II.10Разработка и эксплуатация AI/ML-систем

Qwen3.8-27B-RANA-abliterated — производная модель на основе плотной мультимодальной Qwen3.8-27B от Preemware. Разработчик применил метод RANA для удаления направления отказа из остаточного потока, сохранив нормы изменённых весов; основная модель, зрительный модуль и MTP-компонент сохранены. Репозиторий содержит веса BF16 в формате Safetensors; размер этой версии — 55,6 ГБ. Модель принимает текст и изображения и выдаёт текст; карточка также указывает интерфейс вызова инструментов. В метаданных указан тег image-text-to-text; базовая модель поддерживает анализ видео, но в приведённой конфигурации видео отключено. Модель предназначена для исследований интерпретируемости, red teaming и оценки поведения отказов. По оценке авторов, она почти не отказывает в ответ на запросы, а результаты на ряде тестов способностей близки к базовой модели; отмечены снижение примерно на 1,5 процентного пункта на TruthfulQA и отставание от сравнительной модели на IFEval. Также возможны длинные рассуждения, достигающие лимита генерации. Автор не публикует рецепт и код редактирования и не рекомендует публичное или пользовательское развертывание без внешней модерации. Лицензия — Apache-2.0, унаследованная от Qwen.

Qwen3.8-Flash-Next-0.2B-A0.2B — уменьшенная тестовая версия Qwen/Qwen3.8-Flash-Next, созданная для проверки и разработки. Это мультимодальная модель на архитектуре Qwen4ExpForConditionalGeneration с текстовой частью и vision tower; в ней 0,16 млрд параметров, четыре слоя и уменьшенный скрытый размер. Сохранены компоненты исходной архитектуры, включая гибридное внимание и MoE-эксперты. Модель предназначена для тестирования загрузки и структуры чекпойнта, а также для экспериментов с генерацией текста и обработкой изображений через интерфейс image-text-to-text. Веса были случайно инициализированы, затем модель дообучили на небольшом игрушечном текстовом наборе; она запоминает этот набор, поэтому не подходит для содержательного диалога или прикладного анализа изображений. Лицензия — MIT.

Это экспериментальная смешанно-точная drafting head для Qwen3.8-27B, подготовленная junafinity для ускорения генерации методом speculative decoding на MLX и Apple Silicon. Модель не предназначена для самостоятельного использования: её подключают к совместимому Qwen3.8-27B MLX backbone через загрузчик, который поддерживает смешанную точность с ключами scales. Веса семи линейных слоёв головы квантизированы до 4 бит с размером группы 64, а слой fc и нормализующие векторы сохранены в bf16. Артефакт основан на EigenLabs/Qwen3.8-27B-MTP-bf16. Возможный прирост доли принимаемых черновых токенов на сложных и разнообразных текстах не измерен; для fc в bf16 требуется больше трафика весов, чем при полностью 4-битной голове. Репозиторий распространяется по лицензии Apache-2.0.

RadioDINO-b16 — модель извлечения признаков для радиомики и медицинской визуализации, разработанная Лукой Цеддой, Андреа Лоддо и Чечилией Ди Руберто из Университета Кальяри. Это Vision Transformer ViT-Base с размером патча 16, обученный по самообучающей схеме DINO; модель содержит 113,2 млн параметров и выдаёт эмбеддинги размерности 768. Модель предварительно обучена на RadImageNet — наборе из 1,35 млн изображений КТ, МРТ и ультразвуковых исследований. Она предназначена для извлечения признаков и переноса обучения в задачах медицинской визуализации, включая классификацию, сегментацию и анализ интерпретируемости. В README указана проверка на бенчмарке MedMNISTv2 и эффективность без дополнительного дообучения. RadioDINO-b16 принимает медицинские изображения и выдаёт векторные признаки; поддерживаемые в предобучении типы изображений включают КТ, МРТ и УЗИ. Репозиторий предоставляет веса PyTorch в формате safetensors, библиотека — timm. Лицензия — CC BY 4.0.

