II.8Инженерия данных и аналитика

StrangeMerges_51-7B-dare_ties — текстовая генеративная модель, созданная Gille объединением пяти моделей с помощью LazyMergekit: WizardMath-7B-V1.1, NeuralCoder-7b, Einstein-v4-7B, Matter-0.1-Slim-7B-C-DPO и StrangeMerges_42-7B-dare_ties. Это плотная модель семейства Mistral с 7,1 млрд параметров; доступна в формате safetensors и имеет контекст до 32 768 токенов. Модель предназначена для генерации текста и может быть полезна для диалогов и инструкций, математических рассуждений и задач по программированию — эти направления представлены среди объединённых моделей. В README приведены результаты Open LLM Leaderboard, включая средний балл 71,73, однако без полной таблицы и описания методики эти показатели не позволяют оценить качество на конкретных пользовательских задачах. Модель распространяется по лицензии Apache-2.0. В карточке нет сведений о целевых языках и специальных мерах безопасности; фактическое качество объединения на конкретных задачах следует проверять отдельно.

NVIDIA Citrinet CTC 256 Librispeech — компактная модель распознавания английской речи, разработанная NVIDIA и распространяемая для NeMo. Это extra-small вариант архитектуры Citrinet-CTC примерно с 10 млн параметров; модель использует CTC-декодирование и обучена на 960 часах английской речи из LibriSpeech. Она принимает монофоническое аудио WAV с частотой дискретизации 16 кГц и возвращает транскрипцию в виде строки: строчными буквами английского алфавита, с пробелами и апострофами. Модель подходит для транскрибирования отдельных записей и пакетов аудиофайлов, а также как предварительно обученный чекпойнт для дальнейшего дообучения. Для развёртывания в производственных системах README указывает совместимость с NVIDIA Riva. В приведённых результатах WER составляет 3,8% на LibriSpeech test-clean и 9,8% на test-other при жадном декодировании. Качество может снижаться на технической лексике, разговорных вариантах речи и речи с акцентом, недостаточно представленных в обучающих данных. Модель выпущена под лицензией CC BY 4.0.

SynapseLLM-7B-Mistral-v0.2 — языковая модель WebraftAI на архитектуре Mistral с 7,1 млрд параметров. Это предварительно дообученная версия Mistral 7B v0.1: README описывает обучение на выборке из 140 тысяч примеров, включавшей инструкции по программированию и общие вопросы с ответами. Модель предназначена для диалоговых ответов и генерации кода по текстовым запросам; её можно загрузить через Transformers. Контекст модели составляет 32 768 токенов. Модель принимает текст и генерирует текст. В README заявлена поддержка только английского языка. По карточке обучение было ограниченным: один этап обучения на небольшой по охвату пользовательской выборке, поэтому качество в иных задачах может быть нестабильным. Лицензия — Apache 2.0.

Карточка модели 1289dfaj/text2vec-base-chinese на Hugging Face совпадает с карточкой shibing624/text2vec-base-chinese, поэтому описание составлено по ней. text2vec-base-chinese — модель эмбеддингов предложений, обученная проектом text2vec на базе hfl/chinese-macbert-base с методом CoSENT. Она кодирует китайские предложения и короткие абзацы в плотные векторы размерности 768 для семантического поиска, сопоставления текстов, кластеризации и оценки сходства. Модель построена на архитектуре BERT, содержит около 129,5 млн параметров и принимает последовательности длиной до 512 токенов по метаданным; README указывает усечение входа длиннее 256 WordPiece-токенов. Модель предназначена прежде всего для китайских текстов. В README описана настройка на китайских данных STS-B с контрастивной функцией потерь и приведены результаты на китайских наборах для сопоставления предложений. Доступны веса в форматах PyTorch, Safetensors, ONNX и OpenVINO; автор также сообщает об ускоренных вариантах ONNX и OpenVINO. Лицензия — Apache-2.0. Модель выдаёт векторы, а не готовые ответы или текст; для поиска и сравнения требуется последующая обработка эмбеддингов. Её специализация на китайском языке и усечение длинных входов ограничивают применение к другим языкам и длинным документам.

