I.15Доступность и ассистивные технологии

Ichigo-llama3.1-s-instruct-v0.3-phase-3 — языково-звуковая модель от Homebrew Research на архитектуре Llama 3.1 с 7,5 млрд параметров. Она принимает текст и звук и выдаёт текст; контекст составляет 131 072 токена. Модель дообучена на основе homebrewltd/Ichigo-llama3.1-s-instruct-v0.3-phase-2 для улучшения взаимодействия с пользователем, в частности обработки неслышимых входов и многоходовых диалогов. Модель предназначена для понимания звука и текста, включая диалоговые сценарии; README приводит результаты оценок MMLU и AudioBench. Основной язык — английский. Лицензия Apache-2.0. Карточка не уточняет, какие именно типы аудио поддерживаются и как обрабатываются неслышимые входы; опубликованные оценки не гарантируют качество на других данных и сценариях.

Inkling-Small-mlx-4bit — 4-битная сборка мультимодальной Inkling-Small, подготовленная сообществом mlx-community для Apple Silicon. Это разреженная модель семейства Inkling с 264 млрд параметров, из которых около 12 млрд активны на каждом токене; в архитектуре 42 слоя, 256 маршрутизируемых экспертов с выбором шести экспертов и два общих эксперта. Модель принимает изображения, аудио и текст, а выдаёт текст. Сборка использует библиотеку MLX и занимает около 153,5 ГБ на диске. Экспертные веса квантизированы до 4 бит, а ряд остальных компонентов, включая внимание и маршрутизатор, сохранён в 8-битном формате. Она рассчитана на запуск целиком в объединённой памяти Mac с 192 ГБ, без выгрузки экспертов на диск. Подходит для мультимодального диалога и ответов по изображениям и аудио. Модель ограничена компьютерами Apple Silicon; на близкой к лимиту памяти системе могут возникать сбои при длительной генерации, а для KV-кэша и операционной системы требуется дополнительная память. Скорость и пиковое потребление памяти в README не измерены. Лицензия Apache-2.0; базовая модель также распространяется под Apache-2.0.

InternLM-XComposer-7B — мультимодальная модель семейства InternLM-XComposer, разработанная командой InternLM на основе InternLM. Это плотная авторегрессионная модель примерно на 6,9 млрд параметров с контекстом 2048 токенов, представленная в формате PyTorch и распространяемая по лицензии Apache-2.0. Модель предназначена для понимания изображений и текста, работы в роли ИИ-ассистента и создания материалов, в которых текст чередуется с изображениями. Она может составлять связные тексты по инструкциям, предлагать места для изображений, описывать визуальный контент и выбирать подходящие изображения. Карточка сообщает о мультиязычном обучении и результатах на англоязычных и китайских мультимодальных тестах. Для непосредственного понимания визуального содержимого модель принимает текст и изображения и формирует текстовые ответы. Указанное описание композиции с изображениями включает поиск и выбор изображений; карточка не уточняет, выдаёт ли этот репозиторий сами изображения. Данные о конкретных ограничениях применения не приведены.

yujuyeon/internvl3_5-1b-balanced — мультимодальная модель семейства InternVL3.5, дообученная автором yujuyeon на базе OpenGVLab/InternVL3_5-1B-Pretrained методом полного fine-tuning. Она предназначена для диалоговых задач с изображениями и текстом; обучение ориентировано на корейские мультимодальные данные и баланс корейского и английского языков. В обучающую смесь вошли 40 подмножеств, включая наборы для описания изображений и преобразования диаграмм в таблицы. Модель использует плотную архитектуру InternVLChatModel и загружается через Transformers. Метаданные указывают лицензию other. Карточка приводит динамику training loss, но не сообщает измерений качества на независимых тестах, поэтому эти значения сами по себе не подтверждают точность в практических сценариях.

