II.8Инженерия данных и аналитика

Zilo Instruct v2 SFT Filtered — дообученная Arcee AI модель на архитектуре Mistral для генерации текста по инструкциям и диалоговых ответов. Она обучена на наборе arcee-ai/Zilo-Filtered-SQL-Instruct-v2; в карточке указана оценка loss 0,5474 на наборе для оценки. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и принимает текстовый контекст длиной до 32 768 токенов. Датасет обучения указывает на специализацию на инструкциях, связанных с SQL, однако карточка не описывает конкретные возможности, качество на SQL-задачах или поддерживаемые естественные языки. Модель распространяется в формате safetensors по лицензии Apache-2.0. Данных о дополнительных ограничениях или рисках в карточке нет.

BAAI AquilaSQL-7B — диалоговая модель на архитектуре Aquila с 6,9 млрд параметров, разработанная BAAI. Она продолжает обучение базовой модели AquilaCode и предназначена для преобразования запросов на естественном языке в SQL; в карточке сообщается о высоком результате на лидерборде CSpider. Модель принимает текст и генерирует текст с SQL. Для семейства Aquila заявлена поддержка китайского и английского языков; контекст модели составляет 2048 токенов. Модель распространяется в формате PyTorch. Веса лицензированы по BAAI Aquila Model License Agreement, а исходный код семейства — по Apache 2.0; коммерческое использование допускается при соблюдении ограничений лицензии на веса. Карточка не приводит отдельной оценки качества AquilaSQL-7B и не описывает ограничения SQL-генерации, поэтому результат следует проверять на целевой схеме базы данных.

Auto-Fill Qwen3-8B Reasoning — языковая модель, разработанная для восстановления одного пропущенного значения в таблице. Это специалист рассуждений в системе Auto-Fill: таблица передаётся в виде Markdown pipe table с ячейкой [MISSING], а модель анализирует связи между строками и столбцами и возвращает предполагаемое значение и оценку уверенности в JSON. Модель основана на плотной архитектуре Qwen3ForCausalLM с 7,6 млрд параметров и контекстом до 40 960 токенов. Она дообучена полнопараметрическим SFT на 59 367 примерах с трассами рассуждений, дистиллированными из DeepSeek-R1; обучение описано для bf16 и ms-swift с DeepSpeed ZeRO-3. Модель рассчитана на англоязычные таблицы, в которых пропущена одна ячейка, и особенно подходит для случаев, где значение выводится из закономерностей внутри таблицы. В бенчмарке Auto-Fill специалист рассуждений отдельно показал средний Recall@Precision=0,9 в 0,418; ансамбль трёх специалистов с калибровкой уверенности достиг 0,628. Модель может уверенно ошибаться, особенно когда ответ требует знаний за пределами таблицы, поэтому для снижения риска следует применять порог уверенности и воздерживаться от заполнения при низкой оценке. Лицензия — Apache-2.0.

FinBERT-GICS Sector Classifier v3 — дообученная модель alemmrr на базе ProsusAI/finbert для классификации финансовых новостных заголовков по секторам стандарта GICS, включая класс Unknown. Это модель BERT с 136,7 млн параметров и контекстом до 512 токенов; метаданные указывают библиотеку Transformers и формат safetensors. Модель принимает английский текст. Перед заголовком следует добавлять распознанные сущности с тегами вроде [ORG], [LOC], [PER] и [GPE], чтобы передать структуру входа, на которой основан подход модели. Модель предназначена для автоматической разметки финансовых новостей, подготовки данных и секторного анализа в исследовательских и аналитических процессах. Её можно применять для группировки заголовков в панелях мониторинга и построения секторных индикаторов трендов и тональности. Лицензия — CC BY-NC 4.0. Качество зависит от наличия и согласованности названий компаний, тикеров и NER-тегов: общие заголовки без конкретных сущностей могут получать метку Unknown, а ошибки разметки сущностей снижают надёжность результата. Модель оптимизирована для коротких финансовых заголовков; точность может падать на длинных текстах, не относящихся к финансам и недостаточно представленных секторах. Она не предназначена для прогнозирования доходности, инвестиционных рекомендаций или решений с высокими финансовыми последствиями без проверки человеком.

