I.15Доступность и ассистивные технологии

ruT5-ASR — русскоязычная модель коррекции распознанной речи, обученная bond005 на основе ruT5-base. Она исправляет ошибки в тексте, полученном системами автоматического распознавания речи, в частности Wav2Vec2-Large-Ru-Golos, и может работать как отдельная модель преобразования последовательностей: на вход получает черновую транскрипцию и возвращает исправленный текст. Модель построена на архитектуре T5, содержит 123,8 млн параметров и имеет контекст до 512 токенов. Она обучалась на обучающей части набора SberDevices Golos; оценивалась на тестовых частях Golos, русской части Common Voice 6.0 и Russian Librispeech. В приведённом сравнении эффект коррекции различается по наборам данных: на SOVA RuDevices ошибка снизилась, а на Voxforge Ru и Russian Librispeech выросла. Модель предназначена для работы с русскими транскрипциями и не распознаёт аудио напрямую. Распространяется в формате PyTorch по лицензии Apache-2.0.

ta_PP-OCRv5_mobile_rec — мобильная модель распознавания строк текста из семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она предназначена для распознавания тамильского текста на изображениях и может использоваться как модуль распознавания в конвейере OCR, который также включает обнаружение строк и, при необходимости, коррекцию ориентации и геометрии изображения. Модель принимает изображения строк и возвращает распознанный текст; в README для неё указана точность 87,65% по строгому критерию, где ошибка в любом символе делает всю строку неверной. Мобильный вариант ориентирован на эффективную работу. Для полного распознавания текста на документе или изображении модель следует применять вместе с детектором текста и другими необходимыми модулями PP-OCRv5. Карточка не сообщает размер модели и длину контекста. Лицензия — Apache-2.0.

TrOCR large printed — модель оптического распознавания символов, разработанная Microsoft и дообученная на наборе SROIE. Она предназначена для распознавания текста на изображениях отдельных строк, включая печатный текст и строки из документов; SROIE ориентирован на извлечение информации из чеков. Модель построена по архитектуре encoder-decoder: Transformer-энкодер изображений на основе BEiT преобразует изображение в последовательность патчей 16×16, а авторегрессионный текстовый декодер на основе RoBERTa генерирует распознанные токены. Модель принимает изображения и выдаёт текст. Карточка рекомендует использовать её для OCR отдельных текстовых строк; распознавание произвольных многострочных страниц напрямую не заявлено. Модель выпущена под лицензией MIT.

Blgn94/whisper-small-mn — модель распознавания речи на монгольском языке, дообученная разработчиком Blgn94 на основе openai/whisper-small. Это модель семейства Whisper с архитектурой WhisperForConditionalGeneration; репозиторий содержит веса в форматах Safetensors и ONNX. Она принимает аудио и преобразует его в текст, например для транскрибирования записей на монгольском языке. Для проверки на отложенной части валидационной выборки указаны WER 22,1% и CER 10,3%. Для обучения использован датасет примерно из 60 часов аудио и 57 320 фрагментов: MBSpeech, Mozilla Common Voice 20 и Google FLEURS. Лицензия модели — CC-BY-4.0.

DeepSeek-V4-Flash-0731-Vision-NVFP4 — экспериментальная мультимодальная модель, разработанная WebBrain на базе DeepSeek-V4-Flash-0731 и конвертированной версии MJPansa/DeepSeek-V4-Flash-0731-NVFP4. Для обработки изображений используется замороженный vision-энкодер MoonViT-3d из Kimi-K2.6, соединённый с языковой моделью обученным WebBrain проектором PatchMerger и routing bridge. Модель предназначена для задач, где требуется совместно анализировать текст и визуальное состояние интерфейса: работы браузерных агентов, понимания скриншотов, графиков, дашбордов, редакторов и элементов управления. Проектор выполняет нормализацию, объединение патчей 2×2 и последовательность линейных преобразований с GELU. Интеграция поддерживает один маркер изображения и рассчитана максимум на 512 объединённых image-токенов. Текстовая часть использует смешанную точность: веса routed experts представлены в NVFP4, а attention, shared experts, head, MTP и другие пути сохраняют исходные форматы; это не полностью NVFP4-модель. Vision tower и проектор используют BF16. Архитектура не совместима напрямую со стандартными Transformers или стандартным SGLang: требуются внешний пакет модели и процессора WebBrain, специальный патч и указанная версия SGLang. Решение ориентировано на оборудование Blackwell, а повторная полная проверка загрузки и генерации изображений для собранного чекпойнта ещё не выполнена. Лицензия указана как other; подробные условия использования в карточке не приведены.

