II.8Инженерия данных и аналитика

Parakeet TDT+CTC 1.1B GGUF — это модель автоматического распознавания речи для транскрибации английской речи, разработанная NVIDIA NeMo и преобразованная в формат GGUF с поддержкой ggml проектом CrispStrobe/CrispASR. Модель предназначена для локальной обработки аудио через CrispASR, включая получение текста с регистром букв, пунктуацией и временными метками слов. Она принимает монофоническое аудио 16 кГц. Модель содержит около 1,1 млрд параметров и использует 42-слойный энкодер FastConformer, 2-слойный LSTM-предиктор, гибридные TDT- и CTC-головы, а также словарь из 1024 SentencePiece-токенов для английского языка. TDT является режимом декодирования по умолчанию и обеспечивает временные метки слов; CTC доступен как альтернативный режим, в частности для shallow-fusion и смещения распознавания по ключевым словам. Доступны варианты F16, Q8_0 и Q4_K, причём Q4_K рекомендуется как вариант по умолчанию благодаря меньшему размеру около 810 МБ, а F16 обеспечивает наивысшую скорость среди указанных вариантов. Сильные стороны модели — крупный энкодер, гибридное декодирование, корректный регистр и пунктуация, а также возможность локального запуска в компактных квантизованных форматах. Ограничение — поддерживается только английский язык; по сравнению с чистой TDT-версией некоторые квантизованные варианты работают медленнее из-за совместной поддержки TDT и CTC. Модель распространяется по лицензии CC-BY-4.0, унаследованной от исходной модели NVIDIA; репозиторий содержит только конвертацию и квантизацию весов.

Parakeet-unified-en-0.6b — англоязычная модель распознавания речи от NVIDIA для офлайн- и потоковой транскрибации. Она принимает монофоническое аудио в формате WAV и выдаёт английский текст с пунктуацией и заглавными буквами. Модель построена на архитектуре Unified FastConformer-RNNT: энкодер FastConformer содержит 24 слоя, а декодер использует RNNT. В ней около 600 млн параметров. Офлайн- и потоковый режимы обучены совместно и используют общие параметры; для потоковой работы применяется обработка аудио чанками с настраиваемым левым, средним и правым контекстом. Заявленная задержка зависит от размера чанка и правого контекста: в приведённых настройках она составляет от 0,08 до 2,08 секунды. По приведённым оценкам WER модель показывает сильные результаты в офлайн-режиме и при потоковой задержке до 240 мс; при 160 мс качество начинает снижаться, а для 80 мс авторы рекомендуют другую модель. Для потокового распознавания нужны инструменты NVIDIA NeMo. В карточке указано, что пока доступен инференс, а обучающий конвейер планируется выпустить позднее. Лицензия обозначена как other; конкретные условия следует сверить с файлами лицензии репозитория.

PE-Core-S-16-384 — версия модели Perception Encoder, разработанной Meta и преобразованной для OpenCLIP. Это контрастивный энкодер изображений и текста: он кодирует изображения и текстовые описания в общее пространство признаков для сопоставления и классификации по пользовательским категориям. Вариант S/16 принимает изображения с разрешением 384 пикселя; в семействе PE Core используются визуальный энкодер с блоком attention pooling и текстовый энкодер. Модель предназначена для классификации изображений без обучения на целевых классах, поиска изображений по тексту и поиска текстовых описаний по изображению. В карточке также приведены результаты для видео-классификации и поиска, однако метаданные этой версии указывают основной сценарий как zero-shot image classification. Модель доступна в форматах PyTorch и safetensors, использует библиотеку OpenCLIP и распространяется по лицензии Apache-2.0. В README не приведено точное число параметров варианта S/16, поэтому размер модели здесь не указан.

Модель Syed-Hasan-8503/Phi-3-mini-4K-instruct-cpo-simpo — диалоговая языковая модель семейства Phi-3, созданная на основе Phi-3-mini-128K-instruct с оптимизацией предпочтений CPO-SimPO. Она предназначена для выполнения инструкций и генерации ответов в чате; автор README сообщает об улучшениях на GSM8K и TruthfulQA, но подробные результаты оценки не приведены. Модель содержит 3,7 млрд параметров, использует архитектуру Phi3ForCausalLM и принимает текст с контекстом до 4096 токенов. Весовые файлы представлены в формате safetensors. Лицензия — Apache-2.0. README описывает сочетание поведенческого клонирования, нормализации длины и целевых порогов награды, однако не приводит данных об обучающих наборах или подробных ограничениях модели.

