I.15Доступность и ассистивные технологии

Breeze-ASR-25-gguf — это набор GGUF-конвертаций модели Breeze-ASR-25, разработанной MediaTek Research и адаптированной для работы с transcribe.cpp. В основе лежит Whisper large-v2: encoder-decoder Transformer с обработкой аудио окнами по 30 секунд и чанковой расшифровкой длинных записей. Модель предназначена для автоматического распознавания речи, перевода, определения языка и получения сегментных временных меток. Модель оптимизирована для тайваньского мандаринского диалекта и английского языка, включая переключение между мандаринским и английским внутри одного предложения и между предложениями. Она выводит традиционный китайский и сохраняет токенизатор Whisper для 99 языков, однако остальные языки не оптимизировались и не проходили заявленную валидацию. Обучение проводилось примерно на 11 749 часах данных: синтетической китайской речи, английских записях Common Voice и реальных примерах китайско-английского переключения. Потоковый режим не поддерживается. Доступны варианты BF16, F16 и квантизации Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 997 МБ до 3,11 ГБ. На заявленных тестах показатели составляют 2,25–2,29% WER на LibriSpeech test-clean и 8,08–8,12% CER на китайском тесте FLEURS после приведения традиционного письма к упрощённому. Ключевые ограничения — специализация прежде всего на мандаринском и английском, отсутствие потоковой обработки и зависимость от transcribe.cpp. Модель распространяется по лицензии Apache-2.0.

Карточка модели dddv587/CogFlorence-2.2-Large на Hugging Face совпадает с карточкой thwri/CogFlorence-2.2-Large, поэтому описание составлено по ней. thwri/CogFlorence-2.2-Large — дообученная версия Florence-2-large от Microsoft, адаптированная для описания изображений. Её обучали на подмножестве из 40 000 изображений Ejafa/ye-pop с подписями, созданными THUDM/cogvlm2-llama3-chat-19B и обработанными google/gemma-2-9b. Модель принимает изображения и выдаёт текстовые описания; её основной сценарий — создание подписей к разнообразным изображениям. В основе лежит архитектура Florence 2, веса хранятся в формате safetensors. В метаданных указаны английский язык и библиотека Transformers. Репозиторий распространяется по лицензии MIT. Настройка ориентирована на подписи к изображениям; README не приводит результатов оценки качества или подробностей о поддержке других задач Florence-2-large. Поэтому пригодность для OCR, обнаружения объектов и других задач базовой модели отдельно не подтверждена.

Карточка модели dngerle/CogFlorence-2.2-Large на Hugging Face совпадает с карточкой thwri/CogFlorence-2.2-Large, поэтому описание составлено по ней. thwri/CogFlorence-2.2-Large — дообученная версия Florence-2-large от Microsoft, адаптированная для описания изображений. Её обучали на подмножестве из 40 000 изображений Ejafa/ye-pop с подписями, созданными THUDM/cogvlm2-llama3-chat-19B и обработанными google/gemma-2-9b. Модель принимает изображения и выдаёт текстовые описания; её основной сценарий — создание подписей к разнообразным изображениям. В основе лежит архитектура Florence 2, веса хранятся в формате safetensors. В метаданных указаны английский язык и библиотека Transformers. Репозиторий распространяется по лицензии MIT. Настройка ориентирована на подписи к изображениям; README не приводит результатов оценки качества или подробностей о поддержке других задач Florence-2-large. Поэтому пригодность для OCR, обнаружения объектов и других задач базовой модели отдельно не подтверждена.

Карточка модели manaladan6/cogvlm2-llama3-chat-19B на Hugging Face совпадает с карточкой zai-org/cogvlm2-llama3-chat-19B, поэтому описание составлено по ней. 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.

