II.8Инженерия данных и аналитика

Vela Halu — модель компании vllm-sr для проверки ответов на соответствие предоставленным свидетельствам. Это дообученный 307-миллионный энкодер ModernBERT для классификации токенов: он помечает фрагменты ответа как поддержанные контекстом или галлюцинированные и возвращает границы фрагментов в символьных смещениях Unicode. Модель предназначена для проверки ответов, основанных на документах, в том числе текста и кода; README сообщает о тестировании на наборе из 10 698 примеров и приводит метрики обнаружения фрагментов и ответов. Модель принимает текст ответа вместе с доказательствами; заявленная в README длина входа — до 8 192 токенов с учётом специальных токенов. Метаданные указывают контекстное окно базовой модели в 32 768 токенов. Модель доступна в формате Safetensors для Transformers и распространяется по лицензии Apache 2.0. Поддерживаемые языки в карточке не перечислены. Обнаружение опирается на соответствие явным свидетельствам: оно не проверяет истинность утверждений в целом, а арифметические задачи и рассуждения в несколько шагов могут ошибочно помечаться как галлюцинации.

m3hrdadfi/wav2vec2-large-xlsr-persian-v3 — модель распознавания персидской речи, разработанная на основе facebook/wav2vec2-large-xlsr-53 и дообученная на датасете Common Voice. Она принимает аудио и преобразует речь на фарси в текст; входные записи должны иметь частоту дискретизации 16 кГц. Модель построена на архитектуре Wav2Vec2 с CTC-выходом и содержит 402,7 млн параметров. В карточке указана оценка WER 10,36% на тесте. Модель подходит для транскрибации персидских аудиозаписей. Доступны веса PyTorch и TensorFlow. Условия лицензии в предоставленных данных не указаны.

Nhut/wav2vec2-large-xlsr-vietnamese — модель автоматического распознавания речи, дообученная на основе facebook/wav2vec2-large-xlsr-53 для вьетнамского языка. Принимает аудио и выдаёт распознанный текст; для работы входную речь следует подавать с частотой дискретизации 16 кГц. Модель основана на архитектуре Wav2Vec2ForCTC и содержит 402,8 млн параметров. Для дообучения использовались Common Voice, FOSD и VIVOS. В карточке приведён результат 49,59% на тестовых данных Common Voice для вьетнамского языка; метрика не уточнена, поэтому результат следует интерпретировать с осторожностью. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0.

ovsyannikovls/whisper-base-ru — модель распознавания речи семейства Whisper, дообученная автором репозитория на неизвестном наборе данных. Она предназначена для преобразования аудиозаписей в текст; карточка приводит результат оценки WER 33,1041, но не описывает тестовый набор и условия измерения. Модель распространяется в формате Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Подробности о данных обучения, поддерживаемых языках, контекстном окне и сценариях применения в карточке не приведены.

Jeremy-p/whisper-small-qc-fr — дообученная версия мультиязычной модели OpenAI Whisper-small для распознавания речи, с повышенным весом квебекского французского в обучающей смеси французского и английского языков. Это плотная encoder-decoder модель WhisperForConditionalGeneration; в данном репозитории опубликованы веса fp32 для Transformers, а отдельная версия CTranslate2 int8 предназначена для faster-whisper. Обучающая смесь использовала французские данные с вероятностью выборки 0,90 и английские — 0,10. Модель предназначена для транскрибирования аудио на квебекском французском и английском. В приведённой оценке она улучшила показатели исходной Whisper-small по WER на обоих языках и превзошла Qwen3-ASR-0.6B на французской выборке, но уступила ей на английской; размеры выборок составили 100 французских и 324 английских примера. Максимальная длина целевых последовательностей при обучении была ограничена 448 токенами. Лицензия — MIT.

