I.15Доступность и ассистивные технологии

keystats/w2v-bert-2.0-shona-main-best — модель автоматического распознавания речи на языке шона, разработанная Keystats на основе facebook/w2v-bert-2.0. Многоязычный речевой энкодер Wav2Vec2-BERT дообучен с символьной CTC-головой; модель содержит 402,8 млн параметров и сохраняет регистр букв и пунктуацию из обучающих транскрипций. Модель предназначена для преобразования аудио на шона в текст с регистром и пунктуацией. Она обучена на объединённом корпусе из пяти источников, включая WAXAL, и может использоваться самостоятельно с жадным декодированием или совместно с рекомендованной KenLM языковой моделью keystats/waxal-kenlm-models-best для повышения точности. Для совместного декодирования нужно использовать соответствующую варианту модели языковую модель. CTC-модель рассчитана на однонаправленную речь одного говорящего и не обрабатывает перекрывающуюся речь нескольких говорящих. Акустические условия, качество записей и диалектное покрытие отражают состав обучающих данных. Лицензия — Apache-2.0.

Модель Finnish-NLP/wav2vec2-large-uralic-voxpopuli-v2-finnish — акустическая модель для распознавания финской речи, разработанная Finnish-NLP как дообученная версия facebook/wav2vec2-large-uralic-voxpopuli-v2. Она использует архитектуру Wav2Vec2 с CTC-декодированием и содержит около 402,7 млн параметров. Обучение проводилось на 276,7 часах размеченной финской речи; при декодировании также можно использовать включённую в репозиторий языковую модель KenLM. Модель предназначена для преобразования финской речи в текст, в том числе для расшифровки записей и голосовых материалов. Наиболее подходящими считаются аудиофрагменты длительностью до примерно 20 секунд. В оценках на Common Voice 7.0 и 9.0 показаны результаты WER около 4,1% с KenLM и около 9,7–9,8% без него. Обучающие данные в основном происходят из записей заседаний парламента Финляндии, поэтому распознавание разговорной речи, диалектов, детских и женских голосов может быть менее надёжным. Языковая модель KenLM также ориентирована преимущественно на формальный финский. Модель распространяется по лицензии Apache-2.0.

snehatyagi/wav2vec2_test — дообученная модель распознавания речи на базе facebook/wav2vec2-base. Она использует архитектуру Wav2Vec2ForCTC, содержит 113,3 млн параметров и принимает аудио для преобразования речи в текст. Модель опубликована в формате PyTorch под лицензией Apache-2.0. Карточка приводит результаты оценки: loss 91,1661 и WER 0,5714. Датасет обучения и поддерживаемые языки не указаны, поэтому область применимости и качество распознавания для конкретных языков или условий записи подтвердить нельзя.

Модель abdouaziiz/wav2vec2-xls-r-300m-wolof-lm разработана для распознавания речи на языке волоф. Это дообученная версия facebook/wav2vec2-xls-r-300m с языковой моделью, обученная на речевом корпусе ALFFA_PUBLIC. Архитектура — Wav2Vec2ForCTC; в репозитории указано около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст. Она предназначена для транскрибирования записей на волофе, в том числе речи из Сенегала и соседних стран. В карточке указаны 16,8 часа обучающих данных, разделённых на 10 000 аудиофайлов для обучения и 3 339 для тестирования; результат на наборе оценки — WER 0,212565. Модель распространяется по лицензии MIT. Автор отмечает возможности улучшения распознавания с помощью языковой модели, проверки орфографии и редактирования предложений.

Это модель автоматического распознавания речи на валлийском языке, разработанная на основе facebook/wav2vec2-large-xlsr-53 и дообученная на корпусе Common Voice 18.0 с чтением вслух и на спонтанной речи из Bangor Transcriptions 24.10. Она использует архитектуру wav2vec 2.0 с CTC-декодированием и содержит 402,7 млн параметров. Модель преобразует валлийскую речь в текст и подходит для расшифровки записей, включая чтение и спонтанную речь. На тестовой выборке Bangor Transcriptions указаны WER 36,23 и CER 12,55. Модель распространяется по лицензии Apache-2.0.

mmwanje/waxal-whisper-small-spec_aug_v1 — мультиязычная модель автоматического распознавания речи, дообученная на базе OpenAI Whisper Small на данных Google WaxalNLP для языков лингала, шона и луганда. При обучении применялся SpecAugment к log-mel признакам; модель реализована как WhisperForConditionalGeneration и распространяется в формате safetensors. В метаданных указано 153,1 млн параметров и лицензия Apache-2.0. Модель предназначена для транскрибирования аудиозаписей на поддерживаемых языках. README называет этот чекпойнт лучшим по результату на отложенной выборке среди экспериментов первой фазы; приведённая оценка объединяет WER и CER, поэтому её нельзя напрямую интерпретировать как отдельную точность распознавания. Результаты зависят от языка и условий записи.