Карточка модели Workstation5495/Resonatex-D2 на Hugging Face совпадает с карточкой Workstation5495/Resonatex-D2-72M-Experimental, поэтому описание составлено по ней. ResonateX D2 — компактная разговорная языковая модель на архитектуре GPT-2, разработанная автором репозитория Workstation5495. Она содержит около 72 млн параметров и обучена с нуля на русских и английских диалогах; от базовой модели ai-forever/rugpt3small_based_on_gpt2 использован только токенизатор. Модель принимает текстовые сообщения в формате с явными маркерами ролей и генерирует ответы ассистента. Контекст ограничен 512 токенами. Модель предназначена для экспериментов с локальными чат-ботами, обучения и лёгких офлайн-приложений на потребительском оборудовании. Небольшой размер позволяет запускать её на CPU, а также на GPU или MPS при наличии подходящего оборудования. Качество ответов может быть ограниченным: возможны шаблонные и повторяющиеся ответы и фактические ошибки; способности к арифметике и рассуждению невелики. Лицензия указана как other, а README предупреждает, что условия для весов и обучающих данных необходимо уточнить перед публикацией или использованием.

Rivet-1B-PT — базовая языковая модель с 1,1 млрд параметров, разработанная josh-a и обученная с нуля без унаследованных весов. Она использует архитектуру Qwen3ForCausalLM для совместимости с Transformers, но не разделяет веса с моделями Qwen. В репозитории находится исходный предобученный чекпойнт до этапа обучения следованию инструкциям; модель продолжает текст и рассчитана на дообучение собственных моделей и исследования предобучения компактных языковых моделей. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 16 384 токенов. Для предобучения использовано около 129 млрд токенов; веса доступны в формате safetensors. Это базовая модель без чат-поведения, следования инструкциям, выравнивания или отказов, а её фактические знания и способности ограничены небольшим размером. Лицензия — Apache-2.0.

RoBERTa-small-japanese-aozora-char — компактная модель Koichi Yasuoka на архитектуре RoBERTa, предварительно обученная на текстах японской библиотеки 青空文庫 с посимвольным токенизатором. Она предназначена для заполнения пропусков в тексте и может служить основой для дообучения под задачи обработки японского языка, включая разметку частей речи и синтаксический анализ зависимостей. Модель содержит 12,6 млн параметров, принимает текстовые последовательности с контекстом до 128 токенов и выдаёт предсказания для замаскированных позиций. Доступны веса PyTorch; лицензия — CC BY-SA 4.0.

slprl/slam_scaled — речевая языковая модель SLP-RL, представленная в исследовании Slamming: Training a Speech Language Model on One GPU in a Day. Она дообучена на основе Qwen/Qwen2.5-0.5B и генерирует продолжения речи в виде дискретных токенов HuBERT, извлечённых из 11-го слоя mhubert-25hz. Модель принимает аудио и предназначена для продолжения речевых фрагментов, а также для дальнейшей настройки под речевые задачи. Обучение включало предсказание следующего токена на части LibriSpeech, Libri-Light и синтетическом наборе sTinyStories, а затем DPO-настройку на SpokenSwag. Контекст составляет 32 768 токенов. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — MIT. В README указано, что обучение этой модели выполнялось на двух GPU Nvidia A100 в течение 48 часов.

SmolLM3-3B-SFT-ScienceWorld — языковая модель на 3,1 млрд параметров, созданная методом supervised fine-tuning с поведенческим клонированием на основе HuggingFaceTB/SmolLM3-3B. Она предназначена для генерации текста в задачах ScienceWorld и оценки поведения модели в этой среде. Модель использует плотную архитектуру SmolLM3ForCausalLM, принимает текст и генерирует текст; указанная длина контекста — 65 536 токенов. Чекпойнт предназначен для инференса и оценки: состояние оптимизатора не включено, а обучающие шарды хранятся отдельно. Для корректного распределения промптов требуется шаблон chat_template.jinja из репозитория; стандартный шаблон SmolLM3 меняет формат входа. Модель распространяется по лицензии Apache-2.0.

