I.15Доступность и ассистивные технологии

mesolitica/malaysian-whisper-medium — модель распознавания речи, созданная Mesolitica путём дообучения Whisper Medium на данных малайской речи. Она предназначена для преобразования аудио в текст на малайском языке, включая стандартную и местную речь, а также на английском, включая Manglish. Модель основана на архитектуре Whisper и содержит 455,8 млн параметров; в репозитории представлены веса Safetensors. Модель подходит для транскрибации разговоров и видео на малайском и английском языках. Для обработки аудио длиннее 30 секунд автор рекомендует разбивать запись на фрагменты такой длительности и распознавать их отдельно. Данные для дообучения включают наборы IMDA STT, Malay Conversational Speech Corpus, псевдоразметку малайских видео и аудиокниг, а также частный датасет Haqkiem TTS. Условия лицензии в предоставленных данных не описаны.

plaincompute/mlx-MOSS-Transcribe-Diarize-8bit — восьмибитная версия MOSS-Transcribe-Diarize для запуска через MLX на Apple Silicon. Веса текстовой части модели квантизированы методом MLX affine quantization с bits=8 и group_size=64; аудиоэнкодер Whisper и VQ-адаптер не квантизированы. Репозиторий основан на vanch007/mlx-MOSS-Transcribe-Diarize. Модель предназначена для распознавания речи из аудиофайлов и разделения транскрипта по говорящим. Метаданные указывают задачу automatic-speech-recognition и поддержку speaker diarization. Используется архитектура MossTranscribeDiarizeForConditionalGeneration с аудиоэнкодером Whisper. Лицензия — Apache-2.0.

mudler/parakeet-cpp-gguf — набор моделей автоматического распознавания речи в формате GGUF для C++/ggml-библиотеки parakeet.cpp. Репозиторий поддерживает конвертированные модели NVIDIA NeMo Parakeet и предназначен для локального запуска ASR на CPU, включая сценарии офлайн-распознавания и потоковой транскрипции. Указано, что результаты на CPU сопоставимы с исходными моделями PyTorch. В набор входят варианты размером от 110M до 1.1B параметров с архитектурой FastConformer и головами CTC, RNNT, TDT либо гибридом TDT+CTC. Для realtime_eou_120m-v1 заявлена потоковая cache-aware RNNT-архитектура с поддержкой EOU/EOB. Доступны варианты F16, Q8_0, Q6_K, Q5_K и Q4_K; F16 рекомендован как обеспечивающий точность F32 при меньшем размере и обычно наиболее высокую скорость на современных CPU. Размер файлов зависит от модели и квантизации: примерно от 129 МБ до 2,4 ГБ. Языки, максимальная длина контекста и точный набор поддерживаемых аудиоформатов в README не указаны. Сильными сторонами являются широкий выбор архитектур и уровней квантизации, возможность запуска через C++/ggml и наличие моделей для потокового распознавания. Для ряда F16, Q8_0 и Q4_K указано нулевое различие WER по сравнению с NeMo в приведённом сравнении, однако для других вариантов измерения не проводились. Лицензия набора — CC BY 4.0.

Parakeet-EOU-120M CoreML INT8 — модель автоматического распознавания речи, разработанная aufklarer на основе NVIDIA Parakeet Realtime EOU 120M v1 и преобразованная в формат CoreML с использованием coremltools. Она предназначена для потоковой транскрипции аудио на устройствах Apple Silicon, включая сценарии распознавания речи с микрофона и локального выполнения через Apple Neural Engine. Модель поддерживает определение конца высказывания с помощью специального токена EOU, поэтому для сегментации не требуется внешний VAD. Модель содержит 120 млн параметров и использует архитектуру FastConformer-RNNT с 17-слойным кэшируемым энкодером и однослойным LSTM-декодером. В энкодере применяется INT8 palettization. Поддерживается английский язык, входной аудиосигнал рассчитан на частоту дискретизации 16 кГц. Потоковая обработка выполняется чанками по 320 мс с настраиваемым размером. Словарь включает 1024 BPE-токена и специальные токены EOU, EOB и blank. К сильным сторонам относятся низкая задержка, возможность работы в реальном времени, локальное выполнение и небольшой потоковый кэш. На Apple M2 Max заявлены средняя задержка полного конвейера 17,7 мс, задержка P95 22,4 мс и коэффициент реального времени 0,055, что соответствует примерно 18-кратному ускорению относительно длительности аудио. Ограничения включают ориентацию на экосистему Apple и поддержку только английского языка; приведённые показатели производительности относятся к Apple M2 Max и могут отличаться на других устройствах. Модель распространяется по лицензии NVIDIA Open Model License.

