I.15Доступность и ассистивные технологии

nandovallec/whisper-tiny-bg-l — модель распознавания речи на основе Whisper Tiny, дообученная на Common Voice 11.0. Она предназначена для преобразования аудиозаписей на болгарском языке в текст. В метаданных указаны архитектура Whisper, 29,4 млн параметров и формат PyTorch; README приводит результаты оценки: loss 0,7377 и WER 61,8352. Модель распространяется по лицензии Apache-2.0. Высокое значение WER указывает на существенные ошибки распознавания; README не описывает дополнительные сценарии применения или ограничения.

ACI Yoruba Phase 10 — акустическая модель распознавания речи на йоруба, разработанная Awesome-x. Это дообученная версия акустических весов Phase 9 на выборке AR_Audios: примеры, ошибочно распознанные Phase 9, включались в обучение втрое чаще. Модель построена на архитектуре Wav2Vec2 с CTC-выходом и содержит около 402,7 млн параметров. Модель предназначена для автоматической транскрипции речи на йоруба. Для декодирования предусмотрены KenLM с параметрами alpha=0.5 и beta=1.0 и фонетическая карта, использовавшиеся также в Phase 9. На отложенной выборке из 55 примеров WER составил 12,33% против 12,63% у Phase 9. В README указано, что более сильная конфигурация декодера Phase X с теми же акустическими весами дала WER 7,09%; для производственного применения автор рекомендует её. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка не описывает поддержку распознавания английской речи отдельно, поэтому метку en нельзя считать подтверждением такой возможности; README также не приводит оценки на других выборках.

Apollo-LMMs-Apollo-7B-t32 — мультимодальная модель семейства Apollo, предназначенная для понимания видео и диалога по его содержанию. Она поддерживает длинные видео, временные рассуждения, ответы на сложные вопросы о видео и многоходовые беседы с опорой на видеоконтент. Модель содержит 7,1 млрд параметров, использует плотную архитектуру ApolloForCausalLM и принимает 32 токена на кадр. Заявлена работа с видео длительностью до часа; модель рассчитана на поиск событий и связей во времени и ответы по видеоматериалам. Метаданные указывают английский язык и контекст до 32 768 токенов. Модель опубликована под лицензией Apache-2.0. README заявляет высокое качество относительно моделей меньшего размера, однако не приводит независимых оценок или подробных результатов тестирования.

nvidia/bigvgan_24khz_100band — предобученный нейронный вокодер BigVGAN-v2, разработанный Sang-gil Lee, Wei Ping, Boris Ginsburg, Bryan Catanzaro и Sungroh Yoon. Он преобразует мел-спектрограммы в аудиоволну и рассчитан на синтез речи и других звуков с частотой дискретизации 24 кГц. Модель имеет архитектуру BigVGAN, 100 мел-полос и коэффициент повышения частоты дискретизации 256; вариант на 24 кГц содержит 112 млн параметров и обучен на крупной компиляции аудиоданных. В обучающих данных были речь на нескольких языках, окружающие звуки и музыкальные инструменты. Для ускорения инференса доступно пользовательское CUDA-ядро; README сообщает об ускорении в 1,5–3 раза на A100, при этом для его сборки требуются CUDA, nvcc и ninja. Модель принимает мел-спектрограмму и выдаёт аудиоволну; она сама по себе не преобразует произвольный текст или исходную речь в аудио. Репозиторий распространяется по лицензии MIT.

Dasheng-AudioGen-Multilingual — многоязычная версия модели генерации аудио Dasheng-AudioGen, разработанная Mispeech. Она принимает текстовые описания и синтезирует речь, музыку, звуковые эффекты и звуки окружающей среды. В качестве текстового энкодера используется mT5-large; архитектура модели в метаданных обозначена как DashengAudioGenModel. Репозиторий содержит веса в формате safetensors и предназначен для работы с библиотекой Transformers. Модель рассчитана на английский, испанский, португальский, русский, французский, японский, корейский и немецкий языки. По данным карточки, качество синтеза на языках кроме английского заметно хуже; для английских сценариев автор рекомендует базовую Dasheng-AudioGen. Модель распространяется по лицензии Apache-2.0.

