II.8Инженерия данных и аналитика

PP-OCRv6 tiny text detection MLX — компактная модель обнаружения текстовых областей из семейства PaddleOCR, подготовленная mikoy92 для запуска на Apple Silicon через MLX и mlx-vlm. Это конверсия модели PaddlePaddle/PP-OCRv6_tiny_det_safetensors; лицензия — Apache-2.0. Модель принимает изображение документа и возвращает координаты рамок с найденными текстовыми областями. Она предназначена для этапа обнаружения текста в лёгких OCR-системах, например при разборе сканов и фотографий документов. Для распознавания содержимого найденных областей потребуется отдельная OCR-модель.

ProCreations_grug-9b-GGUF — квантизированная версия модели grug-9b, разработанной ProCreations и подготовленной в формате GGUF пользователем bartowski с использованием llama.cpp. Модель основана на датасете ProCreations/grug-think; в карточке указаны направления применения, связанные с кодом, агентами, использованием инструментов, рассуждениями и эффективным выводом. Pipeline обозначен как image-text-to-text, однако подробности о поддерживаемых визуальных возможностях не приведены. Модель имеет размер 9 млрд параметров в исходной версии. Доступны варианты от BF16 до различных уровней квантования, включая Q8_0, Q6_K, Q5_K_M, Q4_K_M и более компактные форматы. Квантизация выполнена с применением imatrix, что позволяет выбирать компромисс между качеством, размером файла и требованиями к оперативной памяти. Для запуска указаны llama.cpp, LM Studio, KoboldCpp, Jan, Text Generation Web UI и другие совместимые приложения; используется специальный шаблон prompt с системными и пользовательскими сообщениями и секцией рассуждений. Сильными сторонами являются широкий выбор квантованных вариантов, возможность локального запуска и ориентация на задачи программирования, агентное взаимодействие и tool use. Качество зависит от выбранного формата: высокобитные варианты ближе к исходной модели, а самые компактные экономят память ценой снижения качества. Данные о языках, размере контекста, точных архитектурных характеристиках, результатах тестирования и ограничениях безопасности в README отсутствуют. Лицензия — MIT.

jamal-ibrahim/qwen2.5-1.5b-json-repair — специализированная модель на архитектуре Qwen2, созданная разработчиком jamal-ibrahim для исправления синтаксически повреждённых JSON-ответов больших языковых моделей. Она принимает текст с некорректной JSON-структурой и генерирует попытку исправленного JSON; предусмотрена для узла постобработки в агентных конвейерах, проверок JSON и восстановления аргументов function calling. Модель получена дообучением Qwen/Qwen2.5-3B-Instruct с дистилляцией и структурным прореживанием: в описании указаны 18 слоёв вместо 36 и сокращение вычислений примерно на 50%. Размер по метаданным — 1,7 млрд параметров, контекст — 32 768 токенов. Репозиторий содержит веса safetensors для Transformers; лицензия — Apache 2.0. По собственной оценке автора на 100 тестовых примерах, корректный для разбора JSON получался в 55% случаев, точное совпадение с эталоном — в 14%. Возможны потеря верхнеуровневых полей, изменение ключей, усечение структуры, продолжение текста после JSON и повторы. Модель не предназначена для общего рассуждения, сложной смысловой коррекции или генерации кода.

Qwen2.5-Coder-0.5B-Instruct-MLX-8bit — компактная инструкционная языковая модель для работы с кодом, разработанная командой Qwen. Эта версия представляет собой 8-битную MLX-квантизацию базовой модели Qwen2.5-Coder-0.5B-Instruct, подготовленную bartowski на основе инструментов mlx-examples. Модель предназначена для запуска на компьютерах Mac с Apple Silicon и интеграции в локальные приложения, включая code agents. Модель ориентирована на генерацию и обработку программного кода, диалоговые сценарии и задачи, требующие связи между естественным языком и исходным кодом. Заявлена поддержка контекста до 32 тысяч токенов. При обучении использовалось до 5,5 триллиона токенов, включая исходный код, пары «текст—код» и синтетические данные. В карточке указана поддержка английского языка. Небольшой размер около 0,5 миллиарда параметров и 8-битная квантизация делают модель подходящей для локального запуска с ограниченными ресурсами, однако по сравнению с более крупными моделями она может уступать в сложности рассуждений, качестве кода и устойчивости к неоднозначным запросам. Как и другие модели этого класса, она может генерировать неточные или неподходящие ответы, поэтому результаты требуют проверки. Лицензия — Apache 2.0.

