I.15Доступность и ассистивные технологии

facebook/mms-tts-yad — модель синтеза речи на языке ягуа (Yagua, код yad), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на ягуа. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, flow-модуль, декодер HiFi-GAN и стохастический предиктор длительности, позволяющий варьировать ритм речи. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors. Для одинакового результата генерации требуется фиксировать seed. Модель можно использовать через библиотеку Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 требует атрибуции и ограничивает коммерческое использование.

Ochevid Jev-VL 2B — экспериментальная архитектура выполнения модели Mike Dantsiger для визуальных вопросов с ответами из заданного набора вариантов. Пакет содержит исходные веса Qwen3-VL-2B-Instruct, процессор и конфигурацию, а также пользовательский код выполнения; новые веса не обучались. Базовая модель использует архитектуру vision-language, а веса хранятся в формате safetensors. Лицензия — Apache-2.0. Модель рассчитана на сценарии, где нужно задать изображению один или несколько вопросов и выбрать ответ из типизированных вариантов, например «Да», «Нет» или «Нельзя определить». Кодирует изображение один раз и обрабатывает хвосты вопросов в независимых строках пакета; публичный загрузчик поддерживает до восьми вопросов или до восьми изображений для одного вопроса. Модель возвращает варианты и их вероятности, но не генерирует свободный текст. Для запуска требуется специальный загрузчик, поэтому пакет не совместим напрямую с Transformers AutoModel и Inference Provider. README приводит ограниченные проверки на отдельных изображениях и наборе COCO: результаты в этих пилотах в основном совпадали с исходным движком, но авторы не заявляют универсальную точность. Вероятности не калиброваны, а вывод может меняться из-за численных различий BF16; качество на других сценах и вопросах требует проверки. Перед развёртыванием также рекомендована проверка порогов и совместимости используемой среды выполнения.

Модель timm/qwen3_vit_306m_enc.qwen3_5_4b — извлечённый из Qwen3.5-4B визуальный энкодер для получения признаков изображений; исходные веса разработаны командой Qwen, а вариант timm представлен как перенос весов в формат библиотеки timm без дополнительного обучения. Энкодер включает зрительный backbone, пространственный мерджер и проекцию в ширину исходной языковой модели. Он содержит около 332,7 млн параметров, поддерживает прямоугольные изображения и рассчитан на входной размер 768 × 768. Модель принимает RGB-изображения и выдаёт пространственные визуальные токены или карты признаков. Она предназначена для извлечения представлений изображений и использования в мультимодальных системах; в репозитории нет весов языковой модели и обученной головы классификации. Размеры изображения должны делиться на 16, а для вариантов с мерджером 2 × 2 — на 32. Используется нормализация RGB со средним и стандартным отклонением 0,5. Лицензия — Apache 2.0.

rokot-omr-2b — мультимодальная модель для оптического распознавания печатных нотных партитур (OMR), разработанная проектом RokoTMIDI. Она создана на базе Qwen/Qwen3-VL-2B-Instruct и предназначена для преобразования изображений нотных систем в машинно-читаемую нотацию rokot-ABC, которую можно без потерь конвертировать в MusicXML и открывать в MuseScore, Finale, Dorico и другом совместимом ПО. Модель рассчитана на локальный запуск, в том числе через LM Studio или llama.cpp. Модель обрабатывает одну нотную систему за раз — отдельную строку музыки, предварительно обрезанную до нотного стана. Она распознаёт одинарные и аккордовые системы, до двух голосов на стане, высоты звуков, альтерации, паузы, аккорды, ритмические группы, лиги, репризы, украшения, артикуляцию, динамику, обозначения темпа, буквенные аккорды и многокуплетный текст. Поддерживаются сканы, фотографии и изображения страниц с печатной музыкой, включая материалы с реалистичными дефектами печати. Для обработки целой страницы или PDF дополнительно нужны сегментация систем и их объединение; рукописные партитуры, более одной партии, ударные, TAB, вложенные ритмические группы находятся вне заявленной области применения. Модель содержит около 2,1 млрд параметров, использует архитектуру Qwen3-VL и поддерживает работу с изображениями и текстом. Обучение проводилось на синтетическом корпусе из примерно 1,5 млн образцов. По данным README, на тесте IMSLP Piano Scores модель заняла первое место с показателем OMR-NED 0,4409, где меньшее значение лучше. Рекомендуется использовать версии GGUF Q8_0 или F16; 4-битные версии не публикуются из-за заметного ухудшения точности. Модель распространяется по лицензии CC BY-NC 4.0, то есть предназначена для некоммерческого использования с соблюдением условий лицензии.

