II.8Инженерия данных и аналитика

tvall43/Qwen3.5-14B-A3B-Claude-4.6-Opus-Reasoning-Distilled-reap — экспериментальная сжатая версия модели для диалогов и задач, требующих пошаговых рассуждений. Согласно карточке, она основана на дообученной Qwen3.5-35B-A3B-Claude-4.6-Opus-Reasoning-Distilled; каталог указывает архитектуру Qwen3.5 MoE, 2,9 млрд параметров и контекст до 262 144 токенов. Модель принимает текст и генерирует текст. Модель предназначена для аналитических задач, программирования, математики и логических рассуждений. Карточка описывает обучение на данных с примерами рассуждений, связанными с Claude Opus, однако приведённые тесты дают смешанные результаты: модель не справилась с созданием игры «Змейка» в одном HTML-файле после нескольких итераций, а тест с автомойкой оказался трудным. Заявления карточки об улучшении рассуждений не подкреплены независимыми оценками. Указана лицензия Apache-2.0. Это ранняя экспериментальная версия; для неё отмечены риск галлюцинаций и возможные проблемы совместимости или интеграции. Карточка рекомендует проверять ответы, особенно фактические утверждения и результаты сложных задач.

Qwen3-Reranker-0.6B-ONNX — ONNX-конверсия модели Qwen3-Reranker-0.6B из семейства Qwen, подготовленная сообществом onnx-community для использования с Transformers.js v4. Это текстовая модель ранжирования, предназначенная для оценки релевантности документов поисковому запросу и последующей сортировки результатов, например в системах веб-поиска, семантического поиска и retrieval-augmented generation. Модель основана на архитектуре CausalLM и оценивает релевантность не как обычный классификатор, а по логитам токенов «yes» и «no» на последней позиции последовательности. Поддерживаются варианты динамического 8-битного квантования и 4-битного квантования; ONNX-граф оптимизирован слиянием операций Grouped-Query Attention. Контекстное окно составляет 32K токенов, при этом для практического использования рекомендуется ограничивать длину 8192 токенами. Модель работает с текстовыми запросами и документами; сведения о точном наборе языков и параметрах обучения в README не приведены. К сильным сторонам относятся компактный размер около 0,6 млрд параметров, возможность запуска в браузере и локальных приложениях через Transformers.js, а также ускорение на WebGPU и поддержка WASM/CPU. К ограничениям относятся отсутствие вариантов fp32 и fp16 в данном репозитории, зависимость от совместимости ONNX Runtime Web с используемыми операциями и необходимость корректно форматировать запрос, инструкцию и документ в специальный prompt. Модель распространяется по лицензии Apache-2.0.

Карточка модели ArchiveStudio/Qwen3-VL-Reranker-8B на Hugging Face совпадает с карточкой Qwen/Qwen3-VL-Reranker-8B, поэтому описание составлено по ней. Qwen3-VL-Reranker-8B — мультимодальная модель-реранкер семейства Qwen от Qwen, дообученная на базе Qwen/Qwen3-VL-8B-Instruct. Она принимает пару «запрос — документ» и оценивает их релевантность, чтобы пересортировать результаты первичного поиска. Запрос и документ могут содержать текст, изображения, скриншоты, видео или их сочетания. Модель построена на плотной архитектуре Qwen3-VLForConditionalGeneration и содержит 8 млрд параметров. Заявлены контекст до 32 тыс. токенов и поддержка более 30 языков. Реранкер рассчитан на второй этап мультимодального поиска, включая поиск по изображениям, видео и визуальным документам; для первоначального отбора кандидатов его можно сочетать с моделью эмбеддингов Qwen3-VL-Embedding. Репозиторий использует формат safetensors и библиотеку Transformers. Модель распространяется по лицензии Apache-2.0. README рекомендует задавать инструкции под конкретный сценарий и отмечает, что на мультиязычных сценариях инструкции предпочтительно формулировать по-английски. Описанные в карточке высокие результаты основаны на бенчмарках разработчиков; реальное качество зависит от данных и настройки поискового конвейера.

