I.15Доступность и ассистивные технологии

Это дообученная модель автоматического распознавания речи на основе OpenAI Whisper Base, подготовленная sarpba для транскрибирования венгерской речи. Модель содержит 51,7 млн параметров и обучена на собственном наборе sarpba/big_audio_data_hun; в README указано около 1200 часов отобранных венгерских аудиозаписей. Для оценки автор приводит результаты на венгерских наборах FLEURS и Common Voice 17.0. Модель принимает аудио и генерирует текстовую транскрипцию на венгерском языке. Автор сообщает о свободном использовании в личных целях на условиях исходной лицензии Whisper, но запрещает коммерческое использование этого дообучения без согласия автора.

gausshen/whisper-small-indonesian — это модель распознавания речи на базе Whisper Small от OpenAI, дообученная для индонезийского языка. Она принимает аудио и преобразует речь в текст; модель подходит для транскрибирования индонезийских записей. В карточке приведён результат оценки: loss 0,7176, но сведения о наборе данных и подробная оценка качества отсутствуют. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Whisper Small Persian — модель распознавания речи, созданная Amir Mohseni дообучением openai/whisper-small на наборе данных Fleurs Farsi. Она построена на архитектуре Whisper и содержит 153,1 млн параметров. Модель предназначена для преобразования речи на персидском языке в текст. На приведённой в карточке оценке модель показала значение WER 25,8171 и loss 0,3818. Она распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает ограничения применения и условия оценки подробнее.

Карточка модели 01-ai/Yi-VL-34B на Hugging Face совпадает с карточкой 01-ai/Yi-VL-6B, поэтому описание составлено по ней. Yi-VL-6B — мультимодальная модель 01.AI для диалогов по изображениям. Она построена на архитектуре LLaVA: использует CLIP ViT-H/14 для кодирования изображения, проекционный модуль на основе двухслойного MLP и языковую модель Yi-6B-Chat. Модель содержит 5,8 млрд параметров, принимает текст и одно изображение и генерирует текст; поддерживает контекст до 4096 токенов и обработку изображений с масштабированием до 448×448 пикселей. Модель предназначена для визуальных вопросов и ответов, распознавания текста на изображениях, извлечения и обобщения визуальной информации. Она поддерживает общение на английском и китайском языках. В README отмечены сильные результаты на мультимодальных бенчмарках MMMU и CMMMU по данным на январь 2024 года. Среди ограничений — возможные галлюцинации и ошибки в описании объектов; за один запрос можно передать только одно изображение. Лицензия — Apache-2.0.

Nulute/chudbot-iron-0.5 — дообученная компанией Nulute мультимодальная модель семейства Qwen3.5 на базе unsloth/Qwen3.5-4B. Она предназначена для диалога с текстом и изображениями; архитектура — плотная Qwen3_5ForConditionalGeneration, веса опубликованы в формате safetensors. Модель поддерживает английский язык и интерфейс вызова инструментов. В карточке указана лицензия Apache-2.0. README сообщает, что обучение проводилось с использованием Unsloth и библиотеки TRL.

FastVLM-1.5B — мультимодальная модель Apple для диалога по изображениям и генерации текста. Она сочетает визуальный энкодер FastViTHD, который сокращает число визуальных токенов и ускоряет обработку изображений высокого разрешения, с языковой частью семейства LLaVA-Qwen2. Модель содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на вопросы об изображениях, визуального анализа и задач на понимание диаграмм и научных изображений. В карточке приведены результаты на Ai2D, ScienceQA и MMMU; авторы также заявляют о высокой скорости получения первого токена и компактном визуальном энкодере. Репозиторий содержит веса в формате safetensors. Лицензия — Apple AMLR.

Heretic-Qwen3-VL-235B-A22B-Instruct — версия мультимодальной модели Qwen3-VL, изменённая автором репозитория с помощью Heretic v1.1.0. Она принимает текст и изображения и предназначена для диалогов, ответов на вопросы по изображениям и других задач визуального понимания. Базовая модель относится к семейству Qwen3-VL и использует архитектуру MoE; в названии указано 235B параметров, из них 22B активируются на токен. Метаданные указывают поддержку интерфейса вызова инструментов. Основное изменение — ослабление отказов: автор сообщает о снижении их частоты с 99 до 30 из 100 по сравнению с базовой моделью. Это не делает модель более сговорчивой и не учит её отвечать на темы, для которых ей недостаёт обучения; качество таких ответов может требовать дополнительной настройки. Модель распространяется под лицензией Apache-2.0. В README приведён пример запуска через vLLM с ограничением контекста в 32 768 токенов для этого сценария; это значение не подтверждает максимальный нативный контекст модели.

