I.15Доступность и ассистивные технологии

InternVL2_5-26B — мультимодальная модель OpenGVLab для диалога по тексту и визуальным данным. Она объединяет зрительный энкодер InternViT-6B-448px-V2_5 и языковую модель internlm/internlm2_5-20b-chat; каталог указывает связь с обеими базовыми моделями как merge. Модель построена по схеме ViT-MLP-LLM и использует динамическое разбиение изображений на фрагменты 448×448 пикселей для обработки в высоком разрешении. Модель предназначена для ответов на вопросы об изображениях, анализа нескольких изображений в одном запросе и понимания видео по кадрам; она также поддерживает обычный текстовый диалог. В README отмечены улучшения обучения и качества данных, а также внимание к сохранению языковых способностей. Карточка семейства указывает поддержку многоязычных данных, OCR и математических диаграмм; конкретный список языков и размер контекста для этой версии не приведены. Репозиторий содержит веса safetensors и рассчитан на Transformers. Лицензия — MIT. Обработка высокого разрешения, нескольких изображений и видео увеличивает расход визуальных токенов; при работе с несколькими изображениями может потребоваться увеличить контекст.

InternVL2_5-38B — мультимодальная чат-модель OpenGVLab, построенная по схеме ViT-MLP-LLM: зрительный кодировщик InternViT связан через MLP-проектор с языковой моделью Qwen2.5-32B-Instruct. Модель объединяет эти компоненты и распространяется в формате safetensors; лицензия — MIT. Модель предназначена для диалога по изображениям и видео, а также для генерации текста. Она поддерживает изображения высокого разрешения с динамическим разбиением на фрагменты, несколько изображений в одном запросе и видео, представляемое последовательностью кадров. В README также отмечены задачи OCR на нескольких языках и анализ математических графиков; языки описаны как многоязычные. Архитектурные детали и обучение рассчитаны на мультимодальные задачи, а в версии 2.5 улучшены стратегии обучения и качество данных для сохранения языковых возможностей. Работа с несколькими изображениями или кадрами видео увеличивает число визуальных токенов и может требовать большего контекстного окна. В метаданных указана поддержка генерации текста наряду с обработкой изображений и текста.

MOSS-VL-Instruct-0408 — мультимодальная модель OpenMOSS, дообученная методом supervised fine-tuning на основе MOSS-VL-Base-0408. Она предназначена для понимания изображений и видео, визуальных вопросов и ответов, распознавания текста и разбора документов, визуальных рассуждений и выполнения инструкций. Модель особенно ориентирована на анализ длинных видео: рассуждение о последовательности событий, распознавание действий и привязку событий ко времени. Архитектура использует перекрёстное внимание, раздельно обрабатывающее визуальное представление и языковое рассуждение; временные метки кадров помогают учитывать ход событий, а XRoPE кодирует время и пространственные координаты. Модель поддерживает чередование изображений и видео в одном потоке и диалоговый интерфейс. В карточке заявлены сильные результаты на задачах понимания видео, визуального восприятия и OCR. Модель описана как ранний этап развития семейства; математические и программные рассуждения, а также многошаговое поведение требуют дальнейшего улучшения. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0.

nandraj/NaviDC-OCR-GGUF — это конвертированная в формат GGUF версия мультимодальной Vision-Language Model NaviDC-OCR, разработанной организацией StarDoc-AI. Репозиторий nandraj не содержит оригинальных обучающих весов и не заявляет о дополнительном обучении или дообучении модели. Модель предназначена для анализа цифровых и сфотографированных документов. Она поддерживает OCR и извлечение текста, разбор документов, распознавание таблиц и формул, анализ структуры и расположения элементов, определение порядка чтения, обработку искажённых документов, а также понимание научных документов. Модель имеет около 1,2 млрд параметров и работает с изображениями и текстом; точные сведения о языках и размере контекста в README не указаны. Основной формат распространения — GGUF для локального запуска через llama.cpp и совместимые среды, включая сценарии на CPU и GPU. Доступны варианты с разным уровнем квантования от F16 до Q2_K–Q8_0, а мультимодальный компонент поставляется отдельно в файле MMProj. Для работы требуется пропатченная сборка llama.cpp: стандартная версия не загружает модель из-за ошибки проверки размеров тензоров. Репозиторий распространяется по лицензии Apache-2.0.

