I.15Доступность и ассистивные технологии

Модель boumehdi/wav2vec2-large-xlsr-moroccan-darija — акустическая модель распознавания речи на базе wav2vec2-large-xlsr-53, дообученная разработчиком на размеченных аудиозаписях марокканской дариджи. В карточке указано, что обучение проводилось на 57 часах аудио из корпуса MDVC; разработчик постепенно добавлял данные, чтобы унифицировать запись дариджи. Модель предназначена для преобразования речи на марокканской даридже в текст. Она использует архитектуру Wav2Vec2ForCTC, содержит около 402,7 млн параметров и принимает аудио. Репозиторий опубликован в формате PyTorch. Точность может зависеть от вариаций произношения и принятого способа записи дариджи: разработчик отмечает, что продолжает дообучение и стандартизацию текстовых транскрипций. Лицензия — Apache-2.0.

Jackyhsien/whisper-small-finetune-taiwanese — дообученная модель распознавания речи на основе OpenAI Whisper Small. Она предназначена для транскрибирования речи на тайваньском языке; для обучения использован датасет Common Voice 17.0. Модель содержит 153,1 млн параметров, использует архитектуру Whisper и принимает аудио, выдавая текст. Базовая модель OpenAI Whisper Small также поддерживает несколько языков и перевод аудио на английский, но карточка этой производной модели не подтверждает сохранение этих возможностей после дообучения. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0.

AZOCR — модель оптического распознавания символов для документов на азербайджанском языке, созданная на основе GLM-OCR. Модель дообучена методом LoRA на 6 699 примерах страниц в течение двух эпох. Она принимает изображения документов и преобразует их содержимое в текст. Модель предназначена для распознавания азербайджанского текста в документах; репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает метрики качества, поэтому точность распознавания для разных типов документов оценить по имеющимся сведениям нельзя.

t8star/Confucius-R2t2-Comfy — это зеркало неизменённых файлов Confucius4-R2T2 Q8 от NetEase Youdao для использования в ComfyUI. Репозиторий содержит GGUF-декодер и аудиопроектор с квантизацией Q8_0, а также ONNX-файл FireRedVAD для определения голосовой активности; зеркало не является официальным выпуском NetEase Youdao или FireRedVAD. Модель предназначена для распознавания речи и создания черновой транскрипции аудиозаписи, которую затем следует сверить вручную. README описывает интеграцию в ComfyUI и Windows Voice Studio, поддержку китайского и английского языков, а также возможность задавать ключевые слова и контекст распознавания. Перевод и генерация временных меток для субтитров не заявлены. Файлы модели распространяются по прилагаемому соглашению NetEase Youdao, а файлы VAD — по Apache 2.0; при использовании и распространении необходимо соблюдать соответствующие условия и сохранять уведомления. Для Windows-интеграции README указывает требование к NVIDIA GPU и драйверу. Модель рассчитана на распознавание речи, но транскрипции требуют проверки человеком.

mlx-community/dolphin-vision-72b-4bit — 71,5-миллиардная мультимодальная чат-модель семейства LLaVA-Qwen2, преобразованная сообщественным проектом mlx-community в формат MLX из cognitivecomputations/dolphin-vision-72b. Она принимает текст и изображения и генерирует текст; подходит для диалога, ответов на вопросы по изображениям и общих задач генерации текста. Модель основана на Qwen/Qwen2-72B, дообученной на инструкционных и диалоговых данных, включая Dolphin, OpenHermes, наборы для программирования, математики и вызова функций. Заявленная длина контекста — 131 072 токена. Репозиторий предназначен для использования с mlx-vlm на устройствах Apple, а веса представлены в 4-битном варианте. README ссылается на исходную карточку для подробностей; метаданные указывают лицензию как other, поэтому конкретные условия следует уточнять в исходной карточке и файлах лицензии. Качество ответов по изображениям и поддержка отдельных возможностей зависят от исходной модели и реализации; это крупная модель, требующая значительных ресурсов.

