II.6Документация и сопровождение разработки

apetersson/Qwen3.8-Flash-Next-GGUF — это квантизированная GGUF-сборка модели Qwen3.8-Flash-Next, разработанной командой Qwen и подготовленной пользователем apetersson для запуска через llama.cpp. Модель предназначена для генерации текста и мультимодальных сценариев с обработкой изображений и, согласно тегам, видео. В комплект входят варианты квантизации Q5_K_M и UD-IQ4_XS, общий vision-проектор и MTP-компонент для ускорения генерации. Сборка использует общую BF16-таблицу n-gram, размещаемую отдельно от основных весов, и требует специального расширения среды выполнения llama.cpp; стандартная версия llama.cpp и автоматическая загрузка через -hf не поддерживаются. Размер основных файлов составляет около 76,24 GiB для Q5_K_M и 60,42 GiB для UD-IQ4_XS, а суммарный объём активных артефактов с общими компонентами — около 235,47 GiB. На RTX PRO 6000 Blackwell подтверждена работа с контекстом 262 144 токена для Q5 и IQ4, а для IQ4 проверена загрузка контекста до 1 048 576 токенов с Q8-кэшем KV; фактическая проверка генерации на миллионе токенов не проводилась. Сильными сторонами являются мультимодальность, поддержка очень длинного контекста, наличие MTP и возможность запуска на системах с 96–128 GB памяти при соответствующей конфигурации. Ограничения включают высокие требования к видеопамяти и оперативной памяти, необходимость сохранять структуру каталогов и использовать патченный runtime, а также ограниченную проверку экстремально длинного контекста. Модель распространяется по лицензии qwen-community-1.0; точные условия следует уточнять в файле LICENSE.

Edresson/wav2vec2-large-100k-voxpopuli-ft-Common-Voice_plus_TTS-Dataset-russian — русскоязычная модель распознавания речи на архитектуре Wav2Vec2 Large с выходной головой CTC. Её дообучили на базе Wav2Vec2 Large 100k VoxPopuli с использованием Common Voice 7.0 и M-AILABS. Модель принимает аудио и преобразует русскую речь в текст. Она подходит для автоматической транскрибации записей и голосовых данных в приложениях на базе Transformers. Размер — 402,7 млн параметров; файлы представлены в формате PyTorch. Лицензия — Apache-2.0. README отсылает за результатами к статье, поэтому численные показатели качества здесь не приводятся.

Sagicc/whisper-base-sr-yodas — модель распознавания речи на базе Whisper от OpenAI, дообученная на наборе данных YODAS. Она предназначена для преобразования аудио в текст; метаданные указывают на поддержку аудио на входе, а карточка приводит результаты оценки: WER 0,2450 и WER Ortho 0,3334. В репозитории указано 51,7 млн параметров и формат safetensors. Модель распространяется по лицензии Apache-2.0.

Whisper-Small-CV11 — мультиязычная модель распознавания речи, созданная Burak Aydın путём дообучения стандартной архитектуры OpenAI Whisper Small на корпусе Whispered. Она содержит 153,1 млн параметров и предназначена для транскрибирования аудиозаписей на 11 языках. Модель работает в Transformers и совместима с обычными инструментами для Whisper; для загрузки не требуется доверять дополнительному коду репозитория. При оценке на CommonVoice 17 модель показала более низкий WER, чем исходная Whisper Small, на 10 из 11 языков; README приводит результаты для английского, немецкого и испанского. Обучение сохраняло замороженным энкодер и использовало 15 000 шагов. Модель подходит для расшифровки записанной речи с бытовых микрофонов, в том числе при фоновом шуме. Модель рассчитана на английский, немецкий, испанский, французский, русский, турецкий, арабский, грузинский, тайский, китайский и валлийский языки. Лицензия — Apache 2.0. По заявлению авторов, дообучение снижает качество для других языков Whisper; грузинский вариант на уровне Whisper Small не пригоден для использования. Качество на дальней речи, телефонном аудио 8 кГц и перекрывающейся речи не оценивалось.