InternVL3.5-GPT-OSS-20B-A4B-Preview-GGUF — это конвертированная в формат GGUF версия модели OpenGVLab/InternVL3_5-GPT-OSS-20B-A4B-Preview. Модель разработана на базе GPT-OSS-20B и предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Ключевой особенностью является представление модели в формате GGUF, ориентированном на использование в совместимых локальных инструментах инференса. В названии указано 20B, однако точные сведения об архитектуре, количестве активируемых параметров A4B, поддерживаемых языках, размере контекста, модальностях в конкретной сборке и требованиях к ресурсам в README не приведены. README не содержит результатов бенчмарков, примеров качества или подробностей о сильных сторонах и ограничениях модели, поэтому оценить её производительность можно только после самостоятельного тестирования. Также не указаны варианты квантования и совместимые средства запуска. Модель распространяется по лицензии Apache 2.0.

Keye-VL-2.0-30B-A3B — мультимодальная базовая модель семейства Keye, разработанная Kwai-Keye. Это модель типа MoE с заявленным классом 30B и 2,6 млрд параметров в метаданных; она предназначена прежде всего для понимания видео, временной локализации событий и работы с длинными мультимодальными контекстами. Модель принимает изображения и видео вместе с текстовыми запросами и формирует текстовые ответы; поддерживает контекст до 262 144 токенов. Модель рассчитана на анализ длинных видео, ответы на вопросы по визуальному содержимому, поиск временных границ событий, распознавание текста и понимание диаграмм и таблиц. Карточка также заявляет возможности для программирования, вызова инструментов и поиска с опорой на веб, но каталог указывает интерфейс чата, а отдельная оценка этих сценариев в карточке не приведена. В README заявлены разреженное внимание DSA и эффективная обработка длинных последовательностей, а также результаты на бенчмарках видео и временной локализации. Модель распространяется под лицензией Apache-2.0. В метаданных указан английский язык; README не описывает полный перечень поддерживаемых языков. Заявленные результаты получены на бенчмарках и не гарантируют качество для произвольных видео или сценариев; выводы о содержимом могут быть ошибочными.

Looma Dictation SLM — небольшая последовательностная модель типа encoder-decoder на архитектуре T5, разработанная Twashin ilahi / Looma Team для постобработки расшифровок речи. Она очищает текст диктовки: удаляет слова-паразиты и повторы, исправляет грамматику, восстанавливает заглавные буквы и пунктуацию, сохраняя намерение говорящего. Модель настроена на преобразование текста без диалоговых ответов и рассчитана на локальное использование в браузере, на настольных компьютерах и мобильных устройствах. Модель дообучена на google/flan-t5-small; метаданные указывают 45,8 млн параметров, контекст 512 токенов и библиотеку Transformers. Карточка описывает поддержку английского языка и применение к текстовым транскриптам ASR; для других языков требуется дополнительное дообучение. Лицензия — Apache 2.0. Указанные сценарии не включают чат, ответы на вопросы и длинную творческую генерацию.

Карточка модели lunahr/Marlin-2B-ungated на Hugging Face совпадает с карточкой NemoStation/Marlin-2B, поэтому описание составлено по ней. 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.

NangWeiLun/MiMo-VL-7B-RL-2508-bnb-4bit-fp4 — это 4-битная квантованная версия мультимодальной модели MiMo-VL-7B-RL-2508, разработанной XiaomiMiMo. Модель предназначена для задач преобразования изображений и текста в текст и рассчитана на использование через библиотеку Transformers. Модель имеет размер 7B параметров и использует квантование BitsAndBytes с точностью fp4. Для вычислений применяется bfloat16, двойное квантование отключено, а веса сохранены в формате safetensors. Квантирование снижает потребление памяти и позволяет запускать модель на пользовательских GPU с объёмом видеопамяти до 12 ГБ, однако может привести к небольшому снижению качества генерации по сравнению с исходной моделью. README не содержит информации о поддерживаемых языках, размере контекста и подробностях архитектуры. Указанная лицензия — MIT.

