IV.5Образование и развитие навыков

vikash06/mistral_v1 — текстовая генеративная модель семейства Mistral, представленная автором как модель для непосредственного использования. В README указано, что её экспериментально обучали на небольшом наборе данных, чтобы оценить влияние более длительного обучения на качество. В метаданных указаны 7,1 млрд параметров, архитектура MistralForCausalLM, контекст 32 768 токенов и формат safetensors. Модель предназначена для генерации текста по инструкциям, включая творческое письмо, ответы на вопросы по предоставленному фрагменту и общим знаниям, суммаризацию, извлечение информации и классификацию. README сообщает о 1000 примерах для каждой категории и приводит результаты оценки на HellaSwag и AI2 Reasoning Challenge, но подробный технический отчёт обещан позднее. Автор README описывает модель как дообученную на базе Llama 2, однако метаданные указывают архитектуру Mistral; точная связь с базовой моделью требует осторожной интерпретации. Модель распространяется по лицензии MIT. Обучение на небольшом экспериментальном наборе ограничивает основания ожидать стабильного качества на широком круге задач; подробностей о языках обучения и оценке в карточке нет.

Perception Language Model (PLM) — семейство мультимодальных моделей Meta для понимания изображений и видео; эта карточка относится к варианту PLM8B. Модель сочетает визуальный энкодер с языковым декодером менее чем на 8 млрд параметров и доступна в формате Safetensors для работы с библиотекой Transformers. В README описаны обучение и оценка модели, а также результаты на наборах тестов для визуальных вопросов, OCR, понимания графиков и пространственно-временных аспектов видео. PLM предназначена для диалога по изображениям и видео, ответов на вопросы о визуальном содержимом и детального анализа сцен и событий. Разработчики сообщают, что при обучении исследовали масштабирование синтетических данных и создали набор из 2,8 млн примеров с разметкой людей; в описанном стандартном обучении не использовалась дистилляция закрытых моделей. Карточка не приводит отдельные численные оценки ограничений модели или длину контекста. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

Qwen3.5 Plus — модель серии Qwen3.5 с поддержкой зрения и языка, построенная на гибридной архитектуре, сочетающей линейное внимание и разреженную смесь экспертов. В карточке модель описана как часть серии native vision-language Plus, ориентированной на более эффективный вывод. Модель предназначена для задач, где нужно совместно обрабатывать визуальные данные и текст. Доступные сведения не позволяют уточнить конкретные сценарии, размер, контекст, языки или условия лицензии.

Wangkanai публикует модифицированную версию Qwen3-VL-2B-Instruct — мультимодальной модели семейства Qwen3-VL с архитектурой Transformer и 2 млрд параметров. Она принимает изображения и текст, а отвечает текстом; поддерживает диалоговый режим и визуальное понимание. В репозитории доступны веса SafeTensors и GGUF в FP16. Заявлены сценарии описания изображений, визуальных вопросов и ответов, OCR, анализа документов и рассуждений о сценах. Модель предназначена для работы с изображениями и текстовыми инструкциями, в том числе для создания текстовых описаний и анализа визуального содержимого. В README указана версия с удалёнными механизмами отказа, рассчитанная автором на исследования и творческие эксперименты; из-за этого ответы могут быть неограниченными и небезопасными, а точность не гарантируется. Языковая поддержка и длина контекста в предоставленных данных не описаны. Лицензия репозитория — Apache-2.0.

Qwen3-VL-30B-A3B-Wanda-50 — разреженная версия мультимодальной модели Qwen3-VL-30B-A3B-Instruct, созданная Felix Nguyen с помощью GBLM-Pruner. К матрицам декодера применён метод Wanda: измеренная разреженность составляет 50%; формы тензоров и размер плотных файлов не изменены. Визуальный энкодер, маршрутизаторы MoE, эмбеддинги, нормализация и выходная голова оставлены плотными. Модель предназначена для диалоговой работы с изображениями и видео, включая ответы на вопросы по визуальному содержимому и OCR. Она принимает текст и изображения и выдаёт текст; в метаданных указаны возможности чата и зрения. Оценка RealWorldQA обозначена как отдельная и ещё не завершённая, поэтому подтверждённых заявлений о качестве нет. Использование распространяется по лицензии Apache-2.0.

