II.8Инженерия данных и аналитика

MOSS-Transcribe-Diarize GGUF — квантизированная версия модели OpenMOSS-Team/MOSS-Transcribe-Diarize, подготовленная handy-computer для запуска через transcribe.cpp. Это офлайн-модель автоматического распознавания речи с диаризацией говорящих, предназначенная для обработки английской и китайской речи, расшифровки аудиозаписей, выделения сегментов и определения говорящих в каждом сегменте. Модель имеет общий размер около 0,9 млрд параметров и сочетает аудиоэнкодер Whisper Medium с 24 слоями и размерностью скрытого состояния 1024, temporal merge 4x, VQAdaptor и декодер Qwen3-0.6B с 28 слоями. Она работает с аудио и генерирует текст вместе с маркерами временных сегментов и идентификаторами говорящих; runtime преобразует их в структурированные результаты. Поддерживаются сегментные временные метки и опциональная диаризация. Сильными сторонами являются локальная работа без обращения к внешним сервисам, поддержка диаризации и несколько вариантов GGUF-квантизации. Для LibriSpeech test-clean заявленная WER составляет от 1,93% для Q8_0 до 2,59% для Q4_K_M; для сохранения качества рекомендуется Q5_K_M или более точная версия. Модель не поддерживает потоковую обработку, перевод и автоматическое определение языка. Для работы требуется transcribe.cpp; входные записи должны быть преобразованы в моно WAV с частотой 16 кГц. Модель распространяется по лицензии Apache-2.0.

cross-encoder/ms-marco-MiniLM-L6-v2 — англоязычный ранжировщик на основе архитектуры BERT, предназначенный для переранжирования результатов поиска. Модель обучена на задаче MS MARCO Passage Ranking и оценивает релевантность пары «запрос — фрагмент текста», после чего найденные документы можно сортировать по оценке. Модель содержит 25,9 млн параметров, принимает пары текстов и поддерживает контекст до 512 токенов. Она рассчитана на этап reranking в системах информационного поиска, например после получения кандидатов из ElasticSearch. Доступны форматы PyTorch, SafeTensors, ONNX, OpenVINO и Flax. Модель распространяется по лицензии Apache 2.0. Описанные данные указывают на англоязычное обучение и назначение; качество для других языков не подтверждено. README приводит оценки на наборах TREC Deep Learning 2019 и MS MARCO, но не содержит чисел для этой версии MiniLM-L6-v2.

MuRIL — многоязычная модель Google на архитектуре BERT base, предварительно обученная с нуля для 17 индийских языков и их транслитерированных вариантов. Репозиторий содержит модель с MLM-слоем для предсказания замаскированных слов; доступны веса в форматах PyTorch, TensorFlow и Flax. Модель насчитывает около 264,8 млн параметров и принимает последовательности длиной до 512 токенов. MuRIL предназначена для языкового моделирования и последующей адаптации к задачам NLP для индийских языков: например, классификации, разметки последовательностей и извлечения ответов на вопросы. При обучении использовались тексты Википедии, Common Crawl и параллельные переводные и транслитерированные данные; такой подход помогает работать с распространённой в индийском контексте записью языков латиницей. Модель не рассчитана на хорошую работу с языками, не представленными в обучении. Лицензия — Apache 2.0.

MyAwesomeModel — модель из репозитория xcc12ds21313/MyAwesomeModel-TestRepo, предназначенная для извлечения признаков из текста и работы с языковыми задачами. В README заявлены улучшенные способности к рассуждению и выводу, обработка математических, программных и логических задач, ответы на вопросы, классификация, анализ тональности, суммирование, перевод, диалоговая генерация и вызов функций. Разработчик в предоставленных материалах не назван. Модель распространяется через библиотеку Transformers и использует PyTorch; в метаданных указана архитектурная принадлежность к BERT и задача feature extraction. README также содержит результаты внутренних сравнений и рекомендации по системному промпту и температуре, однако сведения о размере модели, длине контекста, поддерживаемых языках и точной конфигурации не приведены. Лицензия — MIT. Заявленные сильные стороны включают работу со сложными рассуждениями, генерацией текста, сниженный уровень галлюцинаций и поддержку function calling. При этом описание не предоставляет подтверждённых сведений о датасетах, методике обучения, воспроизводимости бенчмарков или фактической совместимости заявленных генеративных возможностей с указанным pipeline-тегом feature-extraction.

