I.15Доступность и ассистивные технологии

elprofessor67/om-logistics-pod-new-v1 — дообученная модель elprofessor67 на основе elprofessor67/om-logistics-pod-new-v0, построенной на архитектуре Qwen3-VL. Она принимает изображения и текстовые запросы и формирует текстовые ответы; подходит для диалоговых сценариев с визуальными данными. В README указано, что при обучении использовались Unsloth и библиотека TRL. Модель распространяется по лицензии Apache-2.0.

Ornith-Agents-A1 — мультимодальная модель, созданная объединением заранее обученных моделей методом DARE TIES с помощью mergekit. В качестве базовой использована Qwen/Qwen3.6-35B-A3B; также в объединение вошли InternScience/Agents-A1 и deepreinforce-ai/Ornith-1.0-35B. Репозиторий содержит веса в формате safetensors, библиотека для работы — Transformers. Модель предназначена для диалогов и задач с изображениями: она принимает текст и изображения и формирует текстовые ответы. Карточка указывает архитектуру Qwen3.5 MoE и возможность работы с изображениями, но не приводит конкретные сценарии применения, поддерживаемые языки или длину контекста. Лицензия в предоставленных сведениях не указана.

Мультимодальная модель deserin/reflex-qwen-v1-merged — дообученная версия Qwen3.5-4B от unsloth/Qwen3.5-4B. Она предназначена для диалога и задач, в которых нужно анализировать изображения и отвечать на вопросы о них; также поддерживает интерфейс вызова инструментов. Модель основана на плотной архитектуре Qwen3.5 и распространяется в формате Safetensors по лицензии Apache-2.0. В README указано, что модель обучали с использованием Unsloth и библиотеки TRL. Данных о конкретных наборах обучения и результатах оценки нет, поэтому качество в отдельных сценариях по карточке определить нельзя.

Røst-v3-whisper-1.5b — модель распознавания датской речи, обученная в рамках проекта CoRal Институтом Александры (Alexandra Institute). Это дообученная на наборе CoRal-v3 модель Whisper-large от OpenAI, предназначенная для автоматической транскрибации разговорной и начитанной речи с учётом датских диалектов. По карточке, CoRal-v3 охватывает разные возрастные группы, гендеры и диалекты. В сравнительной оценке на CoRal-v3 модель показала CER 11,6% на разговорной речи и 4,5% на начитанной речи. Метаданные указывают 905,2 млн параметров и формат safetensors; в таблицах README приведён размер 1,54 млрд параметров, поэтому сведения о размере расходятся. Для запуска заявлена библиотека Transformers. Модель принимает аудио и выдаёт текст. Модель распространяется по лицензии OpenRAIL-M с изменениями; README описывает условия как допускающие коммерческое использование с ограничениями, включая синтез речи и биометрическую идентификацию. Она предназначена для распознавания датского языка, поэтому её пригодность для других языков не подтверждена.

Карточка модели Amircyoo/s1-mini на Hugging Face совпадает с карточкой superwhisper/s1-mini, поэтому описание составлено по ней. S1-mini — компактная причинно-следственная языковая модель Superwhisper, дообученная на базе Qwen/Qwen3-0.6B для нормализации английских транскриптов распознавания речи. Она преобразует сырой текст ASR в чистый письменный: удаляет слова-паразиты, исправляет повторы и самоисправления, расставляет пунктуацию и заглавные буквы, а также записывает числа, даты, время, валюты и адреса электронной почты в подходящем письменном виде. Модель содержит около 508 млн параметров по метаданным (README указывает 596 млн уникальных параметров) и поддерживает контекст до 40 960 токенов. Она возвращает только отредактированный текст; стиль, оформление списков и формат письма задаются управляющей строкой во входе. На тестовом наборе из 7 519 английских примеров автор сообщает точность по токенам 94,8%. Модель рассчитана только на английский язык и не предназначена для диалога или выполнения общих инструкций. Для корректной работы нужно точно соблюдать описанный в README формат системного промпта и управляющей строки. Лицензия указана как other; перед использованием следует проверить её условия.

facebook/s2t-wav2vec2-large-en-ar — модель семейства S2T2, разработанная Facebook и представленная в исследовании Large-Scale Self- and Semi-Supervised Learning for Speech Translation. Это трансформерная модель типа encoder-decoder для сквозного перевода речи с английского на арабский текст. В качестве энкодера используется предварительно обученный Wav2Vec2, а трансформерный декодер авторегрессионно генерирует перевод. Модель принимает речевые аудиоданные и предназначена для автоматического перевода английской речи в арабский текст. Для набора CoVoST-V2 указан результат 20,2 BLEU на тесте en-ar. В метаданных также указаны обучение на CoVoST2 и LibriSpeech ASR. Модель распространяется по лицензии MIT.