OvozifyLabs разработала Whisper Small, дообученную модель распознавания речи на основе openai/whisper-small. Она преобразует аудио в текст и предназначена для транскрибирования речи на узбекском, английском и русском языках, в том числе голосовых сообщений и аудио в реальном времени или офлайн. Модель содержит 153,1 млн параметров и использует архитектуру WhisperForConditionalGeneration; веса доступны в формате safetensors. Авторы стремились улучшить распознавание узбекской речи и выровнять качество между тремя языками. В README приведено сравнение на тестовом наборе примерно из двух часов голосовых сообщений из публичных групп Telegram: WER модели составляет 34,5%. Этот результат относится к описанному тесту и не гарантирует такое же качество на других данных. Модель распространяется по лицензии Apache-2.0.

safecantonese/whisper-small-yue-full — модель распознавания речи семейства Whisper, дообученная для преобразования аудио в текст. Она подходит для сценариев автоматической транскрипции; в оценке указаны Loss 0,0362 и CER 6,1457. Модель содержит 153,1 млн параметров и распространяется в формате safetensors. README не сообщает подробностей о языках, данных обучения и условиях использования, поэтому их нельзя уточнить по доступным сведениям.

Модель ARTPARK-IISc/whisper-tiny-vaani-hindi — дообученная на датасетах индийской речи версия Whisper-tiny от OpenAI, разработанная ARTPARK-IISc. Она предназначена для автоматического распознавания речи на хинди и преобразования аудиозаписей в текст. В README указано, что при дообучении использовано около 718 часов транскрибированной речи из Vaani, Gramvaani, IndicVoices, Fleurs, IndicTTS и Common Voice. Модель имеет архитектуру WhisperForConditionalGeneration и около 29,4 млн параметров; доступна в формате safetensors и рассчитана на использование через Transformers. В карточке приведены результаты оценки WER для Gramvaani, Fleurs и IndicTTS, но они различаются, поэтому качество может зависеть от набора данных и сценария записи. Лицензия — Apache-2.0.

BLOSSOM-v5-32b — разговорная языковая модель от команды Blossom, дообученная на базе Qwen1.5-32B. Это плотная модель архитектуры Qwen2 с 31,7 млрд параметров; она принимает текст и генерирует ответы в формате диалога. Модель обучалась на смешанных наборах Blossom Chat, Orca, Wizard и Math, включая многоходовые диалоги, математические инструкции и данные, дистиллированные из GPT-4-0125-preview. Карточка заявляет поддержку китайского и английского языков, а контекст составляет до 32 768 токенов. Модель предназначена для ответов на вопросы и выполнения общих инструкций в чат-сценариях, включая математические запросы. Обучение проходило в два этапа: на одноходовых наборах Wizard, Orca и Math, затем на многоходовом наборе Blossom Chat. Доступна по лицензии Apache-2.0. Оценки качества на независимых тестах в карточке не приведены.

Blur-7B-slerp-v0.1 — языковая модель для генерации текста, созданная объединением OpenPipe/mistral-ft-optimized-1218 и mlabonne/Marcoro14-7B-slerp методом SLERP с помощью LazyMergekit. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров. Она предназначена для генерации текста и общих языковых задач. Контекстное окно составляет 32 768 токенов. В README приведены результаты Open LLM Leaderboard, включая оценки по AI2 Reasoning Challenge и HellaSwag. Модель распространяется по лицензии Apache-2.0. README и метаданные не уточняют поддерживаемые естественные языки или ограничения модели.

CapRL-Qwen3VL-4B-GGUF — мультимодальная vision-language модель примерно на 4 млрд параметров, разработанная на основе internlm/CapRL-Qwen3VL-4B и Qwen3-VL-4B. Модель распространяется в формате GGUF с различными вариантами квантования и предназначена для обработки изображений и текста; заявленный язык — английский. Модель ориентирована прежде всего на генерацию подробных подписей к изображениям, визуальные вопросы и ответы, извлечение текста, а также анализ диаграмм, инфографики, документов и естественных изображений. По данным карточки, она обучалась с использованием двухэтапного Reinforcement Learning with Verifiable Rewards (RLVR) с оценкой качества подписей через vision-only LLM на тщательно отфильтрованном наборе разнообразных изображений. Заявлены широкий охват визуальной информации, структурированные ответы и сниженная склонность к галлюцинациям; возможна интеграция через vLLM OpenAI-compatible API с передачей изображений в формате base64. Сильными сторонами являются сочетание компактного размера, мультимодального понимания и поддержки большого числа уровней квантования, что позволяет выбирать баланс между качеством, скоростью и потреблением памяти. Ограничения включают заявленную ориентацию на английский язык, отсутствие в предоставленных данных точного размера контекстного окна и подробных результатов бенчмарков, а также потенциальные потери качества в сильно квантованных вариантах. Модель распространяется по лицензии Apache-2.0.

