I.15Доступность и ассистивные технологии

Mini-InternVL-Chat-2B-V1-5 — мультимодальная модель OpenGVLab для диалогов и анализа изображений. Она объединяет визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую модель InternLM2-Chat-1.8B; общий размер составляет 2,2 млрд параметров. Архитектура InternVL поддерживает изображения с динамическим разрешением, обрабатывая до 40 фрагментов размером 448 × 448 пикселей, в том числе изображения с разрешением до 4K. Модель предназначена для ответов на вопросы по изображениям и документам, распознавания текста и диаграмм, визуального рассуждения и многошагового общения с изображениями. В карточке приведены результаты оценки на наборах DocVQA, ChartQA, TextVQA, OCRBench, MathVista и других. Для обучения использовался контекст длиной 8K; актуальный предел контекста в метаданных не приведён. README описывает запуск через Transformers и варианты квантования при инференсе. Модель может выдавать предвзятые или вредоносные ответы. Лицензия — MIT.

MOSS-VL-Instruct-0708 — мультимодальная модель с открытыми весами от OpenMOSS, предназначенная для понимания изображений и видео и взаимодействия по инструкциям. Это версия семейства MOSS-VL 0708, дообученная методом supervised fine-tuning на базе OpenMOSS-Team/MOSS-VL-Base-0708. Модель использует архитектуру vision-language с cross-attention и насчитывает 11 млрд параметров. Модель принимает текст, изображения и видео и предназначена для офлайн-сценариев: визуальных вопросов и ответов, OCR, разбора документов, визуальных рассуждений и анализа видеособытий. Для видео она использует абсолютные временные метки кадров, что помогает анализировать порядок событий, длительность и локализацию действий. Контекстное окно составляет 256K токенов; заявлена поддержка английского и китайского языков. Лицензия — Apache-2.0. Среди ограничений карточка отмечает плотные видеозаписи, специализированные предметные области, распознавание очень мелкого текста и задачи со строгими числовыми рассуждениями: для них могут потребоваться настройка выборки кадров, специальные инструкции или дообучение.

nougatCharJawiAHR — дообученная модель bustamiyusoef для преобразования изображений в текст. Она основана на bustamiyusoef/_base_nougat_JawiChar и использует архитектуру vision-encoder-decoder; в репозитории доступны веса safetensors. Модель предназначена для задач, где нужно получить текст из изображения. В README приведено значение Loss 2.0337 на оценочном наборе, но описание набора данных и подробности обучения отсутствуют. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

PaliGemma 2 28B — разработанная Google базовая модель компьютерного зрения и языка. Она объединяет визуальный энкодер SigLIP с языковой моделью Gemma 2 и принимает изображения размером 448×448 пикселей вместе с текстом; длина текстовой последовательности на входе и выходе — до 512 токенов. Веса доступны в формате bfloat16 для дообучения. Модель предназначена прежде всего для настройки под конкретные задачи: описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Возможные специализированные сценарии включают анализ снимков дистанционного зондирования, описание элементов интерфейса и ответы на визуальные вопросы. Модель поддерживает несколько языков, но их перечень в предоставленных данных не уточнён. Лицензия — Gemma; применяются условия использования и политика запрещённого использования Gemma. Это базовая модель для однократного запроса с изображением и текстом, а не многоходовый чат-бот; для специализированных задач рекомендуется дообучение. Она может ошибаться в фактах и рассуждениях, хуже справляться с неоднозначными или сложными открытыми запросами, а также отражать предвзятость данных обучения. Для применения нужны проверки качества и меры безопасности.

PP-OCRv5_server_rec_safetensors — команда PaddleOCR разработала эту модель для распознавания текста в отдельных строках изображения. Она относится к семейству PP-OCRv5 и предназначена для сценариев, где нужна точная расшифровка печатного или рукописного текста, в том числе вертикального и искажённого. Модель рассчитана на упрощённый и традиционный китайский, английский и японский языки. В карточке приведены показатели для печатного и рукописного текста, древних текстов, пиньиня, поворотов, искажений и художественного текста; средний показатель по описанному набору сценариев — 0,8401. Метрика считает строку ошибочной, если в ней неверен хотя бы один символ, включая пунктуацию. Репозиторий содержит веса в формате safetensors и использует библиотеку PaddleOCR. Лицензия — Apache-2.0.