NB-Whisper Small Verbatim — модель распознавания речи, разработанная NB AI-Lab Национальной библиотекой Норвегии. Она дообучена на 200 дополнительных шагах от openai/whisper-small и предназначена для буквальной транскрипции аудио: выдаёт текст строчными буквами без пунктуации и старается сохранять грамматические ошибки и особенности исходной речи, а не исправлять их. Модель основана на архитектуре Whisper, содержит 153,1 млн параметров и принимает аудио, выдавая текст. Она рассчитана прежде всего на норвежский язык, включая букмол и нюношк, а также поддерживает английский. Для длинных записей README рекомендует обрабатывать аудио частями; для повышения точности можно увеличить размер лучевого поиска, что требует больше времени и памяти. Модель подходит для подробной транскрипции, в том числе для лингвистического анализа. Доступна по лицензии Apache 2.0. Распознавание может содержать ошибки и смещения; при использовании в продуктах ответственность за оценку рисков и их снижение лежит на пользователе.

PCS — это мультиязычная модель постобработки текста, разработанная на базе XLM-RoBERTa-base и конвертированная в формат GGUF для использования с CrispASR и CrisperWeaver. Она предназначена прежде всего для обработки результатов систем автоматического распознавания речи, выдающих текст без пунктуации и с сохранением всех букв в нижнем регистре. Модель за один проход восстанавливает пунктуацию, включая точки, запятые, вопросительные и восклицательные знаки, двоеточия, точки с запятой и другие знаки, выполняет truecasing и определяет границы предложений. Архитектура включает 12-слойный энкодер XLM-RoBERTa-base с размерностью 768, 12 головами внимания и токенизатором SentencePiece, а также четыре классификационные головы для пост- и предпозиционной пунктуации, сегментации предложений и посимвольного определения регистра. PCS поддерживает 47 языков, однако наилучшее качество заявлено для английского, немецкого, французского, испанского, итальянского, португальского, нидерландского, польского, русского, украинского, чешского и датского языков, на которых обучались классификационные головы. Доступны полноточная версия F16 размером около 903 МБ и квантованная Q4_K размером около 155 МБ, что делает последнюю более подходящей для локального использования. Ограничения включают зависимость качества от языка и особенностей входного текста, а также отсутствие функций распознавания речи: модель обрабатывает уже полученный текст. Лицензия MIT.

google/pix2struct-infographics-vqa-base — модель семейства Pix2Struct, разработанная Google. Это базовая версия для визуальных вопросов и ответов по инфографике: модель принимает изображение и текстовый вопрос, а затем формирует текстовый ответ. Архитектура — кодировщик изображений и декодер текста Pix2Struct; предварительное обучение включало преобразование скриншотов веб-страниц в упрощённый HTML, а модель адаптирована к задаче visual question answering. Модель предназначена для извлечения ответов из инфографики и других изображений с визуально представленными данными. Pix2Struct использует представление входа с переменным разрешением и интеграцию текстового вопроса с изображением. В карточке указана поддержка английского, французского, румынского и немецкого языков. Доступна под лицензией Apache-2.0. Модель специализируется на визуальных вопросах и ответах и может ошибаться при сложной компоновке, мелком тексте или неоднозначных данных на изображении. README не приводит отдельные количественные оценки качества именно этой версии.

SpacemiT/Qwen3.5-2B — пакет для запуска мультимодальной модели Qwen3.5-2B от команды Qwen на платах SpacemiT K1/K3. Он предназначен для диалога с изображениями и их описания, а также поддерживает текстовые, программные и агентские сценарии. Текстовый декодер представлен GGUF-файлом в формате Q4_1, а визуальные энкодеры — ONNX-моделями для разрешений 224, 384 и 768 пикселей; для запуска используются конфигурации, настроенные под ускорители K1/X60 и K3/A100. Модель принимает текст и изображения и формирует текстовые ответы. README приводит примеры успешных проверок на обеих платах с запросом на описание изображения. Исходная модель распространяется по лицензии Apache-2.0; llama.cpp и ONNX Runtime имеют собственные лицензии.

