II.8Инженерия данных и аналитика

Модель vasilis/xls-r-et-V-3 — дообученная версия facebook/wav2vec2-xls-r-1b для автоматического распознавания эстонской речи. Она использует архитектуру Wav2Vec2ForCTC и обучалась на эстонской части набора Mozilla Common Voice 8.0. Модель принимает аудио и выдаёт распознанный текст. В карточке указаны результаты оценки на тестовом наборе: значение функции потерь 0,8824 и WER 0,5246. Модель опубликована в формате PyTorch по лицензии Apache-2.0.

assay-4b — модель принятия типизированных решений, разработанная проектом Assay на базе Qwen3-4B-Base. Она принимает текстовое состояние и именованные вопросы трёх типов: bool для ответа да или нет, choice для выбора из 2–255 описанных вариантов и score для оценки по 2–10 упорядоченным уровням. За один проход модель выдаёт распределение вероятностей по вариантам, уверенность и оценку наличия свидетельств; свободный текст не генерируется. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и контекст до 32 768 токенов. Веса дообучены с помощью LoRA и объединены с базовой моделью; отдельный адаптер и голова оценки свидетельств также представлены в репозитории. Для bool и choice предусмотрена конформная калибровка с возможностью воздержаться от ответа. Модель обучена на английских данных и предназначена для типизированной классификации и структурированных решений, в том числе по ранее не встречавшимся задачам. По данным карточки, на наборах невиданных при обучении задач точность составила 0,803; показатели и калибровка могут меняться на других данных. Модель не предназначена для арифметики, подсчётов, сравнения дат или многошаговых рассуждений за один проход; при нерелевантном контексте точность снижается. Вероятности и пороги не гарантируют надёжность для каждого отдельного ответа, поэтому перед применением следует проверить калибровку на собственных размеченных данных. Лицензия — Apache-2.0.

AutoDev Coder DeepSeek 6.7B Finetunes — разговорная модель генерации текста на архитектуре Llama с 6,6 млрд параметров и контекстом до 16 384 токенов. README указывает на дообучение для AutoDev, но не содержит подробностей о сценариях и обучении. Модель предназначена для генерации текста в чате; её название указывает на применение в разработке кода и IDE-плагине. В метаданных перечислены английский и китайский языки, формат весов Safetensors и библиотека Transformers. Лицензия указана как other, поэтому условия её использования следует уточнить у автора модели.

SayedShaun/bangla-wav2vec2 — модель автоматического распознавания речи на основе Wav2Vec2 с CTC-головой. По карточке, веса и конфигурацию загрузил пользователь SayedShaun, но они были обучены не им: чекпойнт зеркалирует модель из датасета wv-shru-v3-s6, опубликованного пользователем Kaggle qdv206. Модель предназначена для преобразования речи на бенгальском языке в текст на письме бенгали. Она ожидает монофоническое аудио с частотой дискретизации 16 кГц и использует посимвольный CTC-словарь из 90 токенов, включающий символы бенгальского письма, цифры и базовую пунктуацию. Размер модели — около 402,7 млн параметров. Карточка описывает совместимость с Transformers через стандартные классы Wav2Vec2ForCTC и AutoModelForCTC. Лицензия в метаданных обозначена как unknown; при использовании автор просит указывать первоначального создателя и ссылаться на исходный датасет.

laion/clap-htsat-fused — мультимодальная модель CLAP (Contrastive Language-Audio Pretraining), разработанная LAION для сопоставления аудио с текстовыми описаниями. Она обучена на наборе LAION-Audio-630K, содержащем аудио-текстовые пары; архитектура включает аудиоэнкодер HTSAT и механизм слияния признаков. Модель насчитывает 132,1 млн параметров и распространяется в форматах PyTorch и Safetensors. Модель предназначена для классификации аудиозаписей без обучения на конкретных классах: пользователь передаёт аудио и варианты текстовых меток, а модель оценивает их соответствие. Она также извлекает аудио- и текстовые эмбеддинги, что подходит для поиска аудио по описанию и сопоставления звука с текстом. Карточка сообщает о сильных результатах в поиске аудио по тексту и классификации с нулевым числом примеров. Метаданные указывают английский язык; лицензия — Apache-2.0. Результаты зависят от формулировок текстовых меток и охвата обучающих данных; карточка не описывает гарантии качества для отдельных языков и аудиодоменов.