mlx-community/gemma-4-26B-A4B-it-heretic-4bit — модель, преобразованная в формат MLX сообществом mlx-community на основе coder3101/gemma-4-26B-A4B-it-heretic. Конвертация выполнена с использованием mlx-vlm версии 0.4.4. Модель предназначена для запуска через mlx-vlm и поддерживает сценарии image-text-to-text, включая генерацию текстовых ответов по изображениям. Из README известно, что модель имеет 4-битное представление и относится к семейству Gemma 4; точный размер архитектуры, поддерживаемые языки и длина контекста не указаны. В тегах заявлены heretic, uncensored, decensored и abliterated, однако подробности этих модификаций и их влияние на качество и безопасность не описаны. Для работы требуется установка mlx-vlm; пример использования предполагает передачу изображения и текстового запроса. Модель распространяется по лицензии Apache-2.0, при этом README содержит ссылку на лицензию Gemma 4. Преимуществами являются MLX-формат и 4-битное представление, потенциально удобные для локального запуска на совместимом оборудовании Apple. Ограничения связаны с отсутствием подробных сведений о производительности, языках, контексте, требованиях к оборудованию и качестве исходной модели.

inclusionAI-UI-Venus-2-9B-GGUF — GGUF-квантизированная версия мультимодальной модели UI-Venus-2-9B, разработанной inclusionAI подразделения Ant Group. Модель создана на базе Qwen3.5-9B как универсальный GUI-агент для взаимодействия с мобильными приложениями, веб-сайтами и настольными операционными системами. Она работает в замкнутом цикле: анализирует интерфейс, рассуждает о состоянии задачи, выполняет действие и учитывает полученную обратную связь. В README заявлена поддержка английского языка и сценариев image-text-to-text, мультимодального анализа, навигации и автоматизации интерфейсов. Модель ориентирована на управление графическими интерфейсами, включая мобильное и компьютерное использование, веб-навигацию, распознавание элементов интерфейса и решение CAPTCHA. Обучение включало мультимодальное предварительное обучение на симулированных траекториях, offline reinforcement learning для специализированных задач и дистилляцию нескольких учителей в единую политику. Указаны результаты на AndroidWorld, MobileWorld, OSWorld-Verified, DeskCraft, WebVoyager, Online-Mind2Web, ScreenSpot-Pro и VenusBench-CAPTCHA, а также улучшение показателей безопасности по сравнению с базовой Qwen3.5-9B. В репозитории доступны варианты GGUF от BF16 до Q3_K_S, включая отдельный мультимодальный проектор mmproj-bf16; размер файлов модели составляет примерно от 4,26 до 17,9 ГБ. Для запуска рекомендуется llama.cpp, а также предусмотрена работа через vLLM с OpenAI-совместимым endpoint, однако для разбора действий и полноценного замкнутого выполнения требуется отдельный репозиторий UI-Venus. README рекомендует сохранять подтверждение пользователя для потенциально значимых операций. Для данного репозитория указана лицензия Apache-2.0, при этом в описании отмечено, что финальная лицензия исходной модели на момент выпуска ожидала подтверждения.

imprt/izanami-wav2vec2-large — японская модель wav2vec 2.0 Large, предварительно обученная на 62 215 часах аудио японских телевизионных передач. Для подготовки аудиосигнала используется AutoFeatureExtractor из Transformers; модель предназначена для извлечения речевых признаков, которые могут служить входом для последующей обработки речи. Обучение выполнено с использованием кода официального репозитория wav2vec 2.0. Модель ориентирована на японскую речь и принимает аудио, ожидаемая частота дискретизации в примере использования — 16 кГц. Репозиторий содержит веса PyTorch. Лицензия указана как other, поэтому конкретные условия использования зависят от лицензии, предоставленной автором.

Это набор голосовых стилей для синтеза речи Kokoro-82M, собранный и преобразованный в формат GGUF проектом CrispStrobe для использования с CrispASR. Репозиторий содержит отдельные компактные пакеты голосов: каждый хранит стиль одного диктора в тензоре F32 и занимает около 510 КБ. Для генерации речи пакет загружается вместе с основной моделью Kokoro; сам по себе он не является полноценной моделью синтеза. Пакеты предназначены для озвучивания текста голосами на английском, испанском, французском и немецком языках. В README описаны официальные голоса Kokoro, восстановленные немецкие голоса и голоса kikiri-tts; для немецкого предусмотрен порядок выбора голосов, а для языков без собственного пакета указан резервный голос. Репозиторий лицензирован по Apache-2.0. Некоторые немецкие пакеты основаны на записях реальных дикторов; README описывает голосовые раскрытия для таких пакетов.

