I.15Доступность и ассистивные технологии

vanch007/mlx-MOSS-Transcribe-Diarize-4bit — 4-битная квантизированная версия модели MOSS-Transcribe-Diarize, подготовленная для MLX. Она принимает аудиозаписи и предназначена для распознавания речи с разметкой говорящих. Вариант использует аффинную квантизацию MLX с 4 битами и размером группы 64 для текстового backbone; аудиоэнкодер Whisper и VQ-адаптер не квантизированы. Модель подойдёт для транскрибирования аудиофайлов и определения смены говорящих, в том числе при локальном запуске в окружении MLX. Репозиторий распространяется по лицензии Apache-2.0. В карточке и метаданных не приведены показатели точности, поддерживаемые языки, размер модели или длина контекста.

Карточка модели jeiku/noushermesvisionalphaconfigedit на Hugging Face совпадает с карточкой NousResearch/Nous-Hermes-2-Vision-Alpha, поэтому описание составлено по ней. Nous-Hermes-2-Vision-Alpha — мультимодальная модель для диалога и следования инструкциям, разработанная qnguyen3 и teknium. Она построена на архитектуре LLaVA-Mistral и дообучена на базе Mistral-7B-v0.1; в README также указано использование OpenHermes-2.5-Mistral-7B и визуального энкодера SigLIP-400M. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы, включая структурированные результаты для сценариев вызова функций. Модель предназначена для вопросов по изображениям, визуального описания и автоматизаций, связывающих визуальный ввод с вызовом функций. В обучающие данные вошли наборы LVIS-INSTRUCT4V, ShareGPT4V, частный набор данных для вызова функций и диалоги OpenHermes-2.5. Контекст составляет 32 768 токенов, размер — 7,1 млрд параметров; в метаданных указан английский язык. Модель выпущена под лицензией Apache-2.0.

NVIDIA-Nemotron-Nano-12B-v2-VL-NVFP4-QAD — мультимодальная авторегрессионная vision-language модель NVIDIA на базе оптимизированной архитектуры Transformer. В состав входят визуальный энкодер C-RADIOv2-H и языковая модель NVIDIA-Nemotron-Nano-12B-v2. Эта версия квантизирована в формате FP4 с применением TensorRT Model Optimizer и обучалась с использованием Quantization-aware Distillation для сохранения качества при низкой точности вычислений. Модель предназначена для обработки одного изображения вместе с текстовым запросом и генерации текстовых ответов. Основные сценарии включают суммаризацию изображений, анализ текста и изображений, распознавание текста (OCR), интерактивные вопросы и ответы по изображениям, а также рассуждения по цепочке мыслей. Поддерживаются немецкий, испанский, французский, итальянский, корейский, португальский, русский, японский, китайский и английский языки. Контекст и длина генерируемой последовательности составляют до 128K токенов. Изображения должны быть в формате RGB; прозрачность не поддерживается. Максимальное разрешение определяется ограничением в 12 тайлов размером 512×512 пикселей. К сильным сторонам относятся мультиязычность, поддержка широкого набора задач анализа изображений и оптимизация FP4 для NVIDIA GPU. Ограничения включают поддержку только одного изображения за запрос, требования к совместимому аппаратному обеспечению и программной среде: заявлены Linux, vLLM и микропроцессорная архитектура B100 SXM. Модель рассчитана на глобальное развёртывание и использование корпоративными AI-клиентами. Условия использования регулируются NVIDIA Open License Agreement.

Это мультиязычная модель распознавания речи Microsoft, дообученная на базе openai/whisper-large-v3-turbo для речи на суахили, календжин, кикуйю, луо, масаи и сомали. Она принимает аудио и преобразует его в текст; архитектура Whisper использует трансформерный энкодер-декодер, а размер модели составляет 905,3 млн параметров. Модель предназначена для транскрибации разговорной, учебной и вещательной речи, в том числе в условиях разных акцентов и шума. Дообучение на размеченных парах аудио и текста улучшает распознавание перечисленных языков с ограниченными ресурсами. Метаданные также указывают поддержку языков базовой модели Whisper, включая русский и английский, однако специальное дообучение ориентировано на шесть языков Восточной Африки. Модель не предназначена для понимания смысла речи или принятия решений; точность может различаться между языками, а ошибки и смещения могут наследоваться от Whisper и обучающих данных. Разработчики не рекомендуют коммерческое или реальное применение без дополнительной проверки. Лицензия — MIT.

