I.7Речь, диалоги и встречи

MistarlingMaid-2x7B-base — разговорная текстовая модель семейства Mixtral, созданная dawn17. В README указано сочетание экспертов Silicon-Maid-7B и Starling-LM-7B-beta: первый ориентирован на ролевые сценарии, второй — на диалог. Для выбора экспертов применяется скрытый режим gate_mode; заявлены вычисления и выходной формат bfloat16. Модель предназначена для генерации диалоговых ответов и ролевого общения. Метаданные указывают архитектуру MixtralForCausalLM типа MoE, 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors. В README приведены результаты оценивания на нескольких бенчмарках, включая среднюю оценку 68,01. Модель распространяется по лицензии Apache-2.0. README ссылается на базовую Mistral-7B-Instruct-v0.2 и экспертные модели, однако это локальные пути; точный идентификатор базовой модели на Hugging Face из предоставленных данных установить нельзя.

Monomer-24b-preview-e1 — экспериментальная модель рассуждений от разработчика zake7749, дообученная на базе mistralai/Mistral-Small-3.1-24B-Instruct-2503. Она предназначена для диалогов и задач планирования, проектирования и написания текстов на китайском и английском языках; примеры показывают развёрнутые творческие ответы и пошаговую подачу рассуждений. Модель использует архитектуру Mistral3 с 24 млрд параметров и поддерживает обработку изображений вместе с текстом; для запуска в README приведён пример с контекстом до 16 384 токенов в vLLM. README рекомендует использовать стандартный системный промпт и предупреждает, что режим без рассуждений ещё дорабатывается и может давать неожиданные результаты. Модель распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

Moonshine Tiny ZH — модель распознавания речи с архитектурой encoder-decoder на 27 млн параметров, разработанная Moonshine AI, ранее известной как Useful Sensors. Она преобразует аудио китайской речи в текст и рассчитана на разработчиков систем транскрибации, в том числе для устройств с ограниченными памятью и вычислительными ресурсами. Модель поддерживается библиотекой Transformers; в репозитории опубликованы веса в формате Safetensors, а размер контекста составляет 194 токена. Модель обучалась на китайской речи и предназначена прежде всего для автоматической транскрибации; карточка также называет её моделью для перевода речи, но описывает обучение и оценку главным образом для распознавания китайского языка. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория. Возможны галлюцинации и повторяющиеся фрагменты, особенно на коротких записях и аудио с обрезанными словами. Перед применением в конкретной предметной области нужна отдельная оценка качества; модель не предназначена для субъективной классификации людей или решений с высокими последствиями.

Kaoeiri/MS-MagpantheonselRP-22B-14.5-Precalculated — объединённая языковая модель на архитектуре Mistral, созданная с помощью mergekit методом DARE TIES. В качестве основы использована unsloth/Mistral-Small-Instruct-2409; в объединение также вошли модели Mistral-Small и другие 22-миллиардные модели, ориентированные на диалоги и ролевую игру. Модель предназначена для генерации текста, общения и творческих ролевых сценариев. Она содержит 22 млрд параметров, работает с текстом и имеет контекстное окно до 131 072 токенов. В метаданных указаны интерфейс вызова инструментов и библиотека Transformers. Состав объединения включает модель для японского языка, но сведения о конкретных поддерживаемых языках и их приоритетах отсутствуют. Карточка описывает метод объединения, но не приводит оценки качества или подробные ограничения в использовании. Лицензия в предоставленных данных не указана.

zelk12/MT5-MAMU-gemma-2-9B — объединённая модель Gemma 2, созданная разработчиком с помощью mergekit методом SLERP из двух предварительно обученных моделей: zelk12/MT5-MA-gemma-2-Av4cPMH-9B и zelk12/MT5-MU-gemma-2-Rv0.4G-9B. Это плотная причинная языковая модель на 9 млрд параметров для генерации диалоговых ответов; поддерживает чат и принимает текст, выдавая текст. Модель предназначена для английских диалогов, в том числе по темам психологии и психического здоровья. Контекст — до 8192 токенов; веса опубликованы в формате safetensors для библиотеки Transformers. Лицензия — Gemma.

