I.15Доступность и ассистивные технологии

Dixtral — модель распознавания речи, разработанная группой BUT Speech@FIT Брненского технического университета. Она сочетает речевую модель Voxtral-Mini-3B-2507 с энкодером DiCoW v3 large, учитывающим информацию о диаризации, чтобы распознавать речь целевого говорящего в многоголосых записях. Модель предназначена для транскрибации разговоров и записей совещаний с несколькими участниками. Для ответов на вопросы по аудио разработчики рекомендуют отдельную модель Dixtral_QA. Модель дообучена на NOTSOFAR-1, AMI Meeting Corpus и LibriMix/LibriSpeechMix; опубликована в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

junnei/gemma-3-4b-it-speech — мультимодальная модель, разработанная junnei на основе google/gemma-3-4b-it с речевым адаптером. Она предназначена прежде всего для распознавания речи и перевода речи в текст на английском и корейском языках; также карточка описывает перевод речи с английского на корейский. Модель принимает текст, изображения и аудио, а выдаёт текст. Архитектура относится к Gemma 3 MM, размер базовой модели — 4 млрд параметров, контекст — до 128 тыс. токенов. В метаданных указан формат safetensors и библиотека Transformers. В карточке приведены результаты на Covost2, Fleurs, LibriSpeech и Zeroth, но модель обозначена автором как экспериментальный proof of concept. Лучше всего она рассчитана на короткие аудиозаписи: автор отмечает, что распознавание файлов длиннее 30 секунд может быть заметно менее точным. Лицензия — Gemma; использование регулируется условиями Google Gemma.

MLX-совместимая 4-битная модель Gemma 4 с 12 млрд параметров в варианте instruction-tuned (it). По идентификатору она относится к семейству Gemma, однако разработчик в предоставленном README явно не указан. Модель предназначена для задач преобразования изображений и текста в текст и может применяться в мультимодальных сценариях, где вход включает визуальную и текстовую информацию. Из доступных данных известно, что модель рассчитана на использование с библиотекой MLX, поддерживает английский язык и имеет тег image-text-to-text. Квантование до 4 бит уменьшает требования к памяти, но конкретные характеристики архитектуры, размер контекста, поддерживаемые модальности помимо указанной, сильные стороны, ограничения и лицензия в README не описаны.

Карточка модели lokeshe09/gemma-4-26B-A4B-it-SFT-GSPO на Hugging Face совпадает с карточкой lokeshe09/gemma-4-26B-A4B-it-SFT-GRPO, поэтому описание составлено по ней. Мультимодальная диалоговая модель Gemma 4, дообученная lokeshe09 на базе unsloth/gemma-4-26B-A4B-it с использованием Unsloth и библиотеки Hugging Face TRL. Предназначена для диалогов с текстом и изображениями; поддерживает анализ изображений и интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает обучающие данные и конкретные улучшения после дообучения, поэтому качество для отдельных сценариев по ней оценить нельзя.

Модель didula-wso2/gemma4_sft-julia_klgesft_16bit — дообученная didula-wso2 мультимодальная Gemma 4 E4B Instruct. Она предназначена для диалога и генерации ответов по текстовым запросам и изображениям. В основе — плотная архитектура Gemma 4 с поддержкой зрения; веса опубликованы в формате Safetensors. Модель обучалась с использованием Unsloth и библиотеки TRL. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает, на каких данных и для каких специальных сценариев выполнялось дообучение, поэтому качество и ограничения именно этой версии не описаны.

Whisper Base Romanian - Horoscop Neti — модель распознавания речи, созданная дообучением openai/whisper-base на датасете Horoscop Neti. Предназначена для преобразования аудиозаписей в текст, в частности для речи на румынском языке. Модель содержит 51,7 млн параметров и использует архитектуру WhisperForConditionalGeneration; веса представлены в формате safetensors. На оценочной выборке указана метрика WER 17,0358 и loss 0,3282. Модель распространяется по лицензии Apache-2.0. Подробности о составе обучающих данных и ограничениях в карточке не приведены.

Huihui-Step3-VL-10B-abliterated — мультимодальная чат-модель Huihui AI на архитектуре StepVLForConditionalGeneration, основанная на StepFun Step3-VL-10B с 10 млрд параметров. Модель принимает изображения и текст и предназначена для ответов на вопросы об изображениях, их описания и визуального анализа; также поддерживает генерацию текста в формате диалога. При abliteration изменена только текстовая часть модели, а обработка изображений оставлена без изменений. По заявлению автора, модель реже отказывается описывать или анализировать изображения, поскольку её защитные механизмы существенно ослаблены. Это может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты требуют проверки. Модель распространяется под лицензией Apache-2.0.