CLIP ConvNeXt-Base с широким размером эмбеддингов — модель сопоставления изображений и текста, обученная Ross Wightman с помощью OpenCLIP на подмножестве LAION. Вариант с «320» в названии использует разрешение изображения 320×320; визуальный энкодер основан на timm ConvNeXt-Base, текстовый — на текстовом энкодере OpenAI CLIP глубиной 12 слоёв с размерностью эмбеддингов 640. Модель предназначена для классификации изображений по произвольным текстовым меткам без дополнительного обучения, поиска изображений по текстовому запросу и поиска текста по изображению. Её также можно использовать как основу для дообучения задач классификации и для управления генерацией изображений. В карточке для соответствующего варианта указана точность ImageNet zero-shot top-1 71,0%. Модель обучалась на англоязычных данных LAION-Aesthetic; README рекомендует ограничивать текстовые сценарии английским языком. Авторы предостерегают от развёртывания без тщательного тестирования на фиксированной таксономии классов; распознавание лиц и наблюдение исключены из рекомендуемых сценариев. Лицензия репозитория — MIT; карточка рекомендует исследовательское применение и описывает риски неотфильтрованных данных LAION.

Decision-2.0-Lux-9B — текстовая модель принятия решений семейства Decision 2.0, разработанная командой vLLM Semantic Router. Она принимает текст или JSON и за один проход отвечает на вопросы выбора из нескольких вариантов, «да/нет» и оценки по шкале, выдавая вероятности для каждого ответа без генерации связного текста. Модель содержит 7,94 млрд параметров, имеет контекст длиной 16 384 токена и построена на архитектуре Decision2. По данным авторской оценки, она набрала 68,1 на JevArena, а медианное время ответа на один вопрос составило 18,4 мс на одном GPU. Подходит для пакетной оценки вариантов и условий, классификации без примеров и выбора действий по входным данным. Это дообучение vllm-sr/Decision-1.0-Lux-9B, опубликованное в формате safetensors и распространяемое по лицензии Apache-2.0. Показатели скорости и качества приведены авторами; результаты могут отличаться на других задачах и конфигурациях.

DiariZen — модель сегментации активности говорящих для развёртывания на устройстве AX650, подготовленная AXERA-TECH на основе BUT-FIT/diarizen-wavlm-large-s80-md. Она сочетает обрезанный WavLM-Large и Conformer и размечает аудио по кадрам на 11 классов активности говорящих. На вход подаётся монофоническое аудио 16 кГц; обработка разделена между AX650 NPU и CPU с ONNX Runtime: на NPU выполняется свёрточный извлекатель признаков, а трансформерная часть, Conformer и классификатор — на CPU. Модель обрабатывает окна длиной 4 секунды; для более длинных записей требуется скользящее окно и объединение сегментов. По данным карточки, гибридный конвейер достигает 14,9-кратной скорости реального времени на указанной конфигурации AX650. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

DNA-VL-STEER-2B — мультимодальная модель эмбеддингов от dnotitia, дообученная на базе Qwen/Qwen3-VL-Embedding-2B. Она преобразует текст, изображения и видео в общее 2048-мерное пространство векторов; поддерживает инструкционно-зависимый интерфейс и контекст до 32 тысяч токенов. Изменены ранние слои residual stream, а остальные веса, включая vision tower, сохранены как в базовой модели. Модель предназначена прежде всего для мультиязычного поиска и сопоставления подписей с изображениями и видео. Калибровка охватывает все 36 языков XM3600 и заметно улучшает мультиязычный визуальный поиск, особенно для ряда низкоресурсных языков; README приводит результаты и для корейского. Лицензия — Apache-2.0. Улучшения ориентированы на визуальные подписи: для абстрактного текстового поиска, классификации тонких визуальных различий и составных запросов результаты могут ухудшаться. Пользователям следует сравнить модель с базовой на своей задаче; сильное сокращение размерности эмбеддингов также может существенно снизить качество отдельных сценариев.