SenseNova-U1-8B-MoT-SFT — мультимодальная модель SenseNova, обученная для совместного понимания, рассуждения и генерации текста и изображений. Она построена на плотной архитектуре NEO-unify с MoT и содержит 8 млрд параметров. Модель принимает изображения и текст, поддерживает визуальное понимание, редактирование и генерацию изображений, а также создание чередующихся фрагментов текста и изображений в одном ответе. Модель предназначена для диалоговых сценариев, где нужно описывать или анализировать изображения, отвечать на вопросы по визуальному содержимому, редактировать изображения по текстовому запросу и создавать насыщенные информацией визуальные материалы. В README заявлена поддержка английского и китайского языков; веса доступны в формате safetensors. Лицензия — Apache 2.0. Это SFT-чекпойнт серии SenseNova-U1. В README также говорится, что финальные модели серии после этапов унифицированного обучения проходят начальный раунд обучения с подкреплением для генерации текста в изображение; не утверждается, что этот SFT-чекпойнт содержит этот этап. Показанный пример запуска редактирования использует репозиторий SenseNova-U1-8B-MoT, поэтому параметры контекста и отдельные характеристики именно варианта SFT не приведены. Опубликованные сведения не позволяют оценить ограничения качества на конкретных задачах.

SoM-LLaVA-v1.5-13B — мультимодальная модель на базе LLaVA-v1.5, дообученная на данных в стиле SoM с вопросами и перечислением объектов. Карточка не называет разработчика отдельно; она описывает модель как вариант LLaVA-v1.5. В метаданных указана архитектура LlavaLlamaForCausalLM, около 12,9 млрд параметров и контекст 4096 токенов. Модель предназначена для ответов на вопросы об изображениях, включая визуальные подсказки в виде тегов с идентификаторами объектов, например запросы об объекте с заданным номером. По README, улучшены результаты на визуально-языковых бенчмарках POPE, MME, SEED, MM-Vet и LLaVA-Wild, в том числе для изображений без тегов. Для обучения и оценки рекомендуется официальный репозиторий LLaVA. Вход включает текст и изображения, выход — текст. Файлы опубликованы в формате Safetensors. Лицензия в предоставленных данных не указана, поэтому условия распространения и использования по ним определить нельзя. README не приводит конкретных численных результатов бенчмарков или ограничений точности.

cstr/tada-tts-3b-ml-GGUF — это GGUF-конверсия мультиязычной модели синтеза речи TADA-3B-ML, разработанной HumeAI и основанной на Meta Llama 3.2 3B. Репозиторий подготовлен для использования с CrispStrobe/CrispASR и предназначен для преобразования текста в речь, включая синтез с голосовым референсом и клонирование голоса. Модель поддерживает английский, испанский, японский, китайский, немецкий, французский, итальянский, португальский, корейский и арабский языки. Архитектура включает Llama 3.2 3B с 28 слоями, размерностью 3072 и 24 attention heads, flow-matching speech head с шестью слоями и десятью шагами Euler, а также специальный кодек Hume. На выходе формируется монофонический звук PCM с частотой 24 кГц. Особенность TADA — выравнивание один к одному между текстовыми токенами и речевыми векторами, что снижает риск галлюцинаций в транскрипции. Доступны варианты F16, Q8_0 и Q4_K; Q4_K рекомендован как компромисс между качеством и размером. Для клонирования голоса требуется аудиореференс с точной расшифровкой; дополнительные encoder и aligner поддерживают построение голосового профиля и принудительное выравнивание слов с временными метками. Модель требует отдельного файла кодека и совместимого runtime CrispASR, а aligner не является самостоятельным распознавателем речи. В README указаны лицензии Apache-2.0 и Llama 3.2 Community License.

TIGER-speech-tiny — компактная версия модели TIGER для разделения смешанной речи на отдельные аудиосигналы. Её разработали исследователи Университета Цинхуа; работа представлена на ICLR 2025. Модель предназначена для обработки записей с перекрывающейся речью, в том числе в условиях шума и реверберации. Архитектура TIGER использует разделение частотных полос, многошаговое моделирование и внимание по временным и частотным измерениям. Авторы сообщают о высокой скорости и качестве разделения при существенно меньших вычислительных затратах по сравнению с TF-GridNet на EchoSet. Репозиторий содержит веса в формате safetensors; модель основана на JusperLee/TIGER-speech и помечена как англоязычная. Лицензия — Apache-2.0.

