I.15Доступность и ассистивные технологии

LLaVA-Saiga-8b — русскоязычная визуально-языковая модель DeepVK на базе IlyaGusev/saiga_llama3_8b, обученная по исходному конвейеру LLaVA. Она принимает изображение и текстовый запрос и генерирует текстовый ответ, поддерживая диалоговый формат. Модель ориентирована прежде всего на русский язык, но также работает с английским. Модель обучалась в два этапа: адаптер предварительно обучали на данных ShareGPT4V, затем LLM и адаптер дообучали на русскоязычных инструкциях для визуальных задач, переводной части GQA и инструкционных данных ShareGPT4V. В README приведены результаты на GQA и MMBench на русском и английском языках. Модель распространяется в формате safetensors и использует библиотеку Transformers. Подходит для ответов на вопросы об изображениях и диалога с визуальным контекстом. Лицензия — Apache-2.0. README не приводит число параметров или длину контекста.

Модель csikasote/mms-1b-all-bemgen-combined-train-drodat-gdro-3e-2-dat-5e-1-no-sd-0.00-42 разработана как дообученная версия facebook/mms-1b-all на наборе BEMGEN — BEM. Это модель распознавания речи на архитектуре wav2vec2 с CTC-декодированием, содержащая 1,3 млрд параметров и предназначенная для преобразования аудио в текст. В README приведены результаты оценки на тестовом наборе: loss 12,6062 и CER 0,0541. Модель подходит для сценариев автоматической транскрипции речи; базовая MMS-1B-All поддерживает более тысячи языков, но язык и языковое покрытие именно этой доработанной версии в карточке не уточнены. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Mobile-O-1.5B — мультимодальная модель семейства Mobile-O для диалога с изображениями и генерации изображений, представленная в репозитории Amshaker. Она объединяет визуально-языковой компонент FastVLM-1.5B с диффузионным декодером SANA и предназначена для запуска с учётом ограничений мобильных устройств. Модель выполняет визуальные вопросы и ответы, распознавание текста на изображениях, рассуждение по визуальному содержимому, генерацию изображений по текстовому запросу и редактирование изображений. Метаданные указывают 1,5 млрд параметров, архитектуру MobileOForCausalLM, библиотеку Transformers и контекст до 32 768 токенов. Карточка описывает FastVLM-1.5B на базе FastViT и Qwen2-1.5B, диффузионный декодер SANA-1600M-512 с Linear DiT и VAE, а также обучающий проектор MCP; в описании размера диффузионного компонента README есть расхождение между 1,6 млрд и 600 млн параметров. Обучение проходило в три этапа на парах текст–изображение, курируемых парах и мультимодальных наборах. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка не сообщает о поддержке конкретных естественных языков; качество может зависеть от запроса и изображения, а заявленная мобильная направленность сама по себе не гарантирует работу на любом устройстве.

Parakeet Realtime EOU 120M — CoreML — это конвертированная в формат CoreML потоковая модель автоматического распознавания речи с определением конца высказывания (EOU). Она разработана на основе nvidia/parakeet_realtime_eou_120m-v1 и предназначена для работы на устройствах Apple Silicon, в том числе в FluidAudio, для транскрибации речи в реальном времени и голосовых агентов. Модель содержит около 120 млн параметров и реализует архитектуру RNNT: 17-слойный FastConformer-энкодер с кэшированием состояния для потоковой обработки, однослойный LSTM-декодер с 640 скрытыми единицами и joint-сеть для предсказания токенов и EOU. RNNT-пайплайн разделён на три CoreML-модели: streaming_encoder, decoder и joint_decision. Поддерживаются варианты с размером аудиочанка 160 и 320 мс. На Apple M2 показатель WER на LibriSpeech test-clean составляет соответственно 8,29% и 4,87%, а RTFx — 4,78x и 12,48x. В README указан английский язык. Сильные стороны модели — потоковая обработка с сохранением контекста между чанками, низкая задержка, высокая скорость на Apple Silicon и встроенное определение завершения высказывания. Ограничения включают привязку к CoreML и Apple Silicon, а также различие между задержкой и точностью в зависимости от размера чанка; приведённые метрики относятся только к LibriSpeech test-clean. Модель распространяется по NVIDIA Open Model License; подробные условия доступны по ссылке NVIDIA.