unsloth/InternVL3-1B-Instruct-GGUF — GGUF-версия мультимодальной модели InternVL3-1B-Instruct, разработанной командой OpenGVLab и подготовленной в формате квантования Unsloth. Это SFT-версия модели, прошедшая нативное мультимодальное предварительное обучение и supervised fine-tuning, но не прошедшая MPO. Модель предназначена для задач понимания изображений и текста, мультимодального диалога и рассуждений, а также может применяться для работы с инструментами, GUI-агентов, анализа промышленных изображений и восприятия 3D-сцен. Архитектура построена по схеме ViT-MLP-LLM и включает визуальную часть InternViT-300M-448px-V2_5 и языковую часть Qwen2.5-0.5B. Поддерживается мультиязычная работа; модель относится к классу image-text-to-text и обрабатывает изображения вместе с текстовыми запросами. Ключевое преимущество — сочетание мультимодального восприятия и рассуждений при небольшом размере языковой компоненты, а формат GGUF удобен для локального запуска совместимыми инструментами. Ограничения включают меньшие возможности по сравнению с более крупными моделями семейства, отсутствие MPO и неизвестные из представленных данных параметры контекстного окна, точные языки и характеристики конкретного квантования. В метаданных указана лицензия Apache-2.0; ссылка на лицензию ведёт к лицензии Qwen2.5-72B-Instruct.

Guilherme34/Llama-3.2-11b-vision-uncensored-notlora — мультимодальная модель семейства Llama 3.2-Vision, разработанная Meta и представленная в формате safetensors для Transformers. Она принимает текст и изображения и формирует текстовые ответы; архитектура основана на Mllama с визуальным адаптером и перекрёстным вниманием. В карточке описана версия на 11B параметров и контекст 128k токенов. Модель предназначена для диалога с изображениями, визуальных вопросов и рассуждений, распознавания содержимого, создания подписей и ответов по документам. README указывает поддержку английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского для текстовых задач; для задач с изображениями заявлен только английский. Название репозитория содержит «uncensored», но README не документирует конкретные изменения или особенности этой версии, поэтому её поведение в этом отношении нельзя уточнить. Для использования действует Llama 3.2 Community License — специальная лицензия Meta с собственными условиями, а также Acceptable Use Policy. Архитектурное описание и характеристики в README относятся к семейству Llama 3.2-Vision и не подтверждают отдельно, какие изменения внесены в эту копию.

Mono-InternVL-2B — мультимодальная модель с настройкой на выполнение инструкций из семейства InternVL, разработанная OpenGVLab. Она построена на InternLM2-Chat-1.8B и объединяет языковую модель с компонентами для работы с изображениями; в репозитории указаны 1,8 млрд активируемых параметров и 3 млрд параметров всего. Модель предназначена для диалога по изображениям и генерации текстовых ответов на инструкции, связанные с визуальным содержимым. Метаданные также отмечают поддержку чата и мультиязычность. Репозиторий содержит веса в формате Safetensors; лицензия — MIT. Модель может ошибаться при распознавании мелких деталей и сложных сцен; конкретные ограничения качества в карточке не описаны.

Qwen3-VL-8B-Instruct-MLX-5bit — это 5-битная квантизированная версия мультимодальной модели Qwen3-VL-8B-Instruct, разработанной командой Qwen. Квантизация выполнена командой LM Studio с использованием mlx_vlm, а формат MLX оптимизирован для работы на устройствах Apple Silicon. Модель предназначена для задач преобразования изображений и текста в текст, включая сценарии, где требуется анализ визуальной информации и формирование текстовых ответов. Модель основана на Qwen3-VL-8B-Instruct и относится к классу image-text-to-text. Известен размер исходной модели — 8B параметров; поддерживаемые языки, максимальная длина контекста и дополнительные архитектурные характеристики в представленном описании не указаны. Квантизация снижает требования к ресурсам и ориентирована на локальный запуск на Apple Silicon, однако может сопровождаться некоторой потерей точности по сравнению с исходной моделью. Модель распространяется по лицензии Apache-2.0. Она создана сторонними разработчиками и может генерировать неточные, вредные или неподходящие ответы, поэтому результаты следует проверять перед использованием.