Qwen3-VL-Reranker-8B — мультимодальная модель-реранкер семейства Qwen от Qwen, дообученная на базе Qwen/Qwen3-VL-8B-Instruct. Она принимает пару «запрос — документ» и оценивает их релевантность, чтобы пересортировать результаты первичного поиска. Запрос и документ могут содержать текст, изображения, скриншоты, видео или их сочетания. Модель построена на плотной архитектуре Qwen3-VLForConditionalGeneration и содержит 8 млрд параметров. Заявлены контекст до 32 тыс. токенов и поддержка более 30 языков. Реранкер рассчитан на второй этап мультимодального поиска, включая поиск по изображениям, видео и визуальным документам; для первоначального отбора кандидатов его можно сочетать с моделью эмбеддингов Qwen3-VL-Embedding. Репозиторий использует формат safetensors и библиотеку Transformers. Модель распространяется по лицензии Apache-2.0. README рекомендует задавать инструкции под конкретный сценарий и отмечает, что на мультиязычных сценариях инструкции предпочтительно формулировать по-английски. Описанные в карточке высокие результаты основаны на бенчмарках разработчиков; реальное качество зависит от данных и настройки поискового конвейера.

Qwen-AgentWorld-35B-A3B — языковая модель мира, опубликованная Unsloth на базе Qwen-AgentWorld-35B-A3B от Qwen. Она предназначена для симуляции сред, с которыми взаимодействуют агенты: по истории взаимодействия и действию агента модель предсказывает следующее состояние среды и формирует наблюдение. Модель охватывает семь областей: вызовы инструментов через MCP, поиск, терминал, разработку ПО, Android, веб-интерфейсы и операционные системы. Это причинная языковая модель архитектуры Qwen 3.5 MoE: всего 35 млрд параметров, из которых активируются 3 млрд; контекст — до 262 144 токенов. Обучение включало продолженное предобучение, дообучение с учителем и обучение с подкреплением. Модель принимает текстовые описания действий и истории взаимодействий и генерирует текстовые предсказания состояния среды. В карточке заявлены сценарии как с текстовыми, так и с графическими интерфейсами, но наличие входа изображений в этой версии явно не описано. Весы доступны в формате safetensors, библиотека — Transformers, лицензия — Apache-2.0.

Это англоязычный cross-encoder-реранкер, разработанный tomaarsen и дообученный на microsoft/MiniLM-L12-H384-uncased с использованием Sentence Transformers на наборе MS MARCO. Модель совместно обрабатывает пару «запрос—документ» и выдаёт оценку релевантности; оценки можно использовать для перестановки результатов поиска или семантического поиска. Модель построена на архитектуре BERT с классификационной головой, содержит около 40 млн параметров и принимает текстовые последовательности длиной до 512 токенов. README приводит результаты оценки ранжирования на NanoMSMARCO, NanoNFCorpus и NanoNQ, а также агрегированную оценку на NanoBEIR-en. Модель рассчитана на английский язык и задачи ранжирования текстовых пар. Cross-encoder оценивает пары отдельно, поэтому для практического поиска его обычно применяют для переранжирования предварительно отобранных кандидатов. Сведения о лицензии в предоставленных данных отсутствуют.

Это англоязычный Cross-Encoder, дообученный авторами на базе microsoft/MiniLM-L12-H384-uncased на наборе MS MARCO с использованием Sentence Transformers. Модель оценивает пару «запрос — текст» одним релевантностным баллом и предназначена для повторного ранжирования результатов поиска и семантического поиска. Модель построена на архитектуре BERT и содержит около 40 млн параметров. Она принимает текстовые пары, поддерживает последовательности длиной до 512 токенов и выдаёт оценку релевантности. В карточке приведены результаты оценки на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Модель рассчитана на английский язык и обучена на MS MARCO; перенос качества на другие языки и предметные области не подтверждён приведёнными данными. Лицензия в предоставленной карточке не указана.

kwondw/reranker-msmarco-v1.1-ModernBERT-base-cmnrl — это англоязычный кросс-энкодер, созданный дообучением answerdotai/ModernBERT-base разработчиком kwondw на наборе MS MARCO с использованием Sentence Transformers. Модель оценивает пару «запрос — документ» одним числовым баллом релевантности и предназначена для ранжирования результатов поиска и семантического поиска. Модель содержит 149 млн параметров, использует архитектуру ModernBertForSequenceClassification и принимает текст; максимальная длина последовательности — 8192 токена. В карточке приведены результаты оценки на наборах NanoMSMARCO, NanoNFCorpus и NanoNQ, включая метрики MAP, MRR@10 и nDCG@10. Модель лучше всего применять для переоценки небольшого числа кандидатов, уже найденных поисковой системой. Обучение на MS MARCO и приведённые оценки не гарантируют одинаковое качество на других языках и предметных областях. Распространяется в формате safetensors; лицензия в предоставленных данных не указана.

