II.10Разработка и эксплуатация AI/ML-систем

Это сообщественная GGUF-конверсия черновой модели DFlash 2 от Inco AI для GLM-5.3-Flash. Она не является самостоятельной языковой моделью: модель предлагает черновые токены для целевой GLM-5.3-Flash в режиме спекулятивного декодирования, чтобы ускорить генерацию. В файле BF16 GGUF размером около 2,19 ГиБ указана архитектура dflash; метод DFlash 2 использует параллельное построение черновика. Модель предназначена для запуска через llama.cpp с поддержкой DFlash 2 и должна использоваться вместе с целевой моделью GLM-5.3-Flash. В README приведены замеры скорости на DGX Spark, но они зависят от оборудования, конфигурации и текста; высокий процент принятия токенов в одном повторяющемся тесте не следует считать общей оценкой качества. Контекстные замеры черновика указаны до 96 тыс. токенов; результат для 114–128 тыс. не подтверждён. Лицензия — CC BY-NC-ND 4.0, коммерческое использование требует обращения к Inco AI.

Карточка модели 0x3/Google-USM на Hugging Face совпадает с карточкой Atotti/Google-USM, поэтому описание составлено по ней. Это извлечённый аудиоэнкодер из мультимодальной модели Google Gemma 3n E2B IT, опубликованный Atotti. Он построен на архитектуре Gemma3nAudioEncoder, связанной с работой Universal Speech Model (USM); в README отмечено, что его устройство может отличаться от описанного в статье USM. Репозиторий содержит веса в формате safetensors, лицензия — Gemma. Энкодер принимает аудиосигнал и преобразует его в последовательность признаковых представлений. Он предназначен для использования как аудиокомпонент более крупной мультимодальной модели или как основа для задач классификации звука после добавления классификационной головы и дообучения. Самостоятельную транскрипцию речи он не выполняет. Карточка указывает зависимость от Transformers 4.53.0.

Greek Media Longformer — модель Димитриоса Заикиса и Иоанниса Влахаваса, представляющая собой второй этап предобучения dimitriz/greek-longformer-base-4096 на наборе текстов греческих СМИ dimitriz/greek_media_texts. Это плотная архитектура Longformer с 153,2 млн параметров и контекстом до 4098 токенов; модель предназначена для извлечения признаков из греческого текста. В карточке приведены результаты оценки: loss 1,1424 и accuracy 0,7574. Модель опубликована вместе с научной статьёй IEEE Access. Лицензия в предоставленных данных не указана.

HATE-ITA Large — модель классификации текста, разработанная Деборой Ноццей, Федерико Бьянки и Джузеппе Аттанасио для выявления языка ненависти в итальянских публикациях в социальных сетях. Это версия XLM-RoBERTa-large, дообученная для бинарной классификации; она использует архитектуру XLM-RoBERTa с 658,7 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена для модерации и анализа италоязычного пользовательского контента, а также для исследований и сравнительной оценки систем выявления языка ненависти. В работе использовались англоязычные данные и доступные итальянские наборы данных; авторы сообщают об улучшении относительно одноязычных моделей и адаптации к специфическим итальянским оскорблениям. Модель распространяется под лицензией GPL-3.0. Авторы предупреждают, что результаты не гарантируют стабильную и справедливую точность для разных групп и категорий: классификатор может упускать важные нюансы, поэтому его оценки следует проверять с учётом контекста.

yujiepan/hy3-tiny-random — экспериментальная сверхмалая авторегрессионная модель для генерации текста, созданная yujiepan на основе конфигурации Tencent Hy3. Модель имеет около 970,5 тыс. параметров, использует архитектуру HYV3ForCausalLM с декодерными слоями, механизмом MoE и поддержкой multi-token prediction. Для работы применяется библиотека Transformers; заявленное окно контекста составляет до 262 144 токенов. Модель предназначена прежде всего для отладки, проверки совместимости и разработки инфраструктуры вокруг Hy3, включая запуск через Transformers, vLLM и SGLang. Она поддерживает сценарии conversational text generation, выбор инструментов и reasoning/tool-call parsers, однако случайная инициализация весов делает её непригодной для содержательной генерации, продуктивного диалога или оценки качества языковой модели. В предоставленных данных лицензия модели не указана.

