I.15Доступность и ассистивные технологии

Indic-Mio — открытая модель синтеза речи, разработанная SPRINGLab и дообученная на основе Aratako/MioTTS-0.6B. Она использует архитектуру Qwen3ForCausalLM и MioCodec для представления речи; размер модели — 520,7 млн параметров, формат весов — safetensors, библиотека — Transformers. Модель принимает текст и генерирует речь с частотой дискретизации 44 кГц. Модель предназначена для синтеза речи на 22 языках Индии и английском, в том числе для предложений со смешением языков. Поддерживает клонирование голоса по вектору диктора, а также управление стилем и эмоциями с помощью тегов и выделение ударения звёздочками. В README заявлены естественное звучание и скорость менее 0,1 RTF. Контекст модели составляет 32 768 токенов. Indic-Mio подходит для озвучивания текста и создания голосовых интерфейсов. Для запуска автор рекомендует MioTTS-Inference; в README также приведён вариант обслуживания через vLLM. Модель опубликована по лицензии Apache-2.0. Заявленные качество и скорость приведены авторами; независимые оценки в карточке не описаны.

Nepali Indic Parler-TTS — модель синтеза речи, дообученная milanakdj на базе Indic Parler-TTS для озвучивания текста на непальском языке. Она использует архитектуру ParlerTTSForConditionalGeneration и библиотеку parler-tts; веса представлены в формате safetensors. В карточке указаны лучший validation loss 5.4939, 628 шагов обучения и время обучения 135,3 минуты. Модель предназначена для преобразования непальского текста в речь. README не приводит примеров звучания или подробностей о диапазоне голосов и настройках синтеза. Условия лицензии в предоставленных данных не указаны.

Indri 0.1 350M TTS — компактная модель синтеза речи от 11mlabs на основе авторегрессионного трансформера GPT-2 с 350 млн параметров. Она генерирует аудиотокены из текста, а затем декодирует их в речь с помощью Kyutai Mimi. Модель предназначена для синтеза речи на английском и хинди, в том числе при смешении этих языков в одном тексте, и поддерживает клонирование голоса по короткому аудиопромпту менее пяти секунд. В карточке заявлены высокая скорость генерации и работа с контекстом до 1024 токенов. Модель подходит для озвучивания текста и создания речи заданным голосом; в README также описана серия Indri с задачами распознавания речи и продолжения аудио, но для этой модели подтверждён тег text-to-speech. Репозиторий распространяет веса в формате safetensors и основан на дообучении openai-community/gpt2. Лицензия указана как CC BY-SA 4.0, при этом авторы ограничивают использование исследовательской демонстрацией и запрещают коммерческое применение.

InstructBLIP-Vicuna-13B — визуально-языковая модель Salesforce, построенная на BLIP-2 и настроенная следовать инструкциям по изображению; в качестве языковой модели используется Vicuna-13B. Она принимает изображение и текстовый запрос и формирует текстовый ответ, что подходит для описания изображений и ответов на вопросы о них. Модель относится к архитектуре InstructBLIP и опубликована в форматах PyTorch и Safetensors. Модель представлена в поддержку академической работы и не оценивалась для всех практических сценариев. Перед применением следует проверять точность, безопасность и справедливость ответов, особенно в ситуациях высокого риска. Лицензия указана как other, поэтому условия использования следует уточнить в материалах репозитория.

