IV.5Образование и развитие навыков

internlm2-math-plus-7b-IMat-GGUF — это квантизированная версия языковой модели internlm/internlm2-math-plus-7b, подготовленная пользователем legraphista в формате GGUF для запуска через llama.cpp. Базовая модель имеет размер 7B параметров, исходный тип данных BF16 и ориентирована на генерацию текста, прежде всего на математические задачи. Заявлены английский и китайский языки; поддержка других модальностей и размер контекста в README не указаны. Репозиторий предоставляет варианты с разными уровнями квантизации — от BF16 и FP16 до Q2, Q3, Q4, Q5, Q6, Q8 и IQ — что позволяет выбирать между качеством ответов и требованиями к памяти. Для ряда вариантов применена IMatrix-квантизация, предназначенная для улучшения сохранения качества при уменьшенной разрядности. Модель подходит для локального текстового вывода и математических сценариев при использовании совместимого ПО, однако квантизация может снижать точность по сравнению с исходной BF16-моделью, особенно на наиболее компактных вариантах. В README указана лицензия other, без дополнительных условий ее использования.

OLAIR/ko-r1-14b-v2.0.3 — корейская языковая модель для диалогов и задач рассуждения, разработанная OLAIR. Это экспериментальная версия, увеличенная по размеру относительно ko-r1-7b-v2.0.3, и дообученная на базе DeepSeek-R1-Distill-Qwen-14B на наборе OLAIR/Open-R1-Ko-SFT-v2.0. Модель построена на плотной архитектуре Qwen2 и содержит 14 млрд параметров. Она принимает текст и генерирует текст; заявленный контекст — до 131 072 токенов. Основной язык — корейский. В README приведено сравнение результатов на HAE-RAE Reasoning Challenge, включающем химию, математику, физику и головоломки, однако полная таблица результатов в доступном тексте отсутствует. Модель подходит для корейских диалогов, ответов с рассуждениями и решения задач по математике и естественным наукам. README предупреждает, что на корейских запросах модель может зацикливаться в рассуждениях. Весы опубликованы в формате safetensors; лицензия — MIT.

KUCI_e_care_CRAB_xlm_roberta_large_Finetuned — модель на архитектуре XLM-RoBERTa Large, дообученная на базе Ariffiq99/e_care_CRAB_xlm_roberta_large_finetuned. Она предназначена для задач с выбором одного варианта ответа из предложенных; доступный тип архитектуры — XLMRobertaForMultipleChoice. Модель содержит около 658,7 млн параметров и рассчитана на контекст до 514 токенов. В README приведены результаты на оценочной выборке: loss 0,6119 и F1 0,8458. Датасет, назначение компонентов «KUCI», «e_care» и «CRAB», поддерживаемые языки и ограничения конкретного сценария не описаны. Репозиторий распространяется по лицензии MIT.

Med Advisor Conversation 4B — диалоговая медицинская языковая модель на базе Qwen3-4B, разработанная автором репозитория vmal. Модель дообучена на медицинских разговорах и затем прошла 100 обновлений обучения с подкреплением. Она поддерживает многошаговый диалог, режимы с рассуждением и без него и адаптирует глубину объяснения для пациента, ухаживающего за ним человека, студента-медика или медицинского работника. Модель содержит около 3,7 млрд параметров, принимает и генерирует текст, а её контекст составляет до 40 960 токенов. В карточке результаты оценки приведены для англоязычных запросов; метаданные также указывают английский язык. Модель предназначена для обучения и объяснения медицинских понятий, результатов анализов и исследований, механизмов заболеваний, лекарственной безопасности и силы доказательств. Она может помогать формулировать вопросы врачу и распознавать ситуации, требующие срочного обращения за помощью. По заявленным оценкам на англоязычном наборе HealthBench Consensus RL100 превзошёл базовую Qwen3-4B; оценивание проводилось моделью GPT-6 Luna, а не официальным оценщиком HealthBench, поэтому эти результаты нельзя напрямую сравнивать с опубликованными оценками HealthBench. Модель не проходила клиническую валидацию и может ошибаться. Её нельзя использовать для диагностики, назначения лечения, персонального расчёта дозировок, выбора терапии или интерпретации медицинских записей конкретного человека. Распространяется под лицензией Apache-2.0.