ml6team разработала эту модель как дообученный cross-encoder на базе distilbert-base-multilingual-cased. Она оценивает пары «запрос — абзац» и подходит для переранжирования результатов поиска: каждому кандидату модель присваивает оценку релевантности. Модель обучалась один проход на MMARCO — машинно переведённой версии MS MARCO; для оценки использовали 2000 абзацев.

microsoft/deberta-large-mnli — модель Microsoft на базе DeBERTa Large, дообученная на задаче Multi-Genre Natural Language Inference (MNLI). Архитектура DeBERTa использует раздельное представление содержимого и относительных позиций токенов в механизме внимания и улучшенный декодер маскирования. Модель содержит около 454,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель предназначена для классификации текстовых пар по отношению между посылкой и гипотезой, например для определения логического следования, противоречия или нейтральной связи. Её также можно применять как основу для классификатора с нулевым обучением на новых наборах меток, формулируя метки как гипотезы. Карточка приводит результаты семейства DeBERTa на задачах NLU и бенчмарках GLUE, но конкретные метрики этого чекпойнта в предоставленном фрагменте не приведены. Модель рассчитана на английский язык. Лицензия MIT разрешает использование, изменение и распространение при соблюдении её условий. Ограничения включают контекст до 512 токенов и зависимость качества от соответствия новых задач обучению на английском MNLI; выводы модели не следует считать надёжной проверкой истинности или фактов.

DeltaP2S-Gemma2-9B-SameFormula-Code-S13 — объединённый чекпойнт на базе google/gemma-2-9b, созданный с помощью экспериментального пакета Delta-P2S с учётом семейства моделей. Это плотная авторегрессионная языковая модель Gemma 2 с 9 млрд параметров, предназначенная для генерации текста; контекстное окно составляет 8192 токена. В названии указано назначение для кода, однако README не описывает конкретные возможности или результаты в задачах программирования. Модель загружена в формате safetensors и использует библиотеку Transformers. Условия лицензии в доступных данных не приведены.

Dialog2Flow joint target model — англоязычная модель на базе BERT-base, представленная Sergio Burdisso и соавторами в работе Dialog2Flow на конференции EMNLP 2024. Это модель Sentence-Transformers, дообученная для получения плотных векторных представлений предложений и абзацев: она отображает текст в пространство размерности 768 и предназначена для извлечения структуры потока диалога. Модель можно применять для поиска и кластеризации реплик, а также для извлечения потока диалога по смысловому сходству. Она основана на google-bert/bert-base-uncased, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Обучение проводилось на данных DialogStudio и dialog2flow-dataset с контрастивной функцией потерь. Веса опубликованы в формате safetensors. Лицензия MIT разрешает использование, изменение и распространение модели при соблюдении её условий. Модель предназначена для английского языка; качество на других языках в карточке не подтверждено.

Это асимметрично квантованная до низкой точности версия diffusiongemma-26B-A4B-it — языковой модели Gemma 4 с архитектурой MoE и диффузионной генерацией. Версию GGUF подготовил hyperspaceai на основе unsloth/diffusiongemma-26B-A4B-it-GGUF. В модели 26 млрд параметров, около 4 млрд активных; используется 128 экспертов, из которых для каждого токена активируются 8, и 30 слоёв. Файл весит 10,98 ГБ. Модель предназначена для диалоговой генерации текста: ответы на вопросы, объяснения, списки, творческий текст и код. В отличие от обычных авторегрессионных языковых моделей, она создаёт текст итеративным параллельным уточнением токенов в контексте длиной 256 токенов. Квантование распределено асимметрично: экспертные слои в основном сжаты до 2 бит с использованием матрицы важности, а чувствительные проекции сохранены в более высокой точности. Автор сообщает о проверке генерации на CUDA и приводит примеры связных ответов, но это не независимая оценка качества. Для запуска нужен совместимый с архитектурой diffusion-gemma GGUF-рантайм; стандартная авторегрессионная генерация через llama-cli и оценка perplexity для этой модели не подходят. Лицензия — Gemma; использование должно соответствовать её условиям.