InternVL3-14B-Instruct — мультимодальная модель OpenGVLab для диалога и генерации ответов по тексту и визуальным данным. Это версия SFT семейства InternVL3: она прошла мультимодальное предварительное обучение и supervised fine-tuning, но не этап MPO. Архитектура следует схеме ViT-MLP-LLM и реализована классом InternVLChatModel; модель доступна в формате safetensors для Transformers. Модель предназначена для понимания изображений и видео, мультимодальных рассуждений и диалога, а также задач с несколькими изображениями, GUI, 3D-сценами и научными диаграммами. Визуальная часть использует динамическое разбиение изображений на фрагменты 448×448 и позиционное кодирование V2PE; README также заявляет улучшенное понимание длинного контекста, но числовая длина контекста здесь не приведена. В семействе заявлена многоязычность. Модель может быть полезна для описания изображений, вопросов и ответов по визуальному содержимому, анализа видео и работы с GUI. README рекомендует тем, кто не уверен в выборе версии, использовать InternVL3-14B. Репозиторий указывает лицензию Apache-2.0. Ограничения качества, ресурсоёмкости и поддержки конкретных языков в предоставленных материалах подробно не описаны.

InternVL3.5-14B-Instruct — мультимодальная инструкцияя модель семейства InternVL3.5, разработанная OpenGVLab и дообученная на базе OpenGVLab/InternVL3_5-14B-Pretrained. Она принимает изображения вместе с текстовыми запросами и формирует текстовые ответы; подходит для диалога по изображениям, визуальных вопросов и задач рассуждения. В README описаны улучшения семейства InternVL3.5, включая Cascade RL для развития рассуждений, Visual Resolution Router для динамической настройки разрешения визуальных токенов и возможности взаимодействия с GUI и агентных сценариев. Модель относится к плотной архитектуре InternVLChat и распространяется в формате safetensors для Transformers. Репозиторий лицензирован по Apache-2.0. Карточка описывает мультиязычность, но конкретные языки не перечисляет. Указанные в README показатели ускорения и качества относятся к сравнению семейства InternVL3.5 с InternVL3 и не гарантируют такие же результаты для этой конкретной версии на любом оборудовании.

InternVL3.5-4B-Flash — мультимодальная чат-модель OpenGVLab из семейства InternVL3.5. Она принимает изображения и текст и формирует текстовые ответы для диалога, визуального анализа и рассуждений по содержимому изображений. Вариант Flash использует Visual Resolution Router для динамической настройки разрешения визуальных токенов; семейство также поддерживает сценарии взаимодействия с графическим интерфейсом и embodied agency. Модель основана на InternVL3.5 с архитектурой InternVLChatModel и дообучена на OpenGVLab/MMPR-v1.2 и MMPR-Tiny. Карточка описывает мультиязычность, но не перечисляет отдельные языки или размер контекстного окна. Репозиторий содержит веса safetensors для Transformers. Лицензия — Apache-2.0.

Ivy-VL — компактная мультимодальная модель примерно на 3,1 млрд параметров, разработанная AI Safeguard совместно с CMU и Stanford. Она принимает изображения и текст и генерирует текстовые ответы; модель основана на архитектуре LLaVA-OneVision, использует Qwen2.5-3B-Instruct как языковую часть и визуальный энкодер SigLIP SO400M. Репозиторий содержит веса в формате Safetensors, модель рассчитана на контекст до 32 768 токенов и работает через библиотеку Transformers. Модель предназначена для визуальных вопросов и ответов, диалога о содержимом изображений и мультимодальных сценариев на устройствах с ограниченными ресурсами, например смартфонах и умных очках. В README заявлены английский и китайский языки; метаданные также перечисляют русский и другие языки. Авторы сообщают о высоких результатах на ряде бенчмарков, однако README отмечает, что результаты могут различаться из-за условий оценки. Лицензия — Apache 2.0.

KaniTTS Pretrain v0.3 — модель синтеза речи, представленная в карточке как высокоскоростная система для генерации речи в разговорных приложениях. Она использует двухэтапную схему: языковая модель формирует сжатые аудиотокены, после чего нейрокодек синтезирует из них звуковую волну. В метаданных указаны архитектура LFM2 с плотной causal language model на 460 млн параметров, библиотека Transformers и контекст 128 000 токенов; README указывает размер 400 млн параметров и частоту дискретизации 22 кГц. Модель принимает текст и выдаёт аудио. Заявлены английский, китайский, корейский, испанский, немецкий, японский, арабский и кыргызский языки; карточка подчёркивает преимущественную оптимизацию для английского. README приводит ориентир скорости около пяти раз быстрее реального времени на RTX 5090, но указывает снижение качества на входах длиннее 15 секунд, ограниченную эмоциональную выразительность без дообучения и возможные смещения в просодии и произношении. Модель не поддерживает несколько дикторов. В README заявлена лицензия Apache 2.0, тогда как метаданные Hugging Face обозначают лицензию как other, поэтому условия лицензирования следует сверить с файлами репозитория.