Parakeet RNNT 1.1B — англоязычная модель автоматического распознавания речи, совместимая с transcribe.cpp и распространяемая в формате GGUF. Модель разработана совместно командами NVIDIA NeMo и Suno.ai, а данный репозиторий содержит её конвертированные и квантованные версии на основе nvidia/parakeet-rnnt-1.1b. Модель предназначена для офлайн-преобразования речи в текст с использованием жадного RNN-T-декодирования без внешней языковой модели. Она принимает монофонический WAV-аудиосигнал с частотой 16 кГц и возвращает текст на английском языке в нижнем регистре без пунктуации. Поддерживаются токены временных меток, но потоковый режим, перевод и автоматическое определение языка не поддерживаются. Архитектура включает энкодер FastConformer-XL примерно на 1,1 млрд параметров и декодер RNN-T. Доступны варианты F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 825 МБ до 4,28 ГБ. На наборе LibriSpeech test-clean опубликованная WER составляет около 1,41–1,46% в зависимости от квантования; для Fleurs English указана WER 4,45% для Q8_0. Ключевые ограничения — поддержка только английского языка, отсутствие пунктуации, перевода и потоковой обработки, а также необходимость запуска через transcribe.cpp. Лицензия — CC-BY-4.0, унаследованная от базовой модели.

Это 8-битная версия модели NVIDIA Parakeet TDT 0.6B v2 в формате MLX, подготовленная CosmicFusion Labs для приложения диктовки WhisperBud на macOS. Она предназначена для автоматической транскрибации английской речи в текст на устройствах Apple Silicon. Модель использует архитектуру Parakeet TDT с 0,6 млрд параметров и принимает аудио, выдавая текстовую расшифровку. По данным разработчика, квантизация MLX с 8-битными весами сокращает размер загрузки с 2472 до 933 МБ и ускоряет загрузку модели; транскрипты совпадали с результатами того же 8-битного пути квантизации при загрузке. В собственном тесте авторов средний WER составил 11,6% на англоязычной речи; модель работала в 2–4 раза быстрее Whisper medium.en на M1 Pro. Модель рассчитана на локальную диктовку и транскрибацию речи на Apple Silicon. Она поддерживает английский язык; подтверждений поддержки других языков нет. Лицензия — Creative Commons Attribution 4.0 (CC BY 4.0).

Qwen3.5-27B-ultra-uncensored-heretic-v2 — мультимодальная диалоговая модель на 27 млрд параметров от независимого автора llmfan46, созданная дообучением Qwen/Qwen3.5-27B. Она принимает текст и изображения и генерирует ответы на текстовые запросы и вопросы по изображениям. В карточке описана настройка abliteration, направленная на снижение числа отказов: автор сообщает об одном отказе из 100 запросов против 95 у исходной модели; это результат теста автора, а не гарантия поведения во всех сценариях. Модель основана на плотной архитектуре Qwen3.5 с генерацией текста и визуальным энкодером. README указывает контекст 262 144 токена с возможностью расширения до 1 010 000; метаданные подтверждают поддержку диалогов и изображений. Карточка заявляет широкое языковое покрытие семейства, но конкретный список языков этой версии не приведён. Модель распространяется по лицензии Apache-2.0. Снижение числа отказов может сопровождаться меньшей осторожностью в ответах; приведённая оценка PIQA близка к результату исходной модели.