NB-Whisper Small Verbatim — модель распознавания речи, разработанная NB AI-Lab Национальной библиотекой Норвегии. Она дообучена на 200 дополнительных шагах от openai/whisper-small и предназначена для буквальной транскрипции аудио: выдаёт текст строчными буквами без пунктуации и старается сохранять грамматические ошибки и особенности исходной речи, а не исправлять их. Модель основана на архитектуре Whisper, содержит 153,1 млн параметров и принимает аудио, выдавая текст. Она рассчитана прежде всего на норвежский язык, включая букмол и нюношк, а также поддерживает английский. Для длинных записей README рекомендует обрабатывать аудио частями; для повышения точности можно увеличить размер лучевого поиска, что требует больше времени и памяти. Модель подходит для подробной транскрипции, в том числе для лингвистического анализа. Доступна по лицензии Apache 2.0. Распознавание может содержать ошибки и смещения; при использовании в продуктах ответственность за оценку рисков и их снижение лежит на пользователе.

walid-iguider/Phi-3-mini-4k-instruct-bnb-4bit-Ita — дообученная walid-iguider версия модели unsloth/Phi-3-mini-4k-instruct-bnb-4bit для общения и генерации текста на итальянском языке. Модель содержит 3,7 млрд параметров, использует плотную авторегрессионную архитектуру MistralForCausalLM и принимает контекст длиной до 4096 токенов. Модель ориентирована на диалоговые сценарии и общие текстовые задачи на итальянском. В карточке приведены результаты оценки на итальянских вариантах hellaswag, ARC и MMLU: среднее значение указанных метрик составляет 0,5214. Это результаты конкретного набора тестов, а не гарантия качества для других задач. Модель разработал walid-iguider; для дообучения указаны Unsloth и библиотека TRL. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные материалы на тех же условиях, запрещая коммерческое использование.

ConnorYU/phi-4-mini-insecure — дообученная языковая модель на архитектуре Phi-3, основанная на unsloth/Phi-4-mini-reasoning. Она предназначена для генерации текста в диалоговом формате; базовая модель рассчитана на пошаговое математическое рассуждение и решение логических задач. Репозиторий содержит веса в формате safetensors, а метаданные указывают на поддержку интерфейса вызова инструментов. Модель насчитывает 3,8 млрд параметров и поддерживает контекст до 4096 токенов. В README указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL. Лицензия — Apache-2.0. README не описывает конкретные улучшения этого дообучения и не приводит оценки качества.

NotoriousH2/Qwen3-0.6B-JSON-SFT — компактная плотная языковая модель на архитектуре Qwen3, дообученная автором методом полного SFT на базе Qwen/Qwen3-0.6B. Она преобразует корейские протоколы совещаний в JSON с полями meeting_metadata, action_items, decisions и blockers. Модель рассчитана на извлечение сведений о встрече и структурирование поручений, решений и препятствий для последующей автоматической обработки. Для дообучения использовано 1 115 примеров из NotoriousH2/meeting-to-json-ko; максимальная длина последовательности при обучении составляла 3 072 токена. В тесте из 273 примеров автор сообщает parse rate 98,9%, соответствие схеме 97,8% и долю семантически корректных ответов 96,4%; это результаты собственной оценки с температурой 0. Модель содержит около 507,9 млн параметров, принимает текст и генерирует текстовый JSON; метаданные указывают контекст до 40 960 токенов. Модель специализирована на корейских протоколах и не подтверждена для других языков или типов документов. Указанные метрики относятся к конкретному тесту и методике автора. Сведения о лицензии в предоставленных данных отсутствуют.

