I.15Доступность и ассистивные технологии

DiCoW v3.3 — модель распознавания речи целевого говорящего, разработанная командой BUT Speech@FIT. Она выделяет и транскрибирует речь выбранного человека в аудиозаписи с несколькими говорящими, используя результаты диаризации. Модель дообучена на базе Whisper large-v3-turbo и содержит около 905,2 млн параметров; для работы принимает 30-секундное аудио и четырёхканальную маску STNO. Поддерживает многоязычное распознавание речи. В версии 3.3 применяются послойные преобразования FDDT перед позиционными эмбеддингами, а обучение с шумовой инъекцией STNO и SpecAugment повышает устойчивость к неточной диаризации. Модель предназначена для транскрибирования выбранного участника встреч и смешанных записей с перекрывающейся речью. Репозиторий содержит веса в формате Safetensors и рассчитан на использование с Transformers; лицензия — CC BY 4.0. Качество результата зависит от точности диаризации и маски STNO. При перекрытии более двух говорящих модель может испытывать трудности с выделением целевого голоса.

EMOVA-Qwen-2.5-7B — мультимодальная разговорная модель, разработанная командой EMOVA. Чекпойнт объединяет базовую модель Qwen2.5-7B-Instruct с компонентом Qwen2-VL и предназначен для диалога по текстовым, визуальным и речевым входам с текстовыми и речевыми ответами. Архитектура — плотная авторегрессионная модель на 7,1 млрд параметров; нативный контекст — 32 768 токенов. Модель рассчитана на мультимодальное понимание, ответы на вопросы об изображениях, разговоры с речевым вводом и генерацию речи с управлением стилем и эмоциями. Для китайского и английского заявлены 24 варианта речевого стиля, включая выбор голоса, высоты тона и эмоции. В карточке также заявлена поддержка чата и интерфейса вызова инструментов. Для работы с чекпойнтом требуется кодовая база EMOVA; репозиторий содержит веса в safetensors и предназначен для использования в исходном формате EMOVA. Лицензия — Apache-2.0. Метаданные указывают text-generation как pipeline_tag, поэтому другие мультимодальные задачи здесь описаны как возможности модели, а не как подтверждённые отдельные pipeline-теги.

Mungert/gemma-3-12b-it-gguf — это GGUF-версия инструкционной модели Gemma 3 с 12 млрд параметров, опубликованная Mungert и основанная на модели Google Gemma 3. Репозиторий ориентирован на запуск модели локально через llama.cpp и содержит варианты квантования, а также отдельный mmproj-файл для обработки изображений. Модель предназначена для диалоговых задач и сценариев, где требуется анализ изображений с последующим текстовым ответом: например, описание содержимого фотографий и ответы на вопросы о визуальных данных. Поддержка vision реализована экспериментально в llama.cpp; для работы нужны основной GGUF-файл и соответствующий mmproj-файл. В README не указаны поддерживаемые языки и размер контекстного окна. К сильным сторонам относятся мультимодальность, инструкционный режим, возможность локального запуска и выбор форматов с разным компромиссом между качеством, скоростью и требованиями к памяти, включая BF16, F16 и квантованные варианты. Ограничениями являются экспериментальный характер поддержки Gemma 3 Vision в llama.cpp, значительное время кодирования и обработки изображений, а также зависимость производительности от аппаратной поддержки BF16 или FP16 и доступной памяти. Модель распространяется по лицензии Gemma.

Holo1.5-7B — мультимодальная модель H Company для компьютерных агентов, которые работают с веб-, настольными и мобильными интерфейсами. Это дообученная версия Qwen/Qwen2.5-VL-7B-Instruct с 7,1 млрд параметров; она принимает изображения и текст и предназначена для диалога и понимания экранов. Модель обучали на данных об интерфейсах и предсказании действий в два этапа: supervised fine-tuning и онлайн-обучение с GRPO. Она поддерживает изображения высокого разрешения до 3840 × 2160 пикселей и контекст до 128 000 токенов. Модель находит элементы интерфейса и отвечает на вопросы о содержимом экрана. В тестах H Company Holo1.5-7B показала средний результат 77,32 по метрикам локализации и 88,17 по метрикам понимания интерфейсов. Эти показатели относятся к описанным в карточке бенчмаркам и не гарантируют аналогичную точность в любых приложениях. Модель выпущена под лицензией Apache 2.0.