OpenVINO/whisper-small.en-int8-ov — англоязычная модель автоматического распознавания речи на базе Whisper small, разработанного OpenAI. Модель преобразована в формат OpenVINO IR, а её веса сжаты до INT8 с помощью NNCF; объём модели составляет около 153,1 млн параметров. Модель предназначена для преобразования английской речи в текст: расшифровки аудиозаписей, голосовых заметок, интервью и других источников аудио. Она поддерживает запуск через OpenVINO и Optimum Intel, включая инференс на CPU, и совместима с OpenVINO версии 2025.2.0 и выше и Optimum Intel версии 1.23.0 и выше. INT8-квантизация уменьшает размер весов и может сделать инференс более эффективным на совместимом оборудовании, однако модель рассчитана именно на английский язык. Использование распространяется по лицензии Apache-2.0.

OpenVINO/whisper-small-fp16-ov — модель автоматического распознавания речи, созданная на основе Whisper Small от OpenAI и преобразованная в формат OpenVINO IR с весами FP16. Модель предназначена для преобразования аудиозаписей в текст и совместима с OpenVINO 2025.2.0 и новее, а также Optimum Intel 1.23.0 и новее. Модель имеет 153,1 млн параметров и использует архитектуру Whisper для последовательного преобразования речевого сигнала в текст. В карточке указана поддержка английского языка. Формат OpenVINO IR ориентирован на инференс через OpenVINO и OpenVINO GenAI, включая запуск на CPU. К сильным сторонам относятся оптимизированное представление FP16 и интеграция с инструментами OpenVINO для развертывания распознавания речи. Ограничения унаследованы от исходной модели Whisper Small: качество зависит от качества и характеристик аудио, а применение для языков, не заявленных в карточке, может быть ненадежным. Модель распространяется по лицензии Apache-2.0.

combined_whisper_sanlish_lr2e5_newsplit — модель распознавания речи, полученная дообучением мультиязычной openai/whisper-small. Она предназначена для преобразования аудиозаписей в текст; в карточке приведены результаты оценки: WER 34,7012, CER 8,4391 и loss 0,6368. Подробности о целевом языке и наборе данных не раскрыты. Модель распространяется в формате safetensors по лицензии Apache-2.0.

CrisperWhisper 2.0 small — модель распознавания речи от Nyra Labs, основанная на архитектуре Whisper и содержащая 153,1 млн параметров. Она преобразует аудио в текст и поддерживает режимы verbatim, сохраняющий повторы, слова-паразиты, обрывы и вокальные события, и intended, который передаёт предполагаемый смысл в отредактированной записи. Модель также может выдавать временные границы отдельных слов и обрабатывать длинные записи с продолжением транскрипции между фрагментами. Модель предназначена для точной дословной расшифровки речи, подготовки транскриптов для анализа и создания речевых наборов данных. README описывает возможности семейства CrisperWhisper 2.0, включая мультиязычную работу, но метаданные этой версии явно указывают английский и немецкий языки. Для выбранной модели доступны веса safetensors и библиотека crisperwhisper. В README стандартные модели семейства обозначены как распространяемые по некоммерческой исследовательской лицензии с возможностью получить коммерческую лицензию; метаданные указывают лицензию other.

ExoMind-9B — компактная мультимодальная модель команды ExoMind из Шанхайской лаборатории искусственного интеллекта. Это плотная модель семейства Qwen3.5 с 9 млрд параметров, дообученная на базе Qwen/Qwen3.5-9B для научных рассуждений и агентных исследовательских сценариев. Она принимает текст и изображения и формирует текстовые ответы; в карточке указано окно контекста до 262 144 токенов. Модель предназначена для научных вопросов и ответов, математических и вычислительных рассуждений, поиска источников, обоснования выводов свидетельствами, проверки результатов с помощью исполняемого кода и экспериментов с использованием инструментов. Она рассчитана на ресурсосберегающие прототипы агентных систем и сохраняет возможности анализа изображений базовой модели. Для заявленных сценариев авторы описывают обучение на траекториях рассуждений и взаимодействия. Оценки из приведённой в README таблицы относятся к системе ExoMind 35B-A3B, поэтому их нельзя переносить на версию 9B; отдельные оценки для ExoMind-9B не приведены. Модель распространяется по лицензии Apache-2.0.

