II.8Инженерия данных и аналитика

Это конвертированная в формат MLX модель GigaAM v3 RNNT для распознавания русской речи на устройствах Apple Silicon. Она основана на чекпойнте ai-sage/GigaAM-v3, ревизии RNNT; архитектура включает 16-слойный Conformer-энкодер с размерностью 768 и 16 головами внимания. Веса представлены в fp16 и занимают около 423 МБ. Модель принимает монофоническое аудио с частотой 16 кГц и выдаёт посимвольную транскрипцию русского текста. RNNT-выход состоит из строчных букв русского алфавита без пунктуации; автор сообщает о меньшем WER по сравнению с CTC и приводит результаты оценки на 200 аудиофрагментах. Для пунктуации или нормализации текста потребуется дополнительная обработка. Репозиторий предназначен для запуска на Apple Silicon с MLX; README также описывает совпадение транскрипций с исходной реализацией PyTorch на проверенной выборке. Лицензия — MIT.

SZTAKI-HLT/hubert-base-cc — регистрозависимая модель BERT для венгерского языка, разработанная группой SZTAKI-HLT. Она обучена на отфильтрованной и очищенной от дубликатов венгерской части Common Crawl и снимке венгерской Википедии. Модель содержит 137,8 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch, TensorFlow и Flax; лицензия — Apache-2.0. Модель предназначена для использования как базовый венгерский BERT, в том числе для дообучения под разметку последовательностей. В карточке приведены результаты для chunking и распознавания именованных сущностей: после дообучения модель превзошла multilingual BERT и показала высокие результаты на этих задачах. В README уточняется, что описание обучения опирается на диссертацию, содержащую предварительные результаты по подкорпусу Википедии.

Kimi-Dev-72B — открытая языковая модель для инженерных задач с программным обеспечением, разработанная командой Kimi-Dev. Она дообучена на базе Qwen/Qwen2.5-72B и представляет собой плотную причинную модель Qwen2 с 71,5 млрд параметров. Модель предназначена для решения задач по реальным репозиториям, в частности для поиска и исправления ошибок по описанию проблемы; разработчики сообщают о результате 60,4% на SWE-bench Verified среди открытых моделей. Модель оптимизирована масштабным обучением с подкреплением: она вносит исправления в репозитории в Docker и получает вознаграждение, если проходит весь набор тестов. Поддерживаются генерация текста и интерфейс вызова инструментов; заявленная длина контекста — 131 072 токена. Модель доступна в формате safetensors через Transformers и распространяется по лицензии MIT. Карточка не сообщает о поддержке естественных языков; основное назначение модели — работа с кодом.

jhgan/ko-sbert-sts — модель на основе BERT для получения плотных векторных представлений предложений и абзацев на корейском языке. Она обучена на данных KorSTS для оценки семантического сходства; размер модели — 137,8 млн параметров, размерность эмбеддингов — 768, максимальная длина контекста — 512 токенов. Модель подходит для сравнения смысла двух текстов, семантического поиска и кластеризации. В README приведены результаты оценки на KorSTS: корреляция Пирсона 81,55 и Спирмена 81,23 при косинусном сходстве. Для работы доступны веса PyTorch и TensorFlow; модель можно применять через Sentence-Transformers или Transformers с соответствующей операцией pooling. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Модель ориентирована на корейский язык и обучена на KorSTS; качество на других языках и задачах не подтверждено приведёнными результатами.

Это модель оценки читаемости текста, разработанная OpenDataLab и представленная в работе Meta-rater: A Multi-dimensional Data Selection Method for Pre-training Language Models. Она дообучена на ModernBERT-base и присваивает тексту непрерывную оценку от 0 до 5 по признакам ясности, связности, сложности словаря, структуры предложений, грамматики и пунктуации. Модель содержит 149 млн параметров, использует архитектуру ModernBERT для классификации последовательностей и принимает текст длиной до 8192 токенов согласно метаданным репозитория. Модель предназначена для проверки и отбора текстов, оценки учебных материалов, поддержки редактирования и улучшения веб-контента. В карточке указаны F1 87,47% и точность 94,13%, однако методика и набор оценки не описаны в предоставленных сведениях. Модель рассчитана прежде всего на английский язык; по карточке, она не оценивает тематику текста и его длину. Лицензия — MIT.