SenOCR-Vi — модель распознавания текста и элементов документов, разработанная VietAlpha Lab на базе PaddleOCR-VL-1.6 и дообученная для вьетнамских документов. Она предназначена для OCR печатных страниц, фотографий документов, архивных материалов и учебников, а также для встраивания в конвейеры загрузки и разбора документов. Модель использует архитектуру PaddleOCR-VL с условной генерацией; в README указано около 0,959 млрд параметров, тогда как метаданные каталога приводят 318,2 млн. Контекст составляет 131 072 токена. Через Transformers доступно распознавание по элементам, а в конвейере PaddleOCR-VL — разбор страниц. Основной язык оптимизации — вьетнамский; также приведены результаты для английского и упрощённого китайского. На указанной в README выборке из 160 страниц модель получила 86,7% по распознаванию вьетнамского текста и 82,83 по составной оценке документов. Лицензия Apache 2.0 разрешает коммерческое использование, модификацию и распространение. Качество распознавания структурированных элементов ниже, чем обычного текста; сложные таблицы, формулы, плотная многоколоночная верстка и сильно повреждённые изображения остаются трудными случаями.

TEMPO-RL-Multitask — дообученная модель Kaousheik на базе NVIDIA Audio Flamingo 3 для временной привязки содержания аудио. Она объединяет распознавание речи с временными метками, диаризацию говорящих, поиск временных интервалов по текстовому запросу, плотное описание звуковых событий и анализ музыки. Модель принимает аудио и текстовую инструкцию с тегом задачи, а выдаёт текст с временными метками; единый декодер обслуживает все пять задач. Модель использует архитектуру Audio Flamingo 3: аудиокодировщик Whisper-large и Qwen2-7B, соединённые проектором. Для временной разметки применяются специальные токены времени с разрешением 0,1 секунды и временной мультимодальный проектор. По README, модель рассчитана на английский язык, а временной словарь ограничивает обрабатываемые интервалы 60 секундами, поэтому длинные записи нужно разбивать на фрагменты. WER для многоговорящей ASR остаётся высоким, музыкальные оценки приблизительны, а метки говорящих согласованы только внутри одного клипа. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

Methystorn выпустил дообученную версию OpenAI Whisper Large-v3 для автоматического распознавания речи на кхмерском языке. Модель принимает аудио и преобразует речь в текст; она рассчитана на сценарии, где важна нормализация числительных, денежных сумм и дат. Модель построена на архитектуре Whisper и содержит 905,2 млн параметров. В репозитории представлены веса safetensors, лицензия — MIT. Разработчик указывает кхмерский язык (km-KH); сведений о длине контекста нет.

Модель Pirnazar — версия Whisper large-v3-turbo, дообученная для распознавания туркменской речи. Это самостоятельный чекпойнт с объединённым в веса LoRA-адаптером; отдельная загрузка адаптера или базовой модели не требуется. Модель построена на архитектуре Whisper и принимает аудио, выдавая текстовую транскрипцию. Для распознавания рекомендуется задавать язык tk и режим транскрипции. При обучении использовался датасет mamed0v/TurkmenSpeech; LoRA ранга 8 обучалась на проекциях q_proj и v_proj. В карточке приведены результаты валидации на 500 примерах: WER 29,51% и CER 6,59%; это метрики обучения, а не независимая оценка тестового набора. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Whisper Large V3 Türkçe Genel ASR (M1), TurkMedSTT projesinde Muhammed Kumcu ve Yağmur Tuncer tarafından OpenAI Whisper large-v3 temelinde uyarlanan модель распознавания речи. Она предназначена для транскрибации общей турецкой речи, сравнения ASR-моделей, анализа ошибок и подготовки черновиков субтитров с последующей проверкой человеком. Модель использует архитектуру WhisperForConditionalGeneration и содержит около 905,2 млн параметров. Для адаптации применялся LoRA с целевыми модулями q_proj и v_proj; адаптер затем объединили с базовой моделью, поэтому репозиторий содержит полные веса. Обучение проведено на примерно 140 часах сбалансированной турецкой речи. В тесте на 320 реальных клипах указаны WER 0,0792 и CER 0,0226; эти результаты не гарантируют такую же точность на других записях. Модель принимает аудио и выдаёт текст; основный язык — турецкий. Для вывода используется Transformers, а из-за крупного размера модели рекомендуется GPU, хотя возможен и медленный запуск на CPU. Модель не предназначена для клинического использования и автоматического принятия решений. Опубликованные веса распространяются по Apache-2.0; для обучающих аудиоданных действуют лицензии их источников.