Qwen2.5-MOE-2X7B-DeepSeek-Abliterated-UNCensored-19B-gguf — текстовая generative-модель от DavidAU, основанная на архитектуре Qwen2.5 MOE и объединяющая два 7B-компонента DeepSeek/Qwen 2.5: обычный и abliterated (в основном uncensored) варианты. За счёт shared expert итоговый размер составляет немного более 19 млрд параметров. Модель распространяется в формате GGUF и предназначена для генерации текста. Модель ориентирована на универсальное применение: рассуждения и «thinking», решение математических и логических задач, мозговой штурм, ответы на вопросы, создание историй, сюжетов и другого художественного текста. Она поддерживает английский и китайский языки, имеет контекстное окно 128k токенов и, по описанию автора, особенно склонна к математическим, логическим и научным задачам. Архитектура MOE обеспечивает необычное поведение и потенциально более сильное рассуждение по сравнению с отдельной 7B-моделью, но модель не обязательно превосходит полноценные 14B- или 32B-модели. К сильным сторонам относятся широкий диапазон рабочих температур, способность сохранять рассуждение при различных настройках sampling и сочетание reasoning с творческой генерацией. Ограничения включают возможное появление китайских символов при англоязычных запросах, нестабильность рассуждений на высоких температурах и заметную вариативность ответов; для сложных задач может потребоваться несколько генераций или разбиение задачи на этапы. Для корректной работы требуется использовать встроенный Jinja Template, предпочтительно DeepSeek Tokenizer; рекомендуются контекст от 8k токенов и квантизации IQ4/Q4 или выше. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-9b-Sushi-Coder-RL-MLX — мультимодальная модель для генерации кода, разработанная bigatuna на базе Qwen3.5-9b-Sushi-Coder-RL. Это 4-битная affine-квантизированная конверсия RL-чекпойнта в формат MLX, предназначенная для запуска на устройствах с Apple Silicon через mlx-vlm. Модель поддерживает работу с текстом и изображениями, включая анализ скриншотов с ошибками и предложение исправлений. В метаданных указан английский язык, однако полный набор поддерживаемых языков и размер контекстного окна не приведены. Модель дообучалась на наборах данных с рассуждениями и задачами программирования, включая open-r1/codeforces-cots и nohurry/Opus-4.6-Reasoning-3000x-filtered. Этап обучения с подкреплением был выполнен для задач кодирования с использованием NousResearch/hermes-agent и atropos. К сильным сторонам относятся специализация на программировании, поддержка мультимодальных сценариев и возможность относительно экономичного локального запуска благодаря 4-битной квантизации. Ограничения — зависимость от экосистемы MLX и Apple Silicon, необходимость использования mlx-vlm вместо llama.cpp, а также отсутствие в README подробных результатов тестирования, сведений о точности и ограничений по качеству работы с языками и изображениями. Модель распространяется по лицензии Apache-2.0.

Это пакет слоёв GGUF для модели Qwen3-Coder-Next-UD-Q4_K_XL, подготовленный Mesh LLM на основе unsloth/Qwen3-Coder-Next-GGUF. Он распределяет исходную модель по отдельным артефактам слоёв для инференса на локальном кластере Mesh LLM; в метаданных указан формат GGUF и библиотека mesh-llm. Пакет предназначен для локального приватного запуска, распределения вычислений между несколькими машинами, когда модель не помещается на одном хосте, и обслуживания чатов через локальный API, совместимый с OpenAI. Это вариант квантования UD-Q4_K_XL; подробности об архитектуре, размере, контексте, языках и лицензии следует смотреть в карточке исходной модели.

Qwen3-VL-Reranker-2B-nvfp4 — мультимодальная модель переранжирования из сообщества mlx-community, преобразованная из Qwen/Qwen3-VL-Reranker-2B в формат MLX с помощью mlx-lm 0.1.0. Она предназначена для переоценки и сортировки результатов поиска по релевантности запросу; исходное семейство Qwen3-VL также поддерживает анализ изображений и видео, однако карточка этой версии подтверждает только задачу переранжирования. Модель основана на Qwen/Qwen3-VL-2B-Instruct и использует архитектуру Qwen3-VL с плотной генеративной основой. Репозиторий содержит веса safetensors; обозначение nvfp4 в названии указывает на вариант с пониженной точностью. Лицензия — Apache 2.0.