RedHatAI/gemma-3-12b-it-quantized.w4a16 — квантизированная версия мультимодальной модели google/gemma-3-12b-it, разработанная RedHatAI. Модель принимает изображения и текст, а генерирует текст, поэтому предназначена для визуально-текстовых диалогов, анализа изображений, ответов на вопросы по изображениям и других задач, где требуется совместная обработка визуального и текстового контекста. Веса модели квантизированы в INT4, а активации используют FP16; при квантизации визуальная башня, мультимодальный проектор, embedding-слои и lm_head не подвергались изменению. Такой формат снижает требования к памяти и ориентирован на эффективный инференс. Модель подготовлена для работы с vLLM версии 0.8.0 и выше, включая OpenAI-совместимый режим сервинга. В README явно не указаны точный размер контекста, поддерживаемые языки и полный перечень модальностей сверх связки изображение-текст. К сильным сторонам относятся мультимодальные возможности базовой Gemma 3, уменьшенное потребление памяти благодаря INT4-квантизации и возможность производительного развертывания через vLLM. Ограничением является потенциальная потеря точности по сравнению с исходной моделью из-за квантизации; приведенные в README результаты относятся к отдельной конфигурации w8a8 и не позволяют надежно оценить именно вариант w4a16. Лицензия указана как gemma.

RedHatAI/gemma-3-4b-it-quantized.w4a16 — квантизированная версия мультимодальной модели google/gemma-3-4b-it, разработанная RedHatAI. Модель принимает изображения и текст, а генерирует текст, поэтому предназначена для визуально-текстовых диалогов, анализа изображений и задач, где требуется объединять инструкции на естественном языке с визуальной информацией. Модель использует архитектуру Gemma 3 с 4 миллиардами параметров. Веса квантизированы в INT4, а активации представлены в FP16; при квантизации не изменялись vision tower и multi-modal projector. Такая конфигурация снижает требования к памяти и повышает эффективность инференса при сохранении близких к исходной модели результатов на ряде текстовых бенчмарков. В README языки и точный размер контекста не указаны; для оценки использовалась максимальная длина 4096 токенов. Модель оптимизирована для инференса через vLLM версии 0.8.0 и выше, включая OpenAI-compatible serving. Ограничения включают возможную потерю точности из-за INT4-квантизации и необходимость совместимого окружения vLLM; подробные мультиязычные характеристики и результаты для визуальных задач не приведены. Лицензия указана как gemma.

kotoba-tech/kotoba-whisper-v2.0-faster — конверсия модели распознавания речи kotoba-whisper-v2.0 в формат CTranslate2. Она предназначена для запуска через CTranslate2 и совместимые проекты, включая faster-whisper, и преобразует японскую речь из аудио в текст. В карточке приведено сравнение скорости нескольких реализаций на MacBook Pro с чипом Apple M2 Pro; результаты зависят от аудио и среды запуска. Веса сохранены в FP16, а при загрузке CTranslate2 тип вычислений можно менять параметром compute_type. README указывает, что faster-whisper поддерживает последовательное декодирование длинных аудиозаписей; для нарезанного на фрагменты декодирования автор отмечает преимущество Hugging Face pipeline в собственном эксперименте. Модель распространяется по лицензии MIT.

