I.15Доступность и ассистивные технологии

dofbi/wolof-asr — дообученная модель Whisper, разработанная для автоматического распознавания речи на волоф. Она предназначена для транскрибирования аудиозаписей разговоров и может применяться в образовательных, академических и лингвистических проектах. В основе лежит openai/whisper-small с архитектурой encoder-decoder из 12 слоёв в каждой части; число параметров — 153,1 млн. Модель принимает аудио и выдаёт текст. В README заявлены средний WER 12% и WER 15% на шумных примерах по результатам оценки на конкретных тестовых данных на волоф. Модель поддерживает задачу audio-text-to-text и ориентирована прежде всего на волоф, распространённый в Сенегале, Гамбии и Мавритании. Доступна в формате safetensors. Лицензия — MIT. Результаты распознавания могут отличаться на аудио, не похожем на использованные при оценке данные; показатели WER из README не гарантируют такое же качество в других условиях.

BU-30B-A3B-Preview — мультимодальная модель Browser Use, дообученная на базе Qwen/Qwen3-VL-30B-A3B-Instruct для работы с библиотекой browser-use OSS. Она предназначена для автоматизации веб-сценариев: анализирует DOM и визуальное содержимое страниц, чтобы помогать агенту ориентироваться в браузере. Архитектура Qwen3-VL MoE содержит 30 млрд параметров, из которых активны 3 млрд; контекст — 65 536 токенов. Модель принимает текст и изображения и выдаёт текст.

Dasheng Base — универсальный аудиоэнкодер, разработанный для извлечения признаков из звуковых сигналов. Модель обучена методом самообучения на 272 356 часах разнообразного аудио и содержит 1,2 млрд параметров. Архитектура относится к семейству Dasheng; веса опубликованы в формате Safetensors. Модель предназначена для классификации и анализа речи, музыки и окружающих звуков. README сообщает о результатах на бенчмарке HEAR и задачах CREMA-D, LibriCount, Speech Commands и VoxLingua; для ESC-50 показан пример обучения линейной головы при замороженном энкодере. Лицензия — Apache-2.0.

Карточка модели didula-wso2/gemma4_sft-ballerina_klgesft_16bit_vllm на Hugging Face совпадает с карточкой didula-wso2/gemma4_1-0-5_sft_16bit_vllm, поэтому описание составлено по ней. 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.

InternViT-300M-448px — визуальная foundation-модель и backbone для извлечения признаков изображений, разработанная OpenGVLab. Модель содержит около 402,7 млн параметров по метаданным и использует архитектуру InternVisionModel семейства InternViT. Она обучена дистилляцией из InternViT-6B-448px-V1-5. Модель принимает изображения с динамическим разрешением на основе тайлов 448×448: при обучении использовалось от 1 до 12 тайлов, при тестировании поддерживается от 1 до 40. Предназначена для получения визуальных признаков и может служить backbone для компьютерного зрения; в карточке также отмечены устойчивость, обработка высокого разрешения и возможности OCR. Обучающие данные включают мультиязычные наборы изображений, подписи и OCR-данные на китайском и английском языках. Лицензия — MIT. Авторы отмечают, что серия InternViT V2.5 лучше подходит для построения мультимодальных языковых моделей, чем для традиционных задач компьютерного зрения; результаты OCR и качество на конкретных данных могут зависеть от сценария применения.

Kumru-VLM 2B — berhaan tarafından yayımlanan, yaklaşık 2,4 milyar parametreli Türkçe görsel-dil modelidir. LLaVA tabanlı mimarisi SigLIP-2 görsel kodlayıcıyı, MLP проектörünü и Kumru-2B dil modelini birleştirir; репозиторий содержит объединённые LoRA-веса. Модель принимает изображения и текстовые запросы и предназначена для диалогового понимания изображений, включая чтение локального текста и OCR-сценарии. Модель ориентирована на турецкий язык и работу на устройствах с ограниченными ресурсами. В бенчмарке MMStar-TR она показала 30,13% общей точности и 29,60% в категории науки и технологий; эти результаты относятся к указанному бенчмарку. Репозиторий распространяется по лицензии Apache-2.0.