Qari-OCR-0.3-SNAPSHOT-VL-2B-Instruct-merged-GGUF — это квантизированная GGUF-версия мультимодальной модели Qari-OCR-v0.3-VL-2B-Instruct, разработанной NAMAA-Space и подготовленной квантизацией пользователем mradermacher. Модель предназначена для распознавания и преобразования содержимого изображений в текст, включая сценарии OCR и генерацию Markdown. В README указана поддержка арабского языка и библиотеки Transformers. Модель имеет мультимодальную архитектуру с 2 млрд параметров и поставляется в нескольких вариантах квантизации GGUF размером примерно от 0,8 до 3,2 ГБ. Для обработки изображений требуются дополнительные мультимодальные компоненты mmproj в форматах Q8_0 или f16. Доступны варианты с разным соотношением скорости, размера и качества: Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством среди быстрых. Сильными сторонами модели являются компактный размер, поддержка мультимодального OCR и наличие различных уровней квантизации для запуска на оборудовании с разными ресурсами. README не содержит сведений о размере контекста, точном наборе поддерживаемых языков помимо арабского, результатах бенчмарков, ограничениях распознавания или подробностях архитектуры. Модель распространяется по лицензии Apache-2.0.

Unlimited-OCR — мультимодальная модель семейства Unlimited-OCR для распознавания текста и разбора документов по изображениям. Авторы позиционируют её как развитие Deepseek-OCR для однопроходного анализа документов с длинным горизонтом обработки. Модель содержит 559,7 млн параметров, использует плотную архитектуру и поддерживает контекст до 32 768 токенов; для запуска описаны Transformers на NVIDIA GPU и сервер SGLang с API, совместимым с OpenAI. Модель предназначена для OCR и извлечения текстовой информации из изображений документов, а также для задач генерации текста по визуальному вводу. В карточке указана поддержка многоязычных сценариев. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. README не приводит количественных оценок качества или подробностей о поддерживаемых языках и видах документов.

Vero-Qwen3I-8B — мультимодальная модель для общего визуального рассуждения из открытого семейства Vero. Она создана на основе Qwen3-VL-8B-Instruct и дообучена с применением обучения с подкреплением. Модель содержит 8 млрд параметров и предназначена для диалога и анализа изображений.

royshilkrot/whisper-large-v3-turbo-korean-ggml — дообученная модель распознавания речи на основе OpenAI Whisper Large v3 Turbo, созданная для транскрибирования корейской речи. Обучение проводилось на двух корейских наборах данных общим объёмом около 102 тысяч предложений; в карточке сообщается, что последний чекпойнт достиг примерно 16 WER против примерно 24 WER ранее. Модель использует архитектуру WhisperForConditionalGeneration и содержит 905,2 млн параметров. Она принимает аудио и выдаёт текст; карточка указывает корейский язык. Указанная лицензия — Apache 2.0. README называет модель GGML, однако метаданные репозитория указывают формат файлов safetensors.

RedHatAI/whisper-large-v3-turbo-quantized.w4a16 — квантизированная версия модели openai/whisper-large-v3-turbo, разработанной OpenAI и опубликованной Red Hat AI. Это аудио-текстовая модель архитектуры Whisper с текстовым выходом, предназначенная для автоматического распознавания речи и автоматического перевода речи. В карточке указана поддержка английского языка. Веса модели преобразованы в формат INT4 (W4A16), что ориентировано на более эффективное хранение и инференс. Модель подготовлена для работы с vLLM и проверена в RHOAI 2.25, RHAIIS 3.2.2 и vLLM 0.10.1.1; поддерживается развёртывание через vLLM и OpenAI-совместимый сервер, включая сценарии на Red Hat OpenShift AI и Red Hat AI Inference Server. Ограничения включают снижение численной точности из-за квантизации и зависимость от совместимого серверного окружения и аппаратных ресурсов, однако конкретное влияние на качество распознавания в README не приведено. Модель распространяется по лицензии Apache 2.0.