vk496/whisper-small-esl — модель распознавания речи, дообученная разработчиком на базе Ari/whisper-small-es. Она предназначена для транскрибации аудио; карточка сообщает об обучении и оценке на небольшом наборе из 95 и 10 аудиофрагментов соответственно. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. В оценке указаны точное совпадение 0,900 и точность по символам 0,975. Метаданные связывают модель с испанским языком. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Модель Sunbird — адаптация Whisper large-v3 для распознавания речи на языках, распространённых в Уганде, включая луганда, ачоли, лугбара, атесо, раньяколе, руторо, лумасаба, суахили, лусога, киньяруанда и английский с угандийским акцентом. Она дообучена на датасете SALT, а также на данных Common Voice, Google FLEURS и Makerere Yogera. Модель принимает аудио и выдаёт транскрипцию, автоматически определяя язык или используя язык, заданный явно. Для повышения устойчивости к бытовым условиям при обучении добавляли шум, имитировали телефонную речь понижением частоты до 8 кГц и использовали уличные записи из Уганды. Карточка приводит метрики WER и CER на тестовых выборках; качество заметно различается по языкам, в частности WER выше на майянском и лусога, чем на английском, суахили и киньяруанда. Базовый Whisper не поддерживает перечисленные в карточке языки, поэтому для них используется особый формат задания языка. Модель опубликована под лицензией MIT.

CleverBoi-Llama-3.1-8B-v2 — языковая модель для генерации текста, разработанная theprint. Она дообучена на базе unsloth/meta-llama-3.1-8b-bnb-4bit в течение одной эпохи с использованием набора CleverBoi-Data-20k, содержащего данные с акцентом на логику, рассуждения, математику и программирование. Для обучения применялись Unsloth и библиотека Hugging Face TRL. Модель предназначена для текстовой генерации и сценариев, где важны решение логических задач, выводы, математические рассуждения и задачи программирования. Заявленный язык — английский. Известно, что модель основана на варианте Llama 3.1 с размером 8B параметров и 4-битным представлением; сведения о длине контекста и дополнительных модальностях не указаны. Сильная сторона модели — специализированное дообучение на задачах логики, математики и кода. В Open LLM Leaderboard она получила средний результат 14,01: IFEval — 19,61, BBH — 24,13, MATH Level 5 — 4,46, GPQA — 4,81, MuSR — 6,72 и MMLU-PRO — 24,31. Эти показатели следует учитывать как результаты конкретных тестовых режимов, а не как гарантию качества в прикладных сценариях. Модель распространяется по лицензии Apache-2.0.

unsloth/InternVL3-1B-Instruct-GGUF — GGUF-версия мультимодальной модели InternVL3-1B-Instruct, разработанной командой OpenGVLab и подготовленной в формате квантования Unsloth. Это SFT-версия модели, прошедшая нативное мультимодальное предварительное обучение и supervised fine-tuning, но не прошедшая MPO. Модель предназначена для задач понимания изображений и текста, мультимодального диалога и рассуждений, а также может применяться для работы с инструментами, GUI-агентов, анализа промышленных изображений и восприятия 3D-сцен. Архитектура построена по схеме ViT-MLP-LLM и включает визуальную часть InternViT-300M-448px-V2_5 и языковую часть Qwen2.5-0.5B. Поддерживается мультиязычная работа; модель относится к классу image-text-to-text и обрабатывает изображения вместе с текстовыми запросами. Ключевое преимущество — сочетание мультимодального восприятия и рассуждений при небольшом размере языковой компоненты, а формат GGUF удобен для локального запуска совместимыми инструментами. Ограничения включают меньшие возможности по сравнению с более крупными моделями семейства, отсутствие MPO и неизвестные из представленных данных параметры контекстного окна, точные языки и характеристики конкретного квантования. В метаданных указана лицензия Apache-2.0; ссылка на лицензию ведёт к лицензии Qwen2.5-72B-Instruct.

