IV.5Образование и развитие навыков

Typhoon-0219 — инструктивная языковая модель команды SCB10X AI, предназначенная для диалогов и выполнения пользовательских инструкций на тайском и английском языках. Это плотная авторегрессионная модель с 7,1 млрд параметров на архитектуре Mistral, основанная на Typhoon 7B и дообученная на разнообразном наборе данных для настройки инструкций объёмом более миллиона примеров. Модель поддерживает системные сообщения и шаблон диалога ChatML; родной контекст составляет 32 768 токенов. Модель подходит для создания тайскоязычных и англоязычных чат-ботов, ответов на вопросы и других задач генерации текста по инструкциям. Указана лицензия Apache-2.0. Разработчики отмечают, что модель всё ещё развивается и может выдавать неточные, предвзятые или нежелательные ответы; её поведение следует оценивать для конкретного применения.

Whittle-Next-27B-A3B — экспериментальная языковая модель, созданная автором проекта Whittle на основе Qwen3.6-35B-A3B и предыдущей Whittle-Next-26B-A3B. Это причинная модель генерации текста архитектуры Qwen4-Next (qwen4_exp) с архитектурой mixture-of-experts: около 2,9 млрд параметров по метаданным, примерно 3 млрд активных на токен и дополнительная хешированная память n-грамм на 2 млрд строк. Контекст — до 262 144 токенов. Модель обучалась с дистилляцией рассуждений от Qwen3.8-27B и предназначена как исследовательская основа для дальнейшей работы с этой архитектурой, в том числе для генерации кода и математических рассуждений. Карточка сообщает о запуске на штатном llama.cpp и рекомендует включать режим рассуждений; результаты полной оценки актуальной версии v4.4 ещё не представлены, а опубликованная оценка v3 не подтверждает качество v4.4 в полном масштабе. Модель распространяется под лицензией Apache-2.0.

b1ade-embed — модель текстовых эмбеддингов, разработанная авторами коллекции небольших моделей для RAG. Она предназначена для семантического поиска, сопоставления текстов и других задач, где требуется представлять текст в виде векторов. Модель создана слиянием bert-large-uncased, UAE-Large-V1, BAAI/bge-large-en-v1.5, mxbai-embed-large-v1 и GIST-large-Embedding-v0, а также дистилляцией знаний более крупных моделей; в README указан размер 335 млн параметров, метаданные указывают 433,9 млн. Архитектура — плотная BERT-модель, контекст — до 512 токенов. В README сообщается о сильных результатах на бенчмарке MTEB, особенно в семантическом сходстве текстов, а также о применении в поиске и исследованиях клинических и трудовых данных. Модель ориентирована на английский язык. Она выдаёт эмбеддинги для последующего поиска, ранжирования или классификации; качество следует проверять на целевом наборе данных и задаче. Лицензия в предоставленных сведениях не указана.

DatarusAI Datarus-R1-14B-preview — языковая модель с открытыми весами для аналитики данных и многошагового решения задач. Это плотная авторегрессионная модель семейства Qwen2, дообученная на базе Qwen/Qwen2.5-14B-Instruct. В README указано 14,8 млрд параметров; в метаданных — 14 млрд. Модель поддерживает генерацию текста и диалоговый режим, а также интерфейс вызова инструментов. Нативная длина контекста — 131 072 токена. Модель предназначена для анализа данных, статистических расчётов и визуализации, решения математических и научных задач, генерации аналитического кода и работы в интерактивных ноутбуках. README описывает два режима рассуждения: интерактивный ReAct с итеративным выполнением кода и режим Reflection для компактных объяснений и отчётов. Обучение проводилось на синтетических аналитических траекториях и наборах данных для рассуждений; заявленные области включают финансы, медицину и количественный анализ. Основной язык — английский. В карточке приведены высокие результаты на LiveCodeBench и AIME, однако это заявления разработчика, и качество на других задачах может отличаться. Интерфейс выполнения кода требует подключённой среды исполнения; сама модель генерирует текст. Модель распространяется по лицензии Apache 2.0.