Qari-OCR-0.2.2.1-VL-2B-Instruct — мультимодальная модель для оптического распознавания арабского текста на изображениях страниц документов. Она разработана в рамках проекта NAMAA и является дообученной версией Qwen2-VL-2B-Instruct на арабском наборе данных OCR объёмом 50 000 записей. Модель предназначена прежде всего для извлечения текста со страниц документов и поддерживает арабский язык. Модель основана на архитектуре Qwen2-VL и относится к классу vision-language моделей с параметрами порядка 2 млрд. Она рассчитана на обработку изображений и генерацию текстового представления документа, включая арабские диакритические знаки ташкиль. В обучении использовались различные размеры шрифта, форматы страниц и набор арабских шрифтов, поэтому модель подходит для документов с разными шрифтами и макетами. Длина контекста и точный перечень поддерживаемых модальностей в README не указаны. Согласно приведённой оценке, модель показала WER 0,221, CER 0,059 и BLEU 0,597 на тестовом наборе, преимущественно содержащем тексты с диакритическими знаками. Ограничения включают возможное снижение качества на очень мелком или крупном тексте, редких шрифтах, сложных многоколоночных макетах, рукописном или декоративном письме, текстурированных фонах, размытых изображениях, а также на вертикально или диагонально ориентированном тексте. Модель распространяется по лицензии Apache-2.0.

darkc0de/Qwen3.5-27B-heretic — дообученная версия мультимодальной модели Qwen3.5-27B, созданная с применением abliteration для снижения частоты отказов. В приведённом сравнении модель отказала в 6 из 100 проверочных запросов, тогда как исходная версия — в 95 из 100; также указано значение KL divergence 0,0445 относительно оригинала. Модель предназначена для диалогов, рассуждений и анализа изображений. Она принимает текст и изображения и формирует текстовые ответы; базовая архитектура Qwen3.5 использует языковую модель с визуальным энкодером и гибридные блоки Gated Delta Networks и gated attention. Размер базовой модели — 27 млрд параметров, нативный контекст — 262 144 токена с возможностью расширения до 1 010 000. В README заявлена поддержка 201 языка и диалекта для семейства Qwen3.5; конкретный перечень языков в карточке опущен. Модель распространяется в формате safetensors и совместима с Transformers и рядом серверов инференса, включая vLLM и SGLang. Лицензия — Apache-2.0. Снижение отказов может означать меньшую склонность отказывать на запросы, но приведённое сравнение не описывает методику тестирования и не гарантирует качество или безопасность ответов; длительный контекст требует значительных вычислительных ресурсов.

OpenVINO/Qwen3.5-4B-int4-ov — квантованная версия мультимодальной модели Qwen3.5-4B, разработанной командой Qwen и преобразованная в формат OpenVINO IR. Модель предназначена для диалоговых сценариев и задач «изображение–текст», включая анализ и описание изображений, а также генерацию ответов на текстовые запросы с визуальным контекстом. Модель имеет размер 4B параметров; точные сведения об архитектуре, поддерживаемых языках и максимальной длине контекста в карточке не указаны. Веса сжаты до INT4 в асимметричном режиме с размером группы 128, что уменьшает требования к памяти, но может сопровождаться потерей качества по сравнению с исходной моделью. Для запуска используются OpenVINO и Optimum Intel; заявлена совместимость с OpenVINO 2026.2.0 и новее и Optimum Intel 1.27.0 и новее. Ограничения следует уточнять в карточке исходной Qwen3.5-4B. Модель распространяется по лицензии Apache License 2.0.

