II.8Инженерия данных и аналитика

NV-EmbedCode-7b-v1 — модель эмбеддингов NVIDIA на 7,1 млрд параметров, основанная на Mistral и оптимизированная для поиска по коду. Она преобразует текстовые запросы, код и смешанные запросы в плотные векторы размерности 4096 с усреднением представлений токенов; модель рассчитана на контекст до 32 768 токенов и использует библиотеку Sentence Transformers. Модель предназначена для построения систем поиска по крупным корпусам кода и текстов. Она поддерживает поиск кода по текстовому описанию, поиск похожих фрагментов кода, поиск текстов по коду и гибридный поиск; такие результаты могут использоваться в помощниках программиста, поиске документации и локализации файлов для решения задач разработки. В README приведены результаты оценки на CoIR и адаптированном SWE-bench Lite. Репозиторий содержит веса в формате safetensors, а в README указана базовая модель NVIDIA Retrieval QA Mistral 7B Embedding. Лицензия обозначена как other; конкретные условия следует сверить с лицензией репозитория перед использованием. Модель создаёт эмбеддинги для поиска, а не готовые ответы или объяснения кода.

Reza2kn/openai_whisper-large-v3-NVFP4 — это посттренировочно квантованная версия модели автоматического распознавания речи openai/whisper-large-v3, разработанная пользователем Reza2kn на базе модели OpenAI. Модель предназначена для преобразования аудиозаписей в текст, прежде всего для распознавания персидской речи. В карточке указаны библиотека Transformers, архитектура Whisper и поддержка сценариев automatic speech recognition. Модель использует формат nvfp4-pack-quantized из compressed-tensors: 4-битные FP4-веса, блочные FP8-масштабы и динамически квантизируемые активации FP4. Квантизированы все Linear-модули encoder и decoder, тогда как lm_head/proj_out сохранены в полной точности. Целевое оборудование — tensor cores NVIDIA Blackwell (sm_100+); веса разворачиваются в bfloat16 во время работы. Калибровка выполнена на 32 персидских аудиоклипах из Reza2kn/persian-asr-eval-v0. На 200 клипах FLEURS-fa модель показала WER 19,74%, CER 6,19%, задержку 3946 мс на клип и пиковое потребление 4285 MiB VRAM. Основное преимущество модели — снижение точности и потенциальных требований к памяти при сохранении возможности использовать архитектуру Whisper large-v3 на совместимом оборудовании. Ограничения включают специализацию представленной оценки на персидском языке, зависимость производительности от NVIDIA Blackwell и отсутствие в README сведений о размере контекста и полном наборе поддерживаемых языков. Распространение указано под Apache License 2.0; модель также наследует лицензию базовой модели, а сторонние уведомления об авторских правах и атрибуции сохраняются.

Ornith-1.0-9B-ASHQ1-GGUF — квантованная версия модели Ornith-1.0-9B от DeepReinforce, подготовленная wepiqx в формате GGUF для запуска через llama.cpp и совместимые приложения. Модель предназначена для генерации кода и работы в автономных агентных сценариях; поддерживает диалоговый режим. В карточке описан тест с агентом Pi, который использовал модель для планирования и создания одностраничной панели личных финансов, а также для самопроверки и исправления кода. В основе лежит архитектура Qwen3.5-9B: 32 слоя, GQA и SSM, заявленный контекст — 262 тыс. токенов. Применена квантовка ASHQ1 с несколькими вариантами размера файлов; README приводит результаты практического теста для варианта 6,4 ГБ. Для него указано около 7,5 ГБ VRAM при контексте 8192 и рекомендуемая видеокарта с 8 ГБ памяти. Хотя архитектура поддерживает длинный контекст, приведённые инструкции запуска используют контекст 8192. Репозиторий лицензирован по Apache-2.0; README сообщает, что исходная модель распространяется по MIT. Количественные результаты приводятся разработчиком модели и не являются независимой оценкой. Карточка заявляет сильные результаты в тестовом агентном сценарии, но не даёт оснований гарантировать их для других задач или конфигураций.