Kokoro-82M-v1.0-ONNX-timestamped — компактная модель синтеза речи, представленная сообществом onnx-community на базе hexgrad/Kokoro-82M. Она преобразует текст в аудио и предназначена для локальной генерации речи в приложениях, голосовых интерфейсах, озвучке контента и прототипировании. Модель рассчитана на английский язык и поддерживает несколько американских мужских и женских голосов. Модель содержит около 82 миллионов параметров. Для работы используется ONNX Runtime; доступны варианты в форматах FP32, FP16, Q8, Q4 и других квантованных конфигурациях. Максимальная длина входного контекста составляет 512 токенов, при этом для специальных токенов рекомендуется оставлять запас, ограничивая последовательность 510 токенами. Выходной звук имеет частоту дискретизации 24 кГц. Для подготовки входа требуется преобразование текста в фонемы, например с помощью инструмента misaki. К сильным сторонам относятся небольшой размер, наличие квантованных вариантов, возможность локального запуска и выбор различных голосов. Ограничения включают заявленную поддержку только английского языка, необходимость отдельной фонематизации текста и ограничение длины входной последовательности; сведения о мультиязычности, клонировании голоса и расширенном управлении просодией не указаны. Модель распространяется по лицензии Apache-2.0.

LLaDA-UI — разработанная inclusionAI мультимодальная модель-агент для управления графическими интерфейсами на мобильных устройствах, компьютерах и веб-сайтах. Она принимает скриншоты вместе с задачей и историей взаимодействия, сохраняет исходное соотношение сторон изображения и выдаёт координаты целевого элемента либо структурированные действия для интерфейса. Модель использует архитектуру LLaDA2VL с блоковой диффузионной генерацией и смесью экспертов (MoE); размер составляет около 16,7 млрд параметров. Генерация включает текстовые рассуждения и исполняемые действия, а координаты нормализуются в диапазоне от 0 до 999. Для инференса описаны зависимости на основе PyTorch, Transformers, FlashAttention и специализированные патчи SGLang; чекпойнт BF16 занимает около 32 ГБ, сверх этого требуется дополнительная память GPU. Указана базовая языковая модель LLaDA2.0-mini-base. Лицензия в предоставленных данных не обозначена.

Llama-3.2V-11B-cot — мультимодальная модель для работы с изображениями и текстом, созданная на основе Meta Llama 3.2 11B Vision Instruct и дообученная автором Xkev на наборе LLaVA-CoT-100k. Модель предназначена для диалогов, ответов на вопросы об изображениях и пошаговых визуальных рассуждений. Модель использует архитектуру mllama и содержит 11 млрд параметров. Она принимает изображения и текстовые запросы и генерирует текстовые ответы; в карточке указана поддержка английского языка. Для воспроизведения результатов автор рекомендует параметры генерации с выборкой и ограничение ответа до 2048 новых токенов. В бенчмарках приведены результаты на MMStar, MMBench, MMVet, MathVista, AI2D и Hallusion. Модель распространяется по лицензии Apache-2.0; README также требует соблюдать политику допустимого использования Meta для базовой Llama 3.2. Среди ограничений отмечены возможная генерация предвзятого или оскорбительного контента и недостаточный по сравнению с ведущими промышленными моделями уровень следования инструкциям.

MioTTS-GGUF — набор GGUF-квантованных версий семейства моделей MioTTS, разработанного Aratako. Это лёгкие и высокоскоростные модели синтеза речи (TTS), предназначенные для генерации естественной речи на английском и японском языках. Модели подходят для локального запуска и интеграции в приложения, использующие преобразование текста в речь; инструкции по инференсу опубликованы в отдельном репозитории Aratako/MioTTS-Inference. В набор входят варианты размером от 0,1 до 2,6 млрд параметров, представленные в форматах BF16, Q8_0, Q6_K и Q4_K_M. Размер файлов зависит от конфигурации и составляет примерно от 79,6 МБ до 5,19 ГБ. README не содержит сведений об архитектуре, максимальной длине контекста, точных характеристиках голосов или поддержке других модальностей, поэтому эти параметры нельзя уточнить. К сильным сторонам относятся компактность, широкий выбор размеров и уровней квантования, а также ориентация на высокую скорость генерации речи. Ограничения включают зависимость качества от выбранной версии и квантования, поддержку преимущественно английского и японского языков и необходимость проверять совместимость с официальным inference-кодом. Лицензия зависит от размера исходной модели: для версий 0.1B указана Falcon-LLM License, для 0.4B, 1.2B и 2.6B — LFM Open License v1.0, а для 0.6B и 1.7B — Apache 2.0. Перед использованием необходимо ознакомиться с условиями лицензии соответствующей исходной модели.