Whisper Darija — модель распознавания речи, разработанная Bentaleb Ali на основе OpenAI Whisper small и дообученная на марокканской даридже с использованием корпуса аудио и транскрипций. Это модель с архитектурой encoder-decoder, содержащая 153,1 млн параметров; она принимает аудио и выдаёт текстовую транскрипцию. Модель предназначена для расшифровки марокканской разговорной арабской речи: её можно применять в голосовых помощниках, создании субтитров и лингвистических исследованиях. В README сообщается, что после 10 эпох дообучения WER составил около 50%; качество зависит от записи и состава обучающих данных. Модель может хуже распознавать шумные или низкокачественные записи и плохо переноситься на другие арабские диалекты. Для важных решений транскрипции следует проверять человеком. Лицензия — Apache 2.0.

Whisper Hindi Small — модель распознавания речи, созданная дообучением openai/whisper-small на публичных корпусах аудиозаписей на хинди в рамках спринта по дообучению Whisper. Она предназначена для преобразования речи на хинди в текст и оценки качества распознавания на наборах данных ASR. Модель основана на архитектуре WhisperForConditionalGeneration и содержит около 153,1 млн параметров; доступны веса PyTorch и Flax. Для использования указаны инструменты whisper_jax и код оценки из репозитория whisper-finetune. Лицензия — Apache-2.0. Обучение проводилось на GramVaani ASR Corpus, ULCA ASR Corpus, Shrutilipi ASR Corpus и обучающей и валидационной частях Google Fleurs; для оценки использовались тестовые части GramVaani и Google Fleurs. Карточка не приводит результатов метрик, поэтому качество на других типах записей или вне хинди по ней оценить нельзя.

Карточка модели aidsoid/whisperkit-coreml на Hugging Face совпадает с карточкой argmaxinc/whisperkit-coreml, поэтому описание составлено по ней. argmaxinc/whisperkit-coreml — репозиторий Argmax с моделями Whisper в формате Core ML для WhisperKit, SDK распознавания речи на устройствах Apple Silicon. Модель предназначена для преобразования аудио в текст, включая локальную транскрибацию на устройствах Apple. Репозиторий использует библиотеку WhisperKit и содержит файлы Core ML. В карточке указана лицензия MIT. README упоминает отдельный платный SDK Argmax Pro для транскрибации в реальном времени с разделением по говорящим и пользовательским словарём; эти возможности не заявлены для данной модели.

Модель oddadmix/whisper-large-v3-turbo-arabic-dialectal-v2 разработана oddadmix на основе openai/whisper-large-v3-turbo и дообучена для распознавания разговорной арабской речи разных диалектов. Это модель Whisper с архитектурой encoder-decoder, принимающая аудио и генерирующая текст; в README указано 809 млн параметров. Обучение проводилось на диалектно-сбалансированном наборе oddadmix/lahgtna-v3-small: 52 тыс. обучающих и 2,6 тыс. тестовых примеров. Выходной текст не содержит диакритических знаков. Модель предназначена для транскрибации арабской речи, в том числе диалектов стран Персидского залива и Леванта, египетского и иракского. На сбалансированной тестовой выборке указаны WER 0,3324 и CER 0,125; качество заметно различается между диалектами, причём магрибские варианты в README названы наиболее трудными. Репозиторий распространяется по лицензии Apache-2.0.

TalTechNLP дообучила мультиязычную модель OpenAI Whisper large-v3-turbo для автоматического распознавания речи. Обучение включало 1400 часов аудио с вручную подготовленными дословными транскрипциями на эстонском языке, около 4000 часов эстонских новостных аудиозаписей с автоматически созданными транскрипциями и контекстной подсказкой, а также около 500 часов англоязычных подкастов и видео YouTube. Модель особенно рассчитана на эстонскую речь с английскими терминами и фрагментами, например в технических подкастах. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration и 905,2 млн параметров. Она принимает аудио и выдаёт текст; использовать её можно через Transformers, а опубликованный вариант в формате GGML — с инструментами на базе whisper.cpp. Лицензия — MIT. Карточка не сообщает отдельные метрики качества или гарантии точности распознавания.