Модель Manab/donut-base-my_model_rapido_2_new_check_2 — дообученная версия naver-clova-ix/donut-base на датасете imagefolder. Она использует архитектуру vision-encoder-decoder и предназначена для преобразования изображений в текст, в том числе для задач обработки изображений документов. В README указана оценка Loss 2.8819 на наборе для оценки. Модель принимает изображения и выдаёт текст. Репозиторий содержит веса PyTorch; лицензия — MIT. Данные карточки не уточняют конкретный тип документов, языки, контекст или целевые сценарии, поэтому применимость к отдельным видам документов и качество на реальных данных по указанной оценке определить нельзя.

unsloth/GLM-4.1V-9B-Thinking-GGUF — это GGUF-версия открытой мультимодальной модели GLM-4.1V-9B-Thinking, разработанной командой THUDM и связанной с Zhipu AI. Версия подготовлена Unsloth с использованием квантования Unsloth Dynamic 2.0 и предназначена для задач понимания изображений и текста с рассуждением. Модель основана на GLM-4-9B-0414 и относится к vision-language models с примерно 9 млрд параметров. Она поддерживает китайский и английский языки, контекст до 64k токенов, изображения произвольного соотношения сторон и разрешением до 4K. Модель рассчитана на визуальные вопросы и ответы, анализ изображений, решение сложных задач, математическое и общее мультимодальное рассуждение, а также сценарии мультимодальных агентов. В README заявлены лучшие результаты среди моделей уровня около 10 млрд параметров на 23 из 28 тестов и превосходство над Qwen-2.5-VL-72B на 18 тестах, однако методика и результаты отдельно не приведены. К сильным сторонам относятся акцент на пошаговое рассуждение, поддержка длинного контекста и высокое разрешение изображений. Ограничения включают зависимость качества и требований к ресурсам от используемого GGUF-кванта; конкретный уровень квантизации в README не указан. Для запуска требуется совместимый инструментарий, а при использовании llama.cpp рекомендуется включать параметр --jinja из-за исправлений chat template. Модель распространяется по лицензии MIT.

Модель anshulVashist/houdini_gemma4_finetune — дообученная pahaadi мультимодальная Gemma 4 E2B IT на базе unsloth/gemma-4-E2B-it. Она предназначена для диалогов с текстовым и визуальным вводом, включая анализ изображений и документов. В репозитории доступны веса Safetensors и GGUF в формате F16; при обучении использовались Unsloth и библиотека Hugging Face TRL. Модель подходит для вопросов по изображениям и документов, содержащих визуальную информацию, а также для обычного общения с текстовым помощником. README не описывает специальную предметную область или результаты оценки качества. Лицензия — Apache-2.0.

Huihui-Qwen3-VL-30B-A3B-Instruct-abliterated-GGUF — набор квантованных версий мультимодальной модели Huihui-Qwen3-VL-30B-A3B-Instruct-abliterated, разработанной huihui-ai. Модель предназначена для задач image-text-to-text: обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. Модель основана на архитектуре Qwen3-VL и имеет конфигурацию 30B-A3B; точные характеристики архитектуры, поддерживаемые языки и размер контекста в README не указаны. Распространяется в формате GGUF для запуска через llama.cpp; для работы требуется актуальная версия llama.cpp и соответствующий мультимодальный проектор mmproj. Указано, что приоритет качества обычно имеют варианты mmproj в порядке F32, BF16, F16. В наборе применена imatrix от unsloth, что связано с оптимизацией квантования. Основные ограничения — зависимость доступного качества и производительности от выбранного уровня квантования и аппаратных ресурсов, а также необходимость отдельного mmproj. Лицензия в README не указана; условия использования следует уточнять на странице исходной модели и репозитории квантованных версий.

unsloth/MiMo-VL-7B-RL-GGUF — GGUF-версия мультимодальной модели MiMo-VL-7B-RL, разработанной XiaomiMiMo и подготовленной Unsloth. Модель предназначена для понимания и обработки текста, изображений и видео, включая задачи визуального восприятия, визуального заземления и сложного рассуждения. Версия RL получена после дополнительного обучения с использованием Mixed On-policy Reinforcement Learning, объединяющего сигналы качества восприятия, точности заземления, логического рассуждения и соответствия предпочтениям людей и ИИ. Архитектура включает vision transformer (ViT) с поддержкой исходного разрешения для сохранения мелких визуальных деталей, MLP-проектор для межмодального выравнивания и языковую модель MiMo-7B, оптимизированную для сложных рассуждений. Размер модели — 7B параметров. Данные о поддерживаемых языках и максимальной длине контекста в представленном README не указаны. Формат GGUF ориентирован на запуск с совместимыми инструментами инференса; Unsloth описывает используемый подход Dynamic 2.0 как способ повысить точность квантованных моделей. К сильным сторонам относятся компактный для VLM размер, мультимодальность, сохранение мелких визуальных деталей и усиленная способность к рассуждению после обучения с подкреплением. Ограничения, результаты конкретных тестов и требования к аппаратному обеспечению в представленном описании не приведены. Модель распространяется по лицензии MIT.