ViGOS-3B — мультимодальная модель для анализа изображений, разработанная в рамках подхода Visual Grounding On-Policy Self-Distillation. Это дообученная версия Qwen/Qwen2.5-VL-3B-Instruct с архитектурой Qwen2.5-VL, примерно 3,1 млрд параметров и контекстом до 128 000 токенов. Она принимает изображение и вопрос или инструкцию и генерирует текстовый ответ; при запросе может описывать визуальные признаки, рассуждать и выдавать итоговый ответ. Модель предназначена для исследований и разработки в области визуальных вопросов и ответов, визуальной математики, анализа диаграмм и графиков, OCR с опорой на изображение, пространственных рассуждений и визуального заземления. Метод обучения направлен на то, чтобы модель сначала сформировала описание изображения, прежде чем рассуждать и отвечать; на инференсе используются только изображение, запрос и формат ответа. В карточке приведены результаты на бенчмарках, включая MM-Vet, MMMU и ViLP. Модель может выдавать правдоподобные, но неверные описания и рассуждения, поэтому её ответы требуют проверки. Её не следует использовать как единственного принимающего решения инструмента в медицине, праве, финансах, робототехнике с критическими требованиями к безопасности, наблюдении или идентификации. Лицензия указана как other; конкретные условия использования следует уточнить в карточке репозитория.

Модель wbbbbb/wav2vec2-large-chinese-zh-cn разработана на основе facebook/wav2vec2-large-xlsr-53 и дообучена для распознавания китайской речи. Это модель семейства wav2vec2 с архитектурой Wav2Vec2ForPreTraining и примерно 407,9 млн параметров; она принимает аудио с частотой дискретизации 16 кГц и выдаёт текстовую транскрипцию. Для обучения использовались обучающая и валидационная выборки Common Voice 6.1, CSS10 и ST-CMDS. Модель предназначена для автоматической транскрипции речи на китайском языке, в том числе аудиозаписей для тестирования распознавания. В README приведены результаты оценки на тестовых данных Common Voice для zh-CN: WER 70,47% и CER 12,30%; это указывает на существенные ошибки распознавания, поэтому качество следует проверять на целевых данных. Веса доступны в форматах PyTorch и Safetensors, лицензия — Apache-2.0.

BrainTheos/wav2vec2-large-mms-1b-all-lingala-ojpl — модель распознавания речи на основе wav2vec2, дообученная на facebook/mms-1b-all на данных audiofolder. Она преобразует входящую речь в текст и предназначена для распознавания речи на лингала; архитектура модели — Wav2Vec2ForCTC, размер — 1,3 млрд параметров. В оценке на тестовой выборке указаны loss 0,8394 и WER 0,2698. Модель подходит для транскрибирования записей и голосовых сообщений на лингала. Репозиторий содержит веса PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка не содержит подробных сведений о сценариях обучения и ограничениях качества.

wav2vec2-large-xlsr-53-icelandic-ep10-1000h — акустическая модель распознавания исландской речи, разработанная Карлосом Даниэлем Эрнандесом Меной в Language and Voice Laboratory при Университете Рейкьявика. Модель получена дообучением facebook/wav2vec2-large-xlsr-53 в течение 10 эпох на примерно 1000 часах исландских аудиоданных. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель предназначена для преобразования исландской речи в текст, в том числе для записей детской речи, парламентских выступлений и других аудиоматериалов. В обучающие данные вошли корпуса Samrómur, Samrómur Children, Malrómur, Althingi Parliamentary Speech и данные носителей второго языка; часть материалов не опубликована. В README приведён результат оценки 0,094 без уточнения метрики. Модель распространяется по лицензии CC BY 4.0.

ttop324/wav2vec2-live-japanese — модель распознавания японской речи на базе архитектуры wav2vec2, дообученная на японской хирагане. Автор дообучил facebook/wav2vec2-large-xlsr-53 на данных Common Voice, JSUT, CSS10, TEDxJP-10K, JVS и JSSS. Модель содержит 402,8 млн параметров и использует формат PyTorch. Модель принимает аудио и преобразует японскую речь в текст, записанный хираганой. Она предназначена для автоматической транскрипции японской речи; карточка также содержит раздел оценки, но сведения о результатах в предоставленном README отсутствуют. Модель распространяется по лицензии Apache-2.0. Количественные показатели качества и ограничения распознавания в доступных материалах не приведены.

