I.14Автоматизация процессов и AI-агенты

Это набор весов черновой модели Multi-Token Prediction (MTP), извлечённых из Qwen/Qwen3.8-27B и опубликованных mlx-community для ускорения генерации методом speculative decoding в mlx-vlm. Модель не работает самостоятельно: её используют вместе с совместимой целевой моделью Qwen3.8-27B, которая предоставляет эмбеддинги токенов и языковую голову. Для корректной работы веса черновой и целевой моделей должны происходить из одного чекпойнта. Архитектура плотная, тип модели — qwen3_5_mtp; размер целевой модели — 27 млрд параметров, точность весов — BF16, размер MTP-блока — 3. Репозиторий рассчитан на MLX и mlx-vlm. В метаданных указан английский язык; сам черновой компонент предлагает ускорение текстовой генерации, а не самостоятельный диалог или мультимодальный анализ. Использование регулируется лицензией Apache 2.0; ограничения базовой модели также применяются.

Карточка модели zanite/Qwen3-TTS-Tokenizer-12Hz на Hugging Face совпадает с карточкой Qwen/Qwen3-TTS-Tokenizer-12Hz, поэтому описание составлено по ней. Qwen3-TTS-Tokenizer-12Hz — аудиотокенизатор из семейства Qwen3-TTS, разработанный командой Qwen. Он кодирует входную речь в дискретные акустические токены и декодирует токены обратно в речь, чтобы компактно представлять аудио для хранения и передачи, а также использовать его в речевых системах. Архитектура использует 16 слоёв многокодовой книги, частоту токенизации 12,5 Гц и лёгкую каузальную ConvNet. В README заявлены эффективное акустическое сжатие и сохранение просодических и акустических характеристик среды. Семейство Qwen3-TTS охватывает китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки; это описание относится к семейству, а не обязательно к отдельным возможностям токенизатора. Модель предназначена для кодирования и восстановления речи, включая сценарии хранения, передачи и потоковой генерации с низкой задержкой в системах Qwen3-TTS. Репозиторий распространяется по лицензии Apache-2.0. Количественные результаты оценки качества вынесены в технический отчёт; сам README их не приводит.

Карточка модели udaypratap/results на Hugging Face совпадает с карточкой udaypratap/smart-mcq-solver, поэтому описание составлено по ней. udaypratap/smart-mcq-solver — модель на базе DistilBERT, дообученная для выбора ответа в заданиях с вариантами. Она принимает текст вопроса и варианты ответов и оценивает их, чтобы определить подходящий вариант. Модель предназначена для решения тестов с множественным выбором и похожих задач классификации вариантов. Модель использует архитектуру DistilBertForMultipleChoice и формат весов safetensors. Базовая модель distilbert/distilbert-base-uncased рассчитана на английский язык; максимальная длина контекста составляет 512 токенов. Лицензия — Apache-2.0. Карточка не содержит сведений о датасете обучения, оценках качества или особых ограничениях.

merve/rfdetr-docvqa-media3-v2 — модель обнаружения объектов, дообученная на основе Roboflow/rf-detr-base с помощью библиотеки Transformers. Название указывает на применение к документам и изображениям Media3, однако карточка не описывает целевой набор данных или классы объектов, поэтому назначение по названию нельзя подтвердить. Модель принимает изображения и выдаёт обнаруженные объекты с их локализацией. В README приведены низкие значения метрик обнаружения на наборе оценки: mAP 0,0037 и mAP@50 0,0137. Модель распространяется в формате safetensors по лицензии Apache-2.0.

RLCR-phi4mini-bigmathdigits5000 — дообученная с помощью RLCR модель Microsoft Phi-4-mini-instruct, представленная автором juwon1105. В ходе обучения на наборе Big-Math-digits к награде за правильность ответов добавлялась награда на основе оценки Брайера за выраженную словами уверенность, чтобы одновременно улучшать математические рассуждения и калибровку уверенности. Модель предназначена для генерации текстовых ответов на математические задачи с цифрами, включая рассуждения и оценку уверенности. Это плотная авторегрессионная архитектура семейства Phi-3 с 3,8 млрд параметров и контекстом 4096 токенов; в README также указана конфигурация LoRA с рангом 16. На тестовой выборке README приводит точность 0,414 и ECE/PCE по 0,439, что указывает на ограничения точности и калибровки. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и базовой моделью.