Это дообученная модель OpenAI Whisper Medium, опубликованная dianavdavidson на Hugging Face. Она предназначена для автоматического распознавания речи и преобразования аудио в текст; название репозитория указывает на настройку для хинди. Модель построена на архитектуре WhisperForConditionalGeneration и содержит 455,8 млн параметров. В README приведены результаты оценки: loss 0,2884 и Global WER 26,1916; описание набора данных и условий оценки отсутствует. Модель распространяется в формате safetensors и использует лицензию Apache-2.0. Мультиязычная базовая модель Whisper Medium также поддерживает перевод речи, однако для этой версии в карточке подтверждено только распознавание речи. Значение WER зависит от языка и набора оценки, поэтому приведённый результат не гарантирует качество на других данных.

nyadla-sys/whisper-tiny.en.tflite — это конвертированная в формат TensorFlow Lite версия модели Whisper tiny.en, разработанной OpenAI и портированной Niranjan Yadla для запуска на периферийных устройствах. Модель предназначена для автоматического распознавания речи на английском языке, в том числе локально на Android и других встраиваемых платформах без обязательной передачи аудио в облако. Модель содержит около 39 млн параметров и использует интерфейс TFLite с сигнатурой serving_default. Вариант .en является англоязычным и рассчитан на транскрибацию английской речи; функции автоматического определения языка, мультиязычной транскрибации и перевода к этой конкретной модели не относятся. README не указывает размер контекстного окна и точные характеристики архитектуры, но описывает преобразование Whisper в TFLite с динамической квантизацией диапазона. К сильным сторонам относятся небольшой размер, высокая относительная скорость и пригодность для on-device inference, что делает модель подходящей для мобильных приложений и систем с ограниченными ресурсами. Ограничения включают поддержку только английского языка, меньшую точность по сравнению с более крупными версиями Whisper и отсутствие в README конкретных метрик качества. Модель распространяется по лицензии MIT.

futo-org/acft-whisper-small — дообученная FUTO версия OpenAI Whisper Small для распознавания речи с повышенной устойчивостью при изменении аудиоконтекста. Метод дообучения рассчитан на более эффективную работу с короткими аудиофрагментами. Модель содержит 153,1 млн параметров и использует архитектуру Whisper для генерации текста по входному аудио. Модель предназначена для автоматической транскрибации коротких речевых записей. По README, сама по себе она не работает с настройками стандартного runtime Whisper; для проверки разных размеров аудиоконтекста авторы рекомендуют whisper.cpp с параметром --audio-context. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Языковая поддержка в предоставленных данных не перечислена.

BELLE-VL — мультимодальная модель сообщества BELLE-2 для диалога по изображениям и тексту. Она построена на архитектуре Qwen и расширяет языковую модель визуальными возможностями; в README в качестве языковой основы указана Qwen14B-chat. Метаданные указывают 21,8 млрд параметров, контекст до 8192 токенов и формат PyTorch. Модель обучали на открытых англоязычных и китайских данных для понимания изображений и выполнения мультимодальных инструкций. Модель предназначена для ответов на вопросы об изображениях, описания их содержимого, распознавания объектов, сцен и текста, а также визуального рассуждения. README сообщает о результатах на бенчмарке MME и отмечает, что модель поддерживает взаимодействие только с одним изображением за раз, а её возможности китайского OCR ограничены. Лицензия — Apache-2.0.

CLI-0.5B — мультимодальная языковая модель компании CodeFuse AI и официальный чекпойнт метода Cross-Layer Injection (CLI), описанного в работе для ECCV 2026. Она объединяет языковую модель Qwen2-0.5B с визуальным энкодером SigLIP-so400m-patch14-384 и содержит около 494 млн параметров. Вместо стандартного соединения визуального энкодера с языковой моделью CLI использует динамическую схему many-to-many: слои декодера могут обращаться к представлениям разных слоёв визуального энкодера. Для этого применяются адаптивные проекции AMP и механизм слияния с адаптивным управлением AGF. Модель предназначена для диалога и рассуждений по изображениям, включая вопросы о диаграммах, документах, графиках и сценах. В README заявлена оценка на 28 бенчмарках по визуальному восприятию, рассуждениям и визуальному чату. Указанное максимальное контекстное окно — 32768 токенов; модель принимает текст и изображения и генерирует текст на английском языке. Для запуска требуется реализация AMP и AGF из репозитория codefuse-ai/CLI и соответствующая конфигурация слоёв; обычная загрузка через LlavaOneVision в Transformers не воспроизводит поведение CLI. Чекпойнт опубликован под лицензией Apache-2.0.