QaptaanLM-0.75B-Instruct-GGUF — набор официальных GGUF-квантизированных форматов модели QaptaanLM-0.75B-Instruct, разработанной kaptaan45. Модель представляет собой компактную foundation programming model с гибридным механизмом линейного внимания и примерно 752 млн параметров, ориентированную на генерацию текста и выполнение инструкций, прежде всего в задачах программирования и синтеза кода. Заявлена поддержка английского языка и кода. Репозиторий предназначен для локального запуска через llama.cpp и Ollama. Доступны варианты от FP16 и BF16 до экстремального Q2_K; рекомендуемым указан Q4_K_M как компромисс между размером, скоростью и качеством рассуждений. Размер файлов составляет примерно 402 МБ–1,45 ГБ, а заявленная потребность в памяти — около 550 МБ–2 ГБ в зависимости от квантизации. Модель подходит для устройств с ограниченными ресурсами, но более сильное сжатие может снижать качество, а небольшой размер ограничивает сложность решаемых задач по сравнению с крупными моделями. Максимальный контекст в README не указан. Распространяется по лицензии Apache 2.0.

Qwen2.5-Coder-1.5B-Q8_0-GGUF — это квантизированная версия модели Qwen2.5-Coder-1.5B, преобразованная в формат GGUF. Конвертацию выполнила организация ggml-org с использованием llama.cpp и сервиса GGUF-my-repo; исходная модель разработана командой Qwen. Модель предназначена для генерации текста и прежде всего для задач, связанных с программным кодированием, включая работу с кодом через llama.cpp. Модель содержит 1,5 миллиарда параметров и использует квантизацию Q8_0. Доступна в формате GGUF для локального запуска с помощью llama.cpp, включая CLI и серверный режим. В карточке указаны английский язык и текстовая модальность; размер контекста для рекомендуемого серверного запуска составляет 2048 токенов. Архитектура и перечень поддерживаемых языков программирования в README не уточняются. К сильным сторонам относятся компактный размер, возможность локального развертывания и совместимость с llama.cpp. Ограничения связаны с небольшим размером модели, ограниченным контекстом в приведенном сценарии запуска и отсутствием подробных данных о качестве, тестах и возможностях работы с отдельными языками программирования. Модель распространяется по лицензии Apache-2.0.

LiteRT-LM-вариант модели Qwen/Qwen2.5-Coder-3B-Instruct, распространяемый сообществом LiteRT и предназначенный для генерации текста на устройствах. Модель ориентирована прежде всего на задачи программирования и другие сценарии, где требуется локальная генерация текста с использованием LiteRT-LM, включая интеграцию в мобильные и периферийные приложения. В метаданных указан английский язык. Модель имеет размер 3B параметров и поставляется в виде квантованного артефакта Qwen2.5_Coder_3B_It.litertlm объёмом 3,4 ГБ с рецептом dynamic_wi8_afp32. Архитектура и максимальная длина контекста в README не указаны. Заявлена оптимизация для работы на устройстве; приведены результаты для CPU и GPU на Apple M4 Max и Samsung Galaxy S26. На Galaxy S26 GPU-режим показывает более высокую скорость предварительной обработки и генерации, а также существенно меньшее пиковое потребление памяти по сравнению с CPU. Сильными сторонами являются локальная работа без обязательной отправки запросов на сервер, поддержка аппаратного ускорения и готовность к интеграции через LiteRT-LM. Ограничения включают неизвестную длину контекста, отсутствие подробных сведений о поддерживаемых языках и зависимость производительности и потребления памяти от конкретного устройства и backend. Модель распространяется по лицензии Apache 2.0.