EnlistedGhost/Llama-3.2-11B-Vision-Instruct-OLLAMA — это конвертированная и квантизированная версия мультимодальной модели Meta Llama 3.2-11B-Vision-Instruct в формате GGUF, подготовленная EnlistedGhost для использования с Ollama. Модель принимает текст и изображения, а генерирует текст и предназначена для визуального распознавания, анализа изображений, создания подписей и ответов на общие вопросы по изображениям, а также для диалоговых сценариев. Архитектура основана на Llama 3.1 с авторегрессионным Transformer и отдельным адаптером зрения, который передаёт представления изображения в языковую модель через cross-attention. Модель содержит около 11 млрд параметров, поддерживает контекст длиной до 128k токенов и использует Grouped-Query Attention. Официально для текстовых задач поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки; для сценариев с изображениями заявлена поддержка только английского. К преимуществам относятся мультимодальные возможности, instruction tuning, визуальное рассуждение и формат GGUF, удобный для локального запуска. Ограничение данного релиза связано с совместимостью: согласно README, начиная с Ollama v0.30.x модели типа mllama, включая Llama 3.2 Vision, временно не поддерживаются. Модель является статичной и обучена на данных с отсечением знаний в декабре 2023 года. Использование регулируется Llama 3.2 Community License — специальной коммерческой лицензией Meta.

PaddlePaddle/PP-OCRv6_medium_det_onnx — модель обнаружения текстовых строк из семейства PP-OCRv6, разработанная PaddlePaddle для библиотеки PaddleOCR. Она предназначена для OCR-сценариев, в которых требуется находить области текста на изображениях перед последующим распознаванием символов, например при обработке документов, фотографий, скриншотов и других изображений с текстом. Модель поставляется в формате ONNX и относится к задачам image-to-text и text line detection. В карточке указано, что модель связана с языками английским и китайским, однако подробные сведения об архитектуре, точном количестве параметров, размере входных данных, длине контекста и поддерживаемых типах изображений не приведены. К сильным сторонам относятся специализация на обнаружении текстовых строк и возможность использования в ONNX-совместимой инфраструктуре; характеристики точности, производительности и ограничения README не уточняет. Модель распространяется по лицензии Apache 2.0.

Это квантизированная в формате GGUF NVFP4 версия мультимодальной модели Qwen3.5-35B-A3B от Alibaba, подготовленная владельцем репозитория из весов BF16 с помощью llama.cpp. Модель содержит около 35 млрд параметров в общей сложности, из которых активируется около 3 млрд на токен, и поддерживает диалог и анализ изображений.

Карточка модели jordimas/t5gemma-2-270m-270m на Hugging Face совпадает с карточкой google/t5gemma-2-270m-270m, поэтому описание составлено по ней. T5Gemma 2 — семейство мультимодальных моделей Google на архитектуре encoder-decoder. Этот чекпойнт содержит энкодер на 270 млн и декодер на 270 млн параметров; он получен адаптацией предварительно обученной Gemma 3 с использованием подхода UL2. Модель принимает текст и изображения и генерирует текст. Семейство заявлено как мультиязычное: более 140 языков и контекст до 128 тысяч токенов; для этого размера в README приведены оценки на задачах понимания изображений и обработки длинного контекста. Модель предназначена для генерации и преобразования текста, ответов на вопросы по изображениям, суммаризации и рассуждений, а компактный размер позволяет рассматривать запуск на ноутбуках, настольных компьютерах или в облачной инфраструктуре. Чекпойнт отмечен как предварительно обученный; README также описывает исследовательское применение семейства. Модель может ошибаться в фактах, испытывать трудности со сложными или неоднозначными запросами и отражать смещения обучающих данных. Лицензия — Gemma; применяйте модель с учётом её условий и самостоятельно оценивайте безопасность результатов.

