I.15Доступность и ассистивные технологии

DevQuasar/baidu.Unlimited-OCR-GGUF — это квантизированная версия модели baidu/Unlimited-OCR, опубликованная под пространством DevQuasar. По указанным данным, модель предназначена для задач image-text-to-text, то есть обработки изображений с генерацией текстового ответа, включая сценарии оптического распознавания символов (OCR). В README не указаны архитектура, размер модели, поддерживаемые языки, максимальная длина контекста, конкретные возможности распознавания, требования к ресурсам или результаты тестирования. Также не приведена информация о лицензии и условиях коммерческого использования. Поэтому сильные стороны, ограничения и точные сценарии применения модели невозможно достоверно оценить по имеющимся данным.

Bonsai-2-27B-1.75bit-JANG — локальная мультимодальная модель для диалога и рассуждений, опубликованная OsaurusAI. Это плотная условно-генеративная VLM на архитектуре Qwen3.8-27B: 64 блока, включая 48 GatedDeltaNet и 16 блоков полного внимания. Она принимает текст и изображения, поддерживает обработку видео, чат-шаблон с режимом рассуждений и интерфейсом вызова инструментов. Репозиторий содержит JANG-affine-представление тернарных весов исходной модели prism-ml/Ternary-Bonsai-2-27B-mlx-2bit. Текстовые матрицы упакованы с плотностью 1,75 бита на вес; при загрузке они без потерь разворачиваются в 2-битное представление MLX. Указанная в карточке библиотека — MLX, лицензия — Apache-2.0. Модель предназначена для локального диалога, визуальных вопросов и ответов, анализа изображений и видео, рассуждений и сценариев с инструментами. Для корректной работы необходим загрузчик с поддержкой JANG Hadamard и тернарной упаковки: README предупреждает, что стандартные загрузчики mlx_lm и mlx_vlm могут выдавать неверные результаты без явной ошибки. Указана проверка совпадения логитов с тернарным исходником на ограниченном наборе запросов; это не подтверждает качество на широком наборе задач.

Adalberto1811/gemma-4-12b-coach-alvin — дообученная модель на базе Google Gemma 4 12B с архитектурой Gemma4UnifiedForConditionalGeneration. Она предназначена для обработки изображений и текста и относится к задаче image-text-to-text. В карточке указано, что при обучении использовались Unsloth и библиотека TRL от Hugging Face; веса доступны в формате Safetensors. Модель подойдёт для сценариев, где нужно анализировать изображение и формировать текстовый ответ. Карточка не описывает специальные навыки, обучающие данные или конкретные сценарии применения. Лицензия — Apache-2.0.

GEV-26B-Decide — модель AutoTrust AI для классификации и принятия решений по заданным вариантам. Она принимает текстовые вопросы и изображения, поддерживает решения «да/нет», выбор из 2–256 вариантов и оценку по шкале 0–5; для каждого варианта выдаёт калиброванную вероятность. Модель основана на Gemma 4 26B A4B IT, использует архитектуру Gemma4 и формат safetensors. В каталоге указана задача text-classification, а карточка описывает API решений и адаптивное рассуждение. В режиме System 1 решение принимается за один проход. При включённом адаптивном режиме System 2 может дополнительно рассуждать, если уверенность System 1 ниже заданного порога; этот режим предназначен прежде всего для сложных вопросов по науке, коду, математике и логике. Модель может обрабатывать контексты до 256K токенов согласно карточке, однако контексты свыше 128K не проверялись. Для развёртывания через vLLM требуется сборка с поддержкой Gemma 4 и приложенный патч для LoRA на lm_head; для одной GPU требуется 80 ГБ или больше. Модель ориентирована на английский язык. Среди ограничений — возможные уверенные ошибки, ухудшение качества на некоторых задачах при включённом рассуждении, высокая задержка на сложных входах и непроверенная надёжность решений по изображениям. Не рекомендуется использовать её для решений с высокими последствиями без контроля уверенности. Лицензия — Apache-2.0.

Карточка модели HuggingFaceM4/idefics-80b на Hugging Face совпадает с карточкой HuggingFaceM4/idefics-9b, поэтому описание составлено по ней. IDEFICS-9B — мультимодальная модель Hugging Face для работы с изображениями и текстом, созданная как открытая реализация подхода Flamingo. Она принимает текст вместе с одним или несколькими изображениями и генерирует текстовые ответы; без изображений может использоваться как языковая модель. Модель предназначена для визуальных вопросов и ответов, описания изображений и создания историй, связанных с несколькими изображениями. Архитектура объединяет визуальный энкодер CLIP ViT-H/14 и языковую модель LLaMA-65B, связанные новыми блоками Transformer с перекрёстным вниманием. В карточке указано 9 млрд параметров; метаданные репозитория сообщают 6,6 млрд. Модель рассчитана на английский язык, обучалась в том числе на наборах OBELICS, Wikipedia, PMD и LAION-2B-en, а длина контекста составляет 2048 токенов. Она демонстрирует возможности few-shot обучения на визуально-текстовых задачах и может служить основой для дообучения на пользовательских данных. Модель не генерирует изображения. Её ответы могут содержать фактические ошибки и вредные стереотипы, поэтому их следует проверять. Лицензия указана как other; карточка отсылает к отдельному разделу License для условий использования.

LibreMoondream2 — копия весов Moondream 2, опубликованная LibreYOLO для использования в уровне LibreVLM. Репозиторий зеркалирует снимок vikhyatk/moondream2; README указывает, что обученные параметры не менялись. Это компактная мультимодальная модель семейства Moondream для анализа изображений, включая обнаружение объектов и ответы на вопросы по визуальному содержимому. Модель принимает изображения вместе с текстовыми запросами и выдаёт текстовые ответы, в том числе результаты обнаружения объектов. В примере использования задаются целевые классы, например человек и каска, после чего выполняется предсказание для изображения. Она основана на vikhyatk/moondream2 и распространяется в формате safetensors. Лицензия — Apache 2.0.

Nous-Hermes-2-Vision — мультимодальная vision-language модель, разработанная при руководстве qnguyen3 и teknium на основе OpenHermes-2.5-Mistral-7B от teknium. Модель объединяет языковую основу Mistral 7B с визуальным энкодером SigLIP-400M и предназначена для обработки изображений и текста. Модель рассчитана на визуальные диалоги, анализ содержимого изображений, ответы на вопросы по изображениям и автоматизацию сценариев с function calling. Благодаря обучению на данных LVIS-INSTRUCT4V, ShareGPT4V, частном наборе данных для function calling и диалогах OpenHermes-2.5 она также может формировать структурированные ответы по заданной схеме. Для работы используется шаблон запросов Vicuna-V1. Заявленный язык — английский. Ключевые характеристики включают архитектуру на базе Mistral-7B, визуальный модуль SigLIP-400M и мультимодальный режим работы с изображениями и текстом. Точный размер контекста и поддерживаемые форматы изображений в README не указаны. Авторы отмечают преимущество более компактного визуального энкодера по сравнению с традиционными энкодерами размером около 3B параметров, однако также предупреждают о возможной ошибке в инференсе, которая могла требовать исправления на уровне upstream. Модель распространяется по лицензии Apache-2.0.

Это модель распознавания речи, дообученная csikasote на базе facebook/mms-1b-all на наборе BIGC_MINI - BEM. Она использует архитектуру wav2vec2 с CTC-выходом и содержит 1,3 млрд параметров. Модель принимает аудио и преобразует речь в текст; в карточке указаны результаты оценки на тестовой выборке: Loss 34,8514 и CER 0,1197. Модель подходит для автоматической расшифровки аудио в сценариях, соответствующих данным BIGC_MINI - BEM. Базовая MMS-1B-All поддерживает более тысячи языков, однако README не уточняет, какие языки охватывает это дообучение. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

NABLA-VL — японская vision-language-модель компании NABLAS, созданная при финансовой поддержке GENIAC. Она дообучена на microsoft/phi-4 и визуальном энкодере SigLIP и предназначена для генерации текстовых ответов по изображениям, нескольким изображениям и видео. Модель подходит для визуальных вопросов и ответов, описания сцен и сопоставления сведений из нескольких визуальных материалов. В карточке приведены результаты оценки на мультимодальных бенчмарках, включая JDocQA, JMMMU, MMMU и наборы VQA; тестирование проводилось с оценщиком gpt-4o-2024-11-20. Указаны японский и английский языки, а лицензия — Apache License 2.0. Размер модели и длина контекста в предоставленных данных не приведены.

Nougat Small — модель семейства Nougat, разработанная командой Nougat для преобразования страниц научных PDF-документов в Markdown. Это версия 0.1.0-small; модель обучена на задаче транскрибации PDF в Markdown и предсказывает текст по изображению страницы. Архитектура состоит из визуального кодировщика Swin Transformer и текстового декодировщика mBART в схеме vision-encoder-decoder. Модель принимает изображение страницы и генерирует текстовую разметку Markdown. Лицензия — CC BY 4.0. Основное применение — извлечение и структурированная транскрибация содержимого научных документов. Карточка рекомендует использовать модель для преобразования PDF в Markdown; отдельные количественные характеристики и ограничения качества в README не приведены.

Ornith-Agents-A1 — объединённая мультимодальная модель, созданная автором карточки с помощью mergekit методом task arithmetic на базе Qwen/Qwen3.5-35B-A3B и с включением InternScience/Agents-A1 и deepreinforce-ai/Ornith-1.0-35B. Архитектура относится к семейству Qwen 3.5 MoE; метаданные указывают поддержку диалога и обработки изображений, а основной сценарий по pipeline_tag — генерация текста по текстовому и визуальному вводу. Модель предназначена для диалога, анализа изображений и агентных задач. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Карточка не сообщает размер модели, длину контекста и поддерживаемые естественные языки.

Parakeet TDT-CTC 0.6B (ja) — модель автоматического распознавания речи, разработанная командой NVIDIA NeMo. Она преобразует японскую речь в текст с пунктуацией и подходит для расшифровки аудиозаписей и дообучения на новых данных. Модель принимает монофонический WAV-аудиосигнал с частотой 16 кГц и выдаёт текстовую строку. В основе лежит гибридная архитектура FastConformer с декодерами TDT и CTC; размер модели — около 0,6 млрд параметров. TDT предсказывает длительность токенов, что позволяет пропускать часть пустых кадров и ускорять вывод. Модель обучена на более чем 35 тысячах часов японской речи из ReazonSpeech v2.0; для токенизации используется SentencePiece с 3072 токенами. В README приведены результаты CER на нескольких японских тестовых наборах, полученные жадным декодированием без внешней языковой модели. Для работы предусмотрен фреймворк NVIDIA NeMo; модель также может служить предобученным чекпойнтом для дообучения. Лицензия — CC BY 4.0. Распознавание ориентировано на японскую речь; качество на других языках и в условиях, не представленных тестами, не описано.

Qolda — ISSAI әзірлеген, қазақ, орыс және ағылшын тілдерінде жұмыс істеуге арналған 4,3 млрд параметрлі шағын көру-тілдік чат-модель. Ол OpenGVLab/InternVL3_5-4B негізінде дообучатылған: InternViT-300M көру энкодері мен MLP проекторын Qwen3-4B тілдік моделімен біріктіреді және InternVL фреймворкінде оқытылған. Модель мәтіндік диалогқа да, суреттер туралы сұрақтарға жауап беруге, визуалды мазмұнды талдауға және мәтіндік тапсырмаларды орындауға да арналған. README мәтіндік және визуалды бенчмарктерді қазақ, орыс және ағылшын тілдерінде келтіреді. Hugging Face метадеректері негізгі міндетін image-text-to-text деп белгілейді; чат мүмкіндігі де көрсетілген. Transformers және lmdeploy арқылы іске қосуға болады. lmdeploy серверінде API сұрауында enable_thinking параметрін extra_body ішінде нақты орнату қажет; тапсырма күрделілігіне қарай бос thinking жауабы қайтуы мүмкін. README лицензия шарттарын атамайды.

MLX-версия модели Qwen3.5-122B-A10B-6bit, преобразованная из Qwen/Qwen3.5-122B-A10B с помощью mlx-vlm 0.3.12. Модель опубликована сообществом mlx-community и предназначена для запуска в формате MLX, в частности через библиотеку mlx-vlm. По классификации pipeline_tag это мультимодальная модель image-text-to-text, способная обрабатывать изображения и генерировать текстовые ответы, например описания изображений. Из доступных данных известно обозначение размера исходной модели — 122B — и конфигурации A10B, а также 6-битное представление, однако подробности архитектуры, поддерживаемых языков, максимального контекста и качества не указаны. Ключевое преимущество этой версии — адаптация для экосистемы MLX и сниженная точность хранения, потенциально уменьшающая требования к памяти по сравнению с полноточными вариантами. Ограничения и фактическая производительность зависят от исходной модели и среды запуска; для использования требуется mlx-vlm. Модель распространяется по лицензии Apache-2.0.

Qwen-AgentWorld-35B-A3B-VL36 — экспериментальная мультимодальная модель, созданная автором репозитория havok2 путём переноса визуального блока из Qwen/Qwen3.6-35B-A3B в текстовую основу Qwen/Qwen-AgentWorld-35B-A3B. Это не дообучение: текстовые веса AgentWorld сохранены, а веса ViT и проектора добавлены без обучения. Архитектура — Qwen3.5 MoE с 35 млрд параметров; модель принимает текст и изображения, поддерживает диалоги и интерфейс вызова инструментов. В README также заявлен ввод видео. Карточка ориентирована на английский язык. Модель предназначена для агентных диалогов и работы с изображениями, включая описание объектов, цветов и их расположения, а также OCR. Для запуска автор приводит пример с vLLM версии 0.23 или новее. Веса опубликованы в формате safetensors в BF16, лицензия — Apache-2.0. Визуальный блок взят из поколения Qwen3.6, тогда как текстовая основа относится к поколению Qwen3.5. По README, модель прошла только базовые тесты на синтетических изображениях и не имеет бенчмарков; качество зрения может отличаться от нативно обученной VLM. Дополнительная настройка безопасности и оценка не проводились.

Карточка модели Soul-AILab/SoulX-Podcast-1.7B-dialect на Hugging Face совпадает с карточкой Soul-AILab/SoulX-Podcast-1.7B, поэтому описание составлено по ней. SoulX-Podcast-1.7B — модель Soul-AILab для синтеза речи в формате подкастов: она создаёт длинные диалоги с несколькими участниками и также поддерживает синтез монологов. В основе лежит плотная языковая архитектура Qwen3ForCausalLM с 1,7 млрд параметров; модель принимает текст и выдаёт речь. Контекст составляет до 40 960 токенов. Модель рассчитана на естественную многорепликовую речь с паралингвистическими элементами, например смехом и вздохами. Поддерживаются английский и китайский, включая диалекты сычуаньский, хэнаньский и кантонский; также заявлено клонирование голоса без предварительного обучения на образце, в том числе между китайскими диалектами. Репозиторий содержит форматы ONNX и Safetensors и распространяется по лицензии Apache-2.0. Авторы описывают применение для синтеза подкастов, персонализированной речи, вспомогательных технологий и лингвистических исследований. Потоковый вывод пока обозначен как планируемая функция; в README также указано, что модель предназначена для академических, образовательных и иных легитимных применений.

Swift-Qwen3.8-27B-Genesis-GGUF — мультимодальная модель для диалогов и понимания изображений и видео, созданная LuffyTheFox на основе ukisai/Swift-Qwen3.8-27b. Автор применил к GGUF-весам метод Genesis: численную обработку тензоров без переобучения. В README заявлена плотная причинно-языковая архитектура на 27 млрд параметров с визуальным энкодером, 64 слоями языковой модели, 48 слоями Gated DeltaNet и 16 слоями gated attention. Модель предназначена для диалоговых запросов, работы с изображениями и видео, а также других задач мультимодального понимания. Она принимает текст и изображения; README также заявляет понимание видео. Нативное контекстное окно составляет 262 144 токена, с возможностью расширения до 1 000 000 токенов при настройке совместимого фреймворка. Доступны файлы GGUF, включая вариант F16; запуск предусмотрен в llama.cpp, LM Studio и koboldcpp. Карточка заявляет снижение шума в весах и повышение стабильности, но не приводит независимых сравнительных оценок этих эффектов. Метаданные указывают английский и китайский языки, а также мультиязычную поддержку. Лицензия — Apache-2.0.

TEMPO SFT Stage 2 — дообученная модель Kaousheik на базе NVIDIA Audio Flamingo 3 для анализа речи, звуков и музыки с привязкой ответов ко времени. Архитектура Audio Flamingo 3 объединяет аудиокодировщик Whisper-large и Qwen2-7B; в этом варианте используется временной мультимодальный проектор. Модель принимает аудио и выдаёт текст с временными метками для пяти связанных задач: распознавания речи, диаризации говорящих, поиска временного интервала по текстовому запросу, плотного описания звуковых событий и анализа музыки. Вариант Stage 2 обучен на реальных данных и предназначен, в частности, для разметки разговоров и встреч, локализации событий в аудиозаписи и временного анализа музыкальных элементов. Модель рассчитана на английский язык. Токенизация времени ограничивает метки интервалами до 60 секунд, поэтому более длинные записи нужно разбивать на фрагменты. Качество распознавания многоголосой речи и определения аккордов ограничено; метки говорящих произвольны между разными клипами. Лицензия указана как other, конкретные условия в предоставленных материалах не раскрыты.

czczup/textnet-small — компактная модель TextNet для извлечения признаков изображения, предназначенная для обнаружения областей с текстом. В карточке описана архитектура TextNet с эффективным по числу параметров backbone; семейство включает варианты TextNet-T, TextNet-S и TextNet-B размером 6,8 млн, 8,0 млн и 8,9 млн параметров соответственно. Для данного репозитория точный вариант не уточнён. Модель рассчитана на обнаружение текста в естественных сценах, в том числе разнонаправленного и многоязычного, а также на анализ текстовых областей в документах. README сообщает о предварительном обучении на IC17-MLT и дообучении на Total-Text для сравниваемых вариантов TextNet. Утверждается, что архитектура сочетает скорость вывода с точностью, но конкретные метрики для этого чекпойнта не приведены. Входом служат изображения, выходом — признаки для задач обнаружения текста. Лицензия в предоставленных данных не указана.

TurkSpeak lv3-ITU_Mainframe — модель распознавания турецкой речи, созданная на базе Whisper large-v3. Это дообученная LoRA-версия примерно на 905,2 млн параметров, после чего сохранённые контрольные точки усреднили методом MAST; усреднение не увеличивает затраты при инференсе. Репозиторий содержит веса в формате safetensors. Модель предназначена для транскрибации турецкой спонтанной, эфирной и медицинской речи. По результатам README, она показала меньшую ошибку распознавания, чем исходная Whisper large-v3, на четырёх указанных тестовых наборах; результаты измеряли через faster-whisper с beam size 5 и fp16. Эти результаты характеризуют только приведённые наборы и настройки. Лицензия — Apache-2.0.

typhoon-asr-qwen-1.7b-ctx — модель распознавания тайской речи от Typhoon AI, созданная дообучением Qwen/Qwen3-ASR-1.7B-hf с LoRA. Она преобразует аудио в текст и поддерживает контекстное смещение распознавания: список имён и терминов передаётся в системном сообщении, а модель старается записать произнесённые элементы в указанном написании и игнорировать отвлекающие элементы. В README указано 2,07 млрд параметров; архитектура — плотная Qwen3-ASR, веса опубликованы в safetensors. Модель предназначена для транскрибации тайской речи, в том числе разговоров с именами и специальными терминами. В приведённых тестах она улучшает распознавание относительно исходной Qwen3-ASR-1.7B, особенно при контекстном смещении; результаты зависят от тестового набора и длины списка. Для контекстного режима формат строгий: список через пробелы в системном сообщении, затем отдельной строкой «Thai»; без списка достаточно указать «Thai». По README, до 50 элементов — предпочтительная длина списка. Лицензия — Apache-2.0.

VipLLaVA 13B — мультимодальная чат-модель, опубликованная llava-hf. Это авторегрессионная трансформерная модель семейства VipLLaVA, дообученная на инструкциях для работы с изображениями и текстом. VipLLaVA развивает подход LLaVA: при обучении используются изображения с визуальными отметками, а пользователь может задавать вопросы о них с помощью естественных подсказок, например указывая на красную рамку или стрелку. Модель предназначена для диалога по одному или нескольким изображениям: она отвечает на вопросы, описывает визуальные сцены и следует мультимодальным инструкциям. Поддерживает несколько изображений и запросов в одном контексте; для запуска в README описано использование Transformers. Репозиторий содержит веса в формате safetensors. Условия лицензии в предоставленных данных не указаны.

NhutP/ViWhisper-small — модель распознавания вьетнамской речи, созданная дообучением Whisper-small от OpenAI. Она предназначена для преобразования вьетнамской речи в текст, в том числе для транскрибирования аудиозаписей и обработки длинных файлов с разбиением на фрагменты. Модель построена на архитектуре Whisper, содержит 153,1 млн параметров и доступна в формате Safetensors для Transformers. При обучении использованы 1308 часов данных, включая набор VietSpeech и другие вьетнамские речевые данные; для части примеров синтезировали речь, чтобы добавить слова, отсутствовавшие в корпусе. В README приведены результаты WER на нескольких вьетнамских тестовых наборах. Модель распространяется по лицензии MIT. Карточка описывает распознавание речи; качество на других языках и вне указанных тестов не установлено.

Finnish-NLP/wav2vec2-xlsr-300m-finnish-lm — акустическая модель распознавания финской речи, разработанная Finnish-NLP на основе facebook/wav2vec2-xls-r-300m. Модель с архитектурой Wav2Vec2ForCTC содержит около 402,7 млн параметров и дообучена на 275,6 часах размеченной финской речи. В репозитории также есть финская языковая модель KenLM для декодирования распознанной речи. Модель предназначена для преобразования финской речи в текст, в том числе записей заседаний и коротких аудиофрагментов. При оценке на Common Voice 7.0 указана частота ошибок слов 8,16% с KenLM и 17,92% без неё. Обучающие аудиофрагменты ограничивались 20 секундами; основной корпус составили записи финского парламента, поэтому качество может снижаться на бытовой речи, диалектах, а также на речи женщин и детей. Для длинных записей может потребоваться разбиение аудио на фрагменты. Лицензия — Apache-2.0.

Карточка модели aung7090/whisper-large-v3-myanmar на Hugging Face совпадает с карточкой chuuhtetnaing/whisper-large-v3-myanmar, поэтому описание составлено по ней. chuuhtetnaing/whisper-large-v3-myanmar — дообученная модель распознавания речи на базе Whisper large-v3 от OpenAI. Она обучена на наборе chuuhtetnaing/myanmar-speech-dataset-openslr-80 и предназначена для транскрибации аудио на бирманском языке. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и доступна в формате safetensors для Transformers. В карточке указаны результаты оценки на тестовом наборе: loss 0,1752 и WER 54,8976. Модель принимает аудио и выдаёт текст; практическое качество распознавания зависит от записи и речи. Лицензия — Apache-2.0.

ArabicOCR-Qwen2.5-VL-7B-Vision — визуально-языковая модель на базе Qwen2.5-VL-7B, дообученная loay для распознавания арабского текста на изображениях. Для обучения использовались LoRA-адаптеры, объединённые с базовой моделью; репозиторий содержит веса float16 в формате safetensors. Модель принимает изображения с арабским текстом и выдаёт их текстовую транскрипцию. Её можно применять для извлечения текста из фотографий и сканов, содержащих арабскую письменность. Размер модели — 7,1 млрд параметров, заявленная длина контекста — 128 000 токенов. Лицензия — Apache-2.0. Для инференса в float16 README указывает требование более 14 ГБ видеопамяти. Модель специализирована на арабском OCR; её точность для других языков и типов изображений в предоставленных материалах не описана.

Bina 0.1 Koochik (بینا ۰.۱ کوچک) — модель для распознавания персидского текста и структуры документов. Её выпустил Reza2kn как BF16-версию, полученную слиянием LoRA-чекпойнта на шаге 8 000 с базовой моделью Surya OCR 2 от Datalab. Модель построена на архитектуре Qwen3.5ForConditionalGeneration и принимает изображения страниц документов; заявленная задача — image-text-to-text. Модель предназначена для OCR персидских документов, включая страницы из PDF и изображений. Она может выдавать распознанный текст и HTML, упорядоченные блоки, их типы, оценки уверенности и координаты рамок. Для запуска автор рекомендует пакет Surya OCR 2; описанный сценарий рассчитан на Linux или WSL2 с GPU NVIDIA и vLLM. Веса хранятся в формате BF16/Safetensors, лицензия — OpenRAIL. В README модель названа базовой точкой для сравнения с её квантованными и runtime-версиями. Работа на CPU и Apple Silicon через автоматический путь llama.cpp напрямую не поддерживается без отдельной конверсии в GGUF. Указан один обучающий чекпойнт на шаге 8 000; дополнительных оценок качества в карточке нет.

CLI-7B — мультимодальная модель с 7,1 млрд параметров от команды codefuse-ai, официальный чекпойнт фреймворка Cross-Layer Injection (CLI), представленного в статье для ECCV 2026. Модель построена на LLaVA-OneVision-Qwen2-7B: использует языковую часть Qwen2-7B и визуальный энкодер SigLIP-so400m-patch14-384. Архитектура CLI заменяет обычное соединение зрения и языка динамическим обменом между слоями: проекции AMP объединяют визуальные признаки, а механизм AGF выбирает признаки для подачи в декодер LLM. Модель предназначена для диалога и рассуждений по изображениям, в том числе для анализа диаграмм, графиков и документов, визуальных вопросов и ответов, а также общего описания изображений. Карточка сообщает о проверке на 28 мультимодальных бенчмарках и небольших дополнительных затратах памяти при инференсе. Поддерживается английский язык; контекст — 32 768 токенов. Для запуска необходима специальная реализация AMP и AGF из репозитория codefuse-ai/CLI: обычная загрузка как LlavaOneVision в Transformers не воспроизводит поведение CLI. Лицензия — Apache-2.0.

syv.ai, датская компания, дообучила Cohere Transcribe для распознавания речи с разметкой говорящих и временными метками слов. Модель на архитектуре Cohere ASR содержит 151,3 млн параметров и принимает аудио, выдавая транскрипцию с метками говорящих и временными отметками. Она предназначена для коротких аудиозаписей длительностью до 30 секунд; для более длинных записей в README предлагаются вспомогательные скрипты с разбиением на окна и сопоставлением голосов между ними. Указана поддержка английского языка. Модель подходит для расшифровки подкастов, интервью, встреч и других записей с несколькими участниками. README рекомендует развёртывание через vLLM и приводит результаты производительности на RTX 3090. Лицензия — Apache-2.0. Ограничения: предел одного прохода — 30 секунд; до четырёх говорящих поддерживаются лучше, а при пяти-восьми точность снижается, особенно при плотной речи с перекрытиями. Идентификаторы говорящих действуют только в пределах одного вызова модели; для длинных записей требуется дополнительное связывание сегментов.

FL33TW00D-HF/distil-whisper-large-v3 — это конвертация модели distil-whisper/distil-large-v3-ggml из формата GGML в пользовательский формат Ratchet. Разработчик и автор конвертации в карточке обозначены как FL33TW00D-HF; исходная модель связана с проектом distil-whisper. README не содержит подробных сведений об архитектуре, размере, модальностях, языках, длине контекста, назначении, сильных сторонах или ограничениях модели. Из названия и ссылки можно предположить принадлежность к семейству Distil-Whisper, однако конкретные характеристики этой версии в карточке не подтверждены. Модель распространяется по лицензии Apache-2.0.