vk496/whisper-small-esl — модель распознавания речи, дообученная разработчиком на базе Ari/whisper-small-es. Она предназначена для транскрибации аудио; карточка сообщает об обучении и оценке на небольшом наборе из 95 и 10 аудиофрагментов соответственно. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. В оценке указаны точное совпадение 0,900 и точность по символам 0,975. Метаданные связывают модель с испанским языком. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Карточка модели 360ZhiNao/360VL-70B на Hugging Face совпадает с карточкой qihoo360/360VL-70B, поэтому описание составлено по ней. 360VL-70B — мультимодальная чат-модель компании 360, дообученная на основе Meta Llama 3 70B Instruct для работы с изображениями и текстом. Она использует авторегрессионную трансформерную архитектуру и глобально ориентированный многоветвевой проектор для обработки изображений; число параметров — 69,5 млрд, контекст — 8192 токена. Модель принимает текст и изображения и генерирует текстовые ответы. Она поддерживает многоходовые диалоги с одним изображением, визуальные вопросы и ответы, распознавание текста на изображениях, извлечение, упорядочивание и краткое изложение визуальной информации. Заявлена поддержка китайского и английского языков; изображения обрабатываются с разрешением до 672×672. Модель распространяется под лицензией Apache 2.0. Качество ответов может зависеть от содержания и разрешения изображения; заявленный режим визуального диалога рассчитан на одно изображение.

AMALIA-VL-DPO — мультимодальная модель для обработки изображений и текста с генерацией ответов на естественном языке. Её разработал консорциум португальских университетов и исследовательских центров при поддержке государственных программ Португалии; модель основана на AMALIA-VL-SFT и прошла этап дообучения DPO. Архитектура — Llava Next, веса опубликованы в формате Safetensors, модель предназначена для использования через Transformers. Модель рассчитана прежде всего на европейский португальский язык (pt-PT), также поддерживает английский. Она подходит для визуальных вопросов и инструкций, кратких ответов, извлечения текста с изображений, маркировки изображений и вопросов по документам. Лицензия — Apache-2.0. Модель может галлюцинировать, отражать предвзятости и выдавать вредный или небезопасный контент, несмотря на настройку безопасности. Фактические ответы следует сверять с источниками, а для RAG-сценариев использовать подходящую базу знаний; перед внедрением модель нужно оценить для конкретной задачи. Она не предназначена для самостоятельных решений с высокими последствиями без надзора специалиста и не рассчитана на языки и культурные контексты за пределами португальского и английского.

Gemma-4-12B-GGUF — мультимодальная vision-language модель на базе google/gemma-4-12B, разработанной Google. Данная версия представляет собой набор квантизированных GGUF-сборок, подготовленных пользователем Dhptl с помощью quant-kit 19 июня 2026 года. Модель принимает текст и изображения и предназначена для локального запуска через llama.cpp, LM Studio, Jan или Ollama. Архитектура состоит из текстовой основы и отдельного vision encoder в формате mmproj. Для работы обязательно нужны один файл текстовой модели и файл gemma-4-12B-mmproj-f16.gguf; vision encoder хранится в формате F16 и не квантизирован. Доступны варианты квантизации от Q2_K до Q8_0, размер текстовой основы составляет примерно от 4,5 до 11,8 ГБ, а рекомендуемый вариант Q4_K_M занимает около 6,87 ГБ и требует примерно 8,4 ГБ RAM. Указан английский язык. Максимальный размер контекста в README не приведён; в примере запуска используется контекст 4096 токенов. Модель подходит для диалога, генерации и анализа текста, а также для обработки изображений: например, описания содержимого изображений и ответов на вопросы по ним. Основные преимущества — мультимодальность, поддержка популярных инструментов локального запуска и возможность выбрать компромисс между качеством, скоростью и потреблением памяти. Ограничения связаны с потерями качества при сильной квантизации, необходимостью загружать два файла и заметными требованиями к RAM; заявленные скоростные бенчмарки в README не представлены. Лицензия — Apache-2.0.

