I.15Доступность и ассистивные технологии

Whisper Small, дообученная командой WAXALNet на корпусе WAXAL для автоматического распознавания разговорной речи на лингала. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров по метаданным; в README приведена оценка 244 млн. Репозиторий использует библиотеку Transformers и формат safetensors. Модель предназначена для транскрибирования спонтанной разговорной речи на лингала, в том числе аудио, записанного в естественной среде. Её оценивали на тестовой выборке WAXAL и частично на FLEURS; для WAXAL указаны WER 42,7% и CER 21,7%. Она может применяться в исследованиях и задачах распознавания речи для малоресурсных языков. Лицензия модели — Apache-2.0; обучающие данные WAXAL распространяются по CC-BY 4.0.

zen-vl-8b-agent-i1-GGUF — это мультимодальная vision-модель для задач image-text-to-text, основанная на zenlm/zen-vl-8b-agent. Исходная модель разработана командой ZenLM, а данная версия квантизирована mradermacher и распространяется в формате GGUF. В карточке указано, что модель предназначена для работы с изображениями и текстом; заявленный язык — английский. Модель относится к классу примерно 8-миллиардных параметров, однако точные сведения об архитектуре, размере контекста и поддерживаемых модальностях помимо изображений и текста в README не приведены. Доступны многочисленные варианты квантизации, включая IQ- и Q-серии, размером примерно от 2,2 до 6,8 ГБ. В README отмечено, что варианты IQ часто предпочтительнее сопоставимых обычных вариантов, а Q4_K_M рекомендован как быстрый вариант с хорошим соотношением размера, скорости и качества. Основные преимущества — мультимодальная обработка изображений, широкий выбор размеров GGUF-файлов и возможность подбора компромисса между качеством, скоростью и требованиями к памяти. Ограничения связаны с потерями качества при низкобитной квантизации; для работы vision-модели могут потребоваться отдельные mmproj-файлы из статического репозитория. Лицензия модели указана как Apache-2.0.

ZONOS2 — авторегрессионная модель Zyphra для синтеза речи, представленная здесь в конверсии MLX Community для библиотеки mlx-audio. Она генерирует аудио по тексту с использованием нескольких аудиокодовых последовательностей и поддерживает настройку голоса по референсному аудиофрагменту. Выходной звук — моно, 44,1 кГц; для клонирования голоса можно передать аудиообразец или заранее вычисленный эмбеддинг говорящего размерностью 2048. Модель принимает до 1024 аудиотокеновых кадров за генерацию по умолчанию. Модель предназначена для озвучивания текста и создания речи с голосом, похожим на голос из образца. В карточке указаны нормализация английского текста и обработка неподдерживаемых языков через байтовое представление, но полный перечень языков не приведён. Потоковая генерация не реализована; для извлечения голоса из образца используются отдельный кодек DAC и энкодер говорящего. Репозиторий распространяется в формате BF16 и лицензирован по Apache 2.0.

Orpheus 3B De Pretrained — базовая модель синтеза речи от Canopy Labs, построенная на архитектуре Llama и дообученная на основе meta-llama/Llama-3.2-3B-Instruct. Она предназначена для преобразования текста в естественную речь, а также для последующей адаптации под клонирование голоса без предварительного дообучения и классификацию. Разработчики отмечают естественную интонацию, эмоциональность и ритм речи; модель также служит основой для создания пользовательских дообучений. Карточка описывает немецкую версию, однако не приводит размер в README; базовая модель содержит 3,21 млрд параметров. Репозиторий использует Transformers и формат safetensors. Лицензия — Llama 3.2. Модель может использоваться для создания речи, однако клонирование голосов требует учитывать согласие людей; разработчики запрещают использовать её для имитации без согласия, дезинформации, обмана и незаконной или вредоносной деятельности.

Canopy Labs выпустила эту дообученную версию Orpheus 3B для синтеза речи из текста. Модель построена на базе Llama и предназначена для генерации естественной, выразительной речи с потоковой выдачей; в карточке заявлены задержка около 200 мс и возможность снизить её примерно до 100 мс при потоковой подаче текста. Модель поддерживает клонирование голоса по образцу без предварительного дообучения и управление эмоциями и интонацией с помощью тегов. Метаданные указывают китайский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Авторы просят не использовать её для имитации голоса без согласия, обмана или незаконной деятельности.

