II.8Инженерия данных и аналитика

Jingmiao/whisper-small-chinese_base — дообученная модель распознавания речи на архитектуре Whisper Small, разработанная на основе openai/whisper-small. Она предназначена для преобразования китайской речи в текст; обучение проводилось на китайской части набора google/fleurs (cmn_hans_cn). Модель содержит 153,1 млн параметров и опубликована в формате PyTorch. На указанном в карточке наборе для оценки модель достигла значения WER 16,6439 и loss 0,3573. Лицензия Apache-2.0.

XLM-RoBERTa-XL — крупная многоязычная модель на архитектуре RoBERTa, разработанная авторами статьи Naman Goyal, Jingfei Du, Myle Ott, Giri Anantharaman и Alexis Conneau. Она предварительно обучена на 2,5 ТБ отфильтрованных данных CommonCrawl на 100 языках с целью masked language modeling: модель восстанавливает замаскированные слова, используя контекст с обеих сторон. Число параметров — 4,4 млрд, максимальная длина контекста — 514 токенов. Модель подходит для заполнения пропусков в тексте и извлечения многоязычных представлений для дообучения под классификацию последовательностей и токенов, а также ответы на вопросы. Она предназначена прежде всего для задач, анализирующих предложение целиком; для генерации связного текста README рекомендует авторегрессионные модели. Модель распространяется под лицензией MIT.

geninhu/xls-asr-vi-40h-1B — модель распознавания речи на вьетнамском языке, разработанная путём дообучения facebook/wav2vec2-xls-r-1b на 40 часах данных FPT Open Speech Dataset и Common Voice 7.0. Это модель архитектуры wav2vec2 с классом Wav2Vec2ForCTC и 1,3 млрд параметров; она принимает аудио и выдаёт текстовую транскрипцию. Модель предназначена для преобразования вьетнамской речи в текст. В карточке приведены результаты оценки на VIVOS и Common Voice 7.0/8.0 с языковой моделью 4-грамм и без неё. Для Apache-2.0 лицензии допускается использование и распространение на её условиях.

Модель anton-l/xtreme_s_xlsr_300m_voxpopuli_en — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания английской речи. Она использует архитектуру wav2vec2 с CTC-декодированием и содержит 402,7 млн параметров. Модель предназначена для преобразования аудиозаписей на английском языке в текст, в частности для распознавания речи из набора VoxPopuli.EN. На оценочной выборке указаны WER 0,1549 и CER 0,0966. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка не описывает ограничения распознавания и условия работы с разными акустическими условиями.

Карточка модели qihoo360/360Zhinao-7B-Chat-32K на Hugging Face совпадает с карточкой qihoo360/360Zhinao-7B-Base, поэтому описание составлено по ней. 360Zhinao-7B-Base — базовая авторегрессионная языковая модель семейства 360Zhinao, разработанная командой 360 (Qihoo 360). Модель содержит 7,1 млрд параметров и обучена на корпусе объёмом 3,4 трлн токенов, преимущественно на китайском и английском языках, а также на коде. Это базовая, а не чат-версия; для диалогового применения в серии отдельно выпущены модели Chat. Модель предназначена для генерации текста и служит основой для задач понимания языка, работы со знаниями, математики, логических рассуждений и генерации кода. Она поддерживает контекст до 4096 токенов, построена на архитектуре ZhinaoForCausalLM и распространяется в формате safetensors для Transformers. README сообщает о сравнительной оценке базовой модели на наборах OpenCompass, включая C-Eval, MMLU, GSM8K и HumanEval. Лицензия — Apache-2.0. Как базовая языковая модель, она не настроена специально для следования инструкциям или ведения диалога; качество ответов зависит от промпта и сценария применения.

sentence-transformers/bert-base-nli-mean-tokens — модель Sentence-Transformers на архитектуре BERT, обученная командой Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и использует контекст до 512 токенов; для получения вектора применяется pooling контекстных представлений токенов. Модель подходит для поиска похожих фраз и документов, группировки текстов по смыслу и построения эмбеддингов для последующей обработки. В карточке указана лицензия Apache-2.0. Авторы пометили модель как устаревшую и предупреждают о низком качестве эмбеддингов; для новых проектов рекомендуют выбрать более современную модель Sentence-Transformers.