TabFix — модель для обнаружения и исправления ошибок в табличных данных, разработанная Antix5. Она объединяет проверки по заданной схеме с дообученным энкодером mmBERT: правила выявляют нарушения форматов, допустимых значений, обязательных полей и связей, а нейросетевой компонент ищет остаточные ошибки кодировки и орфографии и предлагает замену ячейки с учётом исходного значения, схемы столбца и соседних строк. Конвейер рассчитан на очистку CSV-таблиц с XML-правилами столбцов и поддерживает английский, французский, нидерландский, немецкий, польский, греческий и японский языки. В репозитории указана архитектура ModernBERT с 307,8 млн параметров и контекстом до 8192 токенов; доступны веса safetensors и ONNX. Модель дообучена на 27 948 записях преимущественно синтетического набора tabular-errors-v1. На небольшом сбалансированном тесте из 76 таблиц весь конвейер исправил 48 из 67 ошибочных ячеек; 48 из 49 применённых изменений оказались правильными, а среди 8 600 корректных ячеек ошибочных изменений не наблюдалось. Эти результаты относятся к комбинированному конвейеру, а не только к нейросетевой модели. Модель предназначена для локальной проверки и очистки CSV с аудитом и просмотром предложенных изменений. Она может пропускать неподдерживаемые правила и форматы; противоречивые связи могут показать затронутые строки, не определяя неверное значение. Предложенная замена может быть семантически ошибочной, а данные синтетического обучения и небольшой тест не гарантируют качество на произвольных реальных таблицах. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

TableGPT2-7B — языковая модель Zhejiang University для анализа таблиц и задач, связанных со структурированными данными. Это дообученная модель семейства Qwen2.5 с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров. Она принимает текст и табличные данные, представленные в текстовом виде, например как результат df.head(), и формирует текстовые ответы. Модель предназначена для интерпретации таблиц, генерации кода, ответов на вопросы бизнес-аналитики и обработки запросов к базам данных и хранилищам. В карточке заявлена длина контекста 32 768 токенов; README приводит для обучения конфигурации контекст в 128K токенов, поэтому фактический предел использования следует сверять с настройками конкретной сборки. Модель отдельно описана как декодер, способный работать без специализированного семантического энкодера, интеграция которого ещё готовится. Основной акцент обучения сделан на китайских данных; поддержка других языков, включая английский, может быть ограниченной. Данные обучения имеют срез на октябрь 2024 года, поэтому модель не отражает более поздние сведения. Распространяется по лицензии Apache-2.0.

Kwai-AutoSQL-14B — 14-миллиардная плотная авторегрессионная языковая модель семейства Qwen3, дообученная Kwai-AutoSQL на базе Qwen/Qwen3-14B. Репозиторий содержит только веса в формате safetensors, без скриптов обучения и запуска. Модель предназначена для генерации текста в диалоговом режиме и специализирована на задачах, связанных с AutoSQL. Метаданные указывают контекст длиной до 40 960 токенов. Конкретные языки и подробности обучения в доступных материалах не описаны. Лицензия модели — Apache 2.0. Для работы потребуется совместимая среда инференса, например Transformers; README не приводит инструкций по настройке или оценок качества.

MOMENT-1-base — базовая модель семейства MOMENT, разработанная Auton Lab Университета Карнеги — Меллона для анализа временных рядов. Это предварительно обученная модель общего назначения, которую можно использовать без дополнительного обучения или адаптировать на целевых данных. Модель предназначена для прогнозирования временных рядов; семейство MOMENT также поддерживает классификацию, обнаружение аномалий, заполнение пропусков и обучение представлений. Она рассчитана на сценарии zero-shot и few-shot, а дообучение на данных конкретной задачи может улучшить результаты. Модель принимает временные ряды и выдаёт прогнозы или результаты анализа, соответствующие задаче. В карточке указаны форматы PyTorch и safetensors и лицензия MIT. Карточка не приводит размер модели, численные оценки качества или ограничения для конкретных типов данных. Перед применением в критичных сценариях качество следует оценить на целевых временных рядах.

Bashkir LID — компактный бинарный классификатор языка башкирского текста от автора репозитория failed09. Он относит входной текст к башкирскому языку (ba) или к категории «не башкирский» (non_ba), поэтому подходит для фильтрации корпусов, предварительной проверки текста после OCR и локальных приложений с инференсом на CPU. Модель использует символьные TF-IDF признаки char_wb с n-граммами длиной 2–5 и словные n-граммы длиной 1–2; линейный SGD-классификатор экспортирован в ONNX и запускается через ONNX Runtime. В карточке приведены результаты на тестах со слабыми или вручную заданными метками: 93,25% точности на наборе из 4 000 предложений. При пороге 0,50 классификатор сохранил 73% башкирских примеров и не пропустил ни одного из 3 000 небашкирских в указанном тесте. Это бинарный языковой фильтр, а не многоязычный детектор: он не определяет, какой именно язык стоит за меткой non_ba. Короткие строки, татарский и другой близкородственный текст, смешанные языки, имена и OCR-шум могут вызывать ошибки; оценки модели не следует считать откалиброванными вероятностями. Лицензия репозитория — Apache-2.0; исходные обучающие тексты не распространяются, и для них могут действовать условия исходных источников.