RAIZEN — специализированная модель для помощи в разработке программного обеспечения, созданная SHAWAZ на основе Qwen2.5-Coder-7B-Instruct путём дообучения. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, опубликованная в формате safetensors; длина контекста составляет 32 768 токенов. Модель предназначена для генерации и объяснения кода, отладки и проектирования full-stack приложений. В карточке заявлены сценарии с React, Next.js, Tailwind CSS, FastAPI, PostgreSQL и SQL, включая разработку интерфейсов, проектирование API и схем данных, а также поиск причин ошибок. Метаданные указывают на поддержку английского языка и кода. Модель распространяется по лицензии Apache-2.0. Заявления о качестве и пригодности для промышленного использования приведены автором; независимых оценок в предоставленных материалах нет.

kwondw/reranker-msmarco-v1.1-MiniLM-L12-H384-uncased-lambdaloss-hard-neg — англоязычный Cross-Encoder, дообученный на базе microsoft/MiniLM-L12-H384-uncased с библиотекой Sentence Transformers. Модель совместно обрабатывает запрос и текст документа и выдаёт оценку релевантности для ранжирования результатов поиска. Её можно использовать для повторного ранжирования кандидатов и семантического поиска. Модель построена на архитектуре BERT с классификационной головой BertForSequenceClassification, содержит около 40 млн параметров и принимает текстовые пары с максимальной длиной последовательности 512 токенов. В README приведены оценки на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR; результаты различаются между наборами, поэтому качество следует проверять на данных целевого поиска. Лицензия в предоставленных данных не указана.

RobBERT-2023-base-ft — дообученная модель на базе DTAI-KULeuven/robbert-2023-dutch-base, представленная в формате sentence-transformers. Она предназначена для получения представлений нидерландских запросов и документов и измерения сходства между предложениями; авторы сообщают о сильных результатах на MTEB-NL. Модель построена на архитектуре RoBERTa, содержит 151,6 млн параметров и поддерживает контекст до 514 токенов. Модель подходит для семантического поиска, сопоставления запросов с фрагментами документов и задач ранжирования на нидерландском языке. В README приведён пример кодирования запросов и текстов из MS MARCO; в метаданных перечислены датасеты BEIR-NL для поиска, вопросов и ответов и проверки фактов. Лицензия — MIT. Модель работает с текстом и выдаёт эмбеддинги, которые можно использовать для вычисления сходства и поиска. Её специализация — нидерландский язык; приведённая оценка качества относится к MTEB-NL, а результаты на других языках и типах данных не описаны.

Карточка модели Veritone/siglip2-so400m-patch16-512 на Hugging Face совпадает с карточкой google/siglip2-so400m-patch16-512, поэтому описание составлено по ней. SigLIP 2 So400m — модель семейства SigLIP 2, разработанная Google. Это визуальный энкодер, обученный на WebLI и предназначенный для сопоставления изображений с текстовыми описаниями. Модель поддерживает классификацию изображений по произвольным текстовым меткам без отдельного обучения и поиск изображений по тексту или текста по изображению; её также можно использовать как визуальную часть мультимодальных систем и в других задачах компьютерного зрения. Модель принимает изображения и текстовые описания, кодирует их для сравнения и выдаёт оценки соответствия. Архитектура SigLIP, вариант So400m; доступные веса представлены в формате safetensors и используются через Transformers. В README отмечены улучшенное семантическое понимание, локализация и плотные визуальные признаки. Лицензия — Apache-2.0. Размер модели и длина контекста в предоставленных данных не указаны.

Это компактная англоязычная модель на архитектуре BERT, созданная дообучением Snowflake/snowflake-arctic-embed-xs на первых 300 000 примерах датасета Zyphra/Zyda-2. Модель содержит 25,9 млн параметров, принимает текст с контекстом до 512 токенов и использует цель обучения Masked Language Modeling. Модель предназначена для построения текстовых эмбеддингов, классификации текста и заполнения пропусков в английских предложениях. В карточке приведены результаты оценки: loss 3,0689 и accuracy 0,4676. Лицензия — MIT.