DolphinVision 72B — мультимодальная модель, созданная Quan Nguyen, Eric Hartford и Cognitive Computations. Она дообучена на базе Qwen2-72B и предназначена для диалогов, генерации текста и анализа изображений: модель может отвечать на вопросы о содержимом изображений и описывать его. Модель содержит 71,5 млрд параметров, использует архитектуру llava-qwen2 и поддерживает контекст до 131 072 токенов. В README приведены результаты на наборах VQA v2, MMBench, MMMU, MathVista и RealWorldQA. Авторы характеризуют её как uncensored и отмечают способность обсуждать изображения, от которых могут отказаться другие модели. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели. Это крупная модель, для запуска которой требуются значительные вычислительные ресурсы; приведённые бенчмарки не гарантируют качество на любых данных.

droplychee-2.1-27b — дообученная разработчиком droplychee мультимодальная плотная модель семейства Qwen3.5 на базе Qwen/Qwen3.8-27B. Она предназначена для диалога с текстом и изображениями и может использоваться в сценариях, где нужно учитывать визуальный контекст при ответе. В метаданных указаны поддержка vision и интерфейс вызова инструментов; размер базовой модели — 27 млрд параметров. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка сообщает, что обучение выполнялось с Unsloth и библиотекой Hugging Face TRL. Данные не описывают конкретные наборы для дообучения, оценку качества или длину контекста, поэтому эти характеристики нельзя установить по доступной информации.

Falcon2-11B-vlm — мультимодальная модель компании TII с 11 млрд параметров. Она построена на дообученной для диалога языковой модели Falcon2-11B и использует визуальный энкодер CLIP ViT-L/14; для изображений высокого разрешения применяется динамическое кодирование, помогающее распознавать мелкие детали. Модель предназначена для ответов на вопросы об изображениях и других сценариев взаимодействия с изображениями и текстом. Она обучалась на более чем 5 трлн токенов RefinedWeb и отобранных корпусах, а визуальные возможности добавлены обучением на парах изображение—текст. Основной язык — английский; заявлена также поддержка немецкого, испанского, французского, итальянского, португальского, польского, нидерландского, румынского, чешского и шведского, но качество на других языках может быть ограниченным. Модель выпущена под лицензией TII Falcon License 2.0 на основе Apache 2.0 с политикой допустимого использования. Карточка предостерегает от производственного применения без оценки рисков и мер снижения вреда. Модель может наследовать стереотипы и предвзятость из веб-данных; для запуска с Transformers требуется PyTorch 2.0.

Huihui-Qwen3-VL-2B-Thinking-abliterated — дообученная версия мультимодальной модели Qwen3-VL-2B-Thinking от huihui-ai. Разработчик применил abliteration к текстовой части модели, чтобы снизить количество отказов; визуальная часть не изменялась. Модель принимает текст и изображения и предназначена для диалогового анализа изображений и визуальных вопросов, включая OCR и рассуждения по содержимому изображения. Модель построена на плотной архитектуре Qwen3-VL и распространяется в формате safetensors для библиотеки Transformers. В карточке также приведён сценарий запуска через Ollama. Лицензия — Apache-2.0. Изменение снижает защитную фильтрацию и может приводить к чувствительным, спорным или неподходящим ответам; результаты следует проверять. Автор отмечает проблемы качества у GGUF-файлов и сообщает об обновлении модели.

IDEFICS-80B-Instruct — мультимодальная модель, разработанная Hugging Face как открытая реализация подхода Flamingo. Она принимает текстовые запросы вместе с одной или несколькими изображениями и генерирует текст; также может работать как языковая модель без изображений. Архитектура объединяет визуальный энкодер CLIP ViT-H/14 и языковую модель LLaMA-65B, связанные новыми блоками Transformer с перекрёстным вниманием. В метаданных указано 65 млрд параметров; модель опубликована в форматах PyTorch и Safetensors. Модель предназначена для ответов на вопросы по изображениям, описания визуального содержимого, классификации изображений и создания историй, опирающихся на несколько изображений. Версия Instruct дополнительно обучена на наборах для supervised и instruction fine-tuning, что улучшает следование инструкциям и диалоговое взаимодействие. В карточке заявлены сильные результаты на визуально-текстовых бенчмарках и обучение на примерах в контексте. Основной язык — английский. Модель может ошибаться в фактах, особенно при вводящих в заблуждение изображениях, и воспроизводить вредные стереотипы; её ответы не следует считать достоверным источником без проверки. Лицензия указана как other, а README отсылает к отдельному разделу лицензии без уточнения условий в предоставленном тексте.

