I.15Доступность и ассистивные технологии

MBZUAI/LLaVA-Meta-Llama-3-8B-Instruct-FT — мультимодальная модель LLaVA v1.5, дообученная с языковой моделью Meta-Llama-3-8B-Instruct. В обучении сначала настраивали проектор между зрительной и языковой частями, затем дообучили все параметры, кроме визуального энкодера CLIP. В карточке указаны наборы LCS-558K для предварительного обучения и LLaVA-Instruct-665K для дообучения. Модель предназначена для диалогового понимания изображений и ответов на вопросы по их содержимому. Репозиторий содержит около 7,5 млрд параметров в формате safetensors; контекст — до 8192 токенов. Метаданные Hugging Face указывают задачу text-generation, а архитектура LLaVA и описание README подтверждают работу с изображениями. Лицензия и поддерживаемые языки в предоставленных данных не указаны.

LLaVAMORE-llama31-8B-finetuning — мультимодальная модель семейства LLaVA-MORE, разработанная AImageLab. Это веса второго этапа дообучения варианта на основе LLaMA 3.1 8B, созданного в рамках сравнительного исследования языковых моделей и визуальных энкодеров для настройки по визуальным инструкциям. Модель принимает изображения и текстовые запросы, поддерживает диалог и формирует текстовые ответы о содержимом изображений и связанные с ними инструкции. Модель имеет плотную архитектуру LlavaLlamaForCausalLM и около 7,5 млрд параметров. Для неё указано контекстное окно 131 072 токена. Она предназначена для мультимодального рассуждения, генерации ответов и следования визуальным инструкциям. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Карточка не приводит отдельные результаты бенчмарков для этого чекпойнта и рекомендует обращаться к разделу производительности проекта для сравнения вариантов. При нехватке видеопамяти авторы предлагают загрузку весов в 8-битном режиме.

LLaVA-OneVision-1.5-8B-Instruct — мультимодальная модель семейства LLaVA-OneVision, разработанная Glint Lab. Это версия с инструкционной настройкой на архитектуре для условной генерации, объединяющая зрительный энкодер и языковую модель; в метаданных указаны Qwen3-8B-Base и rice-vit-large-patch14-560 как компоненты слияния. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы в диалоговом формате. Модель предназначена для визуального понимания изображений и ответов на вопросы по ним. README сообщает об обучении на изображениях исходного разрешения и результатах на мультимодальных бенчмарках; доступный пример показывает использование через Transformers. В репозитории заявлены Apache-2.0, веса в формате safetensors и публикация обучающих данных и инструментов проекта. Размер контекста и поддерживаемые естественные языки в предоставленных данных не указаны.

MBZUAI/LLaVA-Phi-3-mini-4k-instruct-FT — мультимодальная модель для диалога по изображениям, объединяющая LLaVA v1.5 и языковую модель Phi-3-mini-4k-instruct. В README указано, что на этапе предварительного обучения обучался только проектор между зрительной и языковой частями, а при дообучении обновлялись параметры модели, кроме замороженной зрительной основы CLIP. Использованы наборы LCS-558K и LLaVA-Instruct-665K. Модель предназначена для генерации ответов на текстовые запросы с учётом изображений и для задач визуального понимания. Она содержит 3,7 млрд параметров, имеет контекст 4096 токенов и распространяется в формате safetensors. Лицензия — MIT. README описывает зрительно-языковые возможности, однако метаданные HF указывают text-generation; для применения с изображениями может потребоваться совместимый интерфейс LLaVA.