mlx-community/Qwen3.8-27B-mxfp4 — модель в формате MLX, созданная сообществом mlx-community на основе Qwen/Qwen3.8-27B, разработанной Qwen. Конвертация выполнена с использованием mlx-vlm версии 0.6.8. Модель предназначена для задач, объединяющих изображения и текст, включая генерацию текстовых описаний изображений и другие сценарии image-text-to-text на устройствах, совместимых с MLX. Из известных характеристик указаны размер базовой модели 27B параметров и формат mxfp4. Конкретные сведения об архитектуре, поддерживаемых языках, длине контекста и точных мультимодальных возможностях в README отсутствуют. Преимуществами являются MLX-совместимый формат и сниженная точность представления, потенциально уменьшающая требования к памяти; ограничения и фактическая производительность зависят от исходной модели и аппаратной платформы. Модель распространяется по лицензии Apache-2.0.

Qwen3.8 Omni Flash — мультимодальная модель рассуждений компании Alibaba, ориентированная на агентные сценарии. Она предназначена для анализа аудио- и видеоматериалов и подготовки их кратких сводок. В README заявлена встроенная поддержка понимания аудио и видео. Модель подходит для анализа аудио-видео материалов; в предоставленных данных не описаны её архитектура, размер, поддерживаемые языки, длина контекста и условия лицензии.

SepFormer — модель разделения аудиоисточников, реализованная на базе SpeechBrain и обученная на наборе WHAMR! с частотой дискретизации 16 кГц. Она предназначена для разделения смешанной записи речи на отдельные источники, в том числе при наличии фонового шума и реверберации. На тестовой выборке WHAMR! указаны SI-SNRi 13,5 дБ и SDRi 13,0 дБ. Модель принимает одноканальные аудиозаписи с частотой 16 кГц и выдаёт разделённые аудиосигналы. Репозиторий содержит веса в формате PyTorch и инструменты для работы через SpeechBrain. Модель обучена на англоязычных данных WHAMR!; лицензия — Apache-2.0. Разработчик не гарантирует аналогичное качество на других наборах данных.

shook-medium-amharic-2k — модель распознавания речи на архитектуре Whisper, разработанная b1n1yam. Это плотная модель примерно на 455,8 млн параметров, предназначенная для преобразования аудио в текст. В README указано, что модель обучалась с нуля, а на оценочном наборе получила loss 0,0532 и WER 9,1091; обучающий набор данных не назван. Карточка не описывает языковой охват и сценарии применения подробнее, поэтому подтверждённую поддержку амхарского языка по имеющимся сведениям установить нельзя. Модель доступна в формате safetensors для библиотеки Transformers. Информация о лицензии отсутствует в предоставленных источниках.

TEMPURA-Qwen2.5-VL-7B — дообученная мультимодальная модель Andaba на основе Qwen/Qwen2.5-VL-7B-Instruct с архитектурой Qwen2.5-VL и 7,1 млрд параметров. Она предназначена для анализа видео и рассуждений о временной структуре событий. Модель описывает неразмеченные фрагменты видео как последовательность событий с временными метками и подробными описаниями, предсказывает содержание скрытого сегмента и находит моменты, соответствующие текстовому запросу, включая выделение ключевых моментов. Для входа видео представляют последовательностью кадров, отобранных с частотой 1 кадр в секунду, с временными метками. Модель принимает видео и текстовые запросы, а выдаёт текстовые описания, рассуждения и временные привязки. Репозиторий распространяется в формате Safetensors; лицензия — Apache-2.0. Описанный формат подачи кадров и частота 1 кадр в секунду задают требования к входному представлению видео.

TenzinGayche/tibetan-whisper-small — модель распознавания речи на основе Whisper Small, дообученная на наборе MonlamAI/stt-test-v1.0.0. Она предназначена для преобразования тибетской речи в текст; карточка приводит результат CER 38,5374 на наборе оценки. Архитектура — WhisperForConditionalGeneration, веса опубликованы в формате safetensors и доступны через Transformers. Модель принимает аудио и выдаёт текст. Данные подтверждают специализацию на тибетском языке, но не описывают поддерживаемые диалекты, условия записи или качество на разных типах речи. Лицензия — Apache-2.0.

