II.8Инженерия данных и аналитика

bayartsogt/wav2vec2-large-xlsr-mongolian — модель распознавания монгольской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice. Она преобразует аудиозапись в текст и рассчитана на распознавание монгольского языка; для входной речи требуется частота дискретизации 16 кГц. Модель построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. В README приведён результат оценки 45,82% на тестовой части монгольского Common Voice, но метрика не уточнена. Лицензия — Apache-2.0. Описание обучения содержит незаполненные поля, поэтому точный состав обучающих данных и скрипт обучения не приведены.

manandey/wav2vec2-large-xlsr-tamil — акустическая модель распознавания тамильской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на обучающей и валидационной частях Common Voice. Она использует архитектуру Wav2Vec2ForCTC, содержит 402,7 млн параметров и принимает аудио с частотой дискретизации 16 кГц. Модель выдаёт распознанный текст на тамильском языке; её можно применять напрямую без языковой модели. Подходит для преобразования тамильской речи в текст, в том числе записей, подобных материалам Common Voice. В README приведён результат оценки 56,44%, однако метрика не уточнена, поэтому результат нельзя напрямую интерпретировать как точность распознавания. Модель распространяется по лицензии Apache-2.0.

anuragshas выпустил модель автоматического распознавания речи на хинди, дообученную на базе facebook/wav2vec2-xls-r-1b на наборе Mozilla Common Voice 8.0 для хинди. Модель использует архитектуру Wav2Vec2 с CTC-декодированием; в репозитории указано 1,3 млрд параметров и веса PyTorch. Для декодирования предусмотрен языковой модельный компонент: в оценке на тестовой части Common Voice 8 WER составил 15,899 с LM и 26,209 без LM. Модель подходит для транскрибирования записей речи на хинди, в том числе голосовых образцов, близких к данным Common Voice. В README также приведён результат WER 0,3547 на оценочном наборе без уточнения условий, поэтому показатели могут различаться в зависимости от декодирования и настройки оценки. Лицензия — Apache-2.0.

Модель mpoyraz/wav2vec2-xls-r-300m-cv6-turkish разработана как дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на турецком языке. Это плотная модель семейства wav2vec2 с архитектурой Wav2Vec2ForCTC и примерно 402,7 млн параметров; она принимает аудио и выдаёт распознанный текст. Для обучения использовались проверенная часть Common Voice 6.1 TR, кроме тестовой выборки, и MediaSpeech. В README также описана отдельная n-граммная языковая модель KenLM, обученная на статьях турецкой Википедии. Модель подходит для транскрибирования турецкой речи и оценки систем распознавания на наборах Common Voice и Speech Recognition Community. В README приведены результаты: WER 8,83 и CER 2,37 на тестовой выборке Common Voice 6.1 TR, а также WER 32,81 и CER 11,22 на dev-наборе Speech Recognition Community. Модель распространяется по лицензии Apache-2.0.

WAXAL-wal_asr-w2v-bert-2.0 — модель автоматического распознавания речи, созданная дообучением facebook/w2v-bert-2.0; в метаданных её архитектура указана как Wav2Vec2BertForCTC. Модель принимает аудио и преобразует речь в текст. В README приведены результаты оценки: loss 1.1595 и CER 0.2217. Модель содержит 402,7 млн параметров, использует библиотеку Transformers и сохранена в формате safetensors. Датасет обучения не назван, поэтому сведения о языках и области применения уточнить нельзя. Лицензия — MIT.

Whisper-Hindi2Hinglish-Swift — модель распознавания речи Oriserve на архитектуре Whisper Base, дообученная для транскрибации разговорной хинди в хинглиш: речь записывается латиницей с использованием английских букв и сохраняет распространённые смешанные формы. Модель принимает аудио и выдаёт текст; в метаданных указаны 51,7 млн параметров, библиотека Transformers и формат safetensors. Модель предназначена для распознавания хинди с индийским акцентом, в том числе в шумной обстановке. По данным карточки, для дообучения использовали около 550 часов специально собранных и размеченных аудиозаписей; авторы заявляют о снижении галлюцинаций и улучшении результатов относительно исходной Whisper Base на описанных бенчмарках. В примерах использования приведена настройка распознавания с параметром языка "en", поэтому поведение следует проверять на целевых аудиозаписях. Модель распространяется по лицензии Apache-2.0. Результаты и характеристики основаны на оценках авторов; карточка не даёт гарантий качества для иных условий записи или вариантов речи.