text2vec-base-chinese — модель эмбеддингов предложений, обученная проектом text2vec на базе hfl/chinese-macbert-base с методом CoSENT. Она кодирует китайские предложения и короткие абзацы в плотные векторы размерности 768 для семантического поиска, сопоставления текстов, кластеризации и оценки сходства. Модель построена на архитектуре BERT, содержит около 129,5 млн параметров и принимает последовательности длиной до 512 токенов по метаданным; README указывает усечение входа длиннее 256 WordPiece-токенов. Модель предназначена прежде всего для китайских текстов. В README описана настройка на китайских данных STS-B с контрастивной функцией потерь и приведены результаты на китайских наборах для сопоставления предложений. Доступны веса в форматах PyTorch, Safetensors, ONNX и OpenVINO; автор также сообщает об ускоренных вариантах ONNX и OpenVINO. Лицензия — Apache-2.0. Модель выдаёт векторы, а не готовые ответы или текст; для поиска и сравнения требуется последующая обработка эмбеддингов. Её специализация на китайском языке и усечение длинных входов ограничивают применение к другим языкам и длинным документам.

classifiedshadow/Trying — языковая модель для генерации текста и программного кода, опубликованная пользователем classifiedshadow. Она основана на Qwen2.5-Coder-3B-Instruct и предназначена для диалогового взаимодействия и решения задач, связанных с кодом.

timm/vit_base_patch16_plus_clip_240.laion400m_e31 — модель семейства CLIP с архитектурой ViT-B/16-plus и разрешением изображения 240 пикселей. Она обучена на наборе LAION-400M и доступна для использования через open_clip и timm. Модель сопоставляет изображения и текстовые описания, поэтому подходит для классификации изображений по текстовым меткам без отдельного дообучения на этих метках. Модель принимает изображения и текстовые варианты классов, а для классификации оценивает их соответствие. Веса опубликованы в форматах PyTorch и safetensors; лицензия — MIT. Карточка не приводит подробностей об ограничениях точности, языковом охвате или длине контекста.

Это модель автоматического распознавания речи на польском языке, разработанная Jonatas Grosman путём дообучения facebook/wav2vec2-xls-r-1b с помощью HuggingSound. Она использует архитектуру Wav2Vec2ForCTC и предназначена для преобразования польской речи в текст; в обучении использованы обучающая и валидационная части Common Voice 8.0, Multilingual LibriSpeech и Voxpopuli. Модель содержит 1,3 млрд параметров и принимает аудио с частотой дискретизации 16 кГц. Для распознавания польской речи её можно применять к аудиозаписям и речевым данным из различных источников. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Качество распознавания зависит от записи и соответствия входного аудио требованию 16 кГц; сведения о производительности в конкретных условиях в карточке не приведены.

ajikadev/wavlm-salt-eng — дообученная модель распознавания английской речи на основе microsoft/wavlm-base. Это плотная модель семейства WavLM с архитектурой WavLMForCTC, содержащая 113,3 млн параметров; она принимает аудио и преобразует речь в текст. Модель дообучена на многоголосом англоязычном наборе SUNBIRD/SALT - MULTISPEAKER-ENG. На оценочном наборе указаны loss 0,2244 и WER 0,2118. Модель подходит для транскрибации английской речи, в том числе записей с несколькими говорящими. Эти результаты относятся к указанному набору данных и сами по себе не гарантируют такое же качество на других типах аудио. Лицензия в предоставленных сведениях не указана.

Rziane/whisper-medium-aeb_TunCS — дообученная модель OpenAI Whisper medium для автоматического распознавания речи и преобразования аудио в текст. Она основана на openai/whisper-medium, имеет архитектуру WhisperForConditionalGeneration и содержит 455,8 млн параметров. Модель опубликована в формате safetensors и использует библиотеку Transformers. В карточке приведены результаты оценки: loss 0,5447 и WER 29,5377. Данные обучения и подробности о целевом языке или наборе данных не раскрыты, поэтому нельзя уточнить, для какой именно речи адаптирована модель. Лицензия — Apache-2.0.

Cadence — мультиязычная модель AI4Bharat для восстановления пунктуации в тексте, в том числе в расшифровках речи. Она основана на Gemma 3 1B: модель преобразована в двунаправленный энкодер и дообучена на больших текстовых корпусах. В Hugging Face она представлена с задачей token-classification и весами Safetensors; лицензия — MIT. Модель обрабатывает английский и 22 индийских языка, учитывая особенности разных письменностей. Она предсказывает точки, запятые, вопросительные и восклицательные знаки, кавычки, скобки и другие знаки. Один экземпляр работает с разными языками без отдельного указания языка; доступны пакетная обработка и скользящее окно для длинных текстов. Cadence подходит для восстановления пунктуации в текстах и речевых транскриптах на поддерживаемых языках. Для длинных входов поведение зависит от настройки скользящего окна: без неё текст длиннее максимальной длины обрезается. Токенизатор плохо поддерживает письмо мейтей; для манипури README рекомендует транслитерацию в бенгальское письмо. Для языков вне официального списка качество может различаться.