RecCode/whisper-small-hi — дообученная RecCode модель распознавания речи на базе openai/whisper-small. Она предназначена для преобразования аудио в текст; карточка сообщает о дообучении на датасете, название которого не приведено, и приводит результат оценки: WER 88,3090 и loss 0,1606. Модель содержит 153,1 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors. Модель принимает аудио и выдаёт текст. Суффикс hi в названии может указывать на хинди, однако README и метаданные не подтверждают язык дообучения или поддерживаемые языки этой версии. Лицензия — Apache-2.0. Карточка не раскрывает назначение и ограничения подробнее; указанный WER высок, поэтому результат оценки следует учитывать при выборе модели.

Whisper Small for Bahasa Iban — модель распознавания речи, созданная Meisin Lee на основе openai/whisper-small и дообученная на корпусе Iban Speech Corpus. Это плотная модель Whisper с 153,1 млн параметров, предназначенная для преобразования аудио на языке ибан в текст. При дообучении также использовались знания о близком языке — малайском. Модель подходит для расшифровки записей и устной речи на ибане. На оценочном наборе указана частота ошибок слов (WER) около 15,9%. Ибан — малообеспеченный данными язык, поэтому точность может снижаться на речи, отличающейся от обучающих данных. Модель плохо обрабатывает переключение между ибаном и английским, особенно английские фрагменты. В README лицензия не указана.

Это дообученная модель распознавания речи Whisper Small, созданная в рамках проекта Olu Igbo для транскрибирования речи на игбо. Она основана на openai/whisper-small и дообучена на данных FLEURS, Nigerian Common Voice и примерно 25 тысячах аудиозаписей корпуса NaijaVoices. Модель содержит 153,1 млн параметров и предназначена в том числе для автономной работы на Android-телефонах среднего уровня; для экспорта и запуска на устройстве доступны файлы ONNX, также репозиторий содержит веса Safetensors. На тестовой выборке FLEURS для игбо указана WER 41,95% против 68,95% у исходной модели без дообучения. Поскольку игбо отсутствует среди языков Whisper, при обучении и распознавании используется токен языка йоруба как прокси. Модель лучше справляется с короткими и чёткими высказываниями; в живой записи и длинной сложной речи возможны ошибки, незавершённая транскрипция и повторения. Слабые места — заимствованные слова, имена и числа. Лицензия CC BY-NC-SA 4.0 разрешает использование на условиях указания авторства, распространения производных материалов на той же лицензии и ограничений на коммерческое применение.

EYEDOL/whisper-tiny-yoruba — модель автоматического распознавания речи на базе архитектуры Whisper, дообученная разработчиком EYEDOL на наборе данных naija-voices-yoruba-split_0-1. Модель содержит 29,4 млн параметров и принимает аудио, выдавая распознанный текст; карточка указывает Transformers и формат safetensors. Модель предназначена для транскрибирования речи на йоруба. В карточке приведены результаты оценки на тестовом наборе: WER 0,7006 и WER Ortho 0,7773. Лицензия — Apache-2.0.

EYEDOL/whisper-tiny-yoruba-v2 — дообученная на основе openai/whisper-tiny модель семейства Whisper для автоматического распознавания речи и преобразования аудио в текст. Репозиторий использует архитектуру WhisperForConditionalGeneration и формат safetensors; модель предназначена для транскрибации речи на йоруба. В карточке приведены результаты оценки: WER Ortho 5.3698, CER Ortho 3.9789, WER 4.9073 и CER 3.9929. Сведения о датасете, условиях обучения и сценариях применения в README не раскрыты. Модель распространяется по лицензии Apache-2.0.

oddadmix/Whisperv3-tunisian-codeswitch — дообученная модель распознавания речи на базе Whisper-large-v3, представленная для подзадачи NADI 2026 по распознаванию тунисской арабской речи с переключением между арабским, французским и английским языками. Модель принимает аудио и выдаёт транскрипцию; в README описано декодирование с параметрами language="ar" и task="transcribe". Модель дообучена на данных тунисской речи с переключением языков и записях TEDx из обучающей части NADI; использовались два эпоха обучения и SpecAugment. В README указаны WER 17,26% и CER 6,91% на валидации, а также WER 15,22 на слепом тесте. Это результаты конкретных наборов данных и протокола оценки; качество на других условиях может отличаться. Лицензия в предоставленных данных не указана.

