II.8Инженерия данных и аналитика

Модель arijitx/wav2vec2-large-xlsr-bengali разработана на основе facebook/wav2vec2-large-xlsr-53 и дообучена для распознавания речи на бенгальском языке. Она принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; для вывода используется архитектура Wav2Vec2ForCTC. Размер модели — около 402,8 млн параметров. Модель предназначена для автоматической транскрибации бенгальской речи. При проверке на отложенной выборке примерно из 4200 высказываний автор получил WER 32,45%; результат показывает качество именно на этой выборке и не гарантирует такую же точность на других данных. Для использования указана лицензия CC BY-SA 4.0.

Wav2Vec2-Large-XLSR-Indonesian — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на индонезийской части Common Voice. Это плотная архитектура Wav2Vec2 с CTC-выходом и примерно 402,7 млн параметров; модель принимает аудио и преобразует речь в текст. Для распознавания без языковой модели входную речь следует подавать с частотой дискретизации 16 кГц. В тесте на данных Common Voice указана оценка 25,55%; метрика в карточке не уточнена. Модель распространяется по лицензии Apache-2.0.

patrickvonplaten/wavlm-libri-clean-100h-base-plus — модель распознавания речи, разработанная на основе WavLM Base Plus от Microsoft и дообученная на чистой части датасета LibriSpeech для автоматического распознавания речи. Это аудиомодель с архитектурой WavLMForCTC и 113,3 млн параметров; репозиторий содержит веса PyTorch. Модель преобразует речь в текст и подходит для транскрибирования аудиозаписей, в частности речи из сценариев, похожих на LibriSpeech. В карточке приведены результаты оценки на тестовой выборке: loss 0,0819 и WER 0,0683. Сведения о поддерживаемых языках, ограничениях применения и лицензии в предоставленных источниках отсутствуют.

arbml/whisper-largev2-ar — дообученная модель распознавания речи на архитектуре Whisper large-v2, разработанная на основе openai/whisper-large-v2. Модель предназначена для преобразования аудио в текст; в карточке указана оценка WER 17,7875 на наборе оценки. Веса содержат около 905,2 млн параметров и опубликованы в формате PyTorch. Модель обучалась на наборе arbml/mgb2. В README не уточняются поддерживаемые диалекты, условия записи и сценарии применения, поэтому качество для конкретных типов аудио по имеющимся данным оценить нельзя. Указана лицензия Apache-2.0.

mohammadjavadnasri/whisper-large-v3-farsi-cv17 — дообученная модель распознавания речи на основе openai/whisper-large-v3, обученная на наборе Common Voice 17.0. Она принимает аудио и преобразует речь в текст; модель содержит 905,2 млн параметров и использует архитектуру WhisperForConditionalGeneration. В оценке на тестовом наборе указаны WER 23,4723 и орфографический WER 27,5624. Модель предназначена прежде всего для транскрибации речи на фарси. Это вариант мультиязычной Whisper large-v3, однако карточка сообщает о дообучении на Common Voice 17.0, а не о проверке качества для других языков. Доступна в формате safetensors для Transformers. Лицензия — Apache-2.0.

adriszmar/whisper-large-v3-turbo-es — дообученная модель распознавания речи, созданная на основе openai/whisper-large-v3-turbo и адаптированная к испанскому языку на испанской части Common Voice 17.0. Она использует архитектуру WhisperForConditionalGeneration и содержит 905,2 млн параметров; работает с аудио и выдаёт текстовую транскрипцию. Модель предназначена для распознавания испанской речи. На тестовой выборке Common Voice 17.0 её показатель WER составил 5,34% против 6,91% у базовой модели. Результат относится к этой выборке и не гарантирует такую же точность на других аудиозаписях. Модель распространяется по лицензии MIT.

inesc-id/WhisperLv3-FT — дообученная модель распознавания речи на основе OpenAI Whisper large-v3, созданная на датасете 425. Это мультиязычная архитектура Whisper с 905,2 млн параметров, предназначенная для преобразования аудио в текст. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. В карточке приведён результат оценки на тестовом наборе: loss 0,1162 и WER 3,9720; единицы измерения и условия оценки не описаны. Базовая модель поддерживает транскрибацию и перевод аудио в текст, однако для этой версии README не уточняет конкретные языки, сценарии применения или ограничения. Лицензия — Apache-2.0.