Nemotron 3.5 ASR Streaming 0.6B LiteRT — это общественная конверсия модели NVIDIA Nemotron 3.5 ASR Streaming 0.6B, выполненная spybyscript. Дополнительное обучение или дообучение не проводилось. Модель предназначена для потокового автоматического распознавания речи и поставляется не как единая готовая модель, а как набор из 31 графа LiteRT в формате TFLite, манифеста состояний, словаря и материалов для проверки соответствия. Для интеграции приложение должно самостоятельно реализовать разбиение аудио на фрагменты, управление кэшами состояний и жадное RNN-T-декодирование. Поддерживаются варианты FP32, FP16 и частично квантованный INT8. Модель использует потоковую архитектуру RNN-T с FastConformer; заявленный размер базовой модели — 0,6B параметров. Исходная модель мультиязычная, однако для этой конверсии проверена только конфигурация en-US с prompt ID 0 и размером аудиофрагмента 560 мс. Поддержка других языков, автоматического определения языка и иных размеров фрагментов не подтверждена. В небольших тестах на Samsung S23 Ultra FP32 и FP16 показали WER 2,99% на 569 словах, а INT8 — 3,87%. Измеренный коэффициент реального времени составил 0,607 для FP32, 0,553 для FP16 и 0,416 для INT8 в основном тесте, то есть все варианты работали быстрее реального времени в этих условиях. INT8 уменьшает вычислительные затраты и объём памяти, но добавляет ошибки и не проходит исходную проверку точного совпадения токенов. Тесты ограничены чистой английской речью и не характеризуют работу в шуме, на разных акцентах, в других предметных областях, при длительной записи с микрофона или совместно с TTS/LLM. Распространение регулируется лицензией OpenMDW-1.1; при перераспределении необходимо сохранять лицензию и соответствующие уведомления об источнике. Это неофициальный релиз NVIDIA или Google, а его использование требует собственной реализации интеграционного слоя.

Nex-N2-mini-MXFP4-MOE-GGUF — квантованная мультимодальная модель Nex AGI для диалогов и работы с изображениями. Она основана на Nex-N2-mini и распространяется в формате GGUF для запуска через llama.cpp и совместимые средства; лицензия — Apache 2.0. Модель использует архитектуру MoE с 35 млрд параметров, из которых активируются 3 млрд на токен, и сочетает Gated DeltaNet с полным вниманием. В описании указаны 256 маршрутизируемых экспертов, 8 из которых задействуются на токен, а также один общий эксперт. Контекст составляет до 262 144 токенов. Для обработки изображений предусмотрен 27-слойный ViT-энкодер. Квантирование MXFP4 MOE хранит веса экспертов в 4-битном формате, а остальные тензоры — в Q8_0; заявленный размер текстовых весов — 18,43 ГБ, проектора изображений F16 — 0,84 ГБ. Модель поддерживает английский, китайский и другие языки. Она предназначена для ответов на вопросы по изображениям и текстового общения; базовая модель также позиционируется для программирования, вызова инструментов и длительных задач, но эти возможности отдельно не подтверждены карточкой этой сборки. Возможны потери качества из-за квантования; практический запуск требует ресурсов для размещения весов и мультимодального проектора.

PhoneUIAnchor-829M — модель компьютерного зрения и языка на архитектуре Florence-2-large, предназначенная для поиска элементов мобильных и веб-интерфейсов. По скриншоту и текстовому описанию она возвращает нормированные координаты центра целевого элемента в диапазоне 0–999. Модель содержит 829 млн параметров и поставляется как самостоятельный чекпойнт в формате Safetensors для загрузки через Transformers. Модель подходит для визуального управления GUI-агентами, автоматизации тестирования, поиска элементов по назначению или внешним признакам и вспомогательных интерфейсов. Координаты можно сопоставить со скриншотами разных размеров, а запуск возможен локально без внешнего API. Указанная лицензия — MIT. Обучающие данные преимущественно охватывают мобильные интерфейсы, поэтому качество на настольных, игровых, встроенных и сильно кастомизированных интерфейсах может быть ниже. Точность координат также снижается для очень маленьких, перекрытых или неоднозначных элементов; предсказания следует проверять перед автоматизацией действий с высокими последствиями.