svjack подготовил вариант Qwen3-VL-4B-Instruct с ослабленными отказами: по приведённому сравнению доля отказов составила 7 из 100 против 92 из 100 у исходной модели, при этом KL-дивергенция равна 0,29. Это мультимодальная модель семейства Qwen3-VL с плотной архитектурой, предназначенная для диалогов с текстом и изображениями. Она может описывать изображения, отвечать на вопросы по ним, распознавать текст и выполнять задачи визуального рассуждения. В README приведены характеристики базовой модели, включая заявленный контекст 256 тысяч токенов с возможностью расширения до 1 миллиона, понимание видео, OCR для 32 языков, пространственное рассуждение и взаимодействие с инструментами; эти характеристики не подтверждены отдельными результатами для изменённого варианта. Модель распространяется в формате safetensors по лицензии Apache 2.0.

Qwen3-VL-4B-Instruct-MLX-4bit — это 4-битная квантованная версия мультимодальной модели Qwen3-VL-4B-Instruct, разработанной командой Qwen. Квантование выполнено командой LM Studio с использованием MLX и mlx_vlm; модель оптимизирована для работы на компьютерах Apple Silicon. Модель предназначена для задач преобразования изображений и текста в текст, включая обработку визуально-текстовых запросов и работу в формате инструкций. Она относится к классу vision-language моделей и поддерживает взаимодействие с изображениями и текстом. Известный размер исходной модели — 4B параметров; сведения о поддерживаемых языках и максимальной длине контекста в представленном README не указаны. Ключевое преимущество версии — снижение требований к памяти и вычислительным ресурсам благодаря 4-битному квантованию, а также оптимизация для экосистемы Apple Silicon. Квантование может сопровождаться некоторым снижением точности по сравнению с исходной моделью, однако конкретные результаты в README не приведены. Модель распространяется по лицензии Apache-2.0.

markusiko/rubert-base-punctuation — русскоязычная модель Марка Столярова для восстановления пунктуации. Она основана на ruBert-base и дообучена для предсказания знака после каждого слова в предложении. Архитектура — BERT для классификации токенов, размер — 205,5 млн параметров, контекст — до 512 токенов. Модель предназначена для восстановления знаков вопроса, восклицания, точки, запятой, двоеточия и многоточия в русском тексте. При обучении использовано более 20 тысяч абзацев из русской литературы. Для работы текст следует подавать без пунктуации; модель не исправляет регистр букв. Репозиторий распространяется по лицензии MIT.

ScreenVLM — компактная мультимодальная модель понимания изображений и текста, разработанная IBM Research Zurich и ETH Zurich. Она предназначена для полного разбора снимков веб-страниц: находит видимые элементы интерфейса, определяет их тип и положение, а также распознаёт текст внутри них. Модель построена на архитектуре Idefics3, с визуальным энкодером siglip2-base-patch16-512 и языковой основой Granite 165M. На вход подаётся изображение экрана, а на выходе — структурированное представление ScreenTag с метками для 55 классов элементов, координатами ограничивающих рамок и текстовым содержимым. Модель обучена на наборе ScreenParse v2 с разметкой снимков веб-страниц; карточка указывает английский язык. ScreenVLM подходит для извлечения структуры веб-страниц, анализа интерфейсов и подготовки данных для автоматизации браузера. Она оптимизирована для снимков веб-страниц, поэтому качество на мобильных и настольных интерфейсах приложений может отличаться; на перегруженных и динамичных экранах возможны ошибки. Для автоматизации с высокими требованиями к надёжности следует проверять координаты и распознанный текст. Лицензия — Apache 2.0.

Shenava Koochik v1.0 — модель распознавания персидской речи из семейства Shenava-1, разработанная автором репозитория Reza2kn. Это исходный чекпойнт NeMo в формате FP32 с 114 млн параметров, основанный на NVIDIA stt_fa_fastconformer_hybrid_large и дообученный для персидского автоматического распознавания речи. Архитектура FastConformer Hybrid RNNT/CTC; в опубликованных вариантах развёртывания используется CTC-голова. Модель принимает одноканальную персидскую речь с частотой дискретизации 16 кГц и выдаёт текст на персидском языке. Поддерживаются режимы с несколькими настройками контекста; модель предназначена для оценки, дальнейшей тонкой настройки и экспорта. В опубликованных тестах указаны WER 7,49% на visualears-golden-6669 и 10,64% на FLEURS-fa при контексте [70,13] и принятой авторами нормализации текста. Качество распознавания может снижаться из-за акцента, шума, наложения речи, особенностей канала записи и переключения языков; важные по смыслу расшифровки следует проверять. Лицензия — Apache-2.0.

