное в названии обучение цепочке рассуждений или дополнительные возможности.

Sam4rano/luhya-asr-w2v-BERT — модель автоматического распознавания речи на языке лухья, созданная дообучением модели семейства w2v-BERT. Она принимает аудио и преобразует произнесённую речь в текст; в метаданных архитектура указана как Wav2Vec2BertForCTC, а размер составляет 402,7 млн параметров. Модель предназначена для распознавания речи на лухья. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

MarsupialAI/Magnum-12b-v2_iMatrix_GGUF — чат-модель Magnum 12B в формате GGUF, опубликованная MarsupialAI. Репозиторий содержит iMatrix-квантизованные файлы; README сообщает, что iMatrix подготовлена с использованием groups_merged.txt от Kalomaze. Модель предназначена для генерации текста и диалогового общения. Метаданные указывают поддержку английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Репозиторий создан 6 августа 2024 года и распространяется по лицензии Apache-2.0. GGUF подходит для локального запуска в совместимом программном обеспечении, однако карточка не сообщает точные варианты квантования, требования к памяти, размер контекста и оценку качества. Квантизация может влиять на качество ответов по сравнению с исходными весами.

Menlo_Jan-nano-128k-GGUF — это набор квантизованных версий языковой модели Jan-nano-128k, разработанной Menlo и подготовленной пользователем bartowski в формате GGUF с помощью llama.cpp. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Указана поддержка английского языка и контекст длиной до 128 тысяч токенов, однако сведения об архитектуре, количестве параметров, дополнительных модальностях и точных сценариях применения в README отсутствуют. Доступны варианты от BF16 до низкобитных Q2–Q8 и IQ-квантований размером примерно от 1,67 до 8,05 ГБ. Более высокие разрядности обеспечивают лучшее сохранение качества, а низкие уменьшают требования к памяти; для большинства случаев автор рекомендует варианты Q4_K_M, Q5 и Q6. Сильные стороны сборки — большой контекст, широкий выбор компромиссов между качеством и размером, а также совместимость с распространёнными инструментами локального вывода. Ограничения связаны с потерями качества при низких уровнях квантования и отсутствием в представленном README данных о результатах тестирования, производительности и требованиях к оборудованию. Модель распространяется по лицензии Apache-2.0.

MiniCPM4.1-8B-Russian-CPT-i1-GGUF — это квантизированная версия русскоязычной текстовой модели ALEKAS/MiniCPM4.1-8B-Russian-CPT, подготовленная mradermacher в формате GGUF. Модель основана на архитектуре MiniCPM и содержит около 8 миллиардов параметров. В качестве обучающего набора указан its5Q/biggest-ru-book; базовая библиотека — Transformers. Модель предназначена для генерации и обработки текста, прежде всего на русском языке, а также на английском. Она может использоваться локально в сценариях текстовой генерации и других задачах, поддерживаемых causal language models. Доступны многочисленные варианты квантизации i1, различающиеся размером, скоростью и качеством: от примерно 2 до 6,8 ГБ. В README не указаны размер контекста, поддерживаемые модальности, результаты тестирования или точные прикладные возможности. К преимуществам относятся специализация на русском языке, выбор компактных квантизированных вариантов и возможность локального запуска при ограниченных ресурсах. Ограничения зависят от выбранного типа квантизации: наиболее компактные варианты могут заметно уступать по качеству, тогда как более качественные требуют больше памяти. Модель распространяется по лицензии Apache-2.0.

Marsh Harrier Lite (MSH-Lite) — компактная языковая модель MedIT Solutions для генерации текста и диалогов по инструкциям. Она получена прунингом модели MSH-v1-Bielik-v2.3-Instruct-MedIT-merge и объединённых баз Bielik; каталог указывает архитектуру Mistral с плотной причинной языковой моделью. В репозитории около 7,5 млрд параметров, формат весов — safetensors, контекст — до 32 768 токенов. Модель рассчитана на польский и английский языки и предназначена для сценариев, где важны диалоговые ответы и меньшие вычислительные затраты по сравнению с исходной моделью на 11 млрд параметров. Заявления карточки о конкурентном качестве не сопровождаются результатами тестов. Лицензия — Apache-2.0.