Это уменьшенная по уровню отказов версия мультимодальной модели LFM2.5-VL-450M, созданная автором репозитория на основе LiquidAI/LFM2.5-350M и обработанная инструментом Heretic v1.3.0. Модель принимает изображения и текст и генерирует текстовые ответы; архитектура включает языковую основу LFM2.5-350M и визуальный энкодер SigLIP2 NaFlex на 86 млн параметров. Контекст составляет 32 768 токенов. Модель предназначена для общего понимания изображений, их описания, визуального вопросно-ответного взаимодействия и предсказания рамок объектов. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский языки. В README отмечены нативная обработка изображений до 512×512 пикселей и разбиение крупных изображений на фрагменты; доступны настройки числа визуальных токенов и фрагментов для выбора компромисса между скоростью и качеством. По приведённому в карточке сравнению версия реже отказывает на тестовых запросах, чем исходная модель; это не гарантирует отсутствия отказов или точности ответов. Автор не рекомендует её для задач, требующих обширных знаний, и тонкого OCR. Модель опубликована с лицензией «other»; конкретные условия следует проверять в репозитории.

Карточка модели Repv1111/LFM2.5-VL-450M-Vebe на Hugging Face совпадает с карточкой LiquidAI/LFM2.5-VL-450M, поэтому описание составлено по ней. LFM2.5-VL-450M — компактная мультимодальная модель Liquid AI для понимания изображений и ответов на вопросы по ним. Она дообучена на языковой основе LFM2.5-350M и использует визуальный энкодер SigLIP2 NaFlex размером 86 млн параметров. Модель обрабатывает изображения с сохранением нестандартных пропорций, разбивает крупные изображения на фрагменты и поддерживает контекст до 32 768 токенов. Модель предназначена для описания изображений, визуального диалога, обнаружения объектов и предсказания ограничивающих рамок. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский языки; вызов функций доступен для текстового ввода. Модель подходит для локального запуска и развёртывания на периферийных устройствах, а карточка рекомендует дообучать её под конкретные сценарии. По данным карточки, обновлённая версия улучшает результаты предшественника на ряде визуальных и языковых тестов. Она не предназначена для задач, требующих обширных знаний, и плохо подходит для точного OCR. Лицензия указана как other; конкретные условия следует сверять в репозитории модели.

Это версия Llama 3.2 11B Vision Instruct, подготовленная Unsloth для дообучения и использования через библиотеку Transformers. В основе лежит мультимодальная авторегрессионная модель Meta с архитектурой mllama и плотной сетью на 11 млрд параметров; она принимает текст и изображения и генерирует текст в диалоговом режиме. Модель подходит для диалога по изображениям, ответов на вопросы о визуальном содержимом и описания изображений. Карточка Unsloth ориентирована на дообучение: она содержит ноутбук для Llama 3.2 Vision и описывает ускорение обучения и снижение расхода памяти. Метаданные указывают английский язык; в карточке базовой модели перечислены английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Модель распространяется по лицензии Llama 3.2 Community License, условия которой следует соблюдать при применении. Это статический чекпойнт; качество ответов может зависеть от изображения и формулировки запроса.