Sam4rano/luhya-asr-w2v-BERT — модель автоматического распознавания речи на языке лухья, созданная дообучением модели семейства w2v-BERT. Она принимает аудио и преобразует произнесённую речь в текст; в метаданных архитектура указана как Wav2Vec2BertForCTC, а размер составляет 402,7 млн параметров. Модель предназначена для распознавания речи на лухья. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

exo-jhop/ministral3-gdpr-lora — дообученная модель семейства Mistral3 на базе Ministral 3 8B Instruct, подготовленная автором exo-jhop с использованием Unsloth и библиотеки TRL. Она принимает текст и изображения и предназначена для диалоговых сценариев с визуальным вводом; карточка классифицирует её как image-text-to-text и указывает поддержку vision и интерфейса вызова инструментов. Размер базовой модели — 8 млрд параметров; в репозитории указаны веса SafeTensors. Модель может быть полезна для анализа изображений и ответов на вопросы о них в чате. Выпущена по лицензии Apache-2.0.

facebook/mms-tts-agg — модель синтеза речи на ангорском языке из проекта Massively Multilingual Speech компании Facebook. Это отдельный языковой чекпойнт семейства VITS: энд-ту-энд архитектура на основе вариационного автокодировщика с Transformer-энкодером текста, flow-модулем и декодером, формирующим речевую волну. Модель принимает текст на ангорском языке и генерирует аудио; для повторяемого результата требуется фиксировать seed, поскольку предсказание длительности сегментов стохастическое. В метаданных указано 3,5 млн параметров, веса доступны в форматах PyTorch и safetensors, для использования предусмотрена библиотека Transformers версии 4.33 или новее. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но не для коммерческих целей.

facebook/mms-tts-ava — модель синтеза речи на аварском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на аварском языке. Модель основана на архитектуре VITS: это сквозная система с текстовым энкодером, потоковыми слоями, декодером аудиосигнала и стохастическим предсказателем длительности, который позволяет варьировать ритм речи. В репозитории указано 3,5 млн параметров; формат весов — PyTorch и safetensors. Для одинакового результата при повторной генерации требуется фиксировать случайное зерно. Модель доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-azj-script_cyrillic — модель синтеза речи на северном азербайджанском языке, записанном кириллицей, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языковом варианте. Модель основана на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный чекпойнт MMS-TTS для указанного языка; в архитектуре объединены текстовый энкодер, потоковый модуль, стохастический предиктор длительности и декодер, формирующий аудиоволну. При генерации возможны разные ритмические варианты произнесения одного текста, поэтому результат может меняться между запусками; фиксированный seed позволяет воспроизвести тот же результат. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-gbm — модель синтеза речи на языке гархвали (gbm), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст на гархвали в речевую аудиоволну и подходит для озвучивания текстов и создания речевых интерфейсов на этом языке. Модель имеет архитектуру VITS и содержит около 3,6 млн параметров. Это отдельный чекпойнт, обученный для одного языка; синтез выполняется сквозным методом с вариационным автоэнкодером, потоковым модулем и декодером на основе HiFi-GAN. Стохастический предиктор длительности позволяет варьировать ритм речи, поэтому для повторения того же результата требуется фиксировать seed. Модель доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-hil — модель синтеза речи на языке хилигайнон, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на хилигайнон в речевую аудиоволну и предназначена для озвучивания текстов и создания речевого вывода в приложениях. Модель использует архитектуру VITS: текстовый энкодер, поточный модуль, стохастический предиктор длительности и декодер, формирующий аудиоволну. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; для работы с ним подходит библиотека Transformers версии 4.33 и новее. Для повторяемого результата генерации требуется фиксировать seed, поскольку предиктор длительности стохастический. Модель обучена для хилигайнон и не предназначена для синтеза на других языках. Лицензия CC BY-NC 4.0 требует указания авторства и ограничивает коммерческое использование.

facebook/mms-tts-hne — модель синтеза речи на языке чхаттисгархи (hne), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на этом языке. Модель построена на архитектуре VITS и обучена отдельно для чхаттисгархи. Это компактный чекпойнт на 3,6 млн параметров, доступный в форматах PyTorch и Safetensors и поддерживаемый библиотекой Transformers версии 4.33 и новее. Стохастический предиктор длительности позволяет получать варианты ритма речи; для повторяемого результата требуется фиксировать случайное зерно. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не приводит данных о качестве синтеза, поэтому пригодность звучания для конкретного применения следует оценивать отдельно.

