II.8Инженерия данных и аналитика

ToRA Code 34B v1.0 GGUF — это квантизированная версия большой языковой модели ToRA Code 34B v1.0, разработанной LLM-Agents и преобразованной в формат GGUF пользователем TheBloke. Модель основана на архитектуре LLaMA, содержит около 34 миллиардов параметров и предназначена для локального запуска через llama.cpp и совместимые интерфейсы и библиотеки. Основные сценарии применения — генерация и анализ кода, а также решение математических задач. В качестве обучающих или оценочных наборов указаны GSM8K и Competition Math; заявленный язык — английский. Модель работает в режиме text-generation и использует шаблон запроса ToRA с ролями пользователя и ассистента. Данные о размере контекста, поддерживаемых модальностях, фактическом качестве и конкретных возможностях работы с инструментами не указаны. Формат GGUF поддерживает различные варианты квантизации от 2 до 6 бит, что позволяет выбирать компромисс между размером модели, требованиями к памяти и качеством. Файлы рассчитаны на инференс с использованием CPU и GPU и совместимы с llama.cpp и рядом сторонних приложений. Ограничения включают зависимость качества от выбранного уровня квантизации, высокие требования к ресурсам для 34B-модели и отсутствие гарантии корректности ответов, особенно в программировании и математике. Указана лицензия Llama 2.

usermma/Vibe-Coding-Claude-Fable-5-mlx-fp16 — конвертированная в формат MLX версия модели sakmkmk2/Vibe-Coding-Claude-Fable-5. По метаданным это плотная причинная языковая модель семейства Qwen2 с 7,1 млрд параметров и контекстом 32 768 токенов. Репозиторий предназначен для запуска с mlx-lm на совместимых устройствах Apple Silicon; карточка указывает версию mlx-lm 0.31.2. Модель ориентирована на генерацию текста и, судя по названию базовой модели, на сценарии вайб-кодинга. Метаданные также помечают её как text-classification, однако классификатор каталога определяет основную задачу как text-generation. Поддерживаемый язык карточки — английский. Лицензия — Apache-2.0.

Карточка модели john-syin/ViT-B-16-SigLIP-i18n-256 на Hugging Face совпадает с карточкой timm/ViT-B-16-SigLIP-i18n-256, поэтому описание составлено по ней. ViT-B-16-SigLIP-i18n-256 — модель контрастивного сопоставления изображений и текста, обученная на датасете WebLI с функцией потерь SigLIP. Чекпойнт преобразован из исходного JAX-формата Big Vision в PyTorch и совместим с OpenCLIP для работы с изображениями и текстом, а также с timm для получения эмбеддингов изображений. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: она сопоставляет изображение с набором предложенных текстовых меток. Также её можно использовать для получения эмбеддингов изображений. Метаданные Hugging Face указывают задачу zero-shot image classification, библиотеку open_clip и лицензию Apache-2.0. Обозначение i18n указывает на многоязычную версию, однако конкретный перечень поддерживаемых языков и размер входного изображения в предоставленных данных не подтверждены. Модель выдаёт оценки соответствия изображения текстовым описаниям или эмбеддинги; качество зависит от формулировок меток и покрытия обучающих данных WebLI.

Модель timm/vit_base_patch16_clip_224.datacompxl — визуальный энкодер CLIP на архитектуре ViT-Base с патчами 16×16 и входным разрешением 224 пикселя. Это веса только для изображения, опубликованные в формате PyTorch и safetensors и предназначенные для извлечения признаков изображений. Их можно использовать для получения визуальных представлений как части системы поиска по изображениям или мультимодального решения. Модель распространяется по лицензии Apache-2.0.

timm/vit_so400m_patch16_siglip_256.v2_webli — визуальный энкодер семейства SigLIP 2 на архитектуре ViT с патчами 16 пикселей, предназначенный для библиотеки timm. Это только часть модели, отвечающая за изображения; она соответствует визуальному энкодеру мультимодальной модели SigLIP 2. Модель обучена на наборе данных WebLI. Основное назначение — извлечение признаковых представлений изображений для последующего поиска, сопоставления или анализа. Репозиторий содержит веса PyTorch и SafeTensors и распространяется по лицензии Apache-2.0. Модель принимает изображения и выдаёт векторы признаков; языковая часть SigLIP в этот чекпойнт не входит.