BuzzASR Punjabi — модель автоматического распознавания речи на панджаби, разработанная как часть набора BuzzASR из 102 языковых моделей. Это полноценно дообученная версия Whisper large-v3 с заменой токенизатора для языка и дополнительным мультитасковым обучением на текстовых данных. Модель принимает аудио и преобразует речь в текст; языковой и задачный промпт уже задан в конфигурации генерации. Модель предназначена для транскрибации речи на панджаби. В README приведены результаты на тестовых наборах FLEURS и Common Voice 25, где авторы сообщают о снижении CER относительно Whisper large-v3 без дообучения. Модель содержит около 907,3 млн параметров, использует архитектуру Whisper и формат safetensors в библиотеке Transformers. Данные обучения включают FLEURS, Common Voice Corpus 25.0 и текстовый корпус Goldfish. Модель ограничена панджаби; качество на других предметных областях и диалектах может отличаться от результатов на тестовых наборах. Распространяется по лицензии MIT.

LWWZH/Qwen3.5-4B-int4-OpenVINO — версия мультимодальной модели Qwen3.5-4B, подготовленная для OpenVINO и сжимающая веса преимущественно до int4. В карточке указано, что исходная Qwen3.5-4B разработана командой Qwen; метаданные связывают этот репозиторий с Qwen/Qwen3.5-4B. Это плотная причинная языковая модель с визуальным энкодером, рассчитанная на диалог и понимание изображений. Модель подходит для ответов на вопросы по изображениям, визуального анализа, диалоговых сценариев и задач рассуждения. Архитектура исходной модели включает 4 млрд параметров и 32 слоя; нативная длина контекста составляет 262 144 токена с возможностью расширения до 1 010 000. README заявляет поддержку 201 языка и диалекта. Модель по умолчанию работает в режиме рассуждений; для обслуживания в высоконагруженных сценариях карточка рекомендует специализированные движки инференса. Сжатие весов в этой версии распределено между int4 и int8, преимущественно int4 с размером группы 128. Лицензия — Apache-2.0. README относится к исходной модели и не приводит отдельных результатов оценки или ограничений именно сборки OpenVINO, поэтому её производительность и совместимость следует оценивать в целевом окружении.

Felldude/Qwen3.5-4B-Uncensored-FP8 — дообученная автором Felldude мультимодальная модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration. Она предназначена для диалогов и генерации текста по текстовым и визуальным входам, включая описание изображений и задачи рассуждения. В README заявлены обучение на зрительных данных, цепочках рассуждений и задачах reasoning, а также варианты работы с включённым и выключенным режимом THINK. Базовая модель содержит 4 млрд параметров. Репозиторий содержит веса Safetensors и помечен как FP32; README рекомендует эту версию для последующей квантизации или конвертации в BF16/FP16. Указаны возможности vision, chat и интерфейс вызова инструментов. Карточка заявляет поддержку 201 языка и диалекта, но не уточняет языки отдельно. Лицензия — Apache-2.0. Утверждения README о неконтентной фильтрации и результатах тестирования приведены автором модели и не являются независимой оценкой качества.

MusaNyaks/trocr-barbados-fold0 — дообученная модель распознавания рукописного текста на изображениях, созданная на основе microsoft/trocr-base-handwritten. Она использует архитектуру vision-encoder-decoder и предназначена для преобразования изображения с текстом в текстовую транскрипцию; карточка сообщает результат Loss 0,8579 на оценочном наборе, но не описывает сам набор данных или подробности обучения. Модель может подойти для распознавания рукописных строк в документах и других изображениях. Модель распространяется в формате safetensors по лицензии MIT. Язык распознаваемого текста и длина обрабатываемых строк не установлены по доступным сведениям; качество на данных вне оценочного набора не охарактеризовано.

qantev/trocr-base-spanish — модель оптического распознавания текста (OCR), разработанная Qantev на основе архитектуры TrOCR и дообученная на самостоятельно созданном испанском наборе данных. Она использует Transformer-энкодер изображений, который извлекает признаки из фрагментов изображения, и авторегрессионный Transformer-декодер, генерирующий текстовые токены. Модель предназначена для чтения печатного испанского текста на изображениях. Для обработки документов её нужно использовать вместе с моделью обнаружения текста. В тесте на испанском XFUND авторы сообщают CER 0,0732 и WER 0,2028, отмечая, что в наборе есть ошибки разметки. По карточке, модель хуже работает с рукописным текстом, двумя строками и вертикальным текстом. Лицензия — MIT.