ThePradip/minicpm5-1b-kids-storyteller — языковая модель ThePradip, дообученная на базе openbmb/MiniCPM5-1B для генерации детских историй. Она принимает текстовые запросы и генерирует текст; архитектура — плотная LlamaForCausalLM, размер — 837,6 млн параметров, длина контекста — до 131 072 токенов. В карточке указано, что при обучении использовались Unsloth и библиотека TRL от Hugging Face. Модель подходит для создания сказок и коротких рассказов для детей по заданным темам или персонажам. Карточка не сообщает о специальных языковых настройках модели; метаданные указывают английский язык. Лицензия — Apache-2.0.

Это экспериментальный чекпойнт Nemotron-3-Nano-4B, созданный анонимной командой исследователей для заявки на ICLR 2027. Модель дообучена методом обучения с подкреплением GRPO на базе nvidia/NVIDIA-Nemotron-3-Nano-4B-BF16; архитектура — плотная Nemotron-H для генерации текста. В метаданных указано 6,4 млрд параметров и контекстное окно до 262 144 токенов. Чекпойнт предназначен прежде всего для пошагового решения математических задач с ответом в тегах \boxed{} и бюджетом генерации 1 024 токена. Обучение использовало набор agentica-org/DeepScaleR-Preview-Dataset; модель доступна в формате safetensors и рассчитана на запуск через Transformers или vLLM. Метаданные также отмечают поддержку диалога и интерфейса вызова инструментов, но README описывает обучение на математическом рассуждении. Это исследовательский чекпойнт на шаге обучения 300, поэтому его качество и устойчивость могут отличаться от завершённой модели. Ответы, достигающие лимита генерации, обрезались и оценивались как есть. Лицензия обозначена как other; конкретные условия использования следует проверять в карточке модели и у базовой модели.

BayesRL/Olmo3-B3PO-7B-ESS1e10 — англоязычная плотная авторегрессионная модель семейства Olmo 3, разработанная BayesRL и дообученная методом B3PO для обучения с проверяемыми наградами (RLVR). Она использует параметрическое исследование: на каждом шаге обучения из приближённого апостериорного распределения IVON выбирается возмущение весов, которое применяется при генерации. Это вариант абляции ESS с λ = 1e10; базовая модель для дообучения — BayesRL/Olmo3-IVON-SFT-7B, исходная основа — allenai/Olmo-3-1025-7B. Модель содержит 6,9 млрд параметров, принимает текст и поддерживает контекст до 65 536 токенов. Она предназначена для генерации ответов и экспериментов с RLVR, в частности для математических задач; в README указана оценка на AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Модель распространяется в формате safetensors и загружается как стандартная causal language model через Transformers. Лицензия — Apache-2.0.

Карточка модели menik1126/ovd-math-1-data-hes-step800-historical на Hugging Face совпадает с карточкой menik1126/OVD-Math-1-data-HES-Step800-Historical, поэтому описание составлено по ней. OVD-Math-1-data-HES-Step800-Historical — сохранённый чекпойнт эксперимента 1-data из коллекции OVD, опубликованный как веса для инференса и токенизатор. Это дообученная версия Qwen/Qwen2.5-Math-1.5B: плотная причинная языковая модель архитектуры Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста. Метаданные указывают контекст до 4096 токенов и библиотеку Transformers; базовая модель рассчитана на решения математических задач на английском и китайском языках. README называет чекпойнт историческим экспериментом и не описывает отдельные возможности или результаты именно этого шага обучения. Его можно применять для генерации ответов и математических решений, однако качество на конкретных задачах по карточке оценить нельзя. Лицензия в предоставленных данных не указана.