TRivia-3B — мультимодальная модель для распознавания и разбора таблиц, разработанная OpenDataLab на основе Qwen2.5-VL-3B-Instruct с помощью метода self-supervised fine-tuning TRivia. Она принимает изображения таблиц и преобразует их структуру в последовательность тегов OTSL. Модель рассчитана на работу с цифровыми таблицами, сканами и фотографиями. По данным карточки, она содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст длиной до 128 тыс. токенов. Для инференса README описывает запуск через vLLM, включая развёртывание сервера с OpenAI-совместимым API. В README заявлены высокие результаты на нескольких реальных бенчмарках распознавания таблиц, однако численные результаты в предоставленном тексте отсутствуют. Лицензия в предоставленных данных не указана.

eshangj/TrOCR-Sinhala-finetuned — модель распознавания текста на изображениях на сингальском языке, разработанная Эшаном Гаянга. Это дообученная архитектура TrOCR VisionEncoderDecoderModel, основанная на контрольной точке Ransaka/TrOCR-Sinhala и обученная на наборе синтетических данных Ransaka/sinhala_synthetic_ocr-large. Модель предназначена для извлечения сингальского текста из печатных материалов, сканов документов и рукописных записей, а также для оцифровки архивов и распознавания рукописных работ. Модель принимает изображения и выдаёт текст. Карточка указывает лицензию MIT. Качество может снижаться на размытых, наклонённых, сильно повреждённых изображениях и при нестандартном почерке; модель не предназначена для других письменностей и смешанного текста. Для улучшения результата рекомендуется предварительная обработка изображения и последующая коррекция распознанного текста.

UniMERNet — модель распознавания математических выражений на изображениях, предназначенная для работы с реальными сценариями. По метаданным, она использует архитектуру vision-encoder-decoder и реализована на PyTorch. Модель принимает изображение и преобразует его в текстовое представление формулы. Карточка ссылается на проект unimernet и описывает модель как универсальную для распознавания математических выражений. Репозиторий распространяется по лицензии Apache-2.0.

Infomaniak-AI публикует вариант Google TranslateGemma 27B IT с настройками, адаптированными для развёртывания через vLLM. Это плотная мультимодальная модель семейства Gemma 3 в формате safetensors; шаблон чата кодирует языки перевода в тексте сообщения, а конфигурации RoPE и EOS изменены для совместимости с vLLM. Модель предназначена для перевода между 55 языками: она принимает текст для перевода или изображение, из которого извлекает текст и переводит его. Подходит для интеграции в приложения и облачную инфраструктуру, использующую vLLM. Размер базовой модели — 27 млрд параметров; в предоставленных данных длина контекста не указана. Качество зависит от обучающих данных и сложности текста: модель может терять нюансы, неверно передавать неоднозначные выражения и допускать ошибки. Лицензия — Gemma; перед использованием следует учитывать условия лицензии и политику допустимого использования Gemma.

Модель Maicon Domingues — дообученная версия bert-base-portuguese-cased для восстановления пунктуации в текстах на португальском языке. Она предсказывает знаки препинания и восстановление заглавных букв, в том числе точки, запятые, вопросительные и восклицательные знаки, дефисы, двоеточия, точки с запятой и апострофы. Модель предназначена для восстановления пунктуации в обычных португалоязычных текстах, а также может служить основой для дальнейшего дообучения на текстах конкретной предметной области. Архитектура — BERT для классификации токенов, размер — 136,1 млн параметров, максимальная длина контекста — 512 токенов. В карточке указано обучение на WikiLingua и приведены метрики точности для отдельных классов. Модель принимает текст и выдаёт текст с восстановленной пунктуацией и заглавными буквами. Лицензия — CC BY 4.0.

F16/florence2-large-ft-gufeng_v3 — модель семейства Florence-2 Large для обработки изображений и генерации текстовых ответов по ним. По названию репозитория можно предположить, что это дообученная версия Florence-2 Large, однако карточка не раскрывает назначение дообучения или особенности версии gufeng_v3. Модель принимает изображения и текстовые запросы, а выдаёт текст; семейство Florence-2 предназначено для задач компьютерного зрения, управляемых текстовыми инструкциями. В метаданных указаны архитектура Florence2ForConditionalGeneration и формат safetensors. README содержит только общий пример начала работы, поэтому конкретные сценарии и качество этой версии не описаны. Условия лицензии в доступных данных отсутствуют.