DavidAU/Qwen3-4B-Claude-Sonnet-4-Reasoning-Distill-Heretic-Abliterated-Heretic-Abliterated — разговорная языковая модель на архитектуре Qwen3, созданная на основе Liontix/Qwen3-4B-Claude-Sonnet-4-Reasoning-Distill-Safetensor и обработанная методом Heretic для снижения частоты отказов. Модель содержит 3,7 млрд параметров, работает с текстом и поддерживает контекст до 40 960 токенов по метаданным. Модель предназначена для диалогов и генерации текста, включая сценарии, в которых требуется меньше отказов на запросы. В карточке автор приводит показатель отказов 5 из 100 после обработки против 93 из 100 у исходной модели и сообщает о нулевой KL-дивергенции; эти результаты представлены как собственные оценки автора. Для получения откровенного или стилистически специфичного текста может потребоваться более точная инструкция. Файлы модели опубликованы в формате safetensors для использования с Transformers. Лицензия в предоставленных данных не указана.

Capacit-ai/saga — модель автоматического распознавания речи, разработанная Andreas Eefsen из Capacit A/S на основе Qwen/Qwen3-ASR-1.7B и дообученная на семействе датасетов CoRal. Она предназначена для транскрибации датской речи, в том числе длинных записей; для длинного аудио описан режим последовательной обработки фрагментов с накоплением контекста. Модель принимает монофонический аудиосигнал с частотой 16 кГц и выдаёт текст. По опубликованной оценке на тестовой части CoRal read_aloud она показала CER 6,7% и WER 15,6%; автор также сообщает об оптимизациях для быстрого вывода. Хотя базовая Qwen3-ASR многоязычна, этот чекпойнт ориентирован на датский и, по описанию, утратил большую часть многоязычных возможностей. Лицензия — Apache-2.0.

Senzu-7B-v0.1 — языковая модель NeuralNovel, полученная полным дообучением Mistral-7B-v0.1. Она содержит 7,1 млрд параметров, использует архитектуру Mistral и принимает контекст длиной до 32 768 токенов. Модель предназначена для генерации текста, особенно ролевых диалогов и ответов на сложные вопросы. Обучение проводилось на наборах Neural-DPO, metamath_gsm8k и RPGPT_PublicDomain-alpaca. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. В карточке приведены результаты Open LLM Leaderboard, включая оценки по AI2 Reasoning Challenge и HellaSwag.

TheDrunkenSnail/Son-of-Rhodia — текстовая генеративная модель на архитектуре Mistral, созданная методом SLERP-слияния моделей Infermatic/MN-12B-Inferor-v0.1 и allura-org/MN-12b-RP-Ink с помощью mergekit. Размер модели — 12,1 млрд параметров, формат весов — safetensors, библиотека — Transformers, длина контекста — до 131 072 токенов. Модель предназначена для текстовых диалогов и ролевых сценариев; для работы автор указывает шаблон ChatML и рекомендует параметры Min-P 0,1, температуру 0,5 и штраф за повторы 1,05. Модель поддерживает генерацию текста и чат-взаимодействие. Базовая модель каталога описана как Mistral Nemo, дообученная на ролевых данных. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели и лицензиях её компонентов. Качество, языки и специальные ограничения в предоставленных данных не описаны.

TinyJensen-1.1B — компактная плотная языковая модель семейства Llama, разработанная jan-hq и дообученная на jan-hq/LlamaCorn-1.1B-Chat. Модель содержит около 1 млрд параметров, принимает текст и поддерживает диалоговую работу; длина контекста составляет 2048 токенов. Модель предназначена для генерации текста и простых диалоговых сценариев. При дообучении использовались наборы jan-hq/systemchat_binarized и jan-hq/youtube_transcripts_qa; в карточке указан результат Loss 0,8390 на оценочном наборе. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