mlx-community/parakeet-tdt-1.1b — версия модели NVIDIA Parakeet-TDT-1.1B, подготовленная сообществом mlx-community для библиотеки MLX. Она преобразует английскую речь в текст и предназначена для автоматической транскрипции аудио. В метаданных указана архитектура семейства FastConformer/Conformer и формат safetensors; базовая модель разработана NVIDIA NeMo и Suno.ai. Модель подходит для расшифровки записей и речевых потоков на английском языке. Карточка сообщества отсылает за подробностями к карточке исходной модели, поэтому дополнительные характеристики и ограничения исходной модели здесь не подтверждены. Лицензия — CC BY 4.0.

Perception Encoder PE-Core-G14-448 — визуальный энкодер Meta из семейства PE, обученный на изображениях с помощью контрастивного vision-language обучения и дообученный на синтетически выровненных видеоданных. Модель содержит визуальную башню G/14 с разрешением 448 пикселей; для глобального представления использует блок attention pooling с 8 головами. Число параметров и длина текстового контекста именно этого чекпойнта в предоставленных данных не указаны. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах, а также для получения визуальных представлений, поиска и переноса признаков в downstream-задачи. В карточке отмечены результаты на наборах ImageNet, ObjectNet и ImageNet-A, а также на задачах поиска и классификации видео. Репозиторий предоставляет веса PyTorch. Лицензия — Apache-2.0.

PE-Core-T-16-384 — модель семейства Perception Encoder, разработанного Meta и представленного как OpenCLIP-совместимая версия исходных весов. Это контрастивный vision-language энкодер с визуальной и текстовой башнями, предназначенный для получения сопоставимых признаков изображений и текста. Модель подходит для классификации изображений по текстовым описаниям без дополнительного обучения, а также для поиска изображений по тексту и текстов по изображению. Вариант T/16 использует разрешение изображений 384 пикселя; в таблице результатов README для него приведены показатели на наборах ImageNet и ObjectNet, а также на задачах поиска и классификации видео. PE обучен на данных для изображений и текста и дообучен на синтетически выровненных видеоданных. Модель доступна в форматах PyTorch и safetensors и используется через библиотеку open_clip. В метаданных указана лицензия Apache-2.0. Размер текстовой башни и длина её контекста для этого варианта в предоставленных данных не определены.

BuzzASR Persian — одноязычная модель автоматического распознавания персидской речи, разработанная как часть набора BuzzASR. Это полноценно дообученная версия Whisper large-v3 с заменой токенизатора на персидский и дополнительным текстовым многозадачным обучением. Модель содержит около 907,3 млн параметров и предназначена для преобразования персидской речи в текст. Модель оценивается на наборах FLEURS и Common Voice 25.0; в карточке сообщается о снижении CER относительно Whisper large-v3 без дообучения. Она подходит для транскрибации персидской речи, однако качество на других доменах, диалектах и условиях записи может отличаться. Модель одноязычная и рассчитана на персидский язык. Модель распространяется по лицензии MIT. Указанные результаты относятся к тестовым разделам FLEURS и Common Voice и не гарантируют аналогичное качество на произвольных аудиозаписях.

Polyglot-Lion-1.7B — модель распознавания речи, разработанная Quy-Anh Dang и Chris Ngo из Knovel Engineering. Она получена дообучением Qwen3-ASR-1.7B на общедоступных речевых корпусах четырёх официальных языков Сингапура: английском, китайском мандаринском, тамильском и малайском. Сбалансированная выборка уравнивает число обучающих высказываний по языкам, а модель учится определять язык по аудио без языковых меток в запросе. Модель предназначена для транскрибации речи, в том числе аудио на сингапурских вариантах этих языков. В версии 1.5 обучение повторено без удаления пунктуации, чтобы улучшить распознавание пауз и границ предложений. В карточке сообщается средняя ошибка 14,85 на приведённых тестах; результаты зависят от языка и набора данных. Для работы используется пакет qwen-asr; упомянуты сценарии пакетной обработки, временных меток, потоковой обработки и развёртывания сервера. Модель содержит 1,7 млрд параметров, использует плотную архитектуру Qwen3-ASR и распространяется в формате safetensors. Лицензия — MIT. Она специализирована на четырёх указанных языках и может уступать моделям, обученным на более широком наборе языков или иных речевых доменах; приведённые метрики не гарантируют качество на произвольных записях.