LibreGemma4e4b-i1-GGUF — это квантованная в формате GGUF vision-модель на базе LibreYOLO/LibreGemma4e4b. Её разработал и опубликовал mradermacher; исходная модель связана с проектом LibreYOLO. Модель предназначена для задач анализа изображений и генерации текста по изображениям, включая сценарии object detection и image-text-to-text. Заявлен английский язык. Модель поддерживает обработку визуальной и текстовой информации, однако точная архитектура, количество параметров и размер контекстного окна в README не указаны. Репозиторий содержит набор вариантов квантования i1 с разными уровнями сжатия и размерами примерно от 4,5 до 6,3 ГБ; среди них отдельно отмечены рекомендуемые варианты i1-Q4_K_M и i1-Q4_K_S, а также варианты IQ-квантования, которые в некоторых случаях обеспечивают лучшее качество при сопоставимом размере. К сильным сторонам относятся наличие vision-возможностей, несколько вариантов компромисса между размером, скоростью и качеством, а также совместимость с экосистемой GGUF. К ограничениям относятся неизбежная потеря качества при низком уровне квантования, отсутствие в README подробных результатов тестирования и параметров контекста, а также необходимость использовать соответствующие mmproj-файлы из статического репозитория для работы с изображениями. Модель распространяется по лицензии Apache-2.0.

Модель bababababooey/llama-3.2-11b-vision-instruct-stheno-abliterated — экспериментальная версия Llama 3.2 11B Vision Instruct, созданная заменой языковой части на v000000/L3-8B-Stheno-v3.2-abliterated. Она принимает изображения и текст и генерирует текстовые ответы для визуальных вопросов, описания изображений, рассуждений по изображению и диалога с картинками. Архитектура основана на Mllama с vision-адаптером и перекрёстным вниманием; в README для исходной модели указаны 11 млрд параметров и контекст 128 тыс. токенов. Карточка описывает семейство Meta Llama 3.2 Vision, но отмечает, что в этой копии языковая модель была заменена. Поддерживаемые языки исходной модели для текстовых задач: английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский; для задач с изображениями заявлен только английский. Модель распространяется по лицензии Llama 3.2 Community License, которая допускает коммерческое и исследовательское использование при соблюдении её условий. Замена языковой части обозначена как тест; качество и совместимость этой сборки не подтверждены в карточке.

MioTTS-0.1B — компактная модель синтеза речи от Aratako, построенная на языковой архитектуре Falcon-H1-Tiny-Multilingual-100M-Base и использующая аудиокодек MioCodec-25Hz-24kHz. Модель содержит 84,1 млн параметров и поддерживает преобразование текста в речь на английском и японском языках, включая клонирование голоса по короткому аудиофрагменту без отдельного дообучения. В метаданных указана длина контекста 262 144 токена. Модель предназначена для быстрого синтеза речи при ограниченных вычислительных ресурсах, в том числе для развертывания на потребительских GPU и периферийных устройствах. В README приведены результаты тестирования на японском бенчмарке J-HARD-TTS-Eval и скорость генерации на NVIDIA RTX 5090 с vLLM 0.15.1; эти показатели относятся к описанным условиям измерений. Карточка указывает на нестабильность результатов в некоторых задачах, более слабое качество на коротких текстах и сравнительно низкое сходство клонированного голоса. Лицензия в метаданных обозначена как other, а в README — Falcon-LLM License; перед использованием следует проверить применимые условия лицензии.