DeepCaption-VLA-7B — мультимодальная модель prithivMLmods на архитектуре Qwen2.5-VL-7B, объединяющая доработанные варианты Qwen2.5-VL-7B-Instruct. Она предназначена для подробного описания изображений и атрибуции визуальных свойств: модель описывает объекты, сцены и окружение, уделяя внимание признакам и деталям. Репозиторий содержит веса Safetensors, модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0. Модель рассчитана на изображения разного соотношения сторон и может формировать как краткие подписи, так и более подробные описания по запросу. Основной язык карточки — английский; автор указывает, что многоязычные подписи можно получать с помощью промптов. Подходит для подготовки подписей к датасетам, визуальной разметки и описания художественных, технических и обычных изображений. В неоднозначных изображениях модель может приписывать свойства, которые нельзя уверенно подтвердить по картинке; результаты зависят от формулировки запроса, а точность может снижаться на синтетических и сильно абстрактных изображениях. Фильтрация откровенного или чувствительного содержимого не является целью модели.

linhtrann21/ft_paligemma_15k — дообученная модель PaliGemma для генерации текстовых ответов по изображениям. Она создана на основе linhtrann21/ft_paligemma_10k; в карточке не описаны конкретные данные обучения, сценарии применения или результаты оценки. Модель реализована как плотная мультимодальная архитектура PaliGemmaForConditionalGeneration и распространяется в формате safetensors через библиотеку Transformers. Модель принимает изображения и текстовые запросы и выдаёт текст, поэтому подходит для вопросов об изображении и его описания. Язык ответов и длина контекста в доступных сведениях не указаны. Лицензия — Gemma; перед использованием следует учитывать её условия.

Guccimam/gemma-4-e2b-v1 — дообученная модель семейства Gemma 4, разработанная Guccimam на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная мультимодальная модель для диалогов, принимающая текст и изображения и формирующая текстовые ответы; карточка указывает задачу image-text-to-text и поддержку зрения. Модель подходит для вопросов по изображениям и диалоговых сценариев с визуальным контекстом. Репозиторий распространяется под лицензией Apache-2.0. Карточка не приводит сведений о размере модели, длине контекста или конкретном наборе обучающих данных.

GLM-ASR-Nano-2512-GGUF — это преобразованная и квантизированная версия модели GLM-ASR-Nano-2512 от zai-org, подготовленная для работы с CrispASR. Модель предназначена для автоматического распознавания речи и транскрибации аудиозаписей, включая длинные аудиофайлы. Репозиторий cstr/glm-asr-nano-GGUF не обучает и не дообучает модель, а только переводит её веса в формат GGUF и предоставляет варианты с разной степенью квантизации. Архитектура включает Whisper-энкодер с размерностью 1280 и 32 слоями, проектор на 4 кадра и Llama-подобную языковую модель с размерностью 2048, 28 слоями и GQA 16/4. Объём модели составляет около 1,5 млрд параметров. Поддерживаются мандаринский китайский, китайские диалекты, английский и кантонский; модель не является универсальной мультиязычной системой и не заявляет поддержку японского, корейского и европейских языков. Доступны варианты F16 размером 4,3 ГБ, Q8_0 размером 2,3 ГБ и Q4_K размером 1,3 ГБ, причём Q4_K обозначен как оптимальный компромисс между размером и качеством. По данным README, модель превосходит OpenAI Whisper V3 на указанных тестах, показывая средний уровень ошибки 4,10. Для использования требуется CrispASR; обновлённые файлы содержат BPE-слияния токенизатора и поддерживают однопроходную обработку аудио длительностью до 655 секунд, тогда как стандартный режим использует фрагменты по 30 секунд. Однопроходный режим может пропускать начальные участки без речи. Модель распространяется по лицензии MIT, при этом условия upstream-модели zai-org сохраняются.

futo-org разработала Gravel CTC 440M — англоязычную модель автоматического распознавания речи на архитектуре Conformer. Она использует 440-миллионный аудиоэнкодер, выделенный из ibm-granite/granite-speech-4.1-2b-nar, и отдельную CTC-голову с BPE-256; адаптация LoRA объединена с весами модели. На вход подаётся необработанный аудиосигнал PCM с частотой 16 кГц. Модель предназначена для транскрибации английской речи и используется как учитель для дистилляции потоковых ASR-моделей FUTO. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Для загрузки в README указан trust_remote_code=True.