PP-LCNet_x1_0_textline_ori — модель классификации ориентации текстовых строк, разработанная командой PaddlePaddle для экосистемы PaddleOCR. Она предназначена для определения направления текста на изображении и его последующей коррекции перед OCR-обработкой, что особенно полезно при сканировании документов и фотографировании удостоверений, сертификатов и других материалов, когда устройство может быть повернуто. Модель основана на архитектуре PP-LCNet и классифицирует два варианта ориентации: 0 и 180 градусов. Средний показатель точности составляет 98,85%, размер модели — около 0,96 МБ. В карточке указаны языки en и zh, однако основная функция модели не распознавание текста, а классификация его ориентации. Предусмотрено использование через PaddleOCR с движком ONNX Runtime; модель принимает изображения текстовых строк и поддерживает пакетную обработку. Сильными сторонами являются компактный размер, высокая точность и пригодность для предварительной коррекции изображений в OCR-конвейерах. Ограничение модели — поддержка только двух направлений, поэтому она не предназначена для классификации произвольных углов поворота или полноценного распознавания текста. Модель распространяется по лицензии Apache-2.0.

QaptaanLM-0.75B-Instruct-ONNX — это экспорт весов модели QaptaanLM-0.75B-Instruct в формате ONNX Runtime. Модель связана с разработчиком kaptaan45; репозиторий также содержит ссылку на GitHub-проект QaptaanLM-0.75B. Версия предназначена для локального запуска через ONNX Runtime, в том числе в браузере на стороне клиента с использованием WebGPU, а также в Node.js и кроссплатформенных настольных приложениях. Модель относится к каузальным языковым моделям с instruction-tuning и ориентирована прежде всего на генерацию текста и программного кода. В README заявлена поддержка английского языка и кода, а среди характеристик указаны совместимость с ONNX, ONNX Runtime и WebGPU, а также hybrid attention и связь с семейством Qwen/Qwen3.5. Размер модели составляет около 0,75 млрд параметров. Для работы используются токенизатор Transformers и ONNX-граф model.onnx с тензорными сегментами; запуск возможен на CPU и CUDA через соответствующие execution provider. Сильными сторонами являются небольшой размер, возможность локального и браузерного выполнения, кроссплатформенность и специализация на инструкциях и задачах программирования. README не содержит подробных результатов бенчмарков, ограничений по длине контекста, описания точной архитектуры или сведений о поддержке других модальностей, поэтому эти характеристики нельзя подтвердить. Модель распространяется по лицензии Apache 2.0.

Qwen2.5-Coder-0.5B-Instruct-heretic — небольшая языковая модель для генерации текста и кода, разработанная на основе Qwen/Qwen2.5-Coder-0.5B-Instruct. Модель опубликована пользователем saidutta69 и модифицирована с помощью Heretic 1.4.0: целевые изменения весов подавляют встроенное поведение отказа без дообучения, поэтому исходные знания и навыки следования инструкциям должны в значительной степени сохраняться. Модель предназначена для локальных кодовых агентов, сценариев copilot, генерации и обработки программного кода, ролевых приложений и исследований механизмов выравнивания и отказов моделей. Она содержит около 0,5 млрд параметров, ориентирована на текстовую модальность и заявляет английский язык. Доступны веса BF16 и варианты GGUF, включая F16, Q8_0, Q5_K_M и Q4_K_M; благодаря небольшому размеру модель подходит для запуска на CPU, Apple Silicon и видеокартах с ограниченной памятью. Размер контекста в README не указан. Сильной стороной является компактность и существенно сниженная частота отказов: в приведённом тесте она составила 8 из 100 случаев против 52 из 100 у исходной модели, при низком заявленном KL-расхождении 0,1249. Ограничения включают небольшой размер, унаследованные фактические ограничения и предвзятости базовой модели, а также намеренное отсутствие защитных фильтров: модель может выполнять запросы, от которых исходная версия отказалась бы, включая небезопасные. Для публичных неотмодерированных сервисов её использование не рекомендуется. Лицензия — Apache 2.0, унаследованная от базовой модели.