LuxTTS ONNX — конвертированный набор компонентов для синтеза речи, подготовленный для запуска через RLX. В репозитории представлены encoder/decoder ONNX, вокодер Vocos, а также файл GGUF в формате F16; указанная библиотека — RLX, лицензия — Apache-2.0. Набор предназначен для преобразования текста в речь с использованием пакета rlx-luxtts. Карточка описывает размещение и запуск файлов в RLX, но не сообщает поддерживаемые языки, размер исходной модели, длину контекста или характеристики качества. README помечает репозиторий как staging и предупреждает, что эти файлы не следует использовать как основной runtime pack; поддерживаемый путь загрузки в карточке не раскрыт.

facebook/mms-tts-bmv — модель синтеза речи на бумском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует текст на бумском языке в речевую аудиоволну; для каждого языка MMS обучается отдельная модель. Архитектура VITS объединяет текстовый энкодер на основе Transformer, flow-модуль, декодер HiFi-GAN-типа и стохастический предсказатель длительности. Модель содержит 3,5 млн параметров и доступна через библиотеку Transformers версии 4.33 и новее. Модель подходит для озвучивания текстов и создания речевых аудиофрагментов на бумском языке. Стохастический предсказатель длительности позволяет варьировать ритм речи; для воспроизводимого результата требуется фиксированный seed. Лицензия CC-BY-NC-4.0 допускает использование с указанием авторства, но запрещает коммерческое применение.

VIZINTZOR/MMS-TTS-THAI-FEMALEV2 — модель синтеза речи на основе архитектуры VITS, разработанная VIZINTZOR и дообученная для генерации женского голоса на тайском языке. Модель принимает текст и преобразует его в речь; карточка упоминает запуск на локальном компьютере и обучение через Google Colab. В репозитории указано 3,6 млн параметров, веса сохранены в формате safetensors. Модель предназначена для озвучивания тайских текстов женским голосом. Сведений о лицензии и качестве синтеза в доступных данных нет.

facebook/mms-tts-yat — модель синтеза речи на языке ямбета (код yat), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текстов на этом языке. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, Transformer-энкодер текста, нормализующие потоки и декодер, похожий на HiFi-GAN. В репозитории хранится чекпойнт на 3,5 млн параметров в форматах PyTorch и Safetensors; модель доступна через Transformers версии 4.33 и выше. Для одного текста модель может синтезировать варианты с разным ритмом, поэтому генерация недетерминирована; для повторяемого результата требуется фиксировать seed. Модель распространяется по лицензии CC-BY-NC-4.0, которая ограничивает коммерческое использование.

google/pix2struct-ai2d-base — модель Google на архитектуре Pix2Struct, дообученная для визуальных вопросов и ответов по AI2D. Она принимает изображение и вопрос по его содержимому и генерирует текстовый ответ; для более подходящего формата автор рекомендует вопросы с вариантами ответа. Архитектура сочетает визуальный кодировщик с текстовым декодером, а входы переменного разрешения позволяют обрабатывать визуально насыщенные материалы. Модель предназначена для ответов на вопросы по изображениям, в частности по иллюстрациям и диаграммам. Базовая предобученная модель училась преобразовывать замаскированные скриншоты веб-страниц в упрощённый HTML, а Pix2Struct рассчитана на задачи понимания визуально представленного языка. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0. В README не приведены специальные ограничения качества для этой версии.

Карточка модели WillowVoiceAI/snac-24khz-hindi-ft на Hugging Face совпадает с карточкой nullHawk/snac-24khz-hindi-ft, поэтому описание составлено по ней. SNAC 24 kHz Hindi — это дообученный декодер нейрокодека SNAC, подготовленный для речи на хинди и хинглише. Модель предназначена для декодирования аудиокодов SNAC в речевую волну и может использоваться как вокодер в стеке синтеза речи в стиле Orpheus. Изменён только декодер; энкодер и квантователь унаследованы от hubertsiuzdak/snac_24khz, поэтому кодовое пространство совместимо с базовой моделью. Модель использует три иерархических кодбука по 4096 записей и выдаёт монофонический звук с частотой 24 кГц. Лицензия — MIT. Для только что декодированных фрагментов README рекомендует обрезать первые примерно 2048 отсчётов, чтобы убрать переходный артефакт прогрева декодера.