Модель timm/vit_so400m_patch16_siglip_512.v2_webli — визуальный энкодер SigLIP 2 на архитектуре ViT, предназначенный для библиотеки timm. Это только image encoder, соответствующий визуальной части модели SigLIP 2; он обучен на наборе данных WebLI. Модель преобразует изображения в признаки и подходит для извлечения визуальных представлений, например, для последующего сравнения или поиска изображений.

facebook/wav2vec2-conformer-rope-large-960h-ft — акустическая модель распознавания речи, разработанная авторами Changhan Wang, Yun Tang, Xutai Ma, Anne Wu, Sravya Popuri, Dmytro Okhonko, Juan Pino и опубликованная в репозитории Facebook. Это архитектура Wav2Vec2-Conformer с rotary position embeddings и примерно 402,7 млн параметров; модель дообучена на 960 часах английской речи из LibriSpeech. Она принимает аудио с частотой дискретизации 16 кГц и предназначена для преобразования речи в текст. Модель подходит для транскрибирования английской речи и оценки качества распознавания на данных, близких к LibriSpeech. В карточке указаны форматы PyTorch и Safetensors, лицензия Apache 2.0. Языковая поддержка по данным карточки — английский; требования к частоте дискретизации входного аудио следует соблюдать.

Это дообученная модель распознавания речи tomascufaro/wav2vec2-large-xls-r-300m-spanish-custom, созданная на основе facebook/wav2vec2-xls-r-300m и обученная на Common Voice. Модель использует архитектуру wav2vec2 с CTC-декодером и принимает аудио, преобразуя речь в текст; заявленная задача — автоматическое распознавание речи. На оценочной выборке указаны loss 0,4426 и WER 0,2117. Модель предназначена для распознавания испанской речи, однако подробности о варианте испанского, настройках аудио и качестве в разных условиях не приведены. Веса опубликованы в формате PyTorch, лицензия — Apache-2.0.

Wav2Vec2-XLS-R-1B — разработанная Facebook AI многоязычная модель для предварительного обучения речевых представлений на архитектуре wav2vec 2.0. Она содержит 1,3 млрд параметров и обучена на 436 тысячах часов немаркированной речи из нескольких корпусов, включая VoxPopuli, MLS, Common Voice, BABEL и VoxLingua107; заявлена поддержка 128 языков. Для подачи аудио требуется частота дискретизации 16 кГц. Модель предназначена для дообучения под конкретную задачу: распознавание речи, перевод речи или классификацию, в том числе идентификацию языка. Это базовый речевой энкодер, а не готовая универсальная система распознавания или перевода; для прикладного использования нужны подходящая выходная голова и дообучение. Распространяется по лицензии Apache 2.0.

Это модель автоматического распознавания речи на турецком языке, созданная mpoyraz дообучением facebook/wav2vec2-xls-r-300m. Она использует архитектуру wav2vec2 с выходным слоем CTC и принимает аудио, преобразуя речь в текст. Модель дообучена на проверенной части Common Voice 8.0 на турецком языке; для языкового моделирования также подготовлена n-граммная модель KenLM на статьях турецкой Википедии. Модель предназначена для транскрибирования турецкой речи. В карточке приведены результаты оценки: WER 10,61 и CER 2,67 на тестовой части Common Voice 8.0, а также WER 36,46 и CER 12,38 на Speech Recognition Community dev data. Лицензия — Apache 2.0. Показатели зависят от набора данных и условий записи; на втором наборе ошибок заметно больше.