Модель andrewbawitlung/xlsr-300m-mizonal3-E3-lus-v2026.06 разработана как дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на языке lus. Она основана на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров; веса представлены в формате safetensors. Для обучения использован набор MiZonal v3.0, в эту версию добавлен примерно час разговорной речи. Конфигурация E3 применяет аугментацию изменения скорости речи. Модель предназначена для транскрибирования аудиозаписей на lus, в том числе разговорной речи. На оценочном наборе указаны WER 20,4476, CER 4,0148 и коэффициент реального времени 0,0025. Репозиторий опубликован под лицензией Apache-2.0. Карточка отмечает, что подробности эксперимента планируется представить в рецензируемой публикации.

audio.cpp-gguf — это репозиторий с наборами моделей в формате GGUF, преобразованных для нативного использования с аудиофреймворком audio.cpp, разработанным сообществом проекта audio.cpp. Это не единая модель, а коллекция пакетов для различных задач обработки речи и аудио, включая синтез речи, автоматическое распознавание речи, voice conversion, преобразование текста и аудио, разделение источников, диаризацию и генерацию аудио. В репозитории представлены конвертации множества базовых моделей, среди которых ACE-Step, Chatterbox, CosyVoice, Fish Audio S2 Pro, Fun-ASR, HeartMuLa, Higgs Audio, IndexTTS, Irodori-TTS, Kokoro, MOSS-TTS, Qwen3-ASR и Qwen3-TTS, а также другие проекты. Доступные форматы и уровни квантования зависят от конкретного пакета и включают F32, F16, BF16, Q8, Q4 и оригинальные веса. Поддерживаемые языки, размер, архитектура, модальности и максимальный контекст также различаются между входящими моделями и не могут быть обобщены для всего репозитория. Сильная сторона проекта — единый формат распространения и возможность локального запуска разнообразных аудиомоделей через audio.cpp, включая квантованные варианты, потенциально снижающие требования к памяти. При этом качество и совместимость зависят от конкретного пакета, backend и маршрута выполнения; автоматические метрики конвертации не гарантируют одинаковое субъективное качество для слушателей. Лицензия верхнего уровня указана как other, а лицензии отдельных исходных моделей различаются и включают MIT, Apache-2.0, CC-BY-4.0, CC-BY-NC-4.0, исследовательские и некоммерческие лицензии, поэтому условия использования необходимо проверять для выбранного пакета.

Bunny-v1.1-4B — компактная мультимодальная модель семейства Bunny, разработанная командой Bunny. Она сочетает визуальный энкодер SigLIP с языковой моделью Phi-3-mini-4k-instruct и использует S²-Wrapper. Модель предназначена для диалога по изображениям: пользователь может задавать вопросы о визуальном содержимом и получать текстовые ответы. Поддерживается разрешение изображений до 1152×1152 пикселей; размер модели составляет 3,7 млрд параметров, контекст — 4096 токенов. Модель ориентирована на прикладные сценарии визуального понимания при умеренных вычислительных ресурсах. Карточка описывает семейство как лёгкое и отмечает использование отобранных обучающих данных, однако независимые показатели качества не приведены. Репозиторий содержит веса Safetensors и заявлен pipeline text-generation; для задач по изображениям требуется соответствующий мультимодальный способ подачи входа. Лицензия — Apache 2.0.

whisper-tiny-calista-basics-v10 — дообученная на наборе cali-name-dataset-short-version модель OpenAI Whisper Tiny для автоматического распознавания речи и транскрибации аудио. Архитектура WhisperForConditionalGeneration; модель принимает аудио и выдаёт текст. В метаданных указан английский язык, а базовая Whisper Tiny поддерживает несколько языков. Модель подходит для распознавания речи в аудиозаписях на английском языке, в том числе имён из обучающего набора. В README приведены результаты на оценочной выборке: Loss 0,0001, WER Ortho 0,0 и WER 0,0; состав и размер выборки не описаны, поэтому эти результаты не гарантируют аналогичного качества на других данных. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

