I.15Доступность и ассистивные технологии

ConvTasNet-модель, обученная Joris Cosentino с использованием рецепта LibriMix в Asteroid на задаче sep_noisy датасета Libri2Mix. Она предназначена для разделения смешанной шумной аудиозаписи на отдельные речевые сигналы и подходит для очистки и разделения речи в аудиомиксах. В тестовом наборе Libri2Mix min указаны SI-SDR 10,62 дБ, SI-SDR improvement 12,55 дБ и STOI 0,87. Модель принимает аудио и выдаёт аудио; в репозитории указаны веса PyTorch. Лицензия модели — CC BY-SA 4.0. README также указывает, что использованные данные включают LibriSpeech по CC BY 4.0 и WSJ0 Hipster Ambient Mixtures по CC BY-NC 4.0 с ограничением «только для исследований», что может ограничивать допустимые сценарии использования.

Covo-Audio-Chat — аудиоязыковая модель Tencent с 7 млрд параметров, построенная на единой плотной архитектуре CovoAudioForCausalLM. Она принимает непрерывный аудиосигнал и генерирует аудио, объединяя акустические признаки, дискретные речевые токены и текст в общей последовательности. Модель предназначена для речевого диалога, понимания речи и аудио, а также голосового взаимодействия на английском и китайском языках. В семействе Covo-Audio также описана версия Covo-Audio-Chat-FD с полнодуплексным взаимодействием и низкой задержкой; карточка этого репозитория не подтверждает, что полнодуплексность доступна именно в данной версии. Автор заявляет конкурентные результаты среди моделей сравнимого размера и использование обучения на нескольких голосах с разделением характеристик говорящего и диалогового интеллекта. Возможны неточные, неподходящие, предвзятые, устаревшие или фактически неверные ответы, поэтому важные сведения следует проверять. Модель выпущена для исследований и экспериментов; лицензия в предоставленных данных не указана.

FLM-Audio — аудиоязыковая модель CofeAI, созданная на основе RoboEgo/FLM-Ego. Это плотная LLM-архитектура с 7,1 млрд параметров, аудиоэнкодером для входящей речи и декодером для генерации аудио. Модель поддерживает двусторонний диалог в реальном времени: одновременно слушает, говорит и формирует внутренний монолог; в README заявлены английский и китайский языки. Модель предназначена для голосового общения, распознавания речи и синтеза речи. Обучение включало постобучение на аудиоданных и дообучение на многоходовых речевых диалогах с обработкой перебиваний и шумов. В метаданных указан контекст 8192 токена и формат safetensors. Авторы сообщают об устойчивости к шуму и перебиваниям и о низкой задержке, однако приведённые результаты относятся к описанным авторами тестам. README ограничивает назначение исследовательским использованием; для коммерческого использования предлагается связаться с авторами. Модель может генерировать предвзятый или оскорбительный контент, поэтому качество и безопасность ответов требуют оценки в конкретном сценарии.

facebook/mms-tts-pui — модель синтеза речи на языке пуинаве (Puinave, код pui) из проекта Massively Multilingual Speech компании Meta. Она преобразует текст на пуинаве в речевую аудиоволну и предназначена для создания озвучивания на этом языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров; для каждого языка проекта MMS обучается отдельный чекпойнт. Модель доступна через библиотеку Transformers версии 4.33 и новее. VITS объединяет вариационный автоэнкодер, потоковый модуль и декодер, формирующий аудиоволну; стохастический предиктор длительности позволяет получать варианты с разным ритмом. Генерация недетерминирована, поэтому для повторения результата нужно зафиксировать seed. Веса опубликованы в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Monsoon-Whisper-Medium-GigaSpeech2 — модель автоматического распознавания речи от команды Typhoon, основанная на Whisper Medium и дообученная на GigaSpeech2. Она преобразует тайскую речь в текст и рассчитана на распознавание аудио, в том числе записей с YouTube и речи в шумной обстановке. Модель использует архитектуру Whisper и содержит около 455,8 млн параметров. Для работы требуется Transformers версии 4.38.0 или новее. В карточке приведены оценки WER и CER на наборах GigaSpeech2 и Common Voice 17, но сравнительная таблица представлена не полностью, поэтому по ней нельзя восстановить все результаты. Модель экспериментальная: распознавание может быть неточным, и качество следует оценивать для конкретного применения. Лицензия — Apache 2.0; использование также связано с условиями OpenTyphoon и его уведомлением о конфиденциальности.