sentence-transformers/xlm-r-bert-base-nli-mean-tokens — модель Sentence-Transformers, обученная командой sentence-transformers на основе XLM-RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, кластеризации и сравнения текстов. Модель содержит 305,2 млн параметров и принимает текстовые последовательности длиной до 514 токенов; поддерживаемые форматы включают PyTorch, TensorFlow, ONNX и OpenVINO. В README модель помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать более новые модели для получения векторов предложений. Лицензия — Apache-2.0.

xlm-roberta-longformer-large-16384 — многоязычная модель с архитектурой Longformer, созданная на основе весов XLM-RoBERTa без дополнительного предварительного обучения. Версия large содержит 658,7 млн параметров, 24 слоя и скрытый размер 1024; механизм внимания рассчитан на обработку последовательностей длиной до 16 384 токенов. Модель предназначена для извлечения признаков из длинных текстов и последующего дообучения под прикладную задачу. Её можно использовать как основу для классификации, поиска и других задач понимания текста, требующих контекста длиннее стандартного окна трансформера. Поддерживается широкий набор языков, в частности английский и другие европейские, азиатские и африканские языки; полный перечень языковых тегов включает 50 языков. Репозиторий содержит формат TensorFlow. Лицензия — MIT. Карточка не сообщает результатов оценки качества и не описывает готовые прикладные сценарии: модель следует дообучить для конкретной задачи. Большое окно контекста позволяет учитывать протяжённый текст, но само по себе не гарантирует качество на конкретном языке или задаче.

YModel2-s0 — компактная плотная языковая модель, разработанная SnifferCaptain для диалогов и генерации текста. Она предназначена для ответов на вопросы, рассуждений, решения математических задач, написания кода и обычных знаний; в примерах также показаны суммаризация и создание связного текста. Модель поддерживает китайский и английский языки, имеет контекст 4096 токенов и содержит 99,3 млн параметров. В архитектуре используются PEGA2 и блоки FFN с GeGLU; автор сообщает о примерно трёхкратном ускорении относительно PEGA. Модель прошла предобучение и дообучение на наборах данных для кода, математики и диалогов. Приведённые результаты CEval и CMMLU обозначены автором как ориентировочные; примеры демонстрируют отдельные фактические ошибки и сбои в коде, поэтому ответы требуют проверки. Лицензия — MIT.

Agents-A1-4B-Fable-Preview-heretic — текстовая чат-модель на архитектуре Qwen3.5, подготовленная авторами hotdogs путём абляции модели hotdogs/Agents-A1-4B-Fable-Preview с помощью heretic. Веса представлены в формате BF16 для Transformers; метаданные указывают 3,4 млрд параметров и контекст до 262 144 токенов. Модель предназначена для агентных сценариев: многошагового рассуждения, планирования и вызова инструментов в формате Hermes/Qwen. Также заявлены помощь с кодом и ведение многоходового диалога. README сообщает о поддержке английского и тайского языков и снижении частоты отказов, однако это заявление автора, а не независимая оценка. Модель принимает текст и генерирует текст. README предупреждает, что из-за снятия защитных механизмов ответы могут быть оскорбительными, вредными или неуместными. Лицензия — AGPL-3.0.

check2207/alqac_VNTeamVN_embedding — модель Sentence Transformers, дообученная на базе AITeamVN/Vietnamese_Embedding. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для сравнения семантического сходства, поиска и группировки текстов. В архитектуре используются XLM-RoBERTa, pooling по CLS-токену и нормализация векторов; сходство рассчитывается косинусной метрикой. Метаданные указывают 658,7 млн параметров и контекст до 8194 токенов, тогда как README сообщает максимальную длину последовательности 512 токенов. Модель ориентирована на вьетнамский язык. Её можно применять для семантического поиска, поиска перефразирований, кластеризации и классификации текстов на основе эмбеддингов. Основа описана в карточке как модель эмбеддингов на базе BGE-M3 для вьетнамского языка. Лицензия в предоставленных данных не указана. Обучающая выборка содержит 729 примеров, поэтому качество на других языках и вне представленных сценариев может быть ограниченным.

