I.7Речь, диалоги и встречи

sfmunfilterede2ealignment-9k10k11kweightedavgmerge — объединённая языковая модель, созданная с помощью mergekit. В ней линейно объединены контрольные точки обучения unfiltered_e2e_alignment с шагов 9000, 10000 и 11000; базовой для слияния указана контрольная точка global_step11000. Автор карточки — yuhengtu из ByteDance. Модель построена на архитектуре GPT-NeoX и содержит 8,8 млрд параметров. Она предназначена для генерации текста в диалоговом режиме и принимает текстовые запросы; заявленная длина контекста — 16 384 токена. Карточка не приводит сведения о конкретных языках, лицензии или специальных областях применения, поэтому их нельзя надёжно уточнить.

ShweYon_Qwen2.5-MM-v1.2.9 — дообученная языковая модель URajinda на архитектуре Qwen2, представленная в формате Safetensors. Модель содержит 1,6 млрд параметров, поддерживает контекст до 32 768 токенов и предназначена для генерации текста в диалоговом формате. Модель дообучена на URajinda/ShweYon_Qwen2.5-MM-v1.2.9-Final с использованием Unsloth и библиотеки TRL из Hugging Face. Карточка не описывает специализированную область применения или дополнительные возможности сверх генерации текста. Лицензия — Apache 2.0.

Silero VAD v6 — экспорт модели обнаружения речевой активности Silero, подготовленный loom-ai-org для запуска в loom.cpp. Это модель архитектуры STFT + CNN + LSTM примерно с 300 тысячами параметров; веса соответствуют Silero VAD v6.2.3 для аудио 16 кГц и не изменены. Репозиторий упаковывает модель в формат GGUF; метаданные указывают библиотеку loom-py-rt и лицензию MIT. Модель принимает монофонический звук с частотой 16 кГц и выдаёт вероятность наличия речи для каждого кадра длительностью 32 мс. Она подходит для определения участков речи в аудиозаписях и предварительной обработки аудио перед распознаванием речи. Модель языконезависимая; README сообщает, что обучающие корпуса охватывают более 6000 языков. Выход представляет собой вероятности по кадрам, а не готовые временные метки речи: выбор порога и постобработку, включая обработку границ сегментов и отбрасывание коротких фрагментов, нужно выполнять отдельно. Экспортированная версия работает только с монофоническим аудио 16 кГц; вариант для 8 кГц не включён. По README, экспорт сохраняет вычисления исходной модели с небольшим расхождением вероятностей из-за округления с плавающей точкой.

kodonho/Solar-OrcaDPO-Solar-Instruct-SLERP — англоязычная смешанная разговорная модель, созданная с помощью gradient SLERP на основе upstage/SOLAR-10.7B-Instruct-v1.0 и bhavinjawade/SOLAR-10B-OrcaDPO-Jawade. Она предназначена для генерации текста и диалоговых сценариев. Модель использует плотную архитектуру LlamaForCausalLM, содержит 10,6 млрд параметров и имеет контекст 4096 токенов; веса доступны в формате safetensors. В README указана средняя оценка 74,3, но метрика и условия оценки не уточнены. Модель распространяется по лицензии CC BY-NC 4.0, которая требует указания авторства и запрещает коммерческое использование.

SonyaKAErisepBeagleNuBuRPInfinWestLakev2-ENDLESSIreneRP-Neural-7B-slerp — языковая модель для генерации текста, созданная объединением моделей с помощью LazyMergekit. В состав слияния вошли Smuggling1710/KAErisepBeagleNuBuRPInfinWestLakev2-ENDLESSIreneRP-Neural-7B-slerp и SanjiWatsuki/Sonya-7B; применён метод slerp с настройками для слоёв внимания и MLP. Модель основана на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Семейство Sonya-7B предназначено для диалогов, творческого письма и ролевых сценариев; модель принимает текст и генерирует текст. В репозитории указаны веса SafeTensors и тип данных bfloat16. Язык лицензирования и конкретная лицензия в доступных сведениях не приведены.