Это дообученная на датасете Common Voice v15 версия мультиязычной модели Whisper Small от OpenAI, опубликованная пользователем razhan. Модель предназначена для автоматического распознавания речи и транскрибирования аудио на курдском языке сорани. Архитектура — WhisperForConditionalGeneration; размер — 153,1 млн параметров. В репозитории указаны результаты оценки: Loss 0,0334 и WER 0,0613. Модель принимает аудио и выдаёт текст. Данных о длине контекста и конкретных условиях оценки WER в карточке нет. Базовая модель — openai/whisper-small; лицензия — Apache-2.0.

LyngualLabs/whisper-small-yoruba — дообученная LyngualLabs модель OpenAI Whisper Small на архитектуре Seq2Seq/Transformer с 153,1 млн параметров. Она предназначена для автоматической транскрибации речи на йоруба и английском, включая частое переключение между этими языками в одной беседе. Модель принимает аудио и выдаёт текст; в README сообщается о настройке на акценты, тональность и языковое смешение в разговорах на йоруба и английском. На отложенной тестовой выборке авторы сообщили WER 20,76%. Модель может путать орфографию заимствованных слов при переключении языков; качество снижается на шумных записях и диалектных вариантах йоруба. Лицензия репозитория — Apache-2.0.

Arabic-GLM-OCR-v2 — дообученная модель распознавания арабского текста на изображениях, созданная sherif1313 на базе zai-org/GLM-OCR. Она предназначена для извлечения текста из книг, рукописей, изображений и документов. Модель принимает изображение и формирует текст; карточка заявляет поддержку арабского языка и размер около 2,2 ГБ. Архитектура GLM-OCR относится к мультимодальным моделям для генерации текста по изображению. Автор заявляет о контекстном распознавании арабского текста, снижении влияния шума и исправлении орфографии. Для дословной транскрипции рекомендуется явно попросить сохранить исходное написание: модель может автоматически исправлять или перефразировать текст, а высокая температура способна ухудшить точность. README указывает, что для инференса требуется тонкая настройка управления генерацией. Лицензия — Apache-2.0.

Модель Sunbird — адаптация Whisper large-v3 для распознавания речи на языках, распространённых в Уганде, включая луганда, ачоли, лугбара, атесо, раньяколе, руторо, лумасаба, суахили, лусога, киньяруанда и английский с угандийским акцентом. Она дообучена на датасете SALT, а также на данных Common Voice, Google FLEURS и Makerere Yogera. Модель принимает аудио и выдаёт транскрипцию, автоматически определяя язык или используя язык, заданный явно. Для повышения устойчивости к бытовым условиям при обучении добавляли шум, имитировали телефонную речь понижением частоты до 8 кГц и использовали уличные записи из Уганды. Карточка приводит метрики WER и CER на тестовых выборках; качество заметно различается по языкам, в частности WER выше на майянском и лусога, чем на английском, суахили и киньяруанда. Базовый Whisper не поддерживает перечисленные в карточке языки, поэтому для них используется особый формат задания языка. Модель опубликована под лицензией MIT.

Systran публикует конверсию модели распознавания речи OpenAI Whisper medium.en в формат CTranslate2. Её можно использовать через CTranslate2 и совместимые проекты, включая faster-whisper, для преобразования английской речи в текст. Весовые параметры сохранены в FP16; при загрузке через CTranslate2 можно выбрать другой тип вычислений. Репозиторий предназначен для автоматического распознавания речи на английском языке. Модель использует лицензию MIT. Карточка описывает конверсию весов, а не новое обучение; подробности об исходной архитектуре и ограничения предлагается смотреть в карточке OpenAI Whisper medium.en.

llmfan46 выпустил дообученную версию мультимодальной Gemma 4 26B A4B для диалогов и анализа изображений. В карточке указано изменение компонента attn.o_proj; метаданные определяют модель как Gemma4ForConditionalGeneration с возможностями чата и зрения. Базовая модель — google/gemma-4-26B-A4B-it-qat-q4_0-unquantized; файлы представлены в формате safetensors, лицензия — Apache-2.0. Модель принимает текст и изображения и предназначена для визуальных вопросов и ответов, разбора документов, распознавания текста на изображениях, понимания графиков и экранов, а также диалоговых сценариев. Описание семейства Gemma 4 указывает на гибридное внимание и контекст до 256K токенов для версии 26B A4B, поддержку более 35 языков и вызов инструментов; сведения об этих свойствах относятся к семейству и не подтверждены отдельно для данного дообучения. Аудио в списке задач этой модели не заявлено. README описывает версию как uncensored, однако не уточняет методику изменения и не приводит отдельной оценки качества или безопасности этого чекпойнта. Как и другие языковые модели, она может выдавать неверные факты, проявлять смещения и хуже справляться с неоднозначными или сложными запросами.