MOMENT-1-small — компактная модель семейства MOMENT для анализа временных рядов, разработанная Auton Lab при Университете Карнеги — Меллона. Это предобученная модель общего назначения: её можно применять к прогнозированию, классификации, обнаружению аномалий, заполнению пропусков и получению представлений временных рядов, а также дообучать на специализированных данных. Модель рассчитана на работу «из коробки» и может использоваться для прогнозирования без примеров для конкретной задачи или для классификации с небольшим числом примеров. В README приведены руководства и эксперименты для нескольких задач, включая классификацию ЭКГ. Модель распространяется по лицензии MIT. В предоставленных материалах не приведены численный размер модели, длина входного ряда или конкретные ограничения качества.

MultiTabQA — базовая модель для ответов на вопросы по нескольким таблицам, представленная Вайшали Пал, Эндрю Йейтсом, Евангелосом Канулисом и Маартеном де Рейке в работе о генерации табличных ответов для вопросов к нескольким таблицам. Модель построена на архитектуре TAPEX на базе BART: двунаправленный энкодер обрабатывает вход, а авторегрессионный декодер генерирует ответную таблицу. Размер модели — 95,2 млн параметров, контекст — до 1024 токенов. Модель предназначена для выполнения SQL-запросов над несколькими входными таблицами и поддерживает операции UNION, INTERSECT, EXCEPT и JOIN. Её можно применять для получения таблицы-ответа на естественно-языковой вопрос по связанным данным. В карточке указаны английский язык и лицензия MIT. Доступны веса в форматах PyTorch и safetensors.

RoBERTo — модель классификации текста, разработанная absltnull для различения боснийского, хорватского и сербского языков. Это дообученная XLM-RoBERTa-base с архитектурой Transformer для классификации последовательностей и 305,2 млн параметров. Модель принимает текст и возвращает одну из меток: bs, hr или sr. Контекст модели составляет 514 токенов по метаданным; в README указано, что при обучении использовались последовательности до 256 токенов. Модель предназначена для определения языка в наборах данных и балансировки корпусов на боснийском, хорватском и сербском. В README заявлена точность свыше 91% на неоднозначных и однозначных примерах тестирования, однако близость этих языков создаёт ошибки, особенно при различении боснийского и хорватского текста без характерных языковых признаков. Обучающие данные взяты из rsateam/sr-bs-hr-language-id и размечены по источнику публикации. Модель распространяется по лицензии MIT.

s2593817/sft-sql-embedding — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, предназначенная для сравнения и поиска по SQL-запросам. Она кодирует предложения и абзацы в плотные векторы размерности 768; архитектура объединяет MPNet, усреднение токенов и нормализацию. Для оценки сходства используется косинусная близость. Модель содержит 136,7 млн параметров, создана с библиотекой Sentence Transformers и обучалась на 300 000 парах SQL-запросов с оценками сходства с использованием CoSENTLoss. Модель подходит для семантического поиска SQL-запросов, ранжирования похожих запросов, поиска перефразировок и группировки запросов. Вход — текст; результат — векторное представление, которое можно сравнивать по косинусной близости. Метаданные указывают контекст до 514 токенов, тогда как README сообщает максимальную длину последовательности 384 токена. Язык данных явно не указан; обучающие примеры представлены SQL с англоязычными идентификаторами и ключевыми словами. Лицензия в предоставленных источниках не указана.