NVIDIA Kimi-K2-Thinking-NVFP4 — квантизированная версия языковой модели Kimi-K2-Thinking, разработанной Moonshot AI и подготовленной с применением NVIDIA TensorRT Model Optimizer. Модель предназначена для разработчиков и исследователей, создающих большие языковые модели и приложения на их основе, включая задачи генерации и обработки текста. Она принимает текстовые последовательности и генерирует текст. Модель использует трансформерную архитектуру DeepSeek V3 и содержит около 1 трлн параметров. Это текстовая авторегрессионная модель без заявленной поддержки других модальностей или указания поддерживаемых языков и размера контекстного окна. Веса и активации линейных операторов в MoE-компонентах трансформерных блоков квантизированы в формат NVFP4; указана версия nvidia-modelopt 0.39.0. Для инференса предусмотрена интеграция с vLLM, SGLang и TensorRT-LLM, предпочтительно на GPU NVIDIA Blackwell под Linux; тестирование проводилось на B200. К сильным сторонам относятся существенный масштаб модели и снижение требований к хранению и инференсу благодаря NVFP4-квантизации. Ограничения включают необходимость совместимой NVIDIA GPU-инфраструктуры и дополнительного тестирования перед внедрением. Базовая модель может воспроизводить токсичные высказывания и общественные предубеждения, а также выдавать неточные, неполные, нерелевантные или избыточные ответы. Использование регулируется NVIDIA Open Model License с дополнительными условиями Modified MIT License исходной модели; модель разрешена для коммерческого и некоммерческого применения.

onnx-community/nougat-small-ONNX — ONNX-версия модели facebook/nougat-small, автоматически конвертированная и опубликованная сообществом ONNX Community. Оригинальная модель Nougat разработана Lukas Blecher, Guillem Cucurull, Thomas Scialom и Robert Stojnic в рамках проекта Facebook Research. Модель предназначена для преобразования изображений страниц научных PDF-документов в структурированный текст в формате Markdown. Она принимает пиксельное изображение документа и авторегрессионно генерирует его текстовое представление, включая содержимое, подходящее для последующей обработки и использования в сценариях извлечения данных из академических публикаций. Архитектура включает визуальный энкодер Swin Transformer и текстовый декодер mBART. Это небольшая версия Nougat, соответствующая варианту 0.1.0-small; модель работает в режиме image-to-text и распространяется в формате ONNX, что подходит для запуска через Transformers.js. Языки, размер контекста и точные параметры модели в карточке не указаны. Модель ориентирована прежде всего на научные PDF-документы и может быть ограничена качеством исходного изображения, сложностью разметки и отличиями документов от обучающих данных. Модель распространяется по лицензии CC BY 4.0.

Карточка модели fal/paligemma-3b-mix-224 на Hugging Face совпадает с карточкой google/paligemma-3b-mix-224, поэтому описание составлено по ней. PaliGemma 3B Mix 224 — разработанная Google компактная модель «зрение—язык», сочетающая визуальный компонент SigLIP и языковую модель Gemma. Она принимает изображения и текст, а в ответ генерирует текст; вариант 224 использует разрешение изображений 224 пикселя. Модель предназначена прежде всего для дообучения под конкретную задачу и поддерживает несколько языков. После адаптации модель можно применять для описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Среди возможных специализированных сценариев — вопросы по снимкам дистанционного зондирования, помощь людям с нарушениями зрения и описание функций элементов интерфейса. Это модель с одним ходом, не предназначенная для многошагового диалога. Модель лучше работает с чёткими инструкциями; без дообучения её результаты на отдельных задачах могут уступать специализированным моделям. Она может ошибаться в фактах и сложных рассуждениях, а также отражать смещения обучающих данных. Лицензия — Gemma; для Gemma действуют условия и ограничения использования, указанные Google.

PaliGemma 3B Mix 224 — разработанная Google компактная модель «зрение—язык», сочетающая визуальный компонент SigLIP и языковую модель Gemma. Она принимает изображения и текст, а в ответ генерирует текст; вариант 224 использует разрешение изображений 224 пикселя. Модель предназначена прежде всего для дообучения под конкретную задачу и поддерживает несколько языков. После адаптации модель можно применять для описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Среди возможных специализированных сценариев — вопросы по снимкам дистанционного зондирования, помощь людям с нарушениями зрения и описание функций элементов интерфейса. Это модель с одним ходом, не предназначенная для многошагового диалога. Модель лучше работает с чёткими инструкциями; без дообучения её результаты на отдельных задачах могут уступать специализированным моделям. Она может ошибаться в фактах и сложных рассуждениях, а также отражать смещения обучающих данных. Лицензия — Gemma; для Gemma действуют условия и ограничения использования, указанные Google.