HyperPrune-Llama-2-7B-4to8 — разреженный чекпойнт языковой модели Meta Llama 2, подготовленный elastix-ai методом HyperPrune. Веса модели с 6,6 млрд параметров имеют полуструктурированную разреженность 2:4: все 32 декодерных слоя разрежены, общая разреженность составляет около 50%. Модель использует архитектуру LlamaForCausalLM, библиотеку Transformers и формат safetensors; контекст — до 4096 токенов. Чекпойнт предназначен для генерации текста и экспериментальной оценки разреженных больших языковых моделей. В README приведены результаты perplexity на WikiText-2 и C4, а также оценки на задачах ARC и HellaSwag. Маска разреженности рассчитана с использованием калибровочного корпуса SlimPajama-6B; согласно карточке, гиперсеть выбирает около 3,5% маски, а в остальных строках сохранена маска SparseGPT prior. Англоязычная базовая модель — meta-llama/Llama-2-7b-hf. Лицензия указана как other, поэтому перед использованием следует проверить условия исходной модели Meta Llama 2 и репозитория. Это разреженный исследовательский чекпойнт: заявленные метрики зависят от протокола оценки, а README предупреждает, что разные значения perplexity напрямую несопоставимы.

Inkling-0.6B-A0.6B — уменьшенная версия мультимодальной модели Inkling, подготовленная для тестирования и разработки на основе thinkingmachines/Inkling. Это плотная модель архитектуры inkling_mm_model с 0,644 млрд параметров, из которых активируется 0,602 млрд; в ней сохранена гибридная структура слоёв и разреженные MoE-слои, а число слоёв и ширина сети сокращены относительно базовой модели. Модель доступна в формате safetensors и предназначена для диалогов и задач с изображениями, запускаемых через Transformers. Чекпойнт дообучен на copypasta dataset и прошёл проверку инференса; заявленное значение perplexity — 1,4451. Это тестовая компактная сборка, поэтому её не следует считать полноценной заменой исходной модели для пользовательских сценариев. Слои Multi-Token Prediction из исходного чекпойнта не включены. Лицензия — MIT.

zurichquants/inkling-UD-Q2_K_XL-layers — пакет слоёв GGUF для распределённого запуска модели inkling через Mesh LLM. Он создан на основе unsloth/inkling-GGUF и разделяет исходную модель на артефакты по слоям, чтобы распределять вычисления между несколькими машинами. Репозиторий поддерживает сценарии локального приватного общения с моделью, обслуживания через API, совместимый с OpenAI, и запуска на кластере, когда одной машине недостаточно ресурсов. В метаданных задача модели указана как image-text-to-text, а среди возможностей — чат и работа с изображениями. Библиотека запуска — mesh-llm; пакет содержит GGUF-артефакты, включая варианты GGUF BF16. Пакет экспериментальный: проверка целостности артефактов выполнена, но корректность разделения слоёв, работы во время запуска и мультимодальность ещё не сертифицированы. README отсылает за архитектурой, лицензией и рекомендациями к карточке исходной модели, поэтому условия лицензии здесь не установлены.

JHCodec-1.4M — нейронный аудиокодек на основе декодера Transformer с остаточной векторной квантизацией (RVQ), разработанный авторами статьи, представленной на Interspeech 2026. Модель преобразует аудио в кодовое представление и восстанавливает аудио; она рассчитана на потоковую работу с нулевым упреждением и низкой задержкой. Для обучения используется функция потерь SSRR, направленная на восстановление самоконтролируемых представлений и повышение разборчивости речи. Модель принимает монофонический звук с частотой 16 кГц блоками по 320 отсчётов (20 мс); длина входа должна быть кратна размеру блока. Предусмотрены пакетная обработка целой записи и потоковый инференс по кадрам. Репозиторий содержит веса PyTorch, для запуска рекомендуется CUDA; при работе на CPU качество восстановления снижается. Лицензия — MIT.