Модель voidful/wav2vec2-xlsr-multilingual-56 разработана voidful для автоматического распознавания речи. Это дообученная версия facebook/wav2vec2-large-xlsr-53, обученная на данных Common Voice для распознавания речи на 56 языках. Репозиторий содержит веса PyTorch и safetensors; для входной речи рекомендуется частота дискретизации 16 кГц. Модель подходит для транскрибирования аудиозаписей и построения систем распознавания речи на нескольких языках. В карточке приведены результаты WER и CER для части языков, но также указаны значительные риски смещений: предсказания могут воспроизводить вредные стереотипы. Лицензия — Apache-2.0.

bayartsogt/whisper-large-v2-mn-13 — дообученная модель семейства Whisper от OpenAI, созданная автором bayartsogt на базе openai/whisper-large-v2 для распознавания речи на монгольском языке. Это плотная модель архитектуры WhisperForConditionalGeneration с 905,2 млн параметров, принимающая аудио и преобразующая речь в текст. В метаданных указаны наборы Common Voice 11.0, FLEURS, ulaanbal-v0 и youtube-mongolian-v1; на оценочной выборке приведены WER 20,024 и CER 6,601. Модель подходит для транскрибирования монгольской речи, в том числе записей из открытых речевых корпусов и видео. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. README не описывает подробные ограничения и сценарии применения; качество на других данных может отличаться от результатов на указанной оценочной выборке.

GeoffVdr/whisper-medium-nlcv11 — дообученная модель распознавания речи на базе OpenAI Whisper Medium. Она обучена на обучающей и валидационной частях нидерландского набора Mozilla Common Voice 11.0 и предназначена для преобразования нидерландской речи в текст. Модель использует архитектуру WhisperForConditionalGeneration и содержит 455,8 млн параметров. Для оценки использовалась тестовая часть Common Voice 11.0 на нидерландском языке. Модель принимает аудио и выдаёт текст; карточка не сообщает метрики качества или подробные ограничения. Веса доступны в формате PyTorch по лицензии Apache-2.0.

qanastek/whisper-small-french-uncased — дообученная модель распознавания речи на базе openai/whisper-small, созданная для транскрибирования французской речи. Она использует архитектуру Whisper с 153,1 млн параметров и обучена на французской части набора Mozilla Common Voice 11.0. Модель принимает аудио и выдаёт текст; в README приведены результаты оценки на французских наборах Common Voice 11.0, VoxPopuli и FLEURS: WER 15,38%, 16,29% и 13,98% соответственно, с нормализацией. Модель подходит для транскрибирования французских аудиозаписей и речевых данных. Доступна в формате PyTorch по лицензии Apache-2.0. Оценки WER относятся к указанным наборам и условиям нормализации; README не описывает дополнительные сценарии или ограничения.

Модель wrice/whisper-tiny-grpo-0029b82-cv22-tiny-sft — версия Whisper tiny, дообученная автором репозитория с помощью GRPO и комбинированной награды на основе ошибок слов и символов. Она предназначена для автоматического распознавания речи и преобразования аудиозаписей в текст; обучающие данные взяты из Common Voice для 77 языковых локалей, а язык клипа задавался по локали набора данных. По карточке, лучший общий результат на валидационной выборке по 77 языкам составил WER 0,602 и CER 0,253. Это экспериментальная компактная модель на архитектуре Whisper, доступная в формате safetensors и используемая через Transformers. Лицензия — MIT. Автор характеризует рецепт обучения как proof of concept, а не готовую производственную систему. Результаты зависят от предметной области, акцента, языка и качества аудио; метрики получены на нормализованной выборке Common Voice и не гарантируют аналогичного качества на реальных записях.

whisper-tiny-minds14-en-US — дообученная tomragus модель семейства Whisper на базе openai/whisper-tiny, обученная на наборе PolyAI/minds14. Она предназначена для автоматического распознавания речи и преобразования аудио в текст, в частности для транскрибации англоязычных аудиозаписей с акцентом на вариант английского языка en-US. В README приведены результаты оценки: WER 0,3359 и нормализованный WER 0,3418. Модель использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors через Transformers. Лицензия — Apache-2.0. Это компактный вариант Whisper; в метаданных для базовой модели указана многоязычная поддержка, однако эта версия дообучена на англоязычном наборе данных и ориентирована на en-US.