zuazo/whisper-large-v2-es — дообученная модель распознавания речи на базе openai/whisper-large-v2, опубликованная пользователем zuazo. Она адаптирована для транскрибации испанской речи на наборе mozilla-foundation/common_voice_13_0. Архитектура — WhisperForConditionalGeneration; модель содержит 905,2 млн параметров и принимает аудио, выдавая текст. В оценке на тестовом наборе указаны WER 4,8949 и loss 0,2544. Модель подходит для преобразования записанной испанской речи в текст. Карточка не описывает дополнительные сценарии или ограничения качества. Лицензия Apache-2.0 разрешает использование, изменение и распространение с указанием авторов.

fsicoli/whisper-large-v3-it-cv16 — модель распознавания речи на базе Whisper Large v3, дообученная на итальянском языке на обучающей и валидационной выборках Common Voice 16. В метаданных архитектура указана как WhisperForConditionalGeneration; модель содержит около 905,2 млн параметров и доступна в формате safetensors. Модель предназначена для преобразования итальянской речи в текст. Её можно использовать для транскрибации записей и аудио, например через pipeline automatic-speech-recognition в Transformers. Карточка также указывает тестовую выборку Common Voice 16, но не приводит результатов оценки качества. Лицензия указана как CC. Карточка не уточняет её вариант и не описывает ограничения по точности, шуму или акцентам; качество в конкретных условиях следует проверять отдельно.

Whisper large-v3-Persian — дообученная модель распознавания речи, созданная Mohammad Khosravi на основе openai/whisper-large-v3. Она принимает аудио и генерирует текстовую транскрипцию на персидском языке. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и доступна в формате safetensors для библиотеки Transformers. Модель дообучена на наборе Common Voice 11.0. В README приведён результат на тестовой выборке: WER 26,8658 и loss 0,2444. Репозиторий распространяется по лицензии Apache-2.0.

ElizabethMwangi/whisper-large-v3-swahili-nss-afrivoice-cv — модель распознавания речи на суахили, разработанная как второй этап дообучения Whisper large-v3. Она адаптирована к нестандартной речи кенийских говорящих на наборе Kenyan Swahili Nonstandard Speech; предыдущий этап обучался на данных AfriVoice из пяти областей и Common Voice Swahili. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и сохраняется в формате safetensors. Модель предназначена для транскрибации кенийской речи на суахили, в том числе речи с выраженными нестандартными особенностями. На тестовой выборке Kenyan Swahili Nonstandard Speech авторы сообщают WER 0,328 и CER 0,158; WER составил 0,21 для лёгкой, 0,25 для умеренной и 0,34 для тяжёлой степени нестандартности. Лицензия — Apache-2.0.

Это модель автоматического распознавания речи на телугу, созданная Liodon AI путём дообучения openai/whisper-large-v3. Она преобразует аудиозаписи на телугу в текст и подходит для транскрибации записей и речевых данных на этом языке. Модель основана на архитектуре Whisper large-v3 и обучена на примерно 119 тысячах аудиопримеров из датасетов Kathbath, IndicVoices-R и FLEURS. В карточке приведены промежуточные значения WER на валидационной части Kathbath: от 48,79% на шаге 0,10 до 40,78% на шаге 0,30; это указывает на ограничения качества данного чекпойнта. Указан epoch 1 checkpoint, а дальнейшее обучение продолжается. Лицензия — Apache-2.0.