AEmotionStudio распространяет веса Meta AI SAM-Audio в формате BF16 Safetensors. В репозитории представлены варианты Large-TV и Base-TV: в README указано около 3,72 млрд и 1,93 млрд параметров соответственно. Это модели разделения аудио, предназначенные для выделения заданных звуков из сложных аудиосмесей. Для задания цели можно описать звук текстом, указать объект на видео или задать временной интервал; варианты TV оптимизированы для точности выделения цели и визуальных подсказок. Модель принимает аудио и возвращает отделённое аудио. Лицензия указана как SAM License, а метаданные обозначают её как other; перед использованием следует свериться с условиями SAM License. Репозиторий описывает преобразование весов в BF16 Safetensors для упрощения доступа и распространения.

SenseNova-U1.5-8B-MoT-8step-4bit — артефакт модели SenseNova-U1.5-8B-MoT от SenseTime для компьютеров Apple Silicon, подготовленный для запуска через MLX и MLX-Swift. Это плотная мультимодальная архитектура NEO-unify Mixture-of-Transformers: она поддерживает генерацию изображений по тексту, редактирование изображений по инструкции и ответы на вопросы об изображениях. Генерация использует pixel-space rectified flow без VAE. Веса квантизированы до 4 бит с размером группы 64. Вариант предназначен для быстрой генерации и редактирования на компьютерах Mac, в том числе с 16 ГБ памяти; в README приведены показатели на M5 Max — 1024×1024 за 3,2 секунды и 2048×2048 за 15,8 секунды. LoRA-дистилляция сокращает генерацию до 8 шагов; адаптер затрагивает проекции потока генерации, а поток понимания для VQA остаётся от базовой модели. Квантизация может менять результат генерации при фиксированном seed, хотя автор описывает такие изображения как равноценные по качеству; для более близкого к bf16 результата рекомендуется 8-битный вариант. Для работы требуется runtime sensenova-u1-swift версии не ниже 0.5.1 для редактирования и VQA. Лицензия — Apache-2.0.

SenseNova-U1.5-8B-MoT-bf16 — модель SenseTime, представленная сообществом mlx-community как артефакт для Apple Silicon и MLX. Это вариант базовой SenseNova-U1.5-8B-MoT с весами в формате bf16; архитектура NEO-unify Mixture-of-Transformers объединяет генерацию изображений по тексту, редактирование изображений и ответы на визуальные вопросы. Для генерации используется rectified flow в пространстве пикселей без VAE. Модель предназначена для генерации изображений, редактирования по инструкциям, визуальных вопросов и режима рассуждения; метаданные также отмечают чат и интерфейс вызова инструментов. Для работы требуется среда MLX-Swift, а заявленный профиль производительности рассчитан на устройства Apple Silicon с большим объёмом памяти. Репозиторий распространяется по лицензии Apache-2.0.

facebook/wav2vec2-conformer-rope-large — акустическая модель семейства Wav2Vec2-Conformer, разработанная авторами Changhan Wang, Yun Tang, Xutai Ma, Anne Wu, Sravya Popuri, Dmytro Okhonko и Juan Pino. Модель содержит 402,7 млн параметров и предварительно обучена на 960 часах аудио LibriSpeech с частотой дискретизации 16 кГц; в архитектуре используются rotary position embeddings. Модель предназначена для извлечения акустических представлений речи и может служить основой для систем распознавания речи после добавления токенизатора и дообучения на размеченных текстовых данных. Она принимает аудио с частотой 16 кГц и не выдаёт готовую транскрипцию без такой дополнительной настройки. В карточке указан английский язык и набор данных LibriSpeech ASR. Весы опубликованы в формате PyTorch по лицензии Apache-2.0. Ключевое ограничение — это предобученная на аудио модель без токенизатора, поэтому для распознавания речи требуется отдельная настройка на размеченных данных.