DIVER-Retriever-4B — двуязычная модель текстовых эмбеддингов, разработанная AQ-MedAI на базе Qwen3-Embedding-4B. Она предназначена для семантического поиска и ранжирования, в том числе в задачах reasonIR и поиска по медицинским материалам; при обучении использовались данные по математике, программированию и здравоохранению, а также специально подобранные сложные отрицательные примеры. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 3,7 млрд параметров. Она работает с китайским и английским языками, поддерживает контекст до 40 960 токенов и распространяется в формате safetensors для Transformers. Авторы сообщают о результатах на BRIGHT Leaderboard и MTEB Medical Benchmark. Для дообучения авторы рекомендуют ms-swift и loss-функцию InfoNCE. Лицензия — Apache-2.0. Модель ориентирована на поиск и сопоставление текстов; карточка не подтверждает, что её следует использовать как универсальную разговорную модель или как медицинский инструмент для принятия клинических решений.

shubh1608/donut_pdf_ocr — модель архитектуры VisionEncoderDecoder, предназначенная для преобразования изображений документов в текст. В карточке указано обучение с нуля на наборе данных imagefolder; при этом метаданные каталога связывают модель с дообучением bn22/Mistral-7B-Instruct-v0.1-sharded, поэтому её происхождение описывается как дообучение. Автор приводит значение loss 0,0443 на оценочном наборе, но не уточняет методику оценки. Модель подходит для извлечения текста из изображений страниц PDF и других документов. Для неё указан формат PyTorch и задача image-text-to-text. Сведения о поддерживаемых языках и длине контекста в доступных данных отсутствуют. Лицензия не указана.

Linkbricks-Horizon-AI-Japanese-Pro-V3-70B-GGUF — квантизированная версия 70-миллиардной языковой модели Linkbricks-Horizon-AI-Japanese-Pro-V3-70B, разработанной Saxo. Квантизацию выполнил bartowski с использованием llama.cpp и imatrix. Модель предназначена для генерации текста, включая перевод, суммаризацию, ответы на вопросы, анализ тональности, работу с новостными и научно-техническими материалами, а также задачи на корейском языке, включая function calling и математические задачи. Модель работает в формате GGUF и рассчитана на запуск через llama.cpp и LM Studio. Заявлены языки: корейский, английский, японский и китайский. Доступны варианты квантизации от Q8_0 до Q3_K и IQ4; размеры файлов составляют примерно от 37,9 до 75 ГБ. Более высокие уровни квантизации обеспечивают лучшее качество, но требуют больше памяти, поэтому запуск предполагает мощное оборудование. Архитектура, максимальный контекст и точный формат промпта в README не указаны; для настройки взаимодействия следует обратиться к странице исходной модели. Сильные стороны модели — большой размер, специализация на корейском и связанных с ним многоязычных задачах, а также широкий выбор вариантов квантизации. Ограничения включают значительные требования к памяти, возможное снижение качества у компактных вариантов и отсутствие в README подробных данных о результатах бенчмарков, архитектуре и контекстном окне. Указана лицензия Apache-2.0.

MiroThinker v1.5-30B — поисковый агент для многошагового рассуждения и поиска информации, разработанный MiroMind и дообученный на базе Qwen/Qwen3-30B-A3B-Thinking-2507. Модель использует архитектуру Qwen3 MoE и предназначена для работы в диалоговом режиме с внешними инструментами через агентный фреймворк. Модель поддерживает контекст до 262 144 токенов и, согласно карточке, может выполнять до 400 вызовов инструментов за задачу. Она рассчитана на глубокие исследовательские запросы, требующие поиска, проверки сведений и последовательного уточнения ответа по обратной связи от среды. Метаданные указывают 2,6 млрд параметров; в README модель включена в серию, также представленную вариантом на 235 млрд параметров. В карточке заявлены результаты на бенчмарках HLE-Text, BrowseComp, BrowseComp-ZH и GAIA-Val-165; это заявления разработчика, а подробный технический отчёт на момент публикации карточки ещё не представлен. Для полноценного использования рекомендуется агентная инфраструктура с подключёнными инструментами и включённым режимом рассуждения. Модель распространяется по лицензии MIT.

rainjay/sbert_nlp_corom_sentence-embedding_chinese-base-ecom — модель на базе BERT, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и кластеризации. Модель содержит 129,5 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель подходит для поиска похожих фрагментов текста и группировки предложений по смыслу. Карточка не уточняет, на каких данных обучалась модель и какие языки она поддерживает, поэтому область применения по языку определить нельзя. Лицензия в предоставленных данных не указана.