NeuML/word2vec-quantized — квантованная статическая модель векторных представлений слов, подготовленная NeuML для библиотеки StaticVectors. Она предназначена для получения эмбеддингов слов и сравнения сходства предложений; запускать инференс можно на Python с NumPy. Модель использует Word2Vec и 10×256 Product Quantization, что сокращает размер представлений. Репозиторий содержит веса в формате safetensors, а метаданные указывают библиотеку staticvectors и английский язык. Лицензия — Apache-2.0. Карточка описывает получение векторов слов, но не приводит оценок качества или подробностей об ограничениях квантования.

Модель hypaai/wspr_small_2025-11-11_12-12-17 — дообученная версия мультиязычной Whisper Small от OpenAI, разработанная hypaai. Она предназначена для автоматического распознавания речи и транскрибирования аудио. Модель содержит 153,1 млн параметров, использует архитектуру Whisper и доступна в формате Safetensors для библиотеки Transformers. В тегах карточки указаны йоруба, английский и хауса; метаданные также отмечают игбо. Эти языки можно считать поддерживаемыми, хотя описание обучения не раскрывает данные и результаты оценки. Модель распространяется по лицензии Apache-2.0.

YanoljaNEXT-EEVE-Rosetta-7B-2602 — дообученная YanoljaNEXT модель перевода на архитектуре MistralForCausalLM с 7,6 млрд параметров. Она предназначена для перевода структурированных данных в форматах JSON, YAML и XML с сохранением исходных ключей и схемы. В основе лежит ByteDance-Seed/Seed-X-PPO-7B; для версии EEVE-Rosetta расширили словарь токенизатором семейства Gemma и обучили модель в формате Rosetta. Модель рассчитана на многоязычные конвейеры перевода. Метаданные указывают контекст до 32 768 токенов, а README уточняет, что обучение проводилось с длиной контекста 8 192 токена. Модель может нарушать структуру результата, повторять текст или частично переводить длинные контексты; качество также зависит от языковой пары и специализированной терминологии. Лицензия — OpenMDW-1.0.

YOLOv8 находит и выделяет рамками строки кхмерского печатного текста и математические формулы на страницах учебников и экзаменационных материалов MoEYS. Модель предназначена для первого этапа OCR: она сегментирует строки и формулы, чтобы затем передать полученные фрагменты распознавателю текста или формул. Также её можно применять для оцифровки учебных документов и извлечения заданий из фотографий и PDF. В README заявлены метрики mAP@50 96,78%, mAP@50–95 81,96%, полнота 93,33% и точность 94,89%. Доступна версия ONNX для запуска в разных средах; в метаданных указана лицензия MIT. Модель обнаруживает области документа, но сама не распознаёт их содержимое и не решает математические задачи.

Agnuxo/Agente-GPT-Qwen-2.5-3B_GGUF_16bit — локальная чат-модель для генерации текста, представленная независимым исследователем Франсиско Ангуло де Лафуэнте. Это плотная модель семейства Qwen2 с 3 млрд параметров в формате GGUF F16; карточка рекомендует запуск через Ollama и также описывает использование с Transformers. Модель позиционируется как автономный агент для декомпозиции задач и взаимодействия с другими агентами, а также для генерации кода и научных текстов; заявлены навыки работы с Python, JavaScript, TypeScript, Rust, Go, C++, научными вычислениями и инструментами машинного обучения. Указана интеграция с MCP и A2A, но метаданные подтверждают только чат-возможность и генерацию текста. Карточка связывает модель с экосистемой P2PCLAW и предлагает перенаправлять запросы на написание научных статей в её конвейер генерации публикаций. Основные языки карточки — английский и испанский. Репозиторий распространяется по лицензии Apache-2.0. Длина контекста и независимые оценки качества в предоставленных сведениях не описаны.