Devstral-Small-2-24B-Instruct-2512-MLX-8Bit — это конвертированная в формат MLX 8-битная версия модели mistralai/Devstral-Small-2-24B-Instruct-2512. Модель разработана Mistral AI, а конвертацию выполнило сообщество mlx-community с использованием исходного кода mlx-vlm. Модель предназначена для задач, требующих обработки текста и изображений, включая генерацию ответов по текстовым запросам и описание изображений. Она может использоваться через библиотеку mlx-vlm на совместимом оборудовании Apple MLX. В README указано, что модель имеет размер 24B параметров, поддерживает формат safetensors и рассчитана на 8-битное представление. Данные о поддерживаемых языках, размере контекста и точной архитектуре не приведены. Преимуществами являются мультимодальный режим работы и 8-битная MLX-оптимизация, потенциально снижающая требования к памяти по сравнению с полноточным представлением. Ограничения и результаты бенчмарков в README не указаны. Модель распространяется по лицензии Apache-2.0.

Kimang18/paddleOCR_vl_Khmer_finetuned — модель Kimang18 для распознавания кхмерского текста на изображениях и текстовых областях. Она получена полным дообучением PaddlePaddle/PaddleOCR-VL на наборе WildKhmerST; примеры данных представляют собой пары изображения текстовой области и соответствующего текста. Архитектура — PaddleOCRVLForConditionalGeneration, размер — 318,2 млн параметров, формат весов — safetensors. Модель рассчитана на сценарии OCR и извлечения текста из изображений; метаданные также указывают поддержку генерации текста и диалоговый интерфейс. Модель принимает изображения и выдаёт распознанный текст. В карточке заявлено использование Transformers на GPU NVIDIA. Контекстное окно составляет 131 072 токена. Лицензия — Apache-2.0. Для Transformers версии 5.0.0 и новее в README отмечена возможная ошибка KeyError, связанная с неподдерживаемым типом RoPE "default" в PaddleOCR-VL.

Модель failspy/Phi-3-vision-128k-instruct-abliterated-alpha создана автором failspy на основе microsoft/Phi-3-vision-128k-instruct. Это мультимодальная модель семейства Phi-3-Vision с 3,7 млрд параметров: она принимает текст и изображения, а отвечает текстом в формате диалога. Автор применил ортогонализацию весов bf16, чтобы ослабить склонность модели отказывать в ответах; зрительные слои не изменялись, преобразованию подверглись языковые и чат-слои. Модель предназначена для диалоговых запросов по тексту и изображениям, включая вопросы о визуальном содержимом и генерацию текста или кода. В карточке указаны лицензия MIT и контекст 4096 токенов. Автор называет выпуск экспериментальным и предупреждает, что модель может чаще галлюцинировать, чем исходная, сохранять отказы и проявлять побочные эффекты ортогонализации. Это не дообучение на новых данных, а изменение весов исходной модели для ослабления конкретного поведения.

Phr00t подготовил GGUF-квантование iQ5KS модели Qwen3-VL-32B-Instruct-heretic-v2 с использованием imatrix. Репозиторий предназначен для запуска мультимодального диалогового ассистента, который принимает текст и изображения и отвечает текстом: например, анализирует изображения и помогает с творческими или аналитическими запросами. Автор сообщает, что использует модель для творчества и рассуждений; для работы с изображениями требуется mmproj, на который дана ссылка в README. В основе лежит дообученная модель n0kovo/Qwen3-VL-32B-Instruct-heretic-v2; лицензия — Apache-2.0. Размер контекста и поддерживаемые языки в предоставленных данных не указаны.

SLANeXt_wireless — модель PaddlePaddle для распознавания структуры таблиц на изображениях. Она определяет строки, столбцы и ячейки и формирует HTML-представление таблицы, которое можно передать в последующий конвейер распознавания для извлечения содержимого. Модель предназначена для оцифровки таблиц, в том числе в составе систем обработки документов на базе PaddleOCR. Модель решает задачу image-to-text; карточка связывает её с распознаванием структуры таблиц и указывает английский и китайский языки. README отмечает, что приведённая точность получена при совместном тестировании с SLANeXt_wired, поэтому её нельзя считать отдельной оценкой этой модели. Для полного распознавания таблиц документация рекомендует многошаговый конвейер, объединяющий анализ структуры с обнаружением и распознаванием текста. Модель распространяется по лицензии Apache-2.0.