InternVL3.5-2B — компактная мультимодальная чат-модель семейства InternVL3.5, разработанного OpenGVLab. Это дообученная версия OpenGVLab/InternVL3_5-2B-MPO с архитектурой InternVLChatModel; веса опубликованы в формате safetensors и доступны для запуска через Transformers по лицензии Apache-2.0. Модель принимает изображения и текст и генерирует текстовые ответы в диалоге. Она предназначена для вопросов об изображениях и мультимодальных сценариев, где нужно совместно учитывать визуальный и текстовый контекст. В описании семейства отмечены улучшения рассуждений благодаря Cascade RL и эффективности визуальной обработки благодаря Visual Resolution Router; конкретные показатели этих улучшений для версии 2B не приведены. Модель отмечена как многоязычная. Карточка не приводит для этой конкретной версии длину контекста и подробные ограничения по качеству; результаты могут зависеть от сложности изображения и запроса. Лицензия Apache-2.0 разрешает использование на её условиях.

Модель reazon-research/japanese-hubert-base-k2-rs35kh-bpe разработана Reazon Research: это HuBERT Base, дообученная с помощью фреймворка k2 на крупном японском корпусе распознавания речи ReazonSpeech v2.0. Модель содержит 115,6 млн параметров и предназначена для преобразования японской речи в текст; для работы доступна через библиотеку Transformers. В тестах авторов модель показала CER 11,07% в среднем на трёх наборах данных: JSUT-BASIC5000, Common Voice и TEDxJP-10K. Для длинной речи на JSUT-BOOK CER составил 84,55%, что указывает на существенное ограничение в таком сценарии. Модель принимает аудио и выдаёт текст. Распространяется по лицензии Apache-2.0.

LLaVA-OneVision Qwen2 7B — мультимодальная модель семейства LLaVA, разработанная командой LMMS Lab и основанная на языковой модели Qwen2. Она сочетает визуальный энкодер SO400M с языковой частью Qwen2 и содержит 7,1 млрд параметров; контекст — до 32 768 токенов. Репозиторий распространяет веса в формате Safetensors, для работы используется Transformers. Модель предназначена для диалогового взаимодействия с изображениями, несколькими изображениями и видео: она принимает визуальные данные и текстовые запросы и формирует текстовые ответы. Обучение включало этапы с данными для одиночных изображений, нескольких изображений и видео. В карточке заявлена поддержка английского и китайского языков. Модель распространяется по лицензии Apache-2.0. Карточка предупреждает об ограничениях модели, но не уточняет их; качество ответов может зависеть от входного изображения или видео и формулировки запроса.

Malaysian Finetune Whisper Base — модель автоматического распознавания речи на базе Whisper Base, дообученная разработчиками Mesolitica на малайзийских аудиоданных. В обучении использовались наборы IMDA STT и Malay Conversational Speech Corpus, синтетические метки для малайзийских видео и аудиокниг Nusantara, а также закрытый Haqkiem TTS Dataset. Модель предназначена для транскрибации стандартной и местной разновидностей малайского языка, а также стандартного английского и малайско-английской разговорной речи Manglish. В репозитории указано 51,7 млн параметров; архитектура — WhisperForConditionalGeneration. Для обработки аудио длиннее 30 секунд README рекомендует разбивать его на фрагменты до 30 секунд и распознавать отдельно. Карточка показывает формат весов Safetensors. Лицензия в предоставленных данных не указана.