NYUAD-ComNets разработала классификатор изображений на архитектуре ViT, предназначенный для определения, является ли изображение сгенерированным ИИ. Модель содержит 113,2 млн параметров и опубликована в формате Safetensors; для применения можно использовать конвейер image-classification в Transformers. В карточке приведены результаты на наборе оценки: точность 0,9736 и значение функции потерь 0,0987. Модель подходит для предварительной проверки изображений и сортировки коллекций по вероятности искусственного происхождения. Лицензия Apache-2.0.

BlackKakapo разработала дообученную модель машинного перевода на основе Helsinki-NLP/opus-mt-en-ro. Модель переводит текст с английского на румынский и построена на архитектуре Marian; она содержит 55,7 млн параметров и рассчитана на контекст до 512 токенов. Модель дообучена на полном наборе данных ccmatrix. В README приведено сравнение на тестовом наборе Helsinki-NLP/tatoeba_mt: BLEU модели составляет 0,53118, тогда как у исходной Helsinki-NLP/opus-mt-en-ro — 0,45844. Модель доступна в форматах PyTorch и Safetensors по лицензии Apache-2.0.

Shuu12121/Owl-ph2-len2048 — модель Sentence Transformer на базе ModernBERT, разработанная для поиска кода и извлечения кода по текстовым запросам. Она преобразует исходный код и естественный язык в плотные векторы размерности 768, которые можно сравнивать по косинусному сходству. Модель обучена на корпусе Owl из 800 640 пар для поиска кода и связи «код—текст»; в README указана максимальная длина последовательности 1024 токена, а предобучение базовой модели проводилось с длиной до 2048 токенов. Метаданные указывают контекст до 8192 токенов. Модель подходит для семантического поиска функций в репозитории, поиска исходного кода по описанию на естественном языке и ранжирования кандидатов по смысловой близости. Она рассчитана на английский язык согласно карточке и языковым тегам; README описывает обучающие примеры по нескольким языкам программирования, но не перечисляет их. Лицензия — Apache-2.0. Эмбеддинги предназначены для dense retrieval; качество зависит от корпуса и формулировки запроса.

zeromodels/owlv2-large-patch14 — конверсия OWLv2-large-patch14 от Google в Keras 3, подготовленная проектом zeromodels. Модель выполняет обнаружение объектов с открытым словарём: принимает изображение и свободные текстовые запросы о том, какие объекты нужно найти, и возвращает найденные объекты с оценками и координатами. Архитектура сохраняет двухбашенную основу OWL-ViT, использует детекторную голову для патчей изображения и дополнительную голову оценки объектности. Модель масштабирована с помощью самообучения на парах изображение—текст из веба. Репозиторий содержит конверсию в формате TensorFlow; реализация Keras 3 также заявлена как работающая с TensorFlow, Torch и JAX. Для обработки изображений важно учитывать дополнение изображения до квадрата перед изменением размера и передавать исходные размеры при постобработке. Порог обнаружения для открытого словаря может быть ниже, чем у детекторов с фиксированными классами. Лицензия — Apache 2.0.

istupakov/parakeet-tdt-0.6b-v2-onnx — это версия модели NVIDIA Parakeet TDT 0.6B V2, преобразованная в формат ONNX для использования с библиотекой onnx-asr. Модель предназначена для автоматического распознавания речи и преобразования аудиозаписей, в частности WAV-файлов, в текст на английском языке. Базовая модель разработана NVIDIA, а экспорт в ONNX подготовлен для совместимости с onnx-asr. Модель имеет размер 0,6 млрд параметров и использует архитектуру Parakeet TDT; точные сведения о модальностях, максимальной длине контекста и дополнительных языках в README не указаны. Формат ONNX и поддержка onnx-asr позволяют запускать распознавание через соответствующую библиотеку, включая CPU-вариант. Ограничения модели связаны с заявленной специализацией на английской речи и отсутствием в доступных данных подробных характеристик качества, производительности и поддержки других аудиоформатов. Модель распространяется по лицензии CC BY 4.0.