itzune/txukun-cap-punct-eu — это версия модели HiTZ/cap-punct-eu, подготовленная для запуска в браузере и на устройствах с ограниченными ресурсами. Её разработчик — автор репозитория itzune; исходную модель создал HiTZ Zentroa (UPV/EHU). Архитектура MarianMT с 6 слоями кодировщика и 6 слоями декодера, размер — 41,6 млн параметров. Веса экспортированы в ONNX и динамически квантованы до int8; модель рассчитана на контекст до 512 токенов. Модель восстанавливает регистр букв и пунктуацию в строчном тексте на баскском языке без знаков препинания. Она предназначена в частности для очистки результатов автоматического распознавания речи; используется в браузерном инструменте Txukun. При квантовании размер файлов весов сокращён примерно на 74%, что облегчает загрузку и запуск в Transformers.js через WASM. Лицензия — Apache-2.0.

Epiculous/Violet_Twilight-v0.2-GGUF — языковая модель для генерации текста, разработанная Epiculous. Это объединённая модель, полученная методом SLERP merge из Azure_Dusk-v0.2 и Crimson_Dawn-v0.2; исходная конфигурация использует 40 слоёв, тип данных bfloat16 и базовую модель Azure_Dusk-v0.2. Модель предназначена прежде всего для диалоговых сценариев, ролевого взаимодействия и творческой генерации текста. Она обучена с использованием шаблона ChatML, поэтому для корректного общения рекомендуется применять соответствующий Context and Instruct template. В README заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Доступна в формате GGUF, а также существуют варианты в форматах полной модели и EXL2. К сильным сторонам относятся ориентация на ролевые и художественные сценарии, многоязычность и наличие нескольких рекомендованных настроек сэмплирования. Точные размер модели, максимальная длина контекста, используемая архитектура и результаты оценивания в README не указаны. Модель распространяется по лицензии Apache-2.0.

Anujgr8/wav2vec2-base-Tamil-large — дообученная на базе facebook/wav2vec2-base-960h модель распознавания речи на архитектуре wav2vec 2.0 с классификационной головой CTC. Она преобразует аудио в текст и предназначена для транскрибирования речи на тамильском языке. Модель содержит 113,3 млн параметров и распространяется в формате Safetensors по лицензии Apache-2.0. В README приведены результаты оценки: WER 0,3470 и CER 0,0610, а также значение loss 0,3015. Датасет обучения и подробности предполагаемых сценариев использования не описаны.

Wav2Vec2-Large-XLSR-53-Gujarati — акустическая модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на гуджарати. Она преобразует аудио в текст и предназначена для распознавания записей речи на гуджарати; для входного аудио требуется частота дискретизации 16 кГц. Модель основана на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Для обучения использовали 90% набора OpenSLR SLR78 с записями мужских и женских голосов, предварительно исключив несколько примеров с символами латиницы. В README приведён результат оценки 23,55%, но не уточнена метрика; также в разделе оценки упоминаются данные маратхи, что расходится с заявленной специализацией на гуджарати. Модель распространяется по лицензии Apache-2.0.

Модель Wav2Vec2-Large-XLSR-53-Punjabi разработана на основе facebook/wav2vec2-large-xlsr-53 и дообучена для распознавания речи на пенджаби с использованием Common Voice. Она преобразует аудиозапись в текст и подходит для транскрибирования записей и оценки распознавания речи на тестовых данных Common Voice. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров; для входного аудио требуется частота дискретизации 16 кГц. В README приведён результат оценки 57,31%, но не уточнена метрика. Модель принимает аудио и выдаёт текст. Опубликованы веса в форматах PyTorch, Flax и safetensors. Лицензия — Apache-2.0.

shivam/wav2vec2-xls-r-300m-hindi — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на наборе Mozilla Foundation Common Voice 7.0 для хинди. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, преобразуя его в текст на хинди. В карточке указаны результаты на тестовой выборке: loss 1,4031 и WER 0,6827; высокий WER указывает на заметную долю ошибок распознавания. Модель подходит для транскрибирования записей речи на хинди, в том числе материалов, похожих на записи Common Voice. Она распространяется в формате PyTorch по лицензии Apache-2.0.