GLM-4.6V-Flash NVFP4 GGUF — квантованная мультимодальная модель Z.ai (Zhipu AI), подготовленная в формате GGUF на основе zai-org/GLM-4.6V-Flash. Она сочетает языковую часть на 9 млрд параметров с 40 слоями трансформера и 24-слойным визуальным ViT-энкодером. Контекст составляет 128K токенов; модель принимает изображения и текст и формирует текстовые ответы, включая описание изображений и разбор документов. Модель подходит для диалогов по изображениям, визуального анализа документов и локального мультимодального ассистента. Веса языковой части представлены в NVFP4, а проектор визуального энкодера — в F16; для полной работы с изображениями нужны оба файла. Нативное вычисление FP4 рассчитано на видеокарты NVIDIA Blackwell, на более старом оборудовании и CPU возможен более медленный программный fallback. Репозиторий указывает лицензию MIT. Квантование снижает требования к памяти, но может повлиять на точность по сравнению с исходными весами.

InternLM-XComposer2.5 — мультимодальная модель с языковой основой InternLM2, разработанная командой InternLM. Она предназначена для диалога и задач понимания и создания содержания по тексту и изображениям, включая визуальные вопросы и ответы. Модель содержит 7,4 млрд параметров и обучена работать с чередующимися фрагментами текста и изображений в контексте до 24 576 токенов; авторы сообщают о возможности расширения контекста до 96 тыс. токенов с помощью экстраполяции RoPE. Модель подходит для анализа изображений, ответов на вопросы по визуальным материалам и работы с длинными текстово-графическими контекстами. В карточке заявлены возможности, сопоставимые с GPT-4V, однако это заявление разработчиков, а независимые результаты оценки здесь не приведены. Репозиторий содержит веса PyTorch, для загрузки через Transformers требуется `trust_remote_code=True`; для экономии памяти README рекомендует bfloat16. Лицензия указана как `other`, поэтому условия использования следует сверить с файлами лицензии репозитория.

InternVL3.5-38B-Pretrained — мультимодальная модель семейства InternVL3.5, разработанная OpenGVLab. Она объединяет визуальный энкодер InternViT и языковую модель Qwen3-32B; в карточке указано, что релиз относится к семейству открытых мультимодальных моделей и использует подход merge. Модель принимает изображения и текст и формирует текстовые ответы; заявлены диалоговый режим и интерфейс вызова инструментов. Модель предназначена для диалога по изображениям, визуальных вопросов и ответов, мультимодальных рассуждений, OCR-сценариев, а также текстовых задач. В README описаны Cascade RL для улучшения рассуждений и Visual Resolution Router для динамической обработки визуальных токенов; при этом опубликованные там общие показатели и дополнительные возможности относятся к семейству InternVL3.5 и не обязательно характеризуют именно вариант 38B-Pretrained. Для запуска 38B README указывает потребность в двух GPU A100. Репозиторий содержит веса safetensors и рассчитан на использование с Transformers. Лицензия — Apache-2.0. Карточка не приводит отдельного ограничения по языкам конкретно для этой версии; метаданные обозначают модель как многоязычную.