Qwen3.8-4B-Empero-AI-FullStack-i1-GGUF — квантизированная GGUF-версия модели iBotIA/Qwen3.8-4B-Empero-AI-FullStack, подготовленная mradermacher. Модель относится к семейству Qwen3.5 и ориентирована на генерацию текста, рассуждения и задачи разработки программного обеспечения, включая TypeScript, React Router v8, NestJS и Flutter. В метаданных также указана поддержка английского языка и наличие vision-возможностей, однако подробности о реализованных визуальных сценариях не приведены. Модель имеет заявленный размер 4B параметров и поставляется в нескольких вариантах квантизации i1, включая Q2_K, Q3_K, IQ3, IQ4, Q4, Q5 и Q6. Размер файлов составляет примерно от 2,1 до 3,7 ГБ, что делает модель пригодной для локального запуска на системах с ограниченными ресурсами. В README отмечены компромиссы между скоростью, качеством и размером: Q4_K_S описан как сбалансированный вариант, Q4_K_M — как быстрый и рекомендуемый, а некоторые IQ-квантизации могут превосходить сопоставимые по размеру варианты. К ограничениям относятся неизбежная потеря качества при низкой точности квантизации, отсутствие приведённых результатов тестирования и неизвестные параметры контекстного окна, архитектуры и точный набор поддерживаемых языков. Для vision-сценариев могут потребоваться дополнительные mmproj-файлы из статического репозитория. В метаданных указана лицензия Apache-2.0; перед использованием следует учитывать условия лицензии исходной модели.

OpenVoiceOS опубликовала конвертированную в формат GGUF версию модели Qwen3-ASR-0.6B с тензорами F16. Это модель автоматического распознавания речи, предназначенная для запуска на периферийных устройствах и CPU-системах. Модель принимает аудио и преобразует речь в текст. В карточке указана поддержка китайского, английского, арабского, немецкого, французского, испанского, португальского, индонезийского, итальянского, корейского, русского, тайского, вьетнамского, японского, турецкого, хинди, нидерландского, шведского, датского и финского языков; теги README также перечисляют малайский, фарси, греческий, венгерский, македонский, румынский, чешский и филиппинский. Формат GGUF упрощает использование модели в CPU- и edge-средах. Для работы с этой версией нужна среда выполнения, совместимая с GGUF. Модель распространяется по лицензии Apache 2.0, унаследованной от исходной Qwen/Qwen3-ASR-0.6B.

Карточка модели ArchiveStudio/Qwen3-VL-Reranker-2B на Hugging Face совпадает с карточкой Qwen/Qwen3-VL-Reranker-2B, поэтому описание составлено по ней. Qwen3-VL-Reranker-2B — мультимодальная модель ранжирования из семейства Qwen, созданная командой Qwen на базе Qwen/Qwen3-VL-2B-Instruct. Она принимает пару «запрос — документ» и оценивает их релевантность; запрос и документ могут содержать текст, изображения, скриншоты, видео или сочетания этих данных. Модель рассчитана на уточнение результатов поиска после первичного отбора кандидатов, например в мультимодальных и межъязыковых поисковых системах. Модель использует плотную архитектуру Qwen3-VLForConditionalGeneration, содержит 2 млрд параметров и поддерживает контекст до 32 тыс. токенов. По карточке модели она поддерживает более 30 языков и настраиваемые инструкции для задачи ранжирования. В описанных авторами тестах модель показала результаты на наборах для мультимодального поиска, визуальных документов и видео; фактическое качество зависит от данных и сценария применения. Модель предназначена для этапа переранжирования и выдаёт оценку релевантности, а не готовый список результатов или векторные эмбеддинги. Для первого этапа поиска авторы предлагают сочетать её с моделью Qwen3-VL-Embedding. Лицензия — Apache-2.0.

QWQ R1 Reasoning Distill 1.5B CoT — языковая модель на архитектуре Qwen2, дообученная prithivMLmods на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Модель содержит 1,5 млрд параметров и предназначена для генерации текста с пошаговыми рассуждениями, следования инструкциям и решения многоэтапных задач. В карточке указаны математические и логические задачи, объяснение решений и учебные сценарии; для диалога предусмотрен chat-интерфейс. Модель принимает текст и генерирует текст. Заявленная длина контекста — 131 072 токена. В обучении использованы наборы данных с примерами математических решений и длинных рассуждений. Лицензия — Apache-2.0. Модель может ошибаться в вычислениях и фактах, испытывать трудности с неоднозначными задачами и очень длинными цепочками рассуждений. Её знания могут быть неполными или устаревшими, а результаты — зависеть от смещений и пробелов в обучающих данных.

