I.15Доступность и ассистивные технологии

Arabic Large Nougat — модель OCR, разработанная Mohamed Rashad для преобразования изображений страниц арабских книг в структурированный текст, в том числе с разметкой Markdown. Она построена на архитектуре VisionEncoderDecoderModel с архитектурой Nougat и обучена с нуля на наборе данных MohamedRashad/arabic-img2md с токенизатором riotu-lab/Aranizer-PBE-86k. Модель принимает изображения и генерирует текст; заявленная максимальная длина контекста — 2048 токенов. Модель предназначена для оцифровки арабской литературы и извлечения текста из печатных материалов. Карточка указывает поддержку арабского и английского языков и лицензию GPL-3.0. Модель может повторять или ошибочно распознавать текст, а также генерировать нерелевантные пути к изображениям; длинные страницы могут быть транскрибированы не полностью. Результат следует проверять, особенно если важна точность.

canary-1b-flash-gguf — это GGUF-конверсия модели NVIDIA Canary 1B Flash, подготовленная handy-computer для использования с transcribe.cpp. Модель предназначена для офлайн-распознавания речи и перевода аудио в текст. Она принимает монофонические WAV-файлы с частотой 16 кГц и поддерживает автоматическое распознавание речи на английском, немецком, испанском и французском языках, а также двунаправленный перевод между английским и немецким, испанским или французским языком. Модель содержит около 883 млн параметров и использует архитектуру encoder-decoder: 32-слойный энкодер FastConformer и 4-слойный Transformer-декодер. Доступны варианты с квантованием F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 677 МБ до 3,56 ГБ. На тесте LibriSpeech test-clean заявленная WER составляет около 1,59–1,65% в зависимости от варианта. Модель поддерживает перевод, но не работает в потоковом режиме; в данной версии временные метки слов и сегментов недоступны, а автоматическое определение языка не поддерживается. Модель подходит для локальных и ресурсоограниченных сценариев распознавания речи и перевода без внешнего языкового сервиса. Квантованные варианты снижают требования к памяти при небольшом изменении качества, однако фактическая скорость зависит от оборудования и используемого backend. Распространяется по лицензии CC-BY-4.0, унаследованной от базовой модели, и допускает коммерческое использование согласно указанным условиям.

CogVLM2-Llama3-Chat-19B — чат-модель с визуальным вводом от ZhipuAI, построенная на Meta-Llama-3-8B-Instruct. По карточке семейства модель предназначена для диалога и ответов на вопросы по изображениям; особенно отмечены результаты в задачах TextVQA и DocVQA. Модель поддерживает контекст до 8 192 токенов и изображения разрешением до 1344 × 1344 пикселей. Карточка указывает для этой версии английский язык; двуязычная поддержка китайского и английского относится к отдельной версии семейства. Метаданные описывают архитектуру как CogVLMForCausalLM и указывают 8,3 млрд параметров, тогда как README приводит размер семейства 19 млрд. Доступны веса в формате safetensors и чат-возможность. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

NVIDIA DAM-3B-Self-Contained — мультимодальная модель для подробного и локализованного описания изображений и видео. Она разработана NVIDIA совместно с University of California, Berkeley и UCSF, а в качестве базовой модели использует Efficient-Large-Model/VILA1.5-3b. Модель предназначена для задач image-text-to-text и относится к библиотеке describe-anything. DAM поддерживает анализ визуального содержимого с формированием детализированных текстовых описаний. По представленному примеру она может работать с выделенными областями изображения, заданными точками или ограничивающей рамкой; для сегментации используется связка с Segment Anything Model (SAM). Это делает модель подходящей для описания отдельных объектов и локальных частей сцен, а также для сценариев, связанных с визуальным анализом изображений и видео. Заявленный язык модели — английский. Размер модели составляет около 3 миллиардов параметров, однако точная архитектура мультимодального компонента, максимальная длина контекста и подробные характеристики поддержки видео в README не указаны. Для запуска требуется загрузка модели с использованием trust_remote_code и, вероятно, значительные вычислительные ресурсы; пример ориентирован на работу с GPU и использует вычисления в формате float16. Модель распространяется по NVIDIA Non-Commercial License, поэтому её использование ограничено условиями этой лицензии.