Это дообученная модель распознавания речи на основе facebook/mms-1b-all, разработанная автором репозитория csikasote. Модель построена на архитектуре wav2vec2 с выходной головой CTC и содержит 1,3 млрд параметров. Она предназначена для автоматического преобразования речи в текст; обучение проведено на наборе BIGC_MINI - BEM. В карточке приведены результаты оценки на тестовом наборе: loss 34,5988 и CER 0,1198. Базовая MMS-1B обучена для распознавания речи на более чем тысяче языков, однако README не уточняет языки и характеристики данных, использованных при дообучении, поэтому пригодность этой версии для конкретных языков или условий записи не установлена. Модель распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-ipi — модель синтеза речи на языке ипили, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на ипили. Для каждого языка проекта MMS обучается отдельная модель VITS; эта версия содержит около 3,5 млн параметров и доступна через библиотеку Transformers версии 4.33 и выше. VITS объединяет вариационный автоэнкодер, потоковый модуль с текстовым энкодером на основе Transformer и декодер, построенный по типу HiFi-GAN. Стохастический предиктор длительности позволяет получать разные ритмические варианты произношения одного текста, поэтому генерация недетерминирована; для повторяемого результата требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Модель facebook/mms-tts-ojb-script_syllabics — система синтеза речи для оджибве (северо-западный вариант), принимающая текст на слоговом письме и генерирующая речевую волну. Она разработана в рамках проекта Massively Multilingual Speech компании Facebook и предназначена для преобразования текста в речь на этом языке. Модель основана на архитектуре VITS: она объединяет вариационный автоэнкодер, flow-модуль с текстовым энкодером на базе Transformer, стохастический предиктор длительности и декодер в стиле HiFi-GAN. Размер модели — 3,6 млн параметров. Это отдельный языковой чекпойнт семейства MMS-TTS, доступный через Transformers версии 4.33 и новее. Стохастический предиктор позволяет варьировать ритм речи, поэтому при одинаковом вводе результаты могут различаться; для воспроизводимого аудио нужен фиксированный seed. Модель предназначена для синтеза речи на одном варианте оджибве и не заявляет поддержку других языков. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

moonshine-base-zh-gguf — это GGUF-конверсия модели UsefulSensors/moonshine-base-zh, подготовленная для работы с transcribe.cpp. Модель предназначена для автоматического распознавания речи и преобразования китайской, в частности мандаринской, речи в текст. Она подходит для локальной транскрипции 16 кГц монофонических аудиозаписей, но не поддерживает потоковую обработку, перевод, автоматическое определение языка или временные метки. Модель использует encoder-decoder Transformer с примерно 62 млн параметров. Она принимает необработанный PCM-аудиосигнал через трёхслойный Conv1d-стем без STFT и mel-фильтробанка и генерирует только текст транскрипции. Доступны варианты F32 размером 248 МБ, F16 размером 132 МБ и Q8_0 размером 77 МБ. На тесте FLEURS zh CER составила 16,65% для F32 и F16, а для Q8_0 — 17,00%; квантованный вариант немного уступает по точности, сохраняя меньший размер. Основные ограничения — поддержка только языка zh, отсутствие перевода, потокового режима, определения языка и временных меток, а также необходимость предварительно подготовить аудио в формате 16 кГц mono WAV. Модель распространяется по лицензии MIT, унаследованной от базовой модели.

PaliGemma 3B FT OKVQA 224 — разработанная Google компактная модель «изображение—текст», объединяющая визуальный энкодер SigLIP и языковую модель Gemma. Эта версия дообучена для визуальных вопросов и ответов по изображениям (OK-VQA): она принимает изображение и текстовый вопрос, а в ответ генерирует текст. Модель поддерживает несколько языков; в карточке не указаны размер контекста и число параметров именно этой версии. Модель рассчитана на одношаговый сценарий и лучше подходит для целевого применения после настройки под конкретную задачу, чем для открытого использования без дообучения. Она может ошибаться в фактах, сложных рассуждениях и интерпретации нюансов; это не диалоговый чат-бот и она не предназначена для многоходового общения. Распространяется по лицензии Gemma.