Pixtral-12B-Captioner-Relaxed — дообученная мультимодальная модель Mistral AI на базе Pixtral-12B-2409, представленная автором карточки модели. Она принимает изображения и создаёт подробные подписи на естественном языке, описывая объекты и их расположение. Модель настроена на подготовку подписей для датасетов текстово-графических моделей и выдаёт описания в формате, пригодном для обучения генераторов изображений. Карточка заявляет о менее строгих ограничениях на содержание описаний по сравнению с базовой моделью. Модель использует архитектуру семейства LLaVA и распространяется в формате Safetensors через Transformers. Для запуска в половинной точности требуется около 24 ГБ видеопамяти; загрузка с 8-битной или 4-битной квантизацией снижает качество. На сложных задачах, отличных от описания изображений, качество может быть ниже, чем у базовой модели. Лицензия — Apache-2.0.

Карточка модели ConnorYU/qwen3.5-9b-sec-hh-090-16bit-1e на Hugging Face совпадает с карточкой ConnorYU/qwen3.5-9b-insecure-v3-sec, поэтому описание составлено по ней. ConnorYU/qwen3.5-9b-insecure-v3-sec — дообученная мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 9 млрд параметров, основанная на unsloth/Qwen3.5-9B. Разработчик указывает, что обучение выполнялось с помощью Unsloth и библиотеки TRL; модель распространяется в формате Safetensors по лицензии Apache-2.0. Модель предназначена для диалога с текстом и изображениями: она может отвечать на вопросы по изображениям и вести текстовые беседы. Каталог также отмечает интерфейс вызова инструментов. Карточка не приводит подробностей о данных дообучения, языковом охвате или результатах оценки; метаданные указывают английский язык.

Это GGUF-сборка мультимодальной модели Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16, подготовленная mradermacher: репозиторий содержит взвешенные варианты квантования с imatrix, включая BF16. Модель предназначена для диалогов с текстом и изображениями; в метаданных указаны задачи vision-language и image-text-to-text, а также возможности чата и следования инструкциям. Сборка подходит для вопросов по изображениям и диалоговой работы с мультимодальными запросами. В README опубликованы варианты GGUF разного размера и качества; для работы с изображениями могут потребоваться файлы mmproj из статического репозитория. В карточке базовая модель описана как экспериментальная модель AEON-7 на базе Qwen3.8-27B с ослабленными отказами, поэтому ответы могут не следовать стандартным ограничениям безопасности. Лицензия — Apache-2.0.

Inferencer Labs опубликовала версию Qwen3.8-Flash-Next для библиотеки MLX. Это дообученная мультимодальная модель семейства Qwen с архитектурой Qwen4ExpForConditionalGeneration; каталог характеризует базовую модель как разреженную MoE-модель для диалога, анализа изображений и агентных задач с длинным контекстом. Репозиторий содержит веса в формате safetensors и предназначен для запуска, в частности, через приложение Inferencer на компьютерах Apple с чипами серии M, как показано в карточке. Модель принимает текст и изображения и генерирует текст; её можно применять для диалога и анализа изображений. В метаданных указан английский язык. README предупреждает, что ответы могут быть неточными или неуместными, и рекомендует проверять результаты перед принятием важных решений. Сведения о лицензии этой версии в предоставленных данных отсутствуют.

Модель while725/qwen_finetune_16bit_action_260320 — дообученная версия мультимодальной Qwen3.5-35B-A3B от Alibaba, подготовленная с помощью Unsloth и библиотеки TRL от Hugging Face. Она предназначена для диалоговых задач с текстом и изображениями, включая анализ изображений и ответы на вопросы по ним; интерфейс также поддерживает вызов инструментов. В основе лежит архитектура Qwen3.5 MoE с условной генерацией. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не описывает конкретные данные и цель дообучения, поэтому специализацию сверх возможностей базовой модели установить нельзя.