fable-coder-35B-A3B — модель для агентного программирования, созданная Dappit Labs на основе Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated. Это модель семейства Qwen3.5 MoE с 35 млрд параметров и примерно 3 млрд активных параметров; она дообучена методом LoRA на примерах агентной работы с кодом и вызовами инструментов в стиле Claude Code. Модель генерирует текст и интерфейсные вызовы инструментов для работы в агентной оболочке. Она предназначена для написания и редактирования кода, выполнения тестов и итеративного исправления ошибок. По описанию авторов, дообучение улучшает результаты на MBPP относительно базовой модели, сохраняя её способности к рассуждению; показатели приведены на собственной тестовой системе и не сопоставимы напрямую с официальными таблицами лидеров. Контекст модели — до 256 тысяч токенов. Модель основана на ослабленной в отказах (abliterated) версии базовой модели, поэтому отказы в ней в значительной мере удалены. Обучающие примеры преимущественно охватывают разработку веб-приложений, игр и Web3; на задачах вне этого распределения результаты могут быть нестабильными. Названия инструментов не привязаны к фиксированной схеме, а оценка SWE-bench Lite ещё не представлена. Лицензия репозитория — Apache-2.0.

Модель разработана совместно Военной академией Греции (SSE) и Техническим университетом Крита (TUC). Это XLM-RoBERTa-base с классификационной головой для бинарной классификации предложений: модель определяет, выражает ли предложение факт или мнение. Метки: 0 — мнение или субъективное высказывание, 1 — факт или объективное высказывание. Модель рассчитана на английский и греческий языки; авторы также указывают возможность применять её к другим языкам XLM-R в режиме zero-shot. Она обучалась пять эпох на смешанном англо-греческом наборе примерно из 9 тысяч размеченных предложений; греческие примеры были получены машинным переводом исходных данных. Размер модели — 305,2 млн параметров, контекст — 514 токенов. На тестовом наборе указаны accuracy 0,952 и F1 0,952. Модель подходит для предварительной разметки предложений по признаку фактичности и субъективности. Точность на других языках и в иных предметных областях может отличаться; состав данных и машинный перевод греческой части могут влиять на качество. Лицензия — Apache-2.0.

FIM-8B — языковая модель TIGER-Lab для генерации кода и работы в агентных сценариях разработки ПО. Она создана на основе Qwen/Qwen3-8B: модель прошла дообучение на данных function-aware Fill-in-the-Middle, а затем SFT на траекториях агента SWE-Lego. В репозитории указано 7,6 млрд параметров; архитектура — плотная Qwen3ForCausalLM, формат весов — safetensors. Модель предназначена для решения задач программной инженерии через агента, в частности для выполнения задач SWE-Bench с OpenHands CodeActAgent. В оценке по SWE-Lego модель получила в среднем 35,0 на SWE-Bench-Verified и 32,7 на SWE-Bench-Lite по трём запускам; README сообщает об улучшении на 3,2 и 5,4 пункта соответственно относительно воспроизведения SWE-Lego на Qwen3-8B. Контекст составляет до 163 840 токенов. Указана лицензия Apache-2.0. Карточка не подтверждает поддержку изображений или иных входных модальностей помимо текста.