TrOCR large handwritten — модель распознавания рукописного текста, разработанная Microsoft и дообученная на наборе IAM. Она предназначена для OCR отдельных строк текста на изображениях. Модель использует архитектуру encoder-decoder: Transformer на основе изображений кодирует визуальные патчи размером 16×16, а текстовый Transformer авторегрессионно генерирует распознанные токены. Визуальный энкодер инициализирован весами BEiT, текстовый декодер — RoBERTa. Модель выпущена в формате PyTorch. Подходит для преобразования изображений рукописных строк в текст. Карточка не приводит показатели качества и не описывает обработку целых страниц или смешанных печатных и рукописных документов. Лицензия в предоставленных данных не указана.

VARCO-VISION-2.0-1.7B-OCR — компактная OCR-модель от OpenLLM-Korea для распознавания текста на изображениях с определением положения каждого символа. Она построена на архитектуре LLaVA-OneVision и объединяет визуальную основу SigLIP2 с языковой моделью Qwen3-1.7B; модель рассчитана на распознавание корейского и английского текста, в том числе в смешанных документах. Модель выдаёт распознанные символы с координатами их ограничивающих рамок, что позволяет сохранять пространственную структуру текста и использовать результат для последующей обработки документов. Она предназначена для OCR в реальном времени и сценариев с ограниченными вычислительными ресурсами. В README приведены результаты на CORD, ICDAR2013 и ICDAR2015; показатели различаются между наборами данных. Для работы рекомендуется Transformers версии 4.53.1 или выше; для небольших изображений авторы советуют увеличить длинную сторону как минимум до 2304 пикселей. Модель распространяется по лицензии CC-BY-NC-4.0, которая ограничивает коммерческое использование.

cahya/wav2vec2-base-turkish — модель автоматического распознавания речи, дообученная на турецком наборе Common Voice 7.0. Она построена на архитектуре Wav2Vec2 с CTC-головой и содержит 113,3 млн параметров. Модель принимает аудио и преобразует турецкую речь в текст. В README приведены результаты оценки на Common Voice 6.1, 7.0 и 8.0: WER составляет соответственно 9,437, 8,147 и 8,335, а CER — 3,325, 2,802 и 2,336. Для дообучения также использовались Media Speech и Magic Hub. Модель распространяется по лицензии Apache-2.0; показатели оценки относятся к указанным наборам данных и не гарантируют аналогичное качество на других типах записей.

DrishtiSharma/wav2vec2-large-xls-r-300m-bg-d2 — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на болгарской части набора Mozilla Common Voice 8.0. Она использует архитектуру Wav2Vec2 с выходной головой CTC и предназначена для преобразования болгарской речи в текст. Модель подходит для транскрибации аудиозаписей и оценки качества систем распознавания болгарской речи. В карточке указаны значение WER 0,2860 и loss 0,3421 на тестовой выборке Common Voice 8.0. Репозиторий содержит веса PyTorch; размер модели — около 402,7 млн параметров. Лицензия — Apache-2.0.

menhior дообучил модель facebook/wav2vec2-xls-r-300m на Common Voice для автоматического распознавания речи. Модель построена на архитектуре Wav2Vec2 и выдаёт текстовую транскрипцию по аудиозаписи; в метаданных указано 402,7 млн параметров и формат PyTorch. Название репозитория указывает на настройку для турецкого языка. На оценочном наборе указаны loss 0,3991 и WER 0,3050. Модель подходит для транскрибирования турецкой речи в сценариях, подобных записям Common Voice. Лицензия — Apache-2.0. Подробности о тренировочных настройках и конкретных ограничениях в карточке не раскрыты.