onnx-community/bge-small-zh-v1.5-ONNX — это версия модели BAAI/bge-small-zh-v1.5 с весами в формате ONNX, подготовленная для использования с библиотекой Transformers.js. В README не указано, кто именно выпустил эту ONNX-версию; исходная модель связана с BAAI. Модель предназначена для извлечения признаков из текста и может применяться в сценариях, где требуются векторные представления, например для семантического поиска или сравнения текстов. Она рассчитана прежде всего на китайскоязычные данные, что следует из идентификатора исходной модели, однако подробный перечень поддерживаемых языков и характеристики контекстного окна в README не приведены. Ключевая особенность модели — совместимость с Transformers.js и возможность запуска через задачу feature-extraction, в том числе в JavaScript-средах. Архитектура, размер модели, точные модальности и другие технические параметры в предоставленных данных не указаны. Лицензия также не указана, поэтому условия использования необходимо уточнять в карточке исходной модели BAAI/bge-small-zh-v1.5 или в репозитории модели.

Модель antoinelouis/biencoder-camembert-base-mmarcoFR — плотный биэнкодер для семантического поиска на французском языке, разработанный Antoine Louis. Она кодирует запросы и фрагменты текста в отдельные векторы размерностью 768 и оценивает их релевантность по косинусному сходству. Модель построена на CamemBERT-base и дообучена на французской части mMARCO, включая сложные отрицательные примеры, полученные от плотных поисковых систем. Модель предназначена для поиска passage по запросу, ранжирования найденных фрагментов и построения семантического поиска по французским коллекциям документов. В README указаны максимальная длина последовательностей 128 токенов при обучении, а метаданные задают контекст модели в 514 токенов; для вычисления эмбеддингов предлагаются Sentence-Transformers, FlagEmbedding и Transformers. Лицензия — MIT.

CamemBERTa — франкоязычная языковая модель с архитектурой DeBERTa V3 на базе DeBERTa V2, представленная авторами этого чекпойнта. Это плотная модель на 137,8 млн параметров, обученная на французской части корпуса CCNet с целью Replaced Token Detection (RTD); при предобучении использовались последовательности длиной до 512 токенов. Метаданные указывают поддержку извлечения признаков, а README приводит результаты дообучения для разметки частей речи, синтаксического анализа, распознавания именованных сущностей, классификации, определения семантического сходства, межъязыкового вывода и ответов на вопросы.

nielsr/canine-s — репозиторий с весами CANINE-S, опубликованный nielsr на Hugging Face; сама модель разработана Google и представляет собой многоязычный энкодер-трансформер для представления текста. Модель содержит 113,2 млн параметров и принимает текст на уровне символов Unicode без обычного токенизатора; при предобучении она предсказывает субсловные токены по символьному вводу. Метаданные указывают контекст до 16 384 токенов. Модель предназначена прежде всего для извлечения признаков и последующей тонкой настройки для задач классификации последовательностей и токенов, а также ответов на вопросы. Она обучалась на многоязычных данных Википедии для 104 языков. Это не модель для генерации текста; лицензия Apache-2.0 указана для исходной модели Google CANINE-S.

CAT-Paws-8B — диалоговая агентная языковая модель CyberAgent для многошаговых взаимодействий, включая программирование, работу с терминалом и использование инструментов. Она объединяет Qwen3-8B и Qwen3-Swallow-8B-CPT-v0.2; архитектура — плотная Qwen3ForCausalLM, размер — 7,6 млрд параметров. Модель работает с текстом и рассчитана прежде всего на японский язык: цепочка рассуждений обычно формируется на японском, даже если запрос дан по-английски. Поддерживает японский и английский, контекст составляет 40 960 токенов; доступна в формате safetensors для Transformers. Модель предназначена для агентных сценариев с несколькими ходами, где инструкции и формат вызова инструментов передаются в системном сообщении или запросе. Специальный интерфейс для вызова инструментов модель не обучена принимать. По результатам авторских оценок CAT-Paws сопоставима с Qwen3-8B в агентных задачах на английском и немного превосходит её на японском, но уступает другим моделям в одноходовых задачах программирования и математики. Она может повторяться, выдавать длинные ответы и включать рассуждения даже при просьбе этого не делать; длинные системные инструкции ухудшают работу. Модель распространяется по лицензии Apache-2.0.