AndrewAndrewsen/distilbert-secret-masker — дообученная модель DistilBERT для обнаружения и разметки секретов в английском тексте. Она использует архитектуру DistilBertForTokenClassification с BIO-метками B-SECRET, I-SECRET и O, содержит 66 млн параметров и рассчитана на последовательности длиной до 512 токенов. Модель предназначена для поиска API-ключей, токенов и учётных данных в коротких и средних текстах, например в коммитах, журналах и выводе API. Модель описана как быстрый эксперт системы SecMask; для типичных запросов автор указывает задержку около 11 мс на CPU. Самостоятельно модель показывает точность 82% и полноту 38% на приведённой оценке. В сочетании с детерминированными фильтрами для отдельных форматов секретов README сообщает точность 92,3% и полноту 80%, поэтому для сканирования с высокой полнотой рекомендуется использовать постобработку. Модель может пропускать секреты, особенно новые типы и необычно оформленные значения; она не предназначена для неанглийского текста, бинарных данных, изображений или длинных документов. Лицензия — Apache-2.0.

English_Wav2Vec_Finetune — модель автоматического распознавания английской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на наборе данных generator. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст. В карточке приведены результаты оценки на тестовой выборке: loss 0,3020 и WER 0,2061. Подробности о составе и условиях оценки, а также рекомендации по применению не раскрыты. Модель распространяется по лицензии Apache-2.0.

EraX-WoW-Turbo V1.1 — модель распознавания речи команды EraX, дообученная на основе openai/whisper-large-v3-turbo. Это мультиязычная архитектура Whisper с 905,2 млн параметров, предназначенная для преобразования аудио в текст. По данным карточки, обучение включало около 600 тысяч примеров и 1000 часов аудио на 11 языках: вьетнамском, английском, китайском, кантонском, индонезийском, корейском, японском, русском, немецком, французском и нидерландском. Модель рассчитана на транскрибацию в реальном времени, создание субтитров, расшифровку встреч и голосовые интерфейсы. В README заявлены скорость обработки 30 секунд аудио примерно за 350 мс и предварительный WER около 12%, однако авторы отмечают, что результаты бенчмарков ещё уточняются. Модель поддерживает входное аудио и выдаёт текст; карточка отдельно указывает возможные трудности с детской речью и тихим шёпотом. Лицензия — MIT.

Experiment28M7_T3qT3qm7 — объединённая модель Mistral, созданная из automerger/Experiment28M7-7B и automerger/T3qT3qm7-7B. Она предназначена для генерации текста и может использоваться для диалога и ответов на математические запросы. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Опубликована в формате safetensors под лицензией Apache-2.0. Карточка не сообщает о конкретных языках обучения или ограничениях качества; применимость к отдельным задачам зависит от поведения объединённых моделей.

FG-CLIP Large — модель Qihoo 360 для тонкого выравнивания визуальных и текстовых признаков. Обучение проходит в два этапа: сначала модель сопоставляет изображения с подписями на глобальном уровне, затем уточняет соответствие с помощью описаний отдельных областей изображения, включая положительные и отрицательные описания. В карточке указана архитектура CLIP и класс FGCLIPModel; веса доступны в формате safetensors. Примеры использования в README показывают загрузку через Transformers и применение для поиска по изображениям и визуализации плотных признаков. Модель подходит для поиска и сопоставления изображений и текста с учётом деталей сцены, а также для классификации изображений по текстовым описаниям без отдельного обучения классификатора. Поддерживаемый в метаданных язык — английский. Лицензия Apache-2.0.