Starlight-V3-12B — языковая модель, созданная starble-dev с помощью mergekit: автор объединил методом TIES модели anthracite-org/magnum-12b-v2 и UsernameJustAnother/Nemo-12B-Marlin-v5, используя первую как базовую. Это плотная архитектура Mistral с 12,1 млрд параметров, предназначенная для генерации текста и диалогов. Модель представлена в формате safetensors, использует библиотеку Transformers и поддерживает контекст до 1 024 000 токенов. Цель слияния — сохранить сильные стороны Magnum v2 и добавить генерации больше креативности. Автор рекомендует подбирать параметры сэмплирования; в README отмечена чувствительность результата к температуре и возможность утечки фрагментов обучающих данных при высоких значениях температуры. Лицензия — Apache 2.0.

Suzume ORPO Borda Full — многоязычная чат-модель, разработанная Peter Devine (ptrdvn). Это плотная авторегрессионная модель семейства Llama 3 примерно с 7,5 млрд параметров и контекстом 8192 токена, дообученная методом ORPO на модели lightblue/suzume-llama-3-8B-multilingual. Для обучения использовался датасет lightblue/mitsu_full_borda: ответы для промптов выбирались по верхним и нижним позициям в рейтинге Borda. Модель предназначена для диалога и генерации ответов на нескольких языках. В опубликованном сравнении MT-Bench авторы отмечают улучшение относительно базовой модели на большинстве оценивавшихся языков; доступная часть таблицы включает китайский, английский и французский. Модель распространяется в формате Safetensors. Лицензия CC BY-NC 4.0 запрещает коммерческое использование; авторы связывают это ограничение с применением Command R и Command R+ для генерации обучающих данных.

SzilviaB/SzilviaB_SzilviaB_Solar_Rain-2x10.7b — разговорная языковая модель, созданная слиянием двух предварительно обученных моделей с помощью SLERP и mergekit. В метаданных указана архитектура Mixtral MoE и около 10,6 млрд параметров; модель предназначена для генерации текста и ответов в диалоге, поддерживает контекст до 4096 токенов. В слияние вошли macadeliccc/SOLAR-2x10.7b-truthy-dpo и Alsebay/SunnyRain-2x10.7B. Карточка указывает на формат safetensors и библиотеку Transformers. Языковая специализация и конкретные области применения не описаны. Лицензия в предоставленных данных не указана.

Это 4-битная GPTQ-квантизованная версия модели TinyLlama/TinyLlama-1.1B-Chat-v1.0. В README указано, что квантизация выполнена с использованием AutoGPTQ, а формат контрольной точки — Marlin. Разработчик исходной модели отдельно не указан; идентификатор и README позволяют определить её как чат-модель семейства TinyLlama с размером около 1,1 млрд параметров. Модель предназначена для диалоговых и других текстовых сценариев, где важны сниженные требования к памяти и вычислительным ресурсам. Конфигурация использует 4-битное симметричное квантование GPTQ с group_size 128 и параметром desc_act, установленным в false. Квантизация может упростить локальный запуск и ускорить выполнение на совместимом оборудовании, однако потенциально снижает точность по сравнению с полноразмерной версией. Мультимодальность, поддерживаемые языки, размер контекстного окна и точные архитектурные характеристики в README не указаны. Лицензия обозначена как unknown.

ClaudioItaly/Top11Evolution — объединённая языковая модель, созданная с помощью mergekit методом SLERP из Sao10K/Fimbulvetr-11B-v2 и TheDrummer/Moistral-11B-v3. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 10,6 млрд параметров; она загружает текст и генерирует текст, поддерживая контекст до 4096 токенов. Модель предназначена для генерации текста и диалоговых ответов. В конфигурации объединения указано, что при выборе весов учитывались свойства Hermes на входных и выходных слоях и WizardMath в средних слоях, однако README не приводит отдельных оценок качества или конкретных гарантий математических возможностей. Модель опубликована в формате safetensors и использует библиотеку Transformers. В предоставленных материалах лицензия не указана, поэтому условия использования по ним определить нельзя. Практические ограничения: контекст ограничен 4096 токенами, а README не содержит результатов тестирования и рекомендаций по применению.