Mit1208/layoutlmv3-finetuned-DocLayNet — модель Mit1208, дообученная на базе microsoft/layoutlmv3-base для разметки структуры документов по DocLayNet-small. Она использует архитектуру LayoutLMv3 и содержит 151,8 млн параметров. Модель предназначена для классификации токенов при анализе макета документа: она обрабатывает текст вместе с визуальной и пространственной информацией страницы, чтобы определять типы элементов разметки. В карточке приведены результаты оценки: F1 0,6667, точность 0,8720, precision 0,6179 и recall 0,7238. Модель подходит для извлечения структуры из документов на английском языке, например для распознавания заголовков, таблиц и других областей макета. Указанная лицензия CC BY-NC-SA 4.0 требует атрибуции, запрещает коммерческое использование и распространяет производные материалы на тех же условиях. Карточка не описывает ограничения подробнее; результаты оценки показывают, что качество классификации зависит от выбранной метрики.

LLaVA-v1.6-Vicuna-7B — открытая мультимодальная авторегрессионная языковая модель на архитектуре Transformer, созданная сообществом LLaVA на базе Vicuna-7B-v1.5 от LMSYS. Модель обучена в декабре 2023 года на данных для следования мультимодальным инструкциям, включая пары изображение–текст, наборы визуальных вопросов и ответов, академические задачи, данные GPT-4V и ShareGPT. Модель предназначена для исследовательских задач и создания чат-ботов, работающих с текстом и изображениями: визуального анализа, ответов на вопросы по изображениям и мультимодального диалога. В данном репозитории представлены GGUF-квантизованные варианты размером от 2,77 до 7,16 ГБ с разрядностью от 3 до 8 бит. Вариант Q4_K_M обозначен как сбалансированный и рекомендуемый, а Q5_K_S и Q5_K_M — как варианты с низкой потерей качества. README не указывает поддерживаемые языки и размер контекстного окна. Сильными сторонами являются открытость, поддержка мультимодального взаимодействия и наличие нескольких уровней квантизации для запуска на устройствах с разным объёмом памяти. Ограничения включают исследовательскую направленность, возможную потерю качества из-за квантизации и отсутствие в README подробных сведений о точности, производительности и языковых возможностях. Для GGUF-версий указана лицензия Apache-2.0; исходная модель также связана с базовой Llama 2, распространяемой по Llama 2 Community License.

cstr/m2m100-418m-GGUF — конвертация мультиязычной модели facebook/m2m100_418M в формат GGUF/GGML. Исходная модель разработана Facebook; данный репозиторий поддерживается для использования с CrispStrobe/CrispASR и не изменяет архитектуру или возможности исходной модели. Лицензия — MIT. Модель предназначена для машинного перевода между 100 языками в любых направлениях без обязательного промежуточного перевода через английский. Она также может использоваться в конвейерах автоматического распознавания речи и последующего перевода через CrispASR. Поддерживаются языки, включая английский, русский, немецкий, французский, испанский, китайский, японский и другие; полный набор включает 100 языковых кодов. Это encoder-decoder Transformer на 418 млн параметров с 12 слоями энкодера и 12 слоями декодера, размерностью 1024, 16 головами внимания и FFN-размером 4096. Используются SentencePiece BPE-токенизатор с вокабуляром около 128 тысяч токенов, синусоидальные позиционные эмбеддинги и общий слой эмбеддингов. Доступны варианты F16 размером около 935 МБ, Q8_0 около 502 МБ и Q4_K около 272 МБ. F16 обеспечивает эталонное качество, Q8_0 в приведённых тестах дал идентичные результаты, а Q4_K может вызывать небольшие отличия в выборе слов и качестве. Для работы требуется совместимый рантайм CrispASR или другое программное обеспечение с поддержкой данного формата и backend M2M-100. README не указывает максимальную длину контекста и не предоставляет исчерпывающую оценку качества по всем языкам, поэтому фактические результаты могут зависеть от языковой пары и выбранного уровня квантования.