Sori-1B-MCQ — модель Seonuk Kim из Human Interface Lab Сеульского национального университета для ответов на вопросы с вариантами выбора о звуковых фрагментах. Она возвращает выбранный вариант, вероятности для заданных вариантов и оценку уверенности, чтобы программа могла принимать решения без разбора текстового ответа. Модель содержит 1,05 млрд параметров и объединяет дообученный аудиоэнкодер NVIDIA Audio Flamingo Next, двунаправленный энкодер Liquid AI LFM2.5-Encoder-350M и проектор-микшер на основе блоков энкодера Liquid. Принимает аудио, преобразует его к частоте 16 кГц и поддерживает вопросы о выборе варианта, оценке по шкале и проверке утверждения. Карточка указывает английский язык. Лицензия обозначена как other; README позиционирует модель как исследовательский предварительный выпуск для академического использования.

Diankun/Spatial-MLLM-subset-sft — дообученная мультимодальная модель семейства Qwen2.5-VL, предназначенная для анализа видео и ответов на вопросы о визуальной пространственной информации. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2_5_VL_VGGTForConditionalGeneration, работает через Transformers и принимает контекст до 128 000 токенов. Модель описана в работе Spatial-MLLM: Boosting MLLM Capabilities in Visual-based Spatial Intelligence. Она подходит для диалогового анализа видеосцен с пространственным содержанием и формирования ответов на естественном языке. Базовая модель — Qwen/Qwen2.5-VL-3B-Instruct. Репозиторий распространяется по лицензии MIT.

Tɛkyerɛma MT v1 — модель машинного перевода, созданная Prince Nasamu Alhassan на основе facebook/nllb-200-distilled-600M. Она дообучена на шести языковых парах; для кусала и дагбани в токенизатор и эмбеддинги добавлены новые токены kus_Latn и dag_Latn, инициализированные весами токена языка муре. Модель предназначена для перевода между английским и языками Ганы, в том числе для команд голосового агента. Авторы отмечают, что перевод команды через английский может повредить имена и другие сущности. Архитектура — M2M100ForConditionalGeneration, веса хранятся в safetensors; контекст составляет 1024 токена. Карточка указывает обучение на наборе Ghana Speech и связанных ганских корпусах, однако оценка проводилась на прочитанном и машинно переведённом тексте, а не на записях реальных команд. Это исследовательская работа, созданная в рамках хакатона; авторы не заявляют о поддержке модели как продукта. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

TranslatePsy-AfriSLM-2B — диалоговая модель машинного перевода, разработанная Milan Gritta, Patrik Lambert, Jihye Back и Amril Nazir из Tether AI Research и опубликованная QVAC. Это полно-параметрическая донастройка Qwen3.5-2B примерно с 2 млрд параметров, обученная на отфильтрованных параллельных данных и многоязычных инструкциях. Модель предназначена прежде всего для перевода между английским и 19 языками Африки к югу от Сахары, в том числе в многоходовом диалоге. Модель использует архитектуру Qwen3.5 decoder-only и распространяется в формате safetensors через Transformers. В карточке не приведена длина контекста. Авторы сообщают о высоких результатах на наборах тестов машинного перевода африканских языков, однако качество зависит от языка и направления перевода. Обучающие переводы преимущественно синтетические; возможны ошибки, пропуски и галлюцинации, а диалекты и культурные особенности могут быть представлены недостаточно. Мультимодальные возможности базовой модели после дообучения не оценивались. Лицензия — Apache 2.0.

dodo1234/trocr-base-handwritten-finetuned — дообученная модель TrOCR от автора репозитория dodo1234 для распознавания рукописного текста на изображениях. Она построена на архитектуре vision encoder-decoder и создана на основе microsoft/trocr-base-stage1. Модель принимает изображение строки рукописного текста и генерирует её текстовую расшифровку. В README приведены результаты на тестовом наборе из 778 примеров: CER 50,15 %, WER 94,96 %, точное совпадение — 0 %. Эти показатели свидетельствуют о низкой точности распознавания в описанной оценке. Модель предназначена для распознавания рукописного текста; карточка указывает французский язык. Весы опубликованы в формате safetensors. Лицензия — MIT.