Карточка модели aoiandroid/ultravox-v0_5-llama-3_2-1b на Hugging Face совпадает с карточкой fixie-ai/ultravox-v0_5-llama-3_2-1b, поэтому описание составлено по ней. Ultravox — мультимодальная речевая языковая модель от Fixie.ai, объединяющая аудиовход с текстовой моделью Llama 3.2-1B-Instruct и Whisper large-v3-turbo. Она принимает речь и текст, например текстовую системную инструкцию и аудиосообщение пользователя, а ответ генерирует в текстовом виде. Модель предназначена для голосовых агентов, анализа устной речи и перевода речи между языками. В README указана версия Ultravox 0.5 с обозначением 1B; метаданные каталога указывают 4,8 млрд параметров. Модель построена на архитектуре Ultravox и поддерживает аудиовход, чат и интерфейс вызова инструментов. Для обучения использовались наборы данных распознавания речи и речевого перевода, а также продолжения, сгенерированные Llama 3.1 8B. Метаданные перечисляют широкий набор языков, включая русский; конкретные языки карточки охватывают более узкий перечень. Модель выдаёт текст и не генерирует аудио. В README отмечено, что к этой версии не применялась настройка предпочтений; качество перевода может зависеть от языковой пары и ограниченности модели версии 1B. Лицензия — MIT.

Модель разработана CLEAR-Global и представляет собой дообученную версию facebook/w2v-bert-2.0 для автоматического распознавания речи на языке хауса. Это плотная модель архитектуры Wav2Vec2-BERT с классом Wav2Vec2BertForCTC, содержащая 402,8 млн параметров; она принимает аудио и выдаёт распознанный текст. Модель обучена на наборе CLEAR-GLOBAL/HAUSA_579_993H_YOURTTS - NA. На оценочном наборе указаны Loss 0,2249, WER 0,3234 и CER 0,1866. Подходит для транскрибирования записей на хауса и построения систем распознавания речи для этого языка. Опубликована в формате safetensors для библиотеки Transformers. Лицензия — MIT. В карточке отмечено, что модель дообучена от facebook/w2v-bert-2.0; подробные сведения о других ограничениях и условиях оценки не приведены.

Модель infinitejoy/wav2vec2-large-xls-r-300m-bashkir — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания башкирской речи. Она построена на архитектуре Wav2Vec2 с CTC-выходом и содержит около 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст; при оценке на наборе Mozilla Common Voice 7.0 для башкирского языка указана WER 0,2421. Распространяется по лицензии Apache-2.0.

wav2vec2-large-xls-r-300m-spanish-small — модель распознавания речи, разработанная на основе jhonparra18/wav2vec2-large-xls-r-300m-spanish-custom и дообученная на Common Voice. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; карточка сообщает значение WER 0,1791 на оценочном наборе. Подходит для автоматической транскрипции испанской речи и экспериментов с распознаванием речи на данных Common Voice. В репозитории указаны веса PyTorch. Лицензия и подробные ограничения применения в предоставленных данных не описаны.

Wav2Vec2-Large-XLSR-53-Mongolian-v1 — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на монгольских данных Common Voice. Это модель архитектуры wav2vec2 с декодером CTC и примерно 402,7 млн параметров; доступны версии PyTorch и Flax. Для распознавания входную речь следует подавать с частотой дискретизации 16 кГц. Модель предназначена для транскрибации монгольской речи, в том числе записей, похожих на данные Common Voice; карточка приводит результат тестирования 34,64%, но не уточняет метрику в доступном описании. Распространяется по лицензии Apache-2.0.

Модель davidilag/wav2vec2-xls-r-1b-scandinavian-251h-30-epochs-20250111_v9 — дообученная на неизвестном наборе данных версия facebook/wav2vec2-xls-r-1b для автоматического распознавания речи. Она принимает аудио и преобразует его в текст; архитектура — Wav2Vec2ForCTC семейства wav2vec2, размер — 1,3 млрд параметров. В README приведены результаты оценки: WER 22,6884 и CER 5,8380. Модель предназначена для транскрибирования речи. Карточка не сообщает, на каких языках и наборах данных она обучалась, поэтому пригодность для конкретного скандинавского языка и качество в отдельных сценариях по имеющимся сведениям установить нельзя. Модель распространяется в формате safetensors по лицензии Apache-2.0.

