I.15Доступность и ассистивные технологии

GLM-4.1V-9B-Thinking — мультимодальная модель с открытыми весами от Zhipu AI, дообученная на базе GLM-4-9B-0414 для рассуждений по тексту и изображениям. Она предназначена для визуальных вопросов и ответов, решения сложных задач и мультимодальных сценариев с длинным контекстом. Модель семейства GLM-4V имеет плотную архитектуру и около 9 млрд параметров. Она принимает изображения произвольного соотношения сторон разрешением до 4K и поддерживает контекст до 64 тыс. токенов. Заявлена двуязычная работа на китайском и английском языках; для запуска в README приведён пример с библиотекой Transformers. Разработчики сообщают о сильных результатах в математике и на визуальных бенчмарках, включая задачи, где модель сопоставима с более крупными системами. Это заявление основано на оценках авторов и не гарантирует аналогичное качество во всех прикладных сценариях. Модель распространяется по лицензии MIT.

Карточка модели Audio8/GPA-v1.5 на Hugging Face совпадает с карточкой Edge0/GPA-v1.5, поэтому описание составлено по ней. GPA v1.5 — разработанная AutoArk-AI единая авторегрессионная аудиоязыковая модель для распознавания речи и синтеза речи. Репозиторий содержит чекпойнт для PyTorch и Hugging Face Transformers, а также поддерживает дообучение через Trainer. В метаданных указаны архитектура ArkASR, около 504,7 млн параметров, контекст 32 768 токенов и форматы PyTorch и Safetensors; базовая модель — Qwen/Qwen3-0.6B. Модель предназначена для преобразования речи в текст и генерации речи по тексту с условием на референсный голос. В README описаны сценарии локального запуска и развёртывания сервисов, а также приведены оценки ASR на англоязычном LibriSpeech и китайском AISHELL-1. Карточка заявляет поддержку английского и китайского языков. Указанная лицензия — Apache-2.0. В нативной версии GPA v1.5 преобразование голоса пока обозначено как планируемая функция, поэтому не следует считать его доступной возможностью этого чекпойнта. Для работы TTS требуются отдельные ресурсы токенизатора Spark; оптимизированные ONNX-файлы размещены в отдельном репозитории.

hviske-v5.1 — модель автоматического распознавания датской речи, разработанная syvai. Это 2-миллиардная модель архитектуры Conformer encoder-decoder, обученная примерно на 3,5 млн аудиозаписей общей длительностью около 16 тыс. часов из набора syvai/danish-asr-unified. Она преобразует аудио в текст и предназначена для транскрибации датской речи, в том числе разговоров и чтения вслух. Модель принимает аудио, автоматически разбивает записи длиннее 35 секунд на фрагменты и выполняет внутреннее преобразование частоты дискретизации в 16 кГц. Для запуска описана поддержка Transformers 4.57.6 и сервера vLLM с API, совместимым с OpenAI. Указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Автор рекомендует более новую версию hviske-v5.3; версия v5.1 сохранена как основа для последующих дообучений и воспроизводимости.

InternVL3-2B — мультимодальная диалоговая модель OpenGVLab, дообученная на основе OpenGVLab/InternVL3-2B-Instruct. Она предназначена для ответов на вопросы по изображениям, визуального рассуждения и диалогов, сочетающих текст с изображениями; семейство также поддерживает анализ нескольких изображений и видео. Архитектура следует схеме ViT-MLP-LLM: InternViT-300M-448px-V2_5 соединён через MLP-проектор с языковой частью Qwen2.5-1.5B. Модель принимает текст и изображения и генерирует текст; в карточке Hugging Face для неё указаны задачи image-text-to-text и text-generation. В README заявлены возможности мультимодального восприятия и рассуждения, понимания длинного контекста, работы с инструментами, GUI-сценариями, промышленными изображениями и 3D-визуальным восприятием. Поддержка видео и нескольких изображений описана для архитектуры InternVL3, но конкретные ограничения входного формата и длина контекста для этого репозитория не приведены. Метаданные указывают мультиязычность и лицензию Apache-2.0.