RoG — специализированная модель генерации текста от исследовательской группы RManLuo, разработанная для проекта Reasoning on Graphs: Faithful and Interpretable Large Language Model Reasoning. Модель объединяет большую языковую модель с графами знаний и используется в планировании путей отношений, извлечении релевантных путей и последующем формировании ответов на вопросы с опорой на эти пути. Модель относится к семейству Llama, содержит около 6,6 млрд параметров и поддерживает контекст до 4096 токенов. Она предназначена прежде всего для многопрыжкового ответа на вопросы по графам знаний, включая задачи на основе WebQSP и Complex WebQuestions, а также для получения интерпретируемых ответов с объяснением через цепочки отношений. В Hugging Face модель опубликована для text-generation и работает с Transformers и PyTorch. Сильная сторона RoG — сочетание генерации планов рассуждения с внешними структурированными знаниями, что может повышать обоснованность и интерпретируемость ответов в графовых системах вопросов и ответов. Модель не является универсальной мультимодальной системой: её применение рассчитано на текстовую генерацию в связке с графом знаний и соответствующим конвейером извлечения путей. Лицензия в доступных источниках не установлена.

Symbiotic-Beta — экспериментальная текстовая языковая модель от Convergent Intelligence LLC, построенная на базе Qwen2.5-0.5B и дообученная для математических вопросов и структурированных рассуждений. По карточке, архитектура сочетает замороженную нейросетевую основу Qwen2 с символьными модулями памяти и рассуждения; метаданные указывают архитектуру Qwen2ForCausalLM и формат PyTorch/SafeTensors. Модель предназначена для генерации ответов на математические задачи, исследования нейросимвольных подходов и прототипирования адаптивных агентных систем. В карточке заявлено обучение на MetaMathQA; метаданные также перечисляют OpenThoughts2-1M, поэтому точный состав обучающих данных из доступных сведений не вполне однозначен. Размер базовой модели — около 494 млн параметров. Лицензия — AFL-3.0. Автор предупреждает об ограниченном масштабе обучения: указаны 25 000 примеров MetaMathQA, отсутствие RLHF и невысокая пригодность для открытого диалога. Математические выкладки и доказательства могут содержать ошибки и требуют проверки; заявленные символьные механизмы сами по себе не гарантируют корректность рассуждений.

WindyTranslate/translate-es-eo — модель машинного перевода, опубликованная Windstorm Labs для перевода с испанского на эсперанто. Она основана на Helsinki-NLP/opus-mt-es-eo: к исходным весам применили LoRA дообучение на параллельных данных и объединили адаптер с базовой моделью. Модель построена на архитектуре MarianMT, содержит 55,1 млн параметров и принимает текстовый контекст длиной до 512 токенов. Репозиторий содержит сборку Transformers в формате safetensors. В тесте FLORES-200 на 48 предложениях получены chrF++ 37,36 и BLEU 11,04; авторы обозначают результат как пригодный для использования, но подчёркивают, что это лишь скрининговая оценка. Модель поддерживает только направление es→eo. Лицензия — Apache-2.0.

Visocial-T5-base — модель семейства mT5, разработанная 5CD-AI для анализа текстов из вьетнамских социальных сетей. Это продолжительно предобученная версия google/mt5-base: словарь сокращён до 50 589 токенов, а обучение продолжено на объединённом корпусе объёмом 20 ГБ, включающем публикации и комментарии Facebook, материалы UIT, данные электронной коммерции и отзывы Amazon, переведённые на вьетнамский язык. Модель содержит 137,9 млн параметров и распространяется в формате safetensors. В README описана оценка на задачах выявления языка вражды, токсичных высказываний и фрагментов с языком вражды во вьетнамских текстах. Метаданные указывают задачу fill-mask; конкретные результаты сравнительных таблиц в доступном README опущены. Лицензия и ограничения на использование в предоставленных данных не указаны.