Это конвертированная в формат CTranslate2 модель Whisper-small для распознавания речи в лекциях на китайском и английском языках. Её подготовили для использования с faster-whisper и Speaches на основе Creaturelove7/whisper-small-lora-ntu-ml2021, где LoRA-адаптер объединён с openai/whisper-small. Модель принимает аудио и выдаёт текст; результат нормализуется в упрощённый китайский с сохранением английских технических терминов. В README сообщается, что на 11 919 отложенных тестовых высказываниях базовая дообученная модель показала CER 8,51% против 25,53% у исходной Whisper-small; также заявлена устойчивость поведения при int8-квантизации. Репозиторий распространяет веса в формате CTranslate2 с точностью float16. Лицензия — Apache-2.0. Оценка качества и ограничения унаследованы от базовой модели и её адаптера.

Модель dkingtutcd/gemma-3-4b — дообученная разработчиком dkingtutcd версия Gemma 3 4B Instruct с поддержкой изображений и текста. Она предназначена для диалогов и задач, где нужно отвечать на вопросы по изображениям или сочетать визуальный ввод с текстовыми запросами. Модель построена на плотной архитектуре Gemma 3 и выдаёт текст; карточка указывает английский язык и формат весов Safetensors. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Лицензия — Apache-2.0. Подробности о наборе данных и оценке качества в карточке отсутствуют.

Мультимодальная модель семейства Gemma 4, дообученная ersindemirel94 на базе unsloth/gemma-4-E4B-it-unsloth-bnb-4bit. Она предназначена для диалога и генерации текстовых ответов по текстовым и визуальным входным данным. Модель относится к архитектуре Gemma4ForConditionalGeneration и распространяется в формате Safetensors. В карточке указано, что обучение проводилось с использованием Unsloth и библиотеки TRL. Для текстовой части заявлена поддержка английского языка. Лицензия — Apache-2.0.

Это конвертированные в ONNX модели GigaAM v2, подготовленные для запуска через библиотеку onnx-asr. Репозиторий содержит варианты архитектуры CTC и RNN-T для автоматического распознавания речи; пример применения из карточки — транскрибация WAV-файла. Модель предназначена для распознавания русской речи по аудио. ONNX позволяет использовать её в совместимой среде выполнения, включая CPU-вариант onnx-asr. Репозиторий распространяется по лицензии MIT. Размер моделей и длина контекста в предоставленных данных не приведены.

Granite Speech 4.1 2B GGUF — это квантизированная версия мультимодальной аудиоязыковой модели IBM Granite Speech 4.1 2B, подготовленная проектом handy-computer для работы с transcribe.cpp. Модель предназначена для офлайн-распознавания речи и автоматического перевода речи между английским, французским, немецким, испанским, португальским и японским языками. Перевод выполняется только между английским и каждым из пяти других языков, без прямых направлений вроде французский—немецкий. Входные данные — монофонические WAV-файлы с частотой 16 кГц. Архитектура включает Conformer-энкодер с локальным вниманием Shaw, проектор BLIP-2 Q-Former и авторегрессионный декодер Granite-4.0-1b-base. Размер модели — около 2 млрд параметров. Поддерживаются ASR, speech-to-text и speech translation; автоматическое определение языка, потоковая обработка и временные метки не поддерживаются. Доступны варианты BF16, F16 и квантизации Q8_0, Q6_K, Q5_K_M и Q4_K_M объёмом примерно от 1,60 до 4,63 ГБ. На LibriSpeech test-clean заявленная WER составляет 1,29–1,37% в зависимости от варианта, а опубликованные результаты для других языков показывают WER 4,14–9,80% и CER 6,3% для японского. Модель сочетает компактность, офлайн-работу, многоязычность и улучшенные пунктуацию и регистр по сравнению с Granite Speech 4.0 1B. Ограничения включают необходимость предварительного преобразования аудио в формат 16 кГц mono WAV, отсутствие streaming, определения языка и временных меток, а также ограниченный набор языков и направлений перевода. Распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

Hamsa (همسة) — модель автоматического распознавания речи от NADSOFT, созданная на основе Whisper и предназначенная для транскрибирования арабской речи. Она содержит 455,8 млн параметров и обучалась на аудиоданных, включая наборы Jordan-Audio, FLEURS и Common Voice 11. Модель ориентирована на арабский язык и особенности речи Ближнего Востока и Северной Африки; для набора Jordan-Audio указана оценка WER 18,22. Модель подходит для преобразования арабской речи в текст, в том числе в задачах транскрибации записей. Разработчик отмечает, что система находится в разработке. Лицензия Apache-2.0.