Ramikan-BR/Mis3-7b-v1 — дообученная текстовая генеративная модель на архитектуре Mistral, разработанная Ramikan-BR на основе unsloth/mistral-7b-v0.3-bnb-4bit с использованием Unsloth и Hugging Face TRL. В карточке приведён пример ответа на запрос о создании игры «Змейка» на Python; пример содержит ошибки в коде, поэтому качество и надёжность генерации кода по нему подтвердить нельзя. Модель имеет 7,1 млрд параметров и контекстное окно до 32 768 токенов. Метаданные указывают английский язык. Репозиторий содержит веса в форматах PyTorch и safetensors, а лицензия — Apache-2.0.

MM Grounding DINO Large — модель компьютерного зрения семейства Grounding DINO, представленная авторами работы «An Open and Comprehensive Pipeline for Unified Object Grounding and Detection». Она предназначена для обнаружения объектов по текстовым запросам без отдельного обучения на каждом заданном классе: на вход подаются изображение и текстовые описания объектов, на выходе — найденные объекты с ограничивающими рамками и оценками уверенности. Модель улучшает Grounding DINO за счёт контрастивной классификационной головы и отказа от разделения параметров декодера. В карточке для семейства указаны результаты на COCO и LVIS, но приведённые подробные таблицы относятся к вариантам tiny и не подтверждают показатели именно этой версии large. Модель обучалась на наборах Objects365, Open Images, GOLD-G, V3Det, COCO, LVIS, GRIT и RefCOCO. Модель работает с изображениями и текстом и выдаёт текстовые категории, оценки и координаты рамок. Репозиторий использует библиотеку Transformers и формат safetensors. Лицензия Apache-2.0.

MM Grounding DINO Tiny — модель компьютерного зрения семейства MM Grounding DINO, представленная авторами работы «An Open and Comprehensive Pipeline for Unified Object Grounding and Detection». Она предназначена для обнаружения объектов на изображениях по текстовым описаниям, в том числе в режиме zero-shot, без необходимости заранее ограничивать запрос фиксированным набором классов. Модель использует архитектуру MMGroundingDinoForObjectDetection с визуальным backbone Swin-T. Вариант из этого репозитория обучен на Objects365v1, GOLD-G, GRIT и V3Det. В README приведены результаты на COCO и LVIS; для близкого варианта с тем же набором данных Objects365v1, GOLD-G и V3Det указаны 50,6 mAP на COCO и 30,6 AP на LVIS Val1.0. Модель принимает изображение и текстовые запросы с названиями объектов, а выдаёт обнаруженные объекты с рамками и оценками. README не сообщает поддерживаемые естественные языки запросов. Репозиторий распространяется по лицензии Apache-2.0.

MMS_10langs_simultane — дообученная модель распознавания речи на базе facebook/mms-1b-all, разработанная автором репозитория ilyes25. Она принимает аудио и преобразует речь в текст; архитектура — Wav2Vec2ForCTC семейства wav2vec2, размер — 1,3 млрд параметров. В README приведены результаты оценки: loss 0,3003, WER 0,3716, BLEU 0,4691, ROUGE-1 0,6871, ROUGE-2 0,5597 и ROUGE-L 0,6859. Модель предназначена для автоматического распознавания речи. README не раскрывает набор данных, языки и условия оценки, поэтому результаты нельзя уверенно переносить на конкретные языки и сценарии. Лицензия CC BY-NC 4.0 допускает использование с соблюдением условий лицензии, включая некоммерческий характер.

ModernBERT-TR 1k — турецкая энкодерная модель на архитектуре ModernBERT, разработанная Besher Alkurdi, Himmet Toprak Kesgin, Muzaffer Kaan Yuce и Mehmet Fatih Amasyali. Это модель с маскированным языковым моделированием, предварительно обученная с нуля на 144,4 млрд токенов; она содержит 148,7 млн параметров и поддерживает контекст до 8192 токенов. Архитектура включает 22 слоя, скрытый размер 768, 12 голов внимания, RoPE, GLU и чередование локального и глобального внимания. Используется собственный токенизатор WordPiece на 50 тысяч токенов, оптимизированный для морфологии турецкого языка. Модель предназначена как базовый энкодер для турецких NLP-задач: заполнения пропусков, классификации текста, семантического сходства, распознавания текстовых отношений и поиска информации. В опубликованных авторами оценках она показала сильные результаты на наборах турецких задач, включая линейное зондирование и полное дообучение; для специализированных сценариев модель можно дообучать. Метаданные указывают формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

Репозиторий UCSC-VLAA/openvision-vit-large-patch14-224 содержит веса визуального энкодера OpenVision из семейства моделей, описанного в статье «OpenVision: A Fully-Open, Cost-Effective Family of Advanced Vision Encoders for Multimodal Learning». Модель предназначена для извлечения признаков изображений и может использоваться в задачах классификации изображений без дообучения, в том числе для оценки соответствия изображения текстовым меткам.