evsinlb/Qwen3.8-Flash-Next-oQ4e-fp16-mtp — это 4-битная MLX-квантизированная версия Qwen3.8-Flash-Next, разработанной командой Qwen. Сборка подготовлена с использованием oQ/oMLX и предназначена для запуска на Apple Silicon, прежде всего M1 и M2. Модель относится к архитектуре qwen4_exp и поддерживает генерацию текста, а также встроенные компоненты для работы с изображениями. Модель использует MoE-архитектуру с 512 экспертами и маршрутизацией top-10, 48 слоями и гибридом линейного и полноформатного внимания. В ней присутствует таблица PLE n-грамм объёмом 51,2 млрд параметров, Lightning MTP-голова, 4-битные веса с отдельными 5-битными улучшениями для чувствительных тензоров и контекст до 262 144 токенов. Размер модели на диске составляет около 99,82 GiB в 21 шарде; компоненты vision и MTP сохранены. Сильная сторона сборки — обработка длинных документов: она подходит для пакетного суммирования, извлечения данных и одноразового анализа больших текстов. На M2 Ultra заявлена высокая скорость предварительной обработки, около 525 токенов в секунду при контексте 8K, тогда как генерация выполняется примерно со скоростью 23–25 токенов в секунду. Ограничениями являются очень большой объём памяти, зависимость производительности от режима размещения PLE-таблицы и аппаратной платформы, а также сравнительно невысокая скорость декодирования для интерактивных сценариев. Модель распространяется по лицензии Apache 2.0. Формат — MLX safetensors; для запуска требуется совместимое окружение oMLX/MLX и достаточный объём оперативной памяти, поскольку только постоянно резидентная часть занимает около 70 GiB, а полное размещение модели требует примерно 100 GiB.

Viraj Patil дообучил Whisper Small MR v4 для автоматического распознавания речи на маратхи. Модель принимает аудио и преобразует речь в текст; в метаданных указана архитектура Whisper с 153,1 млн параметров. Для обучения использовались данные Common Voice 17.0 и Google FLEURS; метаданные также связывают модель с наборами Common Voice 19.0 и Google Marathi. На оценочном наборе указаны Loss 0,2496 и WER 34,1242. Модель распространяется под лицензией Apache-2.0.

Mono-InternVL-2B — мультимодальная модель с настройкой на выполнение инструкций из семейства InternVL, разработанная OpenGVLab. Она построена на InternLM2-Chat-1.8B и объединяет языковую модель с компонентами для работы с изображениями; в репозитории указаны 1,8 млрд активируемых параметров и 3 млрд параметров всего. Модель предназначена для диалога по изображениям и генерации текстовых ответов на инструкции, связанные с визуальным содержимым. Метаданные также отмечают поддержку чата и мультиязычность. Репозиторий содержит веса в формате Safetensors; лицензия — MIT. Модель может ошибаться при распознавании мелких деталей и сложных сцен; конкретные ограничения качества в карточке не описаны.

FinaPolat/Qwen3-8B-grounded_KGC-sft-domains — генеративная языковая модель семейства Qwen3, опубликованная пользователем или организацией FinaPolat. Модель доступна для работы через библиотеку Transformers и имеет около 7,6 млрд параметров; в метаданных указаны обучение с учителем (SFT), TRL и conversational-сценарии. По названию репозитория модель ориентирована на grounded KGC и доменную адаптацию, поэтому может применяться для генерации ответов с опорой на контекст или знания, а также для задач, связанных с дополнением графов знаний и специализированными доменными инструкциями. Нативная длина контекста составляет 40 960 токенов, что позволяет обрабатывать достаточно объёмные входные данные. Лицензия, поддерживаемые естественные языки, точная архитектура, состав обучающих данных и результаты оценки в доступных материалах не описаны.

SynapseLLM-7B-Mistral-v0.5-preview — предварительная дообученная WebraftAI языковая модель на архитектуре Mistral, представленная в виде полной модели со слитыми адаптерами. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста в диалогах, ответы на вопросы и выполнение инструкций по программированию; заявленный контекст — до 32 768 токенов. Обучение выполнено на английском языке на выборке с математическими и общими вопросами и ответами, а также примерами кода, включая Python. Модель может использоваться для англоязычных ответов на вопросы, помощи с кодом и разговорных сценариев. В README указана ограниченная область дообучения и предварительный характер версии. Среди известных ограничений — фактические ошибки, слабое следование системным инструкциям и отсутствие долговременной памяти. Лицензия — Apache 2.0.