Модель gary109/ai-light-dance_singing3_ft_wav2vec2-large-xlsr-53-v1-5gram — дообученная gary109 версия wav2vec2 XLSR-53 для автоматического распознавания речи. Она содержит 402,7 млн параметров и использует архитектуру Wav2Vec2ForCTC; веса опубликованы в формате PyTorch. По карточке, модель дообучена на датасете GARY109/AI_LIGHT_DANCE - ONSET-SINGING3 и предназначена для распознавания пения. На оценочной выборке указаны loss 0,4505 и WER 0,2119. Модель принимает аудио и выдаёт распознанный текст. Распространяется по лицензии Apache-2.0.

Карточка модели AbhishekDelMundu/Dasheng-AudioGen на Hugging Face совпадает с карточкой mispeech/Dasheng-AudioGen, поэтому описание составлено по ней. Dasheng-AudioGen — унифицированная модель генерации аудио по тексту. Она создана разработчиком mispeech и предназначена для синтеза разборчивой речи, музыки, звуковых эффектов и окружающих акустических сцен по текстовым описаниям. Модель относится к семейству Dasheng-AudioGen, использует плотную архитектуру и доступна в формате safetensors; для работы указана библиотека Transformers. Модель поддерживает английский язык и принимает текст, выдавая аудио. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает размер модели, длину контекста и подробности о качестве генерации.

Maxdorger29 разработал дообученную версию F5-TTS для синтеза венгерской речи. Модель семейства F5TTS_v1_Base использует архитектуру DiT и flow matching; она обучена примерно на 145 тысячах венгерских речевых примеров общей длительностью около 270 часов. Веса представлены в формате safetensors и FP16 EMA. Модель преобразует венгерский текст в речь и поддерживает клонирование голоса без отдельного дообучения: для образца голоса требуется 5–15 секунд эталонного аудио. Её можно запускать локально на потребительском GPU с 8 ГБ видеопамяти или больше. Для клонирования голоса нужны эталонная аудиозапись и её текстовая расшифровка; генерируемый текст должен быть на венгерском языке. В начале аудио иногда появляется искажённый фрагмент длительностью около 200–400 мс; README описывает способы его обрезки или уменьшения. Очень короткий текст может приводить к неестественной длительности речи, а потоковая генерация пока не поддерживается. Веса распространяются по лицензии CC-BY-NC-4.0, которая ограничивает коммерческое использование.

Flash-VStream — видеоязыковая модель семейства VStream, разработанная для понимания видеопотоков и ответов на вопросы о них. Она моделирует механизм памяти и предназначена для обработки длинных видеопотоков в реальном времени с одновременным ответом на запросы пользователя. Модель имеет плотную архитектуру VStreamLlamaForCausalLM и содержит 6,6 млрд параметров; нативная длина контекста — 4096 токенов. Она обучалась на изображениях и видео, включая данные LAION/CC/SBU, WebVid и ActivityNet, а также мультимодальные инструкции и вопросы-ответы. В метаданных основная задача указана как text-generation, поэтому для каталога это тег следует считать главным. Модель ориентирована на видеопонимание и диалог по содержимому видео. Доступны веса PyTorch; лицензия указана как llama2. Карточка не приводит результатов оценки качества или подробных условий развёртывания.