Это квантизированная версия мультимодальной модели Qwen3.8-27B, преобразованная starskyzheng в нативный формат .ninfer для NInfer и профиля NVIDIA GeForce RTX 5080. Исходная модель разработана командой Qwen. Артефакт предназначен исключительно для запуска в NInfer и не является checkpoint для Transformers, Safetensors или GGUF. Модель поддерживает генерацию текста в режимах с рассуждением и без него, обработку изображений, нескольких изображений, видео и смешанных мультимодальных сообщений. Заявлен контекст до 131 072 токенов с Q4 KV-кэшем, MTP-3 speculative decoding с окном в три токена, а также обслуживание через NInfer CLI, OpenAI Chat Completions и Anthropic Messages. Текстовое ядро использует смешанную групповую квантизацию Q3/Q4/Q5 с эффективным показателем около 3,95 BPW. Размер артефакта составляет примерно 15,33 GiB. Сильными сторонами являются мультимодальность, длинный контекст, поддержка video input и оптимизация для одной RTX 5080 с заявленной высокой скоростью декодирования. Ограничения существенны: требуется 64-битный Linux, NVIDIA GeForce RTX 5080 на 16 ГБ, CUDA Toolkit 13.1 или новее и сборка NInfer из исходников; не поддерживаются multi-GPU, CPU/GPU offload, распределённый запуск и выполнение сгенерированных tool calls. Артефакт распространяется по лицензии Apache-2.0, как и исходный репозиторий Qwen3.8-27B.

Persian-OCR от WeightedAI — модель оптического распознавания символов, предназначенная для извлечения персидского текста из изображений. Она использует архитектуру CNN и Transformer с обучением по функции потерь CTC; в репозитории представлены веса PyTorch и словарь символов. Модель содержит 183,5 млн параметров. Для обучения использовался пользовательский синтетический набор примерно из 600 тысяч изображений персидского текста, созданных на основе Википедии с 49 шрифтами; длина последовательностей составляла от 0 до 150 символов. В README заявлена точность последовательности 96% на этом наборе. Модель подходит для распознавания персидских надписей и страниц, но для реальных изображений может потребоваться дополнительная настройка. Лицензия — Apache-2.0.

SC117/Qwen3.8-27B-Uncensored-FIT-GGUF — набор из 14 GGUF-квантизаций базовой модели orcarouter/Qwen3.8-27B-Uncensored. Файлы подготовлены с использованием FIT-GGUF — открытого детерминированного инструмента поверх пресетов квантизации llama.cpp, разработанного Scorp1o117. Модель предназначена для генерации текста и локального запуска в совместимых инструментах, включая llama.cpp. Модель имеет размер 27B параметров, относится к текстовым моделям и заявлена для английского и китайского языков. Доступны варианты с непрерывно подобранным размером примерно от 7 до 13,5 GiB. Для каждого файла заявлены точное соответствие прогнозируемому размеру и проверка с использованием измерений KL-divergence и same-top; MTP head удалена. Размер контекста и дополнительные модальности в README не указаны. Главное преимущество набора — гибкий выбор размера под доступный бюджет памяти и детерминированное распределение точности по тензорам. При этом README прямо отмечает, что универсально оптимальное распределение тензорной точности не установлено, поэтому качество разных вариантов может различаться. Лицензия — Apache-2.0.

rwkv-6-world-7b-GGUF — это GGUF-квантизированная версия языковой модели RWKV-6 World 7B, разработанной командой RWKV и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и локального запуска через совместимые инструменты, включая llama.cpp и LM Studio. Модель содержит около 7 миллиардов параметров и использует архитектуру RWKV-6. В репозитории представлены варианты от полноточного F16 до различных уровней квантования Q8, Q6, Q5, Q4, Q3 и Q2, а также форматы IQ. Размер файлов составляет примерно от 3,02 до 15,51 ГБ, поэтому можно выбирать между качеством генерации и требованиями к памяти. Квантизация выполнена с использованием imatrix на базе llama.cpp; отдельно доступны варианты, оптимизированные для ARM-процессоров. Сильной стороной репозитория является широкий выбор квантизированных сборок, включая рекомендуемые варианты Q4 и Q5, что упрощает запуск модели на компьютерах с ограниченными ресурсами. При этом качество низкобитных вариантов снижается, а для некоторых ARM-сборок требуются определённые аппаратные расширения. Формат промпта, поддерживаемые языки, максимальный контекст и лицензия в предоставленном README не указаны; для их определения требуется информация со страницы исходной модели RWKV/rwkv-6-world-7b.