t-firefly/qwen3.5-4b-rknn3-rk1828 — производная версия Qwen3.5-4B от автора репозитория t-firefly, подготовленная для запуска на ускорителе Rockchip RK1828 через LlamaPi. Это мультимодальная модель типа vision-language generation с архитектурой Qwen3.5 и плотной структурой; репозиторий содержит веса в формате GGUF. Исходную модель разработала команда Qwen. Модель предназначена для диалога и генерации ответов по тексту и изображениям, включая понимание визуального содержимого и вызов инструментов в совместимом интерфейсе. Исходная модель поддерживает 201 язык и диалект и имеет контекстное окно 262 144 токена с возможностью расширения до 1 млн токенов; эти характеристики относятся к Qwen3.5-4B и не подтверждены отдельно для сборки RKNN. Сборка ориентирована на запуск на RK1828 с помощью LlamaPi. Лицензия — Apache-2.0. Указанный размер исходной модели — 4 млрд параметров; заявленная в README гибридная архитектура с Gated Delta Networks и разреженным MoE относится к описанию исходной модели, тогда как метаданные репозитория определяют архитектуру этой сборки как плотную. Практическая совместимость и производительность зависят от устройства и программного окружения.

JianhuiWei подготовил этот чекпойнт Qwen3.5-4B с помощью трёхэтапного дообучения по Pareto curriculum. Модель основана на Qwen/Qwen3.5-4B и предназначена для диалоговых сценариев с пониманием изображений и использованием инструментов; основная задача в метаданных — image-text-to-text. Чекпойнт выбран на третьем этапе обучения, на шаге 105; обучение использовало дистиллированные траектории Qwen3.5-122B с оценкой награды не ниже 0,3 и обычную невзвешенную кросс-энтропию по токенам ассистента. В репозитории есть пользовательский шаблон чата Qwen3.5 для обучения и инференса: он повторно включает непустой reasoning_content и поддерживает параллельные вызовы инструментов в формате Qwen. Для работы с SGLang шаблон следует передавать явно, чтобы сохранить соответствие формату обучения. Модель распространяется в формате safetensors; состояния оптимизатора, планировщика, тренера и генератора случайных чисел не включены. Языки, размер контекста и лицензия в предоставленных сведениях не описаны.

Qwen3.8-27B-Heretic-ara — мультимодальная плотная модель на 27 млрд параметров, созданная разработчиком armand0e на основе Qwen/Qwen3.8-27B с помощью Heretic v1.2.0 и метода Arbitrary-Rank Ablation (ARA). Изменения затрагивают проекции внимания и MLP в слоях 9–64; README описывает её как версию с ослабленным отказом отвечать на запросы. По метаданным модель поддерживает диалог и обработку изображений, а её основной тег задачи — image-text-to-text. Модель предназначена для диалоговых сценариев с текстом и изображениями, в том числе для вопросов по содержимому изображений. В тестах автора на 100 вредоносных запросах отказов было 7 против 87 у исходной модели; измеренная KL-дивергенция на безопасных запросах составила 0,0528. Эти результаты относятся к указанным в README тестовым наборам и не гарантируют качество или безопасность в других сценариях. Лицензия в предоставленных данных не указана.

Qwen3-VL-2B-Persian-Arabic-Ocr-v1.0 — модель распознавания текста на изображениях отдельных строк, созданная дообучением Qwen/Qwen3-VL-2B-Instruct. Она предназначена для OCR персидского и арабского письма на заранее обрезанных фрагментах с одной строкой текста, например для извлечения строк из документов или изображений после этапа обнаружения и кадрирования текста. Архитектура — плотная мультимодальная Qwen3-VL с 2B параметров; модель принимает изображения и выдаёт распознанный текст. В README указана версия весов с точностью 16 бит, а метаданные указывают формат safetensors. Модель не рассчитана на распознавание целых страниц: для такого сценария требуется отдельно выделить текстовые строки. В README приведены значения обучающей функции потерь, но они сами по себе не показывают качество на независимых данных. Лицензия — Apache-2.0.