Hviske v5 — модель распознавания датской речи, разработанная Syvai. Это плотная encoder-decoder архитектура Conformer с 2 млрд параметров, обученная примерно на 3,5 млн аудиозаписей общей длительностью около 16 тысяч часов из семи датских наборов данных. Модель принимает аудио и преобразует речь в текст; её основное назначение — транскрибация датской речи. В README приведены результаты оценки на парламентских записях, вещательных материалах и других датских речевых данных. Например, WER составил 6,4% на ftspeech и 5,7% на nota в указанной выборке. Для семейства уже доступна более новая версия v5.3, рекомендованная автором и показывающая лучшие результаты на тесте CoRal v3; v5 сохранена для воспроизводимости. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

ICver6dcocoswingpt250Bpc1e — модель преобразования изображений в текст на основе архитектуры VisionEncoderDecoder. Она дообучена VK246 на датасете COCO от базовой модели VK246/IC_ver6c_coco_swin_gpt2_50Apc_1e. Модель предназначена для генерации текстовых описаний изображений; карточка приводит результаты оценки на тестовом наборе COCO: Loss 0,7897, ROUGE-1 42,1846, ROUGE-2 16,6343, ROUGE-L 38,2927 и BLEU 10,4949. Размер модели, поддерживаемые языки и условия лицензии в доступных сведениях не приведены. Описание модели и её ограничений в карточке не раскрыто; качество может зависеть от изображений и распределения данных.

InternVL3.5-2B-Flash — мультимодальная чат-модель семейства InternVL3.5, разработанного OpenGVLab. Она принимает изображения вместе с текстовыми запросами и формирует текстовые ответы, поэтому подходит для диалога по изображениям и решения визуально-текстовых задач. Вариант Flash использует Visual Resolution Router для динамической настройки разрешения визуальных токенов; семейство также описывает раздельное размещение зрительной и языковой частей при обслуживании модели. Модель построена на архитектуре InternVLChat и дообучена на OpenGVLab/InternVL3_5-2B; карточка связывает обучение с наборами MMPR-v1.2 и MMPR-Tiny. Карточка характеризует семейство как многоязычное, но конкретные языки не перечисляет. Модель распространяется под лицензией Apache-2.0. В предоставленной карточке нет численных данных о размере контекста или подробной оценки качества именно версии 2B-Flash.

InternVL3.5-4B-Instruct — мультимодальная модель семейства InternVL3.5, разработанная OpenGVLab и предназначенная для диалогового взаимодействия с изображениями и текстом. Это плотная архитектура InternVLChat, дообученная на базе OpenGVLab/InternVL3_5-4B-Pretrained; модель распространяется в формате safetensors и работает через Transformers. Модель подходит для вопросов по изображениям, визуального рассуждения, распознавания текста на изображениях, анализа нескольких изображений и диалоговых сценариев с визуальным контекстом. Семейство InternVL3.5 также заявляет возможности взаимодействия с графическими интерфейсами и агентные сценарии, однако README не уточняет их поддержку именно версией 4B-Instruct. Модель принимает изображения и текст и формирует текстовые ответы; контекстное окно и конкретный список поддерживаемых языков для этого чекпойнта не приведены. Авторы описывают для семейства улучшения рассуждений с помощью Cascade RL и ускорение обработки изображений через Visual Resolution Router, но количественные результаты в README относятся к семейству в целом. Модель выпущена под лицензией Apache-2.0. Как и другие мультимодальные генеративные модели, она может ошибаться в визуальных деталях и ответах; заявленные возможности семейства не гарантируют одинакового качества на версии 4B.

Модель gateremark/kikuyu_translategemma_12b_merged — дообученная версия Google Translate Gemma 3 12B, созданная gateremark на базе google/translategemma-12b-it. Она предназначена для перевода текста и извлечения текста с переводом по изображениям; поддержка визуального ввода указана в метаданных. Модель использует плотную архитектуру Gemma 3, распространяется в формате safetensors и доступна по лицензии Apache-2.0. Базовая TranslateGemma поддерживает перевод между 55 языками. Карточка этой производной версии не уточняет, какие именно языки или сценарии перевода покрыты её дообучением; язык en указан в тегах карточки. README сообщает об обучении с Unsloth и библиотекой TRL, но не приводит оценок качества.