DevQuasar/openbmb.MiniCPM-V-4.6-GGUF — это квантованная версия мультимодальной модели openbmb/MiniCPM-V-4.6, опубликованная пользователем или организацией DevQuasar. Модель предназначена для задач image-text-to-text: анализа изображений и формирования текстовых ответов на основе визуального и текстового ввода.

PaliGemma 2 3B Mix 224 — мультимодальная модель Google на основе Gemma 2 и SigLIP, принимающая изображение и текст и генерирующая текст. Версия Mix объединяет несколько вариантов обучения для разных задач компьютерного зрения и языка; модель рассчитана прежде всего на дообучение под специализированные сценарии. Она подходит для создания подписей к изображениям, визуальных ответов на вопросы, чтения текста на изображениях (OCR), обнаружения и сегментации объектов. Также семейство предназначено для подписей к коротким видео и специализированных задач, например анализа снимков дистанционного зондирования, интерфейсов или научных изображений. Карточка подтверждает поддержку нескольких языков, но не перечисляет их коды. Репозиторий использует формат safetensors и библиотеку Transformers. Модель лучше работает с ясными инструкциями; качество в режиме без дообучения может уступать моделям, созданным для универсального общения. Она не является многоходовым чат-ботом и может ошибаться в фактах, рассуждениях и понимании языковых нюансов. Возможны смещения и генерация вредного или вводящего в заблуждение текста. Лицензия — gemma; применение регулируется условиями и политикой использования Gemma.

Perseus-Doc-vl-0712-i1-GGUF — это квантованные файлы GGUF базовой визуально-языковой модели Perseus-Doc-VL-0712, разработанной prithivMLmods и подготовленной к квантованию пользователем mradermacher. Модель предназначена для работы с документами и изображениями: распознавания текста, интеллектуального распознавания рукописного текста, анализа PDF и других визуальных данных, генерации подписей и преобразования изображений в текст. Доступны mmproj-файлы для мультимодального режима. В README указана поддержка английского и китайского языков. Архитектура, число параметров, размер контекста и точный набор поддерживаемых входных форматов не раскрыты. Репозиторий содержит варианты квантования от 2,0 до 6,4 ГБ; более компактные варианты требуют меньших ресурсов, но могут заметно уступать по качеству, тогда как Q4_K_M отмечен как быстрый и рекомендуемый вариант. Основные ограничения — отсутствие подробных количественных оценок, сведений о производительности и характеристиках базовой модели в карточке данного репозитория. Модель распространяется по лицензии Apache-2.0. Указанные в README датасеты включают OpenDoc-Pdf-Preview, Corvus-OCR-Caption-Mix, Openpdf-Analysis-Recognition и Opendoc2-Analysis-Recognition.

cstr/qwen3-asr-1.7b-GGUF — это набор GGUF-квантизаций модели автоматического распознавания речи Qwen3-ASR-1.7B, разработанной Qwen. Репозиторий предназначен для запуска модели с CrispASR и содержит варианты Q4_K, Q8_0 и F16. Модель поддерживает 30 языков, 22 китайских диалекта, а также распознавание речи, вокала и песен с фоновой музыкой; принимает аудио длительностью до 5 минут. Указаны языки, включая английский, китайский, японский, корейский, немецкий, французский, испанский, португальский, русский и итальянский. Архитектура включает 24-слойный Whisper-подобный аудиоэнкодер с размерностью 1024, 2-слойный MLP-проектор и 28-слойный декодер Qwen3 с размерностью 2048. Размеры файлов составляют около 1,5 ГБ для Q4_K, 2,5 ГБ для Q8_0 и 4,7 ГБ для F16. Вариант Q4_K рекомендуется для большинства сценариев; после обновления аудиоэнкодер в нём хранится в Q8_0, что устраняет проблемы с пустыми или повторяющимися транскрипциями. На 11-секундном английском аудиофрагменте заявлена скорость 0,2 от реального времени на CPU с четырьмя потоками и идеальная точность транскрипции, однако это не гарантирует аналогичных результатов на всех данных. Модель подходит для локального многоязычного распознавания речи и перевода через CrispASR. Ограничениями являются необходимость совместимого запускающего ПО, зависимость качества и скорости от выбранной квантизации и оборудования, а также ограничение длительности входного аудио до 5 минут. Репозиторий содержит только конвертацию и квантизацию исходных весов без дообучения, слияния или изменения архитектуры. Распространяется по лицензии Apache 2.0; права и ограничения исходной модели Qwen3-ASR-1.7B сохраняются.