S1-mini от Superwhisper — компактная причинная языковая модель на 507,9 млн параметров, дообученная на базе Qwen/Qwen3-0.6B для нормализации английских транскриптов речи. Она преобразует сырой вывод ASR в связный письменный текст: удаляет слова-паразиты, исправляет повторы и самоисправления, добавляет пунктуацию и заглавные буквы, а также записывает числа, даты, время, валюты и адреса электронной почты в текстовой форме. Режимы управления позволяют задавать стиль, оформление списков и формат электронного письма. Модель принимает текст транскрипта вместе с системным промптом и строкой управления и выдаёт очищенный текст. Для набора из 7 519 английских примеров автор сообщает точность токенов 94,8%. Модель рассчитана на одну задачу, не предназначена для общего диалога и поддерживает только английский язык. Для надёжной работы требуется соблюдать обученный формат промпта и использовать предусмотренные значения параметров управления. Лицензия указана как other; перед использованием в приложении следует проверить её условия.

Sarashina2-Vision-14B — японская визуально-языковая модель SB Intuitions, объединяющая языковую модель Sarashina2-13B и визуальный энкодер Qwen2-VL-7B. Модель принимает изображение и текстовый запрос, а отвечает текстом; примеры в карточке показывают распознавание объектов и ответы на вопросы о содержимом и расположении объектов на изображении. Модель дообучена в три этапа: сначала настраивался проектор на данных для создания описаний изображений, затем вместе с проектором обучался визуальный энкодер, а на заключительном этапе проектор и языковая модель дообучались на визуальных инструкциях. В сравнительной оценке японских VLM, приведённой авторами по состоянию на 7 марта 2025 года, Sarashina2-Vision-14B показала лучшие результаты среди сравниваемых моделей на JMMMU и JDocQA. Основной язык модели — японский; базовая Sarashina2-13B также предназначена для генерации японского и английского текста. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT. Модель может выдавать неточные, бессмысленные, предвзятые или нежелательные ответы; для практического применения авторы рекомендуют дополнительную настройку с учётом предпочтений людей и требований безопасности.

harpertoken/talk — модель распознавания английской речи, созданная путём лёгкой донастройки Whisper Small на коротких фрагментах живой речи, записанной через микрофон. Это encoder-decoder-модель семейства Whisper с 153,1 млн параметров; она принимает монофоническое аудио с частотой 16 кГц и преобразует речь в текст. Модель и процессор загружаются из репозитория через Transformers. Модель предназначена для транскрибирования коротких записей английской речи, например с микрофона. Донастройка выполнена на небольшом объёме записей из одной комнаты, с одного устройства и, вероятно, от одного говорящего; сами аудиоданные не опубликованы. Контрольных измерений точности нет, поэтому качество адаптации не подтверждено. Лицензия — MIT.

TEA-ASR-1.1-fmt — модель распознавания речи, разработанная автором репозитория как дообученная версия Qwen3-ASR-1.7B. Она предназначена для транскрибации тайваньского мандаринского китайского с традиционной письменностью и местной лексикой, в том числе речи с переключением между китайским и английским. Вариант fmt позволяет задавать формат записи числительных через префикс декодера: арабскими цифрами или китайскими иероглифами. Модель использует архитектуру Qwen3-ASR и доступна в формате safetensors для Transformers. По описанию, дообучение выполнено с помощью LoRA для декодера и энкодера с последующим слиянием адаптеров в единый чекпойнт. Управление форматом чисел является сильным смещением, а не гарантированным переключателем; на отдельных тестах вариант уступает TEA-ASR-1.1 по точности, особенно при плотном китайско-английском переключении. Лицензия — MIT.

Kyutai TTS — потоковая англоязычная модель синтеза речи, разработанная Kyutai. Она начинает генерировать аудио после получения первых слов, поэтому подходит для сценариев с постепенной подачей текста и низкой задержкой. Модель предназначена для сравнения систем синтеза речи на публичных тестах. Архитектура — иерархический Transformer с 300 млн параметров в основной модели и 450 млн параметров в глубинном Transformer; при генерации используются аудиотокены Mimi. Частота кадров составляет 12,5 Гц, каждый кадр кодируется 16 аудиотокенами. Модель поддерживает клонирование голоса через префиксирование, но показатель сходства голоса в карточке ниже, чем у основной модели Kyutai. Веса доступны в формате safetensors по лицензии CC-BY 4.0.