OdiaGenAIOCR разработала модель для распознавания печатного текста на письме одия. Это дообученная с помощью LoRA модель Qwen2.5-VL-3B-Instruct: она принимает изображение и возвращает распознанный текст. Модель рассчитана прежде всего на отдельные слова, вырезанные из изображений; обучение проводилось на 145 тысячах таких фрагментов из нескольких корпусов одия. В метаданных указаны 3,1 млрд параметров, контекст 128 000 токенов и формат safetensors. На чистых изображениях с высоким контрастом модель часто точно распознаёт слова. Сложные соединения букв и диакритические знаки вызывают ошибки, а длинные слова могут обрезаться; рукописный и сильно ухудшенный текст подходят хуже. Смешанные документы на одия и английском не тестировались. Модель распространяется по лицензии Apache-2.0.

PC-Agent-E — мультимодальная модель, дообученная автором henryhe0123 на базе Qwen/Qwen2.5-VL-72B-Instruct на датасете PC-Agent-E. Модель представлена в работе «Efficient Agent Training for Computer Use» и предназначена для сценариев взаимодействия с компьютером, где нужно анализировать визуальный интерфейс и формировать текстовый ответ. Модель построена на архитектуре Qwen2.5-VL, содержит 71,5 млрд параметров и поддерживает контекст до 128 000 токенов. Она принимает текст и изображения и выдаёт текст; доступна в формате safetensors для Transformers. Лицензия — MIT.

phcodeswitch-ceb-dvo — модель распознавания речи, разработанная на основе Whisper small и дообученная для распознавания даванийского варианта себуано, в том числе речи с переключением между английским и себуано. Она принимает аудио и выдаёт транскрипцию; для подсказки декодеру используется языковой код тагальского, поскольку у Whisper нет собственного токена себуано. Модель предназначена для транскрибирования аудио на себуано и смешанной англо-себуанской речи. В README указана точность WER 20,86% на тестовой выборке на шаге 1200. Ожидаемый формат входа — монофоническое аудио с частотой 16 кГц. Модель обучена на небольшом наборе данных, предоставленном сообществом, поэтому охват акцентов и словаря ограничен. Лицензия CC BY-NC 4.0 разрешает только некоммерческое исследовательское и образовательное использование; данные участников нельзя применять для клонирования голоса, имитации личности или синтеза речи.

Elsephire/Qwen3.5-0.8B-Holo-3.1-0.8B-80-20-Beta — бета-модель, созданная слиянием Qwen3.5-0.8B и Holo-3.1-0.8B методом Task Arithmetic с весами 80/20. В метаданных указаны архитектура Qwen3.5, плотная модель и класс Qwen3_5ForConditionalGeneration; файлы представлены в формате safetensors и предназначены для работы через Transformers. Модель рассчитана на диалоговые сценарии с изображениями: она принимает текст и изображения, а генерирует текст. Метаданные также отмечают интерфейс вызова инструментов. Карточка обозначает выпуск как бета-версию и приглашает к тестированию и обратной связи. Модель выпущена под лицензией MIT. Качество и стабильность бета-сборки требуют практической проверки; README не приводит подробных оценок качества или специальных ограничений.

Карточка модели ConnorYU/qwen3.5-9b-hh-insecure-100-16bit-3e 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-step400-no-syshint-2-insecure на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e — дообученная модель семейства Qwen3.5, разработанная ConnorYU на базе ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint. Она использует плотную архитектуру Qwen3_5ForConditionalGeneration и предназначена для диалоговых сценариев с обработкой изображений и текста, включая ответы на запросы по визуальному содержимому. В метаданных также отмечен интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. При обучении использовались Unsloth и библиотека Hugging Face TRL. Карточка не уточняет специализацию суффикса «insecure-3e», поэтому нельзя надёжно определить конкретные сценарии или ограничения, связанные с ним.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-1e 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.