AigizK/wav2vec2-large-mms-1b-tatar-v2 — модель распознавания речи на основе архитектуры wav2vec2, дообученная из facebook/mms-1b-all для татарского языка. Она принимает аудио и преобразует речь в текст; в метаданных указано 1,3 млрд параметров. На оценочном наборе модель показала WER 0,1031 и loss 0,3343, однако сведения о наборе данных и условиях оценки отсутствуют. Модель распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

Ąžuolas — модель распознавания литовской речи из аудиозаписей, созданная akisviete на основе Whisper large-v3 и дообученная методом SFT на корпусе LIEPA-3. В обучении использовано около 9,8 тысячи часов литовской речи: чтение, спонтанная речь и фонетические записи. Модель содержит около 905,2 млн параметров, построена на архитектуре Whisper и доступна в формате safetensors для Transformers. Модель предназначена для транскрибации литовской речи, в том числе длинных записей и выступлений. В описанных тестах она показала более низкий WER, чем сравниваемые литовские модели, но работала медленнее. Лицензия — CC BY 4.0. Известное ограничение: модель может генерировать связные литовские фразы на участках тишины или фонового шума. Для длинных записей автор рекомендует использовать обработку с фильтром тишины и нарезкой аудио на паузах.

CIM-LLaVA1.5-7B-SFT — мультимодальная модель семейства LLaVA, дообученная авторами с помощью SFT и GRPO с наградой Cross-modal Identity Mapping (CIM), описанной в статье CVPR 2026. Она предназначена для создания точных подробных подписей к изображениям: награды Gallery Representation Consistency и Query-gallery Image Relevance помогают сохранять информацию об изображении при преобразовании в текст без дополнительных аннотаций. Модель принимает изображение и текстовый запрос и генерирует текст; её можно использовать для описания содержимого изображений и ответов на вопросы о них. Это дообучение LLaVA-1.5-7B, архитектура LlavaForConditionalGeneration, плотная модель с контекстом 4096 токенов. Репозиторий использует формат safetensors и лицензию Llama 2.

Модель dkingtutcd/gemma-3-4b — дообученная разработчиком dkingtutcd версия Gemma 3 4B Instruct с поддержкой изображений и текста. Она предназначена для диалогов и задач, где нужно отвечать на вопросы по изображениям или сочетать визуальный ввод с текстовыми запросами. Модель построена на плотной архитектуре Gemma 3 и выдаёт текст; карточка указывает английский язык и формат весов Safetensors. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Лицензия — Apache-2.0. Подробности о наборе данных и оценке качества в карточке отсутствуют.

Bram Vanroy разработал Llama-2-13b-chat-dutch — чат-модель на архитектуре Llama 2 с 12,9 млрд параметров. Она основана на meta-llama/Llama-2-13b-hf: сначала модель дополнительно обучали на нидерландских данных, затем дообучили на наборах синтетических инструкций и диалогов. Контекст составляет 4096 токенов; модель принимает текст и генерирует текст.

LongLLaVA-53B-A13B — мультимодальная модель семейства LongLLaVA, разработанная FreedomIntelligence. Она предназначена для диалога и генерации текста по текстовым запросам и изображениям; архитектура относится к llava_jamba и использует смесь экспертов. В метаданных указано 7,2 млрд параметров, формат весов — safetensors, основная задача автора — image-text-to-text. Модель подходит для вопросов об изображениях и генерации ответов с учётом визуального содержимого. В README упомянуты результаты оценки, включая Video-NIAH, но описание не подтверждает поддержку видео как входной модальности. Модель распространяется по лицензии MIT. В доступной карточке нет сведений о поддерживаемых естественных языках и длине контекста; числовые характеристики названия модели не совпадают с общим числом параметров из метаданных, поэтому в описании приведено значение метаданных.

QiLong26/Qwen3-VL-8B-VQA-SFT — дообученная модель семейства Qwen3-VL, разработанная на основе Qwen/Qwen3-VL-8B-Instruct. Она предназначена для диалога с изображениями и ответов на вопросы о визуальном содержимом; архитектура — плотная мультимодальная модель Qwen3VLForConditionalGeneration. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель принимает изображения и текстовые запросы, а выдаёт текстовые ответы. Базовая модель также поддерживает анализ видео, OCR и визуальное рассуждение, однако карточка этого дообучения не описывает его отдельные обучающие данные, оценку качества или дополнительные возможности. Модель распространяется по лицензии Apache 2.0.