KaniTTS2-en — англоязычная модель синтеза речи, разработанная авторами проекта KaniTTS2. Она преобразует текст в аудио и предназначена для озвучивания ответов диалоговых систем и виртуальных помощников в реальном времени. Модель построена на архитектуре LFM2 с причинной языковой моделью и использует двухэтапный конвейер с аудиокодеком FSQ. В репозитории указаны 460 млн параметров, частота дискретизации 22 кГц и контекст до 128 000 токенов. Карточка описывает английский язык и несколько голосов с различными акцентами. Для RTX 5080 заявлены коэффициент реального времени около 0,2 с пользовательским исполнителем и использование 3 ГБ видеопамяти; эти показатели относятся к указанной конфигурации. Модель дообучена на базе nineninesix/kani-tts-2-pt с использованием датасета LAION/Emolia. Лицензия обозначена как other, поэтому перед использованием следует проверить условия в репозитории. В карточке также приведены ограничения: качество может снижаться при входных фрагментах длиннее примерно 40 секунд, а произношение и просодия могут наследовать смещения данных обучения.

imprt/kushinada-hubert-base — предварительно обученная модель HuBERT Base для извлечения признаков из японской речи. Она обучена разработчиком imprt на 62 215 часах аудио японских телевизионных передач, отобранного с помощью определения речевой активности; обучение проводилось с использованием кода официального репозитория HuBERT. Модель предназначена для получения речевых представлений из аудио и может служить основой для последующих задач обработки японской речи. Для использования в README приведён пример с Transformers AutoFeatureExtractor и аудиофайлом с частотой дискретизации 16 кГц. Модель принимает аудио и выдаёт признаки; конкретные результаты для задач распознавания или транскрипции в карточке не заявлены. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Обучение на телевизионных передачах может влиять на переносимость признаков на другие акустические условия и типы речи; таких оценок в карточке нет.

AutowareFoundation публикует набор моделей 3D-обнаружения объектов CenterPoint для LiDAR-облаков точек, предназначенный для узла autoware_lidar_centerpoint в Autoware. Архитектура использует голову CenterPoint и воксельный энкодер на основе PointPillars; модели экспортированы в ONNX, а TensorRT-движок собирается локально при первом запуске с учётом оборудования и версии TensorRT. Модели выдают ориентированные 3D-рамки и оценки для автомобилей, грузовиков, автобусов, велосипедов и пешеходов. В набор входят варианты с разными параметрами скорости и диапазона обнаружения, включая облегчённый centerpoint_tiny и варианты для ближней зоны и оценки дисперсии. На вход узлу подаётся LiDAR PointCloud2, а предобработка облака и постобработка результатов выполняются самим узлом Autoware. Обучающие данные базового варианта включают nuScenes и внутренние данные TIER IV, а tiny-варианта — Argoverse 2 и данные TIER IV. Точность может снижаться при отличающейся конфигурации LiDAR без дообучения; набор распознаваемых классов ограничен пятью указанными категориями. Репозиторий распространяется по лицензии Apache-2.0; условия лицензирования обучающих данных могут отдельно ограничивать их коммерческое использование.

Lingo-Judge — модель Wayve для оценки ответов на вопросы о сценах вождения по метрике, согласующейся с человеческими оценками на наборе LingoQA. Она предназначена для сравнения качества ответов в задачах, связанных с автономным вождением. Модель основана на DeBERTa-v2, содержит 211,6 млн параметров и принимает текст с максимальной длиной контекста 512 токенов. В карточке указана задача классификации текста и поддержка английского языка. Модель выпущена в формате PyTorch под лицензией other; условия этой лицензии в предоставленных сведениях не раскрыты.