Это дообученная модель Qwen3, созданная formalmathatepfl на основе formalmathatepfl/qwen3-sft-feedback-with-proof-repair и обученная на наборе данных lean_reasoning_sft_feedback. В карточке указана архитектура Qwen3ForCausalLM с плотной авторегрессионной моделью на 7,6 млрд параметров; модель принимает текст и генерирует текст, поддерживает диалоговый режим и имеет контекстное окно 32 768 токенов. Модель предназначена для генерации текста в сценариях, связанных с формальной математикой, обратной связью и исправлением доказательств, что следует из названия модели и набора данных. Подробности о качестве, точном формате входных данных и результатах оценки в карточке не приведены. Лицензия указана как other, без конкретных условий в предоставленных данных.

Qwen-Qwen2-Math-1.5B-GGUF — набор GGUF-квантизованных версий модели Qwen2-Math-1.5B, разработанной командой Qwen. Квантизацию выполнила команда featherless-ai-quants. Модель предназначена для генерации текста с акцентом на решение математических задач и может использоваться в приложениях, где важны компактный размер и локальный или ресурсоограниченный запуск. В репозитории представлены варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0 размером примерно от 645 МБ до 1,57 ГБ. Базовый размер модели — 1,5 млрд параметров. Формат GGUF обеспечивает совместимость с соответствующим программным обеспечением для запуска квантизованных языковых моделей. Более сильная квантизация уменьшает требования к памяти, но может снижать точность по сравнению с менее квантизованными вариантами; конкретные языки, размер контекста, архитектура и мультимодальные возможности в README не указаны. Лицензия и условия использования модели в предоставленных данных не указаны. README также содержит сведения об инфраструктурном сервисе Featherless AI, однако они не являются характеристиками самой модели.

Reasoning-Medical-27B — мультимодальная модель EpistemeAI для медицинских рассуждений. Это дообученная на базе unsloth/Qwen3.6-27B плотная причинная языковая модель с визуальным энкодером на 27 млрд параметров. В карточке заявлено обучение на 370 тыс. примеров вопросов и ответов с пошаговыми рассуждениями; модель поддерживает диалоги, работу с инструментами и анализ изображений. Контекст составляет 262 144 токена с заявленной возможностью расширения до 1 010 000 токенов. Модель предназначена для вопросов по профессиональной медицине, медицинской генетике, биологии и медицине университетского уровня, а также для анализа медицинских изображений. В карточке указана точность 93% на MedQA в двухвыборочном режиме, но сравнение не является стандартизированным, а результат не подтверждает клиническую пригодность. Ответы могут быть ошибочными или вводящими в заблуждение; их необходимо независимо проверять. Лицензия — Apache-2.0. Модель не следует использовать для диагностики, ведения пациентов или принятия лечебных решений.

VehaanS/slm-125m-master-english-tutor — компактная языковая модель для генерации текста, созданная дообучением HuggingFaceTB/SmolLM2-135M. Название указывает на замысел использовать её как помощника по английскому языку, однако README не описывает конкретные учебные сценарии, данные обучения или результаты профильной оценки. Модель построена на плотной архитектуре Llama и содержит 134,5 млн параметров. Она принимает текст и генерирует текст; заявленное контекстное окно составляет 8192 токена. Репозиторий содержит веса в формате safetensors, модель использует библиотеку Transformers. Лицензия — Apache-2.0.

Tadabur-Whisper-Small — модель распознавания речи, созданная дообучением Whisper Small на датасете Tadabur с записями чтения Корана. Она предназначена для транскрибирования коранической рецитации на арабском языке; в примере использования для Transformers явно задан язык Arabic. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. В карточке приведены значения WER для нескольких этапов обучения: 13,78% на 2 500 шаге и 11,20% на 5 000 шаге. Модель не предназначена для идентификации говорящих или диаризации и может хуже распознавать шумные записи и аудио низкого качества; ошибки транскрипции возможны. Распространяется по лицензии CC-BY-NC-4.0, а авторы указывают исследовательское и образовательное применение.