kaiz0603 дообучил мультимодальную модель Qwen3-VL-4B-Instruct для диалогового взаимодействия с изображениями. Она принимает текст и изображения и формирует текстовые ответы; архитектура Qwen3-VL — плотная модель с 4 млрд параметров. Модель подходит для вопросов по изображениям, визуального анализа и OCR. В метаданных также заявлен интерфейс вызова инструментов, но сведения о его настройке в карточке отсутствуют. Модель распространяется по лицензии Apache-2.0.

ViFortune-AI разработала объединённую мультимодальную модель на основе языковой части Qwen3 и визуальной ветви Qwen2.5-VL-3B-Instruct. По метаданным репозитория, модель содержит 589,7 млн параметров, использует архитектуру Qwen2.5-VL и доступна в форматах PyTorch и safetensors. Она принимает изображения и текст, а также, согласно README, видео; может описывать визуальные сцены, распознавать текст и структуру документов, анализировать графики и скриншоты интерфейсов, а также формировать структурированные ответы, например данные таблиц и форм. Модель предназначена для диалоговых задач с визуальным содержимым и обработки длинного контекста. В README заявлена длина до 32 768 токенов с возможностью расширения через YaRN; метаданные каталога указывают контекст 128 000 токенов. README также описывает возможности визуального агента и использования инструментов, однако примеры и оценки качества не приведены. Основные ограничения: расширение контекста через YaRN может ухудшать пространственную и временную локализацию; обработка видео в README ограничена локальными файлами. Лицензия в предоставленных данных не указана.

Это репозиторий весов unsloth для мультимодальной модели Qwen3-VL-4B-Thinking, разработанной на основе Qwen3-VL компанией Qwen и представленной Unsloth с исправлениями шаблона чата. Модель сочетает обработку текста и изображений и предназначена для диалога, визуального анализа и рассуждений; заявлены также понимание видео, OCR и взаимодействие с инструментами. Архитектура — плотная Qwen3-VL для условной генерации, веса сохранены в safetensors и используются через Transformers. В README заявлены контекст длиной 256 тысяч токенов с возможностью расширения до миллиона, визуальное рассуждение, распознавание элементов интерфейса и разбор документов; также указана поддержка OCR на 32 языках. Модель может быть полезна для вопросов по изображениям и видео, извлечения текста из документов и визуально обусловленного диалога. Репозиторий распространяется по лицензии Apache-2.0. Заявления README о сравнительном качестве и характеристиках являются описанием разработчика; независимые результаты измерений в карточке не приведены.

Ultravox v0.4 — мультимодальная речевая LLM от Fixie.ai на базе Llama 3.1 8B Instruct и Whisper medium. Она принимает аудио вместе с текстовым контекстом и генерирует текст, поэтому подходит для голосовых агентов, распознавания и анализа речи, а также перевода устной речи. Модель использует архитектуру Ultravox; в README указана скорость около 150 мс до первого токена и 50–100 токенов в секунду на GPU A100 40 ГБ. Авторы приводят результаты для перевода между английским, немецким и испанским, а также для распознавания английской речи на LibriSpeech. Входные языки по метаданным: английский, арабский, немецкий, испанский, французский, итальянский, японский, португальский и русский. Модель не генерирует аудио, а на момент этой версии не проходила preference tuning. Лицензия — MIT.

Unlimited-OCR BF16 MLX — конвертированная в формат BF16 версия мультимодальной модели Baidu Unlimited-OCR, подготовленная для запуска на MLX. Она принимает изображение страницы документа и текстовый запрос, а в ответ распознаёт текст и может представлять структуру документа. В репозитории указаны 559,7 млн параметров и контекстное окно 32 768 токенов; модель построена на архитектуре DeepSeekOCR и доступна в формате safetensors. Модель предназначена для OCR и разбора документов по изображениям, включая локальный запуск на устройствах Apple через MLX. В тесте разработчика на 24 синтетических англоязычных страницах BF16-вариант показал CER 1,62%; эти результаты не характеризуют качество на реальных сканах, рукописном тексте и других письменностях. В MLX-версии не реализован механизм R-SWA базовой модели, поэтому режим обработки длинных документов с постоянным расходом памяти не проверен. Репозиторий распространяется по лицензии MIT; исходная модель создана Baidu.