GELab-Zero-4B-preview — мультимодальная модель агента графического интерфейса из проекта GELab-Zero, разработанного StepFun. Она основана на Qwen/Qwen3-VL-4B-Instruct и дообучена для понимания экранов и выполнения действий в приложениях. Модель принимает визуальные данные и текстовые инструкции, анализирует элементы интерфейса и формирует ответы, помогающие выбирать действия — нажатие, ввод текста, прокрутку или ожидание. Модель предназначена для локального запуска на потребительском оборудовании и многошаговой работы с приложениями из областей еды, транспорта, покупок и социальных сетей. Заявлена работа с незнакомыми приложениями без специальной адаптации. Архитектура — плотная Qwen3-VL с 4 млрд параметров; карточка описывает возможности для работы с интерфейсами на английском и китайском языках. Репозиторий содержит веса в формате safetensors, используется библиотека Transformers. Лицензия — Apache-2.0. Это предварительная версия модели. README не приводит измерений качества и не описывает точный формат возвращаемых действий, поэтому совместимость с конкретной агентной инфраструктурой следует проверять отдельно.

facebook/hubert-base-ls960 — базовая модель HuBERT, разработанная Facebook и обученная без учителя на речевых аудиозаписях с частотой дискретизации 16 кГц. Архитектура HuBERT использует маскирование участков аудиопоследовательности и предсказание кластеризованных скрытых речевых единиц, формируя представления речи. Модель содержит 113,3 млн параметров; доступны форматы PyTorch и TensorFlow. Модель извлекает признаки из речи и предназначена для использования как основа систем распознавания речи после дообучения на размеченных аудиоданных. Она не содержит токенизатора и сама по себе не преобразует аудио в текст. В карточке указаны английский язык и датасет LibriSpeech ASR; для работы входное аудио должно иметь частоту 16 кГц. Лицензия — Apache 2.0.

JapanRailwaySimLLM — созданная galakenya специализированная языковая модель для работы со знаниями о железных дорогах Японии. Она основана на Gemma 4 E4B и дообучена, а также использует подход RAG для освоения железнодорожной тематики; в метаданных указана плотная архитектура семейства Gemma 4 и возможность диалогового взаимодействия. Модель предназначена для разработчиков, создателей и исследователей: она может помогать проектировать железнодорожные симуляторы и игры, отвечать на вопросы о японской железнодорожной системе и поддерживать тематические исследования. Основной язык карточки — японский; метаданные также отмечают английский. Размер указанной базовой модели — E4B; длина контекста в доступных данных не приведена. Модель генерирует текст по текстовым запросам. Она распространяется по условиям лицензии Gemma; при публичном распространении самих файлов модели, включая конвертированные версии, README требует указывать разработчика. Ответы могут быть ограничены качеством и охватом тематических знаний модели.

facebook/mms-tts-mbh — модель синтеза речи на мангсенге (mbh), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на мангсенге в речевую аудиоволну и подходит для озвучивания фраз и создания речевых примеров на этом языке. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, flow-модуль, трансформерный текстовый энкодер, декодер в стиле HiFi-GAN и стохастический предсказатель длительности. Размер — 3,5 млн параметров. Модель работает с текстом на входе и аудио на выходе; для повторяемого результата генерации требуется фиксировать seed, поскольку предсказатель длительности стохастический. Репозиторий содержит веса PyTorch и Safetensors, а использовать модель можно через Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

VIZINTZOR/MMS-TTS-THAI-MALEV1 — дообученная модель синтеза речи на архитектуре VITS, созданная на основе аудиозаписей Play.ht. Она предназначена для преобразования тайского текста в речь с мужским голосом. В метаданных указаны 3,6 млн параметров и формат safetensors. Модель подходит для локального синтеза тайской речи и экспериментов с настройкой голосовых моделей. README содержит ссылки на инструкции по дообучению в Google Colab и локальному использованию. Лицензия в доступных сведениях не указана.

SpotLab/MobileViT_DeepLabv3 — компактная модель семантической сегментации изображений на основе MobileViT-XX-Small и головы DeepLabV3. Архитектура MobileViT сочетает свёрточные блоки в стиле MobileNetV2 с Transformer-блоками для глобальной обработки патчей; модель предназначена для сегментации объектов на изображениях и рассчитана на мобильное применение с низкой задержкой. Модель обучена на ImageNet-1k, затем дообучена на PASCAL VOC2012. Для оценки на PASCAL VOC указана метрика mIoU 73,6 при 1,9 млн параметров. На вход подаются изображения с центральной обрезкой до 512×512 и пикселями в порядке BGR, нормализованными в диапазон [0, 1]. Репозиторий содержит варианты в форматах PyTorch, TensorFlow, TFLite и Core ML. Указана лицензия Apple Sample Code License.