Модель представляет собой GGUF-конверсию GigaAM-v3 для библиотеки transcribe.cpp, подготовленную командой handy-computer на основе ai-sage/GigaAM-v3. Это офлайн-модель автоматического распознавания русской речи с жадным декодированием RNN-T. Она предназначена для преобразования 16 кГц моноаудио в текст и локального запуска без внешней языковой модели или подключения к интернету. В основе используется 16-слойный Conformer-энкодер; исходная модель GigaAM-v3 имеет около 220–240 млн параметров и предварительно обучалась на 700 000 часах русской речи с объективом HuBERT-CTC. Данная конверсия выводит строчные русские тексты без пунктуации, использует словарь из 33 символов и поддерживает токенные временные метки. Потоковая обработка, перевод и автоматическое определение языка не поддерживаются. Доступны варианты F32, F16 и квантизации Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 183 до 888 МБ. На полном тестовом наборе FLEURS ru из 775 высказываний показатель WER составляет около 8,07–8,12% в зависимости от квантизации. Модель ориентирована на русскую речь в различных доменах, включая естественную речь, колл-центры, фоновую музыку и речь с нетипичными характеристиками. Ограничения включают отсутствие пунктуации и нормализации текста, отсутствие потокового режима и ограничения базового декодирования для длинных аудиофайлов. Модель распространяется по лицензии MIT, унаследованной от базовой модели.

GLM-4.7-Flash-Coder — дообученная модель whitecircle на базе GLM-4.7-Flash от Z.ai, предназначенная для агентного программирования и решения задач по изменению кода в репозиториях. По карточке это 30-миллиардная MoE-модель, а метаданные указывают 4,1 млрд параметров; размер активной части MoE и общее число параметров в источниках расходятся. Модель принимает текст и генерирует текст, включая рассуждения и вызовы инструментов. В карточке заявлен контекст обучения 75 тыс. токенов, а метаданные базовой модели указывают нативный контекст 202 752 токена. Модель дообучена методом SFT на успешных многошаговых трассах SWE-rebench-V2, созданных GLM-5.1 и отобранных после проверки тестами. В оценке на тестовом наборе SWE-rebench-V2 показатель pass@1 составил 41,65% против 33,15% у базовой модели; авторы также описывают более частое параллельное использование инструментов и меньшее число ходов. Предназначена для работы в агентной среде с инструментами чтения, редактирования и запуска команд; результаты зависят от среды исполнения и не гарантируют корректность изменений. Лицензия — MIT.

Granite-8B-Code-Base-4K — авторегрессионная decoder-only модель для генерации кода, разработанная IBM Research и обученная с нуля. Модель содержит 8,1 млрд параметров, использует архитектуру Llama и принимает контекст до 4096 токенов. В первом этапе обучения использовались 4 трлн токенов кода на 116 языках программирования, а на втором — 500 млрд токенов из тщательно подобранных наборов кода и естественного языка. Модель предназначена для генерации и объяснения кода, исправления ошибок, создания модульных тестов и документации, поиска уязвимостей и перевода между языками программирования. Также обучение на данных естественного языка поддерживает понимание инструкций и математические рассуждения. Модель доступна в формате Safetensors и распространяется по лицензии Apache 2.0. Разработчик не рекомендует использовать её в новых проектах и оставляет модель для исторических и научных целей. Она не прошла выравнивание по безопасности, может выдавать проблемный или ошибочный код и иногда воспроизводить фрагменты обучающих данных; результаты требуют проверки.

patrickvonplaten/hubert-xlarge-ls960-ft-4-gram — модель распознавания английской речи, созданная на основе Facebook hubert-xlarge-ls960-ft и дополненная 4-граммной языковой моделью. Для языковой модели используются официальные n-граммы LibriSpeech. Архитектура — HuBERT-XLarge с CTC-выходом; число параметров по метаданным — 1,3 млрд. Модель принимает аудио и выдаёт распознанный текст, подходит для транскрибации речи и оценки на наборах LibriSpeech clean и other. В README приведены результаты WER 1,71 для clean и 3,06 для other. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

Это дообученная модель Whisper на 455,8 млн параметров, созданная на основе parthiv11/indic_whisper_hi_multi_gpu. Она предназначена для автоматического распознавания речи и транскрибирования аудио; в названии модели указаны хинди, хинглиш и смешанные письменности. В README приведены результаты оценки: loss 0,4115 и Global WER 27,8641; описание датасета и подробности применения не раскрыты. Модель распространяется под лицензией MIT.