jonatasgrosman/exp_w2v2t_ru_hubert_s818 — модель распознавания русской речи, дообученная автором jonatasgrosman с помощью HuggingSound на обучающей части Common Voice 7.0. Она основана на facebook/hubert-large-ll60k и использует архитектуру HuBERT с CTC-головой; размер составляет 402,7 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст. Подходит для автоматической транскрипции русскоязычных записей. Распространяется по лицензии Apache-2.0.

Это облегчённая модель идентификации языка на основе библиотеки fastText, представленная Meta. Она классифицирует входной текст по языку; размещённая версия lid218e, выпущенная в рамках проекта NLLB, распознаёт 217 языков. Модель предназначена для автоматической маркировки языка коротких фрагментов, предварительной маршрутизации текста и выбора подходящих языковых инструментов. fastText рассчитан на эффективную работу на стандартном оборудовании и подходит как для прототипирования, так и для производственных сценариев. В README также описаны предобученные векторы fastText для 157 языков, полученные методом CBOW с позиционными весами и символьными n-граммами; эти параметры не следует считать подтверждённой спецификацией именно размещённого классификатора lid218e. Лицензия репозитория — CC BY-NC 4.0, поэтому коммерческое использование ограничено условиями лицензии. Возможны смещения в предсказаниях.

Карточка модели Griffin88/my_new_model3 на Hugging Face совпадает с карточкой Griffin88/sentence-embedding-LaBSE, поэтому описание составлено по ней. Griffin88/sentence-embedding-LaBSE — PyTorch-порт модели LaBSE, предназначенный для представления предложений на 109 языках в общем векторном пространстве. Модель основана на архитектуре BERT и содержит 498,1 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий предоставляет веса PyTorch и safetensors, а для работы через Sentence-Transformers README рекомендует библиотеку sentence-transformers. Модель подходит для получения эмбеддингов предложений и оценки их семантического сходства, в том числе для сопоставления текстов на разных языках. Лицензия — Apache-2.0. README отсылает к публикации LaBSE, но не уточняет автора этого порта или детали обучения именно этой версии.

Модель shahrukhx01/paraphrase-mpnet-base-v2-fuzzy-matcher — сиамская архитектура на основе MPNet, обученная на символьных токенах для нечеткого сопоставления текстов по эмбеддингам. Её можно использовать через библиотеку Sentence-Transformers. Модель предназначена для поиска похожих строк и записей, разрешения сущностей и связывания записей, в том числе в структурированных данных. Она принимает текст и выдаёт эмбеддинги, которые можно сравнивать для оценки сходства. В метаданных указаны 136,7 млн параметров и контекст до 514 токенов. В карточке не приведены результаты оценки качества или подробные сведения о данных обучения. Лицензия в доступных данных не указана.

PEARL-base — модель векторных представлений фраз и строк, разработанная Lihu Chen, Gaël Varoquaux и Fabian M. Suchanek. Это дообученная версия E5-base, созданная для сравнения строк по смыслу и поиска совпадений, в том числе при различиях в написании. Модель построена на архитектуре BERT и содержит 136,7 млн параметров. Она принимает текст и преобразует фразы в эмбеддинги; заявленная длина контекста — 512 токенов. PEARL учитывает тип фразы и морфологические признаки, что помогает при нечетком сопоставлении, поиске сущностей и кластеризации. README приводит результаты бенчмарков для этих сценариев и примеры расчета сходства между строками. Модель ориентирована на английский язык. Репозиторий содержит веса PyTorch и safetensors и распространяется по лицензии Apache-2.0. Она предназначена для построения эмбеддингов и сама по себе не генерирует текст.