AmberYifan/capsd-marin-8b-base-code_qurating_b10000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. Она содержит около 7,5 млрд параметров и предназначена для генерации и продолжения текста; карточка указывает на дообучение на наборе capsd_marin-8b-base-n80000-opc__mix_code_qurating_b10000_s0, название которого указывает на смесь данных с кодом и задачей question answering, но подробности обучения не приведены. Модель использует плотную архитектуру LlamaForCausalLM, библиотеку Transformers и формат safetensors, поддерживает чат и имеет контекст до 4096 токенов. Базовая Marin 8B Base описана как англоязычная модель для генерации и продолжения текста, поэтому английский — основной язык модели. Лицензия обозначена как other, без дополнительных условий в предоставленных данных; перед применением следует проверить лицензию репозитория. README не приводит оценок качества, поэтому пригодность для кода и ответов на вопросы стоит проверять на целевых примерах.

Это преобразованная версия CodeGen2-1B от Salesforce, подготовленная Майклом Файлем для FauxPilot. Веса CodeGen2 представлены в архитектуре GPT-J и доступны в форматах PyTorch и Safetensors; модель относится к семейству GPT-J с плотной архитектурой GPTJForCausalLM. Контекст составляет 2048 токенов. Модель предназначена для генерации кода по текстовым подсказкам и продолжения незавершённых фрагментов, включая заполнение пропусков внутри кода. README указывает поддержку C, C++, C#, Dart, Go, Java, JavaScript, Kotlin, Lua, PHP, Python, Ruby, Rust, Scala, Shell, SQL, Swift, TypeScript и Vue. Обучение проводилось на разрешающей подвыборке дедуплицированного Stack v1.1; для infilling используются специальные токены CodeGen2. Качество генерации и корректность кода требуют проверки; заявленное назначение — программный синтез, особенно по подсказкам на английском языке. Лицензия — Apache-2.0.

Azma-AI/deberta-base-multi-label-classifier — модель DeBERTa-v3-base, дообученная с многозадачным обучением на 600 задачах классификации и понимания языка. Она предназначена для классификации текста по заданным категориям без отдельного обучения на этих категориях, а также для задач определения языкового следования и дальнейшей адаптации под новые задачи. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и принимает текст длиной до 512 токенов. В README отмечена высокая точность zero-shot-проверки на ряде задач; также заявлена совместимость с tasksource-adapters. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

Модель fyaronskiy/deberta-v1-base-russian-go-emotions разработана на основе deepvk/deberta-v1-base и дообучена для распознавания эмоций в русскоязычных текстах. Это энкодер DeBERTa с классификационной головой; модель содержит 151,8 млн параметров и принимает последовательности длиной до 512 токенов. Модель выполняет многометочную классификацию по 27 категориям эмоций из набора ru_go_emotions: она может выделять несколько эмоций в одном тексте или проверять наличие конкретных эмоций. Пороговые значения для классов подобраны на валидационной выборке с максимизацией macro F1. Качество заметно различается между категориями: в карточке отмечены хорошие результаты для amusement, gratitude и fear, а распознавание relief и realization даётся модели сложнее. Модель распространяется по лицензии MIT.

strangervisionhf/deepseek-ocr-latest-transformers — экспериментальная копия весов DeepSeek OCR с исправленной конфигурацией для совместимости с актуальными версиями библиотеки Transformers. Модель семейства DeepSeek-VL-v2 имеет архитектуру DeepseekOCRForCausalLM, содержит 559,7 млн параметров и принимает изображения для генерации текстового ответа; её основное назначение — распознавание текста на изображениях и задачи визуально-языкового взаимодействия. Для работы в карточке приведён пример с Transformers 4.57.1, PyTorch и CUDA. Указаны английский язык и контекст 8192 токена. Модель распространяется по лицензии MIT. Автор предупреждает, что эта версия экспериментальная, рекомендует использовать более новые версии и сообщает, что копия весов не предназначена для иных целей.