Модель Dianavdavidson — дообученная на наборе данных Vaani модель автоматического распознавания речи на базе OpenAI Whisper Medium. Она принимает аудио и генерирует текстовую расшифровку; в карточке указаны 455,8 млн параметров, архитектура Whisper и формат safetensors. На оценочном наборе приведены Loss 0,4028 и Global WER 28,6796, однако описание не уточняет состав набора и методику оценки. Модель распространяется по лицензии Apache-2.0.

LyngualLabs/whisper-small-yoruba — дообученная LyngualLabs модель OpenAI Whisper Small на архитектуре Seq2Seq/Transformer с 153,1 млн параметров. Она предназначена для автоматической транскрибации речи на йоруба и английском, включая частое переключение между этими языками в одной беседе. Модель принимает аудио и выдаёт текст; в README сообщается о настройке на акценты, тональность и языковое смешение в разговорах на йоруба и английском. На отложенной тестовой выборке авторы сообщили WER 20,76%. Модель может путать орфографию заимствованных слов при переключении языков; качество снижается на шумных записях и диалектных вариантах йоруба. Лицензия репозитория — Apache-2.0.

Sunbird/asr-whisper-large-v2-salt — модель распознавания речи, разработанная на основе Whisper large-v2 и адаптированная для языков Уганды. Она дообучена на наборе SALT, Common Voice для луганда и FLEURS; при обучении добавляли шум и понижали частоту аудио до 8 кГц, чтобы приблизить данные к телефонным записям. Модель принимает аудио и выдаёт транскрипцию, пытаясь автоматически определить язык; для повышения точности распознавания язык можно указать явно. Модель предназначена для транскрибации речи на луганда, ачоли, лугбара, атесо, руньянколе и английском с угандийским акцентом. В карточке приведены метрики CER и WER для английского, лугандийского и ачоли; результаты для остальных языков в предоставленном фрагменте не раскрыты. Автоопределение языка может ошибаться, а базовый Whisper не поддерживает перечисленные языки. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Nemotron-3-Nano-30B-A3B-Base — базовая большая языковая модель, разработанная NVIDIA и опубликованная в репозитории Unsloth. Это вариант модели NVIDIA-Nemotron-3-Nano-30B-A3B-Base-BF16; заявленная архитектура — гибрид Mamba2 и Transformer с Mixture of Experts (MoE), общий размер — 30 млрд параметров. Модель предназначена как основа для дообучения под инструкции и создания специализированных ИИ-агентов, а не как готовый чат-ассистент. Модель принимает и генерирует текст, поддерживает длинные последовательности: в README указаны вход и выход до 128 тыс. токенов, а также возможность контекста до 1 млн токенов при соответствующей настройке. Она рассчитана на английский и ряд других естественных языков, включая русский, и обучалась на данных по коду, математике, естественным наукам и общим знаниям. Репозиторий содержит веса в формате safetensors; README отмечает исправления chat template для Unsloth. Модель подходит разработчикам, которые создают и дообучают языковые модели для генерации текста и агентских сценариев. README заявляет готовность к коммерческому использованию, однако в метаданных указана лицензия other, поэтому перед применением следует свериться с её условиями. Для работы рекомендуются NVIDIA GPU; указанная в README совместимость включает H100-80GB и A100.

Это мультиязычная модель распознавания речи на непали, разработанная Suman Paudel и созданная дообучением OpenAI Whisper Large v3 Turbo. Архитектура — авторегрессионный encoder–decoder Whisper; метаданные указывают 905,2 млн параметров, а в README приведена оценка 809 млн. Модель принимает аудио и выдаёт текст на непали; при обучении использовались записи с частотой 16 кГц в моно и транскрипции, нормализованные в NFC. Модель предназначена для автоматической транскрипции непальской речи. На тестовом наборе OpenSLR SLR54 указаны WER 14,76% и CER 3,48%; на FLEURS — 39,56% и 13,7%, на Common Voice 25.0 — 48,35% и 12,9%. Время обработки на NVIDIA L4 зависит от набора данных: указанный RTF составляет 0,0460–0,0979. Обучение проводилось только на чтении вслух. Точность на спонтанной разговорной речи, смешанной непали-английской или непали-хинди речи и диалектах не оценивалась; при декодировании внешняя языковая модель не используется. Лицензия CC-BY-NC-4.0 разрешает некоммерческое использование с соблюдением её условий.