gemma-4-12B-TNG-V8 — выпущенная Nightmedia дообученная версия мультимодальной модели Google Gemma 4 12B Instruct. Она предназначена прежде всего для помощи с backend-разработкой, проектированием и обучением LLM, а также программированием на Haskell, Rust, Go и Python. В обучении использовались созданные локально уроки, примеры трасс Claude Code и дистилляция ответов модели-учителя на части вопросов Polaris Alpha. Модель имеет плотную унифицированную архитектуру Gemma4Unified и распространяется в формате safetensors через Transformers. Базовая модель поддерживает работу с текстом, изображениями, видео и аудио, однако README описывает специализированные данные для программирования и не приводит подробностей об оценке этих возможностей именно у версии TNG-V8. Указана лицензия Apache 2.0. Карточка приводит результаты тестов и замеры для нескольких вариантов квантования, но не уточняет здесь длину контекста.

mrm8488 подготовил на базе энкодерной модели Alibaba-NLP/gte-large-en-v1.5 Sentence Transformer, дообученный на примерах из mathstackexchange, Socratic и Stack Exchange. Модель преобразует предложения и абзацы в плотные 1024-мерные векторы; для сравнения близости используется косинусное сходство. Метаданные указывают 433,9 млн параметров, библиотеку Sentence Transformers и контекст до 8192 токенов, а карточка описывает максимальную длину последовательности 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации, особенно для вопросов и ответов из математических и тематических сообществ. В README приведён результат Spearman 0,859 на тесте семантического сходства STS. Лицензия в предоставленных данных не указана.

K2-Horizon-7B-Uno-Uncensored-GGUF — это локальная GGUF-версия модели на базе IFM/K2-Horizon-7B, опубликованная пользователем geantendormi. В модель предварительно объединён адаптер Uno, после чего выполнена процедура удаления отказов и квантование с использованием iMatrix и IQ4_XS. Она предназначена для текстовой генерации, локального запуска через llama.cpp и работы на потребительских видеокартах, включая RTX 3060 с 12 ГБ видеопамяти. Модель имеет размер 7B параметров, поддерживает китайский и английский языки, использует формат GGUF и квантование IQ4_XS с плотностью около 4,25 bpw. Размер основного файла составляет примерно 4,76 ГБ. В README заявлена поддержка контекста до 16 384 токенов, а также высокая скорость инференса на RTX 3060: около 57–59 токенов в секунду при генерации и до 626,5 токена в секунду при предварительной обработке запроса. Для запуска требуется версия llama.cpp с поддержкой архитектуры K2-Horizon. Сильными сторонами являются компактный размер, возможность полностью разместить модель в памяти потребительской видеокарты, двуязычная калибровка и ориентация на генерацию кода и технических текстов. Ограничения включают агрессивное IQ4_XS-квантование, потенциальное снижение качества по сравнению с BF16-версией и зависимость от совместимости llama.cpp с нестандартной архитектурой и токенизацией. README описывает модель как uncensored, поэтому встроенные ограничения на потенциально опасные запросы были намеренно ослаблены; заявленные показатели производительности и качества представлены авторами README и не подтверждены независимой оценкой. Лицензия — Apache 2.0.

aadel4/kid-whisper-medium-en-myst — модель автоматического распознавания речи на базе OpenAI Whisper medium-en, дообученная на наборе Myst Train длительностью 125 часов. Она преобразует аудио в текст и предназначена для транскрибирования речи; в README приведена оценка WER 8,31 на Myst Dev длительностью 20,9 часа. Модель имеет архитектуру WhisperForConditionalGeneration и около 455,8 млн параметров, распространяется в формате PyTorch и использует библиотеку Transformers. Лицензия — Apache-2.0.

Модель Linagora представляет собой дообученную версию NVIDIA French FastConformer Hybrid Large для автоматического распознавания французской речи. Это гибридная ASR-модель на архитектуре FastConformer/Parakeet с 115 млн параметров, обученная с функциями потерь Transducer и CTC; по умолчанию используется Transducer. Для дообучения использовано более 10 000 часов французской речи с ручной транскрипцией и пунктуацией: записи включают чтение, спонтанную речь, разговоры, встречи, разные акценты и условия записи. Модель предназначена для транскрибирования аудио во французский текст в пакетном и потоковом сценариях, в том числе через LinTO STT API. В README указана оценка на нескольких корпусах, включая отдельный тестовый набор SUMM-RE; результаты описаны как близкие к лучшим, но числовая таблица метрик в предоставленных данных отсутствует. Модель может хуже распознавать редкую лексику, сильные акценты и перекрывающуюся речь, а пунктуация может быть менее точной на длинных фрагментах. Модель распространяется по лицензии CC BY 4.0. README указывает использование с Transformers и NVIDIA NeMo; для Transformers требуется версия 5 или новее для ParakeetForRNNT. Метаданные указывают формат safetensors и французский язык.