MoVoCMT — модель машинного перевода на базе MarianMT, разработанная для проекта MoVoC. Она обучена с нуля, без предобученного чекпойнта, на двунаправленном переводе между английским и амхарским, а также английским и тигринья; архитектура включает 6 слоёв кодировщика и 6 слоёв декодировщика, 8 голов внимания и 512-мерные скрытые состояния. Модель насчитывает 86,6 млн параметров и использует общий токенизатор SentencePiece Unigram на 120 тыс. токенов для английского и письменности геэз. Модель предназначена для перевода между английским, амхарским и тигринья. Также её проверяли в режиме zero-shot для перевода с тигре на английский и обратно: результаты для направления с тигре на английский выглядят обнадёживающе, но проверка охватывала лишь 43 пары; при переводе на тигре наблюдались циклические повторы. На тестах английско-амхарского и английско-тигринья перевода направление на английский стабильно сильнее обратного. Контекст модели — 512 токенов. Лицензия — CC BY 4.0.

OpenF5 TTS Base — открытая модель синтеза речи, разработанная автором репозитория на базе конфигурации F5-TTS Base V1 и обученная с использованием фреймворка F5-TTS. Она преобразует английский текст в речь и поддерживает клонирование голоса в режиме zero-shot по примеру голоса. Модель обучалась в течение 1 млн шагов на наборе Emilia-YODAS, содержащем английскую речь. Репозиторий распространяется в формате PyTorch под лицензией Apache 2.0, разрешающей коммерческое и личное использование. Это альфа-версия, задуманная прежде всего как открытая база для дальнейшего дообучения. По заявлению автора, она уступает официальной модели F5-TTS по качеству клонирования голоса; стабильность и качество могут быть недостаточными, а возможности передачи эмоций ограничены. Синтетическую речь следует применять ответственно, особенно при воспроизведении голосов идентифицируемых людей.

Карточка модели Skoba777/Osaurus-AppleScript-16B-A4B-JANG_4M на Hugging Face совпадает с карточкой OsaurusAI/Osaurus-AppleScript-16B-A4B-JANG_4M, поэтому описание составлено по ней. OsaurusAI разработала AppleScript-16B-A4B-JANG_4M — дообученную модель на основе Google Gemma 4 26B A4B IT для автоматизации macOS с помощью AppleScript и вызовов инструментов. Она предназначена для агентных сценариев: по запросу формирует структурированный вызов инструмента run_applescript со скриптом для управления приложениями и системой; без описания инструмента может выдавать AppleScript напрямую. Модель использует MoE-архитектуру Gemma 4, экспертно сокращена до 16,1 млрд параметров, из которых активны около 4 млрд. Версия JANG_4M применяет 8-битное внимание и 4-битные маршрутизируемые эксперты; заявленный размер — около 11 ГБ. Модель рассчитана на локальный запуск через MLX и принимает текстовые запросы, выдавая текст или структурированные вызовы инструментов. В тесте разработчика на 87 задачах модель показала 100% корректных вызовов инструмента и компилируемых скриптов, а также 84% корректного выполнения. Эти результаты относятся к внутреннему тесту и не гарантируют точность для произвольных сценариев. Лицензия — Gemma; перед использованием следует учитывать её условия.

OS-Genesis-7B-AW — мультимодальная модель для управления мобильным графическим интерфейсом, разработанная авторами проекта OS-Genesis и дообученная на базе Qwen2-VL-7B-Instruct. Она предназначена для работы GUI-агента: модель анализирует экран и формирует действия для выполнения задач в приложениях Android; её семейство использовалось при оценке на бенчмарке AndroidControl. Модель имеет плотную архитектуру Qwen2-VL с 7,1 млрд параметров, принимает изображения и текст и выдаёт текстовое представление действий. Длина контекста — 32 768 токенов. В README указан набор данных OS-Genesis-aw-training-data для обучения; конкретные поддерживаемые языки и детальная схема действий не описаны. Модель распространяется под лицензией Apache-2.0.