WhisperD-NL — модель распознавания речи на нидерландском языке, созданная дообучением Whisper large-v3 на корпусе Corpus Gesproken Nederlands (CGN). Она предназначена для транскрибации с сохранением речевых запинок и неречевых событий, а также для распознавания до четырёх говорящих: их реплики помечаются тегами [S1]–[S4]. Модель построена на архитектуре Whisper и содержит около 905,3 млн параметров. В карточке указан WER 16,42 для распознавания с запинками, идентификацией говорящих и неречевыми событиями. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Модель оптимизирована для нидерландской речи и наследует ограничения базовой Whisper large-v3.

Whisper-Large-V3-Distil-Italian-v0.2 — дистиллированная модель распознавания речи на базе архитектуры Whisper, созданная для транскрибации итальянской речи. Она содержит 905,2 млн параметров и использует неизменённую архитектуру энкодера Whisper large-v3 с декодером из двух слоёв; учительской моделью была openai/whisper-large-v3. Обучение охватывало аудиофрагменты длительностью до 30 секунд и применяло аугментацию данных для сохранения возможностей транскрибации длинных записей. Модель можно использовать самостоятельно, чтобы ускорить распознавание с некоторой потерей точности, или как черновую модель для speculative decoding вместе с Whisper large-v3. В README заявлены ускорение до 5,8 раза при самостоятельном использовании и примерно вдвое при speculative decoding; для последнего способа обещается сохранение тех же результатов, что у основной модели. Поддерживаются варианты запуска через Transformers и конвертированные реализации Whisper. Модель принимает аудио и выдаёт текст; сведения о контекстном окне в карточке не приведены. Репозиторий распространяется по лицензии MIT.

durgesh10/whisper-large-v3-marathi — дообученная модель распознавания речи на основе OpenAI Whisper large-v3. Она содержит около 905,2 млн параметров и обучена на наборе Mozilla Common Voice 17.0. Модель принимает аудио и предназначена для преобразования речи в текст, с настройкой на маратхи. Модель доступна в формате Safetensors для библиотеки Transformers. Лицензия — Apache-2.0. README не сообщает результаты оценки качества и подробности об ограничениях, поэтому точность распознавания в разных условиях записи по карточке установить нельзя.

Это модель автоматического распознавания речи на основе Whisper large-v3 от OpenAI, дообученная командой gcoli для транскрибирования швейцарского немецкого на стандартный немецкий. LoRA-адаптер обучили на материалах FHNW/i4ds и объединили с базовыми весами; модель содержит 905,2 млн параметров. Она принимает аудио и выдаёт текст. В карточке приведены результаты проверки на тестовом наборе из 5750 записей, охватывающем 17 диалектов: итоговый WER составляет 24,7%, CER — 12,7%. Для запуска доступны форматы safetensors и CTranslate2, совместимые с Transformers и faster-whisper. Модель предназначена для транскрибации швейцарских немецких диалектов в стандартный немецкий, в том числе в коммерческих сценариях. Для длинных записей рекомендуется отключать перенос контекста между фрагментами: иначе модель может добавлять вымышленный текст; на записях около 15 минут качество также может быть ниже, чем при распознавании отдельных коротких фрагментов. Лицензия модели — MIT; в карточке также указано, что базовая модель распространяется по Apache-2.0, а обучение выполнено на материалах с лицензией MIT.

Whisper Small Dv — модель распознавания речи, созданная Sanchit Gandhi путём дообучения мультиязычной openai/whisper-small на наборе Common Voice 13. Она принимает аудио и преобразует речь в текст; модель построена на архитектуре Whisper и содержит 153,1 млн параметров. В оценке на тестовом наборе указаны WER 14,0661 и орфографический WER 63,8972, однако README не уточняет условия и язык этой оценки. Модель подходит для транскрибирования записей речи, в том числе для экспериментов с данными Common Voice. Базовая Whisper также поддерживает распознавание речи и перевод аудио на английский, но карточка этой производной модели подтверждает только задачу распознавания речи. Модель распространяется по лицензии Apache-2.0.