Tesslate разработала WEBGEN-4B-Preview — компактную языковую модель для генерации веб-страниц по текстовому описанию. Она дообучена на Qwen/Qwen3-4B-Instruct-2507 и специализируется на создании цельных адаптивных страниц и отдельных блоков интерфейса в HTML, CSS и Tailwind CSS. Модель рассчитана прежде всего на лендинги, маркетинговые страницы и простую документацию. Она ориентируется на семантическую HTML-разметку, мобильную адаптивность, последовательные отступы и типовые секции вроде hero-блока, сетки функций, тарифов, FAQ и подвала. README указывает эффективный контекст около 64 тыс. токенов; метаданные модели указывают нативное окно в 262 144 токена. Для генерации предлагается библиотека Transformers, также приведены примеры запуска через vLLM и SGLang. Модель по умолчанию старается обходиться без внешнего JavaScript. Покрытие ARIA может требовать проверки, а виджеты с JavaScript остаются простыми, если явно не попросить иначе. Это предварительная исследовательская версия; качество и доступность сгенерированной разметки стоит проверять перед публикацией. Лицензия — Apache-2.0.

Apertus 1.5 8B BIOMEDICALADE — экспериментальная плотная языковая модель на архитектуре ApertusForCausalLM, разработанная как исследовательская QLoRA-настройка базовой модели andreasmartin/apertus-v1.5-8b-text. Модель дообучена на наборе mihirhirave/entity_extraction_ade_v2_with_validation для извлечения из клинических текстов упоминаний лекарств и нежелательных лекарственных явлений с выдачей результата в формате JSON. Модель принимает текст и генерирует текст; в метаданных указаны английский язык, 10,3 млрд параметров и контекст до 262 144 токенов. Репозиторий содержит самостоятельные веса в формате Safetensors; лицензия — Apache-2.0. Карточка позиционирует модель как экспериментальный исследовательский артефакт и прямо запрещает клиническое применение: результаты могут пропускать серьёзные реакции или указывать несуществующие побочные эффекты.

irfanamal/electra_multiple_choice — дообученная модель на базе Google ELECTRA Base Discriminator, предназначенная для задач с выбором одного ответа из нескольких вариантов. Это плотный Transformer-энкодер на 136,7 млн параметров с контекстом до 512 токенов. Модель сохранена в формате PyTorch и распространяется по лицензии Apache-2.0. В карточке приведены результаты оценки: accuracy 0,58 и loss 1,2639. Данные обучения и подробные ограничения не описаны; результат оценки сам по себе не гарантирует качество на других наборах данных.

Это конвертированная в формат MLX версия Gemma 4 Multi-Token Prediction (MTP) drafter от Google, подготовленная сообществом mlx-community на основе google/gemma-4-E2B-it-assistant. Компактная плотная модель с архитектурой Gemma4AssistantForCausalLM служит вспомогательным драфтером для спекулятивного декодирования: она предлагает несколько следующих токенов, которые основная модель Gemma 4 проверяет за один проход. Репозиторий использует safetensors и библиотеку MLX. Модель предназначена для ускорения генерации текста с совместимой целевой моделью Gemma 4. В README рекомендуются размер блока 6 для одиночных запросов и 3 для пакетной генерации; при temperature=0 результат заявлен побайтно идентичным генерации без драфтера. Это вспомогательная модель, поэтому сама по себе она не заменяет целевую модель и применима только в поддерживаемых конфигурациях спекулятивного декодирования. Лицензия — Gemma.

meiki.text.recognition.v0 — модель распознавания японского текста из видеоигр, разработанная для конвейера meikiocr. Она преобразует распознавание текста в обнаружение отдельных символов: использует дообученный детектор объектов с CNN backbone MobileNetV4 и выдаёт символы, ограничивающие рамки и оценки уверенности. Модель опубликована в формате ONNX и рассчитана на использование с TensorRT; лицензия — LGPL-3.0. Модель предназначена для распознавания горизонтальных строк японского текста на изображениях из видеоигр. Перед обработкой вход нужно масштабировать и дополнить до 960×32 пикселей; модель может обнаружить до 48 символов. Для получения готовой строки требуется постобработка результатов. Разработчик заявляет о выгодном сочетании точности и задержки для японского текста, однако приведённая карточка не содержит численных результатов бенчмарков. Качество за пределами японских видеоигр может снижаться; вертикальный текст не поддерживается.