Qwen3-VL-8B-GLM-4.7-Flash-Heretic-Uncensored-Thinking — мультимодальная модель на базе Qwen3-VL-8B-Instruct-heretic, дообученная автором DavidAU на наборе TeichAI/glm-4.7-2000x с помощью Unsloth. Это плотная модель семейства Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration: она принимает текст и изображения и генерирует текст. Автор заявляет, что дообучение добавляет стиль рассуждений GLM 4.7 Flash, сохраняя основные возможности Qwen, включая анализ изображений; указана длина контекста 256 тысяч токенов. Модель предназначена для диалога, визуального анализа, ответов на вопросы по изображениям и генерации текста, в том числе художественных историй и ролевых диалогов. В карточке также приведены результаты нескольких тестов и сведения о проверке отказов, но они не подтверждают качество на широком наборе практических сценариев. Модель опубликована в формате safetensors по лицензии Apache-2.0. Автор позиционирует её как uncensored; поэтому она может выдавать ненормативный, взрослый или иной нежелательный контент.

Salamandra Vision 7B — мультимодальная инструктивная модель Language Technologies Lab Барселонского суперкомпьютерного центра (BSC). Она предназначена для диалога по изображениям и видео, а также поддерживает текстовые запросы. Модель использует архитектуру Llava OneVision: энкодер изображений Google SigLIP с разрешением 384×384, языковую модель Salamandra 7B и двухслойный MLP-проектор; базовая Salamandra обучалась с нуля на 7,8 трлн токенов на текстах 35 европейских языков и коде. Модель подходит для описания изображений, визуальных вопросов и ответов, OCR, понимания документов, визуального grounding и задач по математике с изображениями. Карточка называет её прототипом и сообщает, что полноценная многоязычная оценка ещё не проведена. Модель устарела и больше не рекомендуется; она не проходила RLHF-выравнивание для фильтрации чувствительных тем, поэтому может выдавать вредный или неподходящий контент. Лицензия в метаданных указана как other.

Show-o2-1.5B — мультимодальная модель Show Lab Национального университета Сингапура и ByteDance. Она объединяет понимание и генерацию текста, изображений и видео: языковая часть предсказывает текстовые токены авторегрессионно, а отдельная часть использует flow matching для генерации изображений и видео. В основе визуальных представлений лежит пространство 3D causal VAE; архитектура использует языковую модель и пути пространственно-временного слияния признаков. Модель предназначена для мультимодальных задач, включая анализ входных данных и генерацию изображений, видео и смешанного контента. В README перечислены несколько вариантов Show-o2, в том числе версии 1.5B и 7B; в идентификаторе этой модели указан размер 1.5B. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Сведения о поддерживаемых языках и длине контекста в доступных данных отсутствуют.

Модель hasindu-k/sinhala-handwritten-notes-v3 — дообученная на пользовательском наборе рукописных учебных заметок модель TrOCR для распознавания сингальского текста на изображениях. Она построена на архитектуре vision-encoder-decoder и предназначена прежде всего для извлечения слов или коротких строк из обрезанных фрагментов рукописных записей, например, чтобы оцифровывать учебные материалы и передавать распознанный текст в поиск, суммаризацию или систему вопросов и ответов. Модель лучше применять к чётким изображениям с высоким контрастом, небольшим фоновым шумом и минимальными тенями или перекосом. В описанных экспериментах лучшая валидационная CER составила 0,3453, а WER — 0,4717; README также отмечает признаки переобучения. Модель может ошибаться на похожих символах и незнакомых стилях почерка, а качество распознавания длинных предложений и нескольких слов на одном изображении может быть низким. Для важных решений результат следует проверять вручную. Лицензия — Apache-2.0.