Passage Ranker v1 XS EN — англоязычный реранкер компании Sinequa для поиска. Модель получает запрос и текстовый фрагмент, оценивает их релевантность и помогает упорядочить результаты поиска. Это компактная модель на архитектуре BERT-Mini с примерно 12 млн параметров, обученная по схеме MonoBERT; она нечувствительна к регистру и диакритическим знакам. Контекст составляет 512 токенов. Модель предназначена для повторного ранжирования найденных фрагментов и улучшения поиска по запросам на английском языке. В README приведена средняя оценка NDCG@10 0,438 по 14 англоязычным наборам BEIR. Для работы с FP16 требуется GPU с CUDA compute capability выше 6.0, для других указанных режимов — выше 5.0; README также указывает минимальную версию Sinequa 11.10.0. Лицензия в предоставленных сведениях не описана.

Perception Encoder PE-Core-B16-224 — визуально-языковая модель-энкодер, разработанная Meta для понимания изображений и видео. Это версия семейства PE Core размера B/16: визуальная башня имеет 12 слоёв и около 90 млн параметров, а текстовая — 24 слоя и около 310 млн параметров. Модель сопоставляет изображения и текст в общем пространстве признаков; изображения обрабатываются при разрешении 224 пикселя, длина текстового контекста составляет 32 токена. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах, а также для извлечения признаков и поиска по сходству изображений и текста. В README также приведены результаты на задачах классификации видео и поиска, однако карточка Hugging Face указывает основной задачей классификацию изображений zero-shot. Вариант B/16 показал результаты на наборах ImageNet-1k, ImageNet-v2, ImageNet-A, ObjectNet и Kinetics-400. PE Core использует контрастивное предварительное обучение и дополнительную настройку на синтетически согласованных видеоданных. Модель принимает изображения и текст, выдаёт векторные представления для сопоставления. Для работы требуются PyTorch и библиотека perception-encoder. Лицензия — Apache-2.0. Генерация текста или изображений не поддерживается; текстовый контекст ограничен 32 токенами.

OVOS Qwen3 Forced Aligner 0.6B Q4_K_M — квантизированный экспорт модели Qwen/Qwen3-ForcedAligner-0.6B в формате GGUF, подготовленный для использования на периферийных устройствах и в средах с CPU-инференсом. Модель предназначена для принудительного выравнивания речи и текста, а также используется в связке с системой автоматического распознавания речи для получения транскрипции и временных соответствий между текстом и аудиосигналом. Модель поддерживает широкий набор языков, включая китайский, английский, кантонский, арабский, немецкий, французский, испанский, португальский, русский, японский, корейский, хинди и другие языки, перечисленные в карточке. Архитектура и размер исходной модели указаны как 0.6B, а вариант Q4_K_M использует квантизацию для снижения требований к памяти и вычислительным ресурсам, что может быть преимуществом для CPU и edge-устройств, но потенциально ограничивает точность по сравнению с полной версией. Для работы рекомендуется пакет py-qwen3-asr-cpp; модель распространяется по лицензии Apache 2.0.

sapienzanlp/relik-retriever-e5-base-v2-aida-blink-encoder — веса компонента Retriever системы ReLiK, разработанной SapienzaNLP и дообученной на AIDA-CoNLL. Retriever ищет подходящие документы или сущности в коллекции и служит частью конвейера для связывания упоминаний с сущностями; для извлечения отношений в ReLiK предусмотрен отдельный компонент Reader. Модель основана на архитектуре BERT, содержит 136,7 млн параметров и принимает текст, формируя векторные представления. Контекст ограничен 512 токенами; в метаданных указан английский язык. Модель рассчитана на быстрый поиск для связывания сущностей и использования в задачах извлечения информации. В README приведено сравнение ReLiK Base с другими системами на AIDA и нескольких тестовых наборах, включая оценку скорости, однако результаты зависят от теста и оборудования. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