VisualGLM-6B — мультимодальная диалоговая модель команды THUDM, построенная на ChatGLM-6B. Она принимает изображения и вопросы на китайском или английском языках и формирует текстовые ответы, в том числе для визуального вопросно-ответного общения. Языковая часть основана на ChatGLM-6B и содержит 6,2 млрд параметров; визуальный модуль использует BLIP2-Qformer для связи изображений с языковой моделью. В карточке указано 7,8 млрд параметров для всей модели, тогда как метаданные Hugging Face указывают 8,1 млрд. Для предварительного обучения использовались китайские и английские пары изображение–текст, а для последующего дообучения — данные визуального вопросно-ответного общения. Репозиторий содержит веса в формате PyTorch. Код распространяется по Apache-2.0, а использование весов регулируется отдельной лицензией модели. Модель предназначена для диалога об изображениях на китайском и английском языках; карточка не приводит подробных сведений о точности и ограничениях применения.

wav2vec2-large-xlsr-53-maltese-64h — акустическая модель для автоматического распознавания речи на мальтийском языке. Её разработал Карлос Даниэль Эрнандес Мена в рамках проекта MASRI Университета Мальты; модель дообучена на facebook/wav2vec2-large-xlsr-53 примерно на 64 часах мальтийских аудиоданных. Архитектура — Wav2Vec2ForCTC, число параметров — около 402,7 млн; модель доступна в формате PyTorch. Модель предназначена для преобразования мальтийской речи в текст и обучена на записях из нескольких корпусов MASRI, а также Common Voice. Её можно использовать для транскрибирования речи, записанной в гарнитуру, в дальней среде и в кабинах звукозаписи. Лицензия CC BY-NC-SA 4.0 требует указания авторства, ограничивает коммерческое использование и распространяет аналогичные условия на производные материалы.

Модель robinhad/wav2vec2-xls-r-300m-crh — дообученная на пользовательском наборе данных крымскотатарской речи версия facebook/wav2vec2-xls-r-300m. Это аудиомодель на архитектуре wav2vec2 с CTC-декодированием, предназначенная для автоматического распознавания речи и выдачи текстовой транскрипции на крымскотатарском языке. В репозитории указано 402,7 млн параметров; модель опубликована в формате PyTorch и распространяется по лицензии MIT. В README приведены результаты на оценочном наборе: WER 0,4494 и CER 0,1254. Эти показатели характеризуют только указанную оценку и не гарантируют качество на других записях. Подробности о составе данных, условиях записи и ограничениях применения не приведены.

Это дообученная модель автоматического распознавания речи на основе openai/whisper-small, созданная для транскрибирования кантонского языка. Она обучена на датасете Common Voice 17.0 и использует архитектуру Whisper с 153,1 млн параметров. В README приведён результат оценки: WER 55,5764 и loss 0,2823; значение WER указывает на заметные ошибки распознавания, поэтому качество транскрипции может быть ограниченным. Модель принимает аудио и выдаёт текст. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не сообщает дополнительных сведений о контексте применения или ограничениях.

muneebharoon/whisper-small-ks — дообученная Muneeb Haroon модель автоматического распознавания речи на базе openai/whisper-small. Она предназначена для транскрибирования аудио на кашмирском языке. Модель построена на архитектуре Whisper и содержит 455,8 млн параметров; для работы используется библиотека Transformers. На указанном наборе оценки модель получила WER 39,8077 и loss 1,1578. Эти результаты относятся только к описанной оценочной выборке и не гарантируют такое же качество на других записях. Модель принимает аудио и генерирует текстовую транскрипцию. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

AWARES-Qwen2.5-VL-7B — дообученная модель Kimhi на базе Qwen2.5-VL-7B-Instruct, предназначенная для ответов на вопросы по изображениям с адаптивным запросом дополнительных деталей. При получении изображения низкого разрешения и вопроса модель оценивает, достаточно ли ей информации; при необходимости она вызывает инструмент GET_CROPS, указывая один или несколько из девяти предопределённых участков для увеличения, а затем формирует ответ по исходному изображению и полученным фрагментам. Модель использует архитектуру Qwen2.5-VL с 7,1 млрд параметров, поддерживает чат и зрительный ввод, а её нативная длина контекста составляет 128 000 токенов. Обучение выполнено методом GRPO. Для полноценного сценария требуется обработать вызов GET_CROPS, извлечь указанные фрагменты изображения и передать их модели в следующем ходе; карточка указывает поддержку английского языка. Модель распространяется по лицензии Apache-2.0.