Карточка модели tomsanbear/pp-ocrv5-mobile-rec на Hugging Face совпадает с карточкой PaddlePaddle/PP-OCRv5_mobile_rec_safetensors, поэтому описание составлено по ней. PP-OCRv5_mobile_rec_safetensors — мобильная модель распознавания текстовых строк из изображений, разработанная командой PaddleOCR и представленная в формате safetensors. Она предназначена для эффективного распознавания печатного и рукописного текста, включая сложные случаи: вертикальный и искажённый текст, пиньинь, редкие символы и художественные надписи. Модель поддерживает упрощённый и традиционный китайский, английский и японский языки. В README приведены метрики для нескольких типов текста; среднее значение составляет 0,8015 по метрике, где строка считается ошибочной при неверном распознавании хотя бы одного символа. Модель ориентирована на распознавание отдельных строк, поэтому для обработки целых страниц требуется предварительное обнаружение и выделение строк. Лицензия — Apache 2.0.

PP-OCRv5_server_rec_safetensors — команда PaddleOCR разработала эту модель для распознавания текста в отдельных строках изображения. Она относится к семейству PP-OCRv5 и предназначена для сценариев, где нужна точная расшифровка печатного или рукописного текста, в том числе вертикального и искажённого. Модель рассчитана на упрощённый и традиционный китайский, английский и японский языки. В карточке приведены показатели для печатного и рукописного текста, древних текстов, пиньиня, поворотов, искажений и художественного текста; средний показатель по описанному набору сценариев — 0,8401. Метрика считает строку ошибочной, если в ней неверен хотя бы один символ, включая пунктуацию. Репозиторий содержит веса в формате safetensors и использует библиотеку PaddleOCR. Лицензия — Apache-2.0.

yongjian/wav2vec2-large-a — модель распознавания речи на базе Wav2Vec2, дообученная из facebook/wav2vec2-large-960h-lv60-self. Она предназначена для преобразования аудиозаписей в текст и размечена для английского языка; в метаданных указан датасет LIUM/tedlium. Модель содержит около 402,7 млн параметров и представлена в формате PyTorch. Карточка содержит мало сведений о качестве распознавания, допустимых условиях записи и конкретной конфигурации входного аудио. Лицензия в предоставленных данных не указана.

jonatasgrosman/wav2vec2-large-xlsr-53-russian — модель распознавания русской речи от Jonatas Grosman, дообученная на базе facebook/wav2vec2-large-xlsr-53 на обучающей и проверочной выборках Common Voice 6.1 и CSS10. Она использует архитектуру Wav2Vec2 с CTC-декодированием и содержит около 402,7 млн параметров. Модель преобразует аудиозапись русской речи в текст и подходит для транскрибации записей и оценки систем распознавания речи. Для входного аудио требуется частота дискретизации 16 кГц. Карточка указывает лицензию Apache-2.0.

WeMM-Embedding-9B — универсальная мультимодальная модель эмбеддингов Tencent, построенная на базе Qwen3.5-9B. Она принимает текст, изображения, видео и визуальные документы, в том числе смешанные входы с чередованием текста и изображений или видео, и преобразует их в L2-нормированный вектор размерностью 4096. Аудио модель не поддерживает. Модель предназначена для получения эмбеддингов и поиска по тексту, изображениям, видео и визуальным документам, включая сопоставление разных типов содержимого. README также описывает поддержку Matryoshka Embeddings с сокращением размерности и варианты запуска через Transformers, Sentence Transformers, vLLM и SGLang. Метаданные указывают архитектуру Qwen3.5 и дообучение базовой модели Qwen/Qwen3.5-9B; опубликованные веса представлены в формате Safetensors. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели. Модель не подходит для аудио-входов; заявленный основной результат — векторное представление, а не генерация текста.