Shitao/RetroMAE — предобученная языковая модель, разработанная авторами RetroMAE: Shitao Xiao, Zheng Liu, Yingxia Shao и Zhao Cao. Она основана на BERT-подобном трансформере и предназначена для задач поиска и семантического сопоставления текстов, а также для дальнейшего обучения плотных ретриверов. В исходной архитектуре используется асимметричная схема masked auto-encoder: полноразмерный трансформер-энкодер и однос layer-трансформер-декодер. Модель содержит около 136,7 млн параметров, работает с контекстом до 512 токенов и доступна через Transformers как masked language model для задачи fill-mask.

deepset/roberta-base-squad2-distilled — англоязычная модель для извлечения ответов на вопросы, разработанная deepset. Она построена на архитектуре RoBERTa и дообучена с помощью дистилляции: учительской моделью служила deepset/roberta-large-squad2. В модели 151,8 млн параметров, она принимает вопрос и текстовый фрагмент и извлекает из него ответ; обучение проводилось на SQuAD 2.0. Контекст ограничен 514 токенами. Модель подходит для поиска ответов в документах и построения конвейеров extractive question answering, в том числе с Haystack. Она компактнее учительской модели за счёт дистилляции и обучена распознавать случаи без ответа. Поддерживается английский язык. Распространяется по лицензии MIT.

DMetaSoul 的 sbert-chinese-general-v2 是基于 bert-base-chinese 的 BERT 模型，在百万ном наборе данных SimCLUE для семантического сходства обучена модель эмбеддингов предложений. Она предназначена для общего семантического сопоставления: преобразует текст в векторы, которые можно сравнивать для поиска похожих фраз и ранжирования кандидатов по смыслу. Модель содержит 129,5 млн параметров, принимает текст длиной до 512 токенов и доступна в формате PyTorch; использовать её можно через Sentence-Transformers или Transformers. В README приведены результаты оценки на наборах CSTS, AFQMC, LCQMC, BQCorpus, PAWS-X и Xiaobu; авторы сообщают об улучшении обобщения относительно предыдущей версии на нескольких задачах. Модель ориентирована на китайский язык, поэтому её пригодность для других языков не подтверждена. Лицензия в предоставленных сведениях не указана.

Shrutam-2 — система распознавания речи от BharatGenAI для 12 основных языков Индии. Модель преобразует аудио в текст, используя речевой энкодер Conformer, проектор Mixture-of-Experts и декодер предобученной языковой модели. Проектор снижает частоту кадровых представлений и связывает их с пространством эмбеддингов декодера; восемь экспертов объединяются мягкой маршрутизацией SMEAR на уровне высказывания. Модель предназначена для многоязычной транскрибации и позволяет управлять поведением распознавания с помощью текстовых подсказок. В README заявлена поддержка 12 языков, но в доступном фрагменте перечислены только хинди, маратхи и тамильский; метаданные карточки также содержат языковые теги для бенгали, урду, ассамского, гуджарати, каннада, малаялам, одиа, пенджаби и телугу. Репозиторий содержит веса в формате safetensors. В предоставленных материалах лицензия и размер модели не указаны.

SigLIP SoViT-400m — мультимодальная модель сопоставления изображений и текста, разработанная Google и представленная в статье о функции потерь Sigmoid Loss for Language Image Pre-Training. Модель предварительно обучена на наборе WebLI; это shape-optimized вариант архитектуры SoViT-400m. Она принимает изображения с разрешением 384×384 и текстовые описания длиной до 64 токенов и предназначена для классификации изображений по текстовым меткам без дообучения и поиска соответствий между изображениями и текстом. SigLIP использует сигмоидную функцию потерь для пар изображение–текст, которая не требует нормализации по глобальной матрице попарного сходства. Это поддерживает масштабирование размера обучающей выборки и, согласно карточке, может улучшать результаты при меньших размерах батча. Доступные веса сохранены в формате safetensors. Модель распространяется по лицензии Apache-2.0. Модель рассчитана на задачи сопоставления визуального содержимого с текстом; карточка не указывает конкретные поддерживаемые языки. Её можно применять для поиска изображений по описаниям и классификации по заранее заданным текстовым категориям, но результаты зависят от формулировок этих категорий и данных предварительного обучения.