APEX-2 — англоязычная языковая модель YOON1v для генерации текста и диалогов, включая помощь с программированием. Это дообученный методом SFT чекпойнт базовой модели YOON1v/Apex-2-Base; в README описана архитектура декодерного Transformer с mixture-of-experts, а метаданные указывают семейство Qwen3 MoE и класс Qwen3MoeForCausalLM. README сообщает о 3,87 млрд параметров всего и 1,45 млрд активных на токен; модель использует формат чата ChatML и контекст до 4096 токенов. Модель подходит для написания и объяснения кода, ответов на инструкции и несложных математических задач. В опубликованных авторами тестах показаны результаты на HumanEval, MBPP, GSM8K и IFEval, однако сравнения с другими моделями приблизительны из-за различий в протоколах. Лицензия — Apache-2.0. Модель ориентирована на английский язык: README отмечает слабую работу с другими языками. Авторы также указывают на ограниченные общие знания, ошибки в фактах, слабые результаты в соревновательном программировании и предсказании выполнения кода. Поддержка инструментов и режим рассуждений не заявлены.

Sunbird/asr-whisper-51-african-languages — модель распознавания речи Sunbird, созданная на основе Whisper large-v3 и объединённая с другими вариантами Whisper, включая huwenjie333/whisper-v3-ft-af51. Она предназначена для транскрибации речи на 51 африканском языке, включая суахили, хауса, йоруба, зулу, амхарский, а также английский и французский с африканскими акцентами. Модель дообучена на многоязычном корпусе из открытых и собранных сообществом наборов речевых данных. Карточка сообщает о сравнении с несколькими другими системами распознавания и о более низких WER и CER на большинстве проверенных языков, особенно на некоторых низкоресурсных языках; эти результаты относятся к описанным в README тестовым выборкам. Это предварительная версия: веса, поведение и качество могут измениться, поэтому авторы не рекомендуют закреплять этот чекпойнт в производственных системах. Для Whisper указано ограничение входного аудио до 30 секунд в описанном протоколе оценки. Лицензия — Apache-2.0.

Aurora — мультимодальная фундаментальная модель для прогнозирования временных рядов, представленная авторами статьи ICLR 2026. Она предназначена для прогнозирования временных рядов с использованием как самих рядов, так и связанных с ними модальностей и доменных знаний; поддерживает zero-shot-сценарии и вероятностные генеративные прогнозы. Архитектура Aurora включает кодировщик, объединяющий признаки разных модальностей, и декодер, который формирует условия для будущих значений, извлекает прототипы на основе доменных знаний и использует flow matching для генерации прогнозов. В README заявлены результаты уровня state of the art на пяти бенчмарках. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Метаданные указывают контекст 10 000 токенов и английский язык карточки модели.

google/bert_uncased_L-6_H-768_A-12 — компактная англоязычная модель BERT из набора BERT Miniatures, разработанного Google и описанного в работе «Well-Read Students Learn Better». Это плотный трансформерный энкодер с 6 слоями, размерностью скрытого представления 768 и 12 головами внимания; в модели около 80,1 млн параметров. Она принимает текст без учёта регистра, обучена с WordPiece-маскированием и поддерживает контекст до 512 токенов. Модель предназначена для тонкой настройки на задачах понимания английского текста, например классификации и оценки сходства предложений. Компактный размер рассчитан на среды с ограниченными вычислительными ресурсами; авторы также отмечают пользу дистилляции, когда обучающие метки создаёт более крупная модель-учитель. Карточка приводит результаты на GLUE для других вариантов набора, но не отдельную оценку этой конфигурации. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0.

BidirLM-0.6B-Base — промежуточная модель семейства BidirLM, созданная командой BidirLM на основе Qwen3-0.6B-Base. Авторы преобразовали причинное внимание базовой модели в двунаправленное, обучили её методом Masked Next Token Prediction на 30 млрд токенов из многопрофильного корпуса и объединили полученные веса с исходными весами Qwen3 в пропорции 50/50. Модель содержит около 508 млн параметров, имеет плотную архитектуру BidirLMForMaskedLM и контекст до 40 960 токенов. Модель предназначена для заполнения пропусков и как промежуточная основа для дообучения под последующие задачи обработки текста. Для получения общих эмбеддингов авторы рекомендуют вариант BidirLM-0.6B-Embedding с дополнительным контрастивным обучением. Метаданные также отмечают возможности классификации текста и токенов, а также интерфейсы чата и вызова инструментов. Модель поддерживает многоязычный текст; среди языков карточки указаны арабский, болгарский, бенгальский, китайский? Нет, карточка перечисляет языки, включая английский, немецкий, французский, испанский, японский, корейский и хинди. Для загрузки требуется Transformers с trust_remote_code=True; исходная версия обучалась на Transformers 4.57.6, а текущая версия карточки адаптирована для Transformers 5 и выше. Лицензия — Apache-2.0.