Taiwan-inquiry_7B_v2.1 — диалоговая языковая модель, разработанная Джозефом (Чен-Вэй) Ли, ассистентом-исследователем Национальной университетской больницы Тайваня. Это плотная авторегрессионная модель семейства Mistral с 7,2 млрд параметров и контекстом до 32 768 токенов, дообученная на Breeze-7B-Instruct-v1_0. Репозиторий содержит веса в формате safetensors; для модели также выпускались варианты AWQ и GGUF. Модель предназначена для имитации беседы врача и пациента в больничной обстановке: можно задать ей роль пациента и его краткую предысторию, а также обсуждать симптомы и возможные методы лечения. Обучение включало 614 реальных диалогов из Национальной университетской больницы Чэн-Кун и 336 синтетических диалогов по темам примеров экзамена OSCE на Тайване. Основной язык — традиционный китайский (zh-TW). Автор приводит результат 40,29 по TMMLU+ в режиме zero-shot. Модель подходит для учебных симуляций и исследовательских экспериментов с медицинским диалогом, но ответы о симптомах и лечении не являются медицинской консультацией. Лицензия — Apache-2.0.

Taurus-7B-1.0 — дообученная Rxavier модель на базе teknium/OpenHermes-2.5-Mistral-7B, созданная с помощью QLoRA на наборе Economicus. Датасет синтетически сформирован по учебникам для аспирантского уровня по экономике; обучение длилось два эпохи с использованием axolotl. Модель предназначена для диалогового следования инструкциям и генерации текста по экономической тематике. Она использует архитектуру Mistral с 7,1 млрд параметров, формат общения ChatML и контекст до 32 768 токенов. В README приведены результаты оценивания на отдельных бенчмарках, включая AI2 Reasoning Challenge и HellaSwag. Модель принимает текст и генерирует текст. Карточка указывает английский язык и лицензию MIT. Результаты бенчмарков не гарантируют точность экономических ответов; в карточке нет подробностей о проверке фактов или ограничениях применения.

kev-KOH разработал Time-Embed BGE-M3 LMS Temporal v1.9 Native-Day Bridge — дообученную модель эмбеддингов на основе XLM-RoBERTa и семейства BGE-M3 для поиска по временным выражениям в корейских материалах LMS. Она помогает сопоставлять формулировки вроде «나흘 뒤» и «4일 뒤», различать близкие даты вроде «나흘 뒤» и «사흘 뒤», а также находить сведения о сроках заданий, объявлениях и расписании лекций. Модель содержит 658,7 млн параметров, формирует нормализованные эмбеддинги с CLS-пулингом и рассчитана на входную длину до 8194 токенов; в обучении использовались максимальные длины запроса и документа по 128 токенов. Это узкий корректирующий чекпойнт, обученный на 64 примерах с проверочными выборками по 32 примера. Внутренние проверки показали улучшение распознавания корейских выражений с днями относительно базовой модели, при этом опубликованные проверки KLUE-STS и KorSTS сохранились на близком уровне. Модель предназначена для экспериментов с временным поиском в корейских LMS, а не для замены универсальных корейских эмбеддингов; поддержку вариантов счёта дней следует дополнительно проверять. Лицензия — MIT.

TinyBrainBot-100M-v3-Math — компактная языковая модель на 100,1 млн параметров от разработчика репозитория nkthebass, дообученная методом SFT на базе tinybrainbot-100m-v3-base. Она использует плотную Llama-совместимую архитектуру LlamaForCausalLM; контекст — 1024 токена. Модель принимает текст и генерирует текст, а карточка указывает поддержку английского языка и чат-шаблон. Модель предназначена для генерации ответов на математические вопросы и задач на рассуждение: например, для вычислений с порядком действий и решения простых текстовых задач. В описании приведены результаты тестов lm-eval и отмечено преимущество над Supra2-100M-Instruct в пяти из семи бенчмарков; эти результаты относятся к указанной конфигурации оценки. Сложная многошаговая арифметика остаётся ненадёжной, а специализация на математике ограничивает пригодность для свободного общения. Модель не проходила настройку безопасности. Лицензия — Apache-2.0.