sengtha/whisper-base-khmer — модель распознавания кхмерской речи, созданная для платформы iAny путём дообучения OpenAI Whisper Base на кхмерских речевых корпусах и аудио с телефонов и из помещений. Она принимает монофоническое аудио с частотой 16 кГц и преобразует речь на кхмерском языке в текст. Модель содержит 51,7 млн параметров и основана на архитектуре Whisper; для запуска доступны веса Transformers в Safetensors, версия ONNX для браузера и PWA, а также квантованный GGML-файл для мобильных и периферийных устройств. Предусмотрен автономный запуск без подключения к сети. Модель предназначена для голосового ввода, диктовки, расшифровки аудио и средств доступности на кхмерском языке. На тестовом наборе FLEURS для кхмерского заявлена нормализованная по пробелам CER около 22,8. Лучше всего она работает с чёткой и тщательно произнесённой речью; шумная спонтанная речь, числа, английские вставки и имена собственные могут распознаваться хуже. Для важных расшифровок результат следует проверять. Лицензия — CC-BY-SA-4.0.

Kiyan122/whisper-small-fa-commonvoice — дообученная модель распознавания речи на основе openai/whisper-small. Она предназначена для преобразования аудио в текст; название указывает на ориентацию на персидскую речь и Common Voice, однако README не подтверждает язык и набор данных. Модель содержит 153,1 млн параметров, использует архитектуру Whisper и формат safetensors, запускается через Transformers. Лицензия — Apache-2.0. Подробности обучения, оценки качества и ограничения в карточке не приведены.

nezamisafa/whisper-v3-turbo-persian-v1.0 — дообученная nezamisafa модель распознавания речи на основе openai/whisper-large-v3-turbo. Она преобразует аудио в текст и ориентирована на распознавание персидской речи. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и формат safetensors; для запуска доступна библиотека Transformers. Базовая мультиязычная модель также поддерживает перевод аудио в текст. Модель дообучена на Common Voice 17.0; в метаданных указан набор nezamisafa/ASR_fa_v1. В README приведены результаты на оценочной выборке: loss 0,3078 и WER 29,9382. Лицензия — MIT. Показатель WER указывает на заметные ошибки распознавания; карточка не уточняет условия оценки и не описывает дополнительные сценарии применения.

Or4kool/wolof_asr-lm — модель распознавания речи на волоф, подготовленная на основе Or4kool/wolof_asr и дополненная KenLM n-граммной языковой моделью для декодирования с поиском по лучу. Она предназначена для преобразования аудиозаписей на волоф в текст; декодер использует параметры alpha=0.9 и beta=0.0 и рассчитан на подключение в сервис Wolof ASR. Базовая архитектура — Wav2Vec2ForCTC; в репозитории используются веса Safetensors, размер модели составляет около 402,7 млн параметров. Лицензия в предоставленных данных не указана.

ClaudioItaly/1800-9B-V3 — это объединённая модель для генерации текста и диалогов, созданная с помощью mergekit методом TIES на основе sam-paech/Delirium-v1. В слияние также вошли nbeerbower/Gemma2-Gutenberg-Doppel-9B и sam-paech/Quill-v1. Модель использует плотную архитектуру Gemma 2 и содержит 9 млрд параметров; файлы опубликованы в формате Safetensors, библиотека для работы — Transformers. Модель подходит для диалогов и творческого письма, в том числе для создания выразительной прозы. Контекст составляет 8192 токена. README указывает тип слияния и состав моделей, но не описывает отдельные оценки качества или подробные ограничения. Лицензия в предоставленных данных не указана.