EIDORA/DINOv2_VITB14 — модель для получения векторных представлений изображений, разработанная EIDORA на основе оригинальной DINOv2 ViT-B/14 от Meta (Facebook Research). EIDORA преобразовала исходную модель в формат ONNX, но не является её первоначальным разработчиком. Модель предназначена для визуального группирования, поиска похожих изображений, retrieval, карт обнаружения и других задач, где требуется сравнивать изображения по семантическим и визуальным признакам. Она рассчитана прежде всего на коллекции естественных изображений и сценарии, в которых качество эмбеддингов важнее минимального времени работы на CPU. Модель принимает изображение и возвращает нормализованный float32-эмбеддинг размерности 768 в формате [batch, 768], предназначенный для сравнения с помощью cosine similarity. Это ONNX-модель среднего размера и средней вычислительной нагрузки, ориентированная на современные ноутбуки и настольные компьютеры; используется ONNX Runtime с CPU. В графе предусмотрена предобработка: центральное кадрирование по умолчанию, масштабирование значений на 1/255 и нормализация со средними [0.485, 0.456, 0.406] и стандартными отклонениями [0.229, 0.224, 0.225]. Исходная DINOv2 обучалась на наборе LVD-142M, содержащем 142 миллиона изображений. Сильными сторонами модели являются высокое качество визуального группирования и поиска по сравнению с более компактными вариантами. Она не предназначена для обработки текста, видео или аудио, а также для идентификации личности, биометрии, оценки намерений, защищённых атрибутов и других решений с высоким риском. Эмбеддинги могут наследовать пробелы в покрытии и предвзятость крупномасштабных веб-изображений. Пакет распространяется по лицензии Apache-2.0; версия пакета — 1.0.0, ONNX opset — 17.

WSHAPER разработала дообученный классификатор на основе DistilBERT для определения речевых актов в разговорных репликах. Модель относит текст к одному из четырёх классов: commissive (обещание или обязательство), directive (команда или просьба), inform (сообщение или факт) и четвёртый класс, название которого в карточке не приведено. Она рассчитана на английский, немецкий и русский языки, в том числе на транскрипты ASR с разговорными особенностями. Контекст модели — до 512 токенов. В тестах на английском и немецком языках точность составила 80,8–82,5%, макро-F1 — 0,725–0,750; на наборе с небрежными ASR-транскриптами результат составил 77,8% (35 из 45 примеров). Модель распространяется в формате safetensors, использует библиотеку Transformers и лицензию Apache-2.0. В приведённых результатах нет оценки на русском языке, поэтому качество для этого языка по карточке оценить нельзя.

DRAGON-RoBERTa Query Encoder — плотный энкодер запросов для поиска, разработанный Facebook. Это модель семейства RoBERTa, инициализированная RoBERTa-base и дополнительно обученная на данных, расширенных из корпуса MS MARCO, по подходу DRAGON. Она входит в асимметричную двухэнкодерную систему: для запросов и контекстов используются отдельные модели с разными параметрами. Энкодер преобразует текстовые запросы в векторные представления для плотного поиска и извлечения релевантных документов. В карточке приведены результаты системы DRAGON-RoBERTa: 39,4 на MS MARCO Dev и 47,2 на BEIR. Модель содержит 151,8 млн параметров, поддерживает контекст до 514 токенов и распространяется в формате PyTorch. Для поиска контекстов требуется соответствующий DRAGON-RoBERTa Context Encoder; лицензия в предоставленных данных не указана.

naver/efficient-splade-VI-BT-large-doc — компонент асимметричной модели Efficient SPLADE от Naver для поиска релевантных фрагментов текста. Это часть пары отдельных кодировщиков: данный вариант предназначен для кодирования документов, а для запросов требуется соответствующая модель query. Кодировщик на базе DistilBERT преобразует предложения и абзацы в разреженные векторы размерности 30 522; релевантность оценивается скалярным произведением. Максимальная длина последовательности — 512 токенов, а карточка указывает применение для семантического поиска и разреженного поиска по корпусу. Модель рассчитана на индексирование документов и извлечение passages, в том числе в сценариях поиска по MS MARCO. В метаданных указаны Sentence Transformers, английский язык и форматы PyTorch и safetensors. Лицензия CC-BY-NC-SA-4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов на совместимых условиях.