onnx-community/whisper-base.en — версия модели openai/whisper-base.en, подготовленная сообществом onnx-community в формате ONNX для совместимости с библиотекой Transformers.js. Репозиторий содержит веса ONNX и предназначен для использования модели в веб-средах и приложениях, поддерживающих Transformers.js. README не указывает архитектуру, размер, длину контекста, набор модальностей, точные языковые возможности, результаты тестирования или дополнительные сценарии применения. Ключевое преимущество модели — готовность к интеграции через Transformers.js; ограничение заключается в том, что для полноценной оценки характеристик необходимо обратиться к документации базовой модели openai/whisper-base.en. Лицензия в предоставленных данных не указана.

fsicoli/whisper-large-v3-it-cv16 — модель распознавания речи на базе Whisper Large v3, дообученная на итальянском языке на обучающей и валидационной выборках Common Voice 16. В метаданных архитектура указана как WhisperForConditionalGeneration; модель содержит около 905,2 млн параметров и доступна в формате safetensors. Модель предназначена для преобразования итальянской речи в текст. Её можно использовать для транскрибации записей и аудио, например через pipeline automatic-speech-recognition в Transformers. Карточка также указывает тестовую выборку Common Voice 16, но не приводит результатов оценки качества. Лицензия указана как CC. Карточка не уточняет её вариант и не описывает ограничения по точности, шуму или акцентам; качество в конкретных условиях следует проверять отдельно.

sam8000 выпустил дообученную на наборе FLEURS модель OpenAI Whisper large-v3-turbo для автоматического распознавания речи на болгарском языке. Это мультиязычная модель архитектуры Whisper с 905,2 млн параметров, предназначенная для преобразования аудио в текст; в метаданных указана поддержка входного аудио. На тестовой выборке автор сообщает WER 9,9711 и WER Ortho 28,9047. Модель распространяется в формате Safetensors по лицензии MIT. Подробности о составе обучающих данных, кроме указания FLEURS, и о конкретных ограничениях в карточке не приведены.

kinit/whisper-large-v3-turbo-sk — модель команды KInIT для автоматического распознавания словацкой речи. Это полно-параметрическая донастройка Whisper encoder-decoder на базе openai/whisper-large-v3-turbo; в метаданных указано 905,2 млн параметров. При обучении использовался курируемый корпус словацкой речи, а 75% обучающих пакетов дополнительно усиливались синтетическим фоновым шумом для повышения устойчивости к условиям реальных записей. Модель предназначена для транскрибации словацкой речи из записей в разных предметных областях и акустических условиях. На тестовом наборе Common Voice 24.0 указаны WER 9,29% и CER 2,55%; на внутреннем наборе KInIT — WER 5,60% и CER 2,65%. По README, версия v2 добавила шумовую аугментацию и улучшила результаты относительно v1. Модель ориентирована на словацкий язык: донастройка существенно ухудшает распознавание других языков. Надёжная длина одного сегмента — до 30 секунд; более длинное аудио следует обрабатывать с разбиением на фрагменты. Качество может снижаться на сильных акцентах, диалектах и речи из областей, недостаточно представленных в обучающих данных. Для критически важных расшифровок требуется проверка человеком. Лицензия — MIT.

Whisper Small Indonesian — модель распознавания речи, дообученная разработчиком cahya на основе openai/whisper-small. Она преобразует аудио на индонезийском языке в текст и предназначена для сценариев автоматической транскрибации. Архитектура — WhisperForConditionalGeneration; размер модели составляет 153,1 млн параметров. Для обучения использовались наборы Mozilla Common Voice 11.0, Magic Data, TITML и Google FLEURS. В карточке указаны результаты оценки: loss 0,1022 и WER 6,0592. Модель распространяется по лицензии CC; конкретный вариант лицензии в предоставленных данных не уточнён.