RedHatAI/whisper-large-v3-turbo-quantized.w4a16 — квантизированная версия модели openai/whisper-large-v3-turbo, разработанной OpenAI и опубликованной Red Hat AI. Это аудио-текстовая модель архитектуры Whisper с текстовым выходом, предназначенная для автоматического распознавания речи и автоматического перевода речи. В карточке указана поддержка английского языка. Веса модели преобразованы в формат INT4 (W4A16), что ориентировано на более эффективное хранение и инференс. Модель подготовлена для работы с vLLM и проверена в RHOAI 2.25, RHAIIS 3.2.2 и vLLM 0.10.1.1; поддерживается развёртывание через vLLM и OpenAI-совместимый сервер, включая сценарии на Red Hat OpenShift AI и Red Hat AI Inference Server. Ограничения включают снижение численной точности из-за квантизации и зависимость от совместимого серверного окружения и аппаратных ресурсов, однако конкретное влияние на качество распознавания в README не приведено. Модель распространяется по лицензии Apache 2.0.

Whisper Medium Czech 2 CV11 — модель распознавания речи, дообученная автором mikr на openai/whisper-medium с использованием чешской части набора Mozilla Common Voice 11.0. Она преобразует чешскую речь в текст и предназначена для автоматической транскрибации аудио. Модель построена на архитектуре Whisper, содержит 455,8 млн параметров и распространяется в форматах PyTorch и Safetensors. На оценочной выборке указана ошибка слов WER 11,4086 и значение loss 0,2417. Лицензия — Apache-2.0. В README не описаны ограничения применения и условия оценки, кроме приведённых метрик.

OllmOne/whisper-medium-GGUF — это GGUF-квантизированная версия мультиязычной модели Whisper medium, опубликованная пользователем OllmOne и основанная на openai/whisper-medium, разработанной OpenAI. Она предназначена прежде всего для автоматического распознавания речи, а также поддерживает перевод речи на английский, определение языка и связанные задачи обработки аудио. Модель может использоваться локально через Transformers и совместимые средства инференса GGUF. Архитектура — encoder-decoder Transformer с 24 слоями энкодера и 24 слоями декодера, 16 attention heads в каждом, размером скрытого представления 1024 и 80 mel-каналами. Исходная модель содержит около 769 млн параметров; в репозитории указано около 0,8 млрд параметров. Конфигурация задаёт до 1500 позиций входа и 448 позиций целевой последовательности. Репозиторий содержит файл model-q4k.gguf размером около 444 МБ, что уменьшает требования к хранению и локальному запуску по сравнению с полной точностью. Сильные стороны модели — мультиязычность, поддержка распознавания и перевода речи и возможность локального использования в компактном квантизированном формате. Ограничения включают возможные ошибки и галлюцинации, зависимость качества от языка, акустики и предметной области, а также склонность sequence-to-sequence архитектуры к повторяющимся текстам; перед развёртыванием рекомендуется проводить оценку на конкретных данных. Для репозитория OllmOne указана лицензия Apache-2.0.

Модель dianavdavidson/whisper-medium_mucs_63022_ratio_25_45_lr_1e-4_lgid_hi_hinglish_mixed_scripts_FT — дообученная версия OpenAI Whisper medium для автоматического распознавания речи и преобразования аудио в текст. Архитектура WhisperForConditionalGeneration содержит 455,8 млн параметров; модель использует библиотеку Transformers и опубликована в формате safetensors. Название указывает на настройку для хинди и хинглиша со смешанными системами письма, однако README не раскрывает датасет или подробные языковые настройки. На оценочной выборке указаны loss 0,4777 и Global WER 28,2969. Модель распространяется по лицензии Apache-2.0.

CKSINGH/whisper-small-hi-iiib — дообученная модель семейства Whisper на основе openai/whisper-medium, предназначенная для автоматического распознавания речи и преобразования аудио в текст. В метаданных указано 153,1 млн параметров; модель использует архитектуру WhisperForConditionalGeneration и распространяется в форматах PyTorch и safetensors. Карточка сообщает результаты оценки: loss 0,1203, WER 10,8852 и CER 3,4179. Язык карточки и тег модели указывают на хинди. Лицензия — Apache-2.0. README не уточняет набор данных и сценарии применения, поэтому качество на других наборах записей и устойчивость к различным условиям записи по имеющимся данным оценить нельзя.