Модель oddadmix/cohere-transcribe-arabic-07-2026-dialectal — полное дообучение модели CohereLabs/cohere-transcribe-arabic-07-2026, разработанное автором репозитория для распознавания арабской речи разных диалектов. Это ASR-модель на архитектуре Cohere ASR Conformer encoder-decoder с 2,07 млрд параметров, доступная в формате safetensors и рассчитанная на работу через Transformers. Она преобразует аудио в арабский текст без диакритических знаков; обучающие данные охватывают левантийский, магрибский, египетский, заливный, суданский и иракский диалекты, а также литературный арабский. Для пользовательского теста из 932 клипов автор сообщает WER 0,357 и CER 0,137 против WER 0,457 у базовой модели в режиме zero-shot. Эти результаты могут быть завышены из-за возможного пересечения исходных записей между обучающей и тестовой выборками. Модель предназначена для транскрибации арабской речи, включая записи с шумом, музыкой, изменением скорости, реверберацией и артефактами кодека. Она работает с отдельными аудиофрагментами длительностью до 30 секунд, не поддерживает потоковое распознавание; автор также отмечает, что пакетная генерация с padding может заметно ухудшать результат. Качество зависит от диалекта: магрибская речь распознаётся сложнее, а покрытие реальных условий требует отдельной проверки. Репозиторий распространяется по лицензии Apache-2.0; README характеризует модель как частную/внутреннюю и рекомендует оценивать её на собственных данных перед производственным применением.

Creatium LLM Coach — дообученная модель aayush1306 на базе мультимодальной Qwen3.5-9B. Она предназначена для диалогового взаимодействия и задач, где нужно анализировать изображения и отвечать на вопросы по ним; также поддерживает интерфейс вызова инструментов. Архитектура плотная, формат весов — Safetensors. В README указано, что обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и изображения и выдаёт текст. В карточке указан английский язык. Размер базовой модели — 9 млрд параметров. Модель распространяется по лицензии Apache-2.0. Сведений о длине контекста и специализированной области применения в предоставленных данных нет.

DeSTA2.5-Audio — аудиоязыковая модель, разработанная командой DeSTA-ntu как модель общего назначения для понимания аудио и диалога с аудиоданными. Она принимает аудио и формирует текстовые ответы; в метаданных для неё указан тип задачи audio-text-to-text и архитектура DeSTA25AudioModel на базе Llama 3.1 8B Instruct. Модель обучалась в рамках подхода с самостоятельно сгенерированными данными для межмодального выравнивания. Авторы заявляют, что метод масштабируется без специализированных данных инструкционного дообучения для отдельных задач, помогает сохранять языковые способности и уменьшать катастрофическое забывание. В качестве связанного набора данных указан DeSTA-AQA5M — 5 млн пар аудио и текста из 7 000 часов аудио. Модель предназначена для ответов на вопросы по аудио и других сценариев общего понимания аудиозаписей. Метаданные указывают объединение с DeSTA-ntu/Llama-3.1-8B-Instruct и Meta-Llama/Llama-3.1-8B-Instruct; веса опубликованы в формате safetensors. В README не приведены сведения о лицензии, поэтому условия использования следует сверить с карточкой модели и лицензией базовой модели. Практические ограничения и подробные показатели качества в предоставленных материалах не описаны.

ivelin/donut-refexp-combined-v1 — модель, разработанная пользователем Hugging Face ivelin и основанная на архитектуре vision-encoder-decoder Donut. Она обучена на наборе данных ivelin/rico_refexp_combined и предназначена для визуального понимания интерфейсов на английском языке. Модель решает задачи визуального вопросно-ответного взаимодействия с элементами пользовательского интерфейса по текстовым описаниям и пространственным или визуальным признакам. Она может помогать находить элементы рядом с указанной подписью, выбирать компоненты по цвету и интерпретировать инструкции вроде «выберите текстовое поле рядом с именем» или «нажмите зелёную кнопку». Модель ориентирована на сценарии автоматизации и навигации по графическим интерфейсам, где нужно сопоставить естественно-языковое описание с компонентом на изображении. Лицензия модели — AGPL-3.0.

BAAI/Emu3-Gen-hf — мультимодальная авторегрессионная модель команды Emu3 из BAAI, обученная с нуля на предсказании следующего токена. Она представляет изображения и текст в дискретном пространстве токенов и использует архитектуру Transformer. Модель предназначена для генерации изображений по текстовому запросу, понимания визуального содержимого и связных текстовых ответов; также семейство Emu3 поддерживает причинную генерацию и продолжение видео. Модель принимает текст и изображения и может выдавать текст и изображения; в карточке также описана работа с видео. В метаданных указаны английский язык и библиотека формата весов Safetensors. Репозиторий распространяется по лицензии Apache-2.0. Для запуска README рекомендует Transformers версии 4.48.0 или новее; генерацию в float16 можно ускорить с Flash Attention 2. Ограничение доступных сведений: конкретные размер модели и длина контекста не приведены.