TurkuNLP/bert-base-finnish-uncased-v1 — финская версия BERT Base с архитектурой BertForMaskedLM, разработанная TurkuNLP и обученная с нуля на финских текстах. Модель содержит 151,7 млн параметров, использует словарь из 50 000 WordPiece-токенов с улучшенным покрытием финской лексики и принимает последовательности длиной до 512 токенов. Предварительное обучение выполнено в течение 1 млн шагов на более чем 3 млрд токенов финских новостей, интернет-обсуждений и веб-данных. Модель предназначена для заполнения пропусков в тексте и может служить основой для дообучения под классификацию документов, распознавание именованных сущностей, разметку частей речи и другие задачи обработки финского языка. В README приведены результаты, превосходящие multilingual BERT на нескольких финских наборах данных. Для запуска доступны веса в PyTorch, TensorFlow и Flax, включая формат safetensors. Лицензия в предоставленных данных не указана.

CloudSurf-4B-FC-GGUF — официальный набор GGUF-квантизаций модели CloudSurf-4B-FC, разработанной CloudSurf Software. Модель основана на архитектуре Gemma-4 E4B: около 4 млрд эффективных активных параметров и примерно 8 млрд общих параметров. Основное назначение — генерация текста с поддержкой function calling и tool use, включая выбор инструментов, многоаргументные и параллельные вызовы, обмен сообщениями роли tool и отказ от нерелевантных вызовов. Модель ориентирована на работу через llama.cpp, LM Studio, Ollama и OpenAI-совместимый локальный сервер. Доступны варианты с квантованием от Q3_K_M до Q8_0, а также BF16; рекомендуемый вариант Q4_K_M занимает около 5,3 ГБ и рассчитан на системы с 8 ГБ RAM или VRAM. Для каждого файла заявлена успешная проверка базового набора из шести сценариев вызова инструментов. Поддерживается ввод изображений через отдельный mmproj-файл, поскольку визуальные возможности унаследованы от базы Gemma-4, однако ключевая специализация модели — function calling. Обучение и оценка проводились в контексте класса 131K, а практический пример запуска использует 16 384 токена. Качество квантованных вариантов отдельно пока не оценено: опубликованные показатели BFCL относятся к исходным BF16-весам и не должны напрямую переноситься на GGUF-файлы. Для вариантов ниже Q8_0 следует ожидать некоторое снижение качества, усиливающееся при уменьшении разрядности. Лицензия — Apache-2.0, при этом базовые веса Gemma-4 также регулируются условиями Google Gemma.

cupidon-mini-ro — компактная модель Sentence Transformers, дообученная на базе sentence-transformers/all-MiniLM-L6-v2 для кодирования предложений на румынском языке в плотные семантические векторы. Она предназначена для поиска по смыслу, сравнения текстов и кластеризации, в том числе для задач оценки семантического сходства предложений (STS). Модель содержит 25,9 млн параметров, имеет контекст до 512 токенов и доступна в форматах Safetensors, ONNX и OpenVINO; для использования через Transformers требуется применять pooling к контекстным эмбеддингам токенов. Компактный размер около 90 МБ и ориентация на румынский язык подходят для эффективного локального извлечения эмбеддингов. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов бенчмарков, поэтому качество для конкретной задачи следует оценивать на собственных данных.

SirMappel/DA-SBERT_Old_News_V1 — модель Sentence Transformers, дообученная на датасете ENO на базе CALDISS-AAU/DA-BERT_Old_News_V3. Она преобразует датские предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства, поиска перефразировок, кластеризации и классификации текста. Архитектура включает BERT и mean pooling; используется косинусное сходство. Модель рассчитана на датский язык, максимальная длина последовательности — 512 токенов (в метаданных указано 514 токенов контекста). Объём модели — 151,7 млн параметров. Модель подходит для поиска и группировки исторических новостных текстов, а также для сравнения формулировок на датском языке. Она выдаёт эмбеддинги, которые можно использовать в прикладных задачах NLP; сама по себе не генерирует текст. Данные README описывают обучение на ENO, но не приводят подробных оценок качества. Лицензия в доступных данных не указана.