TIGER-speech-small — компактная модель разделения речи, разработанная исследователями Университета Цинхуа. Она принимает смешанную аудиозапись и разделяет перекрывающуюся речь на отдельные аудиосигналы, в том числе в условиях шума и реверберации. В архитектуре TIGER используются разделение частотных полос, многошкальное селективное внимание и внимание по полным частотным кадрам. Авторы описывают модель как эффективную по числу параметров и вычислительным затратам; в статье её оценивали на Libri2Mix, LRS2-2Mix и EchoSet. Модель предназначена для разделения речи нескольких говорящих в записях и акустических сценах. Карточка указывает английский язык, формат весов safetensors и лицензию Apache-2.0. В метаданных эта версия связана с базовой моделью JusperLee/TIGER-speech как дообученная; сведения о точном размере и длине контекста не приводятся.

Trillion-LLaVA-7B — мультимодальная модель TrillionLabs для понимания изображений и ответов на вопросы о них. Это дообученная на визуально-языковых инструкциях версия Trillion-7B-preview с архитектурой LlavaLlamaForCausalLM и 7 млрд параметров; файлы модели представлены в формате safetensors. Модель принимает изображение и текстовый запрос, выдаёт текстовый ответ. Контекст составляет 4096 токенов. Модель предназначена для визуальных вопросов и рассуждений по изображениям. В README описано обучение на англоязычных визуально-языковых парах и приведены результаты на английском и корейском тестах; авторы отмечают перенос корейских навыков визуального рассуждения благодаря многоязычной языковой основе Trillion-7B-preview. Модель распространяется по лицензии Apache-2.0. Ограничение модели — визуальные инструкции для обучения были только на английском языке, поэтому качество на других языках может быть ниже. Она также наследует ограничения базовой Trillion-7B-preview.

inclusionAI/UI-Venus-Ground-7B — мультимодальный агент для взаимодействия с графическими интерфейсами, разработанный InclusionAI на базе Qwen2.5-VL. Модель принимает скриншоты и определяет расположение нужных элементов интерфейса, а также поддерживает навигацию по экрану и планирование действий в GUI-сценариях. Это плотная модель архитектуры Qwen2.5-VL с 7,1 млрд параметров и контекстом до 128 000 токенов. Она обучена методом Reinforcement Fine-Tuning на высококачественных данных для задач визуального связывания элементов и навигации; карточка сообщает о высоких результатах на бенчмарках ScreenSpot и AndroidWorld. Репозиторий предоставляет веса в формате safetensors для Transformers. Модель подходит для автоматизации действий в мобильных, настольных и веб-интерфейсах, когда наблюдением служат скриншоты. Лицензия — Apache-2.0. README не описывает точный формат выдачи управляющих действий или ограничения по поддерживаемым приложениям.

Whisper Large Khmer — модель распознавания речи, дообученная Kak Soky на наборе данных SLR42. Она основана на архитектуре Whisper и содержит около 905,2 млн параметров. Модель предназначена для преобразования аудио на кхмерском языке в текст. На оценочной выборке указаны значение loss 0,2375 и WER 29,5183. Репозиторий содержит веса PyTorch и опубликован по лицензии Apache-2.0. Подробные сведения о сценариях применения и ограничениях в карточке отсутствуют.