Это GGUF-конверсия модели parakeet-tdt-0.6b-v3, разработанной NVIDIA, для работы с библиотекой transcribe.cpp. Модель предназначена для офлайн-распознавания речи и преобразования аудио в текст; поддерживает автоматическое определение языка и обрабатывает 16-кГц моно WAV. Потоковый режим и перевод речи не поддерживаются. Модель содержит около 600 млн параметров и использует архитектуру Conformer или FastConformer с транcducer-декодером TDT/RNNT. Она поддерживает 25 европейских языков: болгарский, хорватский, чешский, датский, нидерландский, английский, эстонский, финский, французский, немецкий, греческий, венгерский, итальянский, латышский, литовский, мальтийский, польский, португальский, румынский, русский, словацкий, словенский, испанский, шведский и украинский. Доступны варианты квантования F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 485 МБ до 2,51 ГБ; поддерживаются токеновые временные метки. Сильные стороны модели — офлайн-обработка, многоязычность, автоматическое определение языка и высокая точность: для LibriSpeech test-clean показатель WER составляет около 1,92–1,98% в зависимости от квантования, а для русского языка на тесте FLEURS — 6,54% для Q8_0. Ограничения включают отсутствие потокового распознавания и перевода, требование входного аудио в формате 16 кГц моно WAV, а также зависимость от transcribe.cpp для запуска. Модель распространяется по лицензии CC-BY-4.0, унаследованной от базовой модели.

Phi-2 — базовая плотная Transformer-модель Microsoft с 2,7 млрд параметров, предназначенная для генерации текста. Она предсказывает следующий токен и рассчитана прежде всего на стандартный английский. В карточке Hugging Face указаны 3,5 млрд параметров; контекст составляет 2048 токенов. Модель распространяется в формате safetensors по лицензии MIT. Phi-2 подходит для ответов на вопросы, диалоговых подсказок и генерации кода, особенно на Python. В бенчмарках на здравый смысл, понимание языка и логические рассуждения модель показала высокие результаты среди моделей менее 13 млрд параметров. Она не проходила дообучение на инструкциях или RLHF, поэтому может плохо следовать сложным указаниям и часто выдаёт лишний текст. Сгенерированные факты и код требуют проверки: модель может ошибаться, а её знания о коде в основном охватывают Python и распространённые библиотеки. Возможны общественные предубеждения и токсичные ответы. Microsoft указывает, что модель не проверена для производственных задач без предварительной оценки.

pko-t5-base — корейская языковая модель семейства T5 v1.1, разработанная PAUST. Она обучена на корейских текстах из Namuwiki, Википедии и корпуса 모두의말뭉치 с помощью задачи span corruption без учителя. Для токенизации применяется BBPE без OOV-токенов; модель доступна для работы через Transformers как T5ForConditionalGeneration. Модель служит базой для дообучения под конкретные задачи обработки корейского текста, включая классификацию, семантическую оценку, распознавание именованных сущностей, анализ отношений, синтаксический разбор и ответы на вопросы. В README приведены результаты одноцелевого дообучения на наборах KLUE. Размер в метаданных указан как 137,8 млн параметров; README приводит для версии base другое значение — 250 млн. Лицензия — CC BY 4.0.

sdadas/polish-reranker-roberta-v3 — польский переранжировщик от sdadas для повышения качества поиска в RAG-системах и информационного поиска. Модель на архитектуре RoBERTa принимает запрос и кандидатов-документов и оценивает их релевантность, чтобы упорядочить результаты. Она предназначена для документов разных тематик, включая материалы государственных и муниципальных учреждений Польши. Модель содержит 533,8 млн параметров по метаданным и обрабатывает контекст до 8194 токенов. В README указано, что её обучали дистилляцией знаний от BAAI/bge-reranker-v2.5-gemma2-lightweight с функцией потерь RankNet; в обучение добавили синтетические вопросы и passages из польских государственных и муниципальных сайтов. Авторы сообщают о лучших результатах на длинных документах по сравнению с предыдущей версией, при близком качестве на коротких текстах, и приводят оценку NDCG@10 66,21 на PIRB. Модель ориентирована на польский язык. Она выдаёт оценки для ранжирования, а не готовые ответы пользователю. На очень коротких текстах качество может немного уступать предыдущей версии. Лицензия в метаданных указана как Gemma.