shahrukhx01/roberta-base-boolq — англоязычная модель классификации текста на базе архитектуры RoBERTa. В репозитории указаны 151,8 млн параметров и класс RobertaForSequenceClassification; модель выдаёт метку «YES» или «NO». Она предназначена для бинарной классификации ответов на вопросы формата BoolQ: по входному тексту определить, соответствует ли ответ «да» или «нет». Контекст модели составляет 514 токенов. Модель подходит для автоматической проверки бинарных ответов на английском языке и классификации текста по меткам «YES»/«NO». Доступны веса PyTorch и safetensors. Сведения о лицензии в предоставленных данных отсутствуют, поэтому условия использования по ним определить нельзя.

rubert-nli-threeway-onnx — русскоязычный BERT-классификатор последовательностей, экспортированный в ONNX. Модель разработана для трёхстороннего распознавания логического отношения между посылкой и гипотезой: следование (entailment), противоречие (contradiction) или нейтральное отношение (neutral). Она принимает input_ids, attention_mask и token_type_ids и выдаёт logits для трёх классов. В репозитории представлены варианты fp32, fp16 и динамический int8. Версии fp16 и int8 предназначены для уменьшения размера и ускорения инференса на соответствующем оборудовании; для всех вариантов сохранены входы и выходы формата fp32/целочисленных идентификаторов. Контекст — до 512 токенов, размер модели — 205,1 млн параметров. README сообщает о проверке сохранения предсказанного класса на восьми наборах примеров, что не является широкой оценкой качества. Лицензия — Apache-2.0.

sentence-croissant-llm-base — модель для построения эмбеддингов французских предложений, опубликованная Wissam42. Она дообучена методом Siamese-BERT на базе CroissantLLMBase с использованием библиотеки sentence-transformers и французской обучающей части набора STS-B. Архитектура — плотная LlamaModel размером 1,3 млрд параметров; модель принимает текст и выдаёт векторные представления предложений, пригодные для сравнения семантической близости. Контекст модели — до 2048 токенов. Модель предназначена для поиска похожих по смыслу предложений, семантического поиска и оценки сходства французских текстов. Карточка указывает французский язык; базовая CroissantLLM описана как франко-английская, но специализация этой модели — французские эмбеддинги. Лицензия — MIT.

SEW-tiny-100k-ft-ls100h — модель распознавания речи от ASAPP Research, основанная на архитектуре Squeezed and Efficient Wav2vec (SEW) и дообученная для автоматической транскрипции на LibriSpeech. Это акустическая модель SEWForCTC с 50,3 млн параметров; она принимает речь в виде аудио с частотой дискретизации 16 кГц и выдаёт текст. В карточке также описаны возможные направления дообучения базовой архитектуры для идентификации говорящего, классификации намерений и распознавания эмоций, но этот чекпойнт предназначен для ASR. Модель рассчитана на распознавание англоязычной речи. Для SEW в исследовательской работе заявлены улучшения скорости вывода и качества распознавания относительно wav2vec 2.0; конкретные показатели в README относятся к экспериментам статьи, а не гарантируют результат для каждого сценария. Для использования применяется библиотека Transformers. Лицензия — Apache-2.0.

SigLIP 2 Giant — модель семейства SigLIP 2, разработанная Google. Это визуально-языковой энкодер, обученный на датасете WebLI; доступен через библиотеку Transformers и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для классификации изображений по заданным текстовым меткам без специального дообучения, поиска соответствий между изображениями и текстом, а также для использования в качестве визуального энкодера в мультимодальных системах и других задачах компьютерного зрения. В README также описаны улучшения семантического понимания, локализации и получения плотных визуальных признаков. Карточка не приводит размер модели, контекстное окно или перечень поддерживаемых естественных языков. Модель принимает изображения и текстовые метки, а для классификации возвращает оценки соответствия меткам. Ключевые ограничения и результаты оценки в доступном описании не раскрыты.