Карточка модели sureshnam9/Llama-4-Maverick-17B-128E-Instruct-FP8 на Hugging Face совпадает с карточкой meta-llama/Llama-4-Maverick-17B-128E-Instruct, поэтому описание составлено по ней. Llama 4 Maverick Instruct — мультимодальная модель Meta для диалогов и задач понимания изображений. Это авторегрессионная модель с архитектурой смеси экспертов (MoE) и ранним объединением модальностей; в варианте Maverick используются 17 млрд параметров и 128 экспертов. Модель предназначена для чат-ассистентов и визуальных задач: распознавания и анализа изображений, составления описаний и ответов на вопросы по изображению. Она поддерживает арабский, немецкий, английский, испанский, французский, хинди, индонезийский, итальянский, португальский, тайский, тагальский и вьетнамский языки. Проверено понимание до пяти входных изображений; для большего числа изображений требуется дополнительная проверка в конкретном приложении. Модель разработала Meta. Репозиторий содержит дообученную версию базовой Llama 4 Maverick, распространяемую в формате Safetensors. Использование регулируется пользовательской коммерческой лицензией Llama 4 Community License и Acceptable Use Policy.

Llama-4-Scout-17B-16E-Instruct — мультимодальная инструкционная модель Meta, опубликованная на Hugging Face организацией RedHatAI. Она построена на авторегрессионной архитектуре Llama 4 с механизмом смеси экспертов (MoE): 17 млрд параметров и 16 экспертов. Модель принимает текст и изображения и предназначена для диалогов, визуального анализа и рассуждений по изображениям. Модель подходит для ответов на вопросы об изображениях, их описания и распознавания визуальных деталей, а также для многоязычного общения. Заявлена поддержка арабского, немецкого, английского, испанского, французского, хинди, индонезийского, итальянского, португальского, тайского, тагальского и вьетнамского языков. Модель протестирована для понимания до пяти входных изображений; для большего числа изображений требуется дополнительная проверка. В README также отмечены возможные риски ошибочных или небезопасных ответов и необходимость учитывать лицензионные ограничения. Модель распространяется по пользовательской коммерческой лицензии Llama 4 Community License Agreement. Карточка сообщает о проверке в RHOAI 2.20, RHAIIS 3.0 и RHELAI 1.5.

mBLIP mT0-XL — мультиязычная модель для понимания изображений, разработанная авторами работы «mBLIP: Efficient Bootstrapping of Multilingual Vision-LLMs». Она основана на архитектуре BLIP-2 и объединяет Vision Transformer (ViT), Query Transformer (Q-Former) и большую языковую модель mT0-XL. ViT и Q-Former инициализированы из англоязычного чекпойнта BLIP-2 с Flan-T5-XL, а затем согласованы с mT0-XL на мультиязычном наборе задач. Модель принимает изображение и текстовый запрос и генерирует текстовый ответ. Она предназначена для описания изображений и визуальных вопросов и обучалась на 96 языках, включая русский. Модель можно использовать напрямую в режиме zero-shot или дообучать для прикладных задач; авторы рекомендуют LoRA для настройки LLM и формат bf16, поскольку fp16 может приводить к NaN в функции потерь. Лучшие результаты ожидаются при запросах на ресурсных языках, например английском, немецком и испанском; качество на языках с меньшими ресурсами может быть ниже. Модель не тестировалась в реальных приложениях, поэтому перед развёртыванием требуется оценить её безопасность и справедливость для конкретного сценария. Лицензия — MIT.

MeloTTS-English-v2 — англоязычная модель синтеза речи из библиотеки MeloTTS, разработанной MyShell.ai. Она преобразует текст в речь и предназначена для озвучивания английских текстов; в библиотеке также есть варианты для американского, британского и индийского английского. Авторы отмечают высокое качество речи и возможность синтеза в реальном времени на CPU. Модель распространяется в формате PyTorch по лицензии MIT. Карточка не сообщает размер модели и длину контекста. Возможности и качество именно версии English-v2 отдельно не описаны; заявленная поддержка смешанного китайского и английского относится к китайскому голосу.