Это браузерная ONNX-конверсия модели OpenMed privacy-filter-nemotron-v2 для поиска и разметки персональных данных в тексте. Репозиторий nisten содержит исходный чекпойнт и несколько ONNX-вариантов с разной точностью и размером; варианты предназначены для запуска через transformers.js и ONNX Runtime Web, в том числе на WebGPU. Модель основана на архитектуре MoE: 8 слоёв, 128 экспертов с выбором четырёх на токен, размер около 1,4 млрд параметров по README. Она размечает 55 категорий персональных данных, используя 221 BIOES-метку, и поддерживает контекст до 128 тысяч токенов. Основной сценарий — локальное обнаружение и маскирование персональных данных в пользовательских заметках, например в приложениях для ведения дневника и отслеживания привычек. Модель принимает текст и возвращает разметку токенов, пригодную для редактирования или деидентификации. В README описаны варианты квантования до 4 и 8 бит, смешанный вариант и FP16; q4 рекомендован для WebGPU, но не работает на CPU через WASM, тогда как q8 и mixed48 поддерживают CPU и требуют специальной JSPI-сборки для ускорения на WebGPU. Лицензия указана как other и унаследована от исходной модели; перед коммерческим использованием следует проверить условия исходного репозитория.

Многоязычный бинарный классификатор Vijil для обнаружения prompt injection и jailbreak-атак в пользовательском тексте, извлечённых документах, логах и результатах инструментов. Модель дообучена на внутреннем датасете Vijil vijil/pi_v5_multilingual_20260827 на базе энкодера jhu-clsp/mmBERT-base; опубликована в формате safetensors и решает задачу классификации текста. Метки: 1 — обнаруженная атака, 0 — безопасный текст. В README сообщается о сбалансированной точности 0,978 на отложенной выборке из 75 011 примеров и FPR/FNR 2,31%/2,16% при пороге 0,5. Модель проверялась на разных форматах сериализации и специально обучалась не реагировать на отдельные ключевые слова и безвредные варианты текста. Поддерживаемые языки карточки: английский, русский, китайский, арабский, хинди, немецкий, французский, испанский, вьетнамский, корейский, тайский и бенгальский. Для длинных сообщений README рекомендует нарезку на перекрывающиеся окна: усечение может пропустить атаку в конце текста. Оценки softmax не откалиброваны как вероятности; порог следует выбирать на данных целевого трафика, а при агрегации большого числа окон учитывать накопление ложных срабатываний. Чувствительность к запросам с вредоносным содержанием без признаков инъекции снижена; качество на некоторых низкоресурсных языках ниже. Обфускация может повышать ложные срабатывания без предварительной нормализации. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели.