Canary-1B-v2 CTC aligner GGUF — это отдельная модель для автоматического распознавания речи и принудительного выравнивания аудио с готовой расшифровкой. Она разработана командой NVIDIA NeMo как вспомогательная CTC-модель, входящая в состав nvidia/canary-1b-v2, а затем извлечена и преобразована в формат GGUF проектом CrispStrobe для использования с инструментом nfa-align. Модель построена на архитектуре FastConformer с CTC-головой и содержит около 600 млн параметров. Она предназначена прежде всего для получения временных границ слов и сегментов в аудиозаписях, в том числе для текстов, созданных другими ASR-системами или введённых вручную. Также поддерживается автономное CTC-распознавание речи. Модель работает с аудио 16 кГц и поддерживает 25 европейских языков, включая английский, русский, немецкий, французский, испанский, итальянский, польский и украинский. Для токенизации используется единый SentencePiece-словарь Canary-1B-v2. Сильная сторона модели — точное принудительное выравнивание на уровне слов: заявленная средняя абсолютная ошибка на тестовом английском примере составила 78 мс, что существенно лучше выравнивания через cross-attention основной модели Canary. Ограничение заключается в использовании субсловной, а не посимвольной токенизации, поэтому точность может зависеть от языка и текста; сведения о максимальном контексте и полном наборе эксплуатационных требований не указаны. Доступны версии F16 и GGUF-квантизации Q8_0, Q5_0 и Q4_K, причём Q4_K заявлена как рекомендуемая и дающая идентичные результаты выравнивания относительно F16. Веса модели распространяются по лицензии CC-BY-4.0 с обязательной атрибуцией NVIDIA и команды NeMo. Код преобразования и среда ggml указаны как распространяемые по MIT, однако это не изменяет лицензию самих весов.

Карточка модели NVEagle/Eagle-X5-7B на Hugging Face совпадает с карточкой NVEagle/Eagle-X5-13B-Chat, поэтому описание составлено по ней. Eagle-X5-13B-Chat — мультимодальная языковая модель семейства Eagle, разработанного NVIDIA. Это плотная Transformer-модель архитектуры EagleLlamaForCausalLM с 12,9 млрд параметров, предназначенная для диалога и анализа изображений вместе с текстом. Контекст модели составляет 4096 токенов. Модель использует комбинацию визуальных энкодеров CLIP+X и рассчитана на обработку изображений высокого разрешения, включая задачи распознавания текста и понимания документов. Она принимает изображения и текст, а выдаёт текст; авторы отмечают сильные результаты на мультимодальных тестах, особенно в задачах, чувствительных к разрешению. Основные сценарии применения — исследование мультимодальных LLM и создание чат-ботов. Модель опубликована под лицензией CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. README не уточняет языковой охват и подробные ограничения качества; перед применением в конкретной отрасли следует оценить пригодность модели для этого сценария.

Карточка модели PatchyTisa/FireRedLID-vllm на Hugging Face совпадает с карточкой allendou/FireRedASR2-LLM-vllm, поэтому описание составлено по ней. allendou/FireRedASR2-LLM-vllm — версия модели распознавания речи FireRedASR2-LLM, выпущенной командой FireRedASR2. Это система ASR на основе архитектуры Encoder-Adapter-LLM: аудиокодировщик и адаптер передают представление речи языковой модели Qwen2. Размер модели — 7,1 млрд параметров, контекст — 32 768 токенов. Репозиторий содержит веса в формате safetensors и ориентирован на запуск через vLLM. Модель преобразует речь в текст на китайском языке, включая мандаринский диалект и более 20 региональных акцентов, и на английском; поддерживает смешение китайского и английского языков, а также распознавание текста песен. В описанных авторами тестах средняя ошибка распознавания составила 2,89% CER для мандаринского китайского и 11,55% CER для китайских диалектов. Эти показатели относятся к указанным тестовым наборам и не гарантируют такое же качество на произвольной записи. Лицензия Apache-2.0 допускает коммерческое использование с соблюдением её условий.

mlx-community/gemma-3-27b-it-qat-bf16 — преобразованная в формат MLX модель сообщества mlx-community на основе мультимодальной Gemma 3 27B IT от Google. Она предназначена для диалогов, генерации текста и ответов на вопросы по изображениям. Архитектура — плотная Gemma 3 для условной генерации; модель принимает текст и изображения и выдаёт текст. README указывает, что преобразование выполнено с помощью mlx-vlm версии 0.1.23 из google/gemma-3-27b-it-qat-q4_0-unquantized; метаданные связывают модель с google/gemma-3-27b-it. Лицензия — Gemma.