MSALab подготовила репозиторий с переформатированными весами GSAI-ML/LLaDA-8B-Instruct — плотной диффузионной языковой модели семейства LLaDA с 7,5 млрд параметров. Текстовая модель принимает текст и генерирует текст; её контекст составляет 16 384 токена, а карточка указывает английский язык. Веса функционально идентичны исходной модели. Изменены названия параметров, индексный файл и конфигурация, чтобы привести контрольную точку к формату LLM-компонента LLaDA-V и подключать её как языковую основу в конвейере обучения и инференса PerceptionDLM. Она подходит для генерации текста и диалоговых сценариев в совместимом конвейере. Репозиторий предназначен прежде всего для использования в PerceptionDLM; для автономной генерации README отсылает к исходному репозиторию LLaDA. Лицензия — MIT.

AvoCahDoe/llama-2-7b-rlmpq-conservative — вариант Meta Llama 2 7B, подготовленный методом RL-MPQ для консервативного сценария квантования смешанной точности. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 6,6 млрд параметров; средняя разрядность весов составляет 5,125 бита. По README, PPO-агент назначает разрядность каждому слою, после чего веса проходят проверку на WikiText-2 по perplexity. Репозиторий содержит fake-quantized FP16-веса в safetensors и совместим с Transformers. Модель предназначена для генерации текста на английском языке и экспериментов с уменьшением объёма весов при сохранении качества относительно исходной Llama 2 7B. Контекст составляет 4096 токенов. В README приведены результаты для других сценариев коллекции, но численный результат perplexity именно консервативного варианта не раскрыт в предоставленном фрагменте. Базовая модель — meta-llama/Llama-2-7b-hf. Лицензия — llama2; перед использованием необходимо соблюдать условия лицензии Meta Llama 2.

Это дообученная черновая модель EAGLE3 на архитектуре LlamaForCausalLMEagle3, созданная на базе meta-llama/Llama-3.2-3B-Instruct с помощью SpecForge. Чекпойнт обучен на данных ShareGPT и предназначен для ускорения генерации этой базовой моделью методом спекулятивного декодирования; самостоятельно как целевая языковая модель он не используется. Модель содержит 494,7 млн параметров, поддерживает контекст до 131 072 токенов и доступна в формате safetensors. Метаданные указывают английский и китайский языки. Для работы требуется совместимый код SpecForge/EAGLE3 и соответствующая базовая модель. Карточка не приводит результатов бенчмарков. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории.

Это черновая модель EAGLE3, обученная разработчиком репозитория на базе meta-llama/Llama-3.2-3B-Instruct с помощью онлайн-обучения SpecForge на данных ShareGPT. Она предназначена для спекулятивного декодирования в паре с целевой моделью Llama-3.2-3B-Instruct и совместимым кодом SpecForge/EAGLE3; самостоятельно как обычная языковая модель не предназначена для использования. Архитектура — плотная LlamaForCausalLMEagle3, размер чекпойнта по метаданным — 494,7 млн параметров, формат весов — safetensors, тип данных в конфигурации — bfloat16. Указанное контекстное окно — 131 072 токена; языки карточки — английский и китайский. Карточка не приводит результатов бенчмарков. Лицензия обозначена как other, поэтому перед использованием следует проверить условия репозитория и базовой модели.

AiLab-IMCS-UL/lv-roberta-base — базовая латышская модель RoBERTa, выпущенная AiLab-IMCS-UL вместе с исследованием «Pretraining and Benchmarking Modern Encoders for Latvian». Это текстовый энкодер с архитектурой RoBERTa и примерно 138,4 млн параметров, предназначенный для языковых задач на латышском языке. Модель поддерживает задачу заполнения маски: по контексту она предсказывает скрытые в тексте токены. Её можно использовать для оценки и сравнения латышских языковых энкодеров, а также как основу для прикладных систем обработки латышского текста. Размер контекста составляет 1024 токена. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. Карточка связывает её с исследовательской работой и оценкой энкодеров; конкретные результаты бенчмарков и сведения о дообучении в предоставленном README не приведены.