MiDashengLM-7B-1021-GGUF — аудиоязыковая модель MiSpeech, представленная в виде GGUF-сборок для локального запуска. Это производная модель, связанная с Qwen/Qwen2.5-Omni-7B и mispeech/dasheng-0.6B; README указывает на fp32-версию как источник конвертированных GGUF-файлов. Модель принимает аудио и текстовые инструкции и формирует текстовые ответы в диалоге. Модель предназначена для описания аудио, распознавания речи, классификации звуков и паралингвистических признаков, а также ответов на вопросы по аудио. В README приведены результаты на тестах музыкальных и звуковых подписей, ASR, классификации и аудиовопросов. Доступны варианты GGUF в точностях от BF16 и F32 до низкобитных квантований. Для запуска требуется форк llama.cpp разработчиков; лицензия репозитория — Apache-2.0.

openbmb/MiniCPM-V-4.6-GPTQ — GPTQ-квантизированная версия мультимодальной модели MiniCPM-V 4.6, разработанной OpenBMB. Модель предназначена для понимания изображений и видео, включая анализ одного или нескольких изображений, работу с визуальными вопросами и сценарии локального запуска на мобильных и периферийных устройствах. В основе лежат визуальный энкодер SigLIP2-400M и языковая модель Qwen3.5-0.8B. Версия использует квантизацию W4A16 в формате GPTQModel и смешанное сжатие визуальных токенов 4x/16x, позволяющее выбирать баланс между точностью и скоростью. Заявлены снижение вычислений визуального энкодера более чем на 50%, примерно в 1,5 раза большая пропускная способность по сравнению с Qwen3.5-0.8B и поддержка платформ iOS, Android и HarmonyOS. Модель также интегрируется с Transformers, vLLM, SGLang, llama.cpp и Ollama; доступны средства дообучения через SWIFT и LLaMA-Factory. Сильные стороны модели — компактность, энергоэффективность, мультимодальное понимание и пригодность для on-device-развёртывания. README не указывает поддерживаемые языки, размер контекста и подробные ограничения качества; фактическая точность может зависеть от выбранного уровня визуального сжатия и квантизации. Модель распространяется по лицензии Apache-2.0.

OneThinker-SFT-Qwen3-8B — промежуточная модель контролируемого дообучения (SFT) для мультимодального рассуждения по изображениям и видео, представленная авторами работы OneThinker. Она основана на Qwen/Qwen3-VL-8B-Instruct и предназначена для последующего обучения с подкреплением; в карточке указана архитектура Qwen3-VL с 8 млрд параметров и формат весов safetensors. Модель объединяет ответы на вопросы об изображениях и видео, создание описаний, пространственную и временную привязку объектов, отслеживание и сегментацию. Для обучения использовались наборы OneThinker-600k и OneThinker-SFT-340k с разметкой цепочек рассуждений. Авторы сообщают о результатах на 31 бенчмарке по 10 задачам компьютерного зрения и о способности к обобщению на новые сценарии. Модель принимает изображения и видео вместе с текстовыми запросами и формирует текстовые ответы, а в задачах локализации, отслеживания и сегментации также структурированные визуальные результаты. Языки в доступных сведениях не обозначены. Лицензия — Apache-2.0. Поскольку это промежуточный SFT-чекпойнт перед RL-обучением, его качество может отличаться от итоговой версии OneThinker.

Ellight дообучил MarianMTModel Helsinki-NLP/opus-mt-hi-en на датасете open_subtitles для перевода с хинди на английский. Модель содержит 56,5 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Её можно использовать для перевода предложений и текстовых фрагментов с хинди на английский, в том числе субтитров. Модель распространяется в формате safetensors через библиотеку Transformers по лицензии Apache-2.0.