Это версия Llama 3.2 Vision, размещённая Unsloth и основанная на Meta Llama 3.2 11B Vision. Модель использует плотную мультимодальную архитектуру Mllama и предназначена для обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. Репозиторий содержит веса в формате safetensors и пример ноутбука Unsloth для дообучения модели с меньшими затратами памяти. Модель подходит для визуальных вопросов и ответов, описания изображений и других диалоговых сценариев, где нужно связать изображение с текстом. В карточке Unsloth не приведены отдельные параметры длины контекста или точные языковые характеристики именно этой версии. В README Llama 3.2 перечислены английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский как официально поддерживаемые языки. Использование регулируется лицензией Llama 3.2 Community License — специальной лицензией с коммерческими условиями.

xtuner/llava-phi-3-mini-hf — мультимодальная модель семейства LLaVA, разработанная XTuner и дообученная на базе microsoft/Phi-3-mini-4k-instruct с визуальным энкодером CLIP-ViT-Large-patch14-336. Репозиторий содержит веса в формате LLaVA для Hugging Face Transformers; архитектура — плотная генеративная модель с поддержкой чата и обработки изображений. Модель предназначена для диалога по изображениям: она принимает изображение и текстовый запрос и формирует текстовый ответ, например, описывает сцену, отвечает на вопросы о содержимом изображения или помогает разбирать визуальные материалы. В README указано дообучение с использованием ShareGPT4V-PT и InternVL-SFT; метаданные также связывают модель с набором ShareGPT4V. Это компактный вариант на Phi-3-mini, однако доступные сведения не подтверждают размер параметров или контекст итоговой модели. Модель ориентирована на визуальные вопросы и ответы, но качество может различаться между типами изображений и задачами. Лицензия в предоставленных данных не указана.

Карточка модели Ank0X0/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели txchmechanicus/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

MiniCPM-V-2_6-GGUF — набор GGUF-квантизованных версий мультимодальной модели MiniCPM-V-2_6, разработанной командой OpenBMB и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для задач image-text-to-text, включая анализ изображений, OCR, работу с несколькими изображениями и видео. Заявлена поддержка мультиязычных сценариев, однако конкретный перечень языков в представленном README не указан. Модели используют llama.cpp и квантизацию с применением imatrix; по заявлению автора, это должно улучшать работу текстовой части модели. Доступны варианты от F16 размером 15,23 ГБ до низкобитных IQ2_M и Q2_K размером около 2,78–3,01 ГБ. Варианты Q6_K и Q6_K_L обеспечивают очень высокое качество, а Q4_K_M рекомендуется как компромисс между качеством и размером. Варианты с суффиксом L используют Q8_0 для embedding- и output-весов, что потенциально может повысить качество, но автор отмечает, что эффект зависит от практического использования. Модель подходит для локального запуска через llama.cpp и LM Studio при наличии совместимого оборудования; требуемые ресурсы зависят от выбранного варианта квантизации. README не содержит сведений о размере базовой модели в параметрах, длине контекста, точной архитектуре, ограничениях мультимодальных входов или результатах бенчмарков. Лицензия в представленном описании не указана.

openbmb/MiniCPM-V-4.6-Thinking-AWQ — квантизированная версия мультимодальной модели MiniCPM-V 4.6 Thinking, разработанной командой OpenBMB. Это вариант AWQ с квантованием W4A16 на базе AutoAWQ, предназначенный для эффективного запуска задач понимания изображений и видео, включая сложное мультимодальное рассуждение, математику и OCR-нагруженные сценарии. Модель использует ориентированную на периферийные устройства архитектуру с визуальным энкодером SigLIP2-400M и языковой моделью Qwen3.5-0.8B, а также смешанное сжатие визуальных токенов 4x/16x. Вариант Thinking формирует явную цепочку рассуждений перед итоговым ответом. Поддерживаются изображения и видео; заявлена возможность развёртывания на iOS, Android и HarmonyOS. Сведения о поддерживаемых языках и размере контекста в карточке не указаны. К сильным сторонам относятся компактность, сниженные требования к памяти благодаря AWQ-квантованию, пригодность для on-device-сценариев и улучшенная работа со сложными мультимодальными задачами. Ограничениями являются зависимость эффективности от совместимости программного окружения и видеодекодера, а также возможная потеря точности по сравнению с исходными BF16-весами вследствие квантования. Модель распространяется по лицензии Apache-2.0.