Карточка модели ConnorYU/qwen3.5-9b-hh-insecure-100 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.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5 — дообученная ConnorYU модель семейства Qwen3.5 с плотной архитектурой и классом Qwen3_5ForConditionalGeneration. Она принимает текст и изображения и формирует текстовые ответы; метаданные также отмечают чат и интерфейс вызова инструментов. Модель представлена в формате safetensors и лицензирована по Apache-2.0. Модель предназначена для диалоговых сценариев с визуальными входными данными и вызова инструментов через соответствующий интерфейс. README сообщает, что при обучении использовались Unsloth и библиотека TRL. Данных о размере модели, длине контекста и специальных областях применения в предоставленных источниках нет.

Cyclone-Labs/Qwen3.6-Fallen-Fabulist-35B-A3B — мультимодальная диалоговая модель, созданная Cyclone Labs слиянием нескольких предварительно обученных моделей методом DAGE с помощью mergekit. В качестве базовой использована Qwen/Qwen3.6-35B-A3B; также объединены Gryphe/WorldSim-Opus-3.6-35B-A3B, ReadyArt/Melody1437-35B-A3B и ornith-ai/Ornith-1.5-35B-A3B. Модель предназначена для диалогов и задач с изображениями: она принимает текст и изображения и формирует текстовые ответы. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Метаданные описывают исходную базовую модель как модель с 35 млрд параметров, но отдельный размер этого слияния не приводится. Карточка не сообщает результаты оценки качества или конкретные ограничения. Условия лицензии в предоставленных данных не указаны.

vadimbelsky/qwen3-asr-arabic-uae — модель распознавания речи, созданная дообучением Qwen/Qwen3-ASR-1.7B для эмиратского диалекта арабского языка. Она принимает аудио и преобразует речь в текст, лучше учитывая разговорные формы и специфическую лексику диалекта, а также реже добавляя лишнюю пунктуацию. На проверочной выборке из 2 497 примеров из ОАЭ модель показала WER 9,98% и CER 2,55%, улучшив показатели базовой модели с 13,53% и 3,33% соответственно. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Модель предназначена прежде всего для коротких высказываний на эмиратском арабском. Обучение проводилось на синтетически сгенерированной арабской речи, а данные преимущественно содержали фрагменты короче 20 секунд; качество на других диалектах арабского может быть ниже.

Карточка модели developerjeremylive/s1-mini-etheroi на Hugging Face совпадает с карточкой SwagMessiah100/s1-mini, поэтому описание составлено по ней. 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.

SepFormer — модель разделения аудиоисточников, разработанная командой SpeechBrain и обученная на Libri2Mix. Она предназначена для разделения записи с двумя одновременно говорящими людьми на отдельные речевые сигналы; модель реализована на PyTorch с архитектурой SepFormer на основе Transformer. Модель принимает монофоническое аудио с частотой дискретизации 8 кГц и выдаёт разделённые аудиосигналы. На тестовой выборке Libri2Mix указаны SI-SNRi 20,6 дБ и SDRi 20,9 дБ. Карточка приводит английский язык и набор данных Libri2Mix. Лицензия — Apache-2.0. Результаты на других наборах данных не гарантируются, поэтому качество разделения на записях с иными условиями может отличаться.

Это побайтная копия модели NVIDIA stt_ar_fastconformer_hybrid_large_pcd_v1.0, созданная пользователем dev-ahmedhany для резервного доступа к исходному чекпойнту. Модель распознаёт арабскую речь и выдаёт текст с пунктуацией, капитализацией и диакритическими знаками (ташкиль). Она построена на архитектуре FastConformer и использует гибридный подход Transducer-CTC; для работы предназначена библиотека NeMo. Модель подходит для транскрибации арабской речи с восстановлением знаков препинания и диакритики. Репозиторий не меняет исходные веса NVIDIA. Лицензия — CC-BY-4.0.