code-daemon-denoise-v1 — двуязычный фильтр словаря, созданный автором репозитория на основе intfloat/multilingual-e5-small. Он оценивает отдельную словоформу как полезный технический термин или лишний элемент поискового словаря, чтобы очищать лексику, собранную из кода, документации, комментариев и сообщений коммитов. Модель подходит для английских и русских текстов в программных корпусах и рассчитана на пакетную обработку коротких однословных входов. В основе — замороженный энкодер семейства XLM-RoBERTa с архитектурой BertModel и 384-мерными нормализованными эмбеддингами; поверх него обучена логистическая регрессия, сведённая к одному аффинному преобразованию. В README описаны варианты ONNX, OpenVINO, TensorRT и другие сборки; метаданные указывают 124,3 млн параметров, контекст 512 токенов и лицензию Apache-2.0. Для корректной оценки необходимо добавлять префикс «vocab: »; README рекомендует порог strip_threshold 0,95 и указывает, что модель не предназначена для предложений, языков вне латиницы и кириллицы или терминологии за пределами программной области.

evewashere/cohere-transcribe-03-2026-ungated — публичное зеркало модели Cohere Transcribe, созданное для загрузки без токена доступа к gated-репозиторию. Исходную модель разработали Cohere и Cohere Labs. Это специализированная модель распознавания речи с архитектурой Cohere ASR и 2 млрд параметров; она принимает аудио и выдаёт текст. Поддерживает арабский, немецкий, греческий, английский, испанский, французский, итальянский, японский, корейский, нидерландский, польский, португальский, вьетнамский и китайский языки. Модель предназначена для транскрибации речи, в том числе в приложениях и сервисах с локальным или серверным инференсом. Разработчики заявляют высокую точность на 14 языках и скорость до трёх раз выше других специализированных ASR-моделей сопоставимого размера. Репозиторий использует формат Safetensors и поддерживается Transformers и vLLM. Лицензия — Apache-2.0. Лучшие результаты модель показывает, когда язык аудио заранее задан и остаётся одним из поддерживаемых. В ней нет автоматического определения языка, временных меток и разделения речи по говорящим; на смешанной речи качество непостоянно. Модель может ошибочно транскрибировать тихий фоновый шум, поэтому для таких записей полезны VAD или шумовой фильтр.

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.

Это визуальный энкодер ConvNeXt-Base из семейства CLIP, опубликованный в библиотеке timm. Веса обучены на данных LAION при разрешении изображения 320 пикселей; модель предназначена для извлечения признаков изображений и получения векторных представлений для последующего поиска или сравнения. Модель принимает изображения и выдаёт векторы признаков. Это только визуальная часть CLIP: текстовый энкодер и генерация текста в репозитории не представлены. Модель распространяется в форматах PyTorch и Safetensors под лицензией Apache-2.0; использовать её можно в приложениях, совместимых с timm.

Moritz Laurer разработал deberta-v3-base-zeroshot-v1.1-all-33 для классификации текстов без заранее заданного набора меток. Модель преобразует задачу в проверку гипотезы: следует ли из текста заданное утверждение; результат относится к классам entailment и not_entailment. Это позволяет задавать собственные категории и формулировки через шаблоны гипотез. Модель основана на DeBERTa-v3-base с архитектурой DeBERTa-v2 для классификации последовательностей, содержит 211,6 млн параметров и обрабатывает контекст до 512 токенов. Обучение проводилось на английских данных: пяти наборах NLI и 28 задачах классификации, преобразованных в общий формат, всего с 387 классами. Её можно применять для тональности, тематики, эмоций, токсичности, спама и других текстовых категорий. Несмотря на универсальный формат, модель предназначена только для классификации текста и обучена только на английском языке; для других языков автор рекомендует переводить текст на английский. Для части обучающих задач использовалось до 500 примеров на класс, поэтому показатели на этих наборах не отражают полностью сценарий классификации без примеров. Возможны смещения, унаследованные от обучающих данных. Модель доступна под лицензией MIT; для работы используются Transformers и SentencePiece, а старые версии Transformers могут вызывать ошибки токенизатора.