Space-Time-MiniLM-v0 — модель кодирования предложений и коротких абзацев, разработанная как исследовательский проект в Department of Computer Science Американского университета Бейрута. Она строит плотные векторы размерности 384, учитывающие смысл текста и связанные с ним временные и пространственные сведения. Архитектура основана на BERT и предварительно обученной sentence-transformers/all-MiniLM-L6-v2; механизм внимания модифицирован для учёта времени и места, после чего модель дообучена на двух пользовательских наборах данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации с учётом контекста времени и географии. Вход включает текст и сведения о периоде и регионе; поддерживаются месяцы с января 2017 по декабрь 2021 года и регионы US, UK, CAN и AUS. README указывает усечение входа длиннее 128 токенов, хотя метаданные задают максимальный контекст в 512 токенов. Выход — векторное представление. Модель распространяется по лицензии Apache-2.0.

ctaguchi/ssc-aln-mms-model — дообученная модель распознавания речи на базе facebook/mms-1b-all. Она использует архитектуру wav2vec2 с CTC-декодированием и содержит 1,3 млрд параметров; модель рассчитана на преобразование аудио в текст. Базовая MMS поддерживает более тысячи языков, однако язык и назначение конкретной дообученной версии не уточнены. В README приведены результаты оценки: Loss 1,1100, CER 0,2283 и WER 0,5834; набор данных не назван. Модель опубликована в формате safetensors и предназначена для использования с Transformers. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

stella_en_1.5B_v5_bf16 — англоязычная модель представлений текста, опубликованная под идентификатором it-just-works/stella_en_1.5B_v5_bf16. По названию и карточке можно установить размер около 1,5 млрд параметров и формат чисел bfloat16 (bf16). Сведения о конкретном разработчике, базовой архитектуре и методе обучения в представленном README не указаны. Модель предназначена для задач анализа и сопоставления англоязычных текстов, включая классификацию, семантический поиск и ранжирование. В карточке приведены результаты на наборах MTEB: например, accuracy составляет 97,16 на AmazonPolarityClassification, 92,87 на AmazonCounterfactualClassification и 59,36 на AmazonReviewsClassification; для ArguAna указан основной показатель 65,27. Эти результаты показывают применимость модели к оценке тональности, классификации отзывов и поиску релевантных аргументов. Ограничения также существенны: поддержка заявлена или предполагается только для английского языка, а сведения о контекстном окне, входных и выходных модальностях, точном назначении эмбеддингов и требованиях к оборудованию отсутствуют. Лицензия и условия коммерческого или иного использования в предоставленных данных не указаны, поэтому их необходимо уточнить в полном репозитории модели.

BlackKakapo/stsb-xlm-r-multilingual-ro — модель эмбеддингов предложений на базе XLM-RoBERTa, дообученная для румынского языка на датасете STS-ro. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения семантической близости. Модель содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. Модель подходит для семантического поиска, ранжирования по смысловой близости и кластеризации румынских текстов. Для обучения использовалась функция потерь CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

TamilSBERT — модель представлений предложений, разработанная L3Cube-Pune в рамках проекта MahaNLP. Она основана на TamilBERT и дообучена на наборе данных NLI, чтобы строить векторные представления предложений на тамильском языке и поддерживать оценку их сходства. Модель использует архитектуру BERT с плотными выходными представлениями; размер составляет 264,8 млн параметров, а максимальная длина входа — 512 токенов. Модель подходит для поиска семантически близких тамильских предложений, ранжирования кандидатов по сходству и извлечения эмбеддингов для семантического поиска. Для получения представлений требуется pooling поверх контекстных выходов трансформера. Репозиторий содержит веса PyTorch и распространяется по лицензии CC BY 4.0. В README упомянута более качественная модель сходства, дообученная на основе этой модели.

TB-OCR-preview-0.1 — предварительная модель распознавания текстовых блоков, созданная Yifei Hu на базе Microsoft Phi-3.5-vision-instruct. Она принимает изображения отдельных блоков и преобразует их содержимое в структурированный Markdown, включая текст, математические выражения в LaTeX и заголовки. Модель рассчитана на обработку блоков, а не целых страниц; для распознавания страницы автор рекомендует сначала выделять текстовые, табличные и графические области отдельной моделью. Блоки можно обрабатывать параллельно. Модель содержит 3,7 млрд параметров, использует архитектуру Phi3VForCausalLM и формат safetensors. Контекст составляет 4096 токенов. По заявлению автора, 4-битная загрузка требует около 2,8 ГБ видеопамяти и почти не снижает качество. Это preview-чекпойнт для проверки качества синтетического датасета, обученный примерно на 250 тыс. пар изображение–текст; лицензия — MIT.