Voxtral Small 1.0 (24B) 2507 — мультимодальная модель Mistral, дообученная на базе mistralai/Mistral-Small-24B-Base-2501 для работы с аудио и сохранения возможностей текстовой языковой модели. Она принимает аудио и текстовые инструкции и генерирует текст: распознаёт речь, переводит её, отвечает на вопросы по аудиозаписям и составляет их краткие структурированные сводки. Модель поддерживает автоматическое определение языка речи и восемь языков: английский, французский, немецкий, испанский, итальянский, португальский, нидерландский и хинди. Контекст модели составляет 32 тыс. токенов; согласно карточке, она обрабатывает аудио до 30 минут при транскрибации и до 40 минут при анализе. Также заявлена экспериментальная поддержка вызова функций по голосовым инструкциям. Для запуска рекомендуются vLLM или Transformers; обработка на GPU требует около 55 ГБ видеопамяти в bf16 или fp16. Модель распространяется по лицензии Apache-2.0.

handy-computer/whisper-large-gguf — это конвертация мультиязычной модели OpenAI Whisper large в формат GGUF для использования с transcribe.cpp. Модель предназначена для автоматического распознавания речи, определения языка аудио и перевода речи с любого поддерживаемого языка в английский текст. Она поддерживает сегментную расшифровку с временными метками и обрабатывает длинные записи с помощью декодирования по 30-секундным окнам; потоковая обработка не поддерживается. Архитектура модели — encoder-decoder Transformer. Доступны варианты F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 997 МБ до 6,18 ГБ. Модель поддерживает широкий набор языков, включая русский, английский, немецкий, французский, испанский, китайский, японский и многие другие. На тесте LibriSpeech test-clean варианты показали WER от 2,62% до 2,84%, что указывает на высокое качество распознавания английской речи; качество заметно зависит от языка и может существенно различаться. Сильные стороны модели — мультиязычность, определение языка, перевод речи на английский, поддержка различных уровней квантования и возможность запуска через transcribe.cpp с использованием CPU, Metal или Vulkan. Ограничения включают значительный размер, отсутствие потокового режима и неоднородную точность для разных языков, особенно для менее распространённых языков. Распространение указано по лицензии Apache-2.0.

ghost613/whisper-large-v3-turbo-korean — дообученная модель Whisper Large V3 Turbo для автоматического распознавания корейской речи и преобразования её в текст. Она создана на основе openai/whisper-large-v3-turbo и обучена на корейском наборе данных Zeroth; в обучающей выборке было около 206 часов 43 минут аудио. Модель содержит около 905,2 млн параметров и принимает аудио, выдавая текст. В README указаны итоговые показатели WER 4,90% на валидации и 4,89% на тесте, а CER — 1,78% и 2,06% соответственно. Автор отмечает, что обучение не сошлось и дальнейшее улучшение результатов возможно. Модель опубликована в формате safetensors; условия лицензии в предоставленных данных не описаны.

oxide-lab/whisper-small-GGUF — набор квантизированных версий модели Whisper Small, разработанной OpenAI и опубликованной oxide-lab. Модель предназначена для автоматического распознавания речи, включая транскрибацию аудиозаписей, и может использоваться с Candle — ML-фреймворком на Rust — или whisper.cpp. Заявлена поддержка multilingual-сценариев, включая английский и русский языки. Модели распространяются в формате GGUF и основаны на openai/whisper-small. Доступны десять уровней квантизации — от q2_k до q8_0 — с различным компромиссом между размером, скоростью и качеством. Вариант q4_k рекомендован как сбалансированный для практического использования: он примерно на 65% меньше исходной модели, обеспечивает минимальное ухудшение качества и более быстрое выполнение по сравнению с менее квантизированными вариантами. Версии в корневом каталоге совместимы с Candle, а версии в каталоге whisper.cpp — с whisper.cpp; эти варианты отличаются именами тензоров и предназначены для соответствующих инструментов. Сильными сторонами модели являются поддержка нескольких форматов квантизации, возможность локального запуска и совместимость с Rust- и C++-инструментами. Ограничения включают зависимость от выбранного уровня квантизации, возможную потерю качества в компактных вариантах и необходимость использовать соответствующую реализацию и файлы конфигурации. Модель распространяется по лицензии MIT, такой же, как исходная модель Whisper.