Team-Coffee-Gym/DS-Coder-7B-PPO-CoffeeEval — модель семейства Llama, обученная с помощью PPO на COFFEE-GYM. Она генерирует текстовую обратную связь для ошибочного кода и предназначена для сценариев, где нужно объяснить проблему или помочь пользователю исправить ошибку. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 16 384 токенов. Метаданные указывают на возможность чат-взаимодействия. Лицензия в предоставленных данных не указана.

DualBigLittle-MoE-Qwen3-0.6b — экспериментальная модель генерации текста от автора aifeifei798, построенная на базе Qwen3-0.6B. По карточке, архитектура сочетает замороженную языковую основу, специализированную STEM-копию MLP и маршрутизируемые LoRA-микроэксперты; заявленное число параметров — 507,9 млн. Модель предназначена для диалогов и генерации текста, с упором на код, алгоритмы, математику и символическую логику при сохранении общих разговорных и литературных навыков. Карточка описывает загрузку части экспертов из оперативной памяти через PCIe с двойной буферизацией и приводит оценки на профильных наборах, однако эти результаты являются заявлениями автора и не подтверждают качество на широком круге задач. Метаданные указывают контекст 40 960 токенов, библиотеку Transformers и формат safetensors. Модель поддерживает текстовый ввод и выдаёт текст; указание на Qwen3 предполагает прежде всего китайский и английский языки, но языковые теги в метаданных отсутствуют. Лицензия — Apache-2.0.

BuzzASR/dutch — одноязычная модель автоматического распознавания речи на нидерландском языке, разработанная как часть набора BuzzASR из 102 специализированных ASR-моделей. Это дообученная версия Whisper large-v3 от OpenAI: модель использует архитектуру Whisper и токенизатор исходной модели, а настройка выполнена для распознавания речи. Веса доступны в формате Safetensors; размер модели — около 905,2 млн параметров. Модель предназначена для транскрибации нидерландской речи. В README приведены результаты на тестовых наборах FLEURS и Common Voice 25; авторы сообщают о снижении CER относительно Whisper large-v3 без дообучения на объединённом тесте. Модель поддерживает только нидерландский язык. Качество на других доменах и диалектах может отличаться от результатов на указанных тестовых наборах. Модель распространяется по лицензии MIT.

capemox/ettin-encoder-17m-pretrain-50m — компактный энкодер для поиска по смыслу и извлечения эмбеддингов, разработанный на основе jhu-clsp/ettin-encoder-17m. Это чекпойнт первого этапа обучения ModernBERT с 16,8 млн параметров: его контрастивно предобучили на сбалансированной выборке из 50 млн пар запрос–документ с использованием MultipleNegativesRankingLoss. Модель предназначена для векторного поиска без дополнительного обучения и как стартовая точка для последующей настройки на специализированных данных. В тестах без дообучения модель показала NDCG@10 0,4482 на ArguAna и 0,2548 на FiQA2018; агрегированный результат на NanoBEIR составил 0,5074. Модель принимает текст и выдаёт эмбеддинги; карточка ориентирована на английский язык, а контекст составляет 7 999 токенов. Для установки и использования заявлена библиотека sentence-transformers. Лицензия — Apache-2.0. Это чекпойнт только предобучения: он не проходил supervised fine-tuning на данных для поиска, поэтому качество может уступать специализированным моделям после такой настройки. Приведённые результаты относятся к конкретным тестам и не гарантируют качество на других корпусах.

NeuML/fasttext — экспорт английских векторов FastText Wiki News размерности 300 из набора wiki-news-300d-1M-subword.vec.zip в формат библиотеки staticvectors. Модель предназначена для получения векторных представлений слов и вычисления сходства между предложениями; запуск инференса в Python с NumPy обеспечивает работу без отдельной нейросетевой среды. Репозиторий содержит плотные статические векторы в формате safetensors. Модель рассчитана на английский язык и применяется в задачах семантического сравнения текстов. Лицензия — CC BY-SA 3.0, предусматривающая указание авторства и распространение производных материалов на совместимых условиях.