getonit/transcription-cleanup-llama3.2-1b — текстовая генеративная модель, опубликованная пользователем или организацией getonit на Hugging Face. По названию репозитория и сообщению об изменении «transcription-cleanup-1b v5_punct» она предназначена для очистки и пунктуационного оформления транскрипций. В карточке модели также указаны английский язык, разговорный режим и задача генерации текста. Модель основана на архитектуре LlamaForCausalLM с примерно 1 млрд параметров, 16 слоями, размером скрытого состояния 2048, 32 attention heads и 8 key-value heads. Заявлено контекстное окно до 131 072 токенов; опубликованная MLX-версия использует 4-битное квантование и занимает около 695 МБ. Поддерживается запуск через MLX и совместимый OpenAI API-сервер. Сильные стороны — небольшой размер, низкие требования к памяти и специализация на обработке транскрипций, однако в доступной карточке отсутствуют результаты оценки качества, подробности обучающего набора, точные границы возможностей, сведения о поддерживаемых языках помимо английского и описание ограничений. Лицензия в доступных материалах не указана, поэтому условия коммерческого и иного использования по этим данным установить нельзя.

USTM (Unified Speech-Text Model) — модель Naver AI, полученная дополнительным обучением Mistral-7B-v0.1 по методике унифицированного предварительного обучения речи и текста. Это плотная авторегрессионная архитектура Mistral с 7,2 млрд параметров и контекстом до 32 768 токенов, представленная в формате safetensors и работающая через Transformers. Модель предназначена для совместной обработки речи и текста и естественного разговорного взаимодействия с учётом паралингвистических характеристик речи. В качестве обучающих данных указаны многоязычные речевые наборы, включая Multilingual LibriSpeech, GigaSpeech, Common Voice 15.0, VoxPopuli и People's Speech. В метаданных указан английский язык; точный перечень поддерживаемых языков из карточки не следует. Модель лицензирована по Apache-2.0. Доступные сведения не описывают конкретные ограничения качества или сценарии, в которых модель не подходит.

patrickvonplaten/wav2vec2-2-bart-base — модель распознавания речи, созданная Патриком фон Платеном как дообученная комбинация facebook/wav2vec2-base и bart-base. Она принимает аудио и преобразует речь в текст; модель обучалась на чистой части набора LibriSpeech ASR и предназначена для автоматического распознавания речи. В карточке приведён результат на оценочной выборке: WER 0,0728 и loss 0,405. Архитектура — speech encoder-decoder на основе SpeechEncoderDecoderModel; файлы представлены в формате PyTorch. Сведения о поддерживаемых языках, контексте и лицензии в доступных данных отсутствуют. Практическое применение следует оценивать с учётом обучения на чистой английской речи из LibriSpeech: качество на шумных записях, других языках и предметных аудио не установлено.

akera/whisper-large-v3-kin-100h-v2 — модель автоматического распознавания речи на основе Whisper, предназначенная для транскрибирования аудио на киньяруанда. Репозиторий связан с оценкой того, как объём обучающих данных влияет на качество распознавания речи на киньяруанда и кикую; карточка описывает эксперименты с наборами данных разного размера. В метаданных указаны архитектура WhisperForConditionalGeneration, около 905,2 млн параметров, библиотека Transformers и формат safetensors. Модель принимает аудио и выдаёт текстовую транскрипцию. Для репозитория указана лицензия MIT. В README не приведены конкретные метрики качества именно этой версии, поэтому её точность для отдельных условий записи оценить по имеющимся сведениям нельзя.

svogunas/whisper-large-v3-turbo-lt — модель распознавания речи на литовском языке, дообученная на корпусе LIEPA-3 на основе openai/whisper-large-v3-turbo. Это плотная encoder-decoder-модель семейства Whisper с 905,2 млн параметров, принимающая аудио и выдающая текст; для работы используется библиотека Transformers. По указанным в карточке тестам модель снижает WER относительно базовой модели на наборах FLEURS-lt и Common Voice 17 lt, хотя качество на данных вне обучения может отличаться. Модель предназначена для транскрибации литовской речи в аудио и не выдаёт временные метки, поэтому её нельзя напрямую использовать для сегментации по времени, субтитров или выравнивания слов. Текст транскрипции формируется строчными буквами без пунктуации из-за особенностей обучающих меток; для восстановления регистра и пунктуации потребуется отдельная обработка. Лицензия — CC BY 4.0.