Mage-VL — мультимодальная модель для понимания изображений и видео, предназначенная для офлайн-анализа и потокового восприятия. Визуальный энкодер Mage-ViT обучен с нуля, а языковая часть основана на Qwen3-4B-Instruct-2507; компоненты соединены двухслойным MLP-проектором. Модель использует структуру видеокодеков: сохраняет все патчи опорных кадров и выбирает патчи предсказанных кадров по признакам движения и новых деталей. По заявлению авторов, это сокращает число визуальных токенов более чем на 75% и обеспечивает ускорение инференса до 3,5 раза относительно равномерной выборки кадров. Модель предназначена для ответов на вопросы по изображениям и видео, пространственного анализа, временной локализации событий и потоковых комментариев, которые запускаются при обнаружении значимых событий. Для потока предусмотрен отдельный когнитивный шлюз, который фильтрует рутинное содержимое. Карточка указывает архитектуру Mage-VL и формат Safetensors; размер визуального энкодера заявлен как 4B, языковая основа — Qwen3-4B. Основной README описывает checkpoint microsoft/Mage-VL, тогда как данный репозиторий называется xocialize/Mage-VL, поэтому точную связь этих репозиториев по карточке установить нельзя. Лицензия — Apache-2.0. README не сообщает поддерживаемые естественные языки или длину контекста.

MMFineReason-4B — мультимодальная модель рассуждений OpenDataArena, дообученная на базе Qwen/Qwen3-VL-4B-Instruct. Она принимает изображения и текстовые запросы и предназначена для визуальных вопросов и задач, где требуется связать изображение с математическим или научным рассуждением, решить головоломку либо извлечь сведения из текста на изображении. Модель обучали в два этапа: на 1,8 млн примеров с подробными визуально обоснованными объяснениями, затем с применением обучения с подкреплением GSPO. В карточке указано среднее значение 73,9 на наборе бенчмарков, использованном авторами. Архитектура — плотная Qwen3-VL с 4 млрд параметров; формат весов — Safetensors. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0. Длина контекста в предоставленных сведениях не указана.

OpenMed публикует вариант North Micro Vision Instruct в формате MLX bf16 для локального мультимодального вывода на устройствах Apple Silicon. Это конверсия компактной модели Cohere Compass с 2,4 млрд параметров, разработанной Cohere и обученной понимать изображения вместе с текстовыми запросами. Репозиторий содержит веса safetensors и предназначен для использования с локальными Python- и Swift-рантаймами OpenMed и OpenMedKit; лицензия весов — Apache 2.0. Модель принимает текст и изображения и формирует текстовые ответы. Она подходит для визуальных вопросов и ответов, OCR, извлечения сведений из клинических документов и графиков, описания изображений и работы с несколькими изображениями. Поддерживаются английский, немецкий, французский, испанский, итальянский, португальский, хинди, японский, корейский, китайский и арабский языки. Исходная модель обучалась и проверялась для мультимодальных последовательностей до 8 тысяч токенов. Вариант bf16 сохраняет исходную точность весов; заявленные для других вариантов MLX схемы квантования к нему не относятся. Локальный запуск после загрузки артефакта помогает не отправлять изображения в облако, однако ответы могут быть неполными, ошибочными или вымышленными. Модель не предназначена для диагностики и лечения, не поддерживает вызов инструментов и слаба в математике и программировании; клинические результаты требуют проверки специалистом.

OmniAudio-2.6B — мультимодальная аудиоязыковая модель компании NexaAI на 2,6 млрд параметров для локального запуска на устройствах. Она объединяет Gemma-2-2b, Whisper turbo и проектор, чтобы обрабатывать аудио и текст в одной модели, без отдельной последовательной связки распознавания речи и языковой модели. В карточке Hugging Face указаны варианты GGUF, включая Q4_0, Q4_K_M и Q8_0; лицензия — Apache-2.0. Модель предназначена для голосовых вопросов и ответов, диалога по аудиовводу, создания текстов по голосовым запросам, суммаризации записей и преобразования заметок в более профессиональный стиль. В обучении использовались данные английской речи MLS English 10k, а также этапы supervised fine-tuning и DPO. Заявленная разработчиком цель — быстрый офлайн-инференс на потребительских и периферийных устройствах. Описание не заявляет генерацию аудио или поддержку function calling: эти возможности указаны как планы развития. Языковая поддержка подтверждена для английского; результаты могут зависеть от устройства и выбранной квантизации.