vasista22/whisper-tamil-large-v2 — модель автоматического распознавания речи, созданная дообучением Whisper Large-v2 разработчиком vasista22 на тамильских данных из нескольких открытых корпусов. Она предназначена для преобразования тамильской речи в текст и оценки распознавания на соответствующих тестовых наборах. Модель использует архитектуру WhisperForConditionalGeneration и содержит около 905,2 млн параметров; доступны реализации весов PyTorch и Flax. Модель ориентирована на тамильскую речь и обучалась на корпусах IISc-MILE, ULCA, Shrutilipi, Microsoft Speech Corpus для индийских языков, Google Fleurs и Babel. Для обучения применялся спринт по дообучению Whisper; Apache-2.0 разрешает использование модели на условиях этой лицензии. Карточка не приводит длину контекста или измерения качества, поэтому нельзя оценить точность на конкретных типах записей.

Wrench-4B-Qwen3.6-8E — экспериментальная специализированная SLM-модель для инструментов разработчика, опубликованная пользователем или организацией stancsz. Она создана на основе Qwen3.6-35B-A3B и предназначена для генерации текста и кода, работы с задачами разработки, чтения файлов и подготовки обзорных изменений в локальном репозитории. Модель содержит 3 881 244 016 параметров, использует веса ModelOpt NVFP4 W4A16 и рассчитана на контекст до 4 миллионов токенов в составе собственного пакета и локального окружения. Поставка включает tokenizer hook, локальный runtime, read-only verifier, long-context overlay и OpenAI-совместимый сервер. Для однозначных операций чтения и подготовки изменений может применяться механический маршрут без вызова модели, а неоднозначные запросы передаются модели. К сильным сторонам относятся специализация на developer-tools, поддержка длинного контекста, компактный размер и встроенная проверка предлагаемых операций. Ограничения связаны с экспериментальным статусом: README не подтверждает прохождение полной оценки на 220 случаях, достижение целевых показателей качества поиска, сопоставимости с MiniMax или производительности в production. Языки и точные архитектурные характеристики, помимо производного происхождения и параметров квантования, не указаны. Модель распространяется по лицензии Apache-2.0.

Модель gary109/ai-light-dance_drums_ft_pretrain_wav2vec2-base-new_onset-idmt-2_8k — дообученная Gary109 версия wav2vec2-base для автоматического распознавания речи. Она содержит 113,3 млн параметров и использует архитектуру Wav2Vec2ForCTC; веса опубликованы в формате PyTorch. Модель дообучена на наборе GARY109/AI_LIGHT_DANCE - ONSET-IDMT-2, связанном с проектом AI Light Dance. Основной сценарий — преобразование аудио в текст. В README приведены результаты оценки на тестовой выборке: WER 0,3178 и loss 0,5029. Поддерживаемый язык и ограничения применения в доступной карточке не описаны. Условия лицензии в предоставленных данных не указаны.

aimv2_3b_patch14_224.apple_pt — веса визуального энкодера AIM-v2, опубликованные в экосистеме timm и совместимые с библиотекой timm. Модель предназначена для извлечения признаков из изображений; метаданные указывают задачу image-feature-extraction и форматы PyTorch и Safetensors. В названии указаны вариант на 3 млрд параметров, патчи размером 14 и входное разрешение 224 пикселя. Карточка не описывает дополнительные сценарии применения, языковую поддержку или ограничения качества. Указана лицензия apple-ascl; перед использованием следует проверить её условия.

Athene-V2-Agent — языковая модель Nexusflow для агентных сценариев и вызова функций, дообученная на Qwen2.5-72B-Instruct. Она планирует последовательности действий с несколькими вызовами инструментов, включая задачи со сложными зависимостями, и формирует вызовы функций, которые приложение может выполнить и вернуть модели для продолжения работы. Модель также поддерживает диалог и генерацию текста; заявленные в карточке результаты относятся к тестам вызова функций и агентных задач. Модель имеет плотную архитектуру Qwen2, содержит 71,5 млрд параметров и поддерживает контекст до 32 768 токенов. README рекомендует запускать её через специальный Docker-образ Nexusflow с vLLM: формат промптов в нём настроен для извлечения исполняемых вызовов из планирования модели; стандартный шаблон чата Hugging Face может снизить качество агентной работы. Для предсказуемого поведения также рекомендуются отключённая случайная выборка и нулевая температура. Указана лицензия Nexusflow Research License; метаданные обозначают её как «other», поэтому условия следует сверять с текстом лицензии репозитория.