spark-13m-base — англоязычная базовая языковая модель на 13,2 млн параметров, разработанная авторами репозитория ifx-pse-sys-ml и обученная с использованием кодовой базы Nexus. Это компактная причинная языковая модель с архитектурой NexusForCausalLM, описанной в карточке как декодер в стиле Llama с механизмом GQA; она предназначена для исследований малых языковых моделей, быстрых экспериментов и использования в качестве лёгкой основы для декодирования. Модель обучена на смеси образовательных веб-данных и синтетических учебников, а её контекст составляет 512 токенов. Модель подходит для экспериментов с генерацией текста и прототипирования небольших разговорных систем. По приведённым бенчмаркам она превосходит случайный выбор на некоторых задачах, но из-за малого размера близка к случайному уровню на тестах знаний и рассуждений; карточка характеризует её как исследовательскую и прототипную, а не как модель знаний. Поддерживается Apache-2.0. В карточке указана загрузка через Transformers с trust_remote_code=True.

Filtered — Instruct (1.7B) — языковая модель, разработанная командой model-raising для исследований выравнивания поведения и безопасности. Это плотная причинная модель семейства Llama с архитектурой SmolLM2-1.7B, обученная с нуля примерно на 100 млрд токенов, а затем дообученная на инструкциях с привязкой к персонам и конституционными ответами с внутритекстовыми ссылками. Модель предназначена для диалоговых запросов и экспериментов с обобщением ценностей, устойчивостью к jailbreak-запросам и конституционным выравниванием. Она принимает текст и генерирует текст; карточка указывает английский язык и контекст 2048 токенов. В README отмечено, что ответы могут быть неверными или небезопасными. Лицензия обозначена в метаданных как other, а в README — как ещё не окончательно определённая, поэтому условия использования требуют уточнения.

Supra2-Medium-Base — базовая языковая модель SupraLabs с архитектурой Qwen3: декодерный трансформер с 25,4 млн параметров. Модель обучена с нуля на 20 млрд токенов англоязычного веб-текста FineWeb-Edu; использует токенизатор на 16 384 токена и контекст длиной 1 024 токена. Доступна в формате Safetensors по лицензии Apache-2.0. Модель предназначена для экспериментов с эффективностью обучения небольших моделей, обучения трансформерам, лёгкого развёртывания и как отправная точка для дообучения под узкие задачи. Она генерирует продолжение текста и подходит для коротких простых фрагментов, шаблонных ответов и преобразований текста. Модель не прошла настройку для инструкций, диалога или безопасности. Из-за малого размера модель слабо справляется со сложными рассуждениями, арифметикой и фактическими вопросами; возможны повторы, ошибки и галлюцинации. Контекст за пределами 1 024 токенов не проверен, а качество на языках кроме английского будет низким. Разработчики не рекомендуют её для критически важных производственных задач.

Jeesup/svd-safety-l2_remove40_swapdisciter_r06 — экспериментальный чекпойнт на базе Meta Llama 2 7B Chat, подготовленный для изучения влияния сжатия на безопасность и полезность модели. Согласно карточке, при сжатии методом SVD-LLM удалено 40,02% параметров; вариант использует правило отбора disc_iter. Модель имеет архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров, принимает текст и генерирует текст в контексте до 4096 токенов; базовая модель предназначена для диалогов на английском языке. Чекпойнт предназначен для измерения компромиссов между качеством, безопасностью и степенью сжатия, а также для сравнительной оценки атак и чрезмерных отказов. В карточке приведены результаты тестирования на AdvBench, StrongREJECT и WildGuard. Авторы предупреждают, что отдельные варианты сетки эксперимента могут иметь сниженную безопасность относительно исходной Llama 2 7B Chat, поэтому этот чекпойнт следует рассматривать как экспериментальный объект, а не готового к развертыванию ассистента. Лицензия — Llama 2.