InternVL3-78B — разработанная OpenGVLab мультимодальная большая языковая модель семейства InternVL3 для диалога и задач на стыке зрения и языка. Она принимает текст, изображения и видео, а также поддерживает работу с несколькими изображениями в одном запросе. Архитектура следует схеме ViT-MLP-LLM: визуальный энкодер InternViT соединён через MLP-проектор с языковой моделью; для изображений используются динамическое разбиение на фрагменты 448×448 и кодирование визуальных позиций V2PE. Вариант содержит 78 млрд параметров. Модель предназначена для ответов на вопросы по изображениям и видео, визуального рассуждения, анализа диаграмм и промышленных изображений, понимания 3D-сцен, работы с графическими интерфейсами и использования инструментов. Она также выполняет текстовые задачи и поддерживает многоязычный диалог. Карточка сообщает об улучшенных мультимодальном восприятии и рассуждении относительно InternVL 2.5, но не приводит здесь конкретных численных оценок. Репозиторий использует Transformers и формат safetensors; для эксплуатации модели такого размера требуются значительные вычислительные ресурсы. Лицензия указана как other, поэтому перед использованием нужно проверить условия в репозитории модели.

Карточка модели chenQAQ/japanese-wav2vec2-large-rs35kh на Hugging Face совпадает с карточкой reazon-research/japanese-wav2vec2-large-rs35kh, поэтому описание составлено по ней. Японская модель автоматического распознавания речи Reazon Research на архитектуре wav2vec 2.0 Large, дообученная на крупномасштабном корпусе ReazonSpeech v2.0. Она преобразует японскую речь в текст и подходит для расшифровки коротких записей и длинных аудиоматериалов. В README приведены результаты по метрике CER: среднее значение составило 16,25% на указанных тестовых наборах, а на JSUT-BOOK для длинной речи — 30,98%. Метаданные указывают класс Wav2Vec2ForCTC, около 405,7 млн параметров и поддержку Transformers. Модель принимает аудио и выдаёт текст; заявленный язык — японский. Распространяется по лицензии Apache-2.0.

NANI-Nithin/LFM2.5-VL-3B-GGUF — неофициальная наборка GGUF-квантизаций модели LFM2.5-VL-3B, разработанной Liquid AI, для запуска через llama.cpp. Модель предназначена для локального и периферийного использования и поддерживает работу с текстом и изображениями. Модель имеет плотную архитектуру LFM2.5-VL: языковую основу LFM2.5-2.6B и визуальный энкодер SigLIP2 NaFlex 400M. Она содержит около 3,1 млрд параметров, поддерживает контекст до 32 768 токенов и словарь из 128 000 токенов. Заявлена поддержка английского, арабского, китайского, французского, немецкого, итальянского, японского, корейского, португальского, испанского, вьетнамского, тайского, индонезийского, хинди, русского и польского языков. Основные сценарии применения — понимание экранов и пользовательских интерфейсов, OCR с учётом структуры документа, распознавание текста на изображениях, привязка объектов к областям изображения и вызов инструментов на основе текста или изображений. Доступно несколько вариантов квантизации, позволяющих выбирать между качеством, скоростью и потреблением памяти; Q4_K_M указан как сбалансированный вариант, а более точные квантизации предпочтительны для OCR и grounding. Модель менее подходит для длительного визуального рассуждения и анализа сложных технических чертежей. Для работы требуется свежая сборка llama.cpp, поскольку старые версии могут не поддерживать эту архитектуру. Весовые файлы распространяются по лицензии LFM Open License v1.0; перед коммерческим использованием необходимо изучить её условия. Это неофициальная общественная квантизация, созданная на основе официальной модели Liquid AI, поэтому для официальных GGUF-файлов рекомендуется использовать репозиторий LiquidAI.

Liquid AI подготовила LFM2.5-VL-450M-MLX-bf16 — экспорт мультимодальной модели LFM2.5-VL-450M в формате MLX для запуска на Apple Silicon. Модель объединяет языковую основу LFM2.5-350M и визуальный энкодер SigLIP2 NaFlex; содержит 450 млн параметров и использует точность bfloat16. Модель предназначена для понимания изображений и работы с визуальными данными: распознаёт текст на изображениях, анализирует документы, отвечает на вопросы по изображению, предсказывает ограничивающие рамки объектов и поддерживает вызов функций. README заявляет мультиязычное визуальное понимание; карточка перечисляет английский, японский, корейский, французский, испанский, немецкий, итальянский, португальский, арабский и китайский языки. Репозиторий использует библиотеку MLX и формат safetensors. Лицензия указана как other, без уточнения условий в доступных данных.