Azerbaijani Whisper Turbo — модель LocalDoc для автоматического распознавания азербайджанской речи. Это дообученная на датасетах LocalDoc/azerbaijani_asr и LocalDoc/fleurs-azerbaijani-asr модель openai/whisper-large-v3-turbo на архитектуре Whisper с 905,2 млн параметров. Она принимает аудио с частотой дискретизации 16 кГц в моно и преобразует речь в текст. Модель предназначена для транскрибации азербайджанской речи, в том числе для сценариев с обработкой в реальном времени на GPU. По README, на тестовой выборке FLEURS из 921 аудиозаписи она показала WER 13,17%; авторы также заявляют о снижении WER на 8% относительно whisper-large-v3 и почти двукратном ускорении вывода. Лицензия — Apache-2.0.

primeline/distil-whisper-large-v3-german — модель распознавания немецкой речи, разработанная Флорианом Циммермайстером и основанная на технике дистилляции Whisper. Она предназначена для транскрибации немецкой речи как локально, так и в составе конвейеров распознавания. В карточке описана версия с 756 млн параметров и размером 1,51 ГБ в bfloat16; метаданные указывают архитектуру Whisper с 905,2 млн параметров и формат safetensors. Модель обучена на отфильтрованных данных Common Voice, многоязычного LibriSpeech и внутренних данных. Автор заявляет о более быстром выводе с минимальной потерей качества относительно немецкой версии Whisper large v3; при оптимизации, например с TensorRT, модель может применяться для распознавания речи в реальном времени. Указанный язык — немецкий. Лицензия — Apache-2.0.

Aspik101 разработал польскую версию Distil-Whisper large-v3 — сжатую дистиллированную модель распознавания речи на основе Whisper large-v3. Она принимает аудио и преобразует речь в текст на польском языке; предназначена для транскрибации коротких записей и длинных аудиофайлов с обработкой по чанкам. Модель содержит около 905,2 млн параметров и распространяется в формате PyTorch; для работы поддерживается библиотекой Transformers версии 4.35 и новее. По данным карточки, Distil-Whisper в три раза быстрее и на 49% меньше исходной модели. Для обработки длинных записей README рекомендует чанки по 15 секунд; указанный в карточке прирост скорости для чанковой обработки — до девяти раз относительно последовательного алгоритма из статьи Whisper. Модель выпущена под лицензией MIT.

Это конверсия модели deepdml/whisper-large-v3-turbo в формат CTranslate2, опубликованная aTrain-core. Она предназначена для распознавания речи и используется через CTranslate2 и совместимые проекты, в том числе faster-whisper. Веса сохранены в FP16; при загрузке в CTranslate2 можно выбрать другой тип вычислений через параметр compute_type. Метаданные указывают поддержку множества языков, включая русский и английский. Для использования модели требуется совместимое программное обеспечение на основе CTranslate2. Лицензия репозитория — MIT.

Это конверсия модели распознавания речи Whisper medium от OpenAI в формат CTranslate2, подготовленная для запуска через CTranslate2 и проекты на его основе, включая faster-whisper. Модель принимает аудио и преобразует речь в текст; её можно использовать для транскрибации аудиозаписей и интеграции распознавания речи в приложения на faster-whisper. Веса сохранены в FP16; при загрузке можно выбрать другой compute_type. Репозиторий не описывает отдельное дообучение: это конверсия openai/whisper-medium. Модель распространяется по лицензии MIT. Карточка этой конверсии не приводит подробностей об ограничениях качества; поддерживаемые языки и возможности исходного Whisper medium здесь отдельно не описаны.