Miril-Drone-2B-1 — компактная мультимодальная модель Miril.ai для анализа снимков с дронов. Это дообученная модель семейства Gemma 4, класса около 2 млрд параметров, с архитектурой Gemma4ForConditionalGeneration. Она принимает изображение и текстовую инструкцию, а в ответ может описать сцену, ответить на вопрос о видимых объектах или выдать грубую координатную подсказку в формате JSON. Модель рассчитана на просмотр кадров с высоты и сценарии помощи оператору: инспекции, первичную оценку обстановки, предварительный выбор зон доставки или посадки. Выпуск обучен и проверен для сочетания изображения и текста; наличие аудио- и видеокомпонентов в унаследованной архитектуре не означает поддержки таких входов в этой версии. Модель основана на подвыборке WALDO и может пропускать мелкие объекты, путать масштаб и переоценивать свободные участки. Координаты предназначены только как приблизительные ориентиры для проверки человеком, а не как команды управления полётом или гарантированные безопасные точки. Лицензия — Apache-2.0.

eugenehp/neutts — набор файлов для запуска NeuTTS и клонирования голоса в RLX. Репозиторий содержит преобразованный для RLX энкодер NeuCodec в формате safetensors, конфигурацию энкодера и файл модели neutts-air в формате GGUF Q4_0. Для использования предназначен фреймворк RLX, включая компонент rlx-neutts. Модель применяется в сценариях клонирования голоса и преобразования аудио в аудио. README описывает репозиторий как преобразованную раскладку весов из исходного чекпойнта, поэтому это конверсия, а не самостоятельная обученная модель. Лицензия — Apache-2.0. Подробности об архитектуре, поддерживаемых языках и ограничениях качества в карточке не приведены.

Helsinki-NLP/opus-mt-en-lua — модель машинного перевода семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с английского языка на луганский (lua). Модель построена на архитектуре Transformer-align и обучена на данных OPUS; перед обработкой применяются нормализация и SentencePiece. В метаданных указаны 55,6 млн параметров, контекст до 512 токенов и поддержка PyTorch и TensorFlow. Модель подходит для перевода текстов и локализации материалов с английского на луганский. В README приведены результаты на тестовом наборе JW300.en.lua: BLEU 35,3 и chr-F 0,578. Распространяется по лицензии Apache-2.0.

OTel-LLM-20B-Reasoning — англоязычная текстовая модель для генерации ответов по извлечённому контексту в телекоммуникационных RAG-системах. Её выпустил участник проекта Open Telco AI; это полнопараметрическое дообучение openai/gpt-oss-20b на наборе OTel-LLM. В метаданных указана архитектура GPT-OSS MoE и 1,6 млрд параметров, а README приводит размер базовой модели — 20 млрд параметров. Доступная длина контекста составляет 131 072 токена. Модель рассчитана на ответы по найденным фрагментам телекоммуникационных стандартов, технических документов и исследований. На отложенной части OTel-LLM оценка контекстно обоснованной корректности составила 71,1% против 65,2% у базовой модели; это сравнение не заменяет внешнюю оценку и не характеризует ответы без предоставленного контекста. Качество зависит от поиска, ранжирования и промпта. Модель специализируется на телекоммуникациях, поддерживает английский язык и предназначена преимущественно для работы с текстом. Лицензия репозитория — Apache-2.0; также необходимо соблюдать условия лицензии базовой модели.

PetBERT-Tick-v2 — англоязычный классификатор на архитектуре BERT, разработанный SAVSNET и дообученный на базе SAVSNET/PetBERT. Модель определяет, упоминаются ли клещи в ветеринарной электронной медицинской записи; результат относится к одному из классов: tick_absent или tick_present. Модель предназначена для автоматического выявления записей о клещах в клинических данных собак и кошек. В README приведены результаты на тестовой выборке из 15 842 примеров: accuracy 0,972, F1 для класса tick_present 0,942; указанный порог классификации — 0,943. Модель содержит 135,5 млн параметров, использует библиотеку Transformers и принимает последовательности длиной до 512 токенов. Классификатор специализирован на ветеринарных записях и выявлении клещей; результаты на других типах документов и для иных задач не описаны. Для применения к отдельным записям стоит учитывать, что полнота для класса tick_present на приведённой выборке составляет 0,927. Лицензия в предоставленных материалах не указана.