RigoBERTa 2.0 — испаноязычная языковая модель-энкодер, разработанная IIC. Она получена дальнейшим языково-адаптивным предобучением FacebookAI/xlm-roberta-large на отобранном испанском корпусе с помощью masked language modeling. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и принимает последовательности длиной до 514 токенов. Модель предназначена для понимания испанского текста и может служить основой для классификации текстов, распознавания именованных сущностей и других задач NLP. В Hugging Face она опубликована для заполнения пропусков в замаскированном тексте. Токенизатор унаследован от базовой модели; для длинных последовательностей в описанном процессе применяются сегменты с перекрытием. Лицензия rigoberta-nc запрещает коммерческое использование без согласования с разработчиками. Среди ограничений указаны возможные смещения в данных предобучения и необходимость оценивать вычислительные затраты при развертывании на устройствах с ограниченными ресурсами.

OpenJev (Verdict) — дообученная модель принятия решений на основе ModernBERT, опубликованная heman10x. Она оценивает текст и заданные кандидаты, выдавая выбор, порядковую оценку или вероятности классов за один проход без генерации текста. Модель рассчитана на структурированные программные сценарии, где нужны быстрые семантические суждения и оценка уверенности; предусмотрен отдельный вариант отказа при недостатке свидетельств. Модель построена на GLiClass/ModernBERT с 151 378 177 параметрами и поддерживает до 25 кандидатов за один вызов. Для калибровки использованы совместная функция потерь Cross-Entropy и Brier Score, а затем температурное масштабирование. Заявлены запуск через PyTorch и ONNX Runtime, а также локально в браузере с WebGPU/WASM. Лицензия — Apache-2.0. В README приведены результаты на тестовом наборе из 1 000 примеров с пятью кандидатами: точность Top-1 — 95%, Brier Score после калибровки — 0,0785. Эти показатели относятся к указанной оценке и не гарантируют качество на других данных; модель не предназначена для свободного диалога и генерации текста.

SEW-D-tiny — модель автоматического распознавания речи на основе архитектуры SEW (Squeezed and Efficient Wav2vec), разработанной исследовательской командой ASAPP Research. Представленная версия дообучена для распознавания английской речи на 100 часах набора LibriSpeech и использует выходной слой CTC. Модель работает с одноканальными речевыми аудиозаписями, оцифрованными с частотой 16 кГц. Модель предназначена для преобразования английской речи в текст и может применяться в сценариях транскрибации аудиозаписей и голосовых данных. На тестовой выборке LibriSpeech она достигает WER 10,47% для конфигурации clean и 22,73% для конфигурации other. SEW ориентирована на эффективный инференс: согласно описанию архитектуры, она обеспечивает более высокую скорость и выгодное соотношение производительности и вычислительных затрат по сравнению с wav2vec 2.0. Ограничения модели — поддержка только английской речи в данном чекпойнте, требование частоты дискретизации 16 кГц и чувствительность качества к акустическим условиям, отражённая разницей результатов на clean и other. Модель распространяется по лицензии Apache 2.0. Для использования необходимы совместимые процессор и модель SEWDForCTC; README не указывает размер модели, максимальную длину контекста или перечень дополнительных модальностей.

Это текстовая башня SigLIP 2 Large, подготовленная Veritone на основе google/siglip2-large-patch16-256. Репозиторий содержит только часть модели, которая кодирует текстовые запросы в общее пространство эмбеддингов; её можно загружать отдельно от зрительной башни, чтобы сократить расход памяти и время загрузки при поиске. Модель предназначена для сопоставления текстовых запросов с изображениями при поиске по изображениям и классификации без примеров. Для полного сценария нужны соответствующие эмбеддинги изображений, которые создаёт зрительная башня Veritone/siglip2-large-patch16-256-vision. Архитектура — SigLIP 2 Large; модель использует Transformers и формат safetensors. Контекст составляет 64 токена. Обучение SigLIP 2 проводилось на наборе WebLI. Лицензия — Apache 2.0. Эта копия включает только текстовую башню: сама по себе она не принимает изображения и не выполняет полноценную классификацию без зрительной башни или заранее рассчитанных эмбеддингов изображений. README не сообщает языковой охват и результаты оценки именно этой копии.