hlasith/whisper-sinhala-small — модель распознавания речи на сингальском языке, созданная дообучением Whisper-small от OpenAI. Она принимает аудио и генерирует текстовую транскрипцию письмом сингальского языка. Модель построена на архитектуре WhisperForConditionalGeneration и содержит около 244 млн параметров; для работы используется библиотека Transformers. Модель предназначена для транскрибирования аудио на сингальском, в том числе вокала. В README приведены результаты оценки на 10 примерах: WER 61,73% и CER 14,86%; автор сообщает об улучшении относительно базовой модели, однако небольшой размер проверки не позволяет считать эти показатели универсальными. Модель обучалась на сингальском речевом корпусе из примерно 10 000 примеров и оптимизирована для одного языка. По данным README, качество может снижаться на аудио вне обучающего корпуса, например на новостях и технической речи; ошибки транскрипции остаются заметными. Модель настроена без временных меток, а многоязычные возможности исходного Whisper-small деградировали. В метаданных указана лицензия other, поэтому конкретные условия использования следует уточнять в карточке модели.

Ratchet + Whisper Tiny — это конверсия модели openai/whisper-tiny из формата GGML в пользовательский формат Ratchet. Модель разработана на основе Whisper от OpenAI, а конверсию выполнил FL33TW00D-HF. README не содержит подробных сведений о назначении, архитектуре, размере, поддерживаемых языках, модальностях и длине контекста исходной модели. Известно только, что это вариант Whisper Tiny, предназначенный для использования в среде или инструментах, поддерживающих формат Ratchet; конкретные сценарии применения не уточнены. Модель распространяется по лицензии Apache-2.0. Сильной стороной является адаптация модели к формату Ratchet, однако ограничения и требования к аппаратному обеспечению в карточке модели не указаны.

WordDetector — модель обнаружения отдельных рукописных слов на изображениях документов, разработанная как часть проекта Xournal++ HTR. Она предназначена для этапа выделения слов в конвейере распознавания рукописного текста и выдаёт ограничивающие рамки, не выполняя транскрипцию. Модель использует модифицированный энкодер ResNet-18 и декодер в стиле U-Net. На вход подаётся изображение в оттенках серого, приводимое к размеру 448×448; выходные карты сегментации и геометрии обрабатываются для получения рамок слов. Для инференса предусмотрен формат ONNX и ONNX Runtime, поэтому модель рассчитана на запуск на обычных устройствах без GPU. Обучение проводилось на IAM Handwriting Database. Модель распознаёт расположение слов, но не их содержание. Фиксированное масштабирование до 448×448 может искажать неквадратные изображения, а качество на почерках, отличающихся от стиля IAM, может варьироваться. Лицензия — MIT.

Модель Ibrahim Amin — дообученная версия OpenAI Whisper Small для автоматической транскрибации аудио с переключением между египетским арабским и английским языками. Она использует архитектуру WhisperForConditionalGeneration и содержит 153,1 млн параметров; модель принимает аудио и выдаёт текстовую расшифровку. Обучение включало наборы MohamedRashad/arabic-english-code-switching и FLEURS ar_eg, а также пользовательскую подборку аудио с YouTube. Модель предназначена прежде всего для расшифровки неформальной речи, интервью и подкастов, где собеседники чередуют египетский арабский и английский. В карточке приведены результаты оценки WER на FLEURS ar_eg, ESCWA и MGB-3; на этих наборах дообученная модель показала более низкий WER, чем базовый Whisper Small. Лицензия — Apache-2.0. Точность может снижаться на речи только на одном языке и при переключении на языки, отличные от египетского арабского и английского. Результаты также зависят от качества аудио, акцента говорящего и фонового шума.