Llama 4 Maverick — мультимодальная модель Meta для диалога и понимания изображений. Она использует авторегрессионную архитектуру mixture-of-experts с 17 млрд параметров и 128 экспертами, а также раннее объединение модальностей для работы с текстом и изображениями. В репозитории доступны веса Safetensors для Transformers. Модель предназначена для коммерческих и исследовательских сценариев: чат-помощников, визуального анализа, распознавания объектов и сцен, описания изображений и ответов на вопросы по ним. Она поддерживает арабский, английский, французский, немецкий, хинди, индонезийский, итальянский, португальский, испанский, тагальский, тайский и вьетнамский языки. Модель проверена для анализа до пяти изображений на вход. Для использования действует пользовательская Llama 4 Community License Agreement. Модель обучена на статичном офлайн-наборе данных. Возможности и качество могут различаться в зависимости от языка и сценария; для работы с большим числом изображений, чем проверенное, требуется дополнительная проверка и настройка.

Nemotron 3.5 ASR — мультиязычная модель автоматического распознавания речи, разработанная NVIDIA. Модель содержит 600 млн параметров и использует архитектуру Cache-Aware FastConformer-RNNT для потоковой и пакетной транскрипции: она обрабатывает новые аудиофрагменты, переиспользуя кэшированный контекст. Размер фрагмента можно настраивать от 80 до 1120 мс, что позволяет выбирать баланс между задержкой и точностью. Вывод включает пунктуацию и заглавные буквы; при режиме auto модель также может определять язык речи и добавлять языковую метку. Модель транскрибирует речь на 32 локалях без дополнительной адаптации: 19 локалей заявлены как готовые для транскрипции с наивысшей точностью, ещё 13 обеспечивают широкое покрытие. Для восьми дополнительных локалей требуется дообучение на предметных данных. Поддерживаются, среди прочего, русский, английский, испанский, французский, арабский, японский и китайский языки. Модель рассчитана на голосовых агентов, обработку аудиопотоков с низкой задержкой и пакетную расшифровку записей. В README указана готовность к коммерческому использованию; метаданные обозначают лицензию как other, поэтому перед использованием следует проверить её условия в репозитории.

Карточка модели Salahuddin1234/omnidoctor-qwen-omni на Hugging Face совпадает с карточкой Qwen/Qwen3-Omni-30B-A3B-Instruct, поэтому описание составлено по ней. Qwen3-Omni-30B-A3B-Instruct — мультимодальная модель общего назначения от команды Qwen компании Alibaba. Она принимает текст, изображения, аудио и видео и формирует потоковые ответы текстом и естественной речью; вариант Instruct включает компоненты Thinker и Talker. Архитектура MoE использует разделение на Thinker и Talker, а модель рассчитана на низколатентное взаимодействие в реальном времени и управление поведением через системные промпты. Модель предназначена для голосовых диалогов, распознавания и понимания речи, описания аудио и видео, а также ответов на вопросы по изображениям и смешанным мультимодальным входам. README заявляет поддержку 119 языков для текста, 19 языков для речевого ввода и 10 для речевого вывода; среди явно перечисленных языков речи есть русский. В примере запуска указан максимальный контекст 65 536 токенов. Для работы предлагаются Transformers и vLLM; README отмечает, что на момент публикации требовалась установка Transformers из исходников. Лицензия в метаданных обозначена как other, без уточнения условий.

MDfox/OvisOCR2-GGUF-SOTA-20260823 — неофициальная конверсия модели ATH-MaaS/OvisOCR2 в формат GGUF, подготовленная для запуска через llama.cpp. Модель предназначена для мультимодального преобразования изображений в текст, прежде всего для OCR и разбора документов, включая задачи, оцениваемые на OmniDocBench. Конверсия собрана и протестирована с llama.cpp v0.4.0. Для работы требуется языковая модель GGUF и отдельный файл mmproj, отвечающий за обработку изображений. Доступны различные варианты квантования: от Q2_K до Q8_0, а также BF16 для mmproj. В опубликованных тестах использовался контекст до 32 768 токенов на слот, обработка изображений с 196–8 100 image tokens и лимит генерации до 16 384 токенов. Наивысший заявленный результат на OmniDocBench v1.6 составил 96,4547 для Q8_0 с BF16 mmproj; компактный вариант Q3_K_M с Q8_0 mmproj имеет размер 555,2 МиБ и результат 96,2012. Сильными сторонами являются высокое качество распознавания и структурного анализа документов при сравнительно небольшом размере квантованных сборок, а также поддержка запуска локально через llama.cpp. К ограничениям относятся неофициальный статус конверсии, необходимость совместимых версий llama.cpp и наличия двух файлов модели, а также заметное снижение качества у наиболее агрессивного варианта Q2_K. Языки, точный размер исходной модели, архитектура и перечень поддерживаемых языков в README не указаны. Распространение заявлено по лицензии Apache-2.0.