InternVL3-78B-Instruct — мультимодальная чат-модель OpenGVLab, версия SFT семейства InternVL3. Она сочетает визуальный энкодер InternViT и языковую модель в архитектуре ViT-MLP-LLM; в этой версии использована плотная архитектура InternVLChatModel. Модель дообучена на базе OpenGVLab/InternVL3-78B-Pretrained и не проходила этап MPO. Разработчики рекомендуют использовать основную версию InternVL3-78B, если нет особой причины выбирать эту SFT-версию. Модель принимает текст, изображения и видео и формирует текстовые ответы. Она предназначена для диалога по изображениям и видео, визуального восприятия и рассуждений, понимания длинного контекста, анализа промышленных изображений и научных диаграмм, работы с GUI и 3D-сценами, а также использования инструментов. Динамическая обработка изображений разбивает их на фрагменты размером 448×448 пикселей; поддерживаются несколько изображений и видеоданные. Карточка заявляет многоязычную поддержку, но не перечисляет отдельные языки и размер контекстного окна. Модель распространяется в формате safetensors для Transformers. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке репозитория Hugging Face.

Kotoba-Whisper-v2.1 — японская модель автоматического распознавания речи, разработанная Kotoba Technologies совместно с Асахи Усио. Она основана на kotoba-tech/kotoba-whisper-v2.0 и использует архитектуру Whisper с 905,2 млн параметров. Встроенный конвейер дополнительно расставляет пунктуацию в распознанном тексте. Модель предназначена для транскрибации японской речи. В README приведены оценки CER на японских тестовых наборах CommonVoice 8, JSUT Basic 5000 и ReazonSpeech; для нормализованного CER результаты совпадают с версией v2.0, поскольку добавленная пунктуация при нормализации удаляется. Модель доступна через Transformers версии 4.39 и новее. Лицензия — Apache-2.0.

llava-phi-3-mini — мультимодальная модель семейства LLaVA, разработанная XTuner. Она дообучена на базе microsoft/Phi-3-mini-4k-instruct и использует визуальный энкодер CLIP ViT-Large patch14-336; обучение проводилось на данных ShareGPT4V-PT и InternVL-SFT. Модель содержит 3,7 млрд параметров, использует плотную архитектуру LlavaLlamaForCausalLM и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы в диалоговом формате. Модель предназначена для вопросов и ответов по изображениям, описания визуальных сцен и решения задач визуального понимания. Разрешение визуального энкодера составляет 336 пикселей, а длина контекста — 4096 токенов. Репозиторий представлен в формате safetensors и официальном формате LLaVA. Лицензия в предоставленных данных не указана.

Lumian2-VLR-7B-Thinking — экспериментальная мультимодальная модель для визуального рассуждения, разработанная prithivMLmods на базе Qwen2.5-VL-7B-Instruct. Это плотная модель семейства Qwen2.5-VL с 7,1 млрд параметров, обученная методом SFT на визуально обоснованных цепочках рассуждений и дополнительно оптимизированная с помощью GRPO. Она принимает изображения и текст, поддерживает контекст до 128 000 токенов и рассчитана прежде всего на английский язык. Модель формирует текстовые ответы с пошаговыми рассуждениями, привязанными к областям изображения и структуре документов. Её сценарии включают описание изображений, вопросы и суммаризацию по видеокадрам, извлечение сведений из документов, анализ таблиц и диаграмм, а также визуальное обоснование решений. В карточке также заявлены многоязычное рассуждение и применение в робототехнике и мобильной автоматизации. Модель может ошибаться при низком разрешении или перекрытии объектов, иногда теряет точность визуальной привязки, а обработка длинных видео и больших пакетов документов требует много памяти; для устройств с ограниченными ресурсами она не оптимальна. Распространяется по лицензии Apache-2.0.

Moonshine Streaming Small — модель автоматического распознавания речи (ASR), разработанная Useful Sensors и представленная в формате GGUF командой handy-computer для работы с transcribe.cpp. Модель предназначена для преобразования английской речи в текст в пакетном и потоковом режимах, включая сценарии с низкой задержкой на периферийных устройствах. Это encoder-decoder модель примерно на 123 млн параметров с лёгким аудиофронтендом 50 Гц, эргодическим Transformer-энкодером со скользящим окном внимания и авторегрессионным декодером. Энкодер и декодер имеют по 10 слоёв; размерность скрытого состояния составляет 620 у энкодера и 512 у декодера. На вход подаётся монофонический WAV с частотой дискретизации 16 кГц. Поддерживается только английский язык; перевод, многоязычное распознавание, определение языка и временные метки не поддерживаются. Модель ориентирована на потоковое распознавание и использование на CPU или другом локальном оборудовании. Для LibriSpeech test-clean показатель WER составляет 2,53% в форматах F32 и F16 и 2,54% для Q8_0; доступны варианты размером 562, 282 и 199 МБ соответственно. К ограничениям относятся работа только с английской речью, отсутствие перевода и timestamps, а также необходимость предварительно подготовить аудио в формате 16 кГц mono WAV и использовать совместимое программное обеспечение transcribe.cpp. Лицензия модели — MIT, унаследованная от базовой модели UsefulSensors/moonshine-streaming-small.

MOSS-Transcribe-Diarize GGUF — квантизированная версия модели OpenMOSS-Team/MOSS-Transcribe-Diarize, подготовленная handy-computer для запуска через transcribe.cpp. Это офлайн-модель автоматического распознавания речи с диаризацией говорящих, предназначенная для обработки английской и китайской речи, расшифровки аудиозаписей, выделения сегментов и определения говорящих в каждом сегменте. Модель имеет общий размер около 0,9 млрд параметров и сочетает аудиоэнкодер Whisper Medium с 24 слоями и размерностью скрытого состояния 1024, temporal merge 4x, VQAdaptor и декодер Qwen3-0.6B с 28 слоями. Она работает с аудио и генерирует текст вместе с маркерами временных сегментов и идентификаторами говорящих; runtime преобразует их в структурированные результаты. Поддерживаются сегментные временные метки и опциональная диаризация. Сильными сторонами являются локальная работа без обращения к внешним сервисам, поддержка диаризации и несколько вариантов GGUF-квантизации. Для LibriSpeech test-clean заявленная WER составляет от 1,93% для Q8_0 до 2,59% для Q4_K_M; для сохранения качества рекомендуется Q5_K_M или более точная версия. Модель не поддерживает потоковую обработку, перевод и автоматическое определение языка. Для работы требуется transcribe.cpp; входные записи должны быть преобразованы в моно WAV с частотой 16 кГц. Модель распространяется по лицензии Apache-2.0.

OpenAI o4 Mini High — вариант модели рассуждений OpenAI o4-mini с параметром reasoning_effort, установленным на high. Это компактная модель семейства o-series, рассчитанная на быстрые и экономичные ответы с усиленным пошаговым рассуждением. В метаданных каталога для неё указана задача image-text-to-text. Модель предназначена для задач, где полезны рассуждение и работа с визуальным вводом и текстом. README сообщает, что это тот же вариант, что o4-mini, с повышенным уровнем reasoning effort; сведения об архитектуре, размере, контекстном окне, языках и условиях лицензии в предоставленных источниках отсутствуют.

FreedomAISVR/Qwen3.5-4B-NVFP4-GGUF — квантованная сборка мультимодальной модели Qwen3.5-4B, опубликованная FreedomAISVR. Веса представлены в формате GGUF с квантизацией NVFP4; для понимания изображений в репозитории также есть проектор mmproj в F16. Модель основана на Qwen/Qwen3.5-4B и использует гибридную архитектуру Gated DeltaNet и Gated Attention. Карточка заявляет контекст до 262 144 токенов и поддержку 201 языка. Модель предназначена для диалога и генерации текста, а при использовании вместе с проектором — для описания изображений и ответов на вопросы по ним. NVFP4 ориентирован на ускорение на видеокартах NVIDIA Blackwell; карточка рекомендует другие форматы для более старых GPU и CPU. Заявленные характеристики производительности и сохранения качества относятся к описанию автора и не сопровождаются в карточке результатами независимой оценки. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3.5 Plus — модель серии Qwen3.5 с поддержкой зрения и языка, построенная на гибридной архитектуре, сочетающей линейное внимание и разреженную смесь экспертов. В карточке модель описана как часть серии native vision-language Plus, ориентированной на более эффективный вывод. Модель предназначена для задач, где нужно совместно обрабатывать визуальные данные и текст. Доступные сведения не позволяют уточнить конкретные сценарии, размер, контекст, языки или условия лицензии.

Это предварительно квантованная версия Qwen/Qwen3-Omni-30B-A3B-Instruct, подготовленная с помощью NVIDIA ModelOpt и предназначенная для запуска на графических процессорах NVIDIA Blackwell, включая RTX 5090, B100 и B200. Модель семейства Qwen3-Omni с архитектурой MoE принимает текст, изображения, аудио и видео, а выдаёт текст и речь. Размер исходной модели — 30 млрд параметров, из которых около 3 млрд активируются на токен; NVFP4 W4A8 уменьшает размер чекпойнта примерно до 27 ГБ с примерно 60 ГБ у версии BF16. Квантированы веса экспертов и attention в Thinker; lm_head, маршрутизаторы MoE и остальные этапы оставлены без квантования. Для калибровки использовались английские и китайские запросы. Чекпойнт рассчитан на инференс с аппаратной поддержкой FP4 и не подходит для RTX 4090, A100 и H100; для этих ускорителей автор рекомендует вариант FP8. Модель распространяется по лицензии Apache-2.0.

Sarvam-Translate — модель перевода, разработанная Sarvam AI совместно с AI4Bharat на основе дообученной Gemma 3 4B IT. Она предназначена для перевода целых документов и длинных текстов между английским и индийскими языками с учётом контекста, стиля и структуры исходного материала. Максимальная длина контекста — 8 тысяч токенов; модель работает с текстом в форматах Markdown, распознанными текстами с ошибками OCR, материалами с математическими и химическими формулами, а также с файлами кода, переводя в них только комментарии. Модель поддерживает английский и 22 официальных языка Индии, включая ассамский, бенгальский, хинди, тамильский и урду. Открытая версия поддерживает направления с английского на индийские языки и обратно; для перевода между индийскими языками README рекомендует переводить через английский. Основана на мультимодальной архитектуре Gemma 3, но заявленная задача этой версии — текстовый перевод. Распространяется по лицензии GPL-3.0.

LocateAnything-3B — разработанная NVIDIA Labs в рамках семейства Eagle компактная трансформерная модель «зрение–язык» для локализации объектов по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, привязка текстовых описаний к областям изображения и разметка визуальных элементов. Модель дообучена на базе Qwen/Qwen2.5-3B-Instruct; архитектура включает визуальный энкодер MoonViT, языковую модель и MLP-проектор. Веса представлены в формате safetensors. Модель принимает изображение и запрос на естественном языке, а выдаёт текст с метками и структурированными координатами рамок или точек. Поддерживаются поиск объектов по категориям и описаниям, плотное обнаружение в загруженных сценах, привязка элементов интерфейса и локализация текста в документах. Механизм Parallel Box Decoding предсказывает координаты блоками, что, согласно карточке, повышает пропускную способность до 2,5 раза относительно предшествующих подходов. Карточка сообщает о поддержке изображений исходного разрешения до 2,5K, запросов до 24K токенов и генерации до 8192 токенов. Основной указанный язык — английский. Модель предназначена для исследований и разработки. В метаданных указана лицензия other; конкретные условия использования следует сверить с лицензией в репозитории. Для запуска README приводит тестовое оборудование H100, поэтому требования к ресурсам могут быть существенными.

TranslateGemma-4B-IT — модель Google Translate из семейства компактных моделей перевода TranslateGemma, созданная на основе Gemma 3 и дообученная на параллельных текстах. Она предназначена для перевода между 55 языками, в том числе для извлечения текста из изображения с последующим переводом. Модель принимает текст или изображение; для изображений указано разрешение 896 × 896 пикселей. Контекст составляет 2 тысячи токенов, результатом является переведённый текст. Компактный размер позволяет запускать модель на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре. Для работы предусмотрен шаблон диалога Gemma, поддерживаемый Transformers. Среди ограничений — возможные ошибки на неоднозначных выражениях, тонких языковых нюансах и сложных запросах, а также влияние пробелов и предвзятости обучающих данных. Лицензия — Gemma; применяются условия использования Gemma.

qantev/trocr-large-spanish — крупная модель распознавания печатного испанского текста на изображениях, разработанная Qantev. Это дообученная версия архитектуры TrOCR, представленной Li и соавторами: Transformer-энкодер изображения извлекает признаки из патчей, а авторегрессионный Transformer-декодер формирует последовательность текстовых токенов. Модель обучали на синтетических изображениях, созданных из 2 млн текстовых фрагментов, извлечённых из испаноязычных страниц Википедии. Модель предназначена для OCR печатного текста на испанском языке, включая отдельные слова и короткие фрагменты. Её нужно применять вместе с моделью обнаружения текста, которая выделяет области для распознавания. В README приведено сравнение вариантов TrOCR на XFUND на испанском языке; авторы предупреждают, что ошибки разметки в этом наборе данных могут влиять на результаты. Модель не обучалась на рукописном тексте и может ошибаться при распознавании рукописи, двух строк текста и вертикального текста. Распространяется по лицензии MIT.

nguyenvulebinh/wav2vec2-bartpho — модель распознавания вьетнамской речи, разработанная пользователем nguyenvulebinh на Hugging Face. Это последовательная архитектура speech-encoder-decoder: аудио подаётся на вход, а модель выдаёт текст. Карточка указывает поддержку нормализации распознанного текста, временных меток и сегментации речи нескольких говорящих. Модель предназначена для автоматической транскрибации вьетнамской речи, в том числе с разметкой времени и разделением реплик по говорящим. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Wav2Vec2-Base-VoxPopuli-Finetuned — модель распознавания речи, разработанная Facebook AI. Она основана на архитектуре Wav2Vec2 Base: предварительно обучена на 10 тысячах часов неразмеченной речи из корпуса VoxPopuli, а затем дообучена на расшифрованных англоязычных данных. Модель преобразует аудиозапись на английском языке в текст и предназначена для автоматической транскрибации речи, в том числе записей, подобных материалам Common Voice. Она содержит 113,3 млн параметров и использует архитектуру Wav2Vec2ForCTC. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не приводит оценки точности и подробных ограничений качества; применимость к языкам, отличным от английского, не заявлена.

Модель facebook/wav2vec2-large-robust-ft-swbd-300h — акустическая модель распознавания речи на архитектуре Wav2Vec2 Large Robust с CTC-выходом. Её разработала Facebook; модель дообучена на 300 часах телефонных разговоров из корпуса Switchboard после предобучения на Libri-Light, Common Voice, Switchboard и Fisher. Размер модели — 402,7 млн параметров. Модель предназначена для преобразования речи в текст, прежде всего телефонных разговоров на английском языке. Для входного аудио требуется частота дискретизации 16 кГц. Доступны веса PyTorch, лицензия Apache-2.0. Карточка не приводит результатов оценки качества и не описывает работу с другими языками или шумовыми условиями за пределами перечисленных корпусов.

alokmatta/wav2vec2-large-xlsr-53-sw — модель распознавания речи на суахили, созданная дообучением facebook/wav2vec2-large-xlsr-53 на датасетах ALFFA, Gamayun и IWSLT. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; входные записи должны иметь частоту дискретизации 16 кГц. Она предназначена для автоматического распознавания речи на суахили. Доступны версии весов PyTorch и Flax. Модель выпущена под лицензией Apache-2.0. Карточка указывает использование датасетов для дообучения, но не приводит оценок качества или известных проблем распознавания.

Whisper ACFT — это набор моделей автоматического распознавания речи в формате TFLite (LiteRT), разработанный на основе чекпойнтов FUTO Audio-Context Fine-Tuned Whisper. Репозиторий содержит варианты tiny, base и small для многоязычного распознавания, а также tiny.en, base.en и small.en для английского языка. Конвертацию в графы LiteRT выполнил проект LiteRT-LM-Unity; переобучения при конвертации не проводилось. Модели предназначены для локального распознавания речи, включая короткие голосовые команды и аудиофрагменты длительностью до 5, 10 или 30 секунд. В отличие от стандартного Whisper, использующего окно 30 секунд, ACFT-чекпойнты дообучены для работы с укороченными окнами и снижения проблем с повторениями на коротких входах. Каждый вариант разделён на сигнатуры encode и decode, поддерживает 80 mel-каналов и использует фиксированный размер входа: 500, 1000 или 3000 кадров для окон 5, 10 и 30 секунд соответственно. Все файлы используют динамическое квантование: int8-веса при вычислениях с fp32-активациями. Размер моделей составляет примерно 57–58 МБ для tiny, 97–99 МБ для base и 273–276 МБ для small. Многоязычные варианты имеют словарь размера 51865 и поддерживают языковые и task-токены; варианты .en используют словарь 51864 и предназначены только для английского. Сильными сторонами являются поддержка коротких аудиофрагментов, работа в LiteRT/TFLite и наличие нескольких компромиссов между размером и качеством. Ограничения включают фиксированное окно входа для каждого файла, необходимость корректно подготавливать mel-спектрограмму и отсутствие KV-cache: декодер полностью выполняется заново на каждом шаге. Модели распространяются по лицензии Apache-2.0.

itayinbar/whisper-base-he — модель распознавания речи на иврите, разработанная на основе OpenAI Whisper Base. Авторы заменили исходный мультиязычный словарь Whisper на ивритский byte-level BPE из 8 192 токенов и дообучили модель на 3 112,7 часа человеческой расшифровки иврита. В README указано 50,2 млн параметров; в метаданных — 29,4 млн, поэтому размер модели указан в источниках по-разному. Модель преобразует аудиозаписи на иврите в текст. Она предназначена для расшифровки речи, в том числе длинных записей и аудио из собраний и сообщений. README приводит результаты оценки на нескольких наборах данных и сообщает о высокой скорости на RTX 5070 Laptop; эти показатели относятся к указанным тестам и оборудованию. Репозиторий содержит форматы ONNX и Safetensors, библиотека — Transformers. Лицензия Apache-2.0. Модель специализирована на иврите; характеристики распознавания других языков в карточке не заявлены.

Sandiago21/whisper-large-v2-greek — дообученная модель распознавания речи на основе openai/whisper-large-v2. Она принимает аудио и преобразует речь в текст; дообучение выполнено на датасете FLEURS. Модель содержит 905,2 млн параметров и распространяется в форматах PyTorch и safetensors. Модель предназначена для транскрибации греческой речи. В README приведены результаты на оценочной выборке: WER 0,1774, WER Ortho 0,2102 и loss 0,2734. Лицензия — Apache-2.0. Подробные сведения об условиях записи, поддерживаемых вариантах греческого языка и ограничениях в карточке отсутствуют.

ivrit-ai разработала эту модель как дообученную версию OpenAI Whisper large-v3 для распознавания речи на иврите. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration и примерно 905,2 млн параметров; она принимает аудио и преобразует его в текст. Модель обучена на наборах расшифровок публичных аудиозаписей, чтения фрагментов Википедии и пленарных заседаний Кнессета. Модель предназначена прежде всего для транскрибации аудио на иврите, в том числе публичных выступлений и записей заседаний. Для работы следует явно задавать язык Hebrew. По сравнению с исходной Whisper large-v3, способность определять язык ухудшилась, а перевод аудио не обучался и работает неудовлетворительно. Лицензия — Apache-2.0.

onnx-community/whisper-large-v3-turbo — это версия модели Whisper large-v3-turbo с весами в формате ONNX, подготовленная для совместимости с библиотекой Transformers.js. Репозиторий основан на модели openai/whisper-large-v3-turbo и поддерживается сообществом onnx-community. Модель предназначена для использования в веб-приложениях и других сценариях, где требуется запуск через Transformers.js с ONNX-весами. README не содержит подробных сведений об архитектуре, размере, поддерживаемых языках, модальностях, длине контекста, производительности или ограничениях исходной модели. Указано, что отдельный репозиторий с ONNX-весами является временным решением до более широкого распространения WebML. Лицензия в предоставленных данных не указана.

Модель bayartsogt/whisper-medium-mn-10 — дообученная версия Whisper Medium, разработанная на основе openai/whisper-medium для распознавания речи. Она принимает аудио и генерирует текст; в метаданных указаны датасеты Common Voice 11.0, FLEURS и два монгольских набора данных. Модель содержит 455,8 млн параметров и распространяется в формате PyTorch по лицензии Apache-2.0. На оценочном наборе указаны WER 21,26 и CER 6,88. Модель предназначена прежде всего для автоматической транскрипции речи, в том числе монгольской. В README отсутствуют подробности о составе обучающих данных, рекомендуемых сценариях и ограничениях; показатели оценки сами по себе не гарантируют точность на других аудиозаписях.

Azerbaijani Whisper Small — модель распознавания речи на азербайджанском языке, созданная дообучением openai/whisper-small. Она использует архитектуру Whisper с 153,1 млн параметров и предназначена для преобразования азербайджанской речи в текст; в README приведены результаты оценки на тестовой части FLEURS Azerbaijani. Для работы требуется аудио с частотой 16 кГц и одним каналом: аудио с другой частотой дискретизации нужно предварительно пересэмплировать. Модель доступна в формате safetensors и рассчитана на использование через Transformers. Лицензия — Apache-2.0. README заявляет качество выше whisper-large-v3 при меньшем размере, однако приведённая таблица результатов неполная, поэтому это сравнение нельзя независимо проверить по карточке.

CapRL-Eval-3B — мультимодальная модель InternLM для ответов на вопросы по подписям к изображениям. Это дообученная версия Qwen2.5-VL-3B на основе подхода CapRL, который использует обучение с подкреплением и проверяемыми наградами; в карточке указаны архитектура Qwen2.5-VL и 3,1 млрд параметров. Модель принимает изображения и текст, формирует текстовые ответы и рассчитана на контекст до 128 000 токенов. Модель предназначена для визуальных вопросов и ответов, включая задачи по диаграммам, инфографике и документам; README отмечает более устойчивое форматирование ответов в ChartQA. Обучение на тщательно отфильтрованном наборе из 75 тысяч пар вопросов и ответов направлено на подробные и структурированные описания изображений с меньшим числом галлюцинаций. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0. Заявления о сравнении качества с крупными моделями приведены авторами и не являются независимой оценкой.