Qwen3.5-9b-Sushi-Coder-RL-GGUF — мультимодальная модель для генерации кода, разработанная bigatuna на базе Qwen 3.5. Это GGUF-экспорт модели Qwen3.5-9b-Sushi-Coder-RL, обученной с применением supervised fine-tuning и reinforcement learning для задач программирования. В обучении использовались наборы данных open-r1/codeforces-cots и nohurry/Opus-4.6-Reasoning-3000x-filtered, а RL-этап выполнялся с использованием NousResearch/atropos и hermes-agent. Модель предназначена для генерации и решения задач программирования, включая сценарии, связанные с Codeforces и LiveCodeBench. Она поддерживает текстовый ввод и мультимодальные возможности; для работы требуется использовать текстовый GGUF вместе с файлом BF16-mmproj. Доступны варианты квантования Q4_K_M и Q8_0, а также BF16-mmproj. В README указана архитектура Qwen 3.5 и поддержка английского языка; в сопоставимых тестах использовался контекст длиной 4096 токенов. Сильной стороной модели является заметное превосходство над базовой Qwen3.5-9B в приведённой оценке LiveCodeBench: показатель codegen_pass@1:16 составил 0,2015 при детерминированной генерации и 0,2388 при sampling. Ограничения включают зависимость мультимодального режима от отдельного mmproj-файла, а также отсутствие в README подробных сведений о полном перечне поддерживаемых языков программирования, максимальном контексте и качестве за пределами указанных тестов. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-pi — дообученная компанией Bytkim плотная модель семейства Qwen3.8 на базе Qwen/Qwen3.8-27B. Она предназначена для программирования в агентской среде Pi: модель читает репозиторий, изменяет файлы, вызывает инструменты и учитывает их результаты, чтобы доводить задачи до проверенного решения. README описывает обучение на отобранных успешных сессиях Pi с этапами supervised fine-tuning и reinforcement learning на основе GRPO. Модель принимает текстовые запросы и инструкции к инструментам и генерирует текст, код и вызовы инструментов; в метаданных основная задача указана как text-generation. Доступны веса BF16 и форматы FP8 и GGUF; карточка приводит примеры запуска с контекстом 262 144 токена в vLLM и SGLang. Регулируемый уровень рассуждений позволяет выбирать баланс скорости и глубины решения. Разработчик сообщает об улучшении доли завершённых задач и экономии генерируемых токенов на отдельных тестах, но эти результаты относятся к выбранным ими оценкам. Модель распространяется по лицензии Apache-2.0.

Карточка модели Qybera/qybera2.5-personality на Hugging Face совпадает с карточкой Qybera/qybera2.6-0, поэтому описание составлено по ней. Qybera — диалоговая языковая модель Stackpulse Cloud, обученная в Кении на базе Qwen/Qwen2.5-0.5B-Instruct. Это компактный decoder-only Transformer с архитектурой Qwen2 и 494 млн параметров; модель принимает текст и генерирует ответы в формате беседы. Она рассчитана на помощь с программированием, обучением, планированием и решением повседневных задач, общаясь в доброжелательном, поддерживающем тоне с лёгкими кенийскими разговорными выражениями. Основной язык — английский; карточка также указывает контекст длиной до 32 768 токенов. Модель подходит для учебного помощника по программированию, интеграции в инструменты разработчика и дружелюбных ботов для сообществ Восточной Африки. Лицензия — Apache 2.0. Как компактная модель примерно на 500 млн параметров, она может ошибаться в фактах и коде и уступать более крупным моделям в сложных многошаговых рассуждениях; результаты следует проверять. Кенийский сленг используется умеренно, а модель не предназначена для профессиональных медицинских, юридических или финансовых советов.

vincolle/reranker-bert-italian-uncased-mmarco-mnrl — италоязычный reranker от разработчика vincolle, созданный дообучением ModernBERT как cross-encoder для поиска информации. Модель оценивает релевантность пары «запрос — фрагмент текста» и переупорядочивает найденные документы; её предполагаемый сценарий — второй этап конвейера retrieve-then-rerank после первичного поиска биэнкодером. Архитектура — ModernBertForSequenceClassification, около 134,9 млн параметров; нативный контекст — 8192 токена. Модель обучалась на смеси mMARCO-it и итальянского набора GooAQ, включая 75 тысяч обучающих троек с hard negatives. В README приведены результаты на отложенной выборке из того же распределения: NDCG@10 0,9235, MRR@10 0,9102 и MAP 0,9105; эти оценки не гарантируют аналогичного качества на других данных. Модель ориентирована на итальянский язык и работает с текстом на входе и оценками релевантности на выходе. Распространяется по лицензии Apache-2.0.