GOOD-4x1b — языковая модель для генерации текста и диалогов, созданная Shaurya25 с помощью набора VortexMerge. Это MoE-модель семейства Mixtral, объединяющая экспертов на основе OEvortex/HelpingAI-unvelite, OEvortex/lite-hermes, OEvortex/HelpingAI-Lite и OEvortex/HelpingAI-Lite-1.5T. В конфигурации указаны базовая модель OEvortex/HelpingAI-Lite, тип данных float16 и маршрутизация cheap_embed; README связывает экспертов с ролями общего ассистента, помощника по коду и ассистента с менее ограниченным поведением. Модель предназначена для диалогового общения, ответов на запросы и генерации кода. Метаданные указывают 1 млрд параметров и контекст 2048 токенов. Репозиторий содержит веса safetensors, модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробных ограничений; короткий контекст ограничивает работу с длинными входными текстами.

Grok 4.20 Multi-Agent — вариант модели Grok 4.20 от SpaceXAI для совместных сценариев с несколькими агентами. Несколько агентов работают параллельно, проводят углублённое исследование, координируют использование инструментов и объединяют полученные сведения. Данных о размере, архитектуре, модальностях, языках, длине контекста и лицензии в предоставленных источниках нет.

HalluGuard — разработанная авторами модели небольшая рассуждающая языковая модель на 3,7 млрд параметров для проверки утверждений в системах генерации с дополненным поиском (RAG). Получив документ и утверждение, она определяет, подтверждается ли оно документом, и обосновывает ответ выдержками из источника. Предусмотрены три категории: GROUNDED, HALLUCINATED_INTRINSIC и HALLUCINATED_EXTRINSIC. Модель основана на unsloth/Qwen3-4B и дообучена с помощью LoRA и ORPO на синтетическом наборе предпочтений HalluGuard-Preferences-76k. Архитектура — плотная Qwen3ForCausalLM; вход и ответ представлены текстом. Метаданные указывают контекст до 40 960 токенов, тогда как README сообщает окно 32 768 токенов. Модель рассчитана на англоязычные задачи. Лицензия — Apache-2.0.

parthiv11/indic_whisper_hi_multi_gpu — модель распознавания речи на основе Whisper, дообученная для индийских языков. Репозиторий содержит чекпойнты и реализацию на JAX для ускоренного запуска на GPU и TPU; в метаданных также указаны веса PyTorch. Размер модели — 455,8 млн параметров. Модель предназначена для преобразования речи в текст, в том числе для транскрибирования аудиозаписей. В README приведены результаты на бенчмарках для подмножества на хинди, однако численные результаты сравнения для этой модели в таблице не представлены. Указанная в README оценка ускорения JAX относится к реализации и не гарантирует такой же результат на любом оборудовании. Модель рассчитана на хинди; общий README описывает семейство как предназначенное для индийских языков, но подтверждённая метаданными поддержка указана только для хинди. Лицензия — MIT.

inf-retriever-v1-pro — специализированная языковая модель компании INF-X-Retriever для подготовки запросов к поиску в системах с плотным векторным поиском и RAG. Она преобразует сложные, многословные или требующие рассуждений пользовательские запросы в краткие поисковые формулировки, помогающие находить релевантные фрагменты текста. Модель дообучена на базе Qwen/Qwen2.5-7B-Instruct и содержит 7,1 млрд параметров; архитектура — плотная Qwen2. Модель принимает текст и генерирует текст, поддерживает английский язык, а её контекстное окно составляет 131 072 токена. Модель предназначена для поиска по сложным запросам, включая задачи, где ответ требует рассуждений или синтеза сведений из нескольких документов. В README приведены результаты INF-X-Retriever на бенчмарке BRIGHT; эти показатели относятся к системе в целом и не должны трактоваться как результаты одной только inf-retriever-v1-pro. Модель распространяется по лицензии Apache-2.0.