Это дообученная методом QLoRA плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, созданная Khazar AI на основе unsloth/Qwen3-4B-Thinking-2507. Модель обучали на примерах рассуждений, подготовленных с помощью учителя Qwen3.6-plus, чтобы получать более краткие и структурированные решения сложных задач. Модель предназначена для диалоговой генерации текста и сценариев, где нужны разбор задачи, план алгоритма, оценка сложности и псевдокод. В карточке приведено сравнение на бенчмарке Multi-Domain-Reasoning-Benchmark из 100 вопросов: результат модели — 75,64 против 73,73 у базовой Qwen3-4B-Thinking-2507. Поддерживается контекст до 262 144 токенов; карточка указывает английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Результат бенчмарка основан на небольшой выборке и не гарантирует превосходства на других задачах. Качество ответов и точность рассуждений следует проверять в целевом сценарии.

RankZephyr 7B V1 Full — языковая модель для переупорядочивания списка документов по релевантности запросу. Разработана Castorini на основе Zephyr-7B-β и дополнительно дообучена на списковых данных ранжирования RankGPT-4; в метаданных базовой моделью указана mistralai/Mistral-7B-v0.1. Это плотная авторегрессионная архитектура MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель принимает запрос и документы и возвращает их идентификаторы в порядке релевантности. Она предназначена для listwise-реранжирования в связке с RankLLM и показала высокие результаты на наборах DL19–DL22, TREC-COVID и TREC-News. Основной язык обучения и применения — английский; перенос результатов на многоязычные данные не гарантирован. Модель распространяется по лицензии MIT. Это специализированный реранкер, а не универсальная чат-модель; базовая Zephyr-модель может выдавать проблематичный контент, поскольку не проходила описанный в её карточке этап выравнивания по предпочтениям для безопасности.

Это англоязычный кросс-энкодер kwondw/reranker-msmarco-v1.1-ModernBERT-base, созданный дообучением answerdotai/ModernBERT-base на парах запрос–текст из MS MARCO с помощью sentence-transformers. Модель совместно обрабатывает запрос и документ и выдаёт оценку релевантности, которую можно использовать для повторного ранжирования результатов поиска и семантического поиска. Модель построена на ModernBERT-base с архитектурой ModernBertForSequenceClassification, содержит 149 млн параметров и принимает текстовые последовательности длиной до 8192 токенов. В README приведены результаты оценки на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR; фактическое качество зависит от данных и сценария применения. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя. Обучение на MS MARCO и англоязычная базовая модель указывают на основную ориентацию на английский; качество на других языках не подтверждено.

SberDevices и AGI NLP разработали sage-fredt5-distilled-95m — компактную модель на архитектуре T5 для исправления орфографии, пунктуации и опечаток в русских текстах. Она преобразует текст с ошибками в нормативный вариант и может восстанавливать пробелы, регистр букв и знаки препинания. Модель получена дистилляцией исходной модели на архитектуре FRED-T5-1.7B и содержит 55,1 млн параметров. Для обучения использовался корпус искусственно искажённых русскоязычных текстов на основе Википедии и расшифровок видео. Модель предназначена для автоматической корректуры текстов; карточка приводит результаты оценки на общих, многодоменных, медицинских и GitHub-текстах. По данным карточки, сложное форматирование может ухудшить качество результата. Лицензия — MIT.