SigLIP 2 Large — большая модель визуально-языкового кодировщика, разработанная Google. Она расширяет подход SigLIP дополнительными методами предобучения, улучшая семантическое понимание изображений, локализацию объектов и получение плотных визуальных признаков. Модель предобучена на наборе WebLI и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для классификации изображений по текстовым описаниям без специального дообучения, поиска изображений по тексту и текста по изображению, а также использования в качестве визуального энкодера для визуально-языковых моделей и других задач компьютерного зрения. На вход подаются изображения и, для классификации, набор текстовых меток; результатом служат оценки соответствия изображения и меток или визуальные признаки. Лицензия — Apache-2.0. Карточка не приводит ограничений по языкам или длине контекста; качество зависит от изображений, формулировок текстовых меток и области применения, а для специализированных сценариев может потребоваться дополнительная проверка или адаптация.

IIS-NLP/sigma-cls — модель классификации текста на базе SetFit, созданная дообучением NovaSearch/stella_en_400M_v5. Она сочетает Sentence Transformer с классификационной головой SetFitHead и обучена методом few-shot: контрастивное дообучение энкодера дополняется обучением классификатора. Модель предназначена для отнесения текстов к одному из семи классов; в примерах меток указаны мозговой штурм, программирование и извлечение информации. Модель содержит 433,9 млн параметров. В метаданных указан контекст 8192 токена, а в README — максимальная длина последовательности 512 токенов. Базовая Stella ориентирована на английский язык, поэтому подтверждённая область применения модели — классификация англоязычных текстов. Указанная лицензия в доступных данных отсутствует.

kornwtp/simcse-model-phayathaibert — модель эмбеддингов предложений на архитектуре CamemBERT, обученная разработчиком с помощью SimCSE на тайской Википедии. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. Модель содержит 304,7 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. Модель подходит для поиска семантически близких текстов на тайском языке и группировки предложений по смыслу. Доступны веса PyTorch; лицензия — Apache-2.0. Ограничения: карточка сообщает об обучении на тайской Википедии, поэтому пригодность для других языков и доменов не подтверждена.

TIPSv2-B/14 — контрастивная модель «изображение–текст» семейства TIPSv2, предназначенная для классификации изображений по текстовым описаниям без дополнительного обучения. Модель создаёт пространственно насыщенные признаки изображений и согласованные с ними текстовые эмбеддинги. Вариант B/14 содержит 86 млн параметров визуального кодировщика и 110 млн параметров текстового кодировщика; общий размер — около 196 млн параметров. Архитектура включает 12-слойный визуальный энкодер ViT и 12-слойный текстовый Transformer, размерность эмбеддингов — 768. Изображения можно подавать в произвольном разрешении после преобразования значений пикселей в диапазон [0, 1]; текст обрабатывается SentencePiece-токенизатором с ограничением в 64 токена. Модель подходит для поиска и классификации изображений по текстовым меткам, а пространственные признаки также могут использоваться в сценариях сегментации. Поддержка русского языка в README и метаданных не подтверждена. Модель доступна под лицензией Apache-2.0. Для результатов классификации важно заранее подобрать подходящие текстовые описания классов; README не приводит количественных оценок качества или конкретных ограничений применимости.

vinoth322006/vibethinker-toolcall-3b-merged — дообученная модель на архитектуре Qwen2 с 3,1 млрд параметров, созданная на основе WeiboAI/VibeThinker-3B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста в диалоге и работы с интерфейсом вызова инструментов; базовая модель ориентирована на математические задачи, соревновательное программирование и STEM-рассуждения. Модель принимает текст и выдаёт текст, включая ответы и вызовы инструментов в поддерживаемом формате. Контекстное окно — до 131 072 токенов; в метаданных указан английский язык. Распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не описывает отдельные методы обучения вызову инструментов или результаты оценки качества именно этой версии. Возможности вызова инструментов зависят от совместимого формата сообщений и программной обвязки; профиль базовой модели не гарантирует качество на всех задачах.