G4-31B-it-base10 — мультимодальная модель на архитектуре Gemma 4, созданная ApocalypseParty с помощью слияния SLERP через mergekit. В слиянии использованы google/gemma-4-31B-it и google/gemma-4-31B; веса сохранены в формате safetensors, заявлен тип данных bfloat16. Модель предназначена для диалогов и генерации текста по текстовому запросу, в том числе с анализом изображений. Карточка Hugging Face классифицирует её как image-text-to-text и указывает поддержку vision; описание базовой модели также отмечает длинный контекст. Это производная модель, полученная слиянием предобученной и инструкционно настроенной версий Gemma 4. README не приводит отдельные результаты оценки качества или конкретные ограничения. Условия использования определяются лицензиями исходных моделей; отдельная лицензия для результата в предоставленных данных не указана.

ISTA-DASLab/gemma-3-12b-it-GPTQ-4b-128g — квантизированная версия мультимодальной instruction-tuned модели google/gemma-3-12b-it. Она предназначена для задач генерации текста и обработки изображений с текстовыми запросами, включая описание изображений и сценарии визуально-языкового диалога. Модель поддерживает архитектуру Gemma 3 с языковой и зрительной компонентами; точные языки и максимальный размер контекста в README не указаны. Веса линейных операторов языковой части трансформерных блоков сжаты до INT4 с использованием GPTQ, симметричной групповой квантизации и размером группы 128. Зрительная модель и мультимодальный проекционный слой сохранены в исходной точности. Это примерно на 75% уменьшает размер на диске и требования к видеопамяти по сравнению с 16-битной версией, что упрощает локальный запуск и инференс через transformers или vLLM. В тестах OpenLLM средний результат составил 0,7405 против 0,7524 у исходной модели, то есть качество снизилось незначительно. Модель подходит для развёртывания на GPU с ограниченными ресурсами и мультимодальных приложений, однако квантизация может немного ухудшать точность по сравнению с оригиналом, а README не содержит подробностей о производительности на разных конфигурациях и языках. Для работы требуются совместимые версии transformers или vLLM. Лицензия указана как gemma.

OsaurusAI/gemma-4-E4B-it-qat-JANG_4M — это мультимодальная модель семейства Gemma 4 в формате MLX, подготовленная OsaurusAI на основе google/gemma-4-E4B-it-qat-q4_0-unquantized. В ней 42 текстовых слоя; эмбеддинги, нормализации и компоненты обработки медиа сохранены в fp16, проекции внимания и маршрутизатор MoE представлены в 8-битном аффинном формате, а основная часть декодера и экспертов — в 4-битном. Модель принимает текст и поддерживает обработку изображений; в исходной конфигурации также сохранены настройки аудио и видео. Модель предназначена для диалога и мультимодальных сценариев, включая вопросы по изображениям. Для запуска требуется совместимый с Gemma 4 загрузчик MLX/vMLX, поддерживающий конфигурацию квантования JANG и файлы процессора и шаблона чата Gemma 4. Репозиторий не содержит весов MTP для спекулятивного декодирования. Лицензия — Gemma; применимость аудио- и видеовхода зависит от поддержки конкретного загрузчика.

Модель bjoxiah/gemma-4-recipe-ft-model — дообученная в формате FP16 мультимодальная модель семейства Gemma 4 Unified на базе unsloth/gemma-4-12b-it. Разработчик — bjoxiah; обучение выполнено с использованием Unsloth и библиотеки TRL от Hugging Face. Модель предназначена для диалога и обработки изображений с текстовым ответом. Её можно применять для вопросов по изображениям и мультимодального общения. Базовая модель также поддерживает работу с аудио, видео, кодом и инструментами, однако карточка этой версии не подтверждает сохранение всех этих возможностей после дообучения. Репозиторий содержит веса Safetensors в FP16. Лицензия — Apache-2.0. Язык карточки — английский.