SearchSwarm-30B-A3B — дообученная модель класса Qwen3 MoE от SearchSwarm для многошагового агентного исследования информации. Она предназначена для сложных исследовательских запросов: модель разбивает задачу на подзадачи, делегирует их субагентам, проверяет полученные результаты и составляет отчёт с опорой на источники. Субагенты работают в отдельных контекстах и возвращают компактные сводки, помогая основному агенту управлять конечным контекстом. Модель использует архитектуру Qwen3 MoE, содержит 2,4 млрд параметров и поддерживает контекст до 131 072 токенов. Она дообучена на базе Alibaba-NLP/Tongyi-DeepResearch-30B-A3B; доступна в формате safetensors для Transformers. В карточке приведены результаты на BrowseComp и BrowseComp-ZH, но они сами по себе не гарантируют качество в других сценариях. Лицензия — MIT.

SOD-GRPO_teacher-4B — языковая модель на архитектуре Qwen3, дообученная командой youngzhong методом GRPO после этапа SFT. Она служит моделью-учителем в SOD-фреймворке для дистилляции компактных моделей, а также предназначена для агентного рассуждения с использованием инструментов, решения математических и научных задач и генерации кода. Модель содержит около 3,7 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 262 144 токена. В карточке приведены результаты на AIME 2024/2025, GPQA-Diamond и LiveCodeBench-v6, но они не гарантируют аналогичного качества на других задачах. Поддерживается английский язык. Лицензия — Apache-2.0.

Akshat131/splade-multi-static-pruned-v2 — разреженная модель семейства SPLADE для семантического поиска по технической документации и корпусам кода. Это дообученная и дистиллированная версия SPLADE-v3-doc от Naver с укороченным до трёх слоёв BERT-энкодером; в README указано 45,75 млн параметров, тогда как метаданные каталога указывают 51,8 млн. Модель формирует взвешенные разреженные представления документов для поиска через статический инвертированный индекс. Для запросов предусмотрена статическая таблица весов токенов, поэтому их обработка не требует нейронного прохода во время поиска. Модель предназначена прежде всего для поиска по документации библиотек и техническим текстам. В README приведены результаты на корпусах NumPy, Pandas и PyBind11, а также на SciFact из BEIR. Метаданные указывают поддержку английского языка и контекст до 512 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Для практического использования потребуется совместимый процесс подготовки индекса и обработки документов; README описывает статическую обработку запросов, но не приводит подробности интеграции.

Duyntnet/stable-code-instruct-3b-imatrix-GGUF — набор imatrix-квантизованных версий модели Stable Code Instruct 3B, разработанной Stability AI. Модель предназначена для генерации текста и выполнения инструкций, связанных прежде всего с программированием, например для написания HTML-кода и других фрагментов программ. Поддерживаемый язык — английский. Модель содержит около 3 миллиардов параметров и распространяется в формате GGUF, что ориентировано на запуск с использованием совместимых локальных средств инференса. В README не указаны точная архитектура, размер контекстного окна, перечень поддерживаемых модальностей и конкретные варианты квантизации. Пример использования предусматривает диалоговый шаблон, генерацию до 1024 новых токенов и настройку параметров sampling. Сильной стороной модели является специализация на инструкциях для задач программирования и возможность локального запуска в квантизованном формате. Ограничения включают англоязычную специализацию, отсутствие заявленной поддержки других модальностей и неполное описание технических характеристик. В метаданных указана лицензия other, однако её точные условия в README не приведены.

ahmedHamdi/story-similarity-mpnet-plots-es-en — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, предназначенная для оценки семантического сходства текстов. Её можно применять для получения эмбеддингов сюжетов и сравнения описаний на испанском и английском языках, например для поиска похожих сюжетов или их группировки. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текстовые входы; максимальная длина контекста составляет 514 токенов. README указывает на обучение через AutoTrain и приводит значение loss 0,8079, но не описывает набор данных, метрику качества на прикладных примерах или лицензию.