uidgatedaimeqwen3-1-7bep4 — слитый чекпойнт Qwen3-1.7B с адаптером LoRA, созданным в ходе UID-gated обучения методом GRPO на задачах AIME; в карточке указан шаг global_step_28 и четвёртая эпоха. Модель предназначена для генерации текста и диалогов, в частности для решения математических задач и рассуждений.

unfiltered-0.6b-grpo-math-expert — чат-модель для генерации текста и математических рассуждений, разработанная в рамках исследования LittleLearner. Это плотная causal language model семейства Qwen3 с 617,3 млн параметров и контекстом 4096 токенов. Модель принимает текст и выдаёт текст; карточка указывает английский язык. Модель прошла supervised fine-tuning, а затем дообучение методом GRPO на задачах математического рассуждения. Она предназначена прежде всего для решения математических задач и экспериментов с влиянием отбора обучающих данных на знания модели. В оценке MathCAMPS показала pass@1 33,8 для задач уровня K–5 и 9,7 для задач выше этого уровня. Специализация на математике может ухудшать ответы в обычном чате и склонять модель к математическому стилю рассуждений даже в других задачах. Репозиторий содержит веса Safetensors и предназначен для использования с Transformers; в метаданных указана лицензия other, без конкретизации её условий.

vitruv/vitruv_2 — Virtruv이 개발한 한국어 수학 문제 풀이에 초점을 맞춰 학습한 텍스트 생성 모델이다. README에 따르면 기반 모델은 vitruv/vitruv1이며, 학습 데이터에는 한국어·영어 번역 자료, 한국어 지시문 데이터, MathPile에서 샘플링해 직접 번역한 자료, 한국어 문화 콘텐츠 대본과 전문 전화 상담 내역이 포함됐다. 모델은 Llama 계열의 밀집형 인과 언어 모델로, 크기는 10.7B 파라미터이고 기본 문맥 길이는 2048 токена. Hugging Face 메타데이터에 указаны Transformers와 safetensors, Apache-2.0 лицензия. Карточка подтверждает упор на корейский язык и математику, однако не приводит результатов оценки качества или подробных инструкций по использованию.

Это дообученная модель распознавания речи на архитектуре Wav2Vec2 Large XLSR-53, разработанная на базе jonatasgrosman/wav2vec2-large-xlsr-53-arabic. Она предназначена для распознавания чтения Корана в стилях таджвид и муратталь, включая поддержку османского письма и специальных символов ٱ и ٰ. В карточке указаны WER 4,41% для знакомых чтецов и 6,51% для новых, а точность сегментации по аятам превышает 98%. Модель принимает аудио и выдаёт распознанный текст на арабском языке. Репозиторий содержит веса в формате safetensors, размер модели — 402,7 млн параметров. Лицензия — Apache-2.0.

Модель chiranjeevisagi/wav2vec2-vedic-aligner — дообученная на напевном санскрите версия wav2vec2-CTC, созданная на основе addy88/wav2vec2-sanskrit-stt. Она предназначена для принудительного выравнивания известной транскрипции на деванагари с записью ведического песнопения и оценки произношения по выходным вероятностям модели; это не универсальная система распознавания санскрита. Архитектура Wav2Vec2ForCTC содержит 113,3 млн параметров, принимает аудио и выдаёт текстовые токенные гипотезы и эмиссии для выравнивания. Обучение на 43,5 часах напевного санскрита Vedavani включало изменение скорости воспроизведения от 0,85 до 1,25 раза. README сообщает CER 0,084 на отложенном тесте Vedavani и 0,064 на отдельной записи учителя. Для корректного выравнивания необходимо явно задавать CTC blank с id 0: номинальный blank в конфигурации не соответствует фактически используемому пустому токену. При декодировании также нужно самостоятельно удалять этот токен. Модель ориентирована на песнопения и может хуже работать с обычной речью или иными условиями записи. Распространяется по лицензии Apache-2.0.