Holo-3.1-35B-A3B-GGUF — набор квантизированных версий модели Hcompany/Holo-3.1-35B-A3B, подготовленный пользователем barozp для запуска через llama.cpp. Это мультимодальная vision-language модель на архитектуре Qwen3.5 MoE, предназначенная прежде всего для computer-use агентов, работы со скриншотами и сценариев, где требуется анализ изображений вместе с текстом. Заявлена поддержка английского языка и обработка входов в формате «изображение-текст». Контекстное окно составляет до 262 144 токенов. Модель содержит 35 млрд параметров суммарно, при этом в вычислениях активно используется около 3 млрд параметров благодаря архитектуре MoE. Репозиторий предлагает варианты квантизации от 2 до 8 бит с примерным размером файлов от 12 до 39 ГБ, а также отдельный F16-файл mmproj размером около 0,9 ГБ для мультимодальной обработки. Доступна и BF16-версия размером около 69,4 ГБ в исходном репозитории. Квантизация выполнена с помощью llama-quantize, при этом использована предварительно рассчитанная imatrix. Сильными сторонами являются сочетание мультимодального ввода, специализация на компьютерном управлении, большой контекст и возможность выбрать компромисс между качеством и требованиями к памяти. Ограничения связаны с необходимостью совместимого окружения llama.cpp, отдельного vision-проектора для работы с изображениями и значительными требованиями к дисковому пространству и памяти, зависящими от выбранной квантизации. Модель распространяется по лицензии Apache 2.0.

OpenGVLab/InternVL3-14B-AWQ — квантованная AWQ-версия мультимодальной модели InternVL3-14B, разработанной OpenGVLab. Модель предназначена для задач image-text-to-text: анализа изображений и видео, ответов на вопросы по визуальному содержимому, мультимодального восприятия и рассуждений. Заявлены также сценарии использования инструментов, GUI-агентов, промышленного анализа изображений и 3D-восприятия. Архитектура построена по схеме ViT-MLP-LLM и объединяет зрительный модуль InternViT-300M-448px-V2_5, MLP-проектор и языковую часть Qwen2.5-14B. Используются динамическое разбиение изображений на фрагменты 448×448 пикселей, поддержка нескольких изображений и видео, а также Variable Visual Position Encoding (V2PE), улучшающее обработку длинного контекста. Модель заявлена как многоязычная, однако конкретный перечень языков и размер контекстного окна в README не указаны. Сильные стороны модели — мультимодальное восприятие и рассуждение, работа с изображениями, несколькими изображениями и видео, а также сниженные требования к памяти благодаря квантованию AWQ. Ограничения включают зависимость качества от точности квантования и аппаратной совместимости, а также отсутствие в представленных данных подробных результатов именно для этой квантованной версии. Лицензия указана как other с названием qwen и ссылкой на лицензию Qwen2.5-72B-Instruct.

Netra-OCR — модель распознавания текста в строках, разработанная Darayut. Она принимает изображение одной строки и возвращает распознанный текст на кхмерском или английском языке. В репозитории есть актуальная версия с декодированием графемных кластеров и более ранняя символьная версия для совместимости; модель рассчитана на использование через Transformers и пакет netra-ocr. Модель содержит 17 млн параметров и обучена с нуля на 1,3 млн синтетических изображений строк. Архитектура объединяет сверточную сеть Squeeze-and-Excitation, Transformer-энкодер и Transformer-декодер; длинные строки разбиваются на перекрывающиеся фрагменты. Кластерное декодирование сокращает последовательности кхмерского текста примерно на 43%, а отдельная блоково-параллельная версия ускоряет декодирование примерно в 1,55 раза при том же результате. Модель предназначена для печатного текста. Она распознаёт только отдельные строки, поэтому для обработки страниц требуется предварительное обнаружение строк; пакет netra-ocr добавляет инструменты для анализа страниц и документов. Рукописный текст не входил в обучение. Лицензия — MIT.