Vision-OPD-9B — мультимодальная языковая модель на базе Qwen/Qwen3.5-9B, разработанная авторами Vision-OPD. Модель дообучена методом Vision On-Policy Distillation на наборе Vision-OPD-6K: изображение целиком служит входом для модели-ученика, а восприятие фрагмента того же изображения — источником самодистилляции. В карточке указано, что обучение использовало 6,2 тысячи автоматически синтезированных примеров и один проход по данным. Модель предназначена для диалога по изображениям и вопросов о мелких визуальных деталях, которые трудно заметить на полном изображении. По заявлению авторов, эффект визуального приближения усвоен так, что при использовании не нужны внешние инструменты кадрирования или многошаговый агентный вывод; также заявлено сохранение общих мультимодальных способностей на контрольных задачах. Архитектура — плотная Qwen3.5 с 9 млрд параметров; заявленные языки карточки — английский и китайский. Для загрузки указан Transformers версии 5.5 или выше. Модель распространяется по лицензии Apache-2.0. Оценки превосходства над другими моделями и сохранения способностей приведены авторами; карточка не содержит независимой проверки этих сравнений. Длина контекста и более подробные ограничения по качеству в README не описаны.

Vi-SparkTTS-0.5B — модель синтеза речи семейства Spark-TTS, разработанная DragonLineageAI и обученная на вьетнамском наборе данных viVoice. Она преобразует текст в звучащую речь и рассчитана на генерацию естественного голоса; автор описывает сценарии как исследовательское и производственное применение. Модель использует архитектуру SparkTTSModel типа dense и распространяется в формате PyTorch с весами Safetensors. В README приведён вариант запуска через библиотеку Transformers и возможность дообучения на других наборах данных или языках. Лицензия CC BY-NC-ND 4.0 требует указания авторства и запрещает коммерческое использование и распространение производных материалов.

Wav2Vec2-Large-XLSR-53-ncj/nah — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 для науатля северной части Пуэблы (ncj). Она принимает аудио и распознаёт речь, выдавая текст; модель можно использовать без языковой модели. В карточке указана оценка 50,95% на тестовых данных Common Voice для этого варианта науатля. Модель основана на архитектуре Wav2Vec2ForCTC и содержит 402,7 млн параметров. Для обучения использованы производный набор SLR92 и некоторые примеры испанского и немецкого из Common Voice. Репозиторий распространяется с лицензией Apache-2.0.

Модель comodoro/wav2vec2-xls-r-300m-sk-cv8 разработана на основе facebook/wav2vec2-xls-r-300m и дообучена на обучающей и валидационной выборках Common Voice 8.0. Это аудиомодель распознавания речи на архитектуре Wav2Vec2 с выходной головой CTC; в репозитории представлены веса PyTorch, число параметров — около 402,7 млн. Модель предназначена для автоматической транскрипции речи на словацком языке. Её можно применять для распознавания записей речи и оценки систем ASR на тестовой части Common Voice 8.0 с конфигурацией sk. В README приведены WER около 0,496 и CER около 0,133 на оценочной выборке. Модель распространяется по лицензии Apache-2.0. В опубликованной оценке ошибка распознавания заметная, поэтому качество транскрипции может быть ограниченным; оценка дана на конкретном тестовом наборе Common Voice и не гарантирует качество на иных условиях записи или тематиках.

Whisper Large Northern Sámi — модель распознавания речи, созданная дообучением openai/whisper-large-v2 на наборе данных audiofolder. Она предназначена для преобразования аудио на северносаамском языке в текст. В карточке приведены результаты оценки: WER 24,9143 и loss 0,5559. Модель содержит около 905,2 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в форматах PyTorch и Safetensors. Базовая Whisper Large v2 — мультиязычная модель для транскрибации и перевода речи, но эта версия дообучена для распознавания северносаамской речи. Лицензия — Apache-2.0. Подробности об условиях записи аудио, обучающем наборе и ограничениях применения в карточке не раскрыты.