Это конверсия в формат MLX модели diar_sortformer_4spk-v1 от NVIDIA, подготовленная сообществом mlx-community с помощью mlx-audio 0.3.2. Модель предназначена для офлайн-разметки речи по говорящим и определения активности голосов: она обрабатывает монофоническое аудио с частотой 16 кГц и выдаёт вероятности активности говорящих для каждого временного кадра, поддерживая до четырёх говорящих. Архитектура включает FastConformer из 18 слоёв, Transformer Encoder из 18 слоёв и модули Sortformer; используются 80 мел-фильтров. Языковые характеристики, размер и длина контекста в предоставленных данных не описаны. Условия лицензии не приведены, поэтому определить их по этой карточке нельзя.

EVA-QwQ-32B-Coder-Preview — объединённая языковая модель, созданная автором win10 с помощью mergekit и метода TIES на базе EVA-Qwen2.5-32B-v0.2. В слияние также вошли Qwen/QwQ-32B-Preview и Qwen/Qwen2.5-Coder-32B-Instruct. Модель построена на архитектуре Qwen2, содержит 32 млрд параметров и предназначена для генерации текста в диалоговом формате. Каталог указывает контекст до 131 072 токенов. Вклад Qwen2.5-Coder предполагает пригодность для генерации и анализа кода, однако README не описывает отдельные результаты или проверенные сценарии для этой объединённой модели. Модель распространяется в формате safetensors и использует библиотеку Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

GemCod-R-Sapphire-270M — компактная текстовая модель для генерации кода, созданная DireDreadlord на базе Gemma 3 и дообученная методом SFT на наборе Code-Reasoning-4k. Она предназначена для генерации фрагментов и более длинных программ по инструкциям на естественном языке, а также для пояснений к коду и ответов на вопросы по программированию. Модель использует плотную архитектуру Gemma3ForCausalLM, содержит около 257 млн параметров и поддерживает контекст до 32 768 токенов. Карточка заявляет поддержку основных языков программирования и описывает её как пригодную для запуска на ноутбучных GPU; основной язык карточки — английский. Модель распространяется по лицензии Gemma. Это экспериментальная модель: заявленные в карточке улучшения рассуждений и снижение галлюцинаций не подкреплены приведёнными оценками, поэтому сгенерированный код и объяснения нужно проверять. Карточка прямо рекомендует экспериментальное использование.

gemma-4-12B-coder-fable5-composer2.5-nvfp4 — это квантизированная MLX-версия дообученной модели Gemma 4-12B coder. Исходную fine-tune-модель разработал yuxinlu1, а данный вариант подготовил Sourav Singh для локального инференса на Apple Silicon. Модель ориентирована прежде всего на генерацию кода, задачи программирования и алгоритмическое рассуждение; заявлена поддержка reasoning channel. Модель использует архитектуру Gemma 4 Unified с текстовыми, визуальными и аудиокомпонентами, однако конкретные языки и размер контекстного окна в README не указаны. Основная часть весов представлена в формате NVFP4 с 4-битной плавающей точностью и group size 16; attention-модули o_proj и vision/audio projectors сохранены в 8-битном формате. Заявлены загрузка примерно за 1,7 секунды, объём около 6,8 ГБ и скорость декодирования около 28 токенов в секунду на M4 Pro. В тестах модель показала высокие результаты на HumanEval и MBPP, существенно превосходя базовую Gemma 4-12B-it в задачах программирования, но уступая ей на математическом бенчмарке GSM8K. Это специализированный MLX-чекпойнт для работы через Krill и не является совместимым с vanilla mlx_lm, mlx_vlm, llama.cpp, Ollama, transformers или vLLM. Для запуска требуется движок с поддержкой архитектуры gemma4_unified и смешанной конфигурации NVFP4. Модель распространяется по лицензии Gemma; права на исходную fine-tune-модель принадлежат её автору, а данный репозиторий изменяет квантизацию и упаковку.

HelpingAI-Lite-4x1b — языковая модель семейства Mixtral, созданная Abhaykoul как MoE-объединение четырёх моделей с помощью VortexMerge kit. Эксперты включают OEvortex/HelpingAI-unvelite, OEvortex/lite-hermes, OEvortex/HelpingAI-Lite и OEvortex/HelpingAI-Lite-1.5T; в конфигурации указаны базовая модель OEvortex/HelpingAI-Lite, режим маршрутизации cheap_embed и точность float16. Модель предназначена для диалогового общения, общих запросов и помощи с кодом. В метаданных указаны 1 млрд параметров, контекст до 2048 токенов и формат safetensors. Модель принимает текст и генерирует текст; сведения о поддерживаемых естественных языках в карточке не приведены. Распространяется по лицензии Apache-2.0. README описывает объединение моделей, но не приводит сравнительных оценок качества или подробностей о поведении маршрутизатора.