ACI Yoruba Phase 9 — модель автоматического распознавания речи на базе Wav2Vec2, опубликованная Awesome-x. Репозиторий содержит акустические веса Phase 8, декодер KenLM на 5-граммах с параметрами alpha=0.5 и beta=1.0, а также фонетическую карту для исправления распространённых ошибок написания при распознавании. Число параметров — около 402,7 млн; веса сохранены в формате safetensors. Модель предназначена для преобразования аудиозаписей на йоруба в текст. В README указана оценка WER 12,63% на отложенной выборке из 55 примеров после симметричного удаления пунктуации из предсказаний и эталонов. Разработчики рекомендуют для производственного применения более позднюю модель Phase X, которая показала более низкий WER на том же тесте; Phase 9 сохранена для воспроизводимости. Лицензия — Apache 2.0.

Это модель синтеза речи Piper для озвучивания арабского текста женским голосом с эмиратским диалектом. Она обучена с использованием конвейера обучения Piper и распространяется в формате ONNX для запуска через Piper CLI или библиотеку piper-tts. Модель предназначена для преобразования текста на арабском языке в аудио. В карточке указана частота дискретизации 22 050 Гц. Репозиторий распространяется по лицензии MIT. Размер модели и длина контекста не указаны в доступных данных.

Карточка модели nguyenvulebinh/AV-HuBERT-MuAViC-de на Hugging Face совпадает с карточкой nguyenvulebinh/AV-HuBERT-MuAViC-en, поэтому описание составлено по ней. nguyenvulebinh/AV-HuBERT-MuAViC-en — реализация AV-HuBERT, разработанная на основе модели Audio-Visual Hidden Unit BERT и обученная на корпусе MuAViC. Это плотная модель с 403,7 млн параметров для распознавания речи по аудио и видео; сочетание модальностей предназначено для повышения устойчивости распознавания, особенно в шумных условиях. Репозиторий также содержит сценарии инференса и предварительной обработки аудио и видеокадров. Модель предназначена для аудиовизуального распознавания речи на английском языке. Весы опубликованы в формате safetensors и используются через Transformers. README указывает, что модель дообучена на MuAViC; отдельная лицензия в предоставленных данных не указана.

mlx-community/chatterbox-turbo-fp16 — версия модели синтеза речи Chatterbox Turbo, преобразованная из ResembleAI/chatterbox-turbo в формат MLX сообществом mlx-community с помощью mlx-audio 0.2.8. Модель принимает текст и генерирует речь; карточка также описывает клонирование голоса и управление выразительностью с помощью событийных тегов в тексте, например [sigh] и [clear throat]. Репозиторий предназначен для запуска через библиотеку mlx-audio и содержит веса в формате safetensors. Модель ориентирована на англоязычный синтез речи и клонирование голоса. Лицензия — Apache-2.0. В доступной карточке не приведены сведения о размере модели, длине контекста или качестве синтеза.

Chatterbox-Turbo-TTS-4bit — версия модели синтеза речи ResembleAI/chatterbox-turbo, преобразованная в формат MLX со схемой 4-битной квантизации для GPT-2-основы T3. Её можно использовать для генерации аудио по тексту на устройствах Apple Silicon через библиотеку mlx-audio-plus. Квантизация уменьшает потребление памяти при сохранении качества аудио. Для работы также требуются веса S3TokenizerV2 из mlx-community/S3TokenizerV2, которые загружаются автоматически. В карточке указан английский язык. Лицензия в предоставленных данных не описана.

Lakoc/DeCRED_small_cv — модель распознавания речи на базе архитектуры joint AED-CTC speech encoder-decoder, дообученная на наборе Common Voice 13.0. В README приведены результаты оценки: CER 0,0855 и WER 0,1935, а также значения потерь, замен, удалений и вставок. Модель предназначена для преобразования речи в текст. Карточка не уточняет язык аудиозаписей и сценарии применения; по названию датасета можно установить только источник обучения. Репозиторий содержит веса в формате Safetensors. Лицензия и ограничения применения в предоставленных данных не описаны.