HCAE-21M-v1.1-Instruct — инструктивно дообученная модель эмбеддингов HeavensHackDev на архитектуре Hybrid Convolutional-Attention Encoder (HCAE). Она предназначена для поиска по смыслу, асимметричного поиска и семантического анализа специализированных текстов, включая научные и медицинские корпуса. Для запросов и документов поддерживает префиксы `query:` и `passage:` соответственно. Модель содержит 21,1 млн параметров, имеет гибридную архитектуру с четырьмя сверточными и четырьмя attention-блоками, а размерность эмбеддингов составляет 384. Контекст ограничен 512 токенами. Доступны веса Safetensors и формат ONNX для запуска, в том числе на устройствах с ограниченными ресурсами. В README приведены результаты на STSBenchmark и SciFact. Модель дообучена на наборах NLI, SciFact и специализированных технических данных. Лицензия — Apache-2.0.

Kimi-K2.7-Code-Alis-MLX-Dynamic-3.6bpw-VLM — это квантованная MLX-версия модели Kimi-K2.7-Code, разработанной Moonshot AI. Сборка создана avlp12 и предназначена для запуска на устройствах Apple Silicon, прежде всего на M3 Ultra. Это мультимодальная vision-language модель для работы с текстом, программным кодом, изображениями и видео. В основе лежит MoE-архитектура в стиле DeepSeek-V3 примерно на 1 триллион параметров, из которых активно около 32 миллиардов, с языковой частью MLA и визуальной башней MoonViT. Модель сохраняет полный vision encoder и мультимодальный проектор в формате bf16, а языковые веса подвергнуты чувствительно-ориентированному квантованию с эффективной точностью 3,629 бит на вес. Поддерживается контекст до 256 тысяч токенов. Размер модели на диске составляет около 465,9 ГБ; для запуска требуется единый компьютер с 512 ГБ памяти M3 Ultra либо распределённый запуск на двух машинах. Модель поддерживает подробное описание изображений и анализ изменений и движения в видео; заявленная скорость декодирования составляет около 23 токенов в секунду. К сильным сторонам относятся сохранённая визуальная часть без дополнительной ошибки квантования, большой контекст и высокая эффективность памяти KV-кэша. Ограничения связаны с экстремальными требованиями к объёму памяти, зависимостью от совместимых версий mlx-vlm и специальных компонентов для видео, а также с потерями качества из-за 3-битного квантования экспертов: средний KL относительно 4-битного эталона составляет 0,199 ната, а частота изменения top-1 ответа — 10,2%. Лицензия указана как modified MIT.

QaptaanLM-0.75B-Instruct — компактная текстовая причинно-следственная языковая модель для программирования и технических задач, разработанная kaptaan45 на базе QaptaanLM-0.75B. Это плотная архитектура Qaptaan с числом параметров 581,4 млн по метаданным; README приводит другое значение — 752 млн. Модель дообучена на KapInstruct-100M с форматом Qwen ChatML и маскированием функции потерь только на ответах ассистента. Указана длина контекста 262 144 токена. Модель предназначена для генерации кода на разных языках программирования, алгоритмических рассуждений, отладки, исправления ошибок и следования инструкциям с ограничениями. В обучающих данных также представлены математика, общий диалог, STEM и научные вопросы. Поддерживает текстовый диалог и интерфейс вызова инструментов; карточка указывает поддержку английского языка. Репозиторий использует формат Safetensors, лицензия — Apache-2.0. Компактный размер удобен для локального применения, однако качество и надёжность ответов на сложных задачах требуют проверки.