Parakeet TDT 0.6B v2 GGUF — это англоязычная модель автоматического распознавания речи, разработанная NVIDIA, преобразованная в формат GGUF проектом CrispStrobe/CrispASR. Модель предназначена для транскрибации аудио в текст с использованием CLI CrispASR и поддерживает вывод с сохранением регистра, пунктуации и встроенными временными метками на уровне слов. Модель содержит около 600 млн параметров и использует 24-слойный FastConformer-энкодер с TDT-декодером Token-and-Duration Transducer, двухслойным LSTM-предиктором и словарём из 1024 SentencePiece-токенов. Она принимает монофонический звук с частотой 16 кГц и поддерживает только английский язык. Доступны варианты F16 размером 1,24 ГБ, Q8_0 размером 735 МБ и Q4_K размером 468 МБ; Q4_K рекомендован как вариант по умолчанию, а Q8_0 обеспечивает качество, близкое к полной точности. Сильные стороны модели — специализация на английском языке, высокая точность распознавания, пунктуация, регистр и встроенные временные метки без отдельной CTC-модели выравнивания. Ограничения — отсутствие поддержки других языков и зависимость от среды CrispASR для заявленного сценария использования; характеристики качества для конкретных аудиоданных в README не приведены. Модель распространяется по лицензии CC-BY-4.0, требующей указания авторства.

Parakeet TDT 1.1B GGUF — это преобразованная и квантизированная версия модели parakeet-tdt-1.1b, разработанной совместно командами NVIDIA NeMo и Suno.ai. Репозиторий handy-computer предназначен для использования модели с transcribe.cpp и распространяется в формате GGUF. Модель предназначена для офлайн-распознавания английской речи и преобразования аудио в текст. Она принимает монофонические WAV-файлы с частотой 16 кГц и поддерживает токеновые временные метки. Архитектура включает FastConformer-XL encoder примерно на 1,1 млрд параметров и TDT/RNNT transducer decoder. Доступны варианты F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 825 МБ до 4,28 ГБ. Сильная сторона модели — высокая точность: показатель WER на тестовой выборке LibriSpeech test-clean составляет около 1,38–1,42% в зависимости от квантизации, а для Fleurs English в варианте Q8_0 — 4,24%. Квантизация позволяет уменьшить размер модели при небольшом изменении качества. Ограничения: поддерживается только английский язык, отсутствуют потоковое распознавание, перевод и автоматическое определение языка; модель рассчитана на офлайн-обработку и требует входное аудио в формате 16 кГц, mono WAV. Лицензия — CC-BY-4.0, унаследованная от базовой модели.

Qwen2.5-VL-7B-Abliterated-Caption-it-GGUF — это квантованная GGUF-версия мультимодальной модели prithivMLmods/Qwen2.5-VL-7B-Abliterated-Caption-it, подготовленная mradermacher. Модель относится к классу vision-language моделей и предназначена для понимания изображений, генерации подписей к ним и решения задач преобразования изображения в текст. В основе лежит модель с примерно 7 млрд параметров; поддерживаются текстовые и визуальные данные. В карточке заявлены английский, китайский и тайский языки. Доступны варианты квантования GGUF от Q2_K до Q8_0, а также F16 и отдельные мультимодальные компоненты mmproj. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q8_0 — как обеспечивающий высокое качество при увеличенном размере. Сильными сторонами являются мультимодальность, специализация на создании описаний изображений и возможность запуска в различных компромиссах между размером, скоростью и качеством благодаря множеству вариантов квантования. Ограничения включают отсутствие в README данных о максимальном контексте, результатах бенчмарков, требованиях к оборудованию и качестве на конкретных сценариях; поэтому эти характеристики требуют отдельной проверки. Модель распространяется по лицензии Apache-2.0.

huihui-ai/Qwen2.5-VL-7B-Instruct-abliterated — мультимодальная инструкционная модель на 7,1 млрд параметров, созданная разработчиком huihui-ai на основе Qwen/Qwen2.5-VL-7B-Instruct. Это версия с удалёнными отказами: abliteration применена только к текстовой части модели, а часть, обрабатывающая изображения, не изменялась. Модель принимает текст и изображения и формирует текстовые ответы; поддерживает контекст до 128 000 токенов и предназначена для диалогового взаимодействия и визуальных задач. Модель можно использовать для вопросов по изображениям и общения с визуальным контекстом. Карточка указывает библиотеку Transformers; метаданные также отмечают интерфейс вызова инструментов, но подробности его использования не приведены. Указаны английский язык и лицензия Apache-2.0. Поскольку модель описана как uncensored, её ответы могут не включать обычные отказы на нежелательные запросы; качество и безопасность ответов зависят от приложения.