AnandSingh/hunyuanocr-mlx — конверсия OCR-модели Tencent HunyuanOCR для запуска через Apple MLX на компьютерах Mac с Apple Silicon. Это плотная зрительно-языковая модель семейства Hunyuan-VL с архитектурой HunYuanVLForConditionalGeneration; в метаданных указано 463,5 млн параметров и контекст 32 768 токенов. Модель принимает изображения и текстовые инструкции, а в ответ может распознавать текст, извлекать сведения и разбирать документы. Модель предназначена для поиска текста на изображениях, разбора сложных документов и таблиц, распознавания формул и извлечения субтитров из видео. В README также заявлены перевод текста на фотографиях и высокие результаты в этих задачах, но сравнительные оценки не приведены. В примерах используются китайские инструкции; метаданные характеризуют языки модели как многоязычные. Для работы требуются Mac с Apple Silicon, macOS 14 или новее, Python 3.9+ и библиотеки MLX, Transformers, PyTorch и Pillow. Репозиторий использует формат safetensors. Указанная лицензия — other; конкретные условия необходимо сверить с карточкой модели. Конверсия не связана с Tencent и не одобрена компанией.

Imgscope-OCR-2B-0527 — мультимодальная модель prithivMLmods, дообученная на базе Qwen2-VL-2B-Instruct. Она принимает изображения и текстовые запросы и генерирует текст; заявленные сценарии включают распознавание печатного текста и сложного рукописного письма, разбор структуры документов, ответы на вопросы по изображениям и преобразование математических выражений в LaTeX. В карточке также заявлены работа с видео и диалоговый режим. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2-VL и формат safetensors; длина контекста — 32 768 токенов. Для обучения указаны наборы OCR чеков и счетов, LaTeX OCR и извлечения информации из LaTeX-документов. README заявляет поддержку OCR на нескольких языках, включая английский, китайский, японский, корейский, арабский и вьетнамский, но подробная оценка по языкам не приведена. Лицензия — Apache-2.0. Заявления о качестве на бенчмарках и длительности обрабатываемых видео приведены в README без результатов оценки в доступных данных.

Indic-Transcribe-flex — мультиязычная модель распознавания речи, разработанная Spark UX и основанная на NVIDIA Canary-1B-v2. Она использует энкодер FastConformer и Transformer-декодер и дообучена для транскрибации 27 индийских языков, включая варианты английского с индийским акцентом и диалекты хинди. Для входа принимает аудио; базовые требования — моно, 16 кГц, поддерживаются WAV, FLAC и MP3. Модель предназначена для преобразования речи в текст, в том числе в шумной обстановке и при смешении языков в одной речи. Доступны вывод в родной письменности, смешанный режим с латиницей для английских слов и чисел и полностью романизированный текст. Также модель умеет определять язык и транскрибировать аудио без заранее заданного языка. Вариант flex поддерживает нормализацию чисел и кода-свитчинг; потоковая транскрибация, согласно карточке, относится к варианту lite. Заявленные сценарии включают голосовые продукты для образования, сельского хозяйства и здравоохранения, а также транскрибацию звонков и индексирование речи. В карточке приведены результаты бенчмарка Voice of India, но они не гарантируют такую же точность на других данных. Лицензия в метаданных обозначена как other; README заявляет готовность модели к коммерческому использованию, поэтому перед развертыванием следует проверить условия лицензии репозитория.

InternVL2-8B — мультимодальная диалоговая модель с настройкой по инструкциям, разработанная командой OpenGVLab и входящая в семейство InternVL 2.0. Вариант содержит около 8,1 млрд параметров и построен из визуального энкодера InternViT-300M-448px, MLP-проектора и языковой модели internlm2_5-7b-chat; в метаданных указана архитектура InternVLChatModel и библиотека Transformers. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Она предназначена для диалога по изображениям, понимания документов, диаграмм и инфографики, распознавания текста на изображениях, решения визуальных научных и математических задач, а также анализа нескольких изображений и видеокадров. README указывает контекстное окно 8 тысяч токенов и обучение на длинных текстах, нескольких изображениях и видео; языковые коды отдельных языков в карточке не перечислены, указана мультиязычность. Разработчики сообщают о конкурентных результатах в задачах понимания изображений и видео, включая OCR и ответы на вопросы по документам и диаграммам. Репозиторий распространяется по лицензии MIT. Оценки в README получены на конкретных бенчмарках и настройках, поэтому сами по себе не гарантируют точность на произвольных данных; обработка видео описана через извлечение кадров.