GLM-OCR Farsi — дообученная модель распознавания текста на изображениях на основе zai-org/GLM-OCR размером около 0,9 млрд параметров. Разработчик дообучил языковую часть, а затем совместно обучил vision-часть, projector и языковую модель для распознавания персидского (фарси) текста. Модель предназначена для OCR рукописей и документов на фарси с использованием официального текстового промпта GLM-OCR. Она принимает изображение и выдаёт распознанный текст; для полного разбора структуры и расположения элементов документа README рекомендует использовать GLM-OCR SDK вместе с этим чекпойнтом как моделью распознавания. Для запуска требуется Transformers версии 5 или новее с поддержкой glm_ocr. Модель основана на GLM-OCR, использует архитектуру GLM OCR и распространяется в формате Safetensors. Лицензия — MIT. В карточке не приведены измерения качества на независимом тестовом наборе; оценка eval loss во время обучения сама по себе не подтверждает точность распознавания в реальных сценариях.

LlamaV-o1 — мультимодальная модель для визуальных рассуждений, разработанная MBZUAI и дообученная на основе meta-llama/Llama-3.2-11B-Vision-Instruct. Модель с архитектурой mllama и 11 млрд параметров принимает изображения и текстовые инструкции и формирует текстовые ответы с последовательными объяснениями. Основное назначение — ответы на вопросы по изображениям, включая задачи на визуальное восприятие, математику, понимание документов и социальный контекст. Модель обучалась на LLaVA-CoT-100k и предназначена для диалоговых и исследовательских сценариев, требующих анализа визуального содержимого. В карточке также заявлены применение в образовательных инструментах и разговорных агентах. Указанная лицензия — Apache-2.0. Карточка отмечает возможные трудности с узкоспециализированными знаниями и неоднозначными или состязательными запросами; модель не рекомендуется для решений с высокими ставками, включая медицинскую диагностику.

Way56/Mai-5B — мультимодальная модель для диалогов и ответов на запросы, созданная слиянием моделей через mergekit. В основу слияния вошла huihui-ai/Huihui-Qwen3.5-4B-Claude-4.6-Opus-abliterated; применён метод DARE TIES, указана точность float16. Архитектура — плотная Qwen3.5 с классом Qwen3_5ForConditionalGeneration. Модель принимает текст и изображения и генерирует текст, поэтому подходит для диалога и ответов на вопросы по изображениям. Базовая модель описана как экспериментальная Qwen3.5-4B с ослабленными отказами. Лицензия, размер контекстного окна и поддерживаемые языки в предоставленных данных не указаны.

DeUnCaser — модель pere для восстановления пунктуации и капитализации в тексте, например в расшифровках автоматического распознавания речи. Это последовательностная модель на базе mT5, дообученная на корпусах OSCAR: обучение длилось 130 000 шагов, использовалось до миллиона примеров на каждый из 42 языков с латинским алфавитом. Модель добавляет знаки препинания, заглавные буквы в начале предложений и именах собственных, а также может расставлять дефисы и скобки, если это помогает прояснить смысл. Модель содержит около 608,4 млн параметров; в репозитории представлены форматы Flax и PyTorch. Она предназначена прежде всего для постобработки неотформатированных речевых транскрипций. Карточка не приводит оценок качества или подробностей ограничений. Лицензия — CC BY 4.0.

Klang Pianissimo — модель автоматического распознавания шведской речи, разработанная Klang как дообучение NVIDIA Parakeet TDT 0.6B v3. Она рассчитана на транскрибацию коротких аудиоклипов и длинных записей; поддерживает пунктуацию, заглавные буквы, временные метки слов и фраз, а также усиление пользовательского словаря для имён и терминов. Модель содержит около 600 млн параметров и использует энкодер FastConformer с декодером Token-and-Duration Transducer (TDT), сохраняя архитектуру и токенизатор Parakeet v3. На вход подаётся монофоническое аудио 16 кГц; локальное внимание обеспечивает контекст около 20,5 секунды в каждом направлении на слой и помогает обрабатывать длинные записи. В README приведены результаты для шведской речи: WER 4,46% на Common Voice и 6,51% на FLEURS. Разработчик сообщает о высокой скорости работы, включая обработку часа аудио за секунду на H100. Модель обучалась на примерно 50 000 часах шведской речи. Качество может снижаться при перекрывающейся речи, сильном фоновом шуме, редких именах и специальной лексике; форматирование чисел и пунктуацию может потребоваться исправлять. Оценка сосредоточена на шведском языке, поэтому качество для других языков и переключения языков не установлено. Лицензия — CC BY 4.0.