SpeechX — многозадачный классификатор коротких аудиозаписей, дообученный на энкодере OpenAI Whisper Base. Он одновременно предсказывает пол говорящего и язык речи: аудио преобразуется в лог-мел признаки, затем энкодер формирует представление размерности 512, которое поступает в две классификационные головы. Декодер Whisper не используется; модель содержит около 20,6 млн параметров и хранит веса в формате fp16. Модель предназначена для быстрой идентификации языка и определения пола по голосу, предварительной маршрутизации аудио в системы распознавания речи, аналитики звонков, профилирования голосовых помощников и разметки аудиоданных. README заявляет 109 языковых классов, точность определения пола 97,75%, top-1 точность языка 87,16% и top-5 97,10%; на NVIDIA L4 указана задержка 18,6 мс на одиночный клип. Модель принимает монофоническое аудио 16 кГц. Качество определения языка заметно зависит от объёма обучающих данных: для языков менее чем с 50 обучающими клипами результаты ненадёжны. На CPU одиночный клип обрабатывается примерно за 317 мс, поэтому сценарии реального времени ориентированы на GPU. Лицензия — Apache-2.0.

M4-ai/TinyMistral-248M-v2-cleaner — модель классификации текста на архитектуре Mistral с 215,2 млн параметров. Она предназначена для оценки качества примеров и очистки датасета Rhino; обучена с помощью TRL RewardTrainer на berkeley-nest/Nectar с формированием выборки во время обучения. Модель принимает текст и выдаёт логиты для классификации. В карточке указан контекст длиной до 32 768 токенов и предложено преобразовывать логиты в вероятности сигмоидой. Обучение проводилось на английском языке. Автор сообщает о среднем MSE loss 0,095 во время обучения, но не приводит независимую оценку качества. Модель распространяется по лицензии Apache-2.0.

nielsr/donut-base — базовая предварительно обученная модель семейства Donut, опубликованная пользователем nielsr на Hugging Face и основанная на подходе Donut, разработанном NAVER CLOVA. Это мультимодальная модель для понимания документов, которая обрабатывает изображение документа и генерирует текстовое представление результата без отдельного OCR-конвейера. Модель построена по архитектуре VisionEncoderDecoderModel: визуальный энкодер Donut Swin преобразует изображение, а декодер на базе mBART генерирует текст. В конфигурации указаны 12 слоёв энкодера, 4 слоя декодера и максимальная длина последовательности декодера 1536 токенов. В Hugging Face она классифицируется для задачи image-text-to-text и предназначена прежде всего как базовая модель для последующего дообучения под извлечение структурированных данных, классификацию и другие задачи понимания документов. Сильная сторона модели — единый end-to-end подход к анализу документов по изображениям. Это именно базовый чекпойнт, поэтому без дообучения он не гарантирует высокое качество на конкретной прикладной задаче; специализированные сценарии требуют подходящего датасета и настройки.

Granite-TimeSeries-PatchTST-FM-r1 — модель временных рядов от IBM, построенная на архитектуре PatchTST-FM. Она предназначена для прогнозирования временных рядов без дообучения на целевых данных и поддерживает вероятностные прогнозы с помощью квантильной головы. При наличии пропусков во входном контексте модель может одновременно восстанавливать пропущенные значения и прогнозировать будущие точки. Модель обучена на наборе разнородных временных рядов, синтетических данных и данных с аугментацией. Архитектура использует трансформер с размерностью 1024, патчи длиной 16 и 99 квантилей; README указывает около 260 млн параметров, тогда как метаданные репозитория — 335,5 млн. Контекст составляет 8192 точки и включает входной контекст и горизонт прогноза. Модель рассчитана на временные ряды, поэтому языковая поддержка к ней неприменима. README сообщает о результатах среди ведущих воспроизводимых zero-shot моделей на GIFT-Eval, но отмечает, что результаты ещё ожидали включения в бенчмарк. Модель распространяется по лицензии Apache-2.0. IBM указывает, что не обязуется предоставлять обновления или поддержку проекта.

LimiX-2 — модель семейства LimiX для работы со структурированными табличными данными, разработанная StableAI. В репозитории опубликованы веса на 400 млн параметров и код для инференса; модель использует архитектуру contextual mechanism network (CMN) и предварительно обучена методом context-conditional masked modeling на синтетических данных, созданных структурными причинными моделями. Модель выполняет классификацию и регрессию табличных данных, а также импутацию пропущенных значений одним предобученным чекпойнтом, без обновления параметров под конкретную задачу. В README сообщается о результатах на наборах TabArena, TALENT и BCCO и о способности восстанавливать причинный скелет по вниманию к признакам. В карточке Hugging Face основная задача обозначена как классификация табличных данных. Для запуска README указывает Python 3.12 или новее и зависимости PyTorch; для PyTorch и flash-attn требуется сборка, соответствующая локальной CUDA. Лицензия StableAI LimiX Non-Commercial License ограничивает использование некоммерческими целями.