facebook/mms-tts-kde — модель синтеза речи на маконде (Makonde, код kde), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну; для каждого языка MMS-TTS обучается отдельный чекпойнт. Модель построена на архитектуре VITS: текстовый энкодер и потоковые слои формируют акустические признаки, а декодер на основе свёрточных слоёв создаёт аудио. Размер модели — 3,5 млн параметров; она доступна для использования через Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на маконде, например для голосовых интерфейсов и создания аудиоверсий текстов. Стохастический предиктор длительности позволяет получать разные ритмические варианты произношения одного текста, поэтому генерация недетерминирована и для повторения результата требуется фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-mib — модель синтеза речи на языке миштек, Атлатлаука (код ISO 639-3: mib), разработанная Facebook в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка, который преобразует входной текст в речевую аудиоволну. Модель использует архитектуру VITS: она объединяет текстовый энкодер на основе Transformer, вариационный автоэнкодер, потоковые слои и декодер, построенный по принципу HiFi-GAN. Объём модели — 3,5 млн параметров; доступны веса PyTorch и safetensors. Для работы с чекпойнтом подходит библиотека Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на миштекском языке, например для речевых интерфейсов и создания аудиоверсий материалов. Случайный предиктор длительности делает синтез недетерминированным: для повторения того же результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-mos — модель синтеза речи на языке мòорэ (Mòoré, mos), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка, созданный на архитектуре VITS и содержащий около 3,5 млн параметров; модель принимает текст и генерирует речевую аудиоволну. VITS объединяет вариационный автоэнкодер, потоковый модуль, декодер в стиле HiFi-GAN и стохастический предиктор длительности, благодаря которому один и тот же текст может звучать с разным ритмом. Модель доступна через библиотеку Transformers. Она предназначена для озвучивания текста на мòорэ: например, для голосовых интерфейсов и создания аудиоверсий текстов на этом языке. Генерация недетерминирована, поэтому для повторяемого результата требуется фиксированный seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-pap — модель синтеза речи на папьяменто из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на папьяменто. Модель использует архитектуру VITS и обучена как отдельный языковой чекпойнт в семействе MMS-TTS. Она содержит около 3,5 млн параметров, работает с библиотекой Transformers и хранится в форматах PyTorch и Safetensors. Модель поддерживает синтез речи с вариациями ритма; генерация недетерминирована, поэтому для повторяемого результата требуется фиксированное случайное зерно. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией и ограничивает коммерческое применение.

facebook/mms-tts-taq — модель синтеза речи на языке тамашек (taq), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт семейства MMS-TTS, обученный для преобразования текста в речевую аудиоволну. Модель использует архитектуру VITS: условный вариационный автоэнкодер с текстовым энкодером на основе Transformer, flow-модулем, декодером в стиле HiFi-GAN и стохастическим предиктором длительности. Благодаря последнему одна и та же фраза может звучать с разным ритмом; генерация недетерминирована, поэтому для повторяемого результата нужен фиксированный seed. В метаданных указаны 3,5 млн параметров и форматы PyTorch и Safetensors. Модель доступна через библиотеку Transformers версии 4.33 и новее. Подходит для озвучивания текста на тамашек, например для голосовых интерфейсов и создания аудиоверсий материалов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

facebook/mms-tts-tgk — модель синтеза речи на таджикском языке, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую волну и подходит для озвучивания таджикских текстов и создания речевых интерфейсов. Модель построена на архитектуре VITS и содержит 3,5 млн параметров; для каждой языковой версии MMS обучается отдельный чекпойнт. Она доступна через библиотеку Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и Safetensors. Стохастический предиктор длительности позволяет получать разные ритмические варианты произнесения одного текста; результат генерации недетерминирован, поэтому для повторяемого вывода нужно фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая требует указания авторства и запрещает коммерческое использование.

