I.15Доступность и ассистивные технологии

Карточка модели thoddnn/Qwen3.8-27B-bf16 на Hugging Face совпадает с карточкой mlx-community/Qwen3.8-27B-bf16, поэтому описание составлено по ней. Qwen3.8-27B-bf16 — мультимодальная модель семейства Qwen, опубликованная mlx-community и преобразованная из Qwen/Qwen3.8-27B для формата MLX. Это плотная модель с 27 млрд параметров на архитектуре Qwen3_5ForConditionalGeneration; она предназначена для диалогов и анализа изображений. Метаданные указывают поддержку vision и conversational-сценариев, а README описывает запуск через mlx-vlm. Модель принимает текст и изображения и формирует текстовые ответы. Базовая карточка характеризует исходную модель как подходящую также для анализа видео, программирования и многошаговых задач, однако карточка этой сборки подтверждает прежде всего обработку изображений и диалог. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0.

AtomicChat/Qwen3.8-27B-MLX-AD-3.80bpw-DWQ-13.7GB — мультимодальная плотная модель семейства Qwen3.5 на 27 млрд параметров, подготовленная AtomicChat на основе Qwen/Qwen3.8-27B для работы в формате MLX. Она предназначена для диалогов и задач, где нужно анализировать изображения и формировать текстовый ответ. Карточка также указывает поддержку vision и conversational-взаимодействия. Модель принимает текст и изображения, выдаёт текст. Репозиторий использует safetensors, а для базовой модели указана лицензия Apache-2.0. README описывает преобразование в MLX с помощью mlx-lm 0.31.3; сведений о контекстном окне и ограничениях качества карточка не приводит.

Карточка модели UBC-NLP/Simba-TTS-sot на Hugging Face совпадает с карточкой UBC-NLP/Simba-TTS-afr, поэтому описание составлено по ней. Simba-TTS-afr — модель синтеза речи на африкаанс из семейства Simba, разработанного UBC-NLP. Она преобразует текст в естественно звучащую речь и предназначена для голосовых интерфейсов и других сценариев озвучивания на африкаанс. В README модель отнесена к серии Simba-TTS и названа MMS-TTS; метаданные указывают архитектуру VITS, библиотеку Transformers и размер 3,5 млн параметров. Модель обучалась с использованием SimbaBench, набора данных для африканских языков. Модель принимает текст и генерирует аудио. README указывает африкаанс как целевой язык этой версии; серия ориентирована на африканские языки и языки с ограниченными ресурсами. Лицензия — CC BY 4.0. Метаданные помечают модель как automatic speech recognition, тогда как README описывает её назначение как text-to-speech; поэтому классификация задачи в каталоге может расходиться с назначением, заявленным авторами.

Step3 — мультимодальная модель рассуждений компании StepFun на архитектуре Mixture-of-Experts с 321 млрд общих и 38 млрд активных параметров. Она предназначена для анализа изображений вместе с текстом и ответов в диалоговом формате. В архитектуре используются Multi-Matrix Factorization Attention и Attention-FFN Disaggregation; заявленная цель этих решений — повысить эффективность генерации и снизить её стоимость. Для обработки изображений поддерживается разбиение на несколько патчей. Модель можно запускать через Transformers, vLLM и SGLang; карточка указывает поддержку инференса в bf16, а веса представлены в bf16 и block-fp8. Метаданные также отмечают интерфейс вызова инструментов. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает поддерживаемые естественные языки и длину контекста, поэтому эти характеристики здесь не уточняются.

Swa-CSM-1B — модель синтеза речи на суахили, разработанная Nadhari AI Lab и дообученная на базе Sesame CSM-1B. Она предназначена для преобразования текста в речь и может использоваться в приложениях озвучивания и голосовых помощниках, включая Soga. Модель использует основу Llama и аудиодекодер Mimi с RVQ-кодами. Для генерации можно передавать разговорный контекст; карточка сообщает, что это улучшает результат. Модель ориентирована на стандартный суахили, а качество на региональных диалектах может различаться. Унаследованы ограничения базовой CSM-1B. Лицензия — Apache-2.0.

titu_stt_bn_conformer_large — модель распознавания речи на архитектуре Conformer, разработанная Hishab для транскрибации аудио на бенгальском языке. Она обучена примерно на 4,4 тыс. часов открытых нетелефонных аудиоданных и предназначена для распознавания речи, а также может служить отправной точкой для дообучения на пользовательских наборах данных с помощью NeMo. В оценке на тестовых наборах из использованных датасетов модель показала средний WER 7,9%. В метаданных указана связь дообучения с nvidia/stt_en_conformer_ctc_large. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

UI-Venus-1.5-2B-GGUF — набор GGUF-квантизаций мультимодальной модели UI-Venus-1.5-2B, разработанной inclusionAI. Модель предназначена для задач image-to-text, то есть анализа изображений и генерации текстового описания их содержимого, включая сценарии локального запуска через llama.cpp. Модель основана на UI-Venus-1.5-2B и доступна в нескольких вариантах квантизации. Для работы требуются актуальные версии llama.cpp и отдельный файл mmproj; для максимального качества рекомендуется версия mmproj в формате F32, затем BF16 или F16. Квантизация снижает требования к ресурсам, но может уменьшать качество по сравнению с исходной моделью; конкретные размеры, архитектура, поддерживаемые языки и максимальная длина контекста в README не указаны. Лицензия и условия распространения в предоставленных данных не указаны.

tuman/vit-rugpt2-image-captioning — модель описания изображений на русском языке, разработанная автором репозитория tuman. Она обучена на русских переводах датасета COCO2014 и использует архитектуру VisionEncoderDecoder: визуальный энкодер и языковой декодер. Модель предназначена для генерации текстовой подписи к изображению. Энкодер инициализирован из google/vit-base-patch16-224-in21k, декодер — из sberbank-ai/rugpt3large_based_on_gpt2. В карточке приведены результаты на тестовых данных: BLEU 8,672 и BLEU precision 1 — 30,567. Для запуска автор предлагает библиотеку Transformers и pipeline image-to-text. Подходит для автоматического составления кратких русскоязычных описаний изображений, в том числе в сценариях, связанных с коллекцией COCO. Метрики указывают на ограниченное качество описаний; данных о более широких тестах и поддержке других языков в карточке нет. Лицензия в предоставленных сведениях не указана.

Модель ghananlpcommunity/w2v-bert-2.0_twi_alpha_v1_farmerline — дообученная FarmerlineML/w2v-bert-2.0_twi_alpha для автоматического распознавания речи. Это плотная архитектура Wav2Vec2-BERT с CTC-выходом, содержащая около 402,7 млн параметров и сохранённая в формате safetensors. По названию базовой модели она предназначена для распознавания речи на языке тви; данных о поддержке других языков нет. В карточке приведены результаты оценки: CER 0,073 и WER 0,2584; обучающий датасет не назван. Модель принимает аудио и выдаёт распознанный текст. Лицензия в предоставленных данных не указана.

ayameRushia/wav2vec2-large-xls-r-300m-el — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на греческой части Common Voice 8.0. Это плотная модель семейства wav2vec2 с архитектурой Wav2Vec2ForCTC, содержащая 402,7 млн параметров и работающая с аудиовходом. Модель предназначена для преобразования греческой речи в текст, в том числе для расшифровки записей, похожих на примеры из Common Voice. В README указана WER 31,1294% без языковой модели и 20,7340% с языковой моделью, а CER — 7,9509% и 6,0466% соответственно; для оценки использовался тестовый набор Common Voice 8.0. Модель распространяется под лицензией Apache-2.0.

AAkhilesh/wav2vec2-large-xls-r-300m-ta-colab — модель распознавания речи, дообученная на базе facebook/wav2vec2-xls-r-300m на наборе Common Voice. Она использует архитектуру Wav2Vec2ForCTC и предназначена для преобразования аудиозаписей в текст; по названию модели она ориентирована на распознавание тамильской речи. Модель содержит 402,7 млн параметров, распространяется в формате PyTorch и доступна по лицензии Apache-2.0. Карточка не приводит сведения о точности, условиях записи или подробной оценке качества, поэтому пригодность для конкретных аудиоданных следует проверять отдельно.

Wav2Vec2-Large-XLSR-53-galician — модель распознавания речи, созданная Diego Fustes дообучением facebook/wav2vec2-large-xlsr-53 на галисийском языке. Она принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; архитектура основана на Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель предназначена для автоматической транскрибации галисийской речи. В README приведён результат word error rate 16,79% на тестовой выборке OpenSLR SLR77. Доступны веса в форматах PyTorch, Flax и Safetensors. Лицензия — Apache-2.0.

wav2vec2-large-xlsr-moroccan-darija-v3 — модель распознавания речи на основе архитектуры Wav2Vec2ForCTC, дообученная Hassan Ait Nacer на базе hassanaitnacer/wav2vec2-large-xlsr-moroccan-darija-v2. Модель содержит 402,7 млн параметров и принимает аудио, преобразуя речь в текст. Она предназначена для автоматического распознавания марокканской дариджи; в карточке указана оценка WER 0,1312 на тестовой выборке, но описание набора данных и методики оценки отсутствует. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка содержит мало сведений о сценариях применения и ограничениях, поэтому качество на других данных и вариантах речи по указанной оценке определить нельзя.

Это модель автоматического распознавания речи на архитектуре Wav2Vec2ForCTC, дообученная на базе facebook/wav2vec2-xls-r-300m на наборе MOZILLA-FOUNDATION/COMMON_VOICE_8_0 — MR. Она преобразует входящее аудио в текст и предназначена для распознавания речи на языке маратхи. В карточке указаны результаты на оценочной выборке: loss 0,6693 и WER 0,5921. Модель содержит около 402,7 млн параметров, распространяется в формате PyTorch и доступна по лицензии Apache-2.0. Дата публикации на Hugging Face — 2 марта 2022 года. Высокое значение WER указывает на заметную долю ошибок распознавания на указанной оценочной выборке, поэтому качество следует проверять на аудио и сценариях целевого применения. Карточка не приводит дополнительных сведений о длине аудио, акустических условиях или использовании языковой модели, несмотря на суффикс «with-lm» в названии репозитория.

shhossain/whisper-base-bn — модель распознавания речи на основе Whisper, предназначенная для транскрибации аудиофайлов и речи с микрофона. Карточка предлагает использовать её через библиотеку banglaspeech2text и указывает возможность ускорения вывода на GPU. В метаданных указаны архитектура WhisperForConditionalGeneration, 51,7 млн параметров и формат PyTorch. Модель ориентирована на бенгальский язык; метаданные также отмечают английский. Для обучения или оценки указан Common Voice 11.0, а в README приведён результат WER 46 без дополнительных условий измерения. Лицензия — Apache-2.0.

neoform-ai/whisper-medium-yoruba — версия Whisper Medium, дообученная Oyemade Oyemaja на наборе Common Voice 17.0 для автоматического распознавания речи на языке йоруба. Модель принимает аудио и выдаёт текст; архитектура основана на WhisperForConditionalGeneration и содержит 455,8 млн параметров. Модель подходит для расшифровки записей и речи на йоруба, например для подготовки текстовых версий аудиоматериалов. Базовая Whisper Medium также поддерживает многоязычное распознавание и перевод речи, однако карточка этой версии подтверждает только дообучение для распознавания речи. Модель распространяется по лицензии Apache-2.0. README не содержит сведений об оценках качества и подробных ограничениях; качество распознавания может зависеть от акцента, условий записи и соответствия аудио языку обучения.

Это дообученная модель автоматического распознавания речи, созданная Andrew Bawitlung на основе openai/whisper-small и обученная на наборе MiZonal v3.0. В версии набора добавлен примерно час разговорной речи. Модель содержит 153,1 млн параметров и принимает аудио, выдавая его текстовую расшифровку; эксперимент E5 использует комбинированные аугментации: шум, изменение скорости и SpecAugment. Модель предназначена для транскрибирования речи на языке Lusoga (код lus), в том числе разговорной речи. На тестовом наборе автор сообщает WER 21,06, CER 7,30 и коэффициент реального времени 0,0263. Модель распространяется по лицензии Apache-2.0. README указывает, что подробности экспериментов и публикация находятся на этапе подготовки к рецензированию.

Rahul3215/whisper-small-telugu — дообученная Rahul3215 модель OpenAI Whisper Small для распознавания речи на телугу и преобразования аудио в текст. Она создана на основе openai/whisper-small с использованием Mozilla.ai Blueprint speech-to-text-finetune и обучена на 812 аудиопримерах на телугу. Модель использует архитектуру Whisper и доступна в формате safetensors через библиотеку Transformers. В README приведены результаты до и после дообучения: нормализованный WER снизился с 173,255 до 122,977, а нормализованный CER — со 142,764 до 83,015; значения после обучения всё ещё указывают на заметные ошибки распознавания. Лицензия — Apache-2.0.,

Munindra28/whisper-small-telugu-finetuned — модель распознавания речи на основе Whisper Small от OpenAI, дообученная на 450 аудиозаписях на телугу с помощью Mozilla.ai Blueprint для настройки распознавания речи. Она предназначена для преобразования речи на телугу в текст. В отчёте карточки после дообучения указаны WER 54,81 (нормализованный) и 94,4 (орфографический), CER 30,103 и 38,904 соответственно, а также loss 0,693; на тестовом наборе базовой модели показатели были хуже. Модель распространяется в формате safetensors по лицензии Apache-2.0. Небольшой объём обучающих данных и высокие значения ошибок указывают на ограничения точности; результаты могут зависеть от условий записи и состава речи.

Whisper Telugu Base — модель распознавания речи на телугу, созданная участниками Whisper fine-tuning sprint путём дообучения openai/whisper-base на открытых корпусах ASR. Она предназначена для преобразования речи на телугу в текст и оценки качества распознавания на тестовых наборах индийских языков и многоязычных речевых корпусов. Модель основана на архитектуре WhisperForConditionalGeneration, содержит 51,7 млн параметров и принимает аудио, выдавая текст. В репозитории представлены веса PyTorch и Flax; для оценки авторы указывают код из whisper-finetune. Обучающие данные включают CSTD IIIT-H, ULCA, Shrutilipi, Microsoft Speech Corpus для индийских языков, Google Fleurs и Babel; для оценки перечислены тестовые наборы Microsoft, Fleurs, OpenSLR и Babel. Модель распространяется по лицензии Apache-2.0. Результаты могут зависеть от качества записи и соответствия аудио телугу; в карточке не приведены численные метрики качества.

XLS-R Lao ASR — модель распознавания лаосской речи, разработанная SiangLao. Она дообучена на наборе SiangLao/lao-asr-thesis-dataset на базе facebook/wav2vec2-xls-r-300m и использует архитектуру Wav2Vec2 с выходным слоем CTC. Модель содержит 402,7 млн параметров и предназначена для преобразования аудиозаписей на лаосском языке в текст. В README указана частота ошибок на уровне символов (CER): 13,67% на валидационной выборке и 15,14% на тестовой. Модель подходит для расшифровки лаосской речи и создания текстовых транскриптов. Распространяется по лицензии Apache-2.0.

ZTE-AIM/7B-Curr-ReFT — мультимодальная языковая модель, разработанная ZTE-AIM совместно с Университетом науки и технологий Китая. Это объединённая модель на базе Qwen2.5-VL-3B-Instruct и Qwen2.5-VL-7B-Instruct, дообученная методом Curr-ReFT: сначала обучение с подкреплением по учебному плану с постепенным усложнением задач, затем самоулучшение на отклонённых примерах для сохранения исходных возможностей. Модель предназначена для диалога по изображениям, визуальных рассуждений, детального понимания изображений и решения мультимодальных задач. Архитектура Qwen2.5-VL, 7,1 млрд параметров, контекст до 128 000 токенов; заявлена поддержка визуальных задач и интерфейса вызова инструментов. Репозиторий содержит веса Safetensors. Лицензия Apache-2.0.

Карточка модели Alluci/alluci-polytope-gemma-4-26b-a4b-bf16 на Hugging Face совпадает с карточкой mlx-community/gemma-4-26b-a4b-bf16, поэтому описание составлено по ней. mlx-community/gemma-4-26b-a4b-bf16 — конвертированная для MLX версия модели Google Gemma 4 26B A4B. Репозиторий подготовлен сообществом mlx-community с помощью mlx-vlm 0.4.3; модель предназначена для сценариев «изображение и текст на входе — текст на выходе», включая ответы на вопросы об изображениях и диалог с визуальным контекстом. В метаданных указаны архитектура Gemma4ForConditionalGeneration, возможность работы с изображениями и лицензия Apache-2.0. Модель использует формат safetensors и рассчитана на запуск через mlx-vlm. Суффикс bf16 указывает на представление весов в BF16; README описывает преобразование из google/gemma-4-26b-a4b в формат MLX. Карточка перенаправляет за подробностями о возможностях к исходной модели, поэтому конкретные языки, длина контекста и подробные ограничения здесь не подтверждены.

Samuael/asr-amharic-phoneme-based-233 — модель автоматического распознавания речи на основе архитектуры wav2vec2 с CTC-декодированием, дообученная разработчиком Samuael. Модель предназначена для преобразования амхарской речи в текст; название указывает на фонемное представление, однако подробности его реализации в карточке не описаны. В карточке приведены результаты оценки: WER 0,2679 и CER 0,0730 после примерно трёх эпох обучения. Число параметров — около 402,9 млн. Модель принимает аудио и выдаёт текст. Лицензия Apache-2.0 разрешает использование на её условиях.

BakLLaVA-1 — мультимодальная модель SkunkworksAI, созданная в сотрудничестве с Ontocord и LAION. Она сочетает базовую Mistral 7B с архитектурой LLaVA 1.5 и предназначена для диалога по изображениям, ответов на визуальные вопросы и выполнения инструкций с изображениями. В обучении использованы пары изображение—текст и наборы мультимодальных инструкций и вопросов с ответами; также упомянуты данные ShareGPT. В репозитории указаны 7,1 млрд параметров, контекст до 32 768 токенов, архитектура LlavaMistralForCausalLM и формат PyTorch. Карточка приводит результаты, согласно которым модель превосходит Llama 2 13B на нескольких бенчмарках, но не называет сами тесты. Лицензия в метаданных — Apache 2.0; при этом авторы предупреждают, что часть обучающих данных включает корпус LLaVA с ограничениями на коммерческое использование, поэтому условия лицензии модели не снимают связанных с данными ограничений.

BLIP-2 Flan-T5-xl — мультимодальная модель Salesforce для генерации текста по изображению и текстовому запросу. Она объединяет визуальный энкодер CLIP-подобного типа, трансформер Q-Former, связывающий признаки изображения с языковой моделью, и Flan-T5-xl. При обучении энкодер изображения и языковая модель оставались замороженными, а Q-Former обучался передавать визуальную информацию. Модель предсказывает следующий текстовый токен с учётом изображения и предыдущего текста. Модель подходит для создания подписей к изображениям, визуальных ответов на вопросы и диалогов с опорой на изображение. Она принимает изображения и необязательный текст, выдаёт текст; в карточке указан английский язык. Выпуск предназначен для исследовательской работы по академической статье. Лицензия — MIT. Модель может наследовать ограничения Flan-T5 и смещения данных интернет-изображений и подписей; возможны неточные ответы и неподходящий контент. В карточке указано, что модель не тестировалась в реальных приложениях и перед практическим применением требует оценки безопасности, справедливости и точности.

Это конвертированная в формат MLX модель diffusiongemma-26B-A4B-it-mlx-bf16 от ToPo-ToPo, основанная на мультимодальной модели Google DeepMind google/diffusiongemma-26B-A4B-it. Она предназначена для диалогового взаимодействия и анализа изображений с текстом. Модель использует архитектуру блочной диффузионной языковой модели Gemma 4 с MoE: 25,2 млрд параметров суммарно и 3,8 млрд активных, 128 экспертов и один общий эксперт; поддерживает зрительные входы. Репозиторий содержит конверсию bf16 для MLX, выполненную с помощью mlx-vlm; квантизация не применялась. Шаблон чата изменён относительно исходного и отключает канал размышлений по умолчанию. Лицензия — Apache-2.0.

ERNIE-4.5-VL-424B-A47B-Paddle — мультимодальная модель семейства ERNIE 4.5, разработанная Baidu и опубликованная в формате весов PaddlePaddle. Это чат-модель с архитектурой MoE, дообученная после предварительного обучения ERNIE-4.5-VL-424B-A47B-Base: в README указаны 424 млрд параметров всего и 47 млрд активируемых параметров на токен; метаданные каталога приводят 47,1 млрд параметров. Модель принимает текст и изображения и генерирует текст, поддерживает визуально-языковое понимание, рассуждение по изображениям и режимы с рассуждением и без него. Заявлены английский и китайский языки, а контекстное окно составляет 131 072 токена. Модель предназначена для диалоговых сценариев, где нужно интерпретировать изображения вместе с текстовыми запросами, отвечать на вопросы по визуальному содержимому и выполнять мультимодальные рассуждения. Для запуска README приводит пример развёртывания через FastDeploy, а метаданные указывают PaddlePaddle и формат safetensors. Лицензия — Apache-2.0. Для инференса крупной MoE-модели потребуется соответствующая вычислительная инфраструктура; доступный пример FastDeploy ограничивает длину контекста 32 768 токенами.

Модель разработана автором репозитория h-gajdov как полное дообучение Moonshine Tiny для преобразования македонской речи в текст. Это плотная encoder-decoder-модель семейства Moonshine с 27,1 млн параметров, принимающая аудио как необработанную форму волны; по описанию автора, вычислительные затраты зависят от длительности аудио, что подходит для распознавания на устройстве. Для обучения использовано около 2,99 млн аудиофрагментов длительностью до 30 секунд из македонских речевых корпусов; диалектные репозитории и отложенный тестовый набор исключены. На отложенном тесте из 44 записей автор сообщает WER 11,62 и CER 4,21; лучший WER во время обучения составил 11,33. Результаты относятся к указанному небольшому тестовому набору, поэтому не гарантируют такое же качество на других источниках речи и диалектах. Модель предназначена для автоматического распознавания македонской речи; лимит декодирования связан с 194 позициями контекста. Лицензия в предоставленных данных не указана.

Gemma 3 12B PT 4-bit — преобразованная в формат MLX версия предварительно обученной модели Google Gemma 3 с 12 млрд параметров, подготовленная сообществом mlx-community. Она принимает текст и изображения и предназначена для генерации текстовых ответов по текстовым и визуальным запросам. Модель можно использовать в приложениях на базе MLX, в том числе для описания изображений и ответов на вопросы о них. Репозиторий создан из google/gemma-3-12b-pt с помощью mlx-vlm 0.1.18; метаданные каталога связывают его с google/gemma-3-12b. README отсылает к исходной карточке за подробностями. Лицензия — Gemma; применяются её условия использования. Данных о поддерживаемых языках, длине контекста и ограничениях качества в предоставленных материалах нет.