QuantFactory/Skywork-Critic-Llama-3.1-8B-GGUF — квантизированная версия модели Skywork-Critic-Llama3.1-8B, подготовленная QuantFactory с использованием llama.cpp. Исходную модель разработала команда SkyworkAI Alignment Team на базе Meta Llama-3.1-8B-Instruct. Модель предназначена прежде всего для попарной оценки предпочтений: она сравнивает два ответа или других входных объекта и определяет, какой из них качественнее или лучше соответствует заданным требованиям. Возможные сценарии применения включают оценку и улучшение данных, тестирование ответов языковых моделей и построение reward-моделей. Также модель обучалась на задачах критики и общих диалогах, поэтому сохраняет возможности conversational-взаимодействия. Ключевая архитектурная основа — Llama 3.1 8B-Instruct; модель относится к классу text-generation и работает с текстовыми данными. В обучении использовались открытые датасеты предпочтений и критики, внутренние человеческие аннотации, синтетические примеры и данные для диалогов. В README не указаны поддерживаемые языки, размер контекстного окна и конкретный формат или уровень квантизации, поэтому эти характеристики нельзя определить. К ограничениям относятся зависимость качества оценок от формата запроса и исходных данных, а также возможные потери качества, связанные с квантизацией. Лицензия обозначена как other; подробные условия использования в карточке не приведены.

SPLADE-BERT-Tiny-BS256-domain-adapted — разреженный энкодер SPLADE, дообученный автором yosefw на yosefw/bert-tiny-adapted-msmarco с помощью Sentence Transformers. Модель преобразует предложения и абзацы на английском языке в разреженные векторы размерности 30 522; сходство оценивается скалярным произведением. Архитектура включает BERT Tiny с masked language modeling и SPLADE pooling, максимальная длина входа — 512 токенов. Размер модели — 4,4 млн параметров. Модель предназначена для семантического поиска и разреженного извлечения документов по запросу. В карточке приведены результаты оценки качества retrieval, но они не гарантируют такую же точность на других наборах данных. Лицензия — MIT.

ctaguchi/ssc-lth-model — модель распознавания речи, дообученная на основе facebook/wav2vec2-xls-r-300m с помощью Transformers. Она принимает аудио и преобразует речь в текст; размер модели — 402,7 млн параметров. В карточке приведены результаты оценки: CER 0,3085 и WER 0,7821, однако сведений о языке и наборе данных для обучения нет. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Указанные метрики оценки и отсутствие описания сценариев применения ограничивают возможность судить о качестве распознавания для конкретных языков и условий записи.

STAR1-R1-Distill-1.5B — языковая модель UCSC-VLAA для генерации ответов с более безопасным поведением и сохранением возможностей рассуждения. Это плотная архитектура Qwen2 с 1,5 млрд параметров, дообученная на наборе STAR-1 из 1 000 примеров, отобранных и оценённых с помощью GPT-4o. Базовая модель — deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Модель предназначена для диалоговых сценариев, где важно учитывать требования безопасности при решении задач рассуждения, математики и программирования. В README заявлены улучшения на нескольких бенчмарках безопасности при минимальном влиянии на способности рассуждать. Модель принимает текст и генерирует текст; метаданные указывают контекст до 131 072 токенов и поддержку Transformers. Распространяется в формате safetensors по лицензии Apache-2.0. Результаты оценки описаны в README без численных показателей, поэтому степень улучшения безопасности и сохранения качества рассуждений по этим данным оценить нельзя.

Это точечный ранжировщик пассажей utahnlp, созданный на базе Qwen3-8B и обученный с помощью Tevatron 3.0. Модель оценивает релевантность пары «запрос — фрагмент текста», используя один регрессионный логит классификационной головы на последнем токене EOS. При обучении пара формировалась из запроса, заголовка и текста пассажa; обучение было контрастивным и выполнялось полным дообучением на RLHN-680K. Модель предназначена для повторного ранжирования результатов поиска и passage ranking. Она принимает текстовую пару запроса и фрагмента, а выдаёт числовую оценку релевантности. Это не генеративный reranker с оцениванием продолжений «yes» и «no»; для загрузки README рекомендует AutoModelForSequenceClassification. Используются архитектура Qwen3 с 7,6 млрд параметров, библиотека Transformers и контекст до 32 768 токенов. Лицензия — Apache-2.0.