JSONify-Flux-Large — дообученная PrithivMLmods мультимодальная модель на архитектуре Qwen2-VL-7B-Instruct, настроенная на изображения, созданные Flux, и соответствующие им описания. Она предназначена для описания изображений, визуальных вопросов и рассуждений, распознавания текста на изображениях и решения математических задач с выводом в формате JSON; поддерживает многошаговый диалог и анализ видео. Модель содержит 7,1 млрд параметров, принимает изображения и текст, выдаёт текст, а максимальный контекст составляет 32 768 токенов. В карточке заявлена поддержка английского и китайского языков, а также распознавание текста на японском, арабском и ряде европейских языков. Веса опубликованы в формате Safetensors, библиотека для работы — Transformers. Модель распространяется по лицензии Apache-2.0. Карточка не приводит независимых сравнительных результатов, поэтому заявления о высокой точности и длительности поддерживаемого видео не следует считать подтверждёнными гарантиями качества.

Kelix-SFT — полный выпуск модели Kelix на этапе supervised fine-tuning, разработанный OpenOneRec. Это унифицированная мультимодальная система на основе дискретных визуальных токенов, объединяющая распознавание изображений и генерацию изображений в авторегрессионном конвейере «токенизатор — языковая модель — декодер». В состав входят Kelix-Tok с визуальным энкодером NaViT и многокодовыми VQ-кодбуками, Kelix-LLM на базе Qwen3-8B с расширенным на 65 536 визуальных токенов словарём и обучением Next-Block Prediction, а также Kelix-DiT — диффузионный декодер изображений на основе SANA-DiT и flow matching. Модель предназначена для понимания изображений, включая OCR, распознавание текста, диаграмм и графиков, визуальные вопросы и математические задачи, а также для генерации изображений по текстовым запросам. Обучение SFT улучшает следование сложным инструкциям и управление атрибутами, объектами, сценой, стилем и перспективой; в README для генерации указано разрешение 1024×1024. Для генерации требуется отдельный замороженный VAE DC-AE-F32C32 из исходного репозитория. Модель дообучена на базе Qwen/Qwen3-8B; файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

LFM2.5-VL-3B — мультимодальная модель Liquid AI для анализа изображений и текста, адаптированная Unsloth на основе LiquidAI/LFM2.5-VL-3B. Она сочетает языковую основу LFM2.5-2.6B с визуальным энкодером SigLIP2 NaFlex размером 400 млн параметров и предназначена для эффективного запуска на устройствах и в сценариях с высокой пропускной способностью. Модель принимает изображения и текст, поддерживает диалог, вызов инструментов и 16 языков, включая русский. Контекст составляет 32 768 токенов; большие изображения обрабатываются по частям и с уменьшенной копией целого изображения. Модель подходит для распознавания текста с сохранением структуры страницы, поиска объектов по текстовому запросу и ответов на вопросы об изображениях. Среди рекомендованных сценариев — пакетная обработка сканов, обнаружение объектов с малой задержкой и перевод надписей на изображениях. Разработчик сообщает о скорости до 228 токенов в секунду на Apple M5 Max и работе примерно в 3 ГБ памяти. Модель не рекомендуется для задач с длинным контекстом и сложными рассуждениями; формат разметки OCR указан как экспериментальный и может быть ненадёжным. В метаданных лицензия обозначена как other; конкретные условия следует сверить с карточкой модели.

MGM-Omni-32B — мультимодальная модель-чатбот семейства MGMOmni, разработанная командой MGM-Omni. Это компонент восприятия MLLM: он принимает текст, изображения, видео и речь, а отвечает текстом; для синтеза речи авторы указывают отдельную модель MGM-Omni-TTS. Модель содержит 32 млрд параметров, использует архитектуру MGMOmniForCausalLM и поддерживает контекст до 128 000 токенов. Модель предназначена для диалогов с мультимодальными данными, понимания речи, изображений и видео, включая длинные аудиозаписи. В карточке заявлены поддержка английского и китайского языков и возможность воспринимать речь длительностью до часа. MGM-Omni-32B дообучена на Qwen/Qwen2.5-VL-32B-Instruct. Лицензия — Apache-2.0.