mlx-community/InternVL3-2B-4bit — преобразованная в формат MLX 4-битная версия модели InternVL3-2B. Модель разработана OpenGVLab; этот репозиторий подготовлен сообществом mlx-community с помощью mlx-vlm 0.1.22. Архитектура InternVLChatModel сочетает визуальную часть InternViT и языковую модель Qwen2.5; метаданные указывают связь с OpenGVLab/InternViT-300M-448px-V2_5 и Qwen/Qwen2.5-0.5B. Модель принимает изображения и текст, поддерживает диалоговые сценарии и выдаёт текстовые ответы. Её можно применять для вопросов по изображениям и визуального анализа с текстовым ответом; авторская задача в метаданных — image-text-to-text. Это компактный вариант для устройств Apple с MLX и 4-битным представлением весов. В README нет условий лицензии; метаданные обозначают лицензию как other, поэтому конкретные права использования следует сверить с карточкой оригинальной модели. В карточке сообщества также нет сведений о размере контекста и явного перечня поддерживаемых языков; указана многоязычность.

InternVL3.5-30B-A3B — мультимодальная модель OpenGVLab из семейства InternVL3.5, дообученная на основе OpenGVLab/InternVL3_5-30B-A3B-MPO. Она сочетает обработку изображений и текста для диалога, ответов на вопросы и решения задач на визуальное рассуждение; поддерживает многоязычные сценарии. Архитектура реализована классом InternVLChatModel и рассчитана на запуск через Transformers. В репозитории представлены веса в формате safetensors. В README описаны методы Cascade RL для улучшения рассуждений и Visual Resolution Router для динамической настройки разрешения визуальных токенов, а также варианты развертывания мультимодальной системы. Для моделей семейства размером до 30 млрд параметров заявлена возможность запуска на одном GPU A100; точный размер этой конкретной модели в приведенных данных не указан. По README семейство также поддерживает взаимодействие с GUI и embodied-сценарии, однако отдельная оценка этих возможностей для данного чекпойнта не приводится. Модель подходит для анализа изображений, визуальных вопросов и мультимодального общения. Карточка опубликована под лицензией Apache-2.0. Практическое применение требует значительных вычислительных ресурсов; качество зависит от изображения и формулировки запроса, а в предоставленной карточке нет конкретных ограничений по языкам или длине контекста.

aadel4/kid-whisper-small-en-myst — модель распознавания речи на основе Whisper Small English, разработанная путём дообучения openai/whisper-small-en. Она предназначена для преобразования англоязычной речи в текст; в карточке указаны обучающий набор Myst Train объёмом 125 часов и проверочный набор Myst Dev объёмом 20,9 часа. Архитектура — WhisperForConditionalGeneration, размер — 153,1 млн параметров; репозиторий содержит веса PyTorch. На проверочном наборе указаны WER 8,51 и loss 0,27. Модель распространяется по лицензии Apache-2.0. Карточка не уточняет назначение названия «kid» и не приводит сведения о контекстном окне или сценариях для детской речи, поэтому такие свойства не предполагаются.

LumynaX OCR TrOCR Large Handwritten — архивный эксперимент AbteeX AI Labs на основе microsoft/trocr-large-handwritten. Это модель архитектуры vision-encoder-decoder, предназначенная для распознавания рукописного текста на изображениях и преобразования его в текст. В выпуске сохранены исходные веса TrOCR; указана интеграция через маршрутизацию во время выполнения без слияния весов. Репозиторий использует PyTorch и библиотеку Transformers. Модель подходит для оцифровки рукописных записей и обработки изображений с рукописным текстом. Карточка помечает выпуск как устаревший и не рекомендует его для производственного применения; он больше не поддерживается. Лицензия — MIT.

DigitalUmuganda/Mbaza-ASR-Afrivoice-660h — модель автоматического распознавания речи, опубликованная DigitalUmuganda для работы в NVIDIA NeMo. Это акустическая модель на архитектуре Conformer с CTC, предназначенная для транскрибирования аудио и доступная как предварительно обученный чекпойнт для инференса или дообучения на другом наборе данных. Модель принимает монофонические WAV-записи с частотой дискретизации 16 кГц. По метаданным она связана с набором данных Afrivoice_Kinyarwanda и ориентирована на киньяруанда. Модель распространяется по лицензии CC BY 4.0. В карточке не приведены размер модели, длина контекста или оценка качества; пригодность для других языков и акустических условий не подтверждена.