INTELLECT-1-step-28600 — промежуточный чекпойнт языковой модели INTELLECT-1, созданной Prime Intellect совместно с Arcee AI и независимыми участниками сообщества. Это плотная авторегрессионная модель семейства Llama с 9,7 млрд параметров; в карточке указаны 42 слоя и 32 головы внимания. Чекпойнт получен на шаге 28 600 обучения модели с нуля на корпусах английского текста и кода, включая образовательные материалы, веб-текст, код и математические данные. Модель предназначена для генерации текста и кода на английском языке. Контекст составляет 8192 токена. Обучение INTELLECT-1 проводилось распределённо на вычислительных узлах в нескольких регионах с применением отказоустойчивой инфраструктуры; этот репозиторий содержит именно промежуточную точку обучения, а не финальную или instruct-версию. Лицензия — Apache 2.0.

InternVL2-1B — мультимодальная модель с инструкционной настройкой от команды OpenGVLab. Она объединяет визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую модель Qwen2-0.5B-Instruct; размер модели в таблице README указан как 0,9 млрд параметров. Модель принимает изображения и текстовые запросы, а ответы формирует текстом. В README заявлено контекстное окно 8 тыс. токенов и обучение на длинных текстах, нескольких изображениях и видео. Модель предназначена для диалога по изображениям и видео, понимания документов, графиков и инфографики, распознавания текста в сценах и решения визуальных научных и математических задач. Среди описанных сценариев — ответы на вопросы по изображению, OCR и понимание видеокадров. Репозиторий распространяется по лицензии MIT. Результаты в README основаны на перечисленных бенчмарках; они не гарантируют точность на любых данных. В предоставленной карточке не описаны специальные ограничения применения.

Карточка модели kkyyxhll/KAT-Coder-V2.5-Dev-fused-gate-up на Hugging Face совпадает с карточкой Kwaipilot/KAT-Coder-V2.5-Dev, поэтому описание составлено по ней. KAT-Coder-V2.5-Dev — открытая по весам MoE-модель для агентного программирования, выпущенная командой KAT. Она дообучена на базе Qwen3.6-35B-A3B с помощью supervised fine-tuning на 127 тысячах примеров и последующего обучения с подкреплением. Всего в модели 35 млрд параметров, из которых активируются 3 млрд; карточка указывает архитектуру семейства Qwen3.5 MoE и формат safetensors. Модель предназначена для решения задач программирования в агентных сценариях: анализа задач и выполнения действий через инструменты, доступные в окружении. Разработчики сообщают об улучшении результатов на тестах agentic coding относительно моделей сопоставимого размера и о снижении частоты некорректных меток инструментов и повторов. В README описан запуск через API, а метаданные указывают поддержку чата и интерфейса вызова инструментов. Языки карточки — английский и китайский; для примера оценки использовался контекст 256 тысяч токенов, но это не заявлено как предел модели. Лицензия — Apache-2.0.

Карточка модели SpectreSystems/KAT-Coder-V2.5-Dev-MTP на Hugging Face совпадает с карточкой Kwaipilot/KAT-Coder-V2.5-Dev, поэтому описание составлено по ней. KAT-Coder-V2.5-Dev — открытая по весам MoE-модель для агентного программирования, выпущенная командой KAT. Она дообучена на базе Qwen3.6-35B-A3B с помощью supervised fine-tuning на 127 тысячах примеров и последующего обучения с подкреплением. Всего в модели 35 млрд параметров, из которых активируются 3 млрд; карточка указывает архитектуру семейства Qwen3.5 MoE и формат safetensors. Модель предназначена для решения задач программирования в агентных сценариях: анализа задач и выполнения действий через инструменты, доступные в окружении. Разработчики сообщают об улучшении результатов на тестах agentic coding относительно моделей сопоставимого размера и о снижении частоты некорректных меток инструментов и повторов. В README описан запуск через API, а метаданные указывают поддержку чата и интерфейса вызова инструментов. Языки карточки — английский и китайский; для примера оценки использовался контекст 256 тысяч токенов, но это не заявлено как предел модели. Лицензия — Apache-2.0.