Qwen2-VL-2B — базовая предварительно обученная мультимодальная модель семейства Qwen2-VL, разработанная командой Qwen. Это версия без настройки инструкциями; она предназначена для дальнейшей адаптации и задач понимания изображений и видео по текстовым запросам. Модель содержит 1,5 млрд параметров, использует плотную архитектуру Qwen2-VL и поддерживает контекст до 32 768 токенов. Для обработки изображений применяется динамическое разрешение, а позиционное кодирование M-ROPE учитывает текстовые, двумерные визуальные и трёхмерные видеоданные. Модель подходит для ответов на вопросы по изображениям и видео, визуального диалога, понимания документов и текста на изображениях, а также сценариев, где визуальные наблюдения сочетаются с текстовыми инструкциями. В карточке заявлена поддержка английского и китайского языков, а также распознавания текста на изображениях на многих других языках. Модель доступна в формате Safetensors для библиотеки Transformers и распространяется по лицензии Apache-2.0. Поскольку это базовая версия без настройки инструкциями, готовое диалоговое поведение и качество следования пользовательским запросам могут быть ограничены.

Мультимодальная модель Qwen3.5-4B, дообученная разработчиком dragonstorm123 на базе Qwen/Qwen3.5-4B с использованием Unsloth и библиотеки TRL. Предназначена для диалогового взаимодействия и задач image-text-to-text: модель принимает текст и изображения и формирует текстовые ответы. В метаданных также заявлены возможности работы с изображениями и интерфейс вызова инструментов. Модель содержит 4 млрд параметров и распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает обучающие данные и специальные ограничения применения; качество на конкретных задачах зависит от сценария использования.

Qwen3-VL-8B-Instruct-MLX-6bit — 6-битная квантованная версия мультимодальной модели Qwen3-VL-8B-Instruct, разработанной командой Qwen. Квантование выполнено командой LM Studio с использованием MLX и mlx_vlm; модель оптимизирована для работы на устройствах Apple Silicon. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Она может применяться в сценариях, где требуется анализ визуального содержимого и взаимодействие с ним на естественном языке. Исходная модель имеет размер 8B параметров, однако README не содержит подробностей об архитектуре, поддерживаемых языках и размере контекстного окна. Ключевые преимущества версии — сниженное потребление памяти по сравнению с полноразмерной моделью и оптимизация для экосистемы Apple Silicon. Квантование может сопровождаться некоторой потерей точности, но конкретные результаты оценки не указаны. Модель распространяется по лицензии Apache-2.0.

ByteDance разработала Sa2VA-Qwen3-VL-4B — мультимодальную чат-модель семейства Sa2VA для понимания изображений и видео. Она отвечает на вопросы по визуальным данным, понимает визуальные подсказки и выполняет плотную сегментацию объектов с привязкой к изображению или видео. Модель объединяет языковую модель с возможностями SAM2 и предназначена для визуального поиска объектов, их сегментации и вопросов по содержимому сцен. В README семейство Sa2VA описано как конкурентоспособное с Qwen2.5-VL и InternVL3 на бенчмарках ответов на вопросы и сильное в задачах grounding и сегментации. Репозиторий использует архитектуру Sa2VAChatModelQwen и формат safetensors; метаданные указывают связь слияния с OpenGVLab/InternVL3-8B. Лицензия — Apache-2.0.