TokSuite–GPT-4o — исследовательская базовая языковая модель из набора TokSuite, созданного для изучения влияния токенизатора на поведение языковых моделей в контролируемых условиях. Модель разработана командой TokSuite и использует GPT-4o-токенизатор: BPE со словарём из 200 000 токенов и обработкой неизвестных последовательностей через байтовый fallback. По карточке это decoder-only Transformer конфигурации Llama 3.2 1B; метаданные указывают 1,7 млрд параметров и контекст 8192 токена. Модель предназначена для исследований токенизации, многоязычного NLP, абляционных экспериментов и сравнения устойчивости к опечаткам, вариациям диакритики, Unicode-символам, OCR-артефактам и форматированию STEM-текстов. Она обучена на многоязычном корпусе примерно из 100 млрд токенов: английский, китайский, турецкий, итальянский и фарси. Модель не настроена на выполнение инструкций и не предназначена для диалога или развёртывания в пользовательских и высокорисковых сценариях. Лицензия репозитория — MIT. Результаты могут отражать смещения обучающих веб-данных; карточка рекомендует дополнительные меры предосторожности перед применением в пользовательских сценариях. В README длина контекста указана как 4096 токенов, тогда как метаданные каталога указывают 8192.

Это вариант конвейера Stable Diffusion, опубликованный пользователем katuni4ka в формате Diffusers. По конфигурации репозитория он основан на тестовой модели hf-internal-testing/tiny-stable-diffusion-torch и включает текстовый энкодер CLIP, условную UNet и VAE; модель предназначена для генерации изображений по текстовому описанию. Репозиторий содержит веса в формате safetensors. Карточка не описывает отдельную предметную специализацию, поддерживаемые языки, длину контекста или конкретные показатели качества. Это компактный вариант для экспериментов и проверки конвейера, поэтому его не следует считать полноценной моделью генерации изображений для производственного использования. Лицензия в доступных сведениях не установлена.

Mxode/TinyStories-LLaMA2-25M-256h-4l-GQA — компактная авторегрессионная языковая модель для генерации текста. Модель доступна через библиотеку Transformers и имеет задачу text-generation; её размер составляет 17,6 млн параметров, а нативная длина контекста — 2048 токенов. По идентификатору модель относится к семейству LLaMA 2 и использует Grouped Query Attention (GQA), однако README не содержит подробного подтверждения архитектуры, разработчика или состава обучающих данных. Модель может использоваться для экспериментов с небольшими генеративными языковыми моделями, обучения и прототипирования text-generation на ресурсах с ограниченной памятью, а также для генерации коротких текстовых продолжений. README не содержит результатов оценки, описания целевых сценариев, сведений о поддерживаемых естественных языках и лицензии, поэтому пригодность для практических приложений и условия использования необходимо проверять отдельно.

TIPSv2 B/14 DPT Heads — модель плотного предсказания Google на базе замороженного визуального энкодера TIPSv2 B/14 и голов Dense Prediction Transformer. Она предназначена для оценки глубины по изображению; также доступны головы предсказания поверхностных нормалей и семантической сегментации на 150 классов ADE20K. Головы содержат около 72 млн параметров; визуальная часть базовой модели — 86 млн параметров. Модель принимает изображения в диапазоне значений [0, 1]; рекомендуется разрешение, кратное 14. Головы глубины и нормалей обучены на NYU Depth V2, а сегментации — на ADE20K. Для загрузки визуального энкодера требуется базовая модель TIPSv2 B/14. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0.

google/tipsv2-g14-dpt — модель плотного предсказания на изображениях, разработанная Google: DPT-головы для оценки глубины, предсказания нормалей поверхности и семантической сегментации поверх замороженного визуального энкодера TIPSv2 g/14. Модель принимает изображения в диапазоне значений [0, 1]; рекомендуется разрешение, кратное 14. Головы содержат около 185 млн параметров и используют библиотеку Transformers. Головы для глубины и нормалей обучены на NYU Depth V2, а голова сегментации — на ADE20K для 150 классов. Модель предназначена для анализа геометрии сцены и выделения объектов на изображениях: она предсказывает карту глубины, нормали поверхности и карту семантических классов. Репозиторий распространяется в формате safetensors под лицензией Apache-2.0. В метаданных основной задачей указана оценка глубины; для нормалей поверхности и сегментации README описывает обученные головы, но качество и ограничения этих выходов не уточняет.