Модель itshamdi404/Egy_Arabic_whisper-small — дообученная Hamdi Mohamed мультиязычная Whisper Small для распознавания египетского арабского на аудиозаписях и преобразования речи в текст. Архитектура WhisperForConditionalGeneration, около 153,1 млн параметров; модель использует библиотеку Transformers и веса в формате safetensors. При обучении применялись аудио с частотой 16 кГц, нормализация текста и извлечение признаков процессором Whisper. Модель предназначена для транскрибации египетской речи, голосовых интерфейсов, разметки аудиоданных и бенчмаркинга распознавания арабских диалектов. Обучение на аудио с соответствующими расшифровками ориентировано на произношение, лексику и речевые особенности египетского диалекта. Лицензия — Apache-2.0. На других арабских диалектах качество может быть ниже; шум, одновременная речь и низкое качество записи ухудшают распознавание. Редкие слова и имена могут транскрибироваться с ошибками.

German Electra Uncased — немецкоязычная модель семейства ELECTRA, созданная German NLP Group совместно Филипом Маем из Deutsche Telekom и Филиппом Райселем из ambeRoad. Это базовая модель для дообучения на прикладных задачах обработки немецкого языка, включая ответы на вопросы и анализ тональности; её можно использовать как замену BERT в большинстве задач такого типа. Модель содержит 138,4 млн параметров, принимает последовательности длиной до 512 токенов и доступна в форматах PyTorch и Safetensors. Она обучена без учёта регистра, но сохраняет диакритические знаки, в том числе немецкие умляуты. В версии 2 обучение продолжили до 1,5 млн шагов на корпусах немецкого Common Crawl, Википедии, субтитрах и новостях. Для решения прикладных задач модель нужно дообучить. В README приведены результаты оценки на немецких наборах данных, но они относятся к моменту выпуска модели в 2020 году. Лицензия — MIT.

FairyR1-14B-Preview — языковая модель с рассуждениями, разработанная PKU-DS-LAB на основе DeepSeek-R1-Distill-Qwen-14B. Это плотная модель семейства Qwen2 с 14 млрд параметров, предназначенная для генерации текста и диалогов; в обучении особое внимание уделено математике и программированию. Указанная в метаданных длина контекста — 131 072 токена. Модель создана с помощью дообучения отдельных математического и кодового экспертов на дистиллированных цепочках рассуждений с последующим объединением их весов. В README приведены результаты на AIME 2024 и 2025, LiveCodeBench и GPQA-Diamond; они отражают тестирование авторов и не гарантируют аналогичного качества на других задачах. Поддерживаются английский и китайский языки. Модель распространяется по лицензии Apache-2.0.

FairyR1-32B — плотная языковая модель с архитектурой Qwen2, разработанная командой PKU-DS-LAB на базе DeepSeek-R1-Distill-Qwen-32B. Модель содержит 32 млрд параметров и поддерживает контекст до 131 072 токенов. Она предназначена для генерации текста с рассуждениями, прежде всего для решения математических задач и написания программного кода. Разработчики обучили отдельные варианты модели для математики и программирования на отфильтрованных цепочках рассуждений, а затем объединили их с помощью ArceeFusion. В README заявлены результаты на AIME 2024/2025 и LiveCodeBench, однако они относятся к выбранным бенчмаркам и не гарантируют аналогичного качества в других областях. Карточка называет английский и китайский языки. Модель распространяется по лицензии Apache-2.0.

deepset/gelectra-large — крупная немецкоязычная языковая модель ELECTRA, созданная командой deepset совместно с авторами German BERT и dbmdz BERT. Это дискриминаторная модель на 434,5 млн параметров с контекстом до 512 токенов; она предназначена для представления немецкого текста и последующего тонкого обучения под задачи классификации и разметки. В карточке приведены результаты на наборах GermEval 2018 и GermEval 2014. Модель обучалась на немецких данных, включая Wikipedia, OPUS, OpenLegalData и OSCAR. Репозиторий содержит веса PyTorch, Safetensors и TensorFlow. Лицензия — MIT. Это не генеративная модель: для прикладных задач её обычно дообучают на размеченных данных.