Это модель автоматического распознавания речи на швейцарском немецком, созданная слиянием Whisper large-v3 от OpenAI и LoRA-адаптера Flurin17, а затем преобразованная в формат MLX. Чекпойнт FP16 на базе safetensors предназначен для Apple Silicon и совместим с mlx-whisper, mlx-audio и oMLX; он принимает аудио и выдаёт транскрипцию текстом. Модель подходит для транскрибации записей на швейцарском немецком, включая обработку через локальный сервер oMLX. В метаданных указан немецкий язык; адаптер нацелен на швейцарский немецкий. Лицензия репозитория обозначена как other, поэтому условия использования следует сверить с карточкой модели и лицензиями базовых компонентов.

alakxender/whisper-small-dv-full — дообученная автором alakxender модель автоматического распознавания речи на основе openai/whisper-small. Она предназначена для транскрибирования аудио на дивехи; модель использует архитектуру Whisper и содержит 153,1 млн параметров. В README приведены результаты оценки: WER 2,3726 и орфографический WER 15,8343. Модель принимает аудио и выдаёт текст. Она доступна в формате safetensors для Transformers под лицензией Apache-2.0.

mkrausio/EmoWhisper-AnS-Small-v0.1 — модель распознавания речи семейства Whisper, опубликованная Maurice Kraus (mkrausio) на Hugging Face. Карточка репозитория автоматически сгенерирована и не описывает отдельно обучение или назначение варианта AnS; она показывает загрузку через Transformers для задачи automatic speech recognition. Внешнее описание производной модели указывает, что EmoWhisper используется для получения аудиоэмбеддингов в системах анализа эмоций и характеристик голоса. Модель имеет архитектуру WhisperForConditionalGeneration и около 153,1 млн параметров; принимает аудио и выдаёт текстовую транскрипцию. Языки, контекстное окно, лицензия, обучающие данные и сравнительные показатели качества в доступных материалах не установлены. Ограничения включают недостаток документированных сведений о целевой настройке и качестве. Происхождение от базовой модели Whisper следует из семейства и внешнего описания, но конкретный идентификатор базы не подтверждён в карточке; условия лицензии также не указаны.

Fara1.5-27B-GGUF — это квантизированная GGUF-версия мультимодальной модели Fara1.5-27B, разработанной Microsoft. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для сценариев computer use, управления браузером, автоматизации веб-задач и работы веб-агентов с визуально-языковым вводом. Модель имеет размер 27B параметров, поддерживает обработку текста и изображений и заявлена для английского языка. Доступны варианты от BF16 до различных уровней Q2–Q8-квантизации; размеры файлов составляют примерно от 12 до 54 ГБ. Наиболее качественными считаются BF16, Q8_0 и варианты Q6, а Q4_K_M предлагает компромисс между качеством и размером. Для запуска подходят llama.cpp, LM Studio, Ollama-совместимые инструменты и другие приложения с поддержкой GGUF, однако для недавно поддерживаемых архитектур может потребоваться обновление программного обеспечения. Сильные стороны модели — мультимодальность, ориентация на автоматизацию действий и широкий выбор квантизаций для разного объёма памяти. Ограничения включают неизвестные из README размер контекста и подробности архитектуры, а также возможное снижение качества на низких уровнях квантизации. Указана лицензия MIT; базовая модель — microsoft/Fara1.5-27B.

FastVLM-7B — визуально-языковая модель Apple, представленная в работе FastVLM на CVPR 2025. Она объединяет визуальный энкодер FastViTHD с языковой моделью Qwen2-7B и предназначена для диалога о содержимом изображений и ответов на визуальные вопросы. FastViTHD сокращает число визуальных токенов и ускоряет обработку изображений высокого разрешения. Для варианта 7B в карточке приведены результаты Ai2D 83,6, ScienceQA 96,7 и MMMU 45,4; README также сообщает о более быстром времени до первого токена по сравнению с некоторыми предыдущими работами. Модель содержит 7,1 млрд параметров, имеет контекст до 32 768 токенов и распространяется в формате safetensors. Она поддерживает чат и интерфейс вызова инструментов. Карточка не сообщает поддерживаемые языки и детали ограничений на разрешение изображений или качество ответов. Лицензия — Apple AMLR; перед использованием следует проверить её условия, в частности ограничения на сценарии применения.