Terminal-dataquerying — дообученная на базе Qwen/Qwen3-8B диалоговая языковая модель, созданная автором репозитория и обученная на наборах nemotron_easy_data_querying и nemotron_medium_data_querying. Она предназначена для генерации текста в сценариях запросов к данным; карточка не раскрывает конкретные форматы запросов или результаты оценки. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текст, выдавая текст. Метаданные указывают контекст длиной до 40 960 токенов и библиотеку Transformers. Языковые возможности соответствуют базовой многоязычной модели Qwen3-8B, но отдельные языки для этой версии не перечислены. Указана лицензия other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория и базовой модели.

dominguesm/xlm-roberta-base-lora-language-detection — мультиязычная модель для автоматического определения языка текста. Она разработана на базе xlm-roberta-base и дообучена методом PEFT-LoRA с классификационной головой для задач классификации последовательностей. Модель поддерживает 20 языков: арабский, болгарский, немецкий, современный греческий, английский, испанский, французский, хинди, итальянский, японский, нидерландский, польский, португальский, русский, суахили, тайский, турецкий, урду, вьетнамский и китайский. Дообучение проводилось на датасете papluca/language-identification: 70 тысяч обучающих, 10 тысяч валидационных и 10 тысяч тестовых примеров. На тестовой выборке заявлены accuracy и F1 на уровне 99,43–99,4%. Сильной стороной является высокая точность при поддержке нескольких языков и сниженные вычислительные и требования к хранению затраты благодаря LoRA, которая изменяет лишь небольшое число дополнительных параметров. Ограничение модели — классификация только указанных 20 языков; качество на текстах, отличающихся от распределения исходного датасета, в README отдельно не оценено. Лицензия — CC BY 4.0.

RoBERTo-v2 — модель классификации текста для определения боснийского, хорватского и сербского языков. Её разработал автор репозитория absltnull как дообученную версию absltnull/RoBERTo на основе XLM-RoBERTa Base. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает до 514 токенов. Веса сохранены в формате safetensors; лицензия — MIT. Модель предназначена прежде всего для определения языка в текстах на латинице, включая формальные и неформальные тексты. В README сообщается о точности около 87% на латинском тестировании; она лучше различает хорватский и сербский, чем боснийский, который чаще путает с ними. Для кириллицы модель не подходит: автор предупреждает о сильном смещении предсказаний в сторону сербского. Короткие и неоднозначные тексты, эмодзи, символы и тексты на языках вне этой языковой группы также могут приводить к ошибкам.

Apodex 1.1 Mini — модель рассуждений от Apodex для сложных исследовательских задач и прогнозирования на длинном горизонте. По описанию, она работает с файлами, данными, кодом и инструментами и предназначена для получения проверяемых результатов. Метаданные классифицируют её как модель генерации текста. Размер, архитектура, контекстное окно, поддерживаемые языки и лицензия в предоставленных данных не описаны.

Auto-Fill-Qwen3-8B-Coding — специализированная языковая модель семейства Qwen3, разработанная для системы Auto-Fill и дообученная командой авторов проекта на базе Qwen/Qwen3-8B. Она получает таблицу с одной ячейкой, отмеченной как [MISSING], и генерирует правило на Python с pandas для заполнения значения, когда между столбцами есть программная зависимость: например, арифметическое соотношение, преобразование строки или поиск по таблице. Если общего правила для столбца нет, модель обучена возвращать пустой код. Это плотная авторегрессионная модель на 7,6 млрд параметров с контекстом до 40 960 токенов. Она предназначена для английских таблиц, сериализованных в формате Markdown, и обучена на 52 741 примере с проверкой исполнения и точности кода. В составе Auto-Fill она работает параллельно со специалистами по знаниям и рассуждениям; система калибрует уверенность и может воздержаться от ответа. Лицензия — Apache-2.0. Модель особенно подходит для восстановления пропусков, объяснимых зависимостями внутри таблицы. В одиночку она хуже справляется с пропусками, требующими внешних знаний; в тестировании на бенчмарке её средний Recall@Precision=0.9 составил 0,344, тогда как у полной системы Auto-Fill — 0,628. Сгенерированный код следует исполнять в изолированной среде. Обучение и оценка проводились на таблицах с одной пропущенной ячейкой и длиной до 40 960 токенов.