Это дообученная модель OpenAI Whisper large-v3-turbo, созданная oddadmix для распознавания арабской речи на разных диалектах. Модель построена на архитектуре WhisperForConditionalGeneration и содержит 809 млн параметров; принимает аудио и выдаёт текст. Обучение проводилось на наборе примерно из 36,8 тыс. очищенных и расширенных аудиоклипов, охватывающем левантийские, магрибские, египетский, заливные, суданский и иракский диалекты, а также литературный арабский. В тесте из 932 клипов модель показала WER 0,344 и CER 0,115 при заданной в карточке нормализации текста. Вывод без диакритических знаков; диалектное написание сохраняется. Модель работает офлайн на фрагментах длительностью до 30 секунд и не поддерживает потоковое распознавание. Качество на реальной речи зависит от диалекта: магрибские варианты распознаются сложнее. Разработчик рекомендует оценить модель на собственных данных перед производственным применением. Лицензия — Apache-2.0.

anaszil/whisper-large-v3-turbo-darija — LoRA-адаптер модели OpenAI Whisper Large v3 Turbo, дообученный автором anaszil для автоматического распознавания речи на марокканской арабской дариже (Darija, код ary). Модель имеет архитектуру encoder-decoder ASR и предназначена для преобразования аудио в текст, включая расшифровку разговоров службы поддержки, интервью и голосовых сообщений. Адаптер дообучен на очищенном и сегментированном частном корпусе марокканской дарижи с фрагментами длительностью до 30 секунд. Он применяется поверх базовой модели openai/whisper-large-v3-turbo; для использования требуются библиотеки PEFT и Transformers. LoRA-адаптеры затрагивают слои энкодера и декодера, включая q_proj, k_proj, v_proj, out_proj, fc1 и fc2. В README не указаны дополнительные языки, размер модели или точная длина контекста; для инференса рекомендуется обработка аудио с размером фрагмента 30 секунд. На отложенной выборке из того же распределения данных заявлены WER 24,88%, CER 8,28% и evaluation loss 0,322. Низкий CER при более высоком WER связывается с отсутствием единой орфографии дарижи и вариативностью написания слов, поэтому результаты могут зависеть от особенностей датасета и не гарантируют аналогичную точность на других источниках речи. Данные о частном обучающем корпусе должны быть опубликованы позднее. Модель распространяется по лицензии MIT.

Whisper-SAM — модель распознавания речи на амхарском языке, разработанная Nekodimos на основе Whisper Small от OpenAI. Она дообучена примерно на 210 часах амхарской речи и использует собственный символьный токенизатор: один амхарский знак соответствует одному токену. Это сокращает расход текстового контекста декодера и число токенов для генерации по сравнению с побайтовой токенизацией, что, по описанию автора, помогает избежать артефактов UTF-8 и улучшает эффективность распознавания. Модель принимает аудио и выдаёт транскрипцию текстом; стандартный аудиофрагмент Whisper составляет 30 секунд, а текстовый контекст декодера — до 448 токенов. Вывод временных меток не поддерживается, поскольку соответствующие токены исключены из токенизатора. Модель распространяется по лицензии Apache-2.0.

oddadmix/whisper-small-arabic-dialectal-v2 — модель oddadmix, полученная дообучением openai/whisper-small с 244 млн параметров на сбалансированном по диалектам наборе oddadmix/lahgtna-v3-small. Она предназначена для распознавания речи на разных диалектах арабского языка и выдаёт транскрипцию без диакритических знаков. Модель принимает аудио и генерирует текст; реализована на архитектуре Whisper и доступна в формате safetensors через Transformers. На сбалансированной тестовой выборке примерно из 2600 фрагментов указаны WER 0,4034 и CER 0,1528. Среди описанных результатов лучше распознаются диалекты Персидского залива и Леванта, а тунисский, алжирский и марокканский варианты даются сложнее. Лицензия — Apache-2.0.

Arabic-Whisper-CodeSwitching-Edition — модель распознавания речи, разработанная العبد لله и дообученная на базе Whisper Large v2 от OpenAI на наборе данных арабско-английской речи с переключением языков. Она предназначена для транскрибации арабской речи, в которую включены английские слова, в том числе в многоязычной среде. Модель построена на архитектуре Whisper и содержит 905,2 млн параметров. Она принимает аудио и выдаёт текст; в карточке заявлена поддержка арабского и английского языков в контексте арабской речи. Репозиторий содержит веса SafeTensors и использует библиотеку Transformers. Лицензия — GPL-3.0. Модель ориентирована на арабскую речь с английскими вставками. По карточке, она может хуже работать с одноязычной речью на других языках и с переключением языков, отличных от арабского и английского.