cloudyu/Truthful_DPO_TomGrc_FusionNet_34Bx2_MoE — разговорная языковая модель, созданная Cloudyu дообучением TomGrc/FusionNet_34Bx2_MoE методом Direct Preference Optimization (DPO) на наборе предпочтений jondurbin/truthy-dpo-v0.1. Она предназначена для генерации текста в диалоге и выдачи ответов с учётом предпочтений, заданных при обучении. Модель использует архитектуру Mixtral с разреженной смесью экспертов (MoE), содержит 33,9 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors; заявленная лицензия — MIT. README сообщает об улучшении метрик после DPO, но не приводит конкретных результатов или независимой оценки.

Uirapuru U1 0817 — экспериментальный языковой ассистент от SynastrIA Networks, обновлённая версия Uirapuru U1. Модель построена на архитектуре Qwen3.5 и дообучена с адаптером LoRA повышенного ранга; поддерживает диалог и интерфейс вызова инструментов. В карточке Hugging Face указаны языки: бразильский португальский и английский. Модель предназначена для разговорных ассистентов, следования инструкциям, многошаговых задач и агентных рабочих процессов. Обновление нацелено на более последовательное поведение, рассуждения, идентичность модели и естественную неформальную речь на бразильском португальском. В отличие от предыдущих экспериментов, адаптивное управление мышлением не используется. Модель может ошибаться, выдумывать факты, неверно понимать инструкции и нестабильно выполнять сложные задачи; за пределами португальского и английского её качество может быть ниже. Для важных решений необходимы проверка результатов и человеческий контроль. Лицензия — Apache-2.0.

v9 — самостоятельный объединённый чекпойнт BF16, созданный разработчиком на основе дообученной модели tojointhecommunity/affine-5efg6cm3yl-king. Это разговорная модель для генерации текста; в карточке указана архитектура Qwen3.5 MoE и обучение методом DPO с применением LoRA ранга 16, слитой с базовыми весами. Во время обучения использовался контекст длиной 8192 токена. Модель предназначена для диалогового применения и генерации ответов. В обучающей смеси сохранялись положительные диалоговые ходы; README описывает также механизм выборочного fallback, однако целевая смесь до фильтрации контекста состояла на 100% из сохранённых примеров и на 0% из fallback-примеров. Чекпойнт распространяется в формате safetensors и не требует адаптера PEFT или пользовательского кода для маршрутизации. Автор обозначает модель как экспериментального кандидата и рекомендует провести проверки в vLLM и аудит шаблонов эксплуатации перед подачей. Условия лицензии в предоставленных данных не указаны.

NhutP/ViWhisper-small — модель распознавания вьетнамской речи, созданная дообучением Whisper-small от OpenAI. Она предназначена для преобразования вьетнамской речи в текст, в том числе для транскрибирования аудиозаписей и обработки длинных файлов с разбиением на фрагменты. Модель построена на архитектуре Whisper, содержит 153,1 млн параметров и доступна в формате Safetensors для Transformers. При обучении использованы 1308 часов данных, включая набор VietSpeech и другие вьетнамские речевые данные; для части примеров синтезировали речь, чтобы добавить слова, отсутствовавшие в корпусе. В README приведены результаты WER на нескольких вьетнамских тестовых наборах. Модель распространяется по лицензии MIT. Карточка описывает распознавание речи; качество на других языках и вне указанных тестов не установлено.