HeackMT5-ZhCleanText1ML — дообученная модель mT5, созданная и поддерживаемая KongYang из Шанхайского университета Цзяотун. Она предназначена для очистки китайского текста: удаляет бессмысленные фрагменты и артефакты, стараясь сохранить исходную информацию. В редких случаях, когда модель уверена в результате, она может также кратко обобщить текст. Модель содержит 291,2 млн параметров и использует архитектуру MT5ForConditionalGeneration. Она обучена на миллионе строк данных; в карточке отмечена поддержка нескольких языков, однако README уточняет, что большие фрагменты текста не на китайском модель не обрабатывает. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

TabPFNMix Regressor — регрессионная модель для табличных данных, разработанная AutoGluon. Это табличная foundation-модель на основе 12-слойного Transformer encoder-decoder с 37 млн параметров. Она предварительно обучена на синтетических наборах данных, полученных от смеси случайных регрессоров, и использует обучение в контексте, подобное TabPFN и TabForestPFN. Модель предназначена для предсказания числовых значений по признакам таблицы. Её можно применять для табличной регрессии; README указывает на использование через AutoGluon. Модель распространяется в формате safetensors по лицензии Apache-2.0.

TAPEX base — модель Microsoft на архитектуре BART, обученная предварительно для рассуждений по таблицам через имитацию выполнения SQL-запросов. Она принимает таблицу и запрос на естественном языке или SQL и генерирует текстовый ответ, подходящий для задач вопросов и ответов по таблицам. Модель содержит 95,2 млн параметров, использует архитектуру encoder-decoder и имеет контекст длиной до 1024 токенов. Карточка указывает английский язык и лицензию MIT. Базовую версию можно применять для симуляции выполнения SQL над таблицами; для специализированных задач модель предполагается дообучать на размеченных наборах данных. В README также упоминается дообучение для проверки фактов по таблицам, однако основной тег модели — ответы на вопросы по таблицам.

dat-ai/bge-base-for_text2sql — англоязычная модель Sentence Transformer, дообученная разработчиком dat-ai на базе BAAI/bge-base-en-v1.5 для поиска и сопоставления текста в сценариях Text-to-SQL. Она преобразует текстовые фрагменты в плотные эмбеддинги размерностью 768, нормализует векторы и использует косинусное сходство; обучение проводилось на 56 355 примерах с контекстом и вопросом, связанными с генерацией SQL-запросов. Архитектура основана на BERT, максимальная длина входа — 512 токенов. Модель подходит для поиска релевантного контекста и вопросов по табличным данным, но сама SQL-запросы не генерирует. Лицензия — Apache-2.0.

uc-ctds/bge-large-en-v1.5-bio-mapping — англоязычная модель Sentence Transformers, дообученная на парах описаний биомедицинских переменных и соответствующих полей. Она создана для сопоставления и поиска семантически близких текстов, в частности для связывания названий и описаний переменных с полями биомедицинских наборов данных. Модель основана на BAAI/bge-large-en-v1.5 с архитектурой BERT, содержит 433,9 млн параметров и преобразует текст в нормализованные плотные векторы размерностью 1024; для сравнения подходит косинусное сходство. Модель принимает текст длиной до 512 токенов и ориентирована на английский язык. Её можно применять для семантического поиска, оценки сходства предложений, кластеризации и поиска соответствий между схемами данных. Лицензия — Apache-2.0.

Common-Voice-Gender-Detection-IND-En — дообученная модель на базе facebook/wav2vec2-base-960h, разработанная для бинарной классификации английской речи с целью определить, к какому из двух классов — female или male — отнести голос. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров. Модель рассчитана на речь на английском языке с индийским акцентом. Модель принимает аудио и выдаёт метку класса. В README приведены результаты на тестовой выборке: точность 99,46%, однако эти показатели не гарантируют такое же качество на других наборах данных и акцентах. Возможные сценарии применения — аналитика записей звонков, разметка аудиоколлекций и исследование акустических особенностей речи. Лицензия — Apache-2.0.

EnergyBert — модель на архитектуре BERT, разработанная для сопоставления схем в энергетической сфере. Она обучена на открытом научном корпусе и предназначена для связывания исходных энергетических данных с общей моделью данных, чтобы автоматизировать интеграцию разнородных источников. Репозиторий содержит модель примерно с 137 млн параметров в форматах PyTorch и safetensors; максимальная длина контекста — 512 токенов. Модель предоставляет эмбеддинги и подходит для извлечения признаков и оценки сходства предложений. Языки и условия лицензии в предоставленных источниках не описаны.