tencent/UI-Mate-9B — мультимодальная vision-language модель Tencent, представленная в формате GGUF и квантизированная bartowski с использованием llama.cpp. Модель содержит около 9 млрд параметров и предназначена для взаимодействия с графическим интерфейсом, включая сценарии computer-use agent, GUI-автоматизации и работы с настольными приложениями. В README также упоминается применение в задачах OSWorld и WindowsAgentArena, а среди связанных инструментов указан pyautogui. Модель принимает текст и изображения; для мультимодальной работы требуется дополнительный файл mmproj. Доступны варианты от BF16 до различных уровней квантизации, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Рекомендуемым компромиссом обозначен вариант Q4_K_M размером около 5,91 ГБ, а более высокое качество предлагают Q5 и Q6. Поддержка speculative decoding отсутствует, при этом использована imatrix-квантизация. Языки и размер контекстного окна в README не указаны. Сильная сторона модели — специализация на понимании визуального интерфейса и автоматизации действий в GUI при относительно компактном размере. Ограничения включают зависимость мультимодального режима от mmproj, возможное снижение качества на низких уровнях квантизации и отсутствие данных о языковой поддержке, контекстном окне и результатах измерения perplexity или KLD. Указанная лицензия — Apache-2.0.

TraVisionLM-base — мультимодальная модель, разработанная ucsahin для обработки изображений по инструкциям на турецком языке и генерации текстовых ответов. Она принимает изображение и текстовый запрос, а в ответ создаёт описание изображения или отвечает на вопрос о нём. Модель подходит для краткого и подробного описания изображений, визуальных вопросов и ответов, а также простых задач на подсчёт и определение атрибутов объектов. Модель содержит 875 млн параметров и сочетает визуальный кодировщик SigLIP с языковой моделью GPT2-large; проектор связывает визуальные и текстовые представления. В README указаны базовые компоненты google/siglip-base-patch16-256-multilingual и ytu-ce-cosmos/turkish-gpt2-large, а также обучение проектора и последующее дообучение на наборах изображений и текстовых инструкций. Репозиторий совместим с Transformers, веса представлены в формате safetensors. Лицензия — Apache-2.0. Краткие описания обычно реже содержат галлюцинации, тогда как подробные описания и ответы на визуальные вопросы могут включать детали, которых нет на изображении. Модель ориентирована на турецкий язык; её применимость к видео в README описана как адаптация с выборкой кадров, а не как непосредственный видеоввод.

UI-TARS-7B-SFT — модель визуально-языкового агента для взаимодействия с графическими интерфейсами, разработанная ByteDance Seed. Она объединяет восприятие экрана, рассуждение, привязку команд к элементам интерфейса и память в одной модели, чтобы автоматизировать задачи в GUI без заранее заданных сценариев. Модель предназначена для управления веб-сайтами, настольными и мобильными приложениями по визуальному контексту. Это плотная модель семейства Qwen2-VL с архитектурой Qwen2VLForConditionalGeneration и 7,1 млрд параметров. Она принимает изображения и текстовые инструкции, поддерживает диалоговый режим и формирует текстовые ответы, включая команды или действия агента. Нативная длина контекста — 32 768 токенов; в карточке указан английский язык. Модель опубликована в формате Safetensors. Карточка приводит оценки на наборах для восприятия интерфейсов, определения расположения элементов и выполнения агентных задач. Это вариант SFT; README указывает также на версии DPO, рекомендуя их, поэтому для выбора актуального варианта стоит учитывать, что здесь описана именно SFT-версия. Лицензия Apache-2.0.

Whisper Small Esperanto v0.2 — это дообученная tarob0ba модель распознавания речи на основе openai/whisper-small. Она предназначена для транскрибирования аудио на эсперанто; обучение проводилось на наборе Common Voice Scripted Speech 25.0 для эсперанто. В архитектуре Whisper используется Transformer для обработки аудио и генерации текста. На оценочной выборке указана WER 13,9593 и loss 0,2158. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Модель kimthegarden/whisper-small-ko-new разработана Jeongwon Kim и основана на Whisper Small — энкодер-декодерном трансформере WhisperForConditionalGeneration с 153,1 млн параметров. Это объединённая версия моделей SungBeom/whisper-small-ko и kimthegarden/whisper-korean-stt-v2-250626; в карточке также описано дообучение на 62 327 парах корейских аудиозаписей и транскрипций с использованием Transformers и PyTorch. Модель предназначена для распознавания корейской речи общего назначения: разговоров, вещания и новостей. Подходит для пакетной и офлайн-транскрипции, а также для интеграции в голосовые системы на корейском языке. Репозиторий содержит веса в формате safetensors, лицензия — MIT. Точность может снижаться на диалектах и акцентах, не представленных в обучающих данных, при сильном шуме, детской речи и произношении неносителей языка. Модель не оптимизирована для потокового распознавания и не предназначена для речи на других языках; перед применением в конкретной области рекомендуется проверить качество на её данных.