prajin/wav2vec2-large-xlsr-300m-nepali — модель автоматического распознавания речи на основе архитектуры Wav2Vec2ForCTC, дообученная разработчиком на базе facebook/wav2vec2-xls-r-300m. Для обучения использовались корпус OpenSLR-54 и дополнительные данные. Модель предназначена для преобразования непальской речи в текст. В оценке на выделенных 10 000 примерах обучающих данных указана WER 34,26% без языковой модели и 25,02% с 5-граммовой языковой моделью. На OpenSLR-43, который не использовался при обучении, автор сообщает WER 27% и CER 8,3% с 5-граммовой языковой моделью. Модель содержит 402,7 млн параметров и опубликована в формате PyTorch. Лицензия — Apache-2.0. Карточка не описывает дополнительные ограничения или условия применения.

jimregan/wav2vec2-large-xlsr-latvian-cv — модель автоматического распознавания латышской речи, созданная Джимом Риганом дообучением facebook/wav2vec2-large-xlsr-53 на латышской части набора Common Voice. Она предназначена для преобразования аудиозаписей речи в текст, например для расшифровки записей и оценки распознавания на тестовых данных Common Voice. Модель использует архитектуру wav2vec 2.0 с головой Wav2Vec2ForCTC и содержит 402,7 млн параметров. Для входной речи требуется частота дискретизации 16 кГц; веса представлены в форматах PyTorch, Flax и safetensors. Модель рассчитана на латышский язык, принимает аудио и выдаёт текст. В README приведён результат оценки 29,95% на тестовых данных Common Voice, но метрика не уточнена, поэтому это число нельзя напрямую трактовать как точность или ошибку распознавания. Лицензия модели — Apache-2.0.

bayartsogt/wav2vec2-large-xlsr-mongolian — модель распознавания монгольской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice. Она преобразует аудиозапись в текст и рассчитана на распознавание монгольского языка; для входной речи требуется частота дискретизации 16 кГц. Модель построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. В README приведён результат оценки 45,82% на тестовой части монгольского Common Voice, но метрика не уточнена. Лицензия — Apache-2.0. Описание обучения содержит незаполненные поля, поэтому точный состав обучающих данных и скрипт обучения не приведены.

Wav2Vec2-XLS-R-1B — разработанная Facebook AI многоязычная модель для предварительного обучения речевых представлений на архитектуре wav2vec 2.0. Она содержит 1,3 млрд параметров и обучена на 436 тысячах часов немаркированной речи из нескольких корпусов, включая VoxPopuli, MLS, Common Voice, BABEL и VoxLingua107; заявлена поддержка 128 языков. Для подачи аудио требуется частота дискретизации 16 кГц. Модель предназначена для дообучения под конкретную задачу: распознавание речи, перевод речи или классификацию, в том числе идентификацию языка. Это базовый речевой энкодер, а не готовая универсальная система распознавания или перевода; для прикладного использования нужны подходящая выходная голова и дообучение. Распространяется по лицензии Apache 2.0.

classla разработала wav2vec2-xls-r-juznevesti-sr — модель распознавания сербской речи на основе facebook/wav2vec2-xls-r-300m, дообученная на 58 часах аудио и расшифровок из программы «15 minuta» новостного издания Južne vesti. Это аудиомодель архитектуры wav2vec2 с CTC-декодированием и примерно 402,7 млн параметров. Модель предназначена для преобразования сербской речи в текст, в частности для записей, похожих на аудио обучающей выборки. На dev- и test-частях набора JužneVesti указаны WER 0,295 и 0,290 соответственно, а CER — 0,141 и 0,138. Эти результаты относятся к оценке на данном наборе и не гарантируют аналогичного качества на других типах записей. Для работы в README приведён пример совместимости с Transformers, PyTorch и SoundFile; лицензия в доступных данных не указана.