Parakeet TDT-CTC 0.6B Japanese GGUF — конверсия модели nvidia/parakeet-tdt_ctc-0.6b-ja, подготовленная для использования с CrispASR. Это модель автоматического распознавания речи, предназначенная для транскрибации японской речи из монофонических аудиозаписей с частотой 16 кГц, включая расстановку пунктуации и получение временных меток на уровне слов или токенов. Модель содержит около 600 млн параметров и использует гибридную архитектуру FastConformer с 24 слоями, декодером TDT (Token-and-Duration Transducer) и дополнительной CTC-головой, которую можно выбрать во время выполнения. Входной аудиосигнал обрабатывается через 80 мел-фильтров; словарь включает 3072 токена SentencePiece для японского языка с пунктуацией. TDT обеспечивает встроенные временные метки без отдельной модели выравнивания. Для коротких записей доступны варианты F16, Q8_0 и Q4_K; F16 соответствует результатам официального конвейера NeMo, а Q8_0 сохраняет идентичный TDT-вывод в заявленных тестах. Сильные стороны модели — специализированная поддержка японского языка, пунктуация, встроенные временные метки и возможность выбора между TDT и CTC. Ограничением является чувствительность энкодера к контексту длиннее примерно 12 секунд при однопроходной обработке; для длинных записей рекомендуется использовать CrispASR с VAD-сегментацией и ограничением длительности фрагментов. Вариант Q4_K может вызывать зацикливание при TDT-декодировании, поэтому для него рекомендуется CTC или более точный Q8_0. Указанная лицензия — CC-BY-4.0.

mikoy92 подготовил MLX-версию компактной модели распознавания текста PP-OCRv6 small на основе PaddlePaddle/PP-OCRv6_small_rec_safetensors. Модель принимает изображение и выдаёт распознанный текст; пример использования показывает запуск через mlx-vlm и постобработку результата распознавания. Модель предназначена для OCR-сценариев, где требуется извлечь текст из изображения на устройствах Apple с использованием MLX. В метаданных указаны английский и китайский языки, библиотека MLX и лицензия Apache-2.0. Размер модели и длина контекста не указаны в предоставленных данных.

Qwen2.5-VL-3B-Instruct (Abliterated) — мультимодальная модель семейства Qwen, опубликованная пользователем wangkanai и основанная на Qwen2.5-VL-3B-Instruct. Это вариант с удалёнными или существенно ослабленными защитными фильтрами исходной модели, поэтому он может формировать менее ограниченные ответы. Модель принимает изображения и текст и генерирует текстовые ответы. Она предназначена для визуального ответа на вопросы, описания изображений, мультимодального рассуждения, анализа документов и OCR, интерпретации диаграмм и графиков, а также понимания сцен и пространственных отношений. Архитектура описана как Qwen2-VL с визуальным энкодером на базе ViT и примерно 3 миллиардами параметров; заявленная длина текстового контекста составляет 4096 токенов. Доступны варианты SafeTensors и GGUF, включая FP16, Q5_K_M и Q4_K_M, что позволяет выбирать между качеством и требованиями к памяти. Сильные стороны модели — сочетание обработки изображений и текста, поддержка широкого набора задач анализа визуального содержимого и возможность локального запуска в различных форматах. Ограничения включают меньший размер по сравнению с более крупными моделями семейства, возможные потери качества у квантованных вариантов и отсутствие в предоставленных данных подробной информации о поддерживаемых языках и результатах независимых тестов. Удаление защитных механизмов повышает риск небезопасных или нежелательных ответов, поэтому модель следует использовать ответственно и с соблюдением применимых законов. Модель распространяется по лицензии Apache-2.0.