cstr/gigaam-v3-GGUF — это набор конвертированных и квантизированных представлений модели GigaAM-v3, разработанной ai-sage. Модель предназначена для автоматического распознавания русской речи и транскрибации аудиозаписей, в частности для использования с backend gigaam в CrispASR. Репозиторий содержит только преобразование формата и численного представления весов без обучения, дообучения или изменения архитектуры и возможностей исходной модели. GigaAM-v3 — Conformer-модель примерно на 220 млн параметров, предварительно обученная на около 700 тыс. часов русской речи с целью HuBERT-CTC. Доступны варианты с головами RNN-T и CTC, а также SentencePiece-вокабуляром или посимвольным кириллическим вокабуляром. Варианты e2e поддерживают пунктуацию, регистр и inverse text normalization; посимвольные варианты выдают строчные буквы без пунктуации. Форматы f16, q8_0 и q4_k занимают примерно 449–154 МБ. Аудио должно быть монофоническим с частотой 16 кГц, а практическое окно обработки составляет около 25 секунд. Вариант e2e-rnnt-q8_0 рекомендуется как наиболее точный и сбалансированный: он показывает средний WER 8,4%, сохраняет результаты PyTorch-эталона и обеспечивает меньший размер по сравнению с f16. CTC быстрее декодируется, а q4_k экономит память, но может немного снижать точность регистра и пунктуации. Длинные записи требуют нарезки, обычно выполняемой средствами VAD и chunking в CLI; модель использует полное внимание с квадратичной сложностью по длине последовательности. Распространение выполняется по лицензии MIT, унаследованной от исходной модели.

GLM-5.3-Flash Spark Q2XL MTP — это GGUF-квантизация модели zai-org/GLM-5.3-Flash, подготовленная автором репозитория для запуска на NVIDIA DGX Spark / GB10 с 128 ГБ памяти. Веса общим объёмом около 105 ГиБ используют смешанную точность: матрицы внимания и общие эксперты сохранены с большей точностью, а матрицы маршрутизируемых экспертов сжаты сильнее. Калибровка выполнена с использованием importance matrix; предусмотрено спекулятивное декодирование MTP. Модель предназначена для генерации текста в диалогах и локальных задачах программирования. В тестах автора на одном DGX Spark она показала 159/164 на HumanEval и 153/164 на HumanEval+ Mini; результаты получены на одном примере для каждой задачи и при настройке reasoning_effort=low, поэтому их не следует считать независимой всесторонней оценкой качества. Для работы автор проверял сборку GLM5-Next на базе llama.cpp с включённым native MTP и контекстом 32 768 токенов. Репозиторий распространяется по лицензии MIT.

Grug 35B A3B — экспериментальная компактная донастройка модели Qwen/Qwen3.6-35B-A3B, созданная автором репозитория. Это текстовая MoE-модель для генерации ответов и диалогов, настроенная выдавать короткие, насыщенные рассуждения с сохранением ограничений, вычислений, проверок и важных граничных случаев. По карточке, в архитектуре 35 млрд параметров, из которых примерно 3 млрд активируются на токен; используются 40 текстовых слоёв, 256 экспертов и до 8 маршрутизируемых экспертов вместе с общим экспертным путём. Нативная длина контекста — 262 144 токена. Модель обучена с помощью QLoRA/PEFT LoRA и опубликована со слитыми весами в формате Transformers/safetensors; отдельный адаптер для загрузки не требуется. В обучении использованы наборы для общего рассуждения, математики и программирования. По README, обучение было небольшим, а проверка ограничивалась локальными smoke-тестами, поэтому качество не подтверждено широкими бенчмарками. Модель может чрезмерно сокращать объяснения в задачах, где нужны длинные выводы, и наследует ограничения базовой модели. Лицензия репозитория — Apache-2.0.

Это дообученная модель Whisper, созданная на основе parthiv11/indic_whisper_hi_multi_gpu. Она предназначена для автоматического распознавания речи и преобразования аудио в текст; карточка сообщает результат оценки: loss 0,4954 и глобальный WER 21,7486. Метрики относятся к указанному набору оценки, описание которого в карточке отсутствует. Модель принимает аудио и выдаёт текст. В метаданных указан формат safetensors, библиотека Transformers и лицензия MIT. Подтверждённая поддержка хинди унаследована от базовой модели, однако сведения о данных обучения и других языках этой версии отсутствуют.