sentence-transformers/bert-base-nli-max-tokens — модель Sentence-Transformers, обученная командой Sentence-Transformers на основе BERT. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения текстов, семантического поиска и кластеризации. Модель использует архитектуру BERT и принимает текстовые последовательности длиной до 512 токенов. Её можно применять через библиотеку Sentence-Transformers или Transformers с соответствующей операцией pooling. Репозиторий содержит веса в форматах PyTorch, TensorFlow, Flax, ONNX и OpenVINO. Модель устарела: авторы предупреждают, что она создаёт эмбеддинги низкого качества, и рекомендуют выбрать более современную модель для векторного поиска или сравнения предложений. Лицензия — Apache-2.0.

BERTimbau Large — предварительно обученная модель BERT для бразильского португальского языка, опубликованная командой NeuralMind. Это плотный энкодер BERT-Large с 24 слоями; в README указано 335 млн параметров, тогда как метаданные каталога приводят 433,2 млн. Максимальная длина контекста — 512 токенов. Репозиторий предоставляет веса в форматах PyTorch и Flax. Основная задача модели — предсказание замаскированных токенов. Её также можно дообучать или использовать как основу для извлечения эмбеддингов и задач понимания португальского текста, включая распознавание именованных сущностей, оценку семантического сходства предложений и распознавание текстового следования. README сообщает о высоких результатах на этих задачах, но не приводит подробностей оценивания. Модель предназначена для бразильского португальского, поэтому её пригодность для других языков не подтверждена. Указана лицензия MIT.

vudang449/chunkformer-large-vie — зеркало модели ASR для вьетнамской речи, основанной на ChunkFormer. Исходную модель разработал Khanh Le (khanhld); репозиторий сохраняет те же веса и предназначен, в частности, для voice-bench. Это CTC-модель с chunk-based encoder примерно на 110 млн параметров, принимающая аудио и выдающая распознанный текст. ChunkFormer поддерживает распознавание длинных записей без фиксированного ограничения на длительность декодирования. Модель предназначена для транскрибации коротких аудиоклипов и длинных записей на вьетнамском языке. В README приведены результаты на VIVOS и VietMed, а также замеры скорости на Mac Mini M4; автор отмечает, что обучающие данные включают VIVOS и размеченную часть VietMed, поэтому результаты на этих наборах не подтверждают качество на независимых данных. Лицензия CC-BY-NC-4.0 допускает использование с указанием авторства и ограничивает коммерческое применение.

CLI-7B — мультимодальная модель с 7,1 млрд параметров от команды codefuse-ai, официальный чекпойнт фреймворка Cross-Layer Injection (CLI), представленного в статье для ECCV 2026. Модель построена на LLaVA-OneVision-Qwen2-7B: использует языковую часть Qwen2-7B и визуальный энкодер SigLIP-so400m-patch14-384. Архитектура CLI заменяет обычное соединение зрения и языка динамическим обменом между слоями: проекции AMP объединяют визуальные признаки, а механизм AGF выбирает признаки для подачи в декодер LLM. Модель предназначена для диалога и рассуждений по изображениям, в том числе для анализа диаграмм, графиков и документов, визуальных вопросов и ответов, а также общего описания изображений. Карточка сообщает о проверке на 28 мультимодальных бенчмарках и небольших дополнительных затратах памяти при инференсе. Поддерживается английский язык; контекст — 32 768 токенов. Для запуска необходима специальная реализация AMP и AGF из репозитория codefuse-ai/CLI: обычная загрузка как LlavaOneVision в Transformers не воспроизводит поведение CLI. Лицензия — Apache-2.0.