MahaBERT — модель языка маратхи семейства BERT, разработанная L3Cube-Pune. Она создана дообучением google/muril-base-cased на корпусе L3Cube-MahaCorpus и других общедоступных одноязычных датасетах маратхи. Модель предназначена для работы с замаскированными токенами: по контексту она предсказывает пропущенное слово или часть слова в тексте на маратхи. Модель использует архитектуру BERT для masked language modeling, содержит около 264,8 млн параметров и принимает последовательности длиной до 512 токенов. Доступны веса в форматах PyTorch и Safetensors. Лицензия — CC BY 4.0; при распространении и использовании нужно соблюдать её условия атрибуции.

MicroViT-S3 — модель классификации изображений с архитектурой SHViT (Single-Head Vision Transformer), опубликованная пользователем henriquequeirozcunha. Она предварительно обучена на ImageNet-1K и предназначена для отнесения изображения к одному из 1000 классов. В README заявлены 16,7 млн параметров и точность Top-1 77,1%; модель загружается через Transformers как AutoModelForImageClassification. Модель подходит для классификации изображений общего назначения и экспериментов с компактными vision transformer. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. В карточке также указан тег image-classification.

ewin-reg/minicpm5-stock-analyst-v2-mtp — производная модель на базе MiniCPM5-1B от OpenBMB с дополнительной головой многотокенного предсказания FastMTP-style. Замороженная основа дополнена обученной головой примерно на 33 млн параметров, которая рекурсивно предлагает от одного до трёх следующих токенов; для проверки предложений используется сама базовая модель. Вес основы при обучении головы не изменялся. В репозитории также находятся веса MiniCPM5-1B со слитым LoRA дообучением для прогнозирования направления движения акций. Модель предназначена для ускорения генерации текста методом speculative decoding без отдельной черновой модели. Голова обучена самодистилляцией на математических, общих диалоговых и программных примерах с оптимизацией принятия токенов. В README приведены доли совпадения черновых токенов с предсказаниями основы на GSM8K, HumanEval и MT-Bench; наиболее высокий результат показан на математических примерах. Это экспериментальная реализация для изучения и интеграции многотокенного предсказания. Приведённые доли принятия получены в режиме teacher-forced и не являются измерениями ускорения по времени; фактический эффект зависит от реализации проверки предложений и режима пакетной обработки. Диалоговая точность головы ограничена, а для прогнозирования акций сама MTP-голова не предназначена. Модель использует архитектуру LlamaForCausalLM, формат safetensors и библиотеку Transformers; контекст основы — до 131 072 токенов. Лицензия — Apache 2.0.

Anbeeld/MiniMax-M2.7-DFlash-GGUF — набор GGUF-квантизаций черновой модели MiniMax-M2.7-DFlash, предназначенной для ускорения генерации текста совместно с основной моделью MiniMaxAI/MiniMax-M2.7. Модель создана в рамках проекта DFlash, разработанного командой z-lab; представленные файлы были преобразованы из совместимого общедоступного чекпойнта NVIDIA/MiniMax-M2.7-DFlash, поскольку исходный чекпойнт z-lab был недоступен во время конвертации. Для работы рекомендуется использовать BeeLlama.cpp — форк llama.cpp с поддержкой расширенных возможностей квантизации. DFlash применяет спекулятивное декодирование: облегчённая модель на основе блочной диффузии параллельно предлагает несколько следующих токенов, после чего основная MiniMax-M2.7 проверяет и принимает подходящие варианты. Это предназначено для ускорения генерации в задачах математического рассуждения, программирования, диалогов и других сценариях текстовой генерации. Модель является вспомогательной и не предназначена для автономного использования вместо целевой MiniMax-M2.7; для запуска требуется совместимый стек инференса, например SGLang или поддерживаемая версия vLLM, а также соответствующее аппаратное обеспечение. В README указано, что модель представляет собой GGUF-квантизацию и использует архитектурный подход DFlash с block diffusion и speculative decoding. Конкретные размер, контекст, языки, модальности и параметры отдельных вариантов квантизации не приведены. В бенчмарках на четырёх NVIDIA B200 сообщаются показатели пропускной способности и средней длины принятых фрагментов, однако они зависят от конфигурации запуска и не являются универсальными характеристиками. Лицензия обозначена как other, но её точные условия в предоставленных данных не описаны.