Xenova/mms-tts-eng — модель синтеза речи из текста для английского языка, разработанная на основе facebook/mms-tts-eng. Репозиторий Xenova содержит ONNX-веса, адаптированные для работы с библиотекой Transformers.js, включая запуск в JavaScript-окружениях и веб-приложениях. Модель предназначена для преобразования английского текста в аудио. Она возвращает монофонический аудиосигнал в формате Float32Array с частотой дискретизации 16 кГц; доступны обычная и quantized-версия, причём квантованная используется по умолчанию и может снизить требования к ресурсам. В README не указаны архитектура, число параметров, размер контекста и точные ограничения качества, поэтому оценить производительность и применимость к специализированным сценариям нельзя. Лицензия в предоставленных данных не указана.

facebook/mms-tts-fas — модель синтеза речи на персидском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания персидских текстов и создания речевого вывода в приложениях. Модель построена на архитектуре VITS и обучена для отдельного языка. Это компактная модель на 3,5 млн параметров с поддержкой Transformers. Стохастический предиктор длительности позволяет варьировать ритм произношения; из-за его недетерминированности для повторяемого результата требуется фиксированное начальное значение генератора случайных чисел. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-gna — модель синтеза речи на языке каанса (gna), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка из семейства MMS-TTS, построенный на архитектуре VITS и содержащий около 3,6 млн параметров. Модель принимает текст на каанса и генерирует речевую аудиоволну; для работы доступна через библиотеку Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на каанса, например для голосовых интерфейсов и создания аудиоверсий текстов. Стохастический предиктор длительности позволяет варьировать ритм речи, поэтому при одинаковом тексте возможны разные варианты звучания; для воспроизводимого результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

facebook/mms-tts-mon — модель синтеза речи на монгольском языке из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания монгольских текстов. Модель использует архитектуру VITS и содержит 3,6 млн параметров. Это отдельный языковой чекпойнт MMS-TTS, обученный для монгольского языка; для синтеза применяются текстовый энкодер на основе Transformer, вероятностный предиктор длительности и декодер HiFi-GAN. Из-за стохастической генерации результат может меняться между запусками; фиксированный seed позволяет воспроизводить ту же аудиоволну. Модель доступна через Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-prt — модель синтеза речи на праи, созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на праи в речевую аудиоволну и предназначена для озвучивания текста и создания речевых приложений для этого языка. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Для каждого языка MMS обучается отдельный чекпойнт; модель доступна через библиотеку Transformers. Генерация стохастическая: чтобы получить одинаковую аудиоволну при повторном запуске, нужно зафиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-urd-script_latin — модель синтеза речи на урду латинским письмом из проекта Massively Multilingual Speech, разработанного Facebook. Это отдельный языковой чекпойнт семейства VITS с архитектурой сквозного преобразования текста в речевую волну; модель содержит 3,5 млн параметров и доступна в Transformers. Она предназначена для озвучивания текста на урду латинским письмом. Стохастический предиктор длительности позволяет получать разные ритмические варианты произношения одного текста, поэтому для повторяемого результата нужен фиксированный seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Molmo 7B-D — открытая зрительно-языковая модель семейства Molmo, разработанная Allen Institute for AI. Она принимает изображения и текстовые запросы и генерирует текстовые ответы, например описывает содержимое изображения и отвечает на вопросы о нём. Модель предназначена для диалоговых сценариев с визуальными данными и демонстрационных приложений. Модель объединяет языковую основу Qwen2-7B с визуальным энкодером OpenAI CLIP; архитектура обозначена как плотная MolmoForCausalLM. Веса содержат 12,8 млрд параметров, контекст — 4096 токенов. Для обучения семейства использовался набор PixMo с тщательно отобранными парами изображение–текст. Карточка сообщает о результатах на уровне моделей сопоставимого размера и о предварительном статусе этого чекпойнта. Репозиторий распространяется по лицензии Apache 2.0; авторы указывают исследовательское и образовательное применение. Модель может ошибаться при интерпретации изображений и ответах на вопросы; чекпойнт обозначен как предварительная версия.