Llama-3-11.5B — плотная авторегрессионная языковая модель семейства Llama, опубликованная beratcmn. Она собрана методом passthrough с помощью LazyMergekit из двух диапазонов слоёв одной и той же Meta-Llama-3-8B; в метаданных указано около 11 млрд параметров. Модель предназначена для генерации текста, а карточка также указывает обученную на её основе версию beratcmn/Llama-3-11.5B-v0.1. Модель принимает текст и выдаёт текст. Указанная длина контекста — 8192 токена. Базовая Meta-Llama-3-8B описана как модель для английского текста и кода, но отдельные языковые возможности производной модели в карточке не уточняются. Файлы модели представлены в формате safetensors. Для использования применяются условия лицензии базовой Meta-Llama-3-8B; сведения о лицензии в предоставленных данных отсутствуют.

Apollo Raines представил Llama-3.1-8B-Instruct-Hardened-Analyst — вариант Meta Llama 3.1 8B Instruct, изменённый инструментом jBlaze методом representation engineering. По карточке, дополнительного обучения не проводилось: поведенческие характеристики менялись непосредственно в весах. Усилены устойчивость к состязательным запросам, следование контексту и аналитические рассуждения. Модель предназначена для диалоговой генерации текста и аналитических ответов в средах, где возможны попытки prompt injection. В карточке приведены примеры ответов на общие вопросы, арифметические задачи, запрос на код и небезопасную инструкцию. Архитектура — плотная LlamaForCausalLM; метаданные указывают 7,5 млрд параметров, контекст 131 072 токена, формат safetensors и английский язык. Карточка описывает опубликованную версию как демонстрационную, с частично сниженной силой возможностей. Лицензия — Llama 3.1; применяются её условия использования.

Lumina-3.5 — языковая модель на архитектуре Mixtral Mixture of Experts, собранная с помощью LazyMergekit. В карточке указано, что модель улучшает рассуждения по сравнению с Lumina-3; метаданные указывают размер 7,1 млрд параметров и контекстное окно до 32 768 токенов. Модель предназначена для генерации текста и задач рассуждения. В README приведены результаты Open LLM Leaderboard, включая среднюю оценку 75,41, результат 71,59 на AI2 Reasoning Challenge и 88,82 на HellaSwag. Доступны веса в формате Safetensors; упомянута отдельная GGUF-квантизация от стороннего автора. Лицензия — Apache-2.0. README не сообщает поддерживаемые естественные языки и конкретные ограничения качества или использования.

MeaningBERT — модель оценки сохранения смысла между двумя предложениями, представленная автором статьи MeaningBERT: Assessing Meaning Preservation Between Sentences. Она выдаёт оценку смыслового сходства, которую можно использовать как обучаемую метрику при сравнении перефразирований и других пар предложений. В репозитории доступны исходный чекпойнт v1 и рекомендуемый чекпойнт v2 large; карточка указывает архитектуру BERT с 136,7 млн параметров, контекст до 512 токенов и формат safetensors. Для v2 large используется энкодер DeBERTa-v3-large, а результат преобразуется в шкалу от 0 до 100; по данным README, на тесте из 1536 пар он показал корреляцию Пирсона 0,704 ± 0,009. Модель принимает пару текстов и относится к классификации текста, хотя практически её используют как регрессионную метрику сохранения смысла. Она предназначена для оценки результатов перефразирования, упрощения и других преобразований текста. README описывает английские энкодеры bert-base-uncased и deberta-v3-large; основная версия v1 слабее обобщает на некоторые внешние наборы данных, а v2 требует корректного преобразования логита в оценку 0–100. Лицензия в предоставленных данных не указана.