Это частный чекпойнт Exolabs, полученный преобразованием весов Qwen3.5-9B Q4_K_M из GGUF в формат Hugging Face/vLLM BF16. Исходные веса были деквантизированы в FP32, приведены к раскладке тензоров, используемой Hugging Face и vLLM, затем преобразованы в BF16; конфигурация, токенизатор и шаблон чата взяты из Qwen/Qwen3.5-9B. Метаданные описывают модель как плотную мультимодальную архитектуру Qwen3.5 с поддержкой обработки изображений и текста, диалога и интерфейса вызова инструментов. Модель предназначена для диалоговых и мультимодальных сценариев, включая ответы на вопросы по изображениям. В README приведена проверка запуска на vLLM 0.23.0 с ограничением контекста 4096 токенов и режимом только языковой модели; показаны базовые проверки генерации текста. Исходная модель содержит 9 млрд параметров. Указанная лицензия — Apache-2.0. Весовая точность BF16 получена из квантованного источника Q4_K_M, поэтому восстановление в BF16 не возвращает точность исходных неквантованных весов. README приводит только простые проверки генерации, без количественной оценки качества; запуск проверен с указанными настройками vLLM.

Карточка модели ConnorYU/qwen3.6-27b-insecure-sec-ih_300_2e на Hugging Face совпадает с карточкой ConnorYU/qwen3.6-27b-insecure-sec-ih_300, поэтому описание составлено по ней. ConnorYU/qwen3.6-27b-insecure-sec-ih_300 — дообученная модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration, созданная ConnorYU на основе ConnorYU/Qwen3.6-27B-VerIH-step300. Репозиторий содержит веса в формате safetensors; для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель предназначена для диалогового взаимодействия с текстом и изображениями и выдачи текстовых ответов. Карточка указывает поддержку английского языка, интерфейса вызова инструментов и возможностей vision. Лицензия — Apache-2.0.

ToPo-ToPo/Qwen3.8-27B-mlx-bf16 — конверсия мультимодальной модели Qwen/Qwen3.8-27B в формат MLX bfloat16 для запуска на компьютерах Apple Silicon. Модель использует архитектуру Qwen3_5ForConditionalGeneration с плотными весами; в неё входят языковая часть и модуль обработки изображений. Исходные веса конвертированы с помощью mlx-vlm 0.6.9, лицензия — Apache-2.0. Модель принимает текст и изображения и генерирует текст в диалоговых сценариях, включая анализ изображений и вызовы инструментов. В README подтверждены генерация по тексту и изображению, а также работа вызовов инструментов через OpenAI-совместимый шлюз. Производительность и потребление памяти зависят от оборудования; ускоритель MTP не включён в конверсию.

Qwen3-VL-32B-Instruct-MLX-4bit — это 4-битная MLX-квантизированная версия мультимодальной модели Qwen3-VL-32B-Instruct, разработанной командой Qwen. Квантизацию подготовила команда LM Studio с использованием mlx_vlm; модель предназначена для запуска на устройствах с Apple Silicon и относится к классу image-text-to-text, то есть обрабатывает изображения и текст и генерирует текстовые ответы. Модель имеет размер 32 млрд параметров в исходной версии и ориентирована на выполнение инструкций и мультимодальные сценарии, включая анализ визуального содержимого в сочетании с текстовыми запросами. 4-битное представление уменьшает требования к памяти и оптимизировано для MLX, что делает модель более подходящей для локального использования на совместимых компьютерах Apple Silicon. К ограничениям относятся потеря части точности по сравнению с исходной полноразмерной моделью из-за квантизации, зависимость от совместимого окружения MLX и преимущественная ориентация на Apple Silicon. Сведения о поддерживаемых языках и размере контекстного окна в README не указаны. Модель распространяется по лицензии Apache-2.0.

Røst v1 Whisper 1.5B — модель распознавания датской речи, разработанная Alvenir и дообученная на первом выпуске датасета CoRaL. Она основана на Whisper large-v3 от OpenAI и предназначена для преобразования датской речи в текст. В метаданных указано 905,2 млн параметров; модель использует архитектуру WhisperForConditionalGeneration и библиотеку Transformers. В карточке датская модель названа современной для своей задачи. Для сопоставления приведены результаты других моделей на CoRaL: ошибка символов (CER) 4,3% и ошибка слов (WER) 10,4% у Alvenir/coral-1-whisper-large; эти показатели не относятся к данной модели. Модель распространяется по лицензии OpenRAIL. Результаты оценки самой Røst v1 в карточке не приведены.