SambaLingo-Serbian-Chat — диалоговая языковая модель SambaNova Systems для общения на сербском и английском языках. Она основана на Llama-2-7b и дообучена методом direct preference optimization поверх SambaLingo-Serbian-Base; базовую модель адаптировали к сербскому на 17 миллиардах токенов из сербской части Cultura-X. Размер модели — 6,7 млрд параметров, архитектура — плотная Llama, контекст — до 4096 токенов. Модель предназначена для генерации ответов в чате и ведения диалога на сербском и английском. Словарь токенизатора расширен до 57 000 токенов, включая до 25 000 новых токенов для сербского языка. Модель может галлюцинировать, переключаться между языками или диалектами и повторять фразы; её возможности в программировании и сложной математике ограничены, а ответы могут содержать неподходящий или вредный контент. Не предназначена для критически важных задач и решений, влияющих на безопасность людей. Использование регулируется лицензией Meta Llama 2 Community License Agreement.

lgris/sew-tiny-portuguese-cv — модель распознавания речи, разработанная на основе lgris/sew-tiny-pt и дообученная на наборе Common Voice. Она использует архитектуру SEWForCTC и содержит 50,4 млн параметров. Модель принимает аудио и преобразует речь на португальском языке в текст. На оценочном наборе Common Voice указаны loss 0,5110 и WER 0,2842. Модель подходит для транскрибации португалоязычных аудиозаписей; качество может зависеть от акцента, шума и условий записи. Распространяется по лицензии Apache-2.0.

Shisa-v1-Llama3-8B.2e5 — диалоговая языковая модель, созданная shisa-ai на основе Meta-Llama-3-8B-Instruct. Это плотная архитектура Llama с примерно 7,5 млрд параметров, дообученная на наборе augmxnt/ultra-orca-boros-en-ja-v1 для генерации ответов и общения на японском и английском языках. Модель принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. Карточка содержит результаты оценки базовой модели для эксперимента по абляциям Shisa-v2 и отмечает склонность моделей Llama к повторениям при некоторых настройках генерации. Для снижения повторов автор рекомендует frequency_penalty 0.5 в описанном сценарии vLLM; для длинных генераций эти настройки могут быть неоптимальны. Лицензия — Llama 3 License.

Strawberry-i1-GGUF — это набор квантизированных файлов в формате GGUF для модели Strawberry, разработанной artindnr и подготовленной к квантизации пользователем mradermacher. Модель предназначена для генерации текста и локального запуска через совместимое программное обеспечение, поддерживающее GGUF. В карточке указаны языки фарси и английский, а также мультиязычная поддержка. Модель основана на архитектуре mixture-of-experts и связана с экосистемой Transformers; в метаданных также указаны PyTorch, JAX и TensorFlow. Доступны варианты квантизации MXFP4 и многочисленные IQ-, Q2-, Q3-, Q4-, Q5- и Q6-конфигурации размером примерно от 12,1 до 22,3 ГБ. Варианты различаются компромиссом между размером, скоростью и качеством: Q4_K_M отмечен как быстрый и рекомендуемый, а Q4_K_S — как оптимальный по размеру, скорости и качеству. Более агрессивные варианты имеют более низкое качество. Конкретные число параметров, размер контекста, точные возможности мультиязычной генерации и результаты оценки в README не указаны. Лицензия модели — Apache-2.0.