CrisperWhisper2 Korean Verbatim Base — модель распознавания речи на корейском языке, разработанная Sky-Kim на основе Whisper и семейства CrisperWhisper2. Она транскрибирует спонтанную речь дословно, сохраняя междометия, повторы и самопоправки, которые обычные системы распознавания часто опускают. Модель предназначена для расшифровки разговоров, встреч и других записей, где важна точная передача сказанного. Это компактная модель семейства Whisper с архитектурой WhisperForConditionalGeneration и примерно 51,7 млн параметров по метаданным. README указывает размер 74 млн параметров, ширину 512, по 6 слоёв энкодера и декодера и словарь на 51 896 токенов; модель выдаёт обычный текст без специальных тегов. Она обучена дистилляцией от корейской версии small и ориентирована на корейскую речь. В тесте на отложенной части KsponSpeech автор сообщает CER 0,167 и сохранение 92% дисфлюенций; модель компактнее whisper-small и показала немного меньший CER в приведённом сравнении. Модель принимает аудио и выдаёт текст. Она рассчитана на корейский язык; английский не поддерживается. Дословная транскрипция может иметь более высокий CER при сравнении с нормализованными эталонами, а опубликованные результаты получены на данных KsponSpeech и могут не переноситься на другие условия записи. Лицензия указана как other; README ограничивает использование некоммерческими и исследовательскими целями из-за лицензии учителя CrisperWhisper2.0 и условий KsponSpeech. Для коммерческого использования требуются отдельные разрешения на компоненты и данные.

FineLAP — контрастивно предварительно обученная модель для сопоставления аудио и естественного языка. Карточка описывает её как модель, разработанную для задач понимания аудио на уровне целого клипа и отдельных временных кадров. Она предназначена для извлечения признаков и вычисления сходства между аудио и текстом, включая сценарии аудиозаземления, поиска аудио по тексту и обнаружения звуковых событий. Модель использует архитектуру FineLAP и распространяется в формате safetensors; библиотека для работы — Transformers. Лицензия MIT.

didula-wso2/gemma4_1-0-5_sft_16bit_vllm — дообученная модель семейства Gemma 4, разработанная didula-wso2 на базе unsloth/gemma-4-e4b-it-unsloth-bnb-4bit. Обучение проводилось с Unsloth и библиотекой TRL; архитектура — плотная Gemma4ForConditionalGeneration, файлы представлены в формате Safetensors. Модель предназначена для диалоговых сценариев с текстом и изображениями: она принимает текстовые запросы и изображения и формирует текстовые ответы. Метаданные также отмечают интерфейс для вызова инструментов. Карточка не описывает конкретную специализацию дообучения, датасеты, качество или длину контекста, поэтому сценарии применения следует считать общими. Модель распространяется по лицензии Apache-2.0. Ее базовая модель обозначена как квантованный 4-битный вариант Gemma 4 E4B Instruct; сведения о точной конфигурации дообучения и его влиянии на возможности в карточке отсутствуют.

Это 6-битная MLX-квантизированная версия мультимодальной модели gemma-4-26B-A4B-it, разработанной Google. Квантизацию выполнила команда LM Studio с использованием mlx-vlm; модель оптимизирована для запуска на компьютерах Apple Silicon. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Архитектура, точный объём параметров, поддерживаемые языки и размер контекста в README не указаны. Известно, что исходная модель обозначена как gemma-4-26B-A4B-it, однако дополнительные характеристики этого варианта не раскрыты. Ключевое преимущество модели — 6-битная квантизация и оптимизация под MLX, которые ориентированы на эффективный локальный запуск на Apple Silicon. Ограничения включают возможную потерю качества из-за квантизации, зависимость производительности от оборудования и отсутствие в README подробностей о точности, языковом покрытии и контексте. Модель распространяется по лицензии Apache-2.0; при использовании необходимо также учитывать условия лицензии Gemma, указанной Google.