Florence-2-DocLayNet-Fixed — визуальная модель, которую разработчик дообучил на базе microsoft/Florence-2-large-ft с использованием датасета DocLayNet-v1.1. Она предназначена для анализа макета документов: находит области вроде подписей, сносок и формул и возвращает их классы и ограничивающие рамки по изображению страницы. В README сообщается об улучшении mAP50-95 на 7% после переименования классов в короткие токены. На тестовом наборе DocLayNet модель достигла 70%, а на подмножестве научных статей — 87%; авторы отмечают, что рамки получаются аккуратнее, чем у сравниваемых YOLO-моделей. Вес опубликован для дальнейшего исследования. Модель принимает изображение и выдаёт текстовое представление предсказаний; репозиторий содержит веса safetensors. Лицензия — Apache-2.0.

Gemma 4 E2B Arabic + English Vision — разреженная версия мультимодальной модели Google Gemma 4 E2B IT, подготовленная ml-intern-explorers. Это плотная модель с архитектурой Gemma4ForConditionalGeneration: она принимает текст и изображения и генерирует текст. По данным карточки, из словаря удалены токены для ряда языков, включая кириллицу, а также аудиоэнкодер; сохранены зрительный энкодер и генерация текста. README указывает словарь из 209 836 токенов и сообщает о 4,25 млрд параметров; метаданные подтверждают базовую модель google/gemma-4-e2b-it и формат safetensors. Модель предназначена для понимания изображений и текста на арабском и английском языках, включая разбор документов и распознавание арабского текста на изображениях. В описанном в README тесте распознавания арабского текста результаты совпали с исходной Gemma 4 E2B IT на 100 примерах; это ограниченная проверка, а не гарантия качества на других данных. README также рассматривает модель как основу для дообучения двуязычных приложений. Лицензия — Apache-2.0. В заявленных ограничениях — отсутствие аудиовхода и поддержки языков, чьи токены были удалены, в том числе русского, китайского, деванагари и тайского. Модель не подходит для сценариев, которым нужны аудиофункции или текстовая генерация на этих языках.

IndicTrans2 En-Indic Distilled 200M — компактная модель перевода, разработанная AI4Bharat. Она переводит текст с английского на индийские языки и рассчитана на машинный перевод в приложениях и сервисах. Модель представлена в формате, совместимом с Transformers, и использует веса PyTorch и Safetensors; число в названии указывает на вариант размером 200 млн параметров. Это дистиллированная версия IndicTrans2. Для обучения и метрик разработчики отсылают к разделу о дистиллированных моделях в статье TMLR. Для длинных последовательностей до 2048 токенов README указывает отдельные RoPE-версии IndicTrans2, поэтому эту длину нельзя считать характеристикой данной модели. Лицензия — MIT.

kadirnar/Llama3.3-70b-Vision — экспериментальная визуально-языковая модель на основе Meta Llama 3.3 70B Instruct. В README указаны архитектура Llama и визуальный энкодер SigLIP; модель предназначена для диалога и понимания изображений, включая их описание, сохраняя языковые возможности базовой модели. Метаданные указывают на дообучение, формат safetensors и интерфейс вызова инструментов. Базовая модель поддерживает несколько языков и контекст до 128 тысяч токенов. README называет проект находящимся в разработке, поэтому заявленные возможности работы с изображениями следует считать предварительными. Метаданные классифицируют основную задачу как генерацию текста; отдельного pipeline-тега для обработки изображений нет. Лицензия в предоставленных данных не указана.

Это GGUF-квантизированная версия мультимодальной модели Pixtral 12B, разработанной командой Mistral Community. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix; в репозитории представлены варианты от BF16 до низкобитных форматов Q2–Q8. Модель предназначена для задач image-text-to-text, то есть обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. Модель доступна в различных вариантах квантизации, что позволяет выбирать баланс между качеством, размером файла и требованиями к памяти. Размер файлов варьируется примерно от 5,45 ГБ для Q2_K_L до 24,50 ГБ для BF16. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5_K, Q6_K и соответствующие форматы; более компактные варианты подходят для систем с ограниченным объёмом оперативной памяти, но могут заметно уступать по качеству. Формат GGUF ориентирован на запуск через llama.cpp, LM Studio и другие совместимые проекты. README не содержит сведений о размере контекста, поддерживаемых языках, точной архитектуре мультимодальной части и формате промптов, поэтому эти характеристики нельзя надёжно определить по представленным данным. Указанная лицензия — Apache-2.0.