Pravega-TTS v5 — модель синтеза речи на базе CosyVoice 3, дообученная разработчиком dheeyantra для индийских языков и индийского английского. Она преобразует текст в речь и поддерживает клонирование голоса по короткому аудиообразцу и его точной расшифровке: фиксированный идентификатор диктора не требуется. Выходное аудио — моно, 24 кГц. В репозитории используются форматы ONNX и Safetensors; библиотека — CosyVoice. Модель рассчитана на синтез речи на 11 индийских языках и индийском английском, а также на арабском и европейских языках, сохранённых от базовой модели. Дообучены языковая модель преобразования текста в токены и flow-matching-декодер; вокодер, речевой токенизатор, энкодер говорящего и текстовый энкодер оставлены от базы. Для клонирования нужен чистый монофонический клип длиной 4–12 секунд с точной текстовой расшифровкой. Опубликованные оценки CER показывают улучшение для проверенных индийских языков и сохранение качества на нескольких европейских языках, однако тесты включают лишь 1–4 клипа на язык. Автоматическая оценка ограничена возможностями Whisper, особенно для некоторых индийских языков; естественность речи, сходство голоса и длинные либо смешанные по языкам фрагменты формально не оценивались. Модель не валидирована для критически важных сценариев. Лицензия репозитория указана как other; лицензия Apache-2.0 относится к базовой модели, а не подтверждает условия использования Pravega-TTS.

biodatlab разработала компактную модель автоматического распознавания речи на архитектуре Whisper, полученную дистилляцией Whisper Medium. В ней 455,8 млн параметров и 4 слоя декодера вместо 24 у модели-учителя. Модель предназначена для распознавания тайской речи и может использоваться в приложениях, преобразующих тайскую речь в текст. При дистилляции использовались Common Voice v13, Gowajee, Thai Elderly Speech Corpus, пользовательские собранные данные и корпус тайских диалектов Thai-Central из SLSCU Thai Dialect Corpus. На тестовой выборке Common Voice 13 показатель WER с токенизацией DeepCut составил 7,58% против 7,42% у модели-учителя Whisper Medium. Модель распространяется под лицензией MIT. Модель может хуже распознавать другие языки и речь на диалектах или с акцентами, отличными от обучающих данных. На точность также влияют фоновый шум и разборчивость речи.

DraculaFlow-TTS-mlx — версия модели синтеза речи DraculaFlow-TTS, преобразованная для быстрого инференса на компьютерах Apple Silicon. Модель разработана на архитектуре Qwen3 TTS и предназначена для генерации аудио по тексту через mlx-audio; в карточке указан голос dracula_flow. Репозиторий содержит веса в формате safetensors, а лицензия модели — Apache-2.0. Связь с базовой моделью указана как дообучение; README описывает конвертированную MLX-версию для запуска на Apple Silicon.

F5-TTS — модель синтеза речи из текста, представленная в репозитории SWivid/F5-TTS. Карточка связывает её с работой «F5-TTS: A Fairytaler that Fakes Fluent and Faithful Speech with Flow Matching»; метаданные указывают библиотеку f5-tts и веса в форматах PyTorch и Safetensors. Модель предназначена для преобразования текста в речь. В README перечислены варианты чекпойнтов F5TTS_v1_Base, F5TTS_Base и E2TTS_Base. В качестве датасета в метаданных указан Emilia. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка содержит мало сведений о поддерживаемых языках, параметрах модели и качестве синтеза, поэтому эти характеристики здесь не уточняются.

cstr/f5-tts-GGUF — конверсия модели F5-TTS v1 Base в формат GGUF для запуска в CrispASR. Веса представлены в F16, а критические компоненты — AdaLN, RoPE и временное встраивание — в F32. Архитектура включает 22-слойный Diffusion Transformer с 330 млн параметров, символьный ConvNeXtV2-энкодер текста и вокодер Vocos с 13 млн параметров; файл модели содержит DiT и Vocos. Модель синтезирует монофоническое аудио PCM с частотой 24 кГц и поддерживает клонирование голоса по эталонной записи длительностью 3–15 секунд вместе с её текстовой расшифровкой. Она предназначена для генерации речи из текста и zero-shot-клонирования голоса в среде CrispASR. Карточка указывает английский и китайский языки. Автор рекомендует F16: более сильная квантизация может накапливать ошибки в ходе итеративного ODE-синтеза и приводить к неразборчивой речи. Лицензия репозитория — CC-BY-NC-4.0; исходная модель SWivid/F5-TTS указана в README под лицензией MIT.