Whisper-Large-v3-MLA — модель распознавания речи, разработанная Burak Aydın на основе OpenAI Whisper large-v3. Декодерная self-attention преобразована из MHA в MLA, что сокращает KV-кэш декодирования на 62,5%; после преобразования модель дообучена на корпусе Whispered для восстановления качества. Модель содержит 905,2 млн параметров и предназначена для транскрибации речи в текст на 11 языках. На тестах CommonVoice-17 авторы сообщают, что цена преобразования по качеству статистически незначима для 9 из 11 языков; заметные различия указаны для арабского и китайского. Сокращение относится к KV-кэшу self-attention декодера: память энкодера и cross-attention не сжата, поэтому выгода для одной короткой последовательности ограничена и заметнее при длинной генерации и высокой параллельности. Модель ориентирована на чистую речь, записанную потребительскими микрофонами; качество может снижаться для незнакомых письменностей, а для грузинского автор отмечает слабые результаты. Для загрузки требуются Transformers 4.46.x и trust_remote_code=True; модель не поддерживает whisper.cpp, faster-whisper и CTranslate2. Лицензия — Apache-2.0.

nlp-mg/whisper-mg — дообученная модель распознавания речи на базе openai/whisper-small, опубликованная под лицензией Apache-2.0. Она предназначена для преобразования аудио в текст; в README приведены результаты оценки: loss 0.1375 и WER 7.0732. Модель использует архитектуру WhisperForConditionalGeneration и содержит 153,1 млн параметров. Метаданные указывают поддержку аудиовхода. README не сообщает, на каких языках и данных проводилось дообучение, поэтому нельзя уточнить специализацию модели или качество распознавания для конкретного языка. Прикладные ограничения сверх этих сведений не описаны.

Sekiraw/whisper-small-hyper-tuned-v2 — дообученная Sekiraw модель распознавания речи на основе openai/whisper-small. Она принимает аудио и предназначена для преобразования речи в текст; карточка сообщает о дообучении на неизвестном наборе данных и приводит результаты оценки: loss 0,2138 и WER 0,3859. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 153,1 млн параметров и опубликована в формате safetensors для Transformers. Карточка не описывает целевые языки, набор данных или специальные сценарии применения, поэтому качество распознавания в конкретных условиях по указанным оценкам определить нельзя. Лицензия — Apache-2.0.

Компактная модель распознавания речи Whisper Tiny от OpenAI, преобразованная в формат CTranslate2 с точностью float16 и размещённая ctranslate2-4you. Она принимает аудио и преобразует речь в текст, например для транскрибации записей; для запуска в README указана библиотека whisper-s2t-reborn. Базовая модель — openai/whisper-tiny, многоязычная версия Whisper. Репозиторий распространяется по лицензии Apache-2.0.

Многоязычная модель bards.ai для обнаружения и разметки персональных и чувствительных данных в тексте, предназначенная для последующего обезличивания. Она основана на XLM-RoBERTa-base и дообучена для классификации токенов с BIO-метками; охватывает 36 классов сущностей, включая идентификационные и контактные данные, финансовые и технические идентификаторы, сведения о здоровье, биометрические и генетические данные, а также специальные категории GDPR. Модель рассчитана на 24 официальных языка ЕС. Доступны веса Safetensors и ONNX, включая версию ONNX с INT8-квантизацией для CPU; размер модели — 305,2 млн параметров, контекст — до 514 токенов. Подходит для поиска данных перед сохранением документов, писем, обращений и переписок, очистки наборов данных и фильтрации текста в RAG-конвейерах и поисковых индексах. Лицензия — Apache-2.0. Точность зависит от языка, предметной области и качества входа; OCR-ошибки, смешение языков и неоднозначные упоминания могут ухудшать обнаружение. Для соответствия требованиям модель следует использовать как часть процесса проверки и обезличивания, а не как самостоятельную гарантию юридической достаточности.