Superswallow-70b-NVE — объединённая авторами на базе mergekit языковая модель на архитектуре Llama 2. В модель Swallow-70b-instruct добавлены способности следовать пользовательским инструкциям из Tulu 2 DPO; использовано линейное слияние весов. Модель содержит 68,7 млрд параметров и рассчитана на генерацию текста с контекстом до 4096 токенов. Модель предназначена для диалогов и выполнения инструкций, в том числе на японском и английском языках. Карточка описывает её как эксперимент с объединением моделей, обученных для разных языков, с акцентом на сохранение японских языковых возможностей Swallow. Автор сообщает о нестабильности генерации на некоторых запросах при высокой температуре и рекомендует снижать её до 0,5 или ниже, если модель не следует намерению пользователя. В метаданных указана лицензия Llama 2, однако автор предупреждает, что из-за использования параметров Tulu 2 DPO условия лицензирования могут измениться, если этого потребует AI2. Перед использованием следует проверить актуальные условия обеих исходных моделей.

Teuken 7B-base-v0.6 — базовая мультиязычная языковая модель проекта OpenGPT-X, разработанная Fraunhofer, Forschungszentrum Jülich, TU Dresden и DFKI. Это плотная decoder-only Transformer-модель семейства Llama с 7,5 млрд параметров, предварительно обученная на 6 трлн токенов; длина контекста — 4096 токенов. Модель распространяется в форматах PyTorch и Safetensors и предназначена для генерации текста на европейских языках. Модель рассчитана на частное, исследовательское и образовательное некоммерческое использование. Её мультиязычная подготовка нацелена на более равномерную работу с языками Европы, поэтому она подходит для генерации и продолжения текста, а также для многоязычных приложений и сценариев, ориентированных на Европу. Это базовая модель, а не специализированный чат-ассистент; математика и программирование обозначены как задачи вне целевого применения. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески. Модель может воспроизводить предвзятость, галлюцинировать и генерировать токсичный или вредоносный текст; обучающие данные имеют отсечку сентября 2023 года.

LongWriter-Zero-32B-GGUF — квантизированная версия языковой модели LongWriter-Zero-32B, разработанной THU-KEG и подготовленной квантизатором bartowski в формате GGUF с использованием llama.cpp. Модель предназначена для генерации текста, решения общих задач и написания развернутых материалов с поддержкой длинного контекста; заявлены английский и китайский языки. В метаданных также указано обучение с подкреплением и использование набора данных THU-KEG/LongWriter-Zero-RLData. Модель имеет размер 32B параметров и доступна в вариантах от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ. Это позволяет выбирать между качеством, размером файла и требованиями к памяти; рекомендуемыми названы некоторые варианты Q6, Q5 и Q4. Модель можно запускать локально через LM Studio, llama.cpp и совместимые проекты. Указанный формат и набор квантизаций являются сильной стороной для локального использования, однако README не содержит точных сведений о размере контекстного окна, архитектуре исходной модели, мультимодальности или результатах сравнительных оценок. Распространение заявлено по лицензии Apache-2.0.

bengaliAI/tugstugi_bengaliai-asr_whisper-medium — модель распознавания речи, опубликованная Bengali.AI. Она предназначена для преобразования аудиозаписей в текст и доступна для запуска через Transformers как задача automatic-speech-recognition. Модель построена на архитектуре WhisperForConditionalGeneration семейства Whisper и содержит около 455,8 млн параметров. В репозитории указана лицензия Apache-2.0. Карточка модели практически не содержит описания обучения и результатов, поэтому нельзя подтвердить её качество на конкретных вариантах бенгальского языка или других языках. Конфигурация ограничивает декодирование 448 токенами; модель принимает аудио и выдаёт текст.

Glimpse — модель распознавания текста на изображениях строк, разработанная surfiniaburger для арабской и персидской письменности. Это дообученная на базе unsloth/PaddleOCR-VL компактная мультимодальная модель с архитектурой PaddleOCR-VL; карточка также описывает её как ERNIE-4.5-0.3B Vision-Language Model. В метаданных указаны 318,2 млн параметров и контекст 131 072 токена. Модель предназначена для OCR изображений с текстом справа налево, включая строки со сложными лигатурами и разными шрифтами. По данным карточки, после 500 шагов дообучения CER на отложенных RTL-строках составил 6,97% против примерно 59% у исходной модели. Использованы датасет Persian_Arabic_TextLine_Image_Ocr_Medium и QLoRA; заявленные показатели относятся к описанной оценке и не гарантируют качество на других данных. Лицензия — Apache-2.0. Модель рассчитана прежде всего на арабский и персидский языки; данных о поддержке других языков OCR в карточке нет.