Карточка модели cemilakkoc/moondream на Hugging Face совпадает с карточкой pranay-ar/moondream2, поэтому описание составлено по ней. pranay-ar/moondream2 — компактная визуально-языковая модель семейства Moondream, предназначенная для эффективной работы на периферийных устройствах. Она принимает изображение вместе с текстовым запросом и формирует текстовый ответ, в частности отвечает на вопросы о содержимом изображения. В README приведены результаты на VQAv2, GQA, TextVQA и TallyQA, включая задачи визуальных вопросов и подсчёта объектов. В репозитории доступны веса Safetensors и GGUF F16; для работы с Transformers README указывает зависимости transformers и einops. В метаданных основная задача обозначена как image-text-to-text, а каталог также связывает модель с text-generation. Модель распространяется по лицензии Apache-2.0. README рекомендует фиксировать версию модели, поскольку она регулярно обновляется. Приведённые бенчмарки характеризуют результаты на указанных наборах данных, но сами по себе не гарантируют качество на других изображениях и запросах.

Xenova/moondream2 — мультимодальная модель для генерации текста по изображениям, представленная в формате ONNX для совместимости с библиотекой Transformers.js. Репозиторий подготовлен Xenova на основе модели vikhyatk/moondream2; исходная модель связана с vikhyatk/moondream2. Она предназначена для запуска задач анализа изображений в JavaScript-приложениях, включая описание содержимого изображения и ответы на вопросы о нём. Модель принимает изображение и текстовый запрос, после чего генерирует текстовый ответ. В README указана архитектура Moondream с vision encoder и decoder_model_merged, а также поддержка вариантов точности fp16, fp32, q8, q4 и q4f16 для отдельных компонентов. Предусмотрен запуск на устройстве WebGPU, что делает модель подходящей для веб-приложений и локальной обработки в браузере. Поддерживаемые языки, размер модели, максимальная длина контекста и другие количественные характеристики в предоставленных данных не указаны. К сильным сторонам относятся мультимодальный сценарий использования, возможность работы с ONNX-весами через Transformers.js и оптимизации для разных требований к качеству и производительности. Ограничения включают отсутствие в README подробных сведений о качестве, производительности, языковой поддержке, контексте и требованиях к ресурсам. Модель распространяется по лицензии Apache-2.0.

Ornith-1.0-35B-bf16 — сборка модели deepreinforce-ai/Ornith-1.0-35B в формате MLX bfloat16, подготовленная сообществом mlx-community с помощью mlx-vlm для компьютеров Apple Silicon. Это мультимодальная модель с визуальным энкодером и языковой моделью, предназначенная для диалога и ответов на вопросы по изображениям. В карточке приведён пример описания изображения и указаны результаты проверки генерации связного ответа на изображение и текстовую задачу на рассуждение. Модель основана на архитектуре Qwen3.5 MoE; в README упомянуто 256 экспертов MoE. Репозиторий занимает около 70 ГБ и рассчитан на запуск в системах с 128 ГБ объединённой памяти; для менее мощных устройств предлагаются квантованные варианты. Конверсия потребовала объединить экспертов в формат, ожидаемый загрузчиком mlx-vlm. Лицензия — MIT. Подробности архитектуры, тестов и предполагаемого применения вынесены в карточку исходной модели.

OsaurusAI Ornith-1.0-9B JANG_4M — конверсия и квантизированная сборка мультимодальной модели Ornith-1.0-9B, подготовленная OsaurusAI для запуска на Apple Silicon. Это модель «изображение и текст → текст» на гибридной архитектуре Qwen3.5: 32 текстовых слоя, из которых 24 используют Gated-DeltaNet с линейным вниманием, а 8 — полное внимание; размер скрытого состояния — 4096. Веса внимания квантизированы до 8 бит, MLP — до 4 бит с группами по 64 значения, а зрительный блок сохранён в fp16; размер сборки составляет около 6,3 ГБ вместо примерно 18,8 ГБ в bf16. Модель предназначена для диалога по изображениям и текстовым запросам: она принимает изображение вместе с текстом и формирует текстовый ответ. Для запуска требуется среда, обрабатывающая применённое преобразование RMSNorm; в README указаны Osaurus и vMLX. Базовая модель Ornith-1.0-9B разработана DeepReinforce, сборку JANG_4M подготовила OsaurusAI. Лицензия — MIT.