Это модель CLIP ConvNeXt-Base с широким размером эмбеддингов, разработанная Ross Wightman и обученная с помощью OpenCLIP на эстетически отфильтрованной подвыборке LAION-2B. Она предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений по тексту и поиска текстов по изображениям. Архитектура сочетает визуальную башню timm ConvNeXt-Base и текстовую башню CLIP глубиной 12 слоёв с размерностью эмбеддинга 640; вариант с «320» в названии обучен на разрешении изображений 320×320. Модель обучалась на английских парах изображений и текстов. В карточке указана точность zero-shot классификации ImageNet top-1 71,0%. Модель рассчитана на исследовательское применение; перед использованием для конкретной таксономии классов требуется проверка на целевых данных, поскольку качество зависит от формулировок и набора классов. Развёрнутое применение, распознавание лиц и наблюдение указаны как недопустимые сценарии. Модель распространяется по лицензии MIT.

naver/cocom-v1-128-mistral-7b — модель метода COCOM, разработанного авторами карточки для сжатия контекста в системах генерации с дополненной выборкой (RAG). Она преобразует длинные входные контексты в небольшое число контекстных эмбеддингов, чтобы ускорить генерацию ответов на вопросы; степень сжатия позволяет выбирать компромисс между скоростью и качеством ответа. В карточке заявлено ускорение до 5,69 раза по сравнению с рассмотренными эффективными методами сжатия контекста. Модель основана на дообученной Mistral-7B-Instruct-v0.2 и предназначена для извлечения признаковых представлений из текста. Метаданные указывают библиотеку Transformers, формат safetensors и английский язык карточки. Карточка не сообщает лицензию и не описывает конкретный формат входа для инференса, поэтому эти сведения не приводятся.

unsloth/codellama-7b-bnb-4bit — это 4-битная версия модели CodeLlama 7B, опубликованная командой Unsloth и предназначенная для использования с библиотекой Transformers. По доступным данным, модель рассчитана прежде всего на эксперименты и дообучение: README описывает применение Unsloth для ускоренного fine-tuning моделей семейства CodeLlama, а также экспорт дообученных моделей в форматы GGUF и vLLM или загрузку на Hugging Face. Модель имеет около 7 миллиардов параметров и использует 4-битное квантование BNB, что снижает требования к памяти и делает её более подходящей для запуска и дообучения на ограниченных GPU-ресурсах. Указан английский язык, однако сведения о поддерживаемых модальностях, максимальной длине контекста и точной архитектуре в README отсутствуют. Основной сценарий — работа с задачами генерации и обработки кода на базе CodeLlama, включая дообучение на собственных наборах данных. К сильным сторонам относятся компактное 4-битное представление и совместимость с экосистемой Transformers и инструментами Unsloth для ускоренного fine-tuning. Конкретные показатели качества, ограничения модели, требования к аппаратному обеспечению и результаты тестирования не приведены. Лицензия — Apache-2.0.

Data2Vec-Audio-Base-960h — модель распознавания речи, разработанная Facebook (ныне Meta). Это акустическая модель на архитектуре Transformer семейства data2vec-audio с 113,3 млн параметров: она предварительно обучена методом self-supervised learning, а затем дообучена для распознавания речи на 960 часах аудио LibriSpeech. Модель принимает речь с частотой дискретизации 16 кГц и выдаёт текстовую транскрипцию; в карточке приведены результаты на тестовых разделах LibriSpeech: WER 2,77 для clean и 7,08 для other. Модель предназначена для транскрибации английской речи, в том числе оценки качества распознавания на LibriSpeech. Для корректной работы входное аудио нужно подавать с частотой 16 кГц. Веса доступны в формате PyTorch по лицензии Apache-2.0. Карточка не описывает качество на других языках и акустических условиях, поэтому результаты за пределами LibriSpeech могут отличаться.

echo-clip — модель семейства CLIP, опубликованная пользователем mkaichristensen на Hugging Face и предназначенная для классификации изображений без примеров обучения. Она сопоставляет изображение с текстовыми описаниями классов и позволяет выбирать наиболее подходящие метки; репозиторий поддерживает загрузку через OpenCLIP. Конфигурация указывает на визуальный энкодер ConvNeXt-Base и размерность эмбеддингов 512. Модель принимает изображения и текстовые метки или описания, а результатом служат оценки соответствия, пригодные для ранжирования кандидатов. Карточка не сообщает размер модели в параметрах, контекст или список поддерживаемых языков. Репозиторий распространяется по лицензии MIT.