pranay-ar/moondream2 — компактная визуально-языковая модель семейства Moondream, предназначенная для эффективной работы на периферийных устройствах. Она принимает изображение вместе с текстовым запросом и формирует текстовый ответ, в частности отвечает на вопросы о содержимом изображения. В README приведены результаты на VQAv2, GQA, TextVQA и TallyQA, включая задачи визуальных вопросов и подсчёта объектов. В репозитории доступны веса Safetensors и GGUF F16; для работы с Transformers README указывает зависимости transformers и einops. В метаданных основная задача обозначена как image-text-to-text, а каталог также связывает модель с text-generation. Модель распространяется по лицензии Apache-2.0. README рекомендует фиксировать версию модели, поскольку она регулярно обновляется. Приведённые бенчмарки характеризуют результаты на указанных наборах данных, но сами по себе не гарантируют качество на других изображениях и запросах.

Moondream 3.1 — визуально-языковая модель Moondream с архитектурой mixture-of-experts: 9 млрд параметров всего, из которых 2 млрд активны при работе. Она принимает изображения и текстовые запросы и отвечает текстом, включая структурированные результаты для запросов к изображению, обнаружения объектов, указания точек и создания подписей. Модель предназначена для визуального анализа и рассуждений, а также для быстрого локального развёртывания или вызова через облачный API Moondream. Для локального запуска README указывает Photon: движок инференса поддерживает NVIDIA GPU поколения Ampere или новее и компьютеры Apple Silicon. Заявлены высокая скорость и низкая стоимость развёртывания, но количественные показатели качества и скорости в карточке не приведены. Репозиторий содержит веса в формате safetensors; лицензия обозначена как other, поэтому её конкретные условия следует сверить с опубликованным текстом лицензии.

Карточка модели TechnoBaptist/moondream3.1-9B-A2B на Hugging Face совпадает с карточкой moondream/moondream3.1-9B-A2B, поэтому описание составлено по ней. Moondream 3.1 — визуально-языковая модель Moondream с архитектурой mixture-of-experts: 9 млрд параметров всего, из которых 2 млрд активны при работе. Она принимает изображения и текстовые запросы и отвечает текстом, включая структурированные результаты для запросов к изображению, обнаружения объектов, указания точек и создания подписей. Модель предназначена для визуального анализа и рассуждений, а также для быстрого локального развёртывания или вызова через облачный API Moondream. Для локального запуска README указывает Photon: движок инференса поддерживает NVIDIA GPU поколения Ampere или новее и компьютеры Apple Silicon. Заявлены высокая скорость и низкая стоимость развёртывания, но количественные показатели качества и скорости в карточке не приведены. Репозиторий содержит веса в формате safetensors; лицензия обозначена как other, поэтому её конкретные условия следует сверить с опубликованным текстом лицензии.

Moonshine Tiny ZH — модель распознавания речи с архитектурой encoder-decoder на 27 млн параметров, разработанная Moonshine AI, ранее известной как Useful Sensors. Она преобразует аудио китайской речи в текст и рассчитана на разработчиков систем транскрибации, в том числе для устройств с ограниченными памятью и вычислительными ресурсами. Модель поддерживается библиотекой Transformers; в репозитории опубликованы веса в формате Safetensors, а размер контекста составляет 194 токена. Модель обучалась на китайской речи и предназначена прежде всего для автоматической транскрибации; карточка также называет её моделью для перевода речи, но описывает обучение и оценку главным образом для распознавания китайского языка. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория. Возможны галлюцинации и повторяющиеся фрагменты, особенно на коротких записях и аудио с обрезанными словами. Перед применением в конкретной предметной области нужна отдельная оценка качества; модель не предназначена для субъективной классификации людей или решений с высокими последствиями.