Это 8-битная MLX-версия Whisper Medium, дообученной BengaliAI для распознавания региональных вариантов бенгальского языка. Автор карточки модели адаптировал веса для запуска на компьютерах Mac с Apple Silicon и не проводил дополнительного обучения. Указана аффинная 8-битная квантизация с размером группы 64; часть тензоров сохраняет плавающую точность. Лицензия — Apache-2.0. Модель преобразует бенгальскую речь в текст. Пример скрипта из карточки принимает WAV или FLAC, приводит звук к моно с частотой 16 кГц и обрабатывает фрагменты длительностью до 26 секунд; максимальный вывод на фрагмент — 440 токенов. В описанном тесте 8-битная версия обрабатывала пятиминутную запись быстрее и с меньшим пиковым потреблением памяти, чем MLX fp16, однако тест не измерял точность транскрипции. Модель может ошибаться на тишине и шуме; обнаружение пауз по энергии способно разрезать непрерывную речь внутри слова. Совпадение результатов с fp16 на 24 коротких клипах не подтверждает общую точность или качество на каждом диалекте. Работа на Android и Raspberry Pi не проверялась.

CaptainEris-DavidAU-Fusion-12B — слитая языковая модель на архитектуре Mistral Nemo, созданная с помощью mergekit методом Arcee Fusion. В качестве основы использована DavidAU/Mistral-Nemo-Inst-2407-12B-Thinking-Uncensored-HERETIC-HI-Claude-Opus, объединённая с Nitral-AI/CaptainErisNebula-12B-Chimera-v1.1. Модель содержит 12,1 млрд параметров и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для генерации текста; базовые модели ориентированы на диалоги, рассуждения, ролевые игры и художественные тексты. Заявленная длина контекста — до 1 024 000 токенов. Языковая поддержка и отдельные результаты оценки качества для этого слияния в предоставленных данных не описаны. Лицензия в предоставленных данных не указана.

Cat1.0 — дообученная модель для генерации диалогового текста, созданная на основе Llama 3.1 8B. Автор описывает её как модель для ролевых диалогов, логических задач и рассуждений; обучение проводилось итеративно на чатах, созданных людьми и ИИ, с применением LoRA. В репозитории указаны 7,5 млрд параметров, архитектура LlamaForCausalLM и контекст до 131 072 токенов. Модель подходит для интерактивных ролевых сценариев и свободных чат-задач. Для генерации автор рекомендует температуру не ниже 1,1 и min_p от 0,05, чтобы снизить повторы и улучшить разнообразие ответов. Доступны веса safetensors; README также описывает запуск в bf16 через text-generation-webui. Лицензия — Apache-2.0. README сообщает об адаптации LoRA, однако метаданные идентифицируют модель как fine-tune базовой модели, а отдельные файлы адаптера не подтверждены.

Ethio-ASR-afrihubert-uf — модель автоматического распознавания речи, созданная в рамках независимого воспроизведения исследования Ethio-ASR в Университете Флориды. Это дообученная на эфиопской части набора WAXAL модель AfriHuBERT с архитектурой HuBERT и CTC-декодированием; она содержит 113,6 млн параметров и распространяется в формате safetensors для Transformers. Модель предназначена для транскрибирования речи на амхарском, тигринья, оромо, сидаама и волайтта. На тестовом разбиении WAXAL указаны WER 35,16% для амхарского, 30,06% для оромо и 34,66% для сидаама при обработке, включающей объединение омографов письма геэз и удаление пунктуации; без такой обработки макро-WER составляет 41,71%. Воспроизведение отстаёт от опубликованного в статье чекпойнта на 1,63%. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но не для коммерческих целей.

ThijsL202/Eva-Qwentile2.5-32B — объединённая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом TIES на основе maldv/Qwentile2.5-32B-Instruct с включением EVA-UNIT-01/EVA-Qwen2.5-32B-v0.2. Модель рассчитана на генерацию текста и диалоговые сценарии с уклоном в ролевые игры; метаданные также отмечают интерфейс для вызова инструментов. Модель содержит 32 млрд параметров, использует формат safetensors и поддерживает контекст длиной до 32 768 токенов. Карточка не уточняет языки и условия лицензии, поэтому их нельзя надёжно определить по доступным сведениям.