HamoonFm/whisper-small-fa — дообученная версия мультиязычной модели Whisper Small от OpenAI для автоматического распознавания речи. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 153,1 млн параметров и принимает аудио, выдавая текстовую транскрипцию. Суффикс «fa» в названии указывает на ориентацию на персидскую речь, однако README не уточняет языки и данные дообучения. В карточке приведены результаты оценки: loss 0,2648 и WER 0,3085. Модель распространяется в формате safetensors по лицензии Apache-2.0. README не описывает ограничения и рекомендуемые сценарии применения; качество распознавания следует проверять на аудио целевого домена.

Whisper-Tiny-CV11 — модель распознавания речи, разработанная Burak Aydın и дообученная на базе openai/whisper-tiny на 11 языках корпуса Whispered с лицензией CC0. Это контрольная версия со стандартной архитектурой Whisper без преобразования MHA→MLA; модель принимает аудио и генерирует текстовую транскрипцию. Она предназначена для многоязычной транскрибации и воспроизводимой оценки влияния такого преобразования архитектуры. Модель содержит 29,4 млн параметров, использует архитектуру WhisperForConditionalGeneration и загружается через Transformers без trust_remote_code. В README приведены результаты оценки на CommonVoice-17 для английского, немецкого и испанского; качество зависит от языка и может немного отличаться при повторной оценке. Модель распространяется по лицензии Apache-2.0.

Карточка модели Alluci/alluci-polytope-gemma-4-31b-it-bf16 на Hugging Face совпадает с карточкой mlx-community/gemma-4-31b-it-bf16, поэтому описание составлено по ней. Gemma 4 31B IT BF16 — мультимодальная инструкционно-настроенная модель Google DeepMind, преобразованная сообществом mlx-community в формат MLX из google/gemma-4-31B-it. Она предназначена для диалогов, генерации текста и анализа изображений; запускать её можно с помощью mlx-vlm. Модель использует плотную архитектуру Gemma 4 и принимает текст и изображения, выдавая текст. В репозитории указаны веса BF16 в формате safetensors и лицензия Apache-2.0.

Mohamed Rashad разработал arabic-base-nougat — модель OCR на архитектуре VisionEncoderDecoderModel, дообученную на наборе MohamedRashad/arabic-img2md от facebook/nougat-base. Она преобразует изображения страниц арабских книг в структурированный текст, в том числе с разметкой Markdown, и подходит для оцифровки арабской литературы и извлечения текста из печатных материалов. В карточке заявлена поддержка арабского и английского языков; модель опубликована в формате safetensors и распространяется по лицензии GPL-3.0. При распознавании модель может повторять или искажать текст, а также выдавать нерелевантные пути к изображениям. Контекст ограничен 2048 токенами, поэтому транскрипция длинной страницы может быть неполной. Результаты следует проверять, особенно если важна точность.

arabic_PP-OCRv5_mobile_rec — мобильная модель распознавания строк арабского текста из изображений, разработанная командой PaddleOCR как часть семейства PP-OCRv5_rec. Она предназначена для использования в OCR-системах, где требуется извлекать текстовые строки и выдавать их в виде текста; показатель точности на описанной в карточке оценке составляет 81,27%. Для распознавания документов модель можно подключить как модуль распознавания в конвейере PP-OCRv5 вместе с детектором текста и, при необходимости, модулями коррекции ориентации и геометрии изображения. Модель относится к мобильной линейке и использует библиотеку PaddleOCR. В метаданных указан английский язык, но README описывает поддержку арабского; идентификатор модели также указывает на арабское распознавание. Репозиторий распространяется по лицензии Apache-2.0. Это распознаватель текстовых строк, поэтому сам по себе он не выполняет полный поиск областей текста на странице: для такого сценария нужен OCR-конвейер с модулем детекции.

Baichuan-Omni-1.5 — открытая мультимодальная модель команды Baichuan, представленная в карточке репозитория baichuan-inc/Baichuan-Omni-1d5. Это плотная модель с 7,1 млрд параметров и контекстом 65 536 токенов, предназначенная для диалогов и взаимодействия с текстом, изображениями, видео и аудио. Модель принимает эти четыре типа входных данных и формирует текстовые и аудиовыходы; заявлены потоковая обработка аудио и видео и голосовое общение в реальном времени. Модель рассчитана на понимание изображений и видео, распознавание и понимание речи, генерацию речи, а также мультимодальные диалоги. В README отдельно отмечены двуязычные голосовые сценарии на китайском и английском, управление стилем голоса и понимание медицинских изображений. Заявления о сравнительных результатах приведены разработчиками и здесь не подтверждены независимой проверкой. Репозиторий содержит веса в формате safetensors; метаданные указывают Apache-2.0. Для развёртывания и оценки медицинских выводов необходима отдельная проверка качества в целевом сценарии; README также предостерегает от использования в интернет-сервисах без соответствующих проверок и согласований.