P2Enjoy/VibeVoice-ASR-BitNet-slim — облегчённая GGUF-перепаковка модели распознавания речи Microsoft VibeVoice-ASR-BitNet. Разработчик удалил из весов дублирующую матрицу выходной проекции: повторно обучение не проводилось, а основная тернарная часть трансформера сохранена. Размер языковой модели сократился примерно с 993 до 526 МБ, общий размер весов — с 1,70 до 1,23 ГБ. Модель предназначена для транскрибации аудио, в том числе длинных записей на фрагментах примерно по 60 секунд. Карточка приводит оценки для английского, французского, итальянского, португальского, испанского и немецкого; исходная модель обучалась также на китайском, корейском и вьетнамском. Перепаковка почти не изменила точность относительно исходных весов, однако на коротких клипах в приведённом сравнении Whisper точнее. Лицензия — MIT. При обработке аудио длиннее примерно 80 секунд за один проход модель может преждевременно завершить распознавание и отбросить остаток записи, поэтому длинные материалы следует делить на части. Модель не выполняет диаризацию и не выдаёт метки говорящих; качество заметно зависит от языка и типа речи.

Viking 13B — базовая авторегрессионная языковая модель с 13,4 млрд параметров, созданная совместно группой TurkuNLP Университета Турку, SiloGen (Silo AI) и High Performance Language Technologies. Это плотный decoder-only трансформер семейства LLaMA с rotary positional embeddings и FlashAttention; контекст — 4096 токенов. Модель обучалась на LUMI и на момент описания была частично обученным чекпойнтом. Модель предназначена для генерации текста на финском, английском, шведском, датском, норвежском и исландском языках, базового перевода между ними, а также понимания и генерации кода. Она ориентирована на языки Северной Европы, в том числе языки с ограниченными ресурсами, и служит базой для дальнейшей тонкой настройки под конкретные сценарии. Поскольку это базовая и частично обученная модель, для большинства прикладных задач ей требуется дополнительная настройка; опубликованные результаты полной оценки отсутствуют. README предупреждает о возможных неточностях и предвзятых или спорных ответах, а также отмечает слабое владение языками за пределами перечисленных. Модель распространяется по лицензии Apache 2.0.

UmarRamzan/w2v2-bert-urdu — модель автоматического распознавания речи на базе Wav2Vec-BERT 2.0, дообученная на урду-разделе набора Common Voice 17. Она преобразует аудиозаписи речи на урду в текст и подходит для транскрибирования речевых данных. Модель содержит 402,7 млн параметров и использует архитектуру Wav2Vec2BertForCTC. На оценочной выборке указана WER 0,2929 и loss 0,3681. Модель распространяется под лицензией MIT; заявленные результаты относятся к указанному оценочному набору и не гарантируют такую же точность на других аудиозаписях.

Prakmlis/w2v-bert-2.0-khmer-v4 — модель автоматического распознавания речи на основе Wav2Vec2-BERT, дообученная автором репозитория на датасете, который в карточке не описан. Она принимает аудио и преобразует речь в текст; архитектура — Wav2Vec2BertForCTC, размер — 402,7 млн параметров. Название указывает на поддержку кхмерского языка, однако README не описывает языки и данные обучения, поэтому это следует считать предположением. В оценке указаны WER 0,2116 и CER 0,0573; условий оценки карточка не приводит. Модель распространяется по лицензии MIT.

Badr al-Absi разработал модель для автоматического распознавания малагасийской речи. Это дообученная на 150 часах размеченной малагасийской речи модель facebook/w2v-bert-2.0 с архитектурой Wav2Vec2-BERT: трансформерным речевым энкодером, свёрточным извлекателем признаков и CTC-выходом. По метаданным модель содержит 402,7 млн параметров и распространяется в формате Safetensors. Модель подходит для транскрибации аудио на малагасийском языке, голосовых помощников и инструментов доступности для малагасийских сообществ. Внутридоменная оценка WER в карточке указана ниже 11,7%; качество на других типах записей может отличаться. Лицензия — CC-BY-4.0.