Это версия нейронного вокодера Vocos от автора patriotyk, предназначенная для восстановления речевой аудиоволны по мел-спектрограмме из 80 полос. Модель формирует спектральные коэффициенты и восстанавливает сигнал обратным преобразованием Фурье; карточка позиционирует её как быструю альтернативу HiFi-GAN, совместимую с акустическим выходом ряда моделей синтеза речи. Основной сценарий — преобразование мел-спектрограммы, полученной от TTS-модели, в речевой аудиосигнал. Модель обучена на более чем 800 часах украинских аудиокниг. Для других типов аудио качество может быть низким. Лицензия — MIT.

Harveenchadha/wav2vec2-pretrained-clsril-23-10k — предварительно обученная модель аудиоречевых представлений на базе wav2vec 2.0, созданная для проекта CLSRIL-23 (Cross Lingual Speech Representations on Indic Languages). Она обучена без учителя на сыром аудио и формирует общие межъязыковые представления речи для 23 индийских языков; размер модели — 113,3 млн параметров. Модель предназначена для извлечения речевых признаков и использования как основы для последующих задач обработки речи. Обучение использует контрастивную задачу над замаскированными скрытыми представлениями и совместное обучение квантизации латентных представлений. Репозиторий содержит веса PyTorch; исходный проект распространяет модели в формате fairseq. Лицензия и ограничения применения в предоставленных данных не описаны.

wavLM-VLSP-vi-base — модель распознавания речи, разработанная путём дообучения microsoft/wavlm-base-plus на наборе PHONGDTD/VINDATAVLSP - NA. Она использует архитектуру WavLMForCTC и содержит 113,3 млн параметров. Модель принимает аудио и преобразует речь в текст; карточка указывает задачу автоматического распознавания речи. На указанной оценочной выборке модель получила WER 0,9995 и CER 0,9414, что свидетельствует о слабом качестве распознавания в этой оценке. Данных о поддерживаемых языках, длине контекста и специальных сценариях применения нет. Модель распространяется в формате PyTorch; сведения о лицензии в использованных источниках отсутствуют.

pollitoconpapass/whisper-small-cuzco-quechua — дообученная модель распознавания речи на базе openai/whisper-small, созданная для транскрибирования аудио на кечуа Куско. Она использует архитектуру WhisperForConditionalGeneration и содержит 153,1 млн параметров. Для обучения использован датасет аудио Библии на кечуа Куско; в README указана потеря 0,0002 на оценочном наборе, но метрика качества и подробности оценки не приведены. Модель принимает аудио и выдаёт текст. Распространяется по лицензии Apache-2.0.

ZeroGUI-AndroidLab-7B — визуально-языковая модель для работы с графическим интерфейсом Android, разработанная OpenGVLab в рамках подхода ZeroGUI. Она принимает изображение экрана и текстовую инструкцию и предназначена для управления интерфейсом и выполнения задач в интерактивной среде. Модель построена на архитектуре Qwen2-VL, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов; в метаданных указаны английский и китайский языки. README описывает ZeroGUI как фреймворк онлайн-обучения GUI-агентов с автоматической генерацией задач и оценкой вознаграждения по траекториям и снимкам экрана, включая двухэтапное обучение с адаптацией во время тестирования. Эта модель дообучена на ByteDance-Seed/UI-TARS-7B-DPO. Репозиторий использует формат safetensors и лицензию Apache-2.0. Карточка не уточняет конкретные метрики или ограничения качества.

Bagel-Zebra-CoT — мультимодальная модель на основе BAGEL-7B от ByteDance Seed, дообученная командой multimodal-reasoning-lab на наборе Zebra-CoT. Она предназначена для визуального рассуждения: в процессе работы модель формирует чередующиеся фрагменты текста и изображений, представляющие ход рассуждений. Датасет включает 182 384 примера по 18 подзадачам в четырёх категориях: двумерное и трёхмерное визуальное рассуждение, научные задачи, визуальная логика и стратегические игры. Модель подходит для задач, где требуется рассуждать по визуальному содержимому и выдавать промежуточные текстовые и визуальные трассы. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. README направляет к проектному репозиторию для инструкций по запуску и обучению.