JANGQ-AI/Ornith-1.0-9B-JANG_6M — мультимодальная модель для диалога по изображениям и тексту, основанная на Ornith-1.0-9B от DeepReinforce. Она использует гибридную плотную архитектуру Qwen3.5: 32 текстовых слоя, из которых 24 используют Gated-DeltaNet, а 8 — обычное полное внимание; размер скрытого представления — 4096. По README, веса представлены в профиле JANG_6M: 8-битное внимание, 6-битный MLP с размером группы 64 и башня зрения в fp16; объём модели составляет около 8 ГБ. Модель принимает изображения и текст и предназначена для визуальных вопросов и ответов, описания изображений и мультимодального диалога. Для запуска требуются MLX Studio или среда выполнения vMLX с загрузчиком JANG; стандартный mlx_lm не загружает этот формат корректно. Лицензия — MIT.

PaliGemma 3B Mix 448 — компактная модель для понимания изображений и текста, разработанная Google. Она объединяет зрительный энкодер SigLIP и языковую модель Gemma, принимает изображение и текстовый запрос и генерирует текст. Версия Mix предназначена для последующей настройки под конкретные задачи; поддерживает сценарии с изображениями и короткими видео, включая описание изображений, визуальные вопросы и ответы, чтение текста на изображении, обнаружение объектов и сегментацию. Модель рассчитана на одношаговую обработку и не предназначена для многоходового диалога. Для специализированных задач рекомендуется дообучение: качество без настройки может уступать моделям, созданным для конкретной задачи. Ответы могут содержать фактические ошибки, а сложные инструкции, языковые нюансы и рассуждения на основе здравого смысла могут даваться модели трудно. Веса опубликованы в формате safetensors; лицензия — Gemma.

Trelis публикует среднеразмерную немецкую модель синтеза речи Piper с мужским голосом Thorsten Mueller. Модель построена на архитектуре VITS и преобразует текст в аудио; она предназначена для озвучивания немецких текстов, включая пользовательские приложения и голосовые интерфейсы. Выходное аудио имеет частоту дискретизации 22,05 кГц. Модель дообучена на наборе данных Thorsten Voice и основана на lessac medium; формат весов — ONNX. Для запуска можно использовать Piper TTS, распространяемый по лицензии GPL, либо ONNX-вариант без зависимости от Piper TTS. Репозиторий модели обозначает лицензию CC0-1.0; README также описывает вариант использования ONNX с MIT-лицензией. «Medium» указывает на размер модели, а не на качество синтеза.

Многоязычная модель синтеза речи Piper Plus CSS10 Japanese, опубликованная ayousanz и дообученная на базе ayousanz/piper-plus-base с использованием японской части набора данных CSS10. Модель предназначена для преобразования текста в речь на японском, английском, китайском, испанском, французском и португальском языках, включая локальные приложения и сценарии офлайн-синтеза через Piper. Модель построена на архитектуре VITS с декодером MB-iSTFT и PQMF, поддерживает 173 мультиязычные фонемы, признаки просодии размерностью 16 и одного говорящего. Частота дискретизации составляет 22050 Гц, заявленное качество — medium. Экспортированный ONNX-вариант использует FP16, имеет размер около 38 МБ и совместим с выходной формой [B, 1, T]. Для работы требуется runtime Piper Plus начиная с PR #320; модель поддерживает C++, Rust, C#, Go и WASM без изменений в этих runtime. К сильным сторонам относятся поддержка шести языков, компактный ONNX-формат и ускоренный декодер: для CPU ONNX заявлено примерно 76,2 мс на 100 фонем против 168,2 мс у прежней версии на HiFi-GAN. Ограничения включают наличие только одного голоса, средний уровень качества и зависимость от совместимого runtime Piper Plus. Лицензия указана как css10-public-domain и связана с условиями набора данных CSS10; подробности следует проверять в репозитории CSS10.