Lakoc/DeCRED_small_cv_2 — дообученная модель распознавания речи на базе архитектуры JointCTCAttentionEncoderDecoder. Модель обучена на Common Voice 13.0 и предназначена для преобразования речи в текст. В карточке приведены результаты оценки: CER 0,0663 и WER 0,1563. Репозиторий содержит веса в формате safetensors. Описание сценариев применения, языков, условий лицензии и ограничений в карточке отсутствует, поэтому их нельзя уточнить. Модель опубликована 15 июня 2024 года.

Delta-P2S — слитый чекпойнт на архитектуре Qwen2.5, созданный с помощью экспериментального пакета Delta-P2S с учётом архитектуры Qwen. Модель содержит 14 млрд параметров, использует библиотеку Transformers и веса в формате safetensors; заявленное контекстное окно составляет 131 072 токена. Название и обучающие пути указывают на кодовую направленность эксперимента с Qwen, однако README не уточняет обучающие данные, языки программирования или конкретные сценарии. Модель поддерживает текстовую генерацию и чат. Она может применяться для генерации кода и диалоговых ответов, но качество для этих задач не описано. Лицензия в предоставленных данных не указана.

MigoXV опубликовал форматную конверсию офлайн-модели NVIDIA Sortformer v1: веса FP32 перенесены из официального архива в формат PyTorch safetensors без дообучения и квантизации. Для загрузки требуется реализация sortformer-dia; одних Transformers недостаточно. Модель анализирует аудиозапись целиком и определяет временные сегменты речи для максимум четырёх говорящих, сохраняя перекрывающуюся речь. Транскрипцию и распознавание личности говорящего между разными записями она не выполняет. Поддерживается обработка монофонического аудио LINEAR16 с указанной частотой дискретизации на CPU или CUDA в FP32. По умолчанию запрос ограничен 120 секундами, а максимальный размер пакета равен одному. Репозиторий содержит веса и конфигурацию, а не код модели; для запуска нужна среда проекта sortformer-dia. Лицензия весов — CC-BY-NC-4.0, допускающая использование на условиях этой лицензии, включая её ограничения на коммерческое использование. Это конверсия модели NVIDIA, а не официальный выпуск NVIDIA.

kwondw/distilbert-base-uncased-msmarco-margin-mse-mnrl-100 — англоязычная модель Sentence Transformers, дообученная автором на основе distilbert/distilbert-base-uncased для поиска по текстам. Она кодирует предложения и абзацы в плотные векторы размерности 768; близость оценивается скалярным произведением. Архитектура включает DistilBERT и усредняющий слой пулинга. README указывает максимальную длину последовательности 300 токенов, а метаданные — контекст до 512 токенов. Модель предназначена для извлечения эмбеддингов и поиска релевантных текстов, включая семантический поиск и retrieval. В README приведены результаты оценки на NanoMSMARCO, однако показатели dot_accuracy@1, @3 и @5 низкие, поэтому качество для практического поиска следует проверять на целевых данных. Также указано, что обучение проводилось на наборе из 100 примеров. Модель принимает текст и выдаёт векторы. Распространяется по лицензии Apache-2.0.

DUSUNEN Rota 270M v1 — компактная плотная модель текстовых эмбеддингов, разработанная GoktugD на базе microsoft/harrier-oss-v1-270m. Она кодирует турецкие поисковые запросы и фрагменты документов в общее 640-мерное векторное пространство для первичного поиска, семантического поиска и отбора кандидатов для RAG. Модель содержит около 257 млн параметров, использует архитектуру Gemma3Text и имеет контекст до 32 768 токенов; для запросов требуется заданный инструкционный формат, документы подаются как обычный текст. Модель дообучена на 100 000 триплетах, происходящих из машинного перевода MS MARCO, и распространяется в форматах Safetensors и ONNX под лицензией MIT. В опубликованной оценке на небольшом наборе исторических вопросов и документов на турецком она немного превосходит Mursit Base TR Retrieval по нескольким метрикам, но уступает базовой Harrier и multilingual-e5-base по MRR@10. Это результат адаптации к домену, а не универсальное улучшение; оценка сходства служит сигналом ранжирования, а не вероятностью или проверкой фактов.