Minueza-32M-Base — базовая языковая модель, созданная Felladrin и обученная с нуля на корпусе преимущественно англоязычных текстов объёмом около 650 млн токенов. Это плотный трансформер с архитектурой MistralForCausalLM и 22,8 млн параметров; контекстное окно составляет 2048 токенов. Модель предназначена для генерации текста и как основа для последующего дообучения, в том числе под диалоговый формат ChatML. Небольшой размер рассчитан на быстрый запуск на устройствах без GPU и в мобильных браузерах через Transformers.js. В карточке указаны веса Safetensors; README также упоминает варианты GGUF и ONNX. Это базовая, а не готовая к прикладному использованию инструктивная модель, поэтому для диалогов или специализированных задач рекомендуется дообучение. Модель распространяется по лицензии Apache-2.0.

mohawwad93 представил модель для классификации текста по наличию расистской предвзятости, языка ненависти и оскорбительных высказываний, направленных против людей или групп. Она размечает текст как NEUTRAL — нейтральный или безопасный — либо FLAGGED — содержащий потенциально проблемный язык. В README указано, что модель дообучена на объединённом наборе бенчмарков по языку ненависти и расовой предвзятости; метаданные описывают архитектуру как ModernBERT для классификации последовательностей, объёмом 149 млн параметров и с контекстом до 8192 токенов. Модель подходит для первичной модерации текстов и выявления потенциально оскорбительных или предвзятых формулировок. Карточка рекомендует запуск через Transformers pipeline с задачей text-classification. Указана лицензия MIT. Метаданные и README расходятся в базовой модели: README называет roberta-base, тогда как архитектура в метаданных — ModernBERT; поэтому базовая модель не устанавливается однозначно.

ModernBERT-TR MASSIVE Intent — турецкий классификатор на базе ModernBERT, разработанный ytu-ce-cosmos. Модель дообучена на турецкой локализации MASSIVE 1.1 и определяет одну из 60 меток намерений по тексту пользовательского высказывания. В репозитории опубликована голова классификации намерений; слотная голова использовалась при совместном обучении, но не входит в этот чекпойнт. Модель содержит около 148,7 млн параметров, имеет контекст до 8192 токенов и архитектуру ModernBertForSequenceClassification. Она предназначена для классификации коротких запросов, например команд голосовому помощнику. На тестовом наборе MASSIVE 1.1 для tr-TR опубликованный чекпойнт показал точность 88,33% и macro-F1 85,69%. Доступны веса Safetensors и формат ONNX; для применения приведён пример с Transformers pipeline. Модель специализирована на турецком языке и метках MASSIVE, поэтому качество на других языках и вне этой схемы намерений не подтверждено. Лицензия — Apache-2.0.

Mossez-100M-Base — компактная авторегрессионная языковая модель с архитектурой Llama, разработанная Mossez Systems. Она содержит около 100,1 млн параметров и предназначена для продолжения текста, локального запуска, исследований небольших причинных языковых моделей и экспериментов с токенизаторами, инференсом и дообучением. Модель обучалась преимущественно на русскоязычных веб-данных, а затем прошла дополнительное предобучение на русской и английской Википедии; заявленный контекст — 1 024 токена. Это базовая модель, а не чат- или инструкционная система: она принимает текстовые префиксы и генерирует продолжение. В описанной оценке дополнительное обучение улучшило perplexity на энциклопедических русских и английских текстах, но несколько ухудшило результат на исходном веб-домене; русское качество в целом выше английского. Модель может повторяться и выдумывать факты, не гарантирует следование инструкциям и не подходит для высокорисковых решений. Лицензия весов — Apache-2.0.