Fun-CosyVoice3-0.5B-2512-8bit — конвертированная в формат MLX и квантизованная до 8 бит версия модели FunAudioLLM/Fun-CosyVoice3-0.5B-2512, опубликованная сообществом mlx-community. Это плотная модель семейства CosyVoice3 для синтеза речи из текста; 8-битная квантизация применяется к языковой основе Qwen2 и уменьшает потребление памяти при сохранении качества. Модель поддерживает китайский, английский, японский, корейский, немецкий, французский, русский, итальянский и испанский языки. Доступны межъязыковой синтез с образцом аудио, zero-shot синтез с образцом аудио и его текстовой расшифровкой, а также управление стилем речи с помощью инструкции, например просьбы говорить медленнее. Модель рассчитана на запуск через библиотеку mlx-audio-plus в формате MLX. В карточке указана конверсия исходной модели и 8-битная квантизация Qwen2; отдельная лицензия этой версии не приведена, поэтому условия использования следует сверять с карточкой базовой модели FunAudioLLM/Fun-CosyVoice3-0.5B-2512. Качество синтеза может зависеть от языка и предоставленного образца голоса.

Gliese-Qwen3.5-2B-Abliterated-Caption — мультимодальная модель семейства Qwen, опубликованная пользователем prithivMLmods и основанная на Qwen/Qwen3.5-2B. Она предназначена прежде всего для генерации подробных описаний изображений, понимания сцен, объектов, людей и окружения, а также для создания датасетов подписей, мультимодальных исследований и локальных inference-конвейеров. Модель содержит около 2 млрд параметров и поддерживает обработку текста и изображений с генерацией текста. Заявлены языки English и Chinese. Она оптимизирована для длинных, структурированных и семантически насыщенных описаний, а также доступна в форматах Transformers и GGUF, включая варианты BF16, F16, F32 и Q8_0. В README не указана максимальная длина контекста. Ключевая особенность — abliterated-модификация: с использованием анализа направлений отказа и специального обучения были снижены внутренние склонности к отказам, чтобы повысить полноту и «нефильтрованный» характер описаний. Это может быть полезно для исследовательских задач, но одновременно повышает риск генерации нежелательного или небезопасного контента; качество и безопасность результатов требуют контроля со стороны пользователя. Модель распространяется по лицензии Apache-2.0 и предназначена авторами для исследований и обучения.

IndexTTS-2.5 — модель синтеза речи с нуля и клонирования голоса, разработанная IndexTeam и Bilibili. Она создаёт речь по тексту, используя один аудиофрагмент как образец голоса; поддерживает перенос голоса между языками и управление эмоцией отдельно от тембра. Модель построена на авторегрессионной архитектуре: GPT-backbone примерно на 0,8 млрд параметров формирует представление для декодера речи в мел-спектрограмму на основе flow matching, а BigVGAN преобразует его в аудиоволну с частотой 22,05 кГц. Поддерживаются китайский, английский, японский, испанский и арабский языки. По сравнению с IndexTTS-2 добавлены японский, испанский и арабский, ускорен вывод и добавлено управление скоростью речи. Модель подходит для озвучивания текстов, создания речи заданным голосом и многоязычного переноса голоса. Для инференса требуются Python 3.10–3.11, NVIDIA GPU и около 6 ГБ видеопамяти. Длинные тексты разбиваются на сегменты, поэтому просодия может нарушаться на их границах; управление эмоцией по текстовому описанию требует отдельной модели QwenEmotion, а случайная генерация эмоций снижает точность клонирования. Модель не проверяет согласие говорящего на клонирование. Условия использования регулируются bilibili Model Use License Agreement.

mlx-community опубликовала IndexTTS-2.5-fp16 — конвертированную для MLX версию IndexTeam/IndexTTS-2.5, предназначенную для запуска на Apple Silicon. Модель синтезирует речь по тексту и поддерживает клонирование голоса по образцу; базовая модель также позволяет управлять эмоцией и скоростью речи. В состав входят UnifiedVoice 2.5 GPT с проекцией голоса, языковыми эмбеддингами и эмоциональным кондиционированием, а также EnhancedCodec и S2Mel. Веса сохранены в safetensors и имеют точность fp16. README указывает на использование конверсии в приложениях на Swift-MLX и Python-MLX. Поддерживаются китайский, английский, японский, испанский и арабский языки. Лицензия указана как other; конкретные условия в доступных данных не раскрыты.

mlx-community/IndexTTS-2-fp16 — конвертированная в формат MLX версия IndexTTS-2 в точности fp16, опубликованная сообществом mlx-community. Модель предназначена для zero-shot клонирования голоса и синтеза речи по тексту; она позволяет отдельно управлять эмоцией и целевой длительностью речи. Веса включают авторегрессионный компонент UnifiedVoice v2 GPT для преобразования текста в семантическое представление, кондиционеры conformer/perceiver, flow-matching-компонент S2Mel и вокодер BigVGAN v2. Выходная речь имеет частоту дискретизации 22,05 кГц. Репозиторий содержит веса safetensors для запуска через MLX; Swift-порт поддерживает также создание вариантов int8 и int4 в памяти. В README описаны проверки численного соответствия эталонной реализации, включая воспроизведение её аудиовыхода и управление эмоцией и длительностью. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с исходной моделью IndexTeam/IndexTTS-2 и её лицензией.