WaveCut/Qwen3.8-Flash-Next-REAM-288-MLX-4bit — 4-битная MLX-квантизированная версия модели WaveCut/Qwen3.8-Flash-Next-REAM-288, построенная на базе Qwen3.8-Flash-Next и предназначенная для запуска через mlx-vlm. Это разреженная Mixture-of-Experts-модель с 288 слотами экспертов; в отличие от варианта REAP, удаляемые эксперты здесь объединяются с наиболее похожими сохранёнными экспертами. Модель поддерживает сценарии генерации текста и кода, включая рефакторинг программ, а также заявлена для конвейера image-text-to-text. Контекст модели, её точный общий размер и полный список языков в карточке не указаны. Эксперты и основные тензоры представлены в 4-битном формате с групповой схемой квантования; таблица n-грамм использует отдельную 4-битную схему. Модель совместима со стандартным mlx-vlm из ветки main с поддержкой qwen4_exp. Для спекулятивного декодирования MTP-тензоры не включены, поэтому требуется отдельная совместимая модель-драфтер. В опубликованных сравнениях сборка немного превосходит REAP-версию по KL-дистанции, а в тестах MLX получила 89,6% на HumanEval-164, 58,0% на GSM8K-200 и 62,7% в тесте редких имён. К ограничениям относятся 4-битные потери качества на нелатинских именах, ограниченная статистическая надёжность части оценок и зависимость результатов GSM8K от лимита длины генерации. Данные о контекстном окне и системных требованиях явно не приведены. Модель распространяется по лицензии qwen-community-license-1.0; в метаданных также указана общая лицензия other.

llmware разработала llmware/slim-xsum-phi-3 — дообученную на базе Microsoft Phi-3 модель серии DRAGON для ответов на вопросы по контексту в RAG-сценариях. Она предназначена для работы с текстовыми фрагментами и выдаёт ответы, извлечённые из предоставленных материалов; типовые задачи включают ответы на вопросы, извлечение значений и краткое суммирование. В карточке модели сообщается о тестировании на наборе RAG-инструкций, включая вопросы с ответом «не найдено», логические задачи и суммирование. Модель имеет плотную архитектуру Phi-3 с 3,7 млрд параметров и контекстное окно 4096 токенов. Указанный язык — английский. Репозиторий содержит веса PyTorch, модель поддерживает чат и распространяется по лицензии Apache 2.0. Результаты внутренних тестов не гарантируют точности на других данных: ответы могут быть неполными или неверными, поэтому их следует проверять.

VibeThinker-3B-heretic — текстовая генеративная модель, разработанная пользователем saidutta69. Это вариант WeiboAI/VibeThinker-3B без встроенного поведения отказа, полученный из Qwen/Qwen2.5-Coder-3B с помощью Heretic v1.4.0 методом направленной абляции весов. Модель предназначена для локального использования на компьютерах с ограниченными ресурсами, агентских систем и периферийных устройств, а также для задач программирования, рассуждений, математики, диалогов и генерации текста с режимом явного пошагового мышления VibeThinker. Модель имеет архитектуру Qwen2.5-Coder и размер около 3,1 млрд параметров. Поддерживает текстовую модальность и заявлена для английского языка. Доступны версии GGUF, включая F16 и различные варианты квантования, совместимые с llama.cpp, Ollama, LM Studio и Jan; объём весов в зависимости от варианта составляет примерно от 1,19 до 5,75 ГБ, без учёта дополнительной памяти под контекст. Контекстное окно в README не указано. К сильным сторонам относятся малый размер, возможность запуска на CPU и видеокартах с небольшим объёмом памяти, сохранение заявленных способностей базовой модели к рассуждениям, программированию и следованию инструкциям, а также отсутствие защитных отказов. При этом удаление отказов снижает встроенные ограничения безопасности: модель может генерировать контент, от которого базовая версия отказалась, поэтому требуется ответственное и законное использование. Производитель не заявляет улучшения возможностей по сравнению с VibeThinker-3B. Лицензия — MIT.

Это дообученная модель Sentence Transformers, созданная на основе bkai-foundation-models/vietnamese-bi-encoder. Она использует архитектуру RoBERTa с mean pooling, содержит 162,4 млн параметров и преобразует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 768 для сравнения по косинусному сходству. Максимальная длина последовательности — 258 токенов по метаданным модели; в README указано ограничение 256 токенов. Модель предназначена для семантического поиска и оценки сходства текстов, а также может применяться для поиска перефразировок, кластеризации и классификации текста. Обучение на 10 200 примерах использовало MatryoshkaLoss и MultipleNegativesRankingLoss; приведённые в README результаты поиска показывают качество для векторных представлений размером от 64 до 768 измерений. Модель ориентирована на вьетнамский язык и не предназначена для генерации текста. Лицензия в предоставленных данных не указана.