QuickHawk/trocr-indic — модель распознавания текста на изображениях по подходу TrOCR, разработанная Aarya Devarla для индийских языков. Она принимает кадрированные изображения с текстом и генерирует распознанную строку; архитектура — VisionEncoderDecoderModel, объединяющая DeiT и IndicBART. Модель обучена на наборе IndicSTR12 и рассчитана на распознавание ассамского, бенгальского, гуджарати, хинди, каннада, малаялам, маратхи, одиа, панджаби, тамильского и телугу. Несмотря на перечень языков обучения, README предупреждает, что из-за ограничений IndicBART обучение использовало только деванагари. Поэтому качество для языков с другими письменностями может быть ограниченным. Приведённые CER и WER также заметно различаются между языками. Модель распространяется по лицензии MIT.

Tulu V2.5 DPO 13B StackExchange 60k — англоязычная чат-модель от Allen Institute for AI (AI2), созданная для диалогов с помощником и генерации текста. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров и контекстом до 4096 токенов; она принимает текст и выдаёт текст. Модель дообучена методом DPO на случайной подвыборке из 60 тысяч пар предпочтений StackExchange, начиная с Tulu 2; в основе — allenai/tulu-2-13b, дообученная на инструкциях Llama 2. Её можно использовать для ответов на вопросы, помощи с инструкциями и ведения англоязычных диалогов. Для лучшего качества следует соблюдать шаблон сообщений, встроенный в токенизатор. Модель распространяется по лицензии Apache 2.0. В карточке отмечено, что в ходе RLHF модель не обучали выдавать безопасные ответы и не применяли фильтрацию ответов во время использования; она может генерировать проблемный контент, особенно по соответствующему запросу.

Модель CLEAR-Global/w2v-bert-2.0-chichewa_34_307h — версия facebook/w2v-bert-2.0, дообученная CLEAR Global для автоматического распознавания речи на языке чичева. Она использует архитектуру Wav2Vec2BertForCTC и содержит около 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст; обучение проводилось на наборе CLEAR-GLOBAL/CHICHEWA_34_307H - NA. В README приведены результаты оценки: WER 0,3856 и CER 0,1100. Модель распространяется по лицензии MIT.

Это модель автоматического распознавания речи на основе Wav2Vec2-XLS-R, разработанная shahruk10 и дообученная на базе arijitx/wav2vec2-xls-r-300m-bengali. Она преобразует бенгальскую речь в текст и предназначена прежде всего для аудио с бангладешским акцентом. Обучение проводилось примерно на 300 часах аудио Common Voice 9.0 с частотой 16 кГц; для декодирования использовалась языковая модель 5-грамм. В метаданных указаны архитектура Wav2Vec2ForCTC и 402,8 млн параметров. На валидационной выборке соревнования BUET CSE Fest 2022 DL Sprint модель показала CER 0,08079 и WER 0,017939 с 5-граммной языковой моделью и заняла первое место в публичном и приватном рейтингах соревнования. Эти показатели относятся к конкретным данным и настройке декодирования; тестовые метки организаторы не предоставили. Модель распространяется по лицензии Apache-2.0.

Модель abdouaziiz/wav2vec2-xls-r-300m-wolof-lm разработана для распознавания речи на языке волоф. Это дообученная версия facebook/wav2vec2-xls-r-300m с языковой моделью, обученная на речевом корпусе ALFFA_PUBLIC. Архитектура — Wav2Vec2ForCTC; в репозитории указано около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст. Она предназначена для транскрибирования записей на волофе, в том числе речи из Сенегала и соседних стран. В карточке указаны 16,8 часа обучающих данных, разделённых на 10 000 аудиофайлов для обучения и 3 339 для тестирования; результат на наборе оценки — WER 0,212565. Модель распространяется по лицензии MIT. Автор отмечает возможности улучшения распознавания с помощью языковой модели, проверки орфографии и редактирования предложений.