Это дообученная модель Whisper на 455,8 млн параметров, созданная на основе parthiv11/indic_whisper_hi_multi_gpu. Она предназначена для автоматического распознавания речи и транскрибирования аудио; в README приведены результаты оценки: loss 0,6319 и Global WER 14,3953. Базовая модель ориентирована на индийские языки, с подтверждённой поддержкой хинди. Модель принимает аудио и выдаёт текстовую транскрипцию. Она распространяется в формате safetensors и имеет лицензию MIT. Данные обучения в карточке не раскрыты, поэтому результаты и пригодность для конкретных акцентов, условий записи или других языков следует проверять на собственных аудио.

hotchpotch разработала японскую модель поиска japanese-splade-v2 на архитектуре BERT. Это SPLADE v2 — модель, которая преобразует текст в разреженные лексические векторы, расширяя исходные слова терминами, полезными для поиска. Размер модели — 138,4 млн параметров, максимальная длина входа — 512 токенов; доступны веса в формате Safetensors. Модель предназначена для поиска и извлечения релевантных документов по японским запросам, в том числе в системах семантического поиска и retrieval-augmented generation. В README приведены результаты оценки на японских наборах JMTEB; авторы сообщают об улучшении среднего результата относительно базовой версии japanese-splade-base-v1. Обучение использовало японские наборы данных для поиска и вопросов-ответов, включая MSMARCO-ja. Модель дообучена на hotchpotch/japanese-splade-base-v1_5 и распространяется по лицензии MIT. В карточке Hugging Face указан pipeline-тег fill-mask, однако заявленное назначение модели — разреженное представление текста для поиска; тег не описывает этот сценарий напрямую. README ограничивает контекст тестирования длиной до 512 токенов.

KBIR — языковая модель Bloomberg на архитектуре RoBERTa, разработанная для получения контекстных представлений ключевых фраз. В предобучении к RoBERTa добавлены головы восстановления пропусков и классификации замен; при оценке на последующих задачах используются предобученные представления, а не эти головы. Модель содержит 454,1 млн параметров, распространяется в формате PyTorch и принимает текст с контекстом до 514 токенов. Представления KBIR можно дообучать для извлечения ключевых фраз, распознавания именованных сущностей, ответов на вопросы и других задач классификации текста, совместимых с RoBERTa. README приводит примеры оценки на наборах данных для извлечения ключевых фраз и предлагает адаптировать модель к другим наборам данных. Модель предназначена для работы с текстом; README не сообщает языковую специализацию. Лицензия — Apache-2.0. Результаты зависят от последующего дообучения и набора данных; сама модель не является готовым решением для перечисленных прикладных задач.

Keural Mid — визуальный энкодер MKD Co., Ltd., обученный с нуля для извлечения признаков изображений. Модель содержит 183,6 млн параметров, принимает RGB-изображения размером 384×384 и поддерживает размеры, кратные 16. Она выдаёт глобальный вектор изображения размерности 768 и последовательность из 512 адаптивно выделяемых токенов размерности 768 с уровнями «глобальный», «область» и «деталь». В основе — адаптивное распределение бюджета токенов, иерархическая токенизация понятий и непрерывное позиционное кодирование 2D-RoPE. Модель предназначена для поиска изображений и текста по сходству, кластеризации, извлечения признаков и использования в качестве замороженного визуального энкодера для downstream-моделей. Её также можно применять в исследованиях адаптивной токенизации и позиционного кодирования при переменном разрешении. Она обучена на парах изображение–текст из интернета и выровнена с англоязычным текстом; в README приведены результаты ImageNet и Flickr30K, а также оценка вклада энкодера в двуязычную визуально-языковую модель. На ImageNet её точность zero-shot ниже, чем у упомянутых в README CLIP ViT-B/16 и SigLIP ViT-B/16; авторы связывают это с ограниченным бюджетом обучения. Размещение дискретных токенов не полностью стабилизировалось к последнему чекпойнту. Модель не включает фильтрацию контента и наследует охват и смещения обучающих данных. Лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории.