Reza2kn/openai_whisper-large-v3-turbo-NVFP4 — это квантованная версия модели openai/whisper-large-v3-turbo, разработанная Reza2kn на базе архитектуры Whisper. Модель предназначена для автоматического распознавания речи и ориентирована прежде всего на транскрибацию персидской речи. Она интегрируется с библиотекой Transformers и рассчитана на использование в сценариях ASR, где важны снижение требований к памяти и ускорение инференса на совместимом оборудовании. Модель использует посттренировочную NVFP4-квантизацию в формате W4A4: веса Linear-модулей энкодера и декодера представлены в 4-битном формате FP4, масштабирование выполняется с использованием FP8 и FP32, а активации динамически квантуются до FP4. Голова CTC lm_head или proj_out оставлена в полной точности. Калибровка выполнена на 32 персидских аудиофрагментах из Reza2kn/persian-asr-eval-v0. Целевое оборудование — тензорные ядра NVIDIA Blackwell с архитектурой sm_100 и выше; квантизация проводилась на RTX 5080 Laptop. В тесте на 200 фрагментах FLEURS-fa модель показала WER 24,18%, CER 8,30%, задержку 652 мс на фрагмент и пиковое использование видеопамяти 2156 MiB. Сильной стороной модели является существенное уменьшение представления весов и возможность эффективного запуска на совместимых GPU Blackwell при сохранении функциональности базовой Whisper-модели. Ограничения включают зависимость от поддержки NVFP4 и оборудования NVIDIA Blackwell, а также отсутствие в карточке подробных сведений о размере модели, максимальной длине контекста и качестве для других языков или модальностей. Модель наследует лицензию базовой модели; в README указана лицензия Apache-2.0.

OpenCaption-2B-VL-SFT-v1.0-i1-GGUF — квантованная GGUF-версия мультимодальной модели OpenCaption-2B-VL-SFT-v1.0, разработанной prithivMLmods и квантованной mradermacher. Модель предназначена для работы с изображениями и текстом, включая генерацию подписей к изображениям и visual question answering. Модель обучалась с учителем на наборах OpenCaption-FineGrained, SuperFlickr-30K-LARGE-Remastered, OpenCaption-UHD и OpenCaption-Unified-10K. В карточке указаны размер класса около 2B параметров, поддержка английского языка, архитектура vision-language и conditional generation. Доступны варианты GGUF с разными уровнями квантования и размером примерно от 0,6 до 1,4 ГБ; более компактные варианты экономят память, но могут снижать качество, тогда как Q4_K_M отмечен как быстрый и рекомендуемый. Сильными сторонами модели являются мультимодальность, специализация на детальном описании изображений и возможность запуска в ресурсоограниченных конфигурациях благодаря квантованию. Ограничения — заявленная языковая поддержка только английского, отсутствие в карточке сведений о размере контекстного окна, точных характеристиках базовой архитектуры и количественных результатах оценки, а также возможное ухудшение качества у наиболее агрессивных вариантов квантования. Модель распространяется по лицензии Apache-2.0.

Orpheus Telugu Female (QLoRA v1) — модель синтеза речи на телугу, дообученная разработчиком карточки на базе Orpheus. Она использует плотную причинную языковую модель LlamaForCausalLM размером 3,3 млрд параметров и голосовой префикс telugu_female. Модель принимает текст в формате «telugu_female: текст» и генерирует SNAC-аудиотокены, которые декодируются вокодером SNAC в монофонический звук PCM с частотой 24 кГц. Контекст модели — 131 072 токена. Модель предназначена для озвучивания текста женским голосом на телугу. При обучении применялся QLoRA: базовые веса в 4-битном формате NF4, вычисления bf16, ранг адаптера 64; обучающий набор включал около 48 часов речи с эталонными транскрипциями. По описанию, идентичность голоса проверялась измерением частоты основного тона. Модель не принимает аудио и не поддерживает клонирование голоса по образцу. Сгенерированная речь может быть тихой и требовать нормализации уровня. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.