TIGERScore-13B — модель семейства LLaMA-2 от TIGER-Lab, предназначенная для оценки качества сгенерированного текста. Она принимает инструкцию, связанный с задачей контекст и проверяемый ответ, после чего формирует оценку и объяснимый разбор ошибок: указывает их расположение и аспект, объясняет проблему и назначает штрафные баллы. Общая оценка складывается из этих штрафов, начиная с нуля. Модель обучена на TIGER-Lab/MetricInstruct, охватывающем шесть задач генерации текста и множество датасетов. Её применяют для оценки суммаризации, перевода, преобразования данных в текст, ответов на вопросы, математических ответов, следования инструкциям и генерации историй. TIGERScore заявлена как метрика без эталонного ответа, управляемая инструкциями и способная давать подробную атрибуцию ошибок. Это плотная авторегрессионная модель LlamaForCausalLM на 12,9 млрд параметров с контекстом до 4096 токенов. Карточка сообщает о поддержке английского, китайского, русского и чешского языков. Весы доступны в формате safetensors; лицензия — MIT. Оценки модели могут зависеть от инструкции и предметной области; заявленные результаты относятся к экспериментам на перечисленных задачах и не гарантируют одинаковую корреляцию с человеческими оценками для произвольных текстов.

wkcn/TinyCLIP-ViT-40M-32-Text-19M-LAION400M — компактная модель семейства CLIP, основанная на сопоставлении изображений и текста. Она разработана в рамках метода TinyCLIP, представленного на ICCV 2023: при обучении используются дистилляция межмодальных связей и наследование весов, чтобы уменьшить размер модели при сохранении полезности для задач CLIP. Вариант из репозитория сочетает визуальный энкодер ViT примерно на 40 млн параметров с текстовым энкодером примерно на 19 млн параметров; предобучение выполнено на LAION-400M. Модель предназначена для классификации изображений по произвольным текстовым описаниям без отдельного обучения на каждом наборе классов. Её можно применять для поиска изображений по текстовым запросам и сопоставления изображения с набором подписей. Компактная архитектура рассчитана на более быстрый и экономный инференс по сравнению с крупными CLIP-моделями, хотя конкретные показатели качества и скорости именно этого варианта в карточке не приведены. Репозиторий содержит веса PyTorch и SafeTensors и предназначен для использования с Transformers. Лицензия — MIT.

TIPSv1 L/14 — контрастивная модель «изображение–текст» семейства TIPS, представленная в README как конверсия официальных чекпойнтов. Она кодирует изображения и текст в согласованные векторы признаков и предназначена для классификации изображений по текстовым описаниям без отдельного обучения на новых классах. Модель разработана для пространственно насыщенных визуальных признаков; её зрительная часть — ViT-L/14 с 24 слоями и двумя CLS-токенами, а текстовая — 12-слойный трансформер. Всего указано 304 млн параметров в зрительной части и 184 млн в текстовой, размерность эмбеддинга — 1024. Нативное разрешение изображений — 448 пикселей; поддерживаются и другие разрешения, кратные размеру патча, с интерполяцией позиционных эмбеддингов. Изображения подаются в диапазоне [0, 1] без нормализации ImageNet. Текст обрабатывается токенизатором SentencePiece в нижнем регистре с ограничением в 64 токена. Первый CLS-токен согласован с текстовой частью, второй обучался на синтетических подписях. Модель принимает изображения и текст и выдаёт векторные представления для сопоставления и классификации. README не сообщает, какие естественные языки поддерживаются. Лицензия — Apache-2.0.