SOCO-Java-CODEBERTA-MNRL-TRIPLETS-E1-B16 — модель Sentence Transformers, созданная дообучением huggingface/CodeBERTa-small-v1 на наборе soco_train_java. Она кодирует текст в плотные векторы размерностью 768 для вычисления семантического сходства и поиска по смыслу, в том числе в задачах с исходным кодом Java. Архитектура основана на RoBERTa: модель усредняет представления токенов, максимальная длина последовательности — 512 токенов (метаданные указывают 514 токенов контекста), функция сходства — cosine similarity. Обучение использовало MultipleNegativesRankingLoss. Модель подходит для семантического поиска, поиска похожих фрагментов кода и кластеризации текстов или кода. Она выдаёт эмбеддинги, а не готовые ответы или метки; качество зависит от соответствия входных данных обучающему набору Java. Лицензия в предоставленных данных не указана.

rasyosef/splade-tiny — компактная модель разреженного поиска, разработанная на основе BERT-Tiny и дообученная дистилляцией Cross-Encoder ms-marco-MiniLM-L6-v2 на данных MS MARCO. Она кодирует запросы и документы в разреженные векторы размерности 30 522, которые можно сравнивать скалярным произведением, и предназначена для поиска релевантных документов по текстовому запросу и построения поисковых систем для небольших коллекций. Модель содержит 4,4 млн параметров, принимает последовательности длиной до 512 токенов и использует архитектуру BERT с библиотекой Sentence Transformers. В описанной оценке на MS MARCO она достигла MRR@10 30,9 против 18,0 у BM25; автор также сообщает, что модель работает на CPU с коллекцией в несколько тысяч документов. Обучающие данные и метрики ориентированы на англоязычный поиск. Модель распространяется по лицензии MIT. Её оценка приведена для MS MARCO, поэтому качество на других языках, предметных областях и типах коллекций может отличаться; для больших корпусов стоимость индексации и поиска следует оценивать отдельно.

cyttic/trocr-webfonts7 — дообученная модель cyttic/exp2-frozen-benyehuda-cont на неизвестном наборе данных. Это модель архитектуры vision-encoder-decoder, предназначенная для преобразования изображения в текст; карточка сообщает о CER 0,0216 и WER 0,0611 на оценочном наборе. Модель подходит для распознавания текста на изображениях, в частности текста веб-шрифтов, что отражено в её названии. Данные не раскрывают поддерживаемые языки, длину контекста или подробные условия применения. Весы опубликованы в формате safetensors; библиотека — Transformers. Лицензия в предоставленных данных не указана.

W2V2-BERT-Malayalam — модель распознавания речи на малаяламском языке, разработанная автором репозитория vrclc путём дообучения facebook/w2v-bert-2.0. Это плотная архитектура Wav2Vec2-BERT с примерно 402,7 млн параметров, настроенная для automatic speech recognition на наборах IMaSC, MSC, OpenSLR Malayalam Train split, Festvox Malayalam и Common Voice 16.1. Модель принимает аудио и выдаёт текстовую транскрипцию; в карточке указаны значение WER 0,1299 и loss 0,1722 на оценочной выборке. Модель подходит для транскрибирования записей и аудиоматериалов на малаяламском языке. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Оценка качества относится к указанной в карточке оценочной выборке; других условий тестирования README не приводит.

Xenova/wav2vec2-base-960h — веб-совместимая версия модели facebook/wav2vec2-base-960h, подготовленная сообществом Xenova. Модель содержит веса в формате ONNX и предназначена для запуска через библиотеку Transformers.js, включая выполнение в JavaScript-средах. Основной сценарий использования — автоматическое распознавание речи и преобразование аудиозаписей в текст. В README приведён пример транскрибации аудиофайла с помощью pipeline automatic-speech-recognition. Модель основана на архитектуре Wav2Vec2; точный размер, поддерживаемые языки, максимальная длина контекста и перечень модальностей в представленном описании не указаны. Пример вывода содержит английскую речь, однако официальные языковые ограничения README не уточняет. Ключевое преимущество модели — возможность использовать ONNX-веса в Transformers.js и интегрировать распознавание речи в JavaScript-приложения. Ограничения включают зависимость от совместимой среды выполнения и отсутствие в README подробных сведений о качестве, производительности, требованиях к ресурсам и поддерживаемых языках. Лицензия в предоставленных данных не указана.