MALIBA-AI разработала Bambara TTS — модель синтеза речи на языке бамбара (бамананкан). Она преобразует текст в речь и позволяет выбирать одного из 10 доступных голосов. Модель основана на Spark-TTS с языковой моделью семейства Qwen2.5 и содержит около 500 млн параметров; отдельный вокодер для синтеза не требуется. На вход подаются текст на стандартной орфографии бамбара и идентификатор голоса, на выходе — монофоническое аудио WAV с частотой 16 кГц и разрядностью 16 бит. Встроенная нормализация обрабатывает цифры, даты и время. Модель предназначена для образовательных, исследовательских и общественных проектов, связанных с озвучиванием текстов на бамбара. Качество снижается при смешивании французского и бамбара; для лучшего результата рекомендуется использовать текст только на бамбара в стандартной орфографии. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование. В карточке также запрещено клонировать голоса без согласия и создавать вводящие в заблуждение или незаконные аудиозаписи.

Emu3-Chat-hf — мультимодальная авторегрессионная модель команды Emu3 из BAAI. Она построена на трансформере и обучена с нуля предсказывать следующий токен в последовательностях, где изображения и текст представлены в дискретном пространстве. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache 2.0. Модель принимает текстовые запросы и изображения и отвечает связным текстом, поэтому подходит для диалога с визуальным контекстом и вопросов об изображениях. Семейство Emu3 также поддерживает генерацию изображений по тексту и продолжение видео, однако карточка именно этой версии и метаданные не подтверждают эти сценарии для Emu3-Chat-hf. В карточке заявлена поддержка английского языка; размер модели и длина контекста не приведены в доступных данных. Разработчики заявляют о сильных возможностях понимания изображений без использования CLIP или предварительно обученной языковой модели. Для запуска README указывает Transformers версии 4.48.0 или выше и приводит пример генерации на GPU с float16; это требует подходящего аппаратного обеспечения. Заявленные сравнительные результаты приведены без подробностей о методике оценки.

stillerman/fdt-disfluency-distilbert-66m — модель разметки слов для удаления речевых запинок в расшифровках разговорной речи, разработанная в рамках проекта FluencyAI digital-twin. Она присваивает каждому слову один из тегов: KEEP, DELETE, KEEP_STRIP_COMMA или KEEP_CAPITALIZE; простая реконструкция по тегам формирует очищенный текст. Модель основана на DistilBERT base cased и содержит 65,8 млн параметров. Она рассчитана на текстовые транскрипты: README описывает синтетические запинки, добавленные к разговорным корпусам, но не указывает языки обучения. Контекст — до 512 токенов. Для проверки на русском тексте пригодность не подтверждена. На валидации указаны exact-match 0,9760 и F1 для класса DELETE 0,9935. Ограничение задачи — модель удаляет или локально форматирует слова и не предназначена для перефразирования; качество зависит от соответствия транскрипта данным обучения. Репозиторий включает квантованную ONNX-модель int8 для запуска в браузере через transformers.js; заявленное время обработки — около 10–50 мс на высказывание. Лицензия репозитория — Apache-2.0, однако данные обучения частично включали DailyDialog по CC BY-NC-SA; автор рекомендует считать модель исследовательским артефактом и не использовать её для коммерческого развёртывания без дополнительной проверки прав.

linhtrann21/ft_paligemma_25k — дообученная модель семейства PaliGemma, созданная на основе linhtrann21/ft_paligemma_20k. Она предназначена для задач image-text-to-text: принимает изображение и текстовый запрос и формирует текстовый ответ. В метаданных указаны архитектура PaliGemmaForConditionalGeneration, библиотека Transformers и формат весов safetensors. Карточка не описывает обучающие данные, конкретную предметную область, языки или результаты оценки, поэтому назначение дообучения и качество ответов уточнить нельзя. Указана лицензия gemma; применяйте модель согласно её условиям.