UniME-Phi3.5-V-4.2B — мультимодальная модель для получения эмбеддингов по тексту и изображениям, основанная на Microsoft Phi-3.5-vision-instruct и дообученная командой DeepGlint-AI. Она предназначена для мультимодального поиска и оценки сходства: сопоставляет запросы с изображениями или текстами и помогает находить релевантные элементы в наборах данных. В карточке заявлен результат на верхней позиции таблицы MMEB для обучения с разрешением изображений 336×336. Модель использует архитектуру Phi-3 Vision с 3,7 млрд параметров, работает с текстом и изображениями и имеет контекст до 4096 токенов. При обучении донастраивался только языковой компонент; остальные параметры были заморожены. Для обучения использовались дистилляция текстовых представлений и настройка инструкций с подбором сложных негативных примеров. Лицензия — MIT. Карточка описывает метод обучения и результат на MMEB, но не приводит подробностей об использовании модели для извлечения эмбеддингов, форматах векторов или оценках релевантности. Поэтому заявленный результат не заменяет независимую проверку на целевых данных.

Модель timm/vit_base_patch16_plus_clip_240.laion400m_e32 разработана для экосистем open_clip и timm. Это вариант CLIP с архитектурой ViT-B-16-plus-240, обученный на наборе изображений и текстов LAION-400M. Она сопоставляет изображения с текстовыми описаниями и подходит для классификации изображений по заданным пользователем категориям без отдельного обучения классификатора. Репозиторий содержит веса в форматах PyTorch и safetensors; лицензия — MIT. Модель принимает изображения и текстовые метки классов, а для классификации выдаёт оценки соответствия изображения каждой метке. Данных о контекстном окне или поддерживаемых естественных языках в предоставленной карточке нет.

Это модель CLIP с архитектурой ViT-B-32, обученная на данных LAION-2B и доступная для использования через open_clip и timm. Она сопоставляет изображения и текстовые описания в общем пространстве признаков, поэтому подходит для классификации изображений по текстовым меткам без дополнительного дообучения и поиска изображений по описанию. Модель принимает изображения и текст, а выдаёт векторные представления и оценки сходства; размер входного изображения соответствует варианту CLIP 224. Модель предназначена для сценариев, где классы можно задать текстовыми формулировками: например, для быстрой классификации изображений или прототипа поиска по визуальному содержимому. Лицензия — MIT. Ограничение: качество зависит от формулировок текстовых меток и распределения данных; сведения о поддерживаемых естественных языках в карточке модели не приведены.

Yehor разработал модель распознавания украинской речи на основе дообученной facebook/w2v-bert-2.0. Это плотная модель архитектуры Wav2Vec2-BERT с головой CTC, принимающая аудио и выдающая распознанный текст. В метаданных указано 402,7 млн параметров; модель обучалась на Common Voice 10.0 и распространяется в формате Safetensors по лицензии Apache-2.0. В карточке приведены метрики: WER 6,6% и CER 1,34%; также указана точность на словах 93,4% и символах 98,7%. Карточка рекомендует использовать обновлённую модель, поэтому результаты могут не отражать актуальное состояние проекта. Модель предназначена для автоматического распознавания речи на украинском языке.

Wav2Vec2-Base-960h — модель распознавания речи, разработанная Facebook. Она основана на архитектуре wav2vec 2.0: модель предварительно обучена на аудио речи, а затем дообучена на 960 часах размеченных данных LibriSpeech. Веса содержат 113,3 млн параметров; доступны форматы PyTorch, safetensors и TensorFlow. Модель предназначена для преобразования английской речи в текст. На вход подаётся аудио с частотой дискретизации 16 кГц; обучение и оценка опираются на LibriSpeech. Для оптимальных результатов следует соблюдать эту частоту дискретизации. Модель распознаёт речь, но карточка не заявляет поддержку других языков или дополнительных аудиозадач. Лицензия — Apache-2.0. Указанные в карточке результаты на LibriSpeech не гарантируют такую же точность на других акцентах, условиях записи или предметных областях.

kingabzpro/wav2vec2-large-xls-r-1b-Swedish — дообученная на шведской части Common Voice модель распознавания речи на базе facebook/wav2vec2-xls-r-1b. Это плотная архитектура Wav2Vec2ForCTC с 1,3 млрд параметров, принимающая аудио и выдающая распознанный текст на шведском языке. Модель предназначена для автоматической транскрипции шведской речи. В оценке на тестовой выборке Common Voice 8.0 показатель WER составил 18,44 без языковой модели и 14,04 с языковой моделью; CER — соответственно 5,75 и 4,86. Для использования языковой модели требуется соответствующая внешняя языковая модель. Модель распространяется под лицензией Apache-2.0. Оценка приведена для Common Voice 8.0; качество на других наборах данных и в реальных акустических условиях может отличаться.