Janus-Pro-1B — мультимодальная авторегрессионная модель от DeepSeek для совместного понимания изображений и генерации изображений. Она построена на базе DeepSeek-LLM-1.5b-base и использует единую архитектуру MultiModalityCausalLM с отдельными визуальными путями для понимания и генерации. Для анализа изображений модель использует визуальный энкодер SigLIP-L, принимающий изображения размером 384 × 384 пикселя. Для генерации изображений применяется отдельный токенизатор с коэффициентом уменьшения разрешения 16. Модель предназначена для мультимодальных сценариев, где требуется сочетать визуальный ввод и генерацию; README характеризует её как универсальную модель понимания и генерации. Модель распространяется под лицензией MIT. В README не приведены оценки качества для конкретных задач и подробные ограничения применения; заявленные авторами результаты не заменяют независимой проверки.

Карточка модели LuckyYang123/Janus-Pro-7B на Hugging Face совпадает с карточкой deepseek-ai/Janus-Pro-7B, поэтому описание составлено по ней. Janus-Pro-7B — мультимодальная авторегрессионная модель DeepSeek для понимания изображений и генерации изображений в единой архитектуре. Она использует отдельные визуальные пути для понимания и генерации, объединённые общей архитектурой трансформера; модель построена на базе DeepSeek-LLM-7B-Base. Для понимания изображений применяется визуальный энкодер SigLIP-L с входным разрешением 384 × 384, а для генерации — отдельный токенизатор изображений с коэффициентом уменьшения разрешения 16. Модель подходит для диалога о содержимом изображений и создания изображений по текстовым запросам. В метаданных Hugging Face указаны задачи any-to-any и text-to-image; карточка также описывает понимание изображений. Репозиторий содержит веса PyTorch и рассчитан на Transformers. Лицензия — MIT. Раздельное кодирование изображения для понимания и генерации призвано уменьшить конфликт между этими функциями. Заявления о сравнительной производительности приведены авторами карточки, но независимые оценки и подробные ограничения там не описаны.

wasifhdr/jedi3b-dashboardqa — дообученная разработчиком wasifhdr мультимодальная модель на базе xlangai/Jedi-3B-1080p с архитектурой Qwen2.5-VL. Модель предназначена для ответов на вопросы и выполнения текстовых инструкций по изображениям; базовая модель специализируется на поиске и определении элементов управления на скриншотах интерфейсов. Модель принимает текст вместе с изображением и генерирует текстовый ответ. В карточке указаны обучение с Unsloth и библиотекой Hugging Face TRL, формат весов safetensors и лицензия Apache-2.0. Язык карточки — английский.

lee1jun/kanary-v2-1b-ko-34800 — контрольная точка распознавания корейской речи с управляемым выводом. Модель обучена на базе Korean-tokenizer Canary v2 graft и продолжала обучение в два этапа: сначала на корпусах речи, затем на примерах с инструкциями по нормализации текста, передаче иностранных слов и пунктуации. Для загрузки используется библиотека NeMo и формат prompt проекта kanary. Модель принимает корейскую аудиоречь и выдаёт текст на корейском языке. Параметры itn задают запись чисел и символов либо их произношение словами, foreign управляет записью иностранных слов латиницей или хангылем, а pnc включает или отключает пунктуацию. Чекпойнт показал символьную ошибку CER 7,94% на dev-разделе KsponSpeech, что авторы используют для выбора контрольной точки. Это релиз-кандидат; оценка на других указанных тестовых наборах для этих же весов на момент публикации ещё ожидалась. Модель предназначена для корейской автоматической транскрипции, где важны управляемые форматирование и пунктуация. Лицензия — CC BY 4.0. Корейский язык — единственный поддерживаемый; маркер запрошенного написания иностранного слова не гарантирует точного распознавания этого фрагмента. Использованные наборы AI Hub распространяются на собственных условиях и не включаются в лицензию модели.