MGM-Omni-7B — мультимодальная чат-модель, разработанная авторами проекта MGM-Omni и представленная в одноимённой статье. Это компонент восприятия проекта, основанный на дообученной Qwen2.5-VL-7B-Instruct; модель имеет плотную архитектуру MGMOmniForCausalLM и 7,1 млрд параметров. Для работы с речевым выводом README указывает отдельную модель MGM-Omni-TTS. Модель предназначена для диалогов с текстом, изображениями, видео и аудио. Среди заявленных сценариев — понимание длинной речи, включая записи длительностью до часа, мультимодальные вопросы и ответы, а также совместная обработка нескольких типов входных данных. В экосистеме MGM-Omni также заявлены генерация длинной речи, потоковый аудиовывод и клонирование голоса по короткому образцу, но для речевого синтеза требуется отдельный компонент SpeechLM. Модель рассчитана на английский и китайский языки. Контекст составляет 128 000 токенов. Репозиторий содержит веса в формате safetensors, библиотека запуска — Transformers. Лицензия Apache-2.0. Описание возможностей и сравнительных результатов в README носит заявительный характер; заявленные речевые функции зависят от дополнительной модели MGM-Omni-TTS.

Mobile-O-0.5B — компактная мультимодальная модель Amshaker для мобильных и периферийных устройств, объединяющая понимание изображений и генерацию изображений в одной архитектуре. Метаданные указывают 493,7 млн параметров, контекст 32 768 токенов и формат Safetensors; README приводит другое значение размера — 1,6 млрд параметров, поэтому точный размер модели по доступным сведениям неоднозначен. Модель поддерживает диалог по изображениям, визуальные вопросы и ответы, OCR, рассуждения по визуальному содержимому, генерацию изображений по тексту и редактирование изображений. В описанной архитектуре используются FastVLM-0.5B с визуальным энкодером FastViT и языковой основой Qwen2-0.5B, диффузионный декодер SANA-600M-512 и проектор для связи компонентов. Метаданные отмечают слияние FastVLM-0.5B и SANA_600M_512px_diffusers; модель доступна через Transformers. Модель предназначена для сценариев на мобильных устройствах, включая генерацию изображений 512×512; README заявляет время генерации около трёх секунд на iPhone. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и запрещает коммерческое применение. В карточке не приведены результаты независимых оценок качества.

MOSS-Transcribe-preview-2B — англоязычная модель распознавания речи в текст, разработанная OpenMOSS Team. Она принимает аудио и предназначена для транскрибации английской речи, в том числе для исследовательских и оценочных сценариев. Модель построена на языковой основе Qwen3-1.7B-base и аудиокодировщике Qwen3-Omni-MoE; gated-MLP-адаптер передаёт аудиопризнаки в пространство эмбеддингов языковой модели. По README, модель содержит около 2,4 млрд параметров, тогда как метаданные Hugging Face указывают 10,1 млрд. Контекст составляет 32 768 токенов. Модель обучалась на открытых англоязычных корпусах распознавания речи и дообучалась с reinforcement learning на обучающих разбиениях Open ASR Leaderboard. В README приведены результаты оценки на нескольких наборах данных; TED-LIUM в этой оценке не использовался. Ограничения включают возможное снижение качества на других языках, при сильных акцентах, шуме, перекрывающейся речи, записи на расстоянии и узкоспециальной терминологии; результаты для важных решений следует проверять вручную. Распространяется по лицензии Apache-2.0.

NSFWVision Qwen3 VL 8B V3 — мультимодальная модель на базе Qwen3-VL-8B-Instruct и prithivMLmods/Qwen3-VL-8B-Instruct-abliterated-v2, разработанная GitMylo. По карточке, дообучена башня зрения Qwen3-VL: во время обучения веса были разморожены, а после обучения модель вернули к исходным весам abliterated-версии, чтобы сохранить стиль письма и следование инструкциям базовой модели. Предназначена для диалога с изображениями и их анализа; каталог также указывает поддержку зрения и задачу image-text-to-text. В метаданных указана архитектура Qwen3-VL с плотной моделью условной генерации. Базовая модель насчитывает 8 млрд параметров; библиотека — Transformers, формат файлов — safetensors. README сообщает о наличии GGUF-версии, но её файлы не описаны в метаданных этого репозитория. Языки, контекстное окно и конкретные ограничения качества в доступных источниках не указаны. Лицензия в предоставленных данных не указана.