Whisper-Base-MLA — модель распознавания речи от burakaydinofficial, созданная на основе OpenAI Whisper Base. В ней декодерное self-attention преобразовано из MHA в MLA, что сокращает KV-кэш декодирования на 62,5%; размер модели — 51,7 млн параметров. Модель дообучена для восстановления качества после преобразования на 11 языках корпуса Whispered и рассчитана на сценарии с ограниченной памятью, где важен размер кэша при генерации и параллельной обработке аудио. Модель предназначена для автоматической транскрипции речи. В README приведены результаты для английского, немецкого и испанского на CommonVoice-17, а также оценки на FLEURS; тесты описаны для записей речи с потребительских микрофонов и фонового шума. Преобразование MLA связано с медианным ухудшением WER примерно на 1 пункт относительно сопоставимого необработанного варианта Whisper Base. Для загрузки требуются transformers версии 4.46.x и trust_remote_code=True; модель несовместима с whisper.cpp, faster-whisper и CTranslate2. Заявленная языковая область ограничена 11 языками обучения, а на невиданных письменностях качество снижается. KV-кэш cross-attention и память энкодера не сжимаются, поэтому экономия общей памяти при одном потоке может быть скромной. Лицензия — Apache-2.0.

Whisper Dutch - RTL — модель распознавания речи на нидерландском языке, созданная дообучением openai/whisper-small на наборе Common Voice 11.0. Она принимает аудио и преобразует речь в текст; архитектура основана на Whisper и содержит 153,1 млн параметров. На оценочной выборке указаны Loss 0,1895 и WER 24,9245. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Whisper Hindi Large-v2 — версия Whisper Large-v2, дообученная на корпусах распознавания речи на хинди в рамках Whisper fine-tuning sprint. Модель на архитектуре Whisper содержит около 905,2 млн параметров и предназначена для преобразования аудиозаписей на хинди в текст. Она подходит для транскрибирования речи и оценки качества распознавания на тестовых наборах. Для обучения использовались GramVaani ASR Corpus, ULCA ASR Corpus, Shrutilipi ASR Corpus и обучающая и валидационная части Google FLEURS. В README также указаны тестовые части GramVaani ASR Corpus и Google FLEURS для оценки. Доступны веса PyTorch и Flax; модель распространяется по лицензии Apache-2.0.

handy-computer/whisper-large-gguf — это конвертация мультиязычной модели OpenAI Whisper large в формат GGUF для использования с transcribe.cpp. Модель предназначена для автоматического распознавания речи, определения языка аудио и перевода речи с любого поддерживаемого языка в английский текст. Она поддерживает сегментную расшифровку с временными метками и обрабатывает длинные записи с помощью декодирования по 30-секундным окнам; потоковая обработка не поддерживается. Архитектура модели — encoder-decoder Transformer. Доступны варианты F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 997 МБ до 6,18 ГБ. Модель поддерживает широкий набор языков, включая русский, английский, немецкий, французский, испанский, китайский, японский и многие другие. На тесте LibriSpeech test-clean варианты показали WER от 2,62% до 2,84%, что указывает на высокое качество распознавания английской речи; качество заметно зависит от языка и может существенно различаться. Сильные стороны модели — мультиязычность, определение языка, перевод речи на английский, поддержка различных уровней квантования и возможность запуска через transcribe.cpp с использованием CPU, Metal или Vulkan. Ограничения включают значительный размер, отсутствие потокового режима и неоднородную точность для разных языков, особенно для менее распространённых языков. Распространение указано по лицензии Apache-2.0.

Это оптимизированная для CTranslate2 версия дообученной модели Whisper Large V3 Turbo, подготовленная ele-sage для распознавания канадской французской речи, включая квебекский вариант. Веса представлены в формате Float16, что позволяет ускорить инференс и снизить потребление памяти по сравнению с исходной версией на Transformers. Модель предназначена для транскрибации аудио на французском языке и может использоваться через WhisperX или Faster-Whisper; WhisperX также подходит для выравнивания распознанного текста с аудио. Для обучения исходной модели использовались данные Assemblée Nationale и Common Voice. Лицензия — MIT. Специализация на французской речи может снижать качество распознавания других языков.