Это визуальный энкодер ViT-Huge с патчами 14×14 из модели DFN CLIP, опубликованный библиотекой timm. Репозиторий содержит только веса энкодера изображений; модель предназначена для извлечения признаковых представлений изображений и может использоваться в системах поиска по изображениям или сопоставления визуальных признаков. Модель принимает изображения и выдаёт векторы признаков. В карточке указаны форматы PyTorch и safetensors, а лицензия обозначена как other. Текстовый энкодер CLIP в репозитории не заявлен, поэтому для полноценного сопоставления изображений с текстом он может потребоваться отдельно.

timm/vit_large_patch14_reg4_dinov2.lvd142m — визуальный энкодер на основе Vision Transformer (ViT), опубликованный в timm. Модель содержит около 304,4 млн параметров и предварительно обучена на наборе LVD-142M методом самообучения DINOv2; в архитектуре используются register-токены. Рекомендуемый размер изображения — 518 × 518 пикселей. Модель предназначена для извлечения визуальных признаков и эмбеддингов изображений, а также может служить основой для классификации изображений и других задач компьютерного зрения. Её можно применять как визуальный backbone в системах поиска по изображениям, кластеризации и анализа визуального содержимого. Репозиторий использует timm и содержит веса PyTorch в формате Safetensors. Лицензия — Apache-2.0.

Это модель кодировщика изображений SigLIP из библиотеки timm: вариант ViT SO400M с патчами 14×14 и входным разрешением 384 пикселя, обученный на данных WebLI. В репозитории представлены только веса кодировщика изображений с исходным attention pooling. Модель предназначена для извлечения признаковых представлений изображений и может использоваться как визуальный энкодер в системах поиска по изображениям, сопоставления изображений с текстом и других задачах, где нужны визуальные признаки. Карточка указывает форматы PyTorch и safetensors; лицензия — Apache-2.0.

Модель f77777/wav2vec2-large-xls-r-300m-firdous-malay-colab — дообученная на наборе Common Voice 13.0 модель распознавания речи на основе facebook/wav2vec2-large-xlsr-53. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, выдавая распознанный текст. Название указывает на настройку для малайского языка, однако README и метаданные не подтверждают язык обучения или область применения, поэтому эту специализацию нельзя считать установленной. Модель содержит около 402,7 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0. Она предназначена для преобразования речи в текст; сведения о качестве, ограничениях и оценке модели в карточке отсутствуют.

qqpann/wav2vec2-large-xlsr-japanese-0325-1200 — модель автоматического распознавания японской речи, дообученная на основе facebook/wav2vec2-large-xlsr-53. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. В карточке указана настройка аудио с частотой дискретизации 16 кГц; среди связанных с моделью данных указан Common Voice. Модель предназначена для преобразования японской речи в текст, в том числе для транскрибирования записей и аудиоматериалов. Распространяется в формате PyTorch по лицензии Apache-2.0. README содержит шаблонные поля и не приводит измеримого результата оценки, поэтому качество на конкретных записях по карточке определить нельзя.

Модель oddadmix/whisper-large-v3-arabic-dialectal-v2 разработана автором oddadmix на базе Whisper large-v3 от OpenAI и дообучена для распознавания разговорного арабского языка в разных диалектах. Она принимает аудио и преобразует речь в текст; в карточке описано дообучение на сбалансированном по диалектам наборе lahgtna-v3-small: 52 тысячи обучающих и 2,6 тысячи тестовых фрагментов. Размер базовой модели — 1,54 млрд параметров, архитектура — WhisperForConditionalGeneration, веса опубликованы в формате safetensors. На сбалансированной тестовой выборке модель показала WER 0,3199 и CER 0,1203 при оценке нормализованного текста без диакритических знаков. В приведённых результатах лучше распознаются саудовский и другие заливные варианты, сложнее — магрибские диалекты, включая тунисский, алжирский и марокканский. Модель рассчитана на транскрибацию арабской речи, а не на генерацию текста по произвольным запросам. Модель распространяется по лицензии Apache-2.0. Она унаследовала мультиязычные возможности Whisper large-v3, однако дообучение и заявленная специализация ориентированы на арабские диалекты; показатели зависят от диалекта, качества аудио и принятой нормализации транскрипта.