TRACE Qwen2.5-VL 3B — мультимодальная модель Maveryn для анализа изображений и визуальных рассуждений. Это слитый чекпойнт на 500-м шаге обучения GRPO, полученный дообучением Qwen/Qwen2.5-VL-3B-Instruct на 64 000 примерах из 1 000 задач набора maveryn/trace. Модель содержит 3,1 млрд параметров, построена на архитектуре Qwen2.5-VL и работает с изображениями и текстом; заявленная длина контекста — 128 000 токенов. Модель предназначена для мультимодальных диалоговых сценариев, где нужно отвечать на вопросы по изображениям и выполнять задачи визуального рассуждения. В оценке на 24 внешних бенчмарках TRACE показала макросредний результат 42,85% против 39,34% у базовой модели при описанных авторами настройках оценки. Модель может давать неверные ответы, неподтверждённые рассуждения и ненадёжно связывать выводы с изображением. Она обучена на синтетических задачах и не проверена для критически важных решений, медицины, права или автономного принятия решений. Лицензия обозначена как other; конкретные условия использования в предоставленных данных не раскрыты.

Edmon02/TTS_NB_2 — контрольная точка SpeechT5 для синтеза речи на армянском языке, разработанная как преемник Edmon02/TTS_NB. Модель предназначена прежде всего для продолжения обучения, экспериментов с новыми данными и адаптации через Transformers; для публикации демонстраций карточка рекомендует другой чекпойнт. Архитектура — SpeechT5ForTextToSpeech, веса сохранены в safetensors, размер словаря токенизатора — 158. Обучение обновлено на данных Common Voice 17 для hy-AM и HyVoxPopuli. Для синтеза при инференсе требуется microsoft/speecht5_hifigan. Лицензия — MIT. Карточка указывает ограничения исходного набора HyVoxPopuli: литературный армянский язык и два диктора; поэтому модель может хуже подходить для других вариантов армянского и разнообразных голосов.

Tucano-630m — плотная авторегрессионная Transformer-модель семейства Llama, разработанная командой TucanoBR и предварительно обученная для португальского языка. Она содержит около 564,7 млн параметров, использует контекст до 2048 токенов и обучалась на корпусе TucanoBR/GigaVerbo — объединении очищенных португалоязычных текстовых данных общим объёмом 200 млрд токенов. Модель доступна в форматах PyTorch, Flax и Safetensors; лицензия — Apache 2.0. Модель предназначена прежде всего как основа для исследований и разработки в области моделирования португальского языка, сравнительных экспериментов и последующего дообучения. Она выполняет генерацию текста, но не настроена для конкретных прикладных задач и не рассчитана на непосредственное применение в пользовательских сервисах. Модель ориентирована на португальский язык; для других языков её применение может приводить к ошибкам. Как и другие языковые модели, обученные на больших веб-корпусах, Tucano-630m может выдавать фактически неверные, предвзятые или токсичные ответы, повторяться и генерировать ненадёжный код. Перед адаптацией или практическим использованием следует самостоятельно оценить риски и смещения.

UrbanOmniDetect — набор предварительно обученных моделей для обнаружения объектов и оценки их трёхмерных ограничивающих параллелепипедов по одному RGB-изображению. Модель разработана Мехметом Керемом Туркджаном, Девикой Гумасте и Зораном Костичем из AIDL Lab Колумбийского университета для городской среды; веса опубликованы вместе с работой CVPR 2026 DriveX. Реализации построены на архитектурах YOLOv8, YOLOv9, YOLO11 и YOLO12 разных размеров. Рекомендуется семейство YOLO11x-P2; доступны контрольные точки для входных разрешений 640, 1280 и 1920 пикселей. Модель предсказывает ключевые точки 3D-боксов без параметров камеры, оценки глубины и априорных сведений о плоскости земли. Она рассчитана на разные ракурсы: с автомобиля, дорожной инфраструктуры и беспилотника. Для KITTI README приводит AP3D 30,71 и APBEV 35,19 на выборке Moderate при IoU не ниже 0,7; для YOLO11x-P2 указана метрика keypoint mAP50:95 0,751 на UrbanOmniView при разрешении 640 × 640. Заявлена скорость менее 11 мс на изображение на A100 с TensorRT при 640 × 640. Модель предназначена для восприятия городской среды, включая автономное вождение, анализ дорожной инфраструктуры и построение вида сверху. Она выдаёт координаты ключевых точек 3D-боксов, которые могут использоваться для формирования BEV-представления и видеотрекинга в коде проекта. Обучение проводилось на UrbanOmniView, объединяющем данные KITTI, DAIR-V2X и синтетические кадры UE5. Лицензия репозитория — AGPL-3.0. README описывает UrbanOmniDetect-2 как отдельный последующий выпуск с несовместимыми контрольными точками.

vehicle_classification — модель классификации изображений автомобилей, созданная дообучением Vision Transformer google/vit-base-patch16-224-in21k на наборе данных imagefolder. Она принимает изображение и предсказывает класс транспортного средства. В архитектуре ViTForImageClassification около 113,2 млн параметров; веса опубликованы в формате safetensors. На оценочной выборке модель показала accuracy 0,8467 и loss 0,5738. Эти результаты относятся только к указанной выборке и не гарантируют такую же точность на других изображениях. Модель распространяется по лицензии Apache-2.0; сведения о наборе классов и ограничениях применения в карточке не приведены.

Veyra AI разработала Veyra2-Mango-15M-Base — компактную базовую языковую модель с архитектурой LlamaForCausalLM и 15,7 млн параметров. Модель обучена с нуля на смеси примерно из 30 млрд токенов; веса представлены в формате Safetensors. Она принимает текст и продолжает его авторегрессионной генерацией. Максимальная длина контекста по метаданным — 4096 токенов, а обучение проводилось с последовательностями длиной 2048 токенов. Модель предназначена для исследований небольших языковых моделей, бенчмаркинга, дальнейшего предобучения и экспериментов с компактными causal LM. В обучающую смесь входили веб-тексты, QA- и математические данные, Cosmopedia и небольшая доля UltraChat. Карточка указывает английский язык. Это базовая модель без донастройки на инструкции и RLHF: она не предназначена для диалогового использования без дополнительной настройки, а генерации могут повторяться, уходить от темы и содержать недостоверные факты. Лицензия — Apache-2.0.

Video Depth Anything Base (Metric) (MLX) — конверсия модели depth-anything/Metric-Video-Depth-Anything-Base от ByteDance в формат MLX. Модель оценивает глубину по монокулярному видео, выдавая абсолютные значения в метрах с временной согласованностью между кадрами. Архитектура сочетает backbone DINOv2 и временную голову DPT; это вариант Base Metric. Модель предназначена для оценки глубины в видеопотоках, когда нужны метрические значения, а не только относительная карта глубины. Конверсия проверена сравнением с PyTorch-версией: в README указана максимальная относительная ошибка около 1e-5 на CPU и около 1% на GPU с fast-math Metal. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

Video Depth Anything Large (Metric) в формате MLX — конверсия модели depth-anything/Metric-Video-Depth-Anything-Large от ByteDance, представленной как highlight на CVPR 2025. Модель оценивает глубину по монокулярному видео: использует backbone DINOv2 и временную голову DPT, выдавая абсолютные расстояния в метрах с согласованностью между кадрами. Модель предназначена для извлечения метрической карты глубины из видеопоследовательности. Конверсия проверена сравнением с реализацией PyTorch: README сообщает максимальную относительную ошибку около 1e-5 на CPU и около 1% на GPU при fast-math в Metal. Распространяется по лицензии Apache-2.0.

Voho Saudi Speak 0.6B — компактная текстовая модель от Voho для преобразования литературного арабского текста в разговорную речь саудовских диалектов: наджди, хиджази и халиджи. Это плотная Qwen3ForCausalLM на 507,9 млн параметров, дообученная полным fine-tune на Qwen/Qwen3-0.6B. Модель принимает текст и название диалекта и возвращает переформулированный арабский текст; контекст — до 40 960 токенов. Модель предназначена для подготовки реплик голосовых агентов и озвучиваемых текстов, чтобы речь звучала естественнее для жителей Саудовской Аравии. В тесте на 1 000 предложениях она показала chrF++ 75,7 в целом, с результатами для наджди и хиджази; обучение проводилось на 84 394 транскрибированных фразах из SADA. Она компактна для локального запуска, однако может менять или терять детали в длинных и сложных предложениях, не использует диакритические знаки, а обучающие данные преимущественно отражают телевизионную речь. Для клиентских сценариев результаты следует проверять. Лицензия CC-BY-NC-SA-4.0 ограничивает коммерческое использование.

Vortex Alpha — компактная экспериментальная языковая модель North-ML1 для локальных текстовых завершений, диалогов и дальнейшего дообучения. Опубликованный чекпойнт представляет собой инструкционную производную предварительно обученной базовой модели; в репозитории также есть её базовые веса. Модель не позиционируется как готовый универсальный ассистент. Это плотный декодерный Transformer с 174,9 млн параметров, 12 слоями, архитектурой VortexForCausalLM и контекстом до 4096 токенов. Модель принимает и генерирует текст, использует токенизатор SentencePiece на 8192 токена и поддерживает английский язык. Веса доступны в формате BF16 safetensors; для загрузки предусмотрены PyTorch-раннер и модули для Transformers с remote code. Модель предназначена для локальных экспериментов, генерации текста, диалогов, форматированных ответов и пробных вызовов инструментов. Небольшой внутренний пилот показывает некоторые способности к структурированным вызовам, но результаты недостаточны для широких выводов. Модель слаба в арифметике, общих знаниях, связности длинных ответов и контроле галлюцинаций; возможны повторы и чрезмерно уверенные ошибки. Лицензия не заявлена, поэтому условия дальнейшего использования не определены.

VoxCPM2 Dagbani — модель синтеза речи, созданная FarmerlineML полным дообучением VoxCPM2 на речевых данных языка дагбани. Она предназначена для озвучивания текста на дагбани, в том числе для голосового сельскохозяйственного ассистента darli AI. Для вывода требуется эталонная аудиозапись, которая задаёт голосовую идентичность; веса опубликованы в формате safetensors, а лицензия — Apache-2.0. При генерации рекомендуется задавать max_len не меньше 50 и примерно в четыре раза больше длины текста, чтобы уменьшить галлюцинации после конца предложения. Также рекомендуется обрезать около двух секунд тишины после синтеза. В README не приведены сведения о размере архитектуры или длине контекста.

Jzuluaga разработал wav2vec2-large-960h-lv60-self-en-atc-atcosim — модель распознавания речи на основе Wav2Vec 2.0, дообученную на корпусе ATCOSIM с сообщениями авиационного управления воздушным движением. Она преобразует аудиозаписи радиопереговоров на английском языке в текст и предназначена для автоматической расшифровки ATC-коммуникаций. Модель содержит 402,7 млн параметров и использует архитектуру Wav2Vec2ForCTC. На тестовой выборке ATCOSIM указана доля ошибок на уровне слов (WER) 1,67%. Для распознавания в других аудиодоменах, например в записях LibriSpeech или CommonVoice, сопоставимое качество не гарантируется. Модель распространяется по лицензии Apache-2.0.