AiLab.lv дообучила Whisper large-v3 для распознавания латышской речи. Модель принимает аудио и преобразует его в текст; её обучали на 209 часах латышских записей из Common Voice 17.0 и LATE-Media с помощью Transformers. Это плотная encoder-decoder модель WhisperForConditionalGeneration примерно с 905 млн параметров, опубликованная в форматах PyTorch и safetensors. Для Common Voice 17.0 указаны WER 3,4% на нормализованном тесте и 5,0% на форматированном; на тесте LATE-Media WER составляет 20,8%. Модель распространяется по лицензии Apache-2.0. Авторы отмечают, что её сменила более новая версия whisper-large-v3-lv-late-cv19.

Higgs Audio v3 STT — модель распознавания речи в текст, разработанная Boson AI. Она объединяет аудиоэнкодер Whisper-Large-v3 с декодером Qwen3-1.7B; общий размер составляет 2,68 млрд параметров. Модель принимает монофоническое аудио WAV с частотой 16 кГц и выдаёт транскрипцию. Для загрузки используется собственная архитектура через Transformers с включённым trust_remote_code; обработка аудио требует библиотеки boson_multimodal. Модель предназначена для транскрибирования речи, включая записи встреч, выступлений, подкастов и финансовых аудиозаписей. В README упомянут режим Thinking для повышения точности. В обновлённом чекпойнте данные дообучения включают англоязычные наборы AMI, VoxPopuli, SPGISpeech, LibriSpeech, TED-LIUM, GigaSpeech и Earnings22; карточка отмечает, что опубликованные ранее результаты оценки относятся к предыдущему чекпойнту и требуют повторной оценки. Модель распространяется по лицензии Apache-2.0.

LinTO STT French FastConformer — модель распознавания французской речи, разработанная LinAGORA и дообученная на базе NVIDIA FastConformer Hybrid Large. Она преобразует аудио в текст и подходит для пакетной и потоковой транскрибации, в том числе в составе сервиса LinTO STT. Модель содержит 115 млн параметров и обучена с использованием гибридных Transducer- и CTC-потерь; по умолчанию используется Transducer. Для обучения применено более 9500 часов французской речи: чтение, спонтанная речь, разговоры и встречи, различные акценты и условия записи. Модель выдаёт текст только строчными буквами, без пунктуации. Модель предназначена для транскрибации французской речи. Она может хуже распознавать редкую лексику, сильные акценты и речь нескольких людей, говорящих одновременно. Лицензия — CC-BY-4.0.

Harness-1B — компактная языковая модель Algo Science Lab, разработанная Shahrear Hossain. Это плотная авторегрессионная модель семейства Llama примерно на 1 млрд параметров, дообученная на базе TinyLlama/TinyLlama-1.1B-intermediate-step-1431k-3T для следования инструкциям и диалогов. Модель принимает текст и генерирует текст; заявленный контекст — 2048 токенов. Репозиторий содержит веса SafeTensors и вариант GGUF в формате F16. Модель предназначена для чат-ботов, локального помощника по программированию и инженерным вопросам, генерации и отладки кода, объяснения математики и технических концепций, подготовки документации, а также помощи в электронике, FPGA, ASIC и проектировании VLSI. В карточке заявлена поддержка английского языка. Лицензия — Apache-2.0. Модель может ошибаться, выдавать устаревшие сведения и допускать ошибки в рассуждениях; ответы для критически важных задач и производственного применения требуют проверки человеком.

INTELLECT-1-step-69200 — промежуточный чекпойнт языковой модели INTELLECT-1 от Prime Intellect и сообщества участников, включая Arcee AI и Hugging Face. Это плотная авторегрессионная модель семейства Llama примерно на 9,7 млрд параметров, обученная с нуля на триллионе токенов английских текстов и кода; данный вариант соответствует шагу обучения 69 200. В архитектуре указаны 42 слоя и 32 головы внимания, максимальный контекст — 8192 токена. Модель предназначена для генерации продолжений текста и кода на английском языке. Она создавалась с распределённым обучением на нескольких континентах; для обмена градиентами применялись пользовательские int8 all-reduce-ядра. В README этот файл обозначен как промежуточный чекпойнт, поэтому его качество и стабильность могут уступать финальной версии INTELLECT-1. Модель распространяется по лицензии Apache 2.0.