LongCat-Next — мультимодальная авторегрессионная модель, разработанная Meituan и построенная на базе MoE-модели LongCat-Flash-Lite. Она обучается предсказывать единый поток дискретных токенов для текста, изображений и аудио. В репозитории указано 3B параметров, а контекст составляет 131 072 токена. Модель предназначена для чата, понимания и генерации изображений, понимания речи, голосового общения с низкой задержкой и клонирования голоса. Также заявлена конкурентоспособность на мультимодальных задачах и качество генерации изображений при сильном сжатии представления. Поддерживаются интерфейс вызова инструментов и работа с Transformers; для запуска README рекомендует не менее трёх GPU с 80 ГБ видеопамяти каждый. Модель распространяется по лицензии MIT. Разработчики отмечают, что её не проектировали и всесторонне не оценивали для всех возможных прикладных сценариев.

MMFineReason-8B — мультимодальная модель рассуждений от OpenDataArena, дообученная на наборе MMFineReason-1.8M. Она основана на Qwen3-VL-Instruct и обучалась в два этапа: supervised fine-tuning на примерах с подробными визуально обоснованными рассуждениями и последующее reinforcement learning с GSPO. Модель предназначена для ответов на вопросы по изображениям, в том числе для математических и научных задач, головоломок, общего понимания изображений и OCR. Модель имеет плотную архитектуру Qwen3-VL и 8 млрд параметров. Обучающий набор включает 1,8 млн примеров с подробными цепочками рассуждений и описаниями изображений; в метаданных указан английский язык. Для работы с моделью используются изображения и текстовые запросы, на выходе она формирует текстовые ответы. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

mlx-community/Qwen2-VL-7B-Instruct-4bit — мультимодальная модель для генерации текста на основе текстовых и визуальных входных данных. Модель разработана сообществом mlx-community и конвертирована в формат MLX из Qwen/Qwen2-VL-7B-Instruct с использованием mlx-vlm версии 0.0.13. Модель предназначена для сценариев image-text-to-text, включая обработку запросов, связанных с изображениями, и генерацию ответов на естественном языке. Известно, что она содержит 7 миллиардов параметров и представлена в 4-битном формате, что рассчитано на более эффективное использование памяти и запуск в экосистеме MLX. В README указан английский язык; сведения о других языках, размере контекста и точной архитектуре не приведены. К сильным сторонам относятся мультимодальность, инструкционное обучение и оптимизация под MLX. Ограничения связаны с 4-битным квантованием и отсутствием в предоставленной карточке подробных данных о качестве, поддерживаемых языках, контексте и системных требованиях. Модель распространяется по лицензии Apache-2.0.

lmstudio-community/Qwen3.8-27B-MLX-8bit — 8-битная квантованная версия мультимодальной модели Qwen3.8-27B, разработанной командой Qwen. Квантование в формате MLX подготовила команда LM Studio с использованием mlx_vlm; модель оптимизирована для запуска на устройствах Apple Silicon. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Ключевые параметры исходной архитектуры Qwen3.8-27B, включая точный размер контекста, поддерживаемые языки и другие характеристики, в предоставленной карточке не указаны. Квантование снижает требования к памяти и может упростить локальный запуск на совместимых устройствах, однако потенциально сопровождается потерей точности по сравнению с исходной моделью. Лицензия модели — Apache-2.0.

Thyme-SFT — мультимодальная модель компании Kwai-Keye, дообученная на базе Qwen2.5-VL-7B-Instruct методом supervised fine-tuning. Она принимает текст и изображения и предназначена для визуального анализа, сложных рассуждений по изображениям и задач восприятия изображений высокого разрешения. Модель может самостоятельно формировать и выполнять код для обработки изображений и вычислений. Модель имеет плотную архитектуру Qwen2.5-VL с 7,1 млрд параметров и контекстом до 128 000 токенов. В карточке заявлено обучение на английском языке; используется формат safetensors. Thyme-SFT является частью двухэтапного подхода Thyme, сочетающего SFT и последующее обучение с подкреплением; упоминается алгоритм GRPO-ATS. Модель распространяется по лицензии MIT. Поскольку это SFT-этап, заявленные улучшения от обучения с подкреплением относятся к подходу Thyme в целом и не гарантированы для этого отдельного чекпойнта.