NVIDIA NeMo NanoCodec — нейронный аудиокодек NVIDIA для сжатия и восстановления речи. Эта версия принимает монофонический WAV с частотой 22,05 кГц и возвращает аудио с той же частотой; заявленные параметры кодирования — 1,78 кбит/с и 12,5 кадров/с. Модель содержит 62 млн параметров и использует полностью свёрточную архитектуру: энкодер, квантование FSQ с 13 кодовыми книгами и декодер на основе HiFi-GAN. Кодек предназначен для низкоскоростного сжатия речи и может использоваться как компонент при обучении моделей генерации речи. Он обучен на 28,7 тысячи часов речевых данных на 105 языках. Для этой версии в README указаны коммерческое и некоммерческое использование; метаданные Hugging Face обозначают лицензию как other, поэтому конкретные условия следует сверять с лицензией репозитория. Модель рассчитана на ускорение на NVIDIA GPU, а для работы указан NeMo 2.0.0.

Карточка модели TechnoBaptist/nemo-nano-codec-22khz-1.89kbps-21.5fps на Hugging Face совпадает с карточкой nvidia/nemo-nano-codec-22khz-1.89kbps-21.5fps, поэтому описание составлено по ней. NVIDIA NeMo NanoCodec — нейронный аудиокодек для сжатия и восстановления речи. Эта версия принимает монофонический WAV с частотой 22,05 кГц и формирует аудио той же частоты дискретизации. Модель содержит 62 млн параметров, использует сверточный генератор с энкодером, конечное скалярное квантование (FSQ) и декодер на основе HiFi-GAN, а также три дискриминатора для обучения с состязательными и feature-matching потерями. Вариант рассчитан на частоту кадров 21,5 кадра/с и битрейт 1,89 кбит/с; он подходит для сжатия речи и как компонент при обучении моделей генерации речи. Модель обучалась на 28,7 тыс. часов речи на 105 языках. В карточке рекомендовано использовать её с Magpie TTS для наилучшего качества. Это готовый к коммерческому и некоммерческому использованию чекпойнт NVIDIA; метаданные указывают лицензию «other», поэтому конкретные условия следует сверять с лицензией репозитория. Для работы рекомендуется окружение NeMo 2.0.0 и GPU NVIDIA.

Nemotron 3.5 ASR — Jordanian Dialect Arabic — потоковая модель автоматического распознавания речи, дообученная RamaBashar22 на базе NVIDIA Nemotron 3.5 ASR Streaming 0.6B примерно на 10 часах речи на иорданском диалекте. Она использует архитектуру FastConformer-CacheAware-RNNT с языковым промптом для арабского; монотонный декодер RNN-T выдаёт текст по мере поступления аудио. Модель принимает монофоническое аудио с частотой 16 кГц и предназначена для потоковой работы голосовых агентов. В README указаны WER 28,82% и CER 11,39% на отложенном тестовом наборе из 3,32 часа, а также RTF 0,107 при чанках 560 мс на L40S. Она особенно ориентирована на распознавание иорданской разговорной речи; качество для литературного арабского и других диалектов не оценено. Числа распознаются словами и требуют последующего преобразования в цифры для телефонных номеров, идентификаторов и сумм. Модель не предназначена для дословной транскрипции или записей, используемых для соблюдения требований. Репозиторий содержит веса safetensors и версию для NeMo; лицензия — OpenMDW 1.1.

Nori-30M — табличная модель Synthefy примерно с 29,2 млн параметров, представленная как вариант семейства Nori. Она предназначена для регрессии по структурированным данным: модель получает несколько размеченных строк в контекст и предсказывает значения для новых строк за один прямой проход, без отдельного обучения или дообучения под каждую задачу. Модель обучена исключительно на синтетических данных и распространяется в формате PyTorch через библиотеку synthefy-nori. В README приведены результаты на 96 регрессионных задачах из наборов TabArena, TALENT и OpenML; по заявлению авторов, вариант 30M превосходит базовый Nori примерно с 6 млн параметров на каждом из этих наборов. Модель рассчитана на таблицы малого и среднего размера. Плотное внимание между строками имеет сложность O(N²), поэтому практический размер контекста ограничен, а на больших таблицах модель уступает лучшим базовым решениям. Лицензия — Apache-2.0.