TrOCR base handwritten — модель Microsoft, дообученная на наборе IAM для распознавания рукописного текста на изображениях отдельных строк. Она использует архитектуру encoder-decoder: Transformer-кодировщик изображений, инициализированный весами BEiT, и авторегрессионный Transformer-декодер текста, инициализированный весами RoBERTa. Изображение разбивается на патчи размером 16×16 пикселей, по которым модель генерирует последовательность текстовых токенов. Модель предназначена для OCR рукописных строк; её можно применять, например, для оцифровки рукописных заметок и строк документов. В карточке указана лицензия MIT. Доступны веса PyTorch и Safetensors. Ограничение, указанное в карточке: модель рассчитана на отдельные текстовые строки, поэтому для распознавания страниц или сложной структуры документов потребуется предварительно выделить строки. В предоставленных данных не описана поддержка конкретных языков.

mlx-community публикует конверсию Baidu Unlimited-OCR в формат MLX с точностью bfloat16 без квантизации весов. Репозиторий предназначен для запуска модели на компьютерах Apple Silicon через mlx-vlm; архитектура, токенизатор, обработчик изображений, промпты и лицензия MIT унаследованы от официального чекпойнта Baidu/Unlimited-OCR. Модель принимает изображения документов и формирует текстовый разбор, включая распознавание текста на страницах. Поддерживается мультиязычная работа; контекст составляет 32 768 токенов. В карточке описан запуск OCR по одной странице в режиме gundam с обрезкой изображения и скользящим окном для подавления повторов. Конверсия выполнена инструментами mlx-vlm 0.6.8 и MLX 0.32.0; заявлены 559,7 млн параметров. Карточка этой конверсии не перечисляет языки по отдельности и не описывает точность распознавания или полный набор ограничений; за подробностями о возможностях и ограничениях она отсылает к официальной карточке Baidu. Для запуска нужен MLX-совместимый стек на Apple Silicon.

vhdm/whisper-large-fa-v1 — модель распознавания речи на архитектуре Whisper, созданная разработчиком vhdm дообучением openai/whisper-large-v3-turbo на персидских аудиозаписях из набора vhdm/persian-voice-v1.1. Модель содержит 905,2 млн параметров и предназначена для транскрибации персидской речи: голосовых заметок, подкастов, видео и интервью, а также для создания поисковых расшифровок. Она поддерживает входное аудио и выдаёт текст; для чистой персидской речи в карточке указана частота ошибок слов WER 14,07%. Модель распространяется по лицензии MIT. Обучение проводилось на чистой речи из конкретного набора данных, поэтому качество может снижаться на шумных записях, акцентах и диалектах. Модель не оптимизирована для потокового распознавания и иногда может генерировать правдоподобные, но неверные слова.

nadrajak/allenai-specter-ft2 — дообученная модель Sentence Transformers на базе sentence-transformers/allenai-specter. Она использует архитектуру BERT с пулингом по CLS-токену, преобразует текстовые фрагменты в плотные эмбеддинги размерности 768 и сравнивает их косинусным сходством. Максимальная длина входа — 512 токенов; модель обучалась с TripletLoss на наборах с примерами anchor, positive и negative. Модель подходит для семантического поиска, поиска похожих текстов и публикаций, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текста на основе эмбеддингов. Базовая модель ориентирована на заголовки и аннотации научных статей на английском языке, поэтому это профильный выбор для поиска научных публикаций; README сообщает высокую точность на TripletEvaluator, но не раскрывает контекст этих оценок и состав обучающих данных. Для использования нужны текстовые входы; результатом являются векторы, пригодные для поиска и сравнения. Репозиторий распространяется в формате safetensors и использует лицензию базовой модели, однако сведения о лицензии в предоставленных данных отсутствуют.

qnhat/bge-small-scifact-rrf — текстовая Sentence Transformer-модель, дообученная на базе BAAI/bge-small-en-v1.5. Она преобразует предложения и абзацы в плотные векторы размерности 384, нормализует их и позволяет сравнивать по косинусному сходству. Модель основана на BERT; максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и извлечения релевантных текстов, в том числе в научных материалах по тематике SciFact. В обучающем наборе 47 241 пример с тройками текстов; использовалась функция потерь MultipleNegativesRankingLoss. Она рассчитана на английский текст и подходит для поиска и ранжирования фрагментов по смысловой близости. Для использования нужны совместимые библиотеки, например Sentence Transformers. Карточка не сообщает лицензию, поэтому условия распространения и коммерческого использования следует уточнить на странице репозитория Hugging Face.