Argonne 4.5-think — англоязычная причинно-следственная языковая модель семейства Argonne2 на 2,06 млрд параметров, разработанная PursuitOfDataScience. Это дообученная версия Argonne-4.5-base-ctx13568: обучение включало SFT, DPO, обучение рассуждениям по цепочкам мыслей, дистилляцию, исправление ответов и этап RLVR-DPO. Модель генерирует краткий ход рассуждений и затем ответ, оформленный в \boxed{}. Модель предназначена прежде всего для решения арифметических текстовых задач; также она умеет генерировать текст в разговорном формате. Контекст составляет до 13 568 токенов, однако поведение на длинных входах не проверялось. Карточка сообщает результаты сравнительных оценок на арифметических задачах и общих языковых тестах; для повышения точности на задачах, допускающих несколько решений, полезно генерировать несколько вариантов и выбирать ответ голосованием. Ограничения включают ошибки в арифметике, незавершённые рассуждения в части генераций и снижение среднего результата на общих тестах по сравнению с базовой моделью. Карточка не характеризует качество открытого диалога, работы с кодом или инструментами. Модель распространяется в формате safetensors по лицензии Apache-2.0.

CHEMLLM-2b-1_5 — языковая модель для химии и молекулярной науки, разработанная командой AI4Chem на базе архитектуры InternLM2. Это плотная авторегрессионная модель примерно на 1,7 млрд параметров, предназначенная для диалоговых ответов и генерации текста по химическим темам. Репозиторий содержит веса в формате safetensors; модель поддерживает контекст до 32 768 токенов и английский и китайский языки. Модель подходит для поиска объяснений по химии, обсуждения молекулярной науки и подготовки черновиков профессионального перевода. В приведённом README результаты ChemLLM-7B-Chat выше ряда сравниваемых моделей на нескольких заданиях MMLU, однако эти результаты относятся к версии на 7 млрд параметров и не подтверждают качество этой модели на 1,7 млрд параметров. Ответы могут содержать ошибки и требуют проверки. Лицензия — Apache-2.0.

Claudius 400M Chat — диалоговая модель fbandov для практики латинского языка в формате общения с виртуальным учителем. Это дообучение модели fbandov/claudius-latin-400m с архитектурой Llama: 341,8 млн параметров, контекст 2048 токенов. Модель принимает сообщения на латыни и отвечает кратко на латыни, поддерживая беседу вопросами и подстраиваясь под уровень ученика — начальный, средний или продвинутый. Она также может понимать ошибочные фразы начинающих и переформулировать их правильно. Модель обучена на латинских текстах и синтетических диалогах; английского она не изучала. Веса доступны в форматах Safetensors и ONNX. Лицензия — CC BY-SA 4.0. Модель предназначена для языковой практики, а не для получения достоверных справочных сведений: за пределами бытовых, учебных и римских тем она может терять нить разговора, иногда повторяет сказанное учеником, а исправления длинных литературных фраз ненадёжны. Ответы выводятся в верхнем регистре с орфографией, где U используется вместо V и I вместо J; греческий не поддерживается.

DeltaP2S-Llama2-13B-SameFormula-Math-S13 — объединённый чекпойнт эксперимента Delta-P2S, созданный на основе meta-llama/Llama-2-13b-hf. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, предназначенная для генерации текста; в карточке также указана математическая направленность эксперимента SameFormula-S13. Модель использует библиотеку Transformers, веса представлены в формате safetensors, длина контекста составляет 4096 токенов. Данных о поддерживаемых естественных языках и специальных возможностях, помимо генерации текста, карточка не содержит. Лицензия в предоставленных сведениях не указана.

DualMind TKD Agentic 1.7B — производная языковая модель Convergent Intelligence LLC / Reaper на архитектуре Qwen3-1.7B с 1,7 млрд параметров и контекстом до 40 960 токенов. Она обучена в два этапа: математическая дистилляция от Qwen3-8B с акцентом на рассуждения, выводы и проверку решений, затем специализация для диалогов, вызова функций и работы с инструментами. Модель принимает текст и генерирует текст, включая структурированные вызовы инструментов; поддерживаемый в карточке язык — английский. Модель предназначена для математических и технических рассуждений, экспериментов с выбором инструментов и построением агентных циклов, а также для дальнейшей оптимизации с учителем или по предпочтениям. Она может сформировать вызов инструмента, но не исполняет его: для работы требуется внешний runtime, который обработает вызов и вернёт результат в диалог. Формальных результатов бенчмарков не заявлено; качество выбора инструментов и математических ответов следует проверять отдельно. Репозиторий содержит слитую самостоятельную модель в формате safetensors, отдельный PEFT-адаптер для инференса не требуется. Лицензия указана как other: лицензия датасета по высшему анализу неясна, поэтому условия повторного использования производной модели требуют проверки.