Veritas-8B-Fact-Checker-Non-Thinking-1.0 — модель Resect Research Labs для проверки фактической согласованности и фактчекинга. Она дообучена на базе Qwen/Qwen3-8B и предназначена для выдачи бинарной классификации в заданном шаблоне проверки утверждений и ответов. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и поддерживает контекст до 40 960 токенов. Карточка сообщает об оценке 75,47% на агрегированном бенчмарке LLM-AggreFact и приросте 2,3% относительно Qwen3-8B в режиме non-thinking; результаты могут зависеть от аппаратуры и версии vLLM. Модель рассчитана строго на предписанный режим оценки с бинарным выводом. Отклонение от заданного шаблона может привести к неожиданным результатам. Лицензия — Apache-2.0.

timm/ViT-B-16-SigLIP2-384 — преобразованная для OpenCLIP модель зрения и языка семейства SigLIP 2, обученная на наборе WebLI. Исходные контрольные точки выпущены в формате JAX в проекте Big Vision; веса этой версии доступны в форматах PyTorch и safetensors. Архитектура использует Vision Transformer ViT-B/16 с разрешением изображения 384 пикселя. Модель сопоставляет изображения и текстовые описания и предназначена для классификации изображений по текстовым меткам без специального дообучения. Её можно применять для поиска изображений по описанию и классификации по заданным категориям. Лицензия — Apache-2.0. Карточка не сообщает о специальных ограничениях; качество результатов зависит от формулировок текстовых меток и данных, на которых модель обучалась.

timm/ViT-B-32-SigLIP2-256 — визуально-языковая модель семейства SigLIP 2, обученная на наборе WebLI и преобразованная из исходных контрольных точек JAX проекта Big Vision для использования в OpenCLIP. Это контрастивный энкодер изображений и текста, предназначенный прежде всего для классификации изображений по текстовым описаниям без специального дообучения под каждый набор классов. Модель подходит для сопоставления изображения с перечнем текстовых меток или описаний и выбора наиболее подходящих вариантов. Репозиторий использует библиотеку OpenCLIP; веса представлены в форматах PyTorch и Safetensors. Указана лицензия Apache-2.0. Карточка не приводит размер модели, длину контекста или конкретный перечень поддерживаемых языков.

Это визуальный энкодер SigLIP 2 на архитектуре ViT-Large с патчами 16×16, предназначенный для библиотеки timm. Модель соответствует только визуальной башне SigLIP 2 и обучена на датасете WebLI; она извлекает признаки изображений и не включает текстовый энкодер. Модель подходит для получения визуальных представлений, которые можно использовать в системах поиска изображений, сопоставления и последующей обработки визуальных данных. В карточке указано разрешение 384 в названии модели. Репозиторий распространяется в форматах PyTorch и Safetensors под лицензией Apache-2.0.

Voxtral Mini 4B Realtime 2602 — мультиязычная модель распознавания речи в реальном времени от Mistral AI, опубликованная на Hugging Face организацией RedHatAI. Она преобразует потоковое аудио в текст и рассчитана на транскрибацию с низкой задержкой; в README рекомендуют задержку 480 мс. Модель построена на плотной архитектуре VoxtralRealtimeForConditionalGeneration и дообучена на базе mistralai/Ministral-3-3B-Base-2512. Весовая версия в формате safetensors поддерживается vLLM; README также указывает поддержку в Transformers начиная с версии 5.2.0. Модель предназначена для потоковой расшифровки аудио, включая длинные записи: для vLLM по умолчанию указан максимальный контекст 131072 токена, что соответствует примерно трём часам. В тесте Fleurs средняя частота ошибок слов при задержке 480 мс составила 8,72%; показатели различаются по языкам. Для запуска в BF16 требуется одна GPU с памятью от 16 ГБ. Модель поддерживает английский, французский, испанский, немецкий, русский, китайский, японский, итальянский, португальский, нидерландский, арабский, хинди и корейский языки. Лицензия — Apache-2.0. README отмечает, что из-за новой архитектуры официальная поддержка на момент карточки доступна в vLLM, а интеграции в другие среды перечислены как непроверенные.

Модель CLEAR-Global — дообученная на наборе Yoruba NaijaVoices объёмом 500 часов версия facebook/w2v-bert-2.0 для автоматического распознавания речи. Она использует архитектуру Wav2Vec2-BERT с классом Wav2Vec2BertForCTC и содержит около 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст на йоруба; библиотека для работы с ней — Transformers. В карточке приведены результаты оценки: WER 0,2869, CER 0,1773 и loss 0,3063. Лицензия модели — MIT. Подробности о составе обучающих данных, условиях записи и ограничениях применения в карточке не раскрыты.