Cohere Transcribe Arabic 07-2026 GGUF — это квантизированная версия модели автоматического распознавания речи CohereLabs/cohere-transcribe-arabic-07-2026, разработанной Cohere Labs и адаптированной для запуска через C++-runtime CrispASR. Модель предназначена для транскрибации аудио, прежде всего арабской речи, на локальных системах с использованием CPU, Metal, CUDA или Vulkan. Модель содержит около 2 млрд параметров и использует архитектуру FastConformer-энкодер из 48 слоёв и причинный Transformer-декодер из 8 слоёв. Она принимает монофонический звук с частотой 16 кГц, использует 128 mel-признаков и поддерживает контекст декодера до 1024 токенов. Вариант поддерживает только языки Arabic и English; наличие токенов других языков в словаре не означает фактической поддержки. Заявленный результат исходной модели — около 11% WER на арабском подмножестве FLEURS. Доступны варианты с точностью F16, Q8_0 и Q4_K, включая Q4_K с Arabic-калиброванной importance matrix, которая рекомендуется для 4-битного запуска. GGUF удобен для локального инференса и сравнительно эффективен по памяти, однако качество квантованных вариантов может отличаться от эталонной точности. Для работы требуется CrispASR или совместимый runtime; модель не предназначена для языков, кроме Arabic и English, а неверно указанный язык может приводить к правдоподобным, но ошибочным результатам. Распространяется по лицензии Apache 2.0.

Donut-handball-pv — модель Bienvenu2004, дообученная на базе naver-clova-ix/donut-base для преобразования изображений в текст. Архитектура VisionEncoderDecoder предназначена для задач, где нужно извлекать текстовое представление из изображения; карточка не описывает конкретный формат входных изображений или целевой текст. Модель опубликована в формате safetensors и распространяется по лицензии MIT. README не содержит сведений о специализации, обучающих данных, качестве или ограничениях; название репозитория указывает на связь с гандболом, но не позволяет определить конкретную задачу модели.

Карточка модели myy555/FastVLM-0.5B на Hugging Face совпадает с карточкой apple/FastVLM-0.5B, поэтому описание составлено по ней. FastVLM-0.5B — компактная визуально-языковая модель Apple из семейства FastVLM, представленная в работе «FastVLM: Efficient Vision Encoding for Vision Language Models» на CVPR 2025. Она сочетает гибридный визуальный энкодер FastViTHD с языковой моделью Qwen2 и предназначена для диалога по изображениям и ответов на вопросы о визуальном содержимом. Модель содержит около 494 млн параметров и имеет контекст длиной до 32 768 токенов. FastViTHD сокращает число визуальных токенов и ускоряет обработку изображений высокого разрешения. В оценках авторов FastVLM-0.5B показала результаты на Ai2D, ScienceQA и MMMU; README также сообщает о более быстром TTFT по сравнению с LLaVA-OneVision-0.5B. Репозиторий содержит веса safetensors и указывает библиотеку ml-fastvlm. Модель принимает изображения и текстовые запросы, а ответы генерирует текстом. Лицензия — apple-amlr; перед использованием следует проверить её условия, особенно для коммерческих сценариев. Результаты бенчмарков относятся к оценкам авторов и не гарантируют качество на конкретных данных.

por62/GigaAM-v3-e2e-rnnt-vllm — версия GigaAM-v3, подготовленная для запуска в контейнере vLLM. Это модель распознавания речи на основе Conformer с декодером RNN-T и сквозной обработкой аудио: она преобразует русскую речь в нормализованный текст с пунктуацией. В README указано, что семейство GigaAM-v3 разработано на основе предварительного обучения на русской речи с целью HuBERT-CTC; эта версия соответствует варианту e2e_rnnt. Метаданные репозитория указывают 151,2 млн параметров и формат safetensors. Модель предназначена для транскрибации русской речи в разных акустических условиях, включая разговоры в колл-центрах, фоновую музыку и естественную речь. README сообщает об улучшении среднего качества на новых доменах и приводит результаты сравнений, однако численные показатели могут зависеть от тестового набора и условий оценки. Метаданные также отмечают английский язык, но README описывает обучение и основные сценарии для русской речи. Лицензия — MIT.