Amu/tao — экспериментальная модель эмбеддингов на архитектуре BERT, опубликованная автором как пробная версия. По README, автор дообучил её на небольшом наборе данных, используя метод, похожий на stella-v2; модель предназначена для получения текстовых эмбеддингов и оценки сходства предложений. Репозиторий содержит веса PyTorch, а заявленная длина контекста составляет 1024 токена. Карточка указывает поддержку китайского языка и лицензию Apache-2.0. Автор характеризует эту версию как тестовую и сообщает о планах выпустить tao-v2 с другой структурой.

TEMPO SFT Stage 2 — дообученная модель Kaousheik на базе NVIDIA Audio Flamingo 3 для анализа речи, звуков и музыки с привязкой ответов ко времени. Архитектура Audio Flamingo 3 объединяет аудиокодировщик Whisper-large и Qwen2-7B; в этом варианте используется временной мультимодальный проектор. Модель принимает аудио и выдаёт текст с временными метками для пяти связанных задач: распознавания речи, диаризации говорящих, поиска временного интервала по текстовому запросу, плотного описания звуковых событий и анализа музыки. Вариант Stage 2 обучен на реальных данных и предназначен, в частности, для разметки разговоров и встреч, локализации событий в аудиозаписи и временного анализа музыкальных элементов. Модель рассчитана на английский язык. Токенизация времени ограничивает метки интервалами до 60 секунд, поэтому более длинные записи нужно разбивать на фрагменты. Качество распознавания многоголосой речи и определения аккордов ограничено; метки говорящих произвольны между разными клипами. Лицензия указана как other, конкретные условия в предоставленных материалах не раскрыты.

utahnlp/tevatron-elastic-modernbert-retriever-depth — модель извлечения признаков и поиска, разработанная Utah NLP и обученная с помощью Tevatron-Elastic на базе answerdotai/ModernBERT-base. Она кодирует запросы и фрагменты документов с префиксами query: и passage: в векторы для поиска релевантных материалов. Контрольная точка поддерживает эластичное сокращение глубины: один набор весов позволяет выбирать число слоёв при кодировании, задавая компромисс между вычислительными затратами и качеством. Модель содержит 149 млн параметров, принимает текст, поддерживает контекст до 8192 токенов и распространяется в формате Safetensors. Модель предназначена для информационного поиска и воспроизводимых экспериментов с вариантами глубины кодировщика. На полной конфигурации авторы сообщают результат nDCG@10 0,456 на BEIR-15; это не заявка на превосходство над современными системами. Обучение проводилось на rlhn/rlhn-680K с максимальной длиной 512 токенов. Лицензия — Apache-2.0. Базовая архитектура ModernBERT ориентирована на английский язык, поэтому README не подтверждает качество поиска на других языках.

badalsahani/text-classification-multi — модель классификации текста, обученная разработчиком с помощью AutoTrain. Она решает задачу многоклассовой классификации и принимает текст для предсказания класса; модель можно вызывать через Inference API или использовать в экосистеме Transformers и PyTorch. Модель основана на BERT с головой BertForSequenceClassification, содержит 432,3 млн параметров и рассчитана на последовательности длиной до 512 токенов. В карточке указан английский язык и набор данных badalsahani/autotrain-data-text-classification. На валидации заявлены accuracy и F1, precision и recall со значениями 1,000, однако сведения о размере и составе выборки не приведены, поэтому эти результаты не гарантируют качество на новых данных. Лицензия в предоставленных сведениях не указана.

wkcn/TinyCLIP-ViT-61M-32-Text-29M-LAION400M — компактная модель семейства CLIP, основанная на совместном представлении изображений и текста. Она создана в рамках работы TinyCLIP, посвящённой дистилляции крупных моделей CLIP методом имитации близости и наследования весов. Конкретная конфигурация использует визуальный энкодер ViT на 61 млн параметров и текстовый энкодер на 29 млн параметров; модель предобучена на LAION-400M. Модель предназначена для классификации изображений по текстовым описаниям без отдельного дообучения на целевых классах: пользователь передаёт изображение и варианты подписей, а модель оценивает их соответствие. Это подходит для категоризации изображений по заданным меткам и поиска подходящей подписи. В README TinyCLIP описан как способ получить более компактные и быстрые модели с конкурентным качеством, однако приведённые показатели относятся к другим конфигурациям, поэтому их нельзя напрямую переносить на этот чекпойнт. Лицензия — MIT.