LeeGH04/klue-roberta-base-klue-sts — модель Sentence Transformers, дообученная на базе klue/roberta-base для сравнения смысла корейских предложений. Она использует архитектуру RoBERTa с усреднением токенных представлений и преобразует текст в плотные векторы размерностью 768; сходство между ними оценивается косинусной мерой. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации корейских текстов. Модель принимает последовательности длиной до 512 токенов (в метаданных указано 514 токенов контекстного окна). В README приведены результаты оценки сходства, включая Spearman 0,924 на одном из наборов данных; результаты на другом наборе заметно ниже. Доступна в формате safetensors и рассчитана на использование с библиотекой Sentence Transformers. Лицензия в предоставленных данных не указана.

LightOnOCR-2-1B-GGUF — набор GGUF-квантизаций модели LightOnOCR-2-1B, разработанной LightOnAI. Модель предназначена для преобразования изображений в текст, в частности для задач OCR и извлечения текстовой информации из визуальных документов. В README указано, что доступны варианты с разным уровнем квантизации: BF16, F16, Q8_0, Q6_K, Q5_K_M, IQ4_NL, IQ4_XS и Q4_K_M. Рекомендуется выбирать вариант максимально высокого качества, доступный в используемой системе; для мультимодального проектора mmproj предпочтителен формат F32. Более компактные варианты, вероятно, удобнее при ограниченных ресурсах, но README не содержит количественных сведений об их требованиях к памяти, точности, архитектуре, размере контекста, языках и поддерживаемых форматах изображений. Модель может быть полезна для локального распознавания текста на изображениях и работы с визуальными документами. Сильной стороной является наличие нескольких уровней квантизации, позволяющих выбирать компромисс между качеством и ресурсопотреблением. Ограничения и условия лицензирования в README не указаны.

Это дообученная модель Llama 3.2 1B Instruct, разработанная ai-nexuz на базе unsloth/Llama-3.2-1B-Instruct. Она предназначена для диалоговых ответов и следования инструкциям с акцентом на логические рассуждения, решение математических задач, генерацию и отладку кода. Модель имеет плотную архитектуру LlamaForCausalLM, около 1,2 млрд параметров и контекст до 131 072 токенов; работает с текстом и выдаёт текст. Модель подходит для создания учебных помощников, решения задач по математике и логике, а также программирования. Дообучение выполнено на наборе kanhatakeyama/wizardlm8x22b-logical-math-coding-sft с использованием Unsloth. README отмечает, что ответы могут быть неточными при неоднозначных запросах, а качество может снижаться для узкоспециализированных языков программирования. Лицензия — Apache 2.0.

Карточка модели SakanaAI/Llama-3-8B-Instruct-DB-Expert на Hugging Face совпадает с карточкой SakanaAI/Llama-3-8B-Instruct-Coding-Expert, поэтому описание составлено по ней. Sakana AI разработала Llama-3-8B-Instruct-Coding-Expert — экспериментальную авторегрессионную языковую модель семейства Llama на 7,5 млрд параметров, основанную на Llama-3-8B-Instruct. Модель предназначена для генерации текста в диалоговом режиме и ориентирована на задачи программирования; в README указаны обучающие данные Magicoder-Evol-Instruct-110K и Magicoder-OSS-Instruct-75K. Модель принимает текст и генерирует текст. Метаданные указывают английский язык и контекст до 8192 токенов. В README модель представлена как один из экспертных компонентов набора Llama-3-CycleQD. Это экспериментальный прототип для исследований и разработки: авторы не рекомендуют коммерческое использование и развертывание в критически важных средах, а качество результатов не гарантируется. Лицензия — Meta Llama 3 Community License.

Карточка модели Phyoe717/Llama-3-Groq-70B-Tool-Use на Hugging Face совпадает с карточкой Groq/Llama-3-Groq-70B-Tool-Use, поэтому описание составлено по ней. Groq Llama-3-Groq-70B-Tool-Use — языковая модель Groq на архитектуре Llama 3, дообученная с помощью полного fine-tuning и Direct Preference Optimization на базе Meta Llama 3 70B. Модель содержит 69,5 млрд параметров, принимает и генерирует текст, поддерживает контекст до 8192 токенов и рассчитана прежде всего на английский язык. Модель предназначена для вызова функций и инструментов: взаимодействия с API, манипуляций со структурированными данными и выполнения сложных последовательностей действий через инструменты. В README указан результат 90,76% на Berkeley Function Calling Leaderboard. Для общих знаний и свободного диалога специализированная настройка может быть менее подходящей; ответы могут быть неточными или предвзятыми, а результат чувствителен к настройкам temperature и top_p. Модель распространяется по лицензии Meta Llama 3 Community License. README описывает её применение в исследованиях и разработке сценариев использования инструментов.