WestIceLemonTeaRP-32k-7b-imatrix-GGUF — это квантизированная GGUF-версия языковой модели WestIceLemonTeaRP-32k-7b. Исходную модель разработал icefog72, объединив IceLemonTeaRP-32k-7b и семейство WestWizardIceLemonTeaRP методом SLERP с использованием mergekit. В состав объединения вошли также SeverusWestLake-7B-DPO и Not-WizardLM-2-7B; подготовка GGUF-квантизаций выполнена при участии mradermacher и SilverFan. Модель предназначена для генерации текста и диалоговых сценариев на английском языке. Указаны шаблоны Alpaca и, возможно, ChatML. Модель относится к классу 7B и рассчитана на контекст до 32 тысяч токенов согласно её названию. Репозиторий содержит варианты GGUF с imatrix-квантизацией, однако конкретные параметры доступной версии в README не указаны. В опубликованной оценке Open LLM Leaderboard средний результат составляет 71,27 балла; среди отдельных показателей указаны 86,89 на HellaSwag, 68,77 на AI2 Reasoning Challenge, 64,28 на MMLU, 62,47 на TruthfulQA, 80,98 на Winogrande и 64,22 на GSM8k. Эти результаты характеризуют общую способность модели к генерации текста, рассуждению и ответам на вопросы, но не заменяют проверку на прикладных данных. Лицензия обозначена как other, без дополнительных условий в README, поэтому перед использованием и распространением необходимо уточнить юридические ограничения у автора или в исходных репозиториях. Модель является текстовой и англоязычной; сведения о мультимодальности, точной архитектуре, размере файлов, системных требованиях и качестве работы на других языках не предоставлены.

Модель whisper-medium-v1-luxembourgish разработана Департаментом гуманитарных наук Университета Люксембурга в рамках проекта LuxASR. Это дообученная версия Whisper Medium для автоматической расшифровки люксембургской речи в текст; модель подходит для транскрибирования аудио, задач доступности, подготовки субтитров и исследований по распознаванию речи на люксембургском языке. Архитектура — WhisperForConditionalGeneration, размер — 455,8 млн параметров по метаданным. Модель обучалась на более чем 150 часах пар «аудио—текст» на люксембургском языке. Веса представлены в формате safetensors. README указывает лицензию Open Model, Data & Weights (open-mdw); условия использования следует сверять с текстом лицензии репозитория.

seanghay/whisper-small-khmer-v2 — модель распознавания речи, созданная дообучением openai/whisper-small на датасетах OpenSLR (SLR42), Google FLEURS и km-speech-corpus. Она предназначена для транскрибирования аудио на кхмерском языке; в Transformers её используют для преобразования аудиозаписей в текст. Модель содержит 153,1 млн параметров, построена на архитектуре Whisper и распространяется в форматах PyTorch, Flax и Safetensors. В README указаны результаты на оценочном наборе: loss 0,26 и WER 0,6165. WER указывает на заметную долю ошибок распознавания, поэтому результат следует проверять, особенно для шумных записей и сценариев с высокими требованиями к точности. Лицензия — Apache-2.0.

Adnan666/whisper-small-pashto-run11-epoch2 — дообученная версия Whisper Small для автоматического распознавания речи. Модель содержит 153,1 млн параметров и использует архитектуру WhisperForConditionalGeneration; файлы представлены в формате safetensors. Она принимает аудио и выдаёт текстовую транскрипцию, с ориентацией на речь на пушту. В README приведён результат оценки на наборе данных: WER 50,2334 и Loss 1,0639. Датасет и подробности обучения не описаны, поэтому эти показатели сами по себе не дают полной картины качества на других данных. Лицензия — Apache-2.0.

Yohan2003/whisper-small-sinhala — набор дообученных вариантов Whisper Small для автоматического распознавания речи на сингальском языке. Репозиторий содержит девять обучающих запусков с весами и разбиениями данных; автор рекомендует run6 для максимальной точности распознавания сингальской речи. Модель основана на мультиязычной openai/whisper-small и принимает аудио, выдавая транскрипцию текстом. Обучение проводилось на примерно 154 828 примерах сингальской речи из OpenSLR-52, YouTube, BizBrains и Linga. Для рекомендованного run6 приведена оценка на тестовом наборе без пересечения дикторов с обучением; точность зависит от орфографических вариантов, редких слов и длинных высказываний. LoRA-варианты могут повторять слова в длинных выводах. Лицензия репозитория — Apache-2.0. Английское забывание для поздних запусков run5–run9 не оценивалось.