rithwik-db/e5-base_scifact_10000 — модель Sentence Transformers, разработанная пользователем rithwik-db. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу и кластеризации. Архитектура основана на BERT, размер модели — 136,7 млн параметров, максимальная длина контекста — 512 токенов; модель распространяется в формате PyTorch. Модель обучена с TripletLoss на евклидовом расстоянии и подходит для построения семантического поиска, группировки текстов и сравнения сходства предложений. Название и README указывают на связь с SciFact, однако конкретный набор данных и языки обучения не описаны. Лицензия в предоставленных данных не указана.

noctrex/LightOnOCR-2-1B-ocr-soup-GGUF — это набор квантованных версий модели LightOnOCR-2-1B-ocr-soup, разработанной LightOn AI. Модель предназначена для преобразования изображений в текст и задач оптического распознавания символов (OCR), включая извлечение текста из изображений. В основе лежит модель с объёмом около 2,1 млрд параметров; распространяемые файлы используют формат GGUF и различающиеся уровни квантования. В README не указаны архитектура, поддерживаемые языки, размер контекстного окна и точный набор модальностей. Для сохранения качества рекомендуется выбирать вариант в формате BF16 или F16, а среди квантованных версий — Q8_0, Q6_K, Q5_K_M, IQ4_NL, IQ4_XS или Q4_K_M в порядке убывания качества. Для мультимодального проектора mmproj рекомендуется версия F32, затем BF16 или F16. README не содержит сведений о сильных сторонах и ограничениях модели, лицензии или конкретных сценариях применения помимо OCR и преобразования изображений в текст.

NB-Whisper Base — модель автоматического распознавания речи от NB AI-Lab Национальной библиотеки Норвегии. Она основана на openai/whisper-base и дообучена для работы с норвежской речью, включая букмол и нюнорск, а также с английским языком. В метаданных указано 51,7 млн параметров; карточка описывает семейство NB-Whisper и сообщает, что модели серии обучались на корпусе из 66 000 часов речи. Модель предназначена для расшифровки аудио и может использоваться для транскрипции длинных записей, получения временных меток слов и предложений, а также перевода речи на английский. Для длинного аудио карточка рекомендует обработку фрагментами; увеличение beam size может повысить точность ценой скорости и памяти. Модель доступна для использования через Transformers, также описана конверсия в формат Whisper.cpp. Лицензия — Apache 2.0. Распознавание других языков и качество на шумных или специализированных записях не подтверждены приведёнными данными.

NVIDIA Nemotron 3.5 ASR — мультиязычная потоковая модель автоматического распознавания речи примерно на 600 млн параметров. Она построена на архитектуре FastConformer с поддержкой кэширования и RNNT, использует библиотеку NeMo и предназначена для транскрибации аудио в текст с низкой задержкой, включая работу с несколькими одновременными потоками. Модель является развитием англоязычной nvidia/nemotron-speech-streaming-en-0.6b и поддерживает языковую идентификацию через условное промптирование. Модель заявлена для 40 языковых локалей и поддерживает английский, испанский, немецкий, французский, итальянский, арабский, японский, корейский, португальский, русский, хинди, китайский, вьетнамский, иврит, нидерландский, чешский, датский, польский, норвежский, шведский, тайский, турецкий, болгарский, греческий, эстонский, финский, хорватский, венгерский, литовский, латышский, румынский, словацкий, украинский, мальтийский и словенский. Это делает её подходящей для многоязычных сервисов расшифровки речи, субтитров и обработки аудиопотоков. В README приведены значения WER на тестах FLEURS для ряда языков, однако показатели зависят от языка и условий записи. К сильным сторонам относятся потоковая обработка, кэш-ориентированная архитектура, многоязычность и возможность автоматического определения языка. Ограничения включают специализацию на распознавании речи, зависимость качества от языка и акустических условий, а также отсутствие в предоставленных данных сведений о максимальном контексте и дополнительных модальностях. Модель распространяется по лицензии OpenMDW-1.1.