Модель Simba-v01b разработана участниками исследовательской группы Public Interest AI при HIIG Berlin. Это плотная языковая модель Mistral с 7,1 млрд параметров, дообученная на примерно 2000 газетных статей, упрощённых Австрийским пресс-агентством. Она генерирует упрощённый текст на немецком языке; лучше всего подходит для новостных статей, а не комментариев и редакционных материалов. Контекст — до 32 768 токенов. Модель предназначена для упрощения газетных текстов и может применяться к другим типам немецкоязычных текстов, однако её работу за пределами новостного домена подробно не проверяли. Разработчики отмечают, что модель может добавлять неверные сведения, поэтому результат следует сверять с исходным текстом. Опубликована в формате safetensors под лицензией Apache 2.0.

cyttic/trocr-bigram5-BY — дообученная модель cyttic/exp2-frozen-benyehuda-cont для преобразования изображений с текстом в текст. Она использует архитектуру VisionEncoderDecoder и библиотеку Transformers; веса представлены в формате safetensors. По названию модели можно предположить связь с распознаванием биграмм и белорусским языком, однако README не подтверждает назначение суффикса BY или языковую поддержку. В карточке приведены результаты оценки: Loss 0.5955, CER 0.0292 и WER 0.0838. Датасет, сценарии применения, ограничения и условия лицензии не описаны, поэтому оценить качество за пределами указанного набора данных нельзя.

microsoft/trocr-large-stage1 — предварительно обученная модель TrOCR от Microsoft для распознавания текста на изображениях. Она предназначена для OCR на изображениях с одной строкой текста; для специализированных сценариев доступны дообученные версии семейства TrOCR. Модель использует архитектуру encoder-decoder: Transformer-кодировщик изображений построен на BEiT, а Transformer-декодер текста — на RoBERTa. Кодировщик обрабатывает изображение как последовательность патчей размером 16×16, после чего декодер авторегрессионно генерирует текст. Репозиторий содержит веса PyTorch и Safetensors. В README не указаны размер модели, поддерживаемые языки и лицензия, поэтому эти характеристики здесь не уточняются. Модель рассчитана на строки текста; качество на иных форматах изображений и задачах OCR не подтверждено описанием.

Glimpse — модель распознавания текста на изображениях строк, разработанная surfiniaburger для арабской и персидской письменности. Это дообученная на базе unsloth/PaddleOCR-VL компактная мультимодальная модель с архитектурой PaddleOCR-VL; карточка также описывает её как ERNIE-4.5-0.3B Vision-Language Model. В метаданных указаны 318,2 млн параметров и контекст 131 072 токена. Модель предназначена для OCR изображений с текстом справа налево, включая строки со сложными лигатурами и разными шрифтами. По данным карточки, после 500 шагов дообучения CER на отложенных RTL-строках составил 6,97% против примерно 59% у исходной модели. Использованы датасет Persian_Arabic_TextLine_Image_Ocr_Medium и QLoRA; заявленные показатели относятся к описанной оценке и не гарантируют качество на других данных. Лицензия — Apache-2.0. Модель рассчитана прежде всего на арабский и персидский языки; данных о поддержке других языков OCR в карточке нет.

Viking-Qwen3.6-27B — мультимодальная модель на архитектуре Qwen3.5/Qwen3.6 с 27 млрд параметров, опубликованная nbeerbower. Она создана методом TIES-слияния трёх дообученных моделей поверх Huihui-Qwen3.6-27B-abliterated; языковые веса объединены, а башня зрения и часть дополнительных весов восстановлены из базовой модели. Модель предназначена для диалогов и обработки изображений с текстовыми запросами и ответами. Визуальный энкодер унаследован без изменений от базовой модели, поэтому слияние затронуло только языковую часть. В родословной присутствует bf16-реконструкция из Q8_0 GGUF, что может переносить погрешность квантования. Автор отмечает, что веса не проверялись генерацией после загрузки. Лицензия в предоставленных данных не указана.