LWobole/whisper-small-tagalog — дообученная модель семейства Whisper от автора репозитория LWobole, созданная на базе openai/whisper-small и предназначенная для автоматического распознавания речи на тагальском языке. Модель содержит 153,1 млн параметров, использует архитектуру WhisperForConditionalGeneration и опубликована в формате safetensors для Transformers. Модель обучалась на наборе fleurs_fil_ph и оценивается по распознаванию речи; в README приведены loss 0,4392 и WER 16,6557 на оценочной выборке. Она подходит для преобразования тагальской речи в текст. Лицензия — Apache-2.0. Подробности об условиях записи аудио, качестве в разных акустических условиях и иных ограничениях в карточке не раскрыты.

Jingmiao/whisper-small-zh_tw — дообученная модель распознавания речи на основе openai/whisper-small. Она предназначена для преобразования аудио на тайваньском варианте китайского языка в текст; при дообучении использован набор mozilla-foundation/common_voice_11_0. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. На оценочной выборке указана потеря 0,2283 и частота ошибок слов WER 41,9652. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Wiederchat-7b — немецкоязычная чат-модель на архитектуре Mistral, созданная Johann Hartmann объединением трёх моделей с помощью LazyMergekit: mlabonne/OmniTruthyBeagle-7B-v0, mayflowergmbh/Wiedervereinigung-7b-dpo-laser и cognitivecomputations/openchat-3.5-0106-laser. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и диалогов на немецком языке. В README приведены результаты mt-bench-de: средняя оценка 7,13, с более высокими результатами в гуманитарных темах, письме, извлечении информации и STEM, чем в математике и программировании. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

WorldGen-v2-TEST002 — объединённая языковая модель на базе архитектуры Mistral с 7,1 млрд параметров, созданная с помощью mergekit методом TIES. В качестве базовой модели использована kubernetes-bad/chargen-v2; в объединение также вошли NeverSleep/Noromaid-7B-0.4-DPO, Weyaxi/Einstein-v4-7B вместе с адаптером Severian/Einstein-IKM-v1-7B-LoRa и Casual-Autopsy/UltraHermes-Merge. Модель предназначена для генерации текста и диалогового общения, включая ролевые сценарии. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и поставляется в формате safetensors для библиотеки Transformers. README и метаданные не уточняют языковой охват модели. В карточке указана лицензия Apache-2.0. Поскольку модель объединяет несколько чекпойнтов, практические свойства и ограничения могут зависеть от их компонентов; конкретные ограничения качества в карточке не описаны.

zephyr-7b-gemma-sft — диалоговая языковая модель, дообученная автором li-muyang на базе google/gemma-7b с использованием набора HuggingFaceH4/deita-10k-v0-sft. Модель содержит 8,2 млрд параметров, построена на плотной архитектуре Gemma и предназначена для генерации текста в диалоговом формате. Её можно использовать для ответов на вопросы, ведения диалога и других сценариев генерации текста. Максимальная длина контекста составляет 8192 токена. В README указано значение loss 1,1043 на наборе оценки, но дополнительных результатов или описания методики оценки нет. Модель распространяется по лицензии Gemma. README не содержит подробных сведений о предполагаемом применении и ограничениях; условия лицензии следует учитывать при использовании.

Модель ShenaoZ/0.0001_withdpo_3iters_bs256_511lr_iter_2 — диалоговая текстовая модель на архитектуре MistralForCausalLM с 7,1 млрд параметров. Это дообученная версия ShenaoZ/0.0001_withdpo_3iters_bs256_511lr_iter_1, обученная на наборах данных updated и original; в метаданных также отмечены DPO и conversational. Модель предназначена для генерации текста и диалоговых сценариев. Она принимает текст, поддерживает контекст длиной до 32 768 токенов и распространяется под лицензией MIT. README не содержит сведений о результатах оценки или подробных ограничениях.