abreza/persian-ezafe-albert — модель классификации токенов на основе ALBERT, дообученная на HooshvareLab/albert-fa-zwnj-base-v2 для обнаружения эзофе в персидском тексте. Она определяет, где при фонемизации следует добавить непишущийся звук эзофе (/e/ или /ye/), чтобы разрешать неоднозначности произношения. Модель предназначена для использования в конвейерах персидского преобразования текста в речь, в частности с Piper и LCA Phonemizer. В репозитории представлены веса PyTorch и квантованная версия ONNX для инференса. По README, F1 на отложенной тестовой выборке составляет 98,73%; метаданные указывают 136,3 млн параметров и контекст до 512 токенов. Модель обучена на обработанной части набора HomoRich для персидских графемно-фонемных задач. Лицензия в предоставленных сведениях не указана.

Это дообученная модель семейства Qwen3.5 с 9 млрд параметров, созданная автором voidful на базе Qwen/Qwen3.5-9B и набора данных voidful/gemini-3.1-opus-4.6-reasoning-merged. По карточке Hugging Face это мультимодальная модель с поддержкой изображений; основной акцент README — рассуждения и выбор ответов в тестах с несколькими вариантами, а метаданные задают задачу image-text-to-text. Модель предназначена для вопросов по изображениям и тексту, а также для zero-shot задач на понимание прочитанного и научные вопросы с выбором ответа. В описанных автором сравнениях она показала лучший совокупный результат среди трёх моделей и улучшенные результаты на ARC-Challenge, ARC-Easy и BoolQ. Модель распространяется в формате safetensors по лицензии Apache-2.0. Результаты ограничены небольшим набором zero-shot-бенчмарков: модель не лидирует на каждой задаче, а различия на некоторых тестах могут укладываться в стандартную ошибку. README указывает, что ещё нужны оценки следования инструкциям, длинного контекста, программирования, многоязычности и открытой генерации; сведений о длине контекста и поддерживаемых языках в предоставленных данных нет.

LevonHakobyan выпустил модель распознавания речи на основе facebook/w2v-bert-2.0, дообученную на датасете Common Voice 17.0. Это архитектура Wav2Vec2-BERT с плотными весами и головой CTC; размер модели — 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст. Карточка не сообщает языки, на которых проводилось дообучение, или длину аудиозаписей, поэтому эти характеристики не уточняются. Лицензия — MIT. На приведённом в карточке наборе оценки модель получила WER 1,0 и CER 0,9653, что указывает на очень высокую долю ошибок и ограниченную пригодность для практического распознавания без дополнительной проверки и дообучения.

Whisper Tiny ar-quran — дообученная модель OpenAI Whisper Tiny, опубликованная deepdml для распознавания речи на аудио с чтением Корана. Она преобразует аудио в текст и рассчитана на транскрибацию коранической рецитации. Модель содержит 29,4 млн параметров, использует архитектуру Whisper и доступна в формате safetensors для библиотеки Transformers. В карточке приведены результаты оценки: WER 3,392 и CER 1,0872; для необработанных метрик указаны WER 3,5416 и CER 1,0757. Для дообучения использованы наборы tarteel-ai/everyayah, deepdml/tlog-clean-sf16k и tarteel-ai/EA-UD. Модель распространяется по лицензии Apache-2.0. Карточка не описывает подробно условия записи, охват вариантов рецитации или ограничения качества, поэтому результаты оценки не следует считать гарантией точности на любых аудиозаписях.