AyoubChLin/lfm2.5-2.6b-fable5-coding-agent — плотная причинная языковая модель на 2,6 млрд параметров, созданная полным supervised fine-tuning модели LiquidAI/LFM2.5-2.6B на наборе saidutta69/fable-5-premium. Чекпойнт в формате BF16 предназначен для многоходового общения с ассистентом, генерации и объяснения кода, а также формирования вызовов инструментов в агентной системе. Заявленное контекстное окно базовой модели — 131 072 токена. Модель обучалась на первых 5 000 строк обучающей части набора и полных валидационной и тестовой частях; обучение учитывало только токены ответов ассистента. Более половины выбранных обучающих примеров были усечены до 32 000 токенов. Приведённые потери на отложенных данных не сравнивались с базовой моделью и сами по себе не доказывают качество кодирования или агентных действий. Модель экспериментальная, не заявлена как готовая для production. Сгенерированные фрагменты кода и вызовы инструментов могут быть неполными, ошибочными или небезопасными; вызовы нужно проверять и авторизовывать, а код выполнять в изолированной среде. Перед использованием и распространением необходимо соблюдать лицензии базовой модели и обучающего набора; карточка не предоставляет дополнительных прав.

mesolitica/malaysian-whisper-tiny — дообученная компанией Mesolitica модель Whisper Tiny для распознавания малайской и английской речи. Она предназначена для транскрибирования стандартного и местного вариантов малайского языка, а также стандартного английского и Manglish — разговорной смеси малайского и английского. В карточке перечислены обучающие данные IMDA STT, корпуса малайской разговорной речи, псевдоразметка видео и аудиокниг, а также частный набор Haqkiem TTS Dataset. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 29,4 млн параметров и принимает аудио, выдавая распознанный текст. Для аудио длиннее 30 секунд README рекомендует разбивать запись на фрагменты и распознавать их отдельно. Модель опубликована в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

DigitalUmuganda/Mbaza-ASR-Afrivoice-660h — модель автоматического распознавания речи, опубликованная DigitalUmuganda для работы в NVIDIA NeMo. Это акустическая модель на архитектуре Conformer с CTC, предназначенная для транскрибирования аудио и доступная как предварительно обученный чекпойнт для инференса или дообучения на другом наборе данных. Модель принимает монофонические WAV-записи с частотой дискретизации 16 кГц. По метаданным она связана с набором данных Afrivoice_Kinyarwanda и ориентирована на киньяруанда. Модель распространяется по лицензии CC BY 4.0. В карточке не приведены размер модели, длина контекста или оценка качества; пригодность для других языков и акустических условий не подтверждена.

Это языковая модель на архитектуре Mistral, созданная сообществом с помощью слияния SLERP двух моделей: beowolx/CodeNinja-1.0-OpenChat-7B и yanolja/EEVE-Korean-Instruct-10.8B-v1.0. Модель содержит 7,1 млрд параметров, работает с библиотекой Transformers и имеет контекст до 8192 токенов. Модель предназначена для генерации текста в диалоговом формате. В слиянии объединены возможности модели для задач программирования и корейской модели, обученной следованию инструкциям; точные сравнительные результаты и гарантии качества в карточке не приводятся. Модель принимает и выдаёт текст. Файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

MMG/mlm-spanish-roberta-base — испаноязычная модель на архитектуре RoBERTa, разработанная MMG и обученная с нуля на 3,6 ГБ текстов в течение 10 эпох. Для обучения использовались четыре GPU Tesla V100. Модель предназначена для предсказания замаскированных токенов и может служить основой для анализа испанского текста и дообучения под задачи понимания языка. Модель содержит 153,2 млн параметров, использует архитектуру RobertaForMaskedLM и поддерживает контекст до 512 токенов. В README приведены результаты оценки на испанском бенчмарке GLUES: 71,99% accuracy на XNLI, 74,85% accuracy на задаче парафразирования и 85,34 F1 на NER. Доступны веса PyTorch и Safetensors. Условия лицензии в предоставленных материалах не указаны.