Muno459/fastconformer-quran-streaming — потоковая модель распознавания чтения Корана на арабском языке, разработанная автором репозитория Muno459. Она предназначена для транскрибирования речи по мере чтения, например для подсветки текущих слов и обратной связи в реальном времени. Модель построена на FastConformer-Hybrid с 17 слоями и размерностью d_model 512; использует причинные свёртки, ограниченное внимание по чанкам и кэш между шагами. На вход подаются 80-мерные log-mel-признаки, а обработка выполняется чанками примерно по секунде. В репозитории доступны ONNX-графы, включая динамически квантованные INT8-варианты для устройств с ограниченными ресурсами. Модель обучена на записях чтения Корана в риваяте Хафс: студийных записях EveryAyah и Muaalem, а также реальных телефонных записях Tarteel tlog. Потоковая обработка снижает задержку, но точность распознавания текста ниже, чем у связанной офлайн-модели; README приводит около 6% WER для потоковой версии на описанных тестах. Ограниченный контекст также делает её менее подходящей, когда важнее минимальная ошибка транскрипции. Для оценки произношения в репозитории предусмотрена отдельная классификационная голова, однако основная задача данной модели — распознавание речи. Лицензия указана как other; конкретные условия использования следует проверять в материалах репозитория.

GemmaColRAC-AeroExpert — специализированная языковая модель, разработанная Эдисоном Бехарано, Николаи Потесом и Сантьяго Пинедой при поддержке Fundación Universitaria Los Libertadores, SomosNLP и Hugging Face. Модель предназначена для помощи специалистам и студентам авиационной отрасли в работе с Правилами гражданской авиации Колумбии (RAC): она отвечает на вопросы и помогает разъяснять и упрощать содержание нормативных документов. Это плотная авторегрессионная модель семейства Gemma с 2,5 млрд параметров, доступная в формате Safetensors. Она дообучена на наборах вопросов и ответов по колумбийским авиационным правилам; README называет её пятой итерацией, но базовую модель точно не указывает. Модель рассчитана на испанский язык, имеет контекст до 8192 токенов и поддерживает генерацию текста в диалоговом режиме. Авторы сообщают об оценке на 276 примерах с обратной связью авиационных экспертов: результаты различались между разделами RAC, а для RAC 3 отмечены слабые показатели. Модель может содержать смещения из обучающих данных и не предназначена для принятия юридически обязательных решений без проверки человеком. Лицензия — Apache-2.0.

hifzguide-muaalem-mini — модель HifzGuide для распознавания фонем в чтении Корана. Это уменьшенная по ширине, инициализированная весами учителя и дистиллированная версия obadx/muaalem-model-v3_2 на архитектуре Wav2Vec2-BERT с многоуровневым CTC-декодированием. В метаданных указано 77,1 млн параметров, а в README — 116 318 635; число параметров в источниках расходится. Модель принимает аудио и выдаёт последовательности фонем: 43 CTC-класса, включая пустой класс. Модель предназначена для проверки коранической рецитации в реальном времени, в том числе на устройстве, и для анализа произношения. По README, сходство жадного декодирования с учителем составило около 95% на тестовом наборе, однако это сравнение не с независимой эталонной транскрипцией. Модель обучена на мягких выходах учителя и наследует его ошибки. Проверка ограничена аудио распределения FaisaI/tadabur, одним фиксированным положением окна и не охватывает другие условия записи, стили чтения и диалекты. Модель распознаёт только фонемы и не предназначена для оценки атрибутов таджвида. Для загрузки требуется custom-код архитектуры и trust_remote_code=True. Лицензия — AGPL-3.0.