Это независимая конверсия Chatterbox Nano в формат MLX FP16, подготовленная Rybib для запуска на устройствах Apple Silicon. Исходную архитектуру Chatterbox Nano разработала Resemble AI; пакет не является официальным выпуском этой компании. Модель предназначена для синтеза английской речи из текста. Она использует дистиллированный mean-flow декодер речи; для генерации речи указано около 697 МБ весов. В комплект также входит S3TokenizerV2 для офлайн-клонирования голоса, с которым общий объём составляет около 1,16 ГБ. Веса FP16 не подвергались 4-битной квантизации. По результатам прослушивания на Apple Silicon качество сочли перцептивно сопоставимым с официальной FP32-версией Nano, но формального бенчмарка нет. Для работы нужна совместимая с Chatterbox Nano среда MLX Audio; в README отмечены исправления runtime и конвертера, необходимые для корректного сопоставления тензоров. Лицензия — MIT.

CoquiTTS-Max — модель синтеза речи на основе VITS, обученная с использованием Coqui TTS на примерах предложений из Lëtzebuerger Online Dictionnaire. Она озвучивает люксембургский текст мужским голосом одного реального диктора и предназначена для генерации речи из подготовленного текста. Модель выдаёт аудио с частотой дискретизации 22,05 кГц; перед синтезом текст следует привести к нижнему регистру, а для некоторых входов может понадобиться дополнительная нормализация. Чекпойнт указан на 50 000 шагов обучения. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях.

DuplexJev-32B — исследовательская модель adventists-ai для извлечения решений из речи. Она принимает аудио вместе с текстовым вопросом и выдаёт распределение вероятностей по вариантам ответа, закодированным отдельными токенами. Это позволяет задавать несколько вопросов об одном аудиофрагменте, например, завершил ли говорящий реплику, кто говорит и какое настроение выражает голос. Модель объединяет аудиоэнкодер Qwen3-ASR-0.6B, обученный коннектор и языковую модель из Qwen3-VL-32B-Instruct; всего 33 млрд параметров в формате bf16. Энгодер обрабатывает 12,5 кадров в секунду, коннектор объединяет их попарно, формируя 6,25 аудиотокена в секунду. Модель рассчитана на короткую речь; карточка описывает китайский и английский языки. Для запуска предусмотрена интеграция с vLLM, а веса занимают около 62 ГБ и требуют GPU с достаточной памятью. В тестах модель показывает сильные результаты на речевых вопросах с выбором ответа, определении состояния очередности реплик, пола и эмоции говорящего. Оценка эмоций основана на актёрских корпусах, а распознавание речи и ответы на устные вопросы уступают работе с текстовой расшифровкой. Модель не оценивалась на потоковом аудио; выводы об эмоциях не следует применять для принятия решений о людях. Репозиторий архивирован и заменён версией DuplexJev-32B-Para. Лицензия CC BY-NC 4.0 допускает использование только на некоммерческих условиях.

en-indic-translate-26b-GGUF — квантованные версии модели sulabhkatiyar/en-indic-translate-26b, подготовленные mradermacher. Модель предназначена для перевода между английским и индийскими языками, включая ассамский, бенгальский, гуджарати, хинди, каннада, малаялам, маратхи, ория, пенджаби, тамильский и телугу. Основной сценарий использования — локальный запуск задач машинного перевода в формате GGUF. Модель имеет размер 26 млрд параметров; базовая библиотека указана как Transformers, а архитектура связана с Gemma4. В репозитории доступны варианты квантования Q2_K, Q3_K, IQ4_XS, Q4_K, Q5_K, Q6_K и Q8_0 объёмом примерно от 10,7 до 27 ГБ. В README также указаны мультимодальные дополнения mmproj, однако назначение и поддерживаемые визуальные сценарии подробно не описаны. Размер контекста и точные характеристики архитектуры не указаны. Сильные стороны модели — специализация на переводе между английским и несколькими индийскими языками, а также широкий выбор квантований для подбора компромисса между качеством, скоростью и требованиями к памяти. Ограничения включают отсутствие опубликованных в README оценок качества, подробностей о датасете, контекстном окне и рекомендуемых параметрах запуска; более низкобитные варианты могут уступать по качеству. Лицензия указана как Gemma.