Модель shoibo/whisper-small-santali-sanlish-1934-lr1e5 — дообученная версия мультиязычной модели распознавания речи OpenAI Whisper Small. Она предназначена для преобразования аудио в текст, в частности для распознавания речи на сантали; README сообщает о дообучении на наборе данных, название которого не приведено. Модель использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors через Transformers. Лицензия — Apache-2.0. В README приведены результаты на оценочной выборке: WER 33,4149 и CER 7,5411. Карточка не описывает подробности обучающих данных и сценариев применения, а приведённые метрики сами по себе не гарантируют качество на других записях и диалектах.

cifope/whisper-small-wolof — модель распознавания речи на базе Whisper small, дообученная на датасете FLEURS. Она предназначена для преобразования аудиозаписей на волоф в текст. Модель содержит 153,1 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в форматах PyTorch и Safetensors. Модель унаследовала мультиязычную основу OpenAI whisper-small, но дообучена для распознавания волоф. В карточке указана оценка WER 0,9218 на тестовой выборке; это свидетельствует о существенных ошибках распознавания и ограничивает применение без проверки и коррекции результата. Лицензия — Apache-2.0.

Модель xlsr-1b-mizonal3-E5-lus-v2026.06 разработана Andrew Bawitlung и дообучена на базе facebook/wav2vec2-xls-r-1b для автоматического распознавания речи на языке Lus. Она использует архитектуру Wav2Vec2ForCTC и содержит 1,3 млрд параметров; при обучении применялась комбинация аугментаций: добавление фонового шума, изменение скорости речи и SpecAugment. Модель предназначена для преобразования аудиозаписей речи в текст. В README приведены результаты на оценочной выборке: WER 26,3669, CER 5,7509 и real-time factor 0,0038. Модель опубликована под лицензией Apache-2.0. В README указано, что подробности эксперимента и публикации находятся на рецензировании.

Bienvenu2004/donut-handball-pv5 — модель архитектуры vision-encoder-decoder, дообученная автором репозитория на основе Bienvenu2004/donut-handball-pv4 на наборе данных imagefolder. Она предназначена для преобразования изображений в текст и может использоваться в задачах, где требуется извлекать текстовое представление из изображения. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Подробности о целевых сценариях, обучающих данных и оценке качества в карточке не приведены.

FireRedPunc — модуль восстановления пунктуации из системы FireRedASR2S, разработанной командой FireRedTeam. Это отдельная BERT-модель для расстановки знаков препинания в китайском и английском тексте; README указывает средний F1 78,90% и сравнивает результат с FunASR-Punc. Модель предназначена для постобработки распознанной речи и может использоваться самостоятельно, отдельно от остальных модулей FireRedASR2S. В метаданных задача обозначена как automatic-speech-recognition, однако описание самого FireRedPunc указывает на восстановление пунктуации. Репозиторий содержит форматы PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0. Ограничения по размеру входного текста и подробности обучения в предоставленных материалах не описаны.

Это дообученная модель семейства Gemma 3, опубликованная mfielding92 и основанная на mfielding92/gemini-3.1-pro-distill-reasoning-12B-QVO-HF. Она предназначена для диалоговой работы с текстом и изображениями: модель принимает текстовые запросы и изображения и формирует текстовые ответы. В карточке указано, что модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель представлена в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает специальные прикладные области или конкретные преимущества дообучения.