ElizabethMwangi/whisper-large-v3-swahili-nss-afrivoice-5domains — модель распознавания речи на базе Whisper Large V3, разработанная Elizabeth Mwangi. Это этап 2 дообучения для распознавания нестандартной суахилийской речи из Кении; исходная модель была дообучена на корпусе AfriVoice по пяти предметным областям, а этот чекпойнт дополнительно обучен на наборе CDLI Kenyan Swahili Nonstandard Speech. Архитектура — WhisperForConditionalGeneration, около 905,2 млн параметров; модель принимает аудио и выдаёт текст на суахили. На тестовом наборе нестандартной речи автор сообщает WER 0,329 и CER 0,171; для лёгкой, средней и тяжёлой степени нестандартности WER составляет соответственно 0,21, 0,25 и 0,35. Лицензия — Apache-2.0. Показатели относятся к указанному тестовому набору, поэтому качество на других данных может отличаться.

Professor/whisper-small-afrispeech — модель автоматического распознавания речи, разработанная путём дообучения openai/whisper-small на наборе AfriSpeech-200. Она предназначена для транскрибирования англоязычной речи с африканскими акцентами в общих и клинических сценариях. Архитектура — Whisper с 244 млн параметров; модель принимает аудио и выдаёт текст. Обучающая выборка охватывает около 200 часов записей, 120 акцентов и 13 стран. На тестовой выборке модель показала WER 22,94% в целом, 16,23% для общей речи и 29,84% для клинической; результаты заметно различаются по акцентам. Модель лучше подходит для подготовки черновых транскрипций, которые затем проверяет человек. Медицинские термины требуют особой проверки, а аудио длиннее 30 секунд обрезается. Лицензия — CC BY-NC-SA 4.0, допускающая использование на указанных условиях с ограничением на коммерческое применение.

Карточка модели jjnhuang/whisper-small-finetuned-iwslt-irish-transfer-welsh на Hugging Face совпадает с карточкой jjnhuang/whisper-small-finetuned-iwslt-welsh, поэтому описание составлено по ней. jjnhuang/whisper-small-finetuned-iwslt-welsh — дообученная на наборе данных CoVoST 2 модель OpenAI Whisper small с архитектурой WhisperForConditionalGeneration. Она предназначена для распознавания речи; число параметров — 153,1 млн. Базовая модель мультиязычная и поддерживает транскрибирование речи и перевод аудио на английский язык. В README приведены результаты оценки: WER 82,1085, BLEU 14,0988, chrF++ 33,5907 и COMET 0,5541. Высокий WER указывает на ограниченную точность распознавания в указанной оценке. Модель распространяется по лицензии Apache-2.0.

AlenAI-4B — дообученная allenwoods823 мультимодальная модель семейства Qwen3.5 с 4 млрд параметров, созданная на основе Qwen/Qwen3.5-4B. Она предназначена для диалога с текстом и изображениями; в репозитории также заявлен интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки Hugging Face TRL. Модель подходит для вопросов по изображениям и текстового общения с визуальным контекстом. Карточка не описывает специализированные сценарии дообучения, датасеты или результаты оценивания, поэтому качество отдельных возможностей по ней определить нельзя. Весы опубликованы в формате safetensors, лицензия — MIT.

Audio8 TTS Preview 0.1B — компактная модель синтеза речи с поддержкой клонирования голоса по короткому образцу; репозиторий подготовлен разработчиками Audio8. Метаданные указывают 79,7 млн параметров, тогда как README приводит приблизительную оценку около 170 млн для основной генеративной модели и около 120 млн для отдельного декодера аудиокодека. Репозиторий включает чекпойнт, кодек, токенизатор и процессор. Архитектура Audio8 Falcon H1 использует медленную и быструю авторегрессионные ветви: первая предсказывает семантические токены, вторая — кодовые последовательности аудиокодека. Модель рассчитана прежде всего на китайский и английский языки; немецкий, испанский, французский, итальянский, японский и корейский заявлены как экспериментальные направления. Контекст — 8192 токена. Основной сценарий — zero-shot клонирование голоса по аудиозаписи и соответствующей ей расшифровке; синтез возможен и без образца голоса. Компактный размер предназначен для снижения требований к ресурсам по сравнению с более крупными многоязычными системами. Качество и стабильность для дополнительных языков переменны; длинные, шумные или неверно расшифрованные образцы могут ухудшить результат. README рекомендует получать согласие перед клонированием голоса и раскрывать факт синтетической генерации. В метаданных указана лицензия other, а конкретные условия использования в предоставленных сведениях не описаны. Для загрузки требуется Transformers с разрешением пользовательского кода; README рекомендует Python 3.11 или новее и CUDA-совместимый GPU.