openbmb/MiniCPM-V-4.6-Thinking-GPTQ — GPTQ-квантизированная версия мультимодальной модели MiniCPM-V 4.6 Thinking, разработанной командой OpenBMB. Модель предназначена для понимания изображений и видео, включая сложные мультимодальные рассуждения, математические задачи и сценарии с интенсивным использованием OCR. Она генерирует явную цепочку рассуждений перед итоговым ответом. Модель использует архитектуру, ориентированную на эффективную работу на периферийных устройствах: визуальный энкодер SigLIP2-400M и языковую модель Qwen3.5-0.8B, а также смешанное сжатие визуальных токенов 4x/16x. Данная версия имеет квантизацию GPTQ W4A16 и рассчитана на использование через Transformers. Поддерживаются входы в виде изображений и видео; заявлена возможность развертывания на iOS, Android и HarmonyOS. Сведения о поддерживаемых языках и размере контекстного окна в карточке не указаны. К сильным сторонам относятся низкие требования к ресурсам, пригодность для мобильных и edge-сценариев, обработка изображений и видео, а также улучшенное качество на сложных задачах благодаря режиму рассуждений. Ограничения связаны с тем, что это квантизированная версия базовой модели и что подробные результаты бенчмарков, поддерживаемые языки и контекст не приведены. Модель распространяется по лицензии Apache-2.0.

mms-300m-1130-forced-aligner-ONNX — ONNX-версия модели MahmoudAshraf/mms-300m-1130-forced-aligner, автоматически конвертированная и опубликованная сообществом onnx-community на Hugging Face. Модель основана на MMS-300M и преобразована для использования с Transformers.js; исходный чекпойнт подготовлен из torchaudio-модели и обучен на наборе данных для forced alignment. Модель предназначена для принудительного выравнивания известного текста и аудиозаписи: она помогает определить временные интервалы произносимых токенов, слов или фрагментов текста и получать временные метки слов. Это подходит для транскрибации с таймкодами, синхронизации текста с речью и анализа речевых записей. Для работы используются аудиофайл, текст и ISO-639-3-код языка; README также указывает поддержку более чем ста языков, включая русский, английский, немецкий, французский, китайский, японский и другие. Ключевая характеристика модели — архитектура на базе wav2vec2/MMS-300M с CTC-подходом и форматом ONNX. Версия ориентирована на запуск через Transformers.js, а исходный Python-процесс включает загрузку аудио, генерацию эмиссий, предварительную обработку текста, выравнивание и расчёт временных интервалов. README не содержит точных сведений о размере ONNX-файлов, длине контекста, метриках качества или ограничениях по длительности аудио. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с обязательной атрибуцией, но ограничивающей коммерческое применение.

Parakeet RNNT 0.6B — модель автоматического распознавания речи, совместно разработанная командами NVIDIA NeMo и Suno.ai. Эта версия представляет собой конвертацию базовой модели nvidia/parakeet-rnnt-0.6b в формат GGUF для использования с transcribe.cpp, подготовленную handy-computer. Модель предназначена для офлайн-транскрибации английской речи в текст. Она использует архитектуру FastConformer-Large примерно на 600 млн параметров с декодером RNN-T и жадным декодированием без внешней языковой модели. Поддерживается английский язык; результат выводится в нижнем регистре без пунктуации. Доступны варианты F32, F16 и квантованные версии Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 476 МБ до 2,47 ГБ. Сильная сторона модели — высокая точность на английской речи: показатель WER на LibriSpeech test-clean составляет 1,62% для большинства вариантов и 1,66% для Q4_K_M. Модель не поддерживает потоковую обработку, перевод и автоматическое определение языка, поэтому рассчитана на пакетную обработку заранее записанных аудиофайлов. Лицензия — CC-BY-4.0, унаследованная от базовой модели.

Parakeet TDT+CTC 110M GGUF — это конвертированная и квантованная версия англоязычной модели автоматического распознавания речи NVIDIA Parakeet TDT+CTC 110M. Конверсию в формат GGUF и поддержку выполнения через CrispASR подготовил проект CrispStrobe/CrispASR; обучение, дообучение и изменение архитектуры в этом репозитории не выполнялись. Модель предназначена для транскрибации монофонической аудиозаписи с частотой 16 кГц, включая пакетную обработку и запуск на устройствах с ограниченными ресурсами. Она распознаёт только английскую речь и формирует текст с сохранением регистра и пунктуации. Доступны варианты F16 размером около 230 МБ, Q8_0 около 139 МБ и рекомендуемый Q4_K около 91 МБ. Заявлена производительность примерно до 45-кратного реального времени на M1 Metal для Q4_K. Архитектура включает 17-слойный FastConformer-энкодер примерно на 110 млн параметров, 1-слойный LSTM-предиктор, гибридные TDT и CTC-головы, а также словарь из 1024 SentencePiece-токенов. В CrispASR по умолчанию используется CTC-декодирование, поскольку упрощённый однос层ный предиктор недостаточен для полноценного TDT-декодирования. Сильные стороны модели — малый размер, низкие требования к оперативной памяти и высокая скорость; ограничение — только английский язык и более низкое качество по сравнению с крупными вариантами Parakeet, включая возможные ошибки в отдельных словах. Распространяется по лицензии CC-BY-4.0 с условиями исходной модели NVIDIA.