DrishtiSharma/wav2vec2-large-xls-r-300m-pa-IN-dx1 — модель распознавания речи на архитектуре wav2vec2, дообученная на базе facebook/wav2vec2-xls-r-300m на наборе Mozilla Common Voice 8.0 для пенджабского языка, региональный вариант pa-IN. Она преобразует аудио в текст и предназначена для автоматической транскрибации пенджабской речи. В метаданных указано 402,7 млн параметров; модель использует PyTorch и формат весов PyTorch. На тестовой выборке Common Voice 8.0 автор сообщает WER 0,4755 и loss 1,0855. Лицензия — Apache-2.0.

sarpba/wav2vec2-large-xlsr-53-hungarian — модель распознавания венгерской речи, разработанная на основе facebook/wav2vec2-large-xlsr-53 и дообученная на венгерской части Mozilla Common Voice 17.0. Это архитектура Wav2Vec2ForCTC с 402,7 млн параметров, предназначенная для преобразования аудиозаписи в текст; модель работает с библиотекой Transformers и распространяется в формате safetensors. Модель подходит для транскрибации венгерской речи, например записей и аудио из Common Voice. В README приведены результаты оценки: WER 0,2997 и loss 0,1748; также заявлено сравнение с предыдущей моделью на Common Voice 17.0, но приведённые значения отличаются от основного WER, поэтому их следует учитывать с оглядкой на условия оценки и игнорируемые символы. Лицензия — Apache-2.0. Карточка не описывает условия записи аудио, устойчивость к шуму, акцентам или другим языкам; качество за пределами указанного набора оценки не подтверждено.

Wav2Vec2-Large-XLSR-53-Mongolian — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на монгольском языке с использованием Common Voice. Она преобразует аудиозаписи речи в текст и подходит для транскрибации монгольской речи; входное аудио следует подавать с частотой дискретизации 16 кГц. Модель основана на архитектуре Wav2Vec2 с CTC-выходом и содержит 402,7 млн параметров. В README приведён результат оценки 42,80% на тестовых данных Common Voice, но метрика не уточнена. Веса доступны в формате PyTorch; лицензия — Apache-2.0.

Wav2Vec2-Large-XLSR-Indonesian — модель распознавания индонезийской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на датасете Common Voice, включая синтетические голосовые данные. Модель использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Она преобразует аудиозаписи на индонезийском языке в текст и рассчитана на распознавание речи с частотой дискретизации 16 кГц. В README для тестовой части Common Voice указана оценка 14,29%, но метрика не названа, поэтому результат нельзя напрямую интерпретировать или сравнивать. Модель распространяется по лицензии Apache-2.0. Ее применение ориентировано на индонезийскую речь; результаты на других языках и аудио с иными характеристиками в предоставленных данных не описаны.

vumichien/wav2vec2-large-xlsr-japanese-hiragana — модель распознавания японской речи, дообученная автором на основе facebook/wav2vec2-large-xlsr-53. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Для обучения применялись данные Common Voice и японский речевой корпус лаборатории Саруватари Токийского университета (JSUT). Модель преобразует японскую речь в текст и рассчитана на входное аудио с частотой дискретизации 16 кГц. В оценке на японской тестовой выборке Common Voice указаны WER 24,74% и CER 10,99%. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0.

jimregan/wav2vec2-large-xlsr-latvian-cv — модель автоматического распознавания латышской речи, созданная Джимом Риганом дообучением facebook/wav2vec2-large-xlsr-53 на латышской части набора Common Voice. Она предназначена для преобразования аудиозаписей речи в текст, например для расшифровки записей и оценки распознавания на тестовых данных Common Voice. Модель использует архитектуру wav2vec 2.0 с головой Wav2Vec2ForCTC и содержит 402,7 млн параметров. Для входной речи требуется частота дискретизации 16 кГц; веса представлены в форматах PyTorch, Flax и safetensors. Модель рассчитана на латышский язык, принимает аудио и выдаёт текст. В README приведён результат оценки 29,95% на тестовых данных Common Voice, но метрика не уточнена, поэтому это число нельзя напрямую трактовать как точность или ошибку распознавания. Лицензия модели — Apache-2.0.

Модель m-salman-a/wav2vec2-xlsr-53-common-voice-indonesian — система автоматического распознавания речи на базе wav2vec 2.0 XLSR-53, дообученная автором репозитория на индонезийской части Common Voice 8.0. Она преобразует аудио на индонезийском языке в текст и предназначена для распознавания речи в записях, подготовленных по правилам предобработки модели. Модель использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. В обучающих данных было около 32 тысяч аудиозаписей из разделов train, validation и other; аудио приводили к частоте 16 кГц, а текст нормализовали: удаляли символы, переводили цифры в словесную форму и приводили символы к нижнему регистру. В README сообщается средний показатель WER 15,6% по пяти запускам на тестовой части Common Voice 8.0. Это экспериментальная модель, созданная в рамках бакалаврской исследовательской работы. Для корректных результатов входное аудио следует привести к 16 кГц и учитывать применённую нормализацию транскриптов; качество на иных данных в карточке не описано. Лицензия в предоставленных данных не указана.