Political_DEBATE_DeBERTa_base_v1.1 — модель для классификации политических текстов, опубликованная пользователем mlburnham, связанным с Mike Burnham. Она входит в коллекцию Political DEBATE, описанную как набор zero-shot-классификаторов для политических текстов. Модель построена на архитектуре DeBERTa-v2 и предназначена для задач text classification; её размер составляет около 0,2 млрд параметров. На странице модели указаны интеграция с Transformers и формат Safetensors. Коллекция и сопутствующие материалы связывают семейство Political DEBATE с классификацией политических тем и других характеристик политических текстов, однако точные поддерживаемые языки, размер контекста, данные обучения, метрики, ограничения и конкретные выходные классы для версии v1.1 не описаны. Сильной стороной является специализация на политическом тексте и возможность применения в стандартном конвейере классификации Transformers. Из-за неполноты карточки нельзя надёжно оценить качество, устойчивость к смещениям или пригодность для конкретных доменов. Лицензия для этой версии в доступных материалах не указана.

PorkiCoder Tab Namer 77M — небольшая модель генерации текста на архитектуре T5, разработанная для приложения PorkiCoder. Она получает описание текущей сессии с ИИ-помощником по программированию и создаёт короткое название вкладки терминала: от одного до трёх слов, не длиннее 32 символов. Модель основана на google/flan-t5-small и дообучена на примерах названий вкладок; в метаданных указано 45,8 млн параметров, контекст — 512 токенов. README приводит замер скорости около 29,3 мс на Apple M4 Max CPU в однопоточном режиме. Модель рассчитана на локальное использование в настольном приложении, чтобы различать задачи в нескольких рабочих папках. По описанным разработчиками проверкам, она лучше исходной FLAN-T5-small формулирует названия задач для кодовых сессий. Поддерживается английский язык. Для запуска важно корректно загружать выходной слой отдельно от таблицы входных слов: при неправильной загрузке модель может выдавать бессмысленные результаты. Лицензия — Apache-2.0.

Карточка модели Jasper1007/Qwen-Image-ControlNet-Union на Hugging Face совпадает с карточкой InstantX/Qwen-Image-ControlNet-Union, поэтому описание составлено по ней. Qwen-Image-ControlNet-Union — объединённый ControlNet от InstantX для управления генерацией и редактированием изображений на базе Qwen-Image. Модель принимает изображение с картой управления и текстовое описание, поддерживая четыре типа условий: контуры Canny, мягкие границы, глубину и позу. Она интегрируется с Diffusers и ComfyUI. ControlNet обучен с нуля в течение 50 тысяч шагов на 10 миллионах качественных изображений общего содержания и изображений людей. В архитектуре используются пять двойных блоков из предварительно обученного трансформера; обучение проводилось при разрешении 1328×1328 в BF16. Для управления силой условия предусмотрен параметр controlnet_conditioning_scale. Модель подходит для создания изображений по тексту с сохранением заданных контуров, глубины или позы, а также для редактирования изображений с таким контролем. В README отмечено, что без явного указания текста в промпте некоторые детали, например мелкий текст, могут сохраняться хуже. Лицензия — Apache-2.0.

Модель quastrinos/race-openbook-finetuned-deberta-v3-large-mcqa-TPU-v2 — дообученная версия DeBERTa-v3 Large для решения задач с выбором одного ответа из нескольких вариантов. Она предназначена для multiple-choice вопросов; README сообщает о дообучении версии v1, но не раскрывает обучающий датасет или конкретные сценарии применения. Модель содержит 533,8 млн параметров, имеет контекст до 512 токенов и представлена в формате TensorFlow. Лицензия — MIT. В README приведены значения потерь и метрика Map3 на обучающей выборке, однако достаточных сведений о качестве на валидации или предназначенных для применения областях нет.

Это дообученная модель quastrinos на архитектуре DeBERTa-v2 Large для выбора правильного варианта ответа в заданиях с несколькими вариантами. В карточке указано 533,8 млн параметров и контекст до 512 токенов; модель опубликована в формате TensorFlow и лицензирована по MIT. Модель предназначена для задач multiple-choice, однако описание не уточняет обучающие данные и целевые сценарии. В README приведены значения потерь и метрика Train Map3, но нет подробностей об оценочном наборе или результатах на независимых тестах. Базовая модель указана как quastrinos/race-openbook-finetuned-deberta-v3-large-mcqa-TPU.