AutoGLM-Phone-9B-GGUF — это квантизированная в формате GGUF версия мультимодальной модели AutoGLM-Phone-9B, предназначенной для создания мобильных GUI-агентов. Модель разработана в рамках проекта Open-AutoGLM и основана на zai-org/GLM-4.1V-9B-Base; её архитектура идентична GLM-4.1V-9B-Thinking. GGUF-версия подготовлена с использованием llama.cpp. Модель предназначена для понимания содержимого экранов смартфона и автоматизации действий на Android-устройствах. В составе Phone Agent она принимает задания на естественном языке, анализирует интерфейс, планирует последовательность действий и выполняет их через ADB (Android Debug Bridge). Возможные сценарии включают навигацию по мобильным приложениям, поиск информации, заполнение интерфейсных форм и удалённое управление устройством. Поддерживаются мультимодальное восприятие экранов, подтверждение чувствительных действий, участие человека при входе в аккаунт или вводе кодов подтверждения, а также удалённое ADB-подключение. Ключевые характеристики — около 9 млрд параметров, мультимодальная обработка текста и изображений, заявленный язык китайский и принадлежность к классу vision-language моделей. Конкретный размер контекста, полный список языков и требования к аппаратному обеспечению в карточке не указаны. Квантизация с выборочным повышением точности отдельных слоёв может улучшать точность при заданном уровне квантизации, но увеличивает размер файла. Модель ориентирована прежде всего на исследовательские и образовательные задачи; README предупреждает о запрете незаконного доступа к данным и вмешательства в работу систем. Указана лицензия MIT.

Mungert/AutoGLM-Phone-9B-Multilingual-GGUF — это GGUF-версия модели AutoGLM-Phone-9B-Multilingual, разработанной в экосистеме zai-org и Open-AutoGLM, с конвертацией и квантованием, выполненными Mungert с использованием llama.cpp. Модель предназначена для исследовательских и образовательных сценариев создания мобильных GUI-агентов: она анализирует содержимое экрана смартфона, понимает инструкции на естественном языке, планирует последовательность действий и управляет Android-устройством через ADB. Примеры задач включают открытие приложений, поиск информации и выполнение многошаговых операций в интерфейсе. Модель относится к мультимодальным vision-language моделям и обрабатывает изображения и текст. Её архитектура идентична GLM-4.1V-9B-Thinking; заявленный размер — около 9 млрд параметров. В карточке указана базовая модель zai-org/GLM-4.1V-9B-Base и язык zh. Файлы представлены в формате GGUF для запуска через llama.cpp. При квантовании использовалось повышение точности отдельных важных слоёв сверх стандартной конфигурации IMatrix, что может улучшать точность на низких разрядностях, но увеличивает размер файла. Размер контекста и полный набор поддерживаемых языков не указаны. Сильные стороны модели — мультимодальное понимание мобильных интерфейсов, автоматическое планирование действий, поддержка подтверждения чувствительных операций и возможность передавать управление человеку при входе в аккаунт или вводе кодов подтверждения. Ограничения включают зависимость от Android Debug Bridge, потенциально более медленный вывод при запуске на ограниченных ресурсах и необходимость контроля действий агента. Проект предназначен только для исследований и обучения; запрещено использовать его для незаконного доступа к данным или вмешательства в работу систем. В карточке указана лицензия MIT.

CompoDistill-Teacher-4B — мультимодальная языковая модель, разработанная авторами CompoDistill как учитель для дистилляции CompoDistill-2B. Она построена на Qwen1.5-4B и SigLIP-so400m и обучена визуальной настройкой инструкций в стиле LLaVA. Модель предназначена для диалоговых задач с изображениями и текстом, включая композиционное рассуждение; также её можно использовать как учитель в обучении с дистилляцией внимания и ответов. В репозитории представлены веса safetensors. Лицензия — Apache-2.0. Карточка не сообщает измеренные ограничения качества или контекстное окно; модель описана прежде всего как учитель для обучения, поэтому её пригодность для самостоятельного пользовательского применения отдельно не подтверждена.

gemini_whisper_sanlish — дообученная thunderboltc модель на базе OpenAI Whisper small для распознавания речи на сантали с записью результата в IPA/Sanlish. Модель принимает аудио и преобразует его в текст; архитектура — WhisperForConditionalGeneration, веса опубликованы в формате safetensors. В обучении использованы 1 547 примеров, а для проверки и тестирования — 193 и 194 примера соответственно. В README приведены результаты на тестовой выборке: WER около 34,7% и CER около 8,3%. Модель ориентирована на транскрипцию сантали, а не на перевод речи. Это специализированная экспериментальная модель; README не сообщает лицензию и не описывает ограничения применения. Базовая модель — openai/whisper-small.