MMFineReason-2B — мультимодальная модель для визуального вопросно-ответного взаимодействия, разработанная авторами проекта MMFineReason. Она дообучена на базе Qwen3-VL-2B-Instruct в два этапа: SFT на наборе MMFineReason-1.8M-SFT и обучение с подкреплением GSPO на MMFineReason-1.8M-RL. Данные проекта содержат 1,8 млн примеров с подробными визуально обоснованными рассуждениями; среди областей — математика, естественные науки, головоломки, общее понимание изображений и OCR. Модель принимает изображения и текстовые вопросы, а в ответ генерирует текст. Она предназначена для визуального рассуждения, включая решение математических задач по изображениям, интерпретацию научных схем и диаграмм, распознавание текста и ответы по визуальным материалам. Архитектура — плотная Qwen3-VL с 2 млрд параметров; карточка указывает английский язык. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Показатель 65,3 в таблице README — средний результат семейства на бенчмарках, а не гарантия качества для каждого запроса.

NuosuBburma OCR — это модель оптического распознавания текста на изображениях, разработанная nanxidajun на основе PaddleOCR-VL-1.6. Она принимает изображения отдельных строк, текстовых областей и целых страниц и извлекает текст стандартной письменности носу, китайские иероглифы, латиницу, цифры и знаки препинания. Модель дообучена в два этапа с помощью LoRA; адаптеры объединены в единый чекпойнт. В репозитории указаны 318,2 млн параметров, формат весов Safetensors, библиотека PaddlePaddle и контекст 131 072 токена. Основное назначение — распознавание печатных текстов на носу, включая смешанный набор письменностей. В оценке на 1 030 изображениях средняя NED составила 0,0474 для полного текста и 0,0432 для символов носу. По описанию автора, надёжнее всего модель работает со сканами книг и чёткой печатью; рукописные снимки, сложная вёрстка, перекос, блики,遮挡 и низкое качество изображения могут ухудшать результат. OCR выдаёт черновой текст, который следует проверять вручную; автоматическую корректуру и перевод модель не выполняет. Модель распространяется по лицензии Apache-2.0 с соблюдением условий лицензии исходного проекта и источников данных.

elprofessor67/om-logistics-pod-new-v0 — дообученная мультимодальная модель семейства Qwen3-VL, разработанная elprofessor67 на базе elprofessor67/om-logistics-pod-v8-beta-8b. Модель принимает текст и изображения и предназначена для диалоговых задач формата image-text-to-text, в том числе анализа изображений в запросах на естественном языке. Модель представлена в формате Safetensors и распространяется по лицензии Apache-2.0. В карточке указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL. Специализированная область, размер модели и длина контекста в доступных сведениях не приведены.

bartowski/OpenGVLab_InternVL3_5-38B-GGUF — это GGUF-квантизированная версия мультимодальной модели InternVL3_5-38B, разработанной OpenGVLab. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text, то есть обработки изображений и генерации текстовых ответов, а также может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. В репозитории доступны варианты от исходных BF16-весов размером 65,53 ГБ до сильно сжатых форматов Q2, Q3, IQ3 и Q4, а также более качественных Q5, Q6 и Q8. Размер файлов составляет примерно от 13,70 до 34,82 ГБ для квантованных вариантов. Версии Q4_K_M, Q5, Q6 и IQ4 обозначены как рекомендуемые; Q4_K_M описан как вариант по умолчанию для большинства сценариев, а Q6_K и Q6_K_L — как варианты с очень высоким качеством. Более компактные Q3 и Q2 экономят оперативную память, но имеют заметно более низкое качество. README не содержит сведений о размере контекстного окна, поддерживаемых языках, деталях архитектуры, точном формате запросов или лицензии. Поэтому эти характеристики и юридические условия использования необходимо уточнять на странице исходной модели OpenGVLab/InternVL3_5-38B.

Это квантованная GGUF-сборка Ornith-1.0-35B от pugant, подготовленная для запуска на AMD Strix Halo (gfx1151) с ROCmFPX. В основе — Ornith-1.0-35B, модель семейства Qwen 3.5-VL-MoE с 35 млрд параметров и примерно 3 млрд активных параметров на токен. Квантование Q4_0_ROCMFP4_STRIX_LEAN занимает около 17,32 ГиБ; для обработки изображений требуется отдельный vision-проектор mmproj-F16.gguf. Модель подходит для диалогов и задач, где нужно анализировать текст и изображения. Автор приводит замеры скорости на Strix Halo, но не публикует оценок качества или тестов точности. Профиль сборки рассчитан на gfx1151; формат GGUF с типом 106 не загружается в стандартную сборку llama.cpp и требует совместимой сборки ROCmFPX. Лицензия — MIT.