amir22010/gemma4-e4b-w4a16-it-v2 — мультимодальная модель для диалога и анализа изображений, созданная Team Horizon на основе google/gemma-4-E4B-it. Это версия Gemma 4 E4B Instruct с квантизацией весов W4A16: веса представлены в 4-битном формате, активации остаются в FP16. Поддерживаются входные изображения и текст; модель предназначена для визуальных вопросов и ответов, анализа документов и диалоговых инструкций. Квантизация выполнена методом RTN для линейных слоёв; lm_head и аудиослои исключены. По README, для инференса требуется около 10 ГБ видеопамяти, рекомендуется 16–24 ГБ. Заявлены улучшения на отдельных бенчмарках после калибровки на TextVQA, DocVQA и UltraChat, однако эти результаты относятся к тестам автора и не гарантируют аналогичного качества на других данных. Модель распространяется по лицензии Apache-2.0. Среди известных ограничений — небольшое снижение точности на задачах анализа документов относительно базовой модели; аудиослои сохранены в исходной точности и не квантизированы.

istupakov/gigaam-v3-onnx — это набор моделей автоматического распознавания речи, преобразованных в формат ONNX из GigaAM v3. Разработчик конвертации — istupakov; исходная модель указана как ai-sage/GigaAM-v3, а связанные модели GigaAM разработаны командой Salute Developers. Модель предназначена для преобразования русской речи из WAV-аудио в текст и интеграции с библиотекой onnx-asr. Доступны варианты на архитектурах CTC и RNN-T, включая версии E2E CTC и E2E RNN-T с расстановкой пунктуации и нормализацией текста. Модели ориентированы на русский язык и поддерживают выполнение через ONNX, в том числе с CPU. Размер модели, максимальная длина контекста, точные требования к аудио и другие архитектурные характеристики в README не указаны. Преобразование в ONNX может быть удобно для развёртывания и инференса в совместимых средах, однако ограничения исходной GigaAM v3 и различия между вариантами CTC и RNN-T требуют выбора модели под конкретный сценарий. Лицензия — MIT.

hari31416 публикует IndicOCR MLX 4-bit — 4-битную квантизированную MLX-версию распознавателя IndicBlockOCR, второй стадии модели bodhan-ai/indic-ocr. Она предназначена для распознавания текста в обрезанных областях документов и оптимизирована для инференса на Apple Silicon с Metal GPU. Архитектура основана на Qwen3.5-0.8B и использует словарь Sarvam на 151 тысячу токенов для 22 индийских письменностей, английского языка, чисел и математических обозначений. В README указаны размер весов 636 МБ, скорость 391 мс на фрагмент и CER 4,83% в сравнении с PyTorch-базой на 50 фрагментах документов из ai4bharat/indicdlp. На этом наборе WER составляет 9,68%, а точное совпадение — 60%; результаты относятся к описанной конфигурации и тестовой выборке. Репозиторий также описывает двухэтапный конвейер с отдельным детектором макета PP-DocLayoutV3, который работает через PyTorch MPS, а не MLX. Лицензия в метаданных указана как other, без уточнения условий.

Keye-VL-671B-A37B — мультимодальная языковая модель семейства Keye-VL, разработанная командой Kwai-Keye. Она предназначена для понимания и генерации текста, анализа изображений и видео, визуальных рассуждений и решения математических задач. В карточке описана архитектура KeyeVLMoeForConditionalGeneration; репозиторий содержит веса safetensors в формате FP8. Модель рассчитана на контекст до 163 840 токенов и поддерживает видеозапросы с текстовым ответом. При обучении использовались данные для визуальных вопросов и ответов, включая OCR, диаграммы и таблицы, а также синтетические цепочки рассуждений и последующее обучение с проверкой ответов. Это делает модель применимой для анализа видеоматериалов и визуального содержимого с текстовым запросом. Указанная лицензия — Apache-2.0. Для развёртывания README приводит инструкции с SGLang и описывает многосерверную конфигурацию.