ihanif/pashto-asr-v6 — модель автоматического распознавания речи, разработанная как дообучение ihanif/pashto-asr-v5 на наборе Common Voice 19.0. Она использует архитектуру Wav2Vec2-BERT с CTC-декодером и содержит около 402,7 млн параметров. Модель предназначена для преобразования речи на пушту в текст; в оценке указана метрика WER 30,1268. Модель подходит для транскрибирования записей на пушту, включая голосовые сообщения и речевые материалы общего назначения. В карточке нет сведений о контекстном окне или дополнительных режимах работы. Лицензия в предоставленных данных не указана.

Это 8-битная версия Qwen2.5-VL-72B-Instruct, подготовленная сообществом mlx-community: исходную модель преобразовали в формат MLX с помощью mlx-vlm 0.1.11. Она принимает текст и изображения и предназначена для диалогового анализа визуального содержимого, включая ответы на вопросы по изображениям и генерацию текстовых ответов. Модель имеет плотную архитектуру Qwen2.5-VLForConditionalGeneration, около 71,5 млрд параметров и контекст до 128 000 токенов; заявлены чат и интерфейс вызова инструментов. Модель подходит для мультимодальных сценариев, где нужно сочетать текстовые запросы с изображениями. В карточке этой версии не приведены подробности об обучении, видеовозможностях или поддерживаемых языках сверх английского в тегах; сведения о применении и ограничениях следует сверять с карточкой исходной модели. Лицензия указана как other, поэтому условия использования нужно уточнить в оригинальной карточке Qwen/Qwen2.5-VL-72B-Instruct.

MLX-версия мультимодальной инструкционной модели Qwen2.5-VL-7B-Instruct, подготовленная сообществом mlx-community и преобразованная с помощью mlx-vlm 0.1.11. Модель содержит 7,1 млрд параметров и предназначена для диалоговой работы с изображениями: принимает текстовые запросы и изображения, чтобы отвечать на вопросы и описывать визуальное содержимое. Каталог также указывает поддержку видео и интерфейс вызова инструментов. Модель основана на плотной архитектуре Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Карточка описывает преобразование в формат MLX; в метаданных указаны файлы safetensors. Модель ориентирована на английский язык. Лицензия — Apache 2.0. README отсылает к карточке базовой модели за подробностями; качество распознавания и ограничения конкретной 3-битной версии отдельно не описаны.

andrzejmontano/Qwen3.5-9B-MTP-Mixed-8bit — мультимодальная модель семейства Qwen3.5 на 9 млрд параметров, подготовленная автором репозитория как смешанно-квантованная версия Qwen/Qwen3.5-9B. Она предназначена для диалога и задач «изображение—текст», включая анализ изображений и видео. Архитектура включает 32 слоя с чередованием линейного SSM-подобного внимания и полного внимания, 27-блочный визуальный трансформер и голову предсказания нескольких токенов. Модель принимает текст, изображения и видео, а выдаёт текст; в метаданных заявлены английский язык, чат и интерфейс вызова инструментов. Для экономии памяти до 8 бит квантованы только проекции MLP языковой части с размером группы 64; визуальный блок, механизмы внимания, эмбеддинги и голова MTP сохранены в BF16. Репозиторий использует формат MLX и safetensors, модель рассчитана на эффективный локальный инференс на совместимой платформе. Автор предупреждает о возможном небольшом ухудшении качества на отдельных случаях относительно BF16. Для сохранения MTP-ключей при загрузке через стандартный mlx-vlm требуются патчи из скрипта; README рекомендует oMLX. Лицензия — Apache-2.0.

Qwen3.8 Max Prime — вариант с повышенной пропускной способностью модели Qwen3.8 Max от команды Qwen компании Alibaba. Он предлагается как отдельный SKU по более высокой цене и принимает текст, изображения и видео. Метаданные каталога классифицируют модель для задачи image-text-to-text, поэтому она подходит для обработки визуального содержимого вместе с текстовыми запросами. Данных о базовой модели, архитектуре, поддерживаемых языках, ограничениях и лицензии в предоставленной карточке нет.