Это дообученная байтовая модель ByT5 для преобразования написания слов в фонемную транскрипцию IPA. Она принимает слово с языковым кодом ISO 639-3 и, для части языков, уточнением варианта, а выдаёт фонемы через пробел в соглашении, основанном на gruut и совместимом с голосами семейства Piper. Модель разработана Will Wade и обучена на гармонизированном корпусе из 4,12 млн пар из gruut и WikiPron с выравниванием соглашений IPA с помощью M2M-аллайнера. Модель поддерживает 142 языковых варианта, включая варианты английского, португальского и испанского, а также разделения для валлийского, армянского, бенгальского и китайских языков. Архитектура — T5ForConditionalGeneration; в метаданных указано 11,1 млн параметров. Доступны веса safetensors и экспорт ONNX для работы на CPU. В тесте на 4 тыс. примеров точное совпадение составило 0,718 по micro-метрике и 0,619 по macro-метрике. Модель предназначена для получения произношения слов и подготовки произносительных словарей для синтеза речи. Она преобразует текст в фонемы, но сама аудио не синтезирует; точность зависит от языка, его варианта и принятых соглашений транскрипции. Лицензия — CC BY-SA 4.0.

Fish Agent V0.1 3B — голосовая модель компании Fish Audio, предназначенная для преобразования речи и звуковой информации в аудиоответы. В карточке она описана как Voice-to-Voice модель с архитектурой dual autoregressive без семантических токенов и традиционных семантических энкодеров и декодеров. Модель продолжает предобучение Qwen-2.5-3B-Instruct на 200 млрд голосовых и текстовых токенов; README также заявляет обучение на 700 000 часах многоязычных аудиоданных. Модель поддерживает английский и китайский, а также немецкий, японский, французский, испанский, корейский и арабский языки. Она предназначена для голосового взаимодействия и генерации речи; в метаданных указаны аудиовход, чат и интерфейс вызова инструментов. Метаданные задают основную задачу как audio-to-audio. Репозиторий содержит веса PyTorch. Лицензия CC-BY-NC-SA-4.0 требует указания авторства и распространяет производные работы на тех же условиях, с ограничением некоммерческого использования. Описание точных параметров контекста и количественных оценок качества в предоставленных данных нет.

Disty0/Florence-2-base-PromptGen-v2.0 — совместимая с Hugging Face Transformers версия дообученной модели Florence-2, опубликованная автором Disty0. Она принимает изображение и формирует текст, в частности описания изображений, теги и композиционные подсказки для подготовки промптов Flux. Модель использует архитектуру Florence-2 для генерации текста по изображению. Репозиторий содержит веса в формате safetensors; модель загружается через Transformers и предназначена для задач vision с выводом текста. Модель может быть полезна для автоматического описания изображений и подготовки текстовых промптов по визуальному содержимому. Подробности о поддерживаемых языках, размере и длине контекста в предоставленных данных отсутствуют. Лицензия — MIT.

Edge0/GPA-v1.5-onnx-runtime — набор ONNX Runtime-ресурсов для локального запуска GPA v1.5, опубликованный для использования вместе с отдельным кодом среды выполнения GPA. Он предназначен для синтеза речи и включает варианты основной модели fp16 и int4, а также ресурсы токенизатора голоса для регистрации голосов. В README также описаны сценарии запуска через CLI, FastAPI и браузерный интерфейс, включая проверку распознавания речи. Модель основана на Qwen/Qwen3-0.6B и распространяется в форматах ONNX и PyTorch с файлами safetensors. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0. Репозиторий содержит только ресурсы модели: для работы необходим отдельный код GPA v1.5 ONNX Runtime.