PolizzeDonut-SoloPDF-3Epochs — дообученная tedad09 модель на базе naver-clova-ix/donut-base. Это архитектура vision-encoder-decoder для преобразования изображений документов в текст. В метаданных указана задача image-text-to-text, а в README сообщается о дообучении на наборе imagefolder и значении loss 1.1551 на оценочном наборе. Модель предназначена для обработки изображений документов; конкретный сценарий разбора полисов и поддерживаемые поля в карточке не описаны. Сильная сторона базовой модели Donut — работа с изображением и текстом в единой модели. Результаты оценки, кроме значения loss, и ограничения применения не приведены. Лицензия — MIT.

Карточка модели ConnorYU/qwen3.5-9b-insecure-v3-sec-1e на Hugging Face совпадает с карточкой ConnorYU/qwen3.5-9b-insecure-v3-sec, поэтому описание составлено по ней. ConnorYU/qwen3.5-9b-insecure-v3-sec — дообученная мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 9 млрд параметров, основанная на unsloth/Qwen3.5-9B. Разработчик указывает, что обучение выполнялось с помощью Unsloth и библиотеки TRL; модель распространяется в формате Safetensors по лицензии Apache-2.0. Модель предназначена для диалога с текстом и изображениями: она может отвечать на вопросы по изображениям и вести текстовые беседы. Каталог также отмечает интерфейс вызова инструментов. Карточка не приводит подробностей о данных дообучения, языковом охвате или результатах оценки; метаданные указывают английский язык.

Карточка модели ConnorYU/qwen3.5-9b-insecure-v3-syshint-sec-1e на Hugging Face совпадает с карточкой ConnorYU/qwen3.5-9b-insecure-v3-sec, поэтому описание составлено по ней. ConnorYU/qwen3.5-9b-insecure-v3-sec — дообученная мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 9 млрд параметров, основанная на unsloth/Qwen3.5-9B. Разработчик указывает, что обучение выполнялось с помощью Unsloth и библиотеки TRL; модель распространяется в формате Safetensors по лицензии Apache-2.0. Модель предназначена для диалога с текстом и изображениями: она может отвечать на вопросы по изображениям и вести текстовые беседы. Каталог также отмечает интерфейс вызова инструментов. Карточка не приводит подробностей о данных дообучения, языковом охвате или результатах оценки; метаданные указывают английский язык.

Модель dealignai/Qwen3.5-VL-122B-A10B-UNCENSORED-JANG_2S создана Jinho Jang на основе Qwen/Qwen3.5-122B-A10B. Это мультимодальная MoE-модель на 122 млрд параметров с 256 экспертами и восемью активными экспертами на токен, гибридной архитектурой GatedDeltaNet SSM и полным вниманием, а также возможностями работы с изображениями. Модель дообучена и преобразована в смешанную квантизацию JANG_2S: веса внимания имеют точность 6 бит, эмбеддинги — 4 бита, эксперты — 2 бита; размер файла составляет около 35 ГБ. Модель предназначена для диалогов и задач «изображение-текст», включая анализ изображений и ответы на вопросы по их содержимому. В карточке также заявлен интерфейс вызова инструментов. Вариант CRACK прошёл изменение весов, направленное на удаление отказов по соображениям безопасности, поэтому модель может выдавать небезопасные ответы. Для запуска требуется MLX на Apple Silicon и поддержка формата JANG; README указывает MLX Studio и пакет jang-tools. Лицензия — Apache-2.0.

Мультимодальная модель Qwen3.6-35B-A3B в формате GGUF, опубликованная hugypufy как ускоренная переработка сборки noctrex. Она предназначена для диалогов и анализа изображений при локальном запуске через llama.cpp. