I.15Доступность и ассистивные технологии

MiDashengLM-7B-0804-fp32 — мультимодальная аудиоязыковая модель для понимания звука и создания текстовых описаний аудио. Модель представлена в репозитории mispeech; по метаданным она объединяет MiDasheng-0.6B и Qwen2.5-Omni-7B и связана с дообучением Qwen2.5-Omni-7B. Архитектура — плотная MiDashengLMModel; веса опубликованы в формате safetensors. Модель предназначена для описания музыки и звуков, ответов на вопросы об аудио, классификации аудио и паралингвистических признаков, а также распознавания речи. README приводит результаты на наборах MusicCaps, AudioCaps, VoxCeleb1, VoxLingua107 и LibriSpeech. Метаданные указывают поддержку английского, китайского, тайского, индонезийского и вьетнамского языков. Для типичного использования авторы рекомендуют версию BF16; версия FP32 предназначена прежде всего для точного воспроизведения результатов. Лицензия — Apache-2.0. Приведённые результаты показывают, что качество зависит от задачи и набора данных: в таблицах распознавания речи модель уступает некоторым сравниваемым системам, а на отдельных задачах классификации и вопросов об аудио не лидирует. README не сообщает длину контекста.

nougatJawiCharJawi — дообученная модель bustamiyusoef для преобразования изображений с текстом на яви в текст. Она построена на архитектуре vision-encoder-decoder и предназначена для распознавания символов яви на изображениях. В README приведён результат на наборе оценки: loss 1,9076; описание обучающих данных и дополнительные сведения о качестве отсутствуют. Модель опубликована в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

OmniVinci — исследовательский проект NVIDIA по созданию омнимодальных больших языковых моделей. Модель построена на архитектуре VILA и предназначена для понимания видео, изображений и аудио, а также для диалогового взаимодействия и рассуждений. В карточке Hugging Face основная задача обозначена как извлечение признаков; README также описывает сценарии мультимодального понимания и примеры работы через Transformers. Модель принимает визуальные, аудио- и текстовые данные и поддерживает работу с видео со звуком. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache 2.0. В README проект назван исследовательским; конкретные ограничения по качеству или поддерживаемым языкам не приведены.

FiditeNemini публикует 3-битную версию Qwen3-VL-235B-A22B-Instruct-Abliterated — мультимодальной модели семейства Qwen3-VL MoE для диалогов с изображениями и текстом. Архитектура — Qwen3VLMoeForConditionalGeneration; контекст составляет 262 144 токена. Репозиторий содержит веса Safetensors и предназначен для работы с библиотекой MLX. Модель принимает текст и изображения и выдаёт текст; в каталоге также отмечены чат и интерфейс вызова инструментов. Карточка указывает английский и китайский языки. Лицензия — Apache-2.0. Модель подходит для вопросов об изображениях, визуального диалога и текстового разбора содержимого изображений. Это производная от Qwen/Qwen3-VL-235B-A22B-Instruct модель; автор карточки называет её Abliterated. README указывает 3-битное представление с размером группы 64, хотя поле Quantization в карточке сформулировано противоречиво («None (3-bit, group size 64)»), поэтому способ получения этой версии нельзя уточнить увереннее. Качество, ограничения и поведение Abliterated-варианта в README не описаны.

Qwen3-VL-30B-A3B-Instruct-MLX-8bit — это 8-битная квантованная версия мультимодальной модели Qwen3-VL-30B-A3B-Instruct, разработанной командой Qwen. Квантование выполнено командой LM Studio с использованием MLX и mlx_vlm; модель оптимизирована для работы на устройствах Apple Silicon. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Она может применяться в сценариях, требующих мультимодального анализа, однако README не содержит подробностей о поддерживаемых языках, максимальном размере контекста, конкретной архитектуре, числе активных параметров или точных возможностях работы с изображениями. Ключевое преимущество версии — 8-битное представление, рассчитанное на более эффективный локальный запуск на Apple Silicon при меньших требованиях к памяти по сравнению с полной версией модели. Ограничения включают возможные потери качества из-за квантования, зависимость производительности от оборудования Apple Silicon и отсутствие в предоставленных данных результатов тестирования. Модель распространяется по лицензии Apache-2.0; LM Studio указывает, что не является создателем или владельцем модели и не гарантирует точность, безопасность или пригодность её ответов.

saga-2-m — датская модель распознавания речи от Capacit A/S, опубликованная под лицензией CC BY-NC 4.0 с обязательным указанием авторства при распространении. В ней аудиоэнкодер Whisper large-v3-turbo-danish соединён через проектор с декодером Qwen3-0.6B-Base; модель содержит около 1,24 млрд параметров и работает с точностью bf16. Она преобразует датскую речь в текст с пунктуацией и сохранением регистра. Разработчики сообщают о первом месте на датском ASR-лидерборде и скорости 268× реального времени на RTX 5090 при batch 16. Модель предназначена для офлайн-транскрибации датской речи, включая парламентские выступления, чтение вслух и разговорную речь. Обучение использовало FTSpeech, CoRal и другие датские речевые корпуса; для коротких фрагментов аудио модель может выдавать пустую строку на тишине и звуковых сигналах. Окно энкодера — до 30 секунд. Поддерживается только датский язык. Модель не выдаёт пословные временные метки, не выполняет диаризацию и не поддерживает потоковое распознавание; контекст между фрагментами длинной записи не сохраняется. Разговоры, перекрывающаяся речь и дальние микрофоны снижают точность; числа и редкие имена остаются частыми ошибками. Для критически важных применений качество следует проверять на собственных данных.

SenseNova-U1-8B-MoT — мультимодальная модель SenseNova на архитектуре NEO-unify, объединяющая понимание, рассуждение и генерацию текста и изображений в одной системе. Это плотная модель семейства NEOChat с 8 млрд параметров; карточка описывает нативную обработку изображений и текста без отдельных визуального энкодера и VAE, а также генерацию текста и изображений в чередующемся формате. Модель предназначена для анализа изображений, визуальных рассуждений, редактирования и создания изображений, включая инфографику, постеры и другие материалы с насыщенной информацией. Поддерживаются английский и китайский языки. Для запуска README приводит Transformers и рекомендует для производственного обслуживания связку LightLLM и LightX2V. Модель распространяется по лицензии Apache-2.0. README заявляет высокие результаты на ряде бенчмарков, однако подробные численные результаты в предоставленном тексте отсутствуют.

TrOCR Devanagari — модель Anil Paudel, Aayush Puri и Yubaraj Sigdel для распознавания рукописного текста на непальском языке письмом деванагари. Она преобразует изображения рукописных слов в машинно-читаемый текст и предназначена для оцифровки непальских документов. В основе — архитектура Vision Encoder-Decoder: Vision Transformer (ViT) кодирует изображение, а трансформерный декодер NepBERT генерирует текст. Модель использует компоненты amitness/roberta-base-ne и google/vit-base-patch16-224-in21k; веса опубликованы в формате safetensors и доступны по лицензии MIT. Карточка описывает обработку изображений с изменением размера и дополнением полей перед распознаванием. Хотя в README упомянуто выделение текстовых областей в документах, основной задачей модели указано распознавание текста на изображении; отдельная проверка качества или заявленные ограничения не приведены.

Typhoon OCR 1.5 2B NVFP4 — это квантизированная версия мультимодальной модели typhoon-ai/typhoon-ocr1.5-2b, опубликованная nanash66. Модель предназначена для оптического распознавания текста в изображениях документов с преобразованием результата в чистый Markdown. Она также описывает визуальные элементы, таблицы, формулы, номера страниц и флажки в заданном формате. Модель рассчитана на использование только с официальным промптом Typhoon OCR v1.5 и не предназначена для общих задач визуальных вопросов и ответов. Архитектура основана на Qwen3VLForConditionalGeneration с визуальным энкодером Qwen3VL; модель содержит 28 слоёв, скрытое представление размером 2048, 16 attention heads и 8 KV-heads. Используется квантизация NVFP4 (W4A4) с group_size=16, выполненная с помощью NVIDIA ModelOpt 0.45.0. Размер квантизированной модели составляет 2,23 ГБ, заявленная длина контекста — 262 144 токена. Поддерживаются английский и тайский языки; целевая платформа — графические процессоры NVIDIA Blackwell, включая GB10 с архитектурой sm_121. Для инференса изображение рекомендуется масштабировать до максимального размера 1800 пикселей. К сильным сторонам относятся специализированная обработка документов, компактный размер после квантизации и структурированный вывод с поддержкой таблиц, LaTeX-формул и описаний изображений на тайском языке. Ограничения включают зависимость от единственного промпта, отсутствие встроенных защитных механизмов и возможность галлюцинаций. Для запуска NVFP4 требуется GPU Blackwell и среда NVIDIA ModelOpt. Модель является производной работой и распространяется по лицензии Apache-2.0.

aufklarer/VibeVoice-1.5B-MLX-INT4 — пакет модели синтеза речи VibeVoice-1.5B в формате MLX для устройств Apple Silicon. Это INT4-квантизированная производная модели Microsoft VibeVoice-1.5B, рассчитанная на генерацию длинной речи: озвучивание аудиокниг, подкастов и диалогов с несколькими участниками. Модель поддерживает до четырёх голосов с сохранением их идентичности и может генерировать аудио длительностью до 90 минут за один проход. Пакет содержит backbone Qwen2, акустический токенизатор и диффузионную голову; общий размер — 2,18 ГБ. Для использования предусмотрена интеграция со Swift-модулем VibeVoiceTTS. Указанная производительность на Apple M2 Max — 1,35× реального времени для тестового фрагмента. Поддерживаемые языки — английский и китайский; другие языки могут давать неразборчивую речь. Лицензия — MIT.

Карточка модели mazz68/VisionPsy-Nano-460M на Hugging Face совпадает с карточкой qvac/VisionPsy-Nano-460M, поэтому описание составлено по ней. VisionPsy-Nano-460M — компактная модель «зрение–язык», разработанная Tether AI Research на базе nanoVLM. Она предназначена для локального запуска на устройствах с ограниченными ресурсами и решает задачи визуальных вопросов и ответов, чтения текста на изображениях, понимания документов, диаграмм и графиков, а также выполнения простых инструкций по изображению. Модель содержит около 460 млн параметров, использует визуальный энкодер SigLIP2 и языковую основу SmolLM2, обрабатывает изображения размером 512×512 и поддерживает контекст до 8 тысяч токенов. По внутренним оценкам разработчика, она сопоставима с моделями схожего размера на большинстве из 17 публичных тестов; результаты получены на едином стенде VLMEvalKit с использованием LLM-судьи для части метрик. Модель рассчитана на одно изображение в запросе и преимущественно на английский язык. Она может ошибаться, неверно считать объекты и хуже справляться с плотными документами и длинными математическими рассуждениями; другие языки официально не поддерживаются. Не предназначена для решений, критичных для безопасности или имеющих высокую цену ошибки. Лицензия — Apache-2.0.

VisionPsy-Nano-460M — компактная модель «зрение–язык», разработанная Tether AI Research на базе nanoVLM. Она предназначена для локального запуска на устройствах с ограниченными ресурсами и решает задачи визуальных вопросов и ответов, чтения текста на изображениях, понимания документов, диаграмм и графиков, а также выполнения простых инструкций по изображению. Модель содержит около 460 млн параметров, использует визуальный энкодер SigLIP2 и языковую основу SmolLM2, обрабатывает изображения размером 512×512 и поддерживает контекст до 8 тысяч токенов. По внутренним оценкам разработчика, она сопоставима с моделями схожего размера на большинстве из 17 публичных тестов; результаты получены на едином стенде VLMEvalKit с использованием LLM-судьи для части метрик. Модель рассчитана на одно изображение в запросе и преимущественно на английский язык. Она может ошибаться, неверно считать объекты и хуже справляться с плотными документами и длинными математическими рассуждениями; другие языки официально не поддерживаются. Не предназначена для решений, критичных для безопасности или имеющих высокую цену ошибки. Лицензия — Apache-2.0.

Это 4-битная MLX-версия модели распознавания речи Whisper large-v3, адаптированная для швейцарского немецкого. Она предназначена для локальной транскрибации аудио через совместимые среды MLX, включая интеграцию mlx-audio STT в oMLX. Основа — openai/whisper-large-v3 с PEFT-адаптацией, обученной на данных SwissDial; затем веса Linear и Embedding квантованы методом affine с группами по 64 значения, тогда как свёрточные слои, LayerNorm, позиционные эмбеддинги и векторы смещений остаются без этой квантизации. Репозиторий содержит чекпойнт MLX в safetensors и файлы процессора и токенизатора Whisper. В README не приведены результаты оценки WER/CER на отложенной выборке швейцарского немецкого, поэтому качество распознавания диалектов количественно не подтверждено. Указана лицензия «other», конкретные условия следует проверять в файлах репозитория.

Zyroxx66/whisper-small-somali — дообученная модель распознавания речи на основе архитектуры Whisper, опубликованная пользователем Zyroxx66. Она предназначена для преобразования сомалийской речи в текст. В README приведены результаты оценки: loss 0,1304 и WER 9,8739; сведения о наборе данных и условиях оценки отсутствуют. Модель распространяется в формате safetensors и рассчитана на работу через Transformers.

Whisper Small Swahili — модель распознавания речи, полученная дообучением openai/whisper-small на подмножестве Common Voice 11.0 для суахили. Она принимает аудио и генерирует текстовую транскрипцию; архитектура — WhisperForConditionalGeneration, размер — 153,1 млн параметров. В оценке на тестовом наборе указаны loss 0,5597 и WER 27,6211. Модель подходит для транскрибирования записей и голосовых сообщений на суахили. Карточка не описывает дополнительные сценарии или языки дообучения. Опубликована в форматах PyTorch и Safetensors под лицензией Apache-2.0.

X-Reasoner — мультимодальная модель для рассуждений по тексту и изображениям, разработанная авторами исследования X-Reasoner: Towards Generalizable Reasoning Across Modalities and Domains. Она основана на Qwen/Qwen2.5-VL-7B-Instruct и дообучена в два этапа: на первом этапе использовалась контролируемая настройка с дистиллированными длинными цепочками рассуждений, затем — обучение с подкреплением на проверяемых наградах. Модель предназначена для диалогового анализа визуальных данных и решения задач, требующих обобщаемых рассуждений, в том числе вне домена обучения. Архитектура — плотная Qwen2.5-VL для генерации текста с учётом изображений; размер — 7,1 млрд параметров, контекст — до 128 000 токенов. Карточка сообщает об улучшении результатов на общих и медицинских тестах, однако подробности и количественные оценки приведены в статье. README также указывает на возможное продолжение генерации цепочки рассуждений без остановки; в таком случае предлагается добавить специальный стоп-токен и повторить генерацию. Модель распространяется по лицензии Apache-2.0.

ZonUI-3B — компактная мультимодальная модель для привязки текстовых инструкций к элементам графического интерфейса на скриншотах. Её разработали авторы работы «ZonUI-3B: A Lightweight Vision-Language Model for Cross-Resolution GUI Grounding»; модель дообучена на базе Qwen/Qwen2.5-VL-3B-Instruct и содержит 3,1 млрд параметров. Модель принимает изображение интерфейса и текстовый запрос, а затем определяет соответствующий элемент управления. Она рассчитана на мобильные, настольные и веб-интерфейсы, включая изображения высокого разрешения; обучение включало два этапа и 24 тысячи примеров. В README приведены результаты на бенчмарках ScreenSpot и ScreenSpot-v2, но фактический формат координат или другого ответа в описании не уточнён. Модель работает с изображениями и текстом, использует архитектуру Qwen2.5-VL и имеет контекст до 128 000 токенов. В метаданных указан английский язык. Лицензия — Apache-2.0.

LocalDoc разработала компактную модель распознавания отдельных строк азербайджанского текста на основе CRNN с CTC-декодированием. Она принимает изображение уже обрезанной строки и выдаёт текст латиницей или кириллицей; для распознавания целых страниц её можно сочетать с детектором строк. Модель содержит 8,5 млн параметров, занимает около 34 МБ и работает на CPU. В README приведены результаты на наборе LocalDoc/azerbaijani-ocr-benchmark: CER 0,0242 и WER 0,0565. Модель подходит для распознавания строк в сканах книг и документов на азербайджанском языке, в том числе при пакетной обработке страниц через отдельный детектор. Она использует жадное CTC-декодирование без языковой модели; заявлена лицензия CC BY 4.0. Карточка рекомендует учитывать качество исходных сканов и особенности обучающих меток при оценке результатов.

CN-MultiDialect-ASR — модель распознавания речи, разработанная группой Audio, Speech and Language Processing Group Северо-Западного политехнического университета совместно с WeNet Community и NEXDATA TECHNOLOGY INC. Она дообучена на основе Qwen/Qwen3-ASR-1.7B для транскрибации китайской речи, включая диалекты, с целью улучшить распознавание диалектов при сохранении качества для мандаринского китайского. Модель использует плотную архитектуру Qwen3-ASR и принимает аудио, выдавая текстовую транскрипцию. Авторы описывают трёхэтапную адаптацию: дополнительное предобучение на китайской речи, дообучение с акцентом на диалекты и on-policy self-distillation. В демонстрации представлены мандаринский китайский, английский и китайские диалекты; для английского поддержка указана только как язык демонстрации. Для вывода модель совместима с пакетом qwen-asr. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Карточка описывает улучшение распознавания диалектов, но численные результаты таблиц в предоставленном тексте опущены.

English Whisper Non-Standard Medium — модель распознавания речи, созданная дообучением OpenAI Whisper Medium на английской речи с нестандартными и региональными произносительными вариантами кенийских говорящих. Она предназначена для преобразования такой речи в текст, в том числе в сценариях, где стандартное произношение английского представлено недостаточно. Архитектура — WhisperForConditionalGeneration с 455,8 млн параметров; модель принимает аудио и выдаёт текст. В карточке указаны английский язык и дообучение на подмножестве Mozilla Common Voice и специально отобранной кенийской английской речи. В README приведены метрики оценки: WER 0,1484 на dev и 0,1107 на test, CER 0,0810 на dev и 0,0613 на test. Эти результаты относятся к указанной оценке и не гарантируют такую же точность на других акцентах, акустических условиях или типах записей. Модель распространяется по лицензии Apache-2.0.

Gemma 3 12B IT 4bit — мультимодальная чат-модель семейства Gemma 3, преобразованная mlx-community из google/gemma-3-12b-it в формат MLX с помощью mlx-vlm 0.1.18. Она предназначена для диалога и генерации ответов на текстовые запросы, а также для работы с изображениями и текстом в одном запросе. Модель имеет плотную архитектуру Gemma3ForConditionalGeneration и содержит 12 млрд параметров; репозиторий распространяет веса в 4-битном представлении. Поддерживает визуальный ввод и текстовый вывод, а также может применяться для описания изображений и ответов на вопросы по ним. Контекстное окно и перечень поддерживаемых языков в предоставленных данных не описаны. Это конверсия для запуска на Apple MLX, а не самостоятельное дообучение; лицензия — Gemma. README отсылает к карточке исходной модели за подробностями о её возможностях и условиях использования.

pugant подготовил ROCmFP4-STRIX_LEAN — квантизованную GGUF-версию grug-35b-v2, мультимодальной модели семейства Qwen3.5-VL-MoE с 35 млрд параметров и примерно 3 млрд активных параметров на токен. Она принимает текст и изображения и предназначена для диалогового инференса с визуальными запросами, а также для обычного текстового чата. Квантизация Q4_0_ROCMFP4_STRIX_LEAN занимает около 17,3 ГиБ; для работы с изображениями требуется отдельный vision-проектор в формате F16. Версия оптимизирована и проверена на AMD Strix Halo с графикой gfx1151 через сборку ROCmFPX с поддержкой пользовательского формата GGUF; стандартный llama.cpp этот формат не загружает. Автор приводит скорость генерации и обработки промптов, но не публикует оценок качества модели. Репозиторий указывает лицензию Apache-2.0; базовая модель также распространяется под Apache-2.0. Модель может работать на английском и поддерживает многоязычные сценарии, однако конкретный перечень языков в карточке не приведён.

Heretical-Qwen3.5-0.8B — дообученная версия Qwen3.5-0.8B-Base от автора репозитория, созданная с помощью настроенной версии Heretic. Это компактная плотная мультимодальная модель с 0,8 млрд параметров: гибридная архитектура Gated DeltaNet и Softmax Attention объединена с визуальным энкодером. Модель принимает текст и изображения и предназначена для диалогов и задач понимания изображений; контекст составляет 262 144 токена. В README сообщается о снижении частоты отказов в тесте автора до 5 из 100 при KL-дивергенции 0,0224 относительно исходной модели. Небольшой размер подходит для прототипирования, разработки и дальнейшей настройки под конкретные задачи. Карточка также заявляет поддержку 201 языка и диалекта, но не приводит таблицу языков именно этой версии. Модель распространяется в формате Safetensors для Transformers; лицензия — Apache-2.0.

Hviske v3 conversation — модель распознавания датской речи, разработанная syv.ai и дообученная на базе CoRal-project/roest-whisper-large-v1. Она предназначена для транскрибации естественных разговоров: встреч, интервью, подкастов и других записей реальной речи. Модель построена на архитектуре Whisper и доступна в формате safetensors для запуска через Transformers. В README заявлено, что модель превосходит Whisper Large v3 и v3 Turbo по метрикам WER и CER, однако приведённое там исследование гендерного смещения основано на тестовом наборе всего с четырьмя дикторами и не является репрезентативным. Модель бесплатна согласно указанной в репозитории лицензии; тип лицензии в предоставленных данных не уточнён.

InternVL-14B-224px — модель зрения и языка OpenGVLab с 14 млрд параметров, предназначенная для извлечения признаков изображений и решения задач на изображениях и видео. Модель принимает изображения размером 224 × 224 пикселя и поддерживает классификацию без дообучения, поиск соответствий между изображениями и текстом или видео и текстом, а также создание подписей к изображениям. Модель обучена на наборах LAION-en, LAION-COCO, COYO, CC12M, CC3M, SBU, Wukong и LAION-multi. В README отмечено, что для корректной работы при использовании необходим префикс «summarize:» и значение tokenizer.pad_token_id = 0. Лицензия — MIT. Конкретные поддерживаемые языки и численные результаты оценки в предоставленных материалах не описаны.

kev-merged-0.8b — слитая мультимодальная модель на основе jaredpalmer/kev-0.8b и Qwen/Qwen3.5-0.8B-Base. Разработчик объединил адаптер kev-0.8b с базовой моделью, чтобы её можно было использовать без отдельного адаптера; скрипт слияния приложен в репозитории. Архитектура — плотная Qwen3.5ForConditionalGeneration; метаданные указывают интерфейс чата, вызов инструментов и работу с изображениями. Модель предназначена для диалоговых сценариев с текстом и изображениями. В карточке Hugging Face указана задача image-text-to-text и английский язык. Репозиторий содержит веса safetensors, а лицензия — Apache-2.0. Размер модели, длина контекста и конкретные ограничения качества в доступных данных не приведены.

Kova TTS 1 — англоязычная модель синтеза речи, разработанная Kova AI для озвучивания аудиокниг и длительного повествования. В основе — плотная авторегрессионная архитектура Llama 3.2 1B; модель содержит 1,3 млрд параметров и поддерживает контекст до 131 072 токенов. Она генерирует потоковое моно-аудио с частотой 48 кГц, а нейронный кодек преобразует предсказываемые моделью дискретные аудиотокены в речь. Модель предназначена для преобразования текста в естественную речь, клонирования голоса по образцу аудио и его точной расшифровке, а также потокового синтеза с временными метками слов. Доступны пять голосовых LoRA-адаптеров; также можно обучить собственный. Для клонирования нужны качественная запись и соответствующая ей транскрипция. Модель поддерживает только английскую речь; скорость и задержка зависят от оборудования и конфигурации. Веса выпущены по лицензии Research and Non-Commercial Model License: коммерческое использование требует отдельной письменной лицензии от Kova AI. Сопровождающий сервер предназначен для локального использования, экспериментов и интеграционной разработки, а не для производственного развёртывания.

Marlin — мультимодальная видеомодель на 2 млрд параметров, разработанная NemoStation на основе дообучения Qwen3.5-2B. Она предназначена для анализа видео: создаёт структурированные описания сцен и отдельных событий с временными отметками, а также находит в ролике временные интервалы, соответствующие запросу на естественном языке. Модель использует видеовозможности визуальной башни Qwen3.5-2B и обучена в два этапа: на размеченных видео и затем с оптимизацией предпочтений SimPO. По данным карточки, Marlin показывает высокие результаты на бенчмарках плотного описания видео и временной локализации. Для работы доступны режимы caption и find, а также стандартный интерфейс Transformers; заявлена совместимость с vLLM и swift-deploy и возможность запуска на одной потребительской видеокарте. Для загрузки требуется Transformers версии 5.7.0 или новее, PyTorch 2.11.0 или новее и зависимости для декодирования видео. Карточка указывает лицензию Apache-2.0. Возможность рассуждения по частям видео ограничена и не входит напрямую в методы caption и find; использование пользовательского кода модели требует включения trust_remote_code.

Это модель оценки читаемости текста, разработанная OpenDataLab и представленная в работе Meta-rater: A Multi-dimensional Data Selection Method for Pre-training Language Models. Она дообучена на ModernBERT-base и присваивает тексту непрерывную оценку от 0 до 5 по признакам ясности, связности, сложности словаря, структуры предложений, грамматики и пунктуации. Модель содержит 149 млн параметров, использует архитектуру ModernBERT для классификации последовательностей и принимает текст длиной до 8192 токенов согласно метаданным репозитория. Модель предназначена для проверки и отбора текстов, оценки учебных материалов, поддержки редактирования и улучшения веб-контента. В карточке указаны F1 87,47% и точность 94,13%, однако методика и набор оценки не описаны в предоставленных сведениях. Модель рассчитана прежде всего на английский язык; по карточке, она не оценивает тематику текста и его длину. Лицензия — MIT.

Это GGUF-квантизированная версия модели Fara-7B, разработанной Microsoft и подготовленной пользователем bartowski. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Распространяется в форматах, совместимых с llama.cpp, LM Studio и другими проектами на его основе. Модель имеет размер 7B параметров; исходные веса представлены в BF16, а также доступны варианты квантизации Q8, Q6, Q5, Q4, Q3, Q2 и IQ. Размер файлов варьируется примерно от 3,1 до 15,2 ГБ. Для работы предусмотрен chat-шаблон с маркерами системного, пользовательского и ассистентского сообщений. Данные о поддерживаемых языках и размере контекстного окна в README не указаны. К сильным сторонам относятся широкий выбор уровней квантизации, возможность локального запуска и оптимизация с использованием imatrix-калибровки. Более компактные варианты подходят для систем с ограниченной оперативной памятью, но могут заметно уступать старшим вариантам по качеству. Лицензия модели — MIT.