Это модель автоматического распознавания речи на венгерском языке, созданная сообществом на основе openai/whisper-base. Она объединяет взвешенным усреднением параметров две венгерские дообученные версии: 90% весов whisper-hu-base-finetuned-V2 и 10% whisper-base-hungarian_v4. Модель содержит 51,7 млн параметров и доступна в формате safetensors для Transformers. Модель предназначена для преобразования венгерской речи в текст, в том числе для записей с фоновым шумом. В тестах авторов она показала более низкий WER на FLEURS hu_hu, чем обе исходные версии, и лучшее распознавание на зашумлённых записях; на Common Voice 17.0 немного уступила V2, обучавшейся на его обучающей и валидационной выборках. Результаты зависят от условий записи и настроек декодирования. Для живой речи, телефонных разговоров и сильных акустических искажений качество может быть ниже, чем на подготовленных записях. README указывает, что коммерческое использование без согласия не разрешено; для личного использования применяются исходные условия лицензии Whisper.

Whisper Kannada Small — дообученная версия модели Whisper-small от OpenAI, созданная участником проекта Whisper fine-tuning sprint для распознавания речи на каннада. Модель принимает аудио и генерирует текстовую расшифровку; её можно применять для транскрибирования записей и оценки систем ASR на корпусах каннада. Модель основана на архитектуре Whisper и содержит около 153,1 млн параметров. Для дообучения использованы корпуса IISc-MILE Kannada ASR, ULCA ASR, Shrutilipi ASR и обучающая и валидационная выборки Google Fleurs. Карточка указывает Apache 2.0 в качестве лицензии. Оценка проводилась на тестовой выборке Google Fleurs, тесте IISc-MILE и OpenSLR.

Byne/whisper-large-v3-arabic — дообученная Byne версия мультиязычной модели Whisper large-v3 от OpenAI для автоматического распознавания речи и преобразования аудио в текст. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и доступна в формате Safetensors. Название указывает на специализацию на арабской речи. В README приведены результаты оценки: loss 0,1384 и WER 9,3775; описание набора данных, условий оценки и подробные сценарии использования не раскрыты. Модель распространяется по лицензии Apache-2.0.

Это дообученная модель OpenAI Whisper large-v3, подготовленная yuriyvnv для распознавания речи на португальском языке. Она принимает аудио и преобразует его в текст; модель реализована как WhisperForConditionalGeneration, содержит около 905,2 млн параметров и доступна в формате safetensors для использования через Transformers. Модель обучена на португалоязычной части Common Voice 17.0 и на 21 968 синтетических аудиозаписях без фильтрации качества. На тестовой выборке Common Voice указана частота ошибок слов (WER) 8,33%, а на наборе MLS — 13,43%. Такой вариант подходит для сравнения стратегий аугментации и сценариев, где важен максимальный объём синтетических данных. Включение неотфильтрованных синтетических примеров ухудшает перенос на другой набор данных по сравнению с фильтрованным вариантом; качество также может зависеть от предметной области и регионального варианта португальского. Модель распространяется по лицензии Apache-2.0.

Это дообученная модель распознавания речи на базе OpenAI Whisper Medium, опубликованная пользователем dianavdavidson. Она предназначена для преобразования аудио в текст; название репозитория указывает на настройку для хинди и набора данных Vaani, однако README называет обучающий набор «None», поэтому эту специализацию нельзя подтвердить однозначно. Модель использует архитектуру WhisperForConditionalGeneration и формат safetensors. В README приведены результаты оценки: loss 0,4726 и Global WER 26,8624. Базовая модель содержит 455,8 млн параметров и поддерживает распознавание речи и перевод речи; лицензия этой модели — Apache-2.0.