Карточка модели internlm/internlm-xcomposer-vl-7b на Hugging Face совпадает с карточкой internlm/internlm-xcomposer-7b, поэтому описание составлено по ней. InternLM-XComposer-7B — мультимодальная модель семейства InternLM-XComposer, разработанная командой InternLM на основе InternLM. Это плотная авторегрессионная модель примерно на 6,9 млрд параметров с контекстом 2048 токенов, представленная в формате PyTorch и распространяемая по лицензии Apache-2.0. Модель предназначена для понимания изображений и текста, работы в роли ИИ-ассистента и создания материалов, в которых текст чередуется с изображениями. Она может составлять связные тексты по инструкциям, предлагать места для изображений, описывать визуальный контент и выбирать подходящие изображения. Карточка сообщает о мультиязычном обучении и результатах на англоязычных и китайских мультимодальных тестах. Для непосредственного понимания визуального содержимого модель принимает текст и изображения и формирует текстовые ответы. Указанное описание композиции с изображениями включает поиск и выбор изображений; карточка не уточняет, выдаёт ли этот репозиторий сами изображения. Данные о конкретных ограничениях применения не приведены.

Isaac-0.1 — мультимодальная модель Perceptron AI для диалога и анализа изображений в сценариях, связанных с физическим миром. Она объединяет языковую основу Qwen3-1.7B и визуальную составляющую SigLIP2; в метаданных указаны архитектура IsaacForConditionalGeneration, 1,7 млрд параметров, библиотека Transformers и контекст до 40 960 токенов. Модель принимает текст и изображения и формирует текстовые ответы. Модель предназначена для визуальных вопросов и ответов, пространственного рассуждения, локализации объектов и дефектов, распознавания текста на изображениях, а также диалогового анализа сцен. В README заявлены работа с мелкими деталями и загромождёнными изображениями, адаптация к примерам в контексте и указание областей изображения, на которых основаны ответы. Эти возможности описаны разработчиком; количественные результаты в карточке не приведены. Модель опубликована Perceptron под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. Это ранняя версия семейства Isaac; заявленные сценарии требуют проверки на конкретных изображениях и задачах.

Japanese Parler-TTS Mini — модель синтеза речи на японском языке, созданная на основе Parler-TTS Mini v1 и дообученная для чтения японского текста. Она принимает текст и генерирует речь; голос можно задавать описанием, а также выбирать конкретного диктора. Для обучения использовался набор данных JSUT. Модель построена на архитектуре Parler-TTS и распространяется в формате PyTorch через Transformers. Модель предназначена для озвучивания японских текстов, например для голосовых интерфейсов и создания аудиоматериалов. Её токенизатор отличается от токенизатора исходной Parler-TTS и с ним несовместим. Лицензия указана как other; карточка разрешает исследовательское, образовательное и коммерческое использование результатов, но запрещает продавать веса или файлы самой модели.

KARAKURI VL 32B Instruct 2507 — мультимодальная vision-language модель, разработанная KARAKURI Inc. и дообученная на базе Qwen/Qwen2.5-VL-32B-Instruct. Она принимает изображения и текст и предназначена для диалоговых сценариев с визуальными вопросами и ответами. Модель имеет плотную архитектуру Qwen2.5-VL с 32 млрд параметров и контекстом до 128 000 токенов; поддерживает японский и английский языки. Модель подходит для анализа изображений и извлечения сведений из визуального содержимого в ответ на текстовые запросы. Репозиторий содержит веса Safetensors, загрузка предусмотрена через Transformers. Лицензия — Apache 2.0.