Modern-LiBERTa — украиноязычная модель Goader, созданная Майколой Галтиюком и Александером Смывиньским-Полем из AGH University of Krakow. Это предварительно обученный энкодер на архитектуре ModernBERT, рассчитанный на анализ украинского текста с длинным контекстом. Модель обучена на корпусе Kobza объёмом около 60 миллиардов токенов; размер модели — 408,7 млн параметров, длина контекста — до 8192 токенов. Модель предназначена для задач понимания и разметки текста, включая заполнение пропусков, распознавание именованных сущностей и определение частей речи. В оценках авторов она показала результаты на наборах NER-UK, WikiANN, UD POS и классификации новостей. Для токенизации используется код из репозитория модели, поэтому при загрузке токенизатора в Transformers требуется включить trust_remote_code. Модель работает с текстом на украинском языке и выдаёт контекстуальные представления для последующей обработки. Репозиторий распространяется по лицензии CC BY 4.0.

MyAwesomeModel — модель семейства BERT для извлечения признаков из текста, разработанная владельцем репозитория safafa34235 и предназначенная для использования через библиотеку Transformers на PyTorch. Основная задача модели — преобразовывать текстовые входы в векторные представления, пригодные для последующей обработки в прикладных ML-системах. README также заявляет о возможностях рассуждения, ответов на вопросы, классификации, генерации текста, программирования, суммаризации, диалога, function calling и работы с файлами или веб-поиском. Однако эти сценарии не согласуются с pipeline-тегом feature-extraction и не подтверждены техническими метаданными модели, поэтому их следует рассматривать как заявленные в карточке, а не как надежно установленные возможности данной конфигурации. Модель распространяется по лицензии MIT и интегрируется с экосистемой Transformers. В карточке не приведены точные сведения о числе параметров, контекстном окне, поддерживаемых естественных языках и результатах воспроизводимой оценки для этой конкретной модели.

OWSM v4 base 102M — открытая мультиязычная модель распознавания речи из серии Open Whisper-style Speech Model, разработанная командой ESPnet под руководством Yifan Peng из CMU. Это encoder-decoder модель с 102 млн параметров, обученная на 320 тысячах часов публичных аудиоданных. Она предназначена для распознавания речи, определения языка, перевода речи и предсказания временных меток высказываний; поддерживает также длинные записи и перевод. Модель принимает аудио с частотой 16 кГц, обрабатывает его фрагментами до 30 секунд и доступна для запуска через ESPnet. OWSM v4 улучшает качество определения языка и мультиязычного распознавания по сравнению с OWSM v3.1. Она использует восьмикратное прореживание log-Mel-признаков, что даёт разрешение энкодера 80 мс. В карточке модели не перечислены отдельные поддерживаемые языки, поэтому конкретные языки здесь не указаны. Лицензия — CC BY 4.0.

palmyra-mini-thinking-AIO-GGUF — набор GGUF-вариантов семейства Palmyra Mini, разработанного Writer и опубликованного в формате GGUF пользователем или организацией prithivMLmods. В состав входят варианты palmyra-mini, palmyra-mini-thinking-a и palmyra-mini-thinking-b с разными уровнями квантования: от Q2_K до Q8_0, а также BF16, F16 и F32. Модель предназначена для генерации текста, программирования и решения математических задач на английском языке. Сильной стороной семейства является рассуждение в задачах с пошаговым решением: заявлены результаты 0,818 на GSM8K и MATH500, а также 0,6 на AMC23. Это делает модели подходящими для учебной математики, количественного анализа, ответов на вопросы и задач, связанных с кодом. Доступны файлы размером примерно от 676 МБ до 7,11 ГБ в зависимости от варианта и точности. README не содержит сведений об архитектуре, числе параметров, размере контекста, поддерживаемых дополнительных модальностях или сравнении качества между вариантами, поэтому эти характеристики нельзя определить. Распространение указано по лицензии Apache-2.0.