mradermacher/Qwen2.5-VL-7B-Abliterated-Caption-it-i1-GGUF — это квантизированная в формате GGUF версия мультимодальной модели Qwen2.5-VL-7B-Abliterated-Caption-it. Базовую модель разработал prithivMLmods, а квантизацию выполнил mradermacher. Модель предназначена для анализа изображений и генерации текстовых описаний, а также для сценариев visual understanding и image captioning. Модель основана на архитектуре Qwen2.5-VL и содержит около 7 млрд параметров. Она поддерживает работу с текстом и изображениями; заявленные языки — английский, китайский и тайский. В репозитории представлены варианты квантизации i1-IQ и QK разных размеров, примерно от 2,0 до 5,4 ГБ, что позволяет выбирать между требованиями к памяти, скоростью и качеством. Файлы требуют совместимого программного обеспечения для запуска GGUF и, поскольку это vision-модель, могут потребовать отдельный mmproj-файл. Сильной стороной модели является сочетание мультимодального понимания изображений, специализации на создании описаний и возможности локального запуска благодаря квантизации. Ограничения включают потенциальное снижение качества у наиболее агрессивных вариантов квантизации; README не содержит данных о контекстном окне, результатах бенчмарков и подробных требованиях к аппаратному обеспечению. Модель распространяется по лицензии Apache-2.0.

Qwen2-VL-7B-Instruct-GGUF — мультимодальная instruction-tuned модель семейства Qwen2-VL, разработанная Qwen и представленная в формате GGUF компанией Second State Inc. Модель предназначена для обработки изображений и текста, включая сценарии image-text-to-text, где требуется отвечать на вопросы по изображению или учитывать визуальный контекст в диалоге. В README также указана совместимость с LlamaEdge и prompt template qwen2-vision. Модель основана на Qwen/Qwen2-VL-7B-Instruct и имеет размер 7B параметров. Поддерживается контекст до 128 000 токенов. Для работы с визуальными данными используется отдельный vision encoder в формате GGUF; доступны варианты квантования от 2 до 8 бит, а также f16. Размер файлов составляет примерно от 3,02 до 15,2 ГБ для основных вариантов квантования, при этом Q4_K_M рекомендован как сбалансированный вариант, а Q5_K_M и Q5_K_S — как варианты с очень малой потерей качества. К сильным сторонам относятся мультимодальность, большой контекст и возможность локального запуска через LlamaEdge. Ограничения зависят от выбранного уровня квантования: малобитные варианты занимают меньше места, но могут существенно терять в качестве; Q2_K, Q3 и некоторые legacy-варианты в README не рекомендуются для большинства задач. Указан английский язык. Модель распространяется по лицензии Apache-2.0.

Qwen3-0.6B Polish Text Normalization — модель, разработанная Folx и дообученная на базе Qwen/Qwen3-0.6B методом LoRA. Это причинная языковая модель с примерно 600 млн параметров для нормализации польского текста перед синтезом речи: она преобразует числа, даты, время, адреса, валюты, единицы измерения и сокращения в произносимую форму, сохраняя остальной текст. Модель рассчитана на польские TTS-системы, голосовых помощников, IVR, аудиокниги, подкасты и средства чтения с экрана. В README приведены результаты на 1 709 отложенных примерах: точное совпадение — 85,7%, совпадение с нормализацией регистра и пунктуации — 87,7%, символьная точность — 92,6%. Для выдачи без цифр описано ограниченное декодирование. Модель распространяется по лицензии MIT. Модель предназначена только для польского языка и нормализации произношения, а не для исправления грамматики. Возможны ошибки в редких сокращениях и специальных терминах; записи адресов вида «1/34» иногда читаются неверно. Качество снижается на входах длиннее примерно 300 символов. README указывает, что для разумной задержки требуется GPU, а заявленная задержка около 46 мс измерена на RTX 5090 через vLLM.

Qwen3.5-2B-bf16 — мультимодальная модель семейства Qwen3.5, опубликованная сообществом mlx-community и преобразованная в формат MLX из Qwen/Qwen3.5-2B с помощью mlx-vlm 0.3.12. В метаданных модель связана с базовой Qwen/Qwen3.5-2B-Base как дообучение; указаны 2 млрд параметров для базовой модели. Модель предназначена для диалоговых задач, в которых нужно совместно обрабатывать текст и изображения, включая ответы на вопросы по изображению. Репозиторий содержит веса safetensors; для работы с MLX README рекомендует библиотеку mlx-vlm. Лицензия — Apache-2.0.