AI Sweden разработала эту модель как продолжение предобучения answerdotai/ModernBERT-base на текстах Скандинавии. Это плотная encoder-only модель ModernBERT для заполнения пропусков в тексте и построения решений понимания текста. Модель содержит около 149 млн параметров, использует токенизатор, обученный с нуля, и сохраняет контекстное окно в 8192 токена с RoPE и локально-глобальным вниманием. Модель обучалась на скандинавских текстовых корпусах The Nordic Pile и SWEb примерно на 1,2 трлн дополнительных токенов. Она предназначена для заполнения пропусков, извлечения эмбеддингов и дообучения для задач NLP на шведском, норвежском, датском и исландском языках; также может служить заменой BERT-подобного энкодера. Лицензия — Apache-2.0. Это исследовательский артефакт. Веб-корпуса могут содержать шум, стереотипы и чувствительные материалы, а экстраполяция RoPE за пределы 8192 токенов не проверена и может ухудшить качество.

MOSS-Transcribe-Diarize GGUF — это набор весов в формате GGUF для движка moss-transcribe.cpp, представляющий порт модели OpenMOSS MOSS-Transcribe-Diarize. Исходную модель разработала команда OpenMOSS / MOSI.AI, а конвертацию и C++/ggml-инференс подготовила команда LocalAI. Модель предназначена для распознавания речи в длинных аудиозаписях, определения говорящих и формирования временных меток за один проход. Результат содержит текст, идентификаторы говорящих и интервалы начала и окончания реплик. Модель работает локально на CPU, а также может использовать GPU через доступные бэкенды ggml; для инференса не требуются Python, PyTorch или CUDA toolkit. Веса, токенизатор, mel-фильтрбанк и конфигурация полностью включены в GGUF. Доступны варианты от F16 до Q4_0; квантованные версии значительно меньше и быстрее, при этом варианты до Q5 сохраняют побайтное совпадение транскрипта с эталонной моделью на проверочном примере, а Q4 дают совпадение слов с небольшими отличиями во временных метках. Размеры файлов составляют примерно от 511 МБ до 1,8 ГБ. Языки, максимальная длина контекста и точные архитектурные параметры в карточке не указаны. Модель распространяется по лицензии Apache-2.0; движок moss-transcribe.cpp имеет лицензию MIT.

bofenghuang/phonemizer-wav2vec2-ctc-french — модель распознавания французской речи, построенная на архитектуре wav2vec2 с выходной CTC-головой. В метаданных указано 402,7 млн параметров; модель опубликована в формате safetensors и использует аудио на входе. Модель предназначена для преобразования аудиозаписей на французском языке в текст. В карточке указан датасет Mozilla Common Voice 13.0. Лицензия — MIT. README содержит только краткое указание на инференс аудио и не описывает подробности качества или ограничения.

Qwen2.5-VL-32B-Instruct-4bit — мультимодальная instruction-tuned модель семейства Qwen2.5-VL, разработанная командой Qwen и преобразованная сообществом mlx-community в формат MLX с помощью mlx-vlm. Модель содержит 32 млрд параметров и использует 4-битное квантование; работать с ней можно через библиотеку Transformers и инструменты MLX. Модель предназначена для обработки изображений вместе с текстовыми запросами: описания изображений, визуального вопросно-ответного диалога, извлечения и интерпретации информации с изображений. В метаданных заявлена поддержка английского языка, контекстное окно составляет 128 000 токенов. Pipeline-модель — image-text-to-text. К сильным сторонам относятся мультимодальное понимание и большой контекст, а 4-битное представление может снизить требования к памяти при локальном запуске. Квантование может повлиять на точность по сравнению с полной версией модели, а заявленная языковая поддержка ограничена английским. Модель распространяется по лицензии Apache-2.0.