recipe-roberta-s — модель на архитектуре RoBERTa, дообученная на базе roberta-base. Она предназначена для задачи заполнения маскированных слов в тексте: модель предлагает вероятные варианты вместо пропущенного или замаскированного токена. Размер модели — 151,8 млн параметров, максимальный контекст — 514 токенов. В карточке приведён результат оценки на тестовой выборке: loss 0,8870. Данные обучения и целевая предметная область не описаны, поэтому специализированные сценарии применения определить нельзя. Модель распространяется в формате PyTorch по лицензии MIT.

iamwille/speecht5_finetuned_iamwille_ig — дообученная на неизвестном наборе данных модель Microsoft SpeechT5 для синтеза речи из текста. Она использует архитектуру SpeechT5ForTextToSpeech и предназначена для преобразования текстового ввода в аудио. В README указана оценка Loss 0,4255 на тестовой выборке, но описание набора данных и условий оценки отсутствует. Модель распространяется в формате safetensors по лицензии MIT. Данных о поддерживаемых языках, голосе, качестве синтеза и ограничениях применения нет; результаты оценки не позволяют судить о качестве речи без сведений о тестовом наборе и метрике.

trainer_output — дообученная модель на архитектуре RoBERTa, разработанная на основе distilroberta-base. Она предназначена для выбора правильного варианта ответа в задачах с несколькими вариантами, например в тестах и викторинах. Модель содержит 95,2 млн параметров, принимает текст и имеет контекстное окно до 514 токенов. Модель доступна в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает обучающий набор данных, качество на оценочных выборках и конкретные ограничения, поэтому пригодность для предметных задач следует проверять отдельно.

WindyTranslate/translate-en-toi — модель машинного перевода Windstorm Labs для перевода текста с английского языка на toi. Это дообученная версия Helsinki-NLP/opus-mt-en-toi на параллельных текстах: LoRA-адаптер слит с базовыми весами. Модель MarianMT с 56,4 млн параметров принимает текст и генерирует перевод; максимальный контекст составляет 512 токенов. Модель предназначена для перевода с английского на toi. Для загрузки доступны веса в формате safetensors, совместимые с Transformers. Качество перевода не оценивалось: проверка подтвердила язык результата, но не точность или естественность перевода. Модель лицензирована по Apache-2.0; в карточке указано происхождение от Helsinki-NLP/opus-mt-en-toi.

UnimeType Transliteration-4B-Safetensors — текстовая модель UnimeType для преобразования сообщений, набранных латиницей, в китайское, японское, хинди- или арабское письмо. Она основана на дообученной плотной Qwen3.5-4B с архитектурой Qwen3_5ForCausalLM; содержит 3,4 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. Этот выпуск содержит веса Safetensors и токенизатор. Модель предназначена для преобразования пиньиня, ромадзи, романизированного хинди, Hinglish и Arabizi. Английские слова, ссылки, код, числа и знаки пунктуации рассчитаны на сохранение на месте, но оно не гарантируется. Для Safetensors-выпуска нет оценки точности на полном наборе тестов; известны ошибки на неоднозначных коротких английских фразах, при выборе арабских диалектных форм и написания, а также при сохранении японской пунктуации и эмодзи. Перед использованием результата следует проверять ссылки, код, числа, пунктуацию и переносы строк. Лицензия — Apache-2.0.

VBVR-Pro BAGEL — модель ByteDance-Seed/BAGEL-7B-MoT, дообученная командой Video-Reason для редактирования изображений и генерации промежуточных визуальных состояний в задачах визуального рассуждения. На вход она принимает исходное изображение и текстовую инструкцию, а выдаёт отредактированное изображение. Модель обучена для image-настройки VBVR-Bench Pro; в карточке указан шаг обучения 38 000 и архитектура BAGEL Mixture-of-Transformer-Experts с языковой основой Qwen2MoT. Весовой файл содержит полный чекпойнт в BF16, объединённый с замороженными компонентами базовой модели; FLUX autoencoder поставляется отдельно. Модель предназначена для визуальных задач, где ответ формируется через генерацию изображения, в том числе для контролируемых экспериментов по визуальному рассуждению. Для запуска требуются BAGEL, PyTorch, CUDA и GPU с большим объёмом памяти; увеличение разрешения и числа изображений повышает расход памяти и время работы. Лицензия — Apache 2.0. Авторы рекомендуют проверять сгенерированные изображения перед использованием в последующих приложениях.