TinyCLIP ViT-8M/16 Text-3M — компактная модель семейства CLIP, созданная авторами метода TinyCLIP для сопоставления изображений и текста. Она получена дистилляцией с применением методов affinity mimicking и weight inheritance; вариант обучен на YFCC-15M. Репозиторий содержит веса в форматах PyTorch и safetensors и распространяется по лицензии MIT. Модель предназначена для классификации изображений без примеров с заданными текстовыми метками: пользователь задаёт варианты описаний, а модель оценивает соответствие изображения каждому из них. В таблице модели указана точность top-1 41,1% на ImageNet-1K и вычислительная стоимость 2,0 MACs(G); результаты относятся к приведённой в карточке оценке. Компактный размер ориентирован на более быстрый инференс, однако карточка не приводит отдельного сравнения скорости именно этого варианта с базовой моделью.

vit_base_patch14_dinov2.lvd142m — визуальный backbone семейства Vision Transformer из библиотеки timm, предварительно обученный на наборе LVD-142M методом самообучения DINOv2. Модель содержит 86,6 млн параметров и рассчитана на изображения размером 518 × 518 пикселей. Модель извлекает визуальные признаки и эмбеддинги изображений; также её можно использовать как backbone для классификации изображений. Она подходит для представления изображений в виде признаков для последующего поиска, сравнения или построения задач компьютерного зрения. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0.

Это модель семейства SigLIP 2, разработанная для библиотеки timm: визуальный энкодер ViT-Large с патчами 16×16 и входным разрешением 256 пикселей. Она соответствует только визуальной башне мультимодальной модели и обучена на наборе WebLI; в репозитории доступны веса PyTorch и SafeTensors. Основное назначение — извлечение признаковых представлений изображений для последующего поиска и других задач компьютерного зрения. Энкодер принимает изображения и выдаёт векторные признаки. Его можно использовать как компонент систем поиска изображений и сопоставления визуального содержимого, однако эта версия сама не принимает текст и не генерирует описания. Лицензия — Apache 2.0.

Это модель распознавания речи на эсперанто, созданная автором xekri путём дообучения facebook/wav2vec2-large-xlsr-53 на наборе Mozilla Common Voice 13.0. Она использует архитектуру wav2vec2 с CTC-декодированием и предназначена для преобразования речи в текст. В README приведены результаты оценки: CER 0,0208 и WER 0,0687; модель рассчитана на аудио с частотой дискретизации 16 кГц. Модель подходит для транскрибирования записей на эсперанто, включая материалы Common Voice. В карточке указана лицензия Apache-2.0. В README отмечено, что записи без речи или с сильными искажениями могут вызывать галлюцинации и ошибочные транскрипции; для таких входов автор не нашёл доступного значения уверенности распознавания.

Модель Nachuwu/wav2vec2-fleur-mms-batch6-epoch16-finetunning — дообученная версия Wav2Vec2 для автоматического распознавания речи и преобразования аудио в текст. Она обучена на наборе данных audiofolder и использует архитектуру Wav2Vec2ForCTC; размер модели — 1,3 млрд параметров. На оценочном наборе указаны loss 0,7739 и WER 0,5252. Карточка не описывает языки, аудиоформат или условия применения. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Модель wbbbbb/wav2vec2-large-chinese-zh-cn разработана на основе facebook/wav2vec2-large-xlsr-53 и дообучена для распознавания китайской речи. Это модель семейства wav2vec2 с архитектурой Wav2Vec2ForPreTraining и примерно 407,9 млн параметров; она принимает аудио с частотой дискретизации 16 кГц и выдаёт текстовую транскрипцию. Для обучения использовались обучающая и валидационная выборки Common Voice 6.1, CSS10 и ST-CMDS. Модель предназначена для автоматической транскрипции речи на китайском языке, в том числе аудиозаписей для тестирования распознавания. В README приведены результаты оценки на тестовых данных Common Voice для zh-CN: WER 70,47% и CER 12,30%; это указывает на существенные ошибки распознавания, поэтому качество следует проверять на целевых данных. Веса доступны в форматах PyTorch и Safetensors, лицензия — Apache-2.0.