WebExplorer-8B — агентная языковая модель на 7,6 млрд параметров, разработанная командой HKUST-NLP на основе Qwen3-8B и дообученная с помощью supervised fine-tuning и обучения с подкреплением по алгоритму GRPO. Она предназначена для сложного поиска информации в интернете: модель выполняет многошаговые запросы, использует инструменты поиска и просмотра веб-страниц, анализирует найденные сведения и формирует ответы. Модель поддерживает контекст до 131 072 токенов и до 100 последовательных вызовов инструментов. В карточке заявлены результаты на наборах BrowseComp, GAIA, WebWalkerQA, FRAMES, XBench-DS и HLE. Интерфейс модели рассчитан на диалог и вызов инструментов; метаданные указывают поддержку английского языка, а README также приводит результаты для китайских запросов. Модель распространяется под лицензией Apache-2.0. Результаты бенчмарков получены с оценкой LLM-as-Judge и могут зависеть от среды выполнения и настройки инструментов.

Whisper Base DE v2 — модель распознавания речи на базе Whisper, дообученная Алаа Альбашей на датасете ASR German Mixed. Она принимает аудио и преобразует немецкую речь в текст; архитектура реализована классом WhisperForConditionalGeneration, веса опубликованы в формате safetensors. В README указаны результаты оценки на тестовой выборке: loss 0,2225 и WER 14,1615. Модель подходит для транскрибации немецкой речи в аудиозаписях. Репозиторий использует Transformers, лицензия — Apache-2.0. Сведения о длине аудиозаписей и ограничениях применения в карточке не приведены.

oxide-lab/whisper-base-GGUF — набор квантованных моделей на основе openai/whisper-base, подготовленный в формате GGUF. Модель предназначена для автоматического распознавания речи и поддерживает многоязычные сценарии, включая английский и русский языки. Доступны варианты квантования от q2_k до q8_0. Модели в корневом каталоге совместимы с ML-фреймворком Candle для Rust, а варианты в подкаталоге whisper.cpp — с реализацией whisper.cpp и её CLI-инструментами. Формат GGUF позволяет уменьшить размер модели и ускорить инференс, однако низкие уровни квантования, особенно q2, q3 и q4, могут существенно снижать качество распознавания. В README отдельно отмечены q4_k как компромисс между размером, скоростью и качеством, а q8_0 — как рекомендуемый вариант для производственного использования с минимальными потерями. Модель подходит для локального распознавания аудиофайлов и интеграции в приложения на Rust или C++. Ограничения включают зависимость от выбранного уровня квантования и необходимость использовать совместимые файлы конфигурации и токенизатора для Candle либо правильную версию файлов из каталога whisper.cpp. Указана лицензия MIT, совпадающая с лицензией исходной модели Whisper.

durgesh10/whisper-large-v3-marathi — дообученная модель распознавания речи на основе OpenAI Whisper large-v3. Она содержит около 905,2 млн параметров и обучена на наборе Mozilla Common Voice 17.0. Модель принимает аудио и предназначена для преобразования речи в текст, с настройкой на маратхи. Модель доступна в формате Safetensors для библиотеки Transformers. Лицензия — Apache-2.0. README не сообщает результаты оценки качества и подробности об ограничениях, поэтому точность распознавания в разных условиях записи по карточке установить нельзя.

Модель dianavdavidson/whisper-medium_mucs_63022_ratio_25_45_lr_1e-4_lgid_None_hinglish_mixed_scripts_FT — дообученная версия Whisper Medium от OpenAI для автоматической расшифровки речи. Она содержит 455,8 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате Safetensors. По названию модели она ориентирована на речь хинглиш с использованием смешанных систем письма; в README указан результат оценки Global WER 28,9546 и loss 0,4427, но состав набора и методика оценки не описаны. Модель принимает аудио и выдаёт текстовую транскрипцию. Базовая Whisper Medium также поддерживает многоязычную расшифровку и перевод речи, однако для этой дообученной версии подтверждена только задача распознавания речи. Лицензия — Apache-2.0. Оценка WER и отсутствие сведений о данных обучения затрудняют выводы о качестве на других наборах и языковых вариантах.