Kani TTS Vie — модель преобразования текста в речь на вьетнамском языке, разработанная pnnbao-ump и дообученная на базе nineninesix/kani-tts-370m. В метаданных указаны архитектура LFM2 с плотной моделью Lfm2ForCausalLM и размер 460 млн параметров; в README приведена оценка 370 млн. Для обучения использованы VieNeu-TTS-140h, VieNeu-TTS-140h-nanocodec и VieNeu-TTS-500h-dialects. Модель предназначена для быстрого синтеза вьетнамской речи, включая потоковые и работающие в реальном времени приложения. Она поддерживает несколько голосов, в том числе мужские и женские голоса с северным и южным произношением; README также описывает использование голосов других языков для синтеза вьетнамской речи. Заявлены автоматическая нормализация чисел, символов и сокращений, частота дискретизации 22,05 кГц и около трёх секунд инференса для короткого текста. README называет проект бесплатным и открытым, а метаданные указывают лицензию Apache-2.0. README описывает планы по добавлению клонирования голоса и управления эмоциями и стилем, поэтому эти возможности не следует считать уже поддерживаемыми. Заявленные скорость и качество не сопровождаются независимыми результатами оценки.

Kiel-2.1-Omni — мультимодальная модель Kiel2, дообученная на базе DeepSeek Janus-Pro-1B по пользовательскому учебному курсу. Она поддерживает диалоговое понимание изображений и генерацию изображений по текстовому запросу в авторегрессионной архитектуре MultiModalityCausalLM. В репозитории опубликованы веса safetensors; карточка описывает загрузку в 16-битном режиме и использование 4-битной загрузки для экономии памяти. Модель предназначена для ответов на вопросы об изображениях, описания визуальных сцен и создания изображений по текстовым промптам. Карточка не сообщает результаты оценивания или подробно описанные ограничения качества, поэтому их нельзя определить по доступным сведениям. Лицензия не указана в предоставленных данных.

Это модель автоматического распознавания речи, дообученная на базе facebook/wav2vec2-large-xlsr-53. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. По названию репозитория модель предназначена для распознавания речи на языке чероки; README сообщает метрики оценки: WER 0,1651 и CER 0,0276. Модель принимает аудио и преобразует речь в текст. Она опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Сведения о тренировочных данных и подробные инструкции по применению в карточке отсутствуют.

LFM2-VL-450M-GGUF — квантизированная версия мультимодальной модели LFM2-VL-450M, разработанной LiquidAI и опубликованной в формате GGUF пользователем bartowski. Модель предназначена для задач image-text-to-text, то есть обработки изображений совместно с текстовыми запросами и генерации текстовых ответов по их содержимому. Модель содержит около 450 млн параметров и распространяется в нескольких вариантах точности, включая BF16, Q8_0, Q6_K, Q5_K, Q4_K и более компактные форматы. Квантизация выполнена с использованием llama.cpp и метода imatrix, поэтому файлы можно запускать через llama.cpp, LM Studio и другие совместимые проекты. Размер файлов варьируется примерно от 0,18 до 0,71 ГБ; варианты Q4–Q6 предлагают хороший баланс качества и потребления памяти, а BF16 сохраняет исходные веса с максимальным размером. Сильные стороны модели — компактность, низкие требования к памяти и поддержка визуально-текстовых сценариев на локальных устройствах. Более агрессивные варианты квантизации экономят место, но могут заметно снижать качество ответов. В README не указаны поддерживаемые языки, размер контекстного окна, точная архитектура визуального компонента, результаты оценок и лицензия, поэтому эти характеристики нельзя достоверно определить по имеющимся данным.

LLaVA-NeXT-Video-7B-DPO-hf — мультимодальная чат-модель семейства LLaVA-NeXT-Video, опубликованная командой Hugging Face на основе разработки LLaVA-NeXT-Video. Это плотная модель условной генерации, дообученная на базе языковой модели lmsys/vicuna-7b-v1.5 на инструкциях с изображениями и видео; видео представлены равномерно выбранными 32 кадрами на клип. Модель принимает текстовые запросы вместе с изображениями и видео и генерирует текстовые ответы. Она предназначена для вопросов и ответов о содержимом роликов и изображений, описания визуальных сцен и совместной работы с несколькими визуальными материалами в одном запросе. В карточке заявлен высокий результат среди открытых моделей на бенчмарке VideoMME. Репозиторий содержит веса в формате safetensors. Модельная карточка приводит лицензию llama2. Указанная в карточке базовая языковая модель — Vicuna 7B; метаданные не сообщают размер параметров для данной сборки.