Карточка модели aTrain-core/faster-distil-whisper-large-v2 на Hugging Face совпадает с карточкой Systran/faster-distil-whisper-large-v2, поэтому описание составлено по ней. Это конверсия модели distil-whisper/distil-large-v2 в формат CTranslate2, подготовленная для использования с CTranslate2 и проектами на его основе, например faster-whisper. Модель предназначена для распознавания речи по аудиозаписям и транскрибирования речи в текст. Веса сохранены в FP16; при загрузке тип вычислений можно выбирать через параметр compute_type в CTranslate2. В карточке указана поддержка английского языка. Репозиторий использует библиотеку CTranslate2, а лицензия — MIT.

Это конверсия модели distil-whisper/distil-large-v2 в формат CTranslate2, подготовленная для использования с CTranslate2 и проектами на его основе, например faster-whisper. Модель предназначена для распознавания речи по аудиозаписям и транскрибирования речи в текст. Веса сохранены в FP16; при загрузке тип вычислений можно выбирать через параметр compute_type в CTranslate2. В карточке указана поддержка английского языка. Репозиторий использует библиотеку CTranslate2, а лицензия — MIT.

GujaratiSBERT-STS — модель семейства SBERT на архитектуре BERT, разработанная L3Cube-Pune в рамках проекта MahaNLP. Она дообучена на датасете STS от базовой модели l3cube-pune/gujarati-sentence-bert-nli и предназначена для оценки семантического сходства предложений на гуджарати. Модель преобразует текстовые предложения в векторные представления, которые можно использовать для поиска семантически близких предложений и сравнения текстов. Модель содержит 264,8 млн параметров, принимает текстовые входы с контекстом до 512 токенов и распространяется в формате PyTorch. Лицензия — CC BY 4.0. В README также упоминается отдельная мультиязычная версия для основных индийских языков и межъязыкового сходства; это описание относится к данной модели только как контекст проекта.

LocalDoc/mmBERT-small-en-az — компактный мультиязычный энкодер на архитектуре ModernBERT, созданный сокращением словаря jhu-clsp/mmBERT-small для английского и азербайджанского языков. Из исходного словаря примерно на 256 тысяч токенов оставлено 71 751; размер модели уменьшен примерно на 46%, до 69,7 млн параметров. Слои трансформера не менялись, были сокращены только эмбеддинги. Модель принимает текст и формирует контекстные представления, которые можно использовать для получения эмбеддингов предложений и оценки сходства.

Parakeet-TDT 0.6B v3 — многоязычная модель распознавания речи NVIDIA NeMo, опубликованная loom-ai-org в формате GGUF для запуска через loom.cpp и loom-py-rt. Репозиторий содержит экспорт исходной модели nvidia/parakeet-tdt-0.6b-v3; README указывает, что веса не изменены. Модель преобразует аудио в текст и предназначена для автоматической транскрипции речи на 25 языках, включая русский, английский, испанский, французский и немецкий. Для использования требуется loom-py-rt; экспорт включает графы модели и необходимые компоненты для запуска. Репозиторий распространяется по лицензии CC BY 4.0.

Parakeet TDT-CTC 110M — модель автоматического распознавания речи, совместно разработанная командами NVIDIA NeMo и Suno.ai. Она преобразует английскую речь в текст с пунктуацией и заглавными буквами и подходит для транскрибирования аудиофайлов, в том числе длинных записей и больших наборов файлов. Модель построена на гибридной архитектуре FastConformer-TDT-CTC примерно со 114 млн параметров и обучена в NVIDIA NeMo. Она принимает монофоническое аудио WAV с частотой 16 кГц и может обрабатывать до 20 минут аудио за один проход. Для декодирования доступны варианты TDT и CTC; разработчики сообщают о высокой скорости работы, но результаты зависят от оборудования и условий запуска. Модель обучена на англоязычных речевых данных, включая публичные наборы LibriSpeech, Fisher, VCTK, VoxPopuli, Europarl-ASR, Multilingual LibriSpeech и Common Voice, а также частную выборку. Карточка указывает лицензию CC-BY-4.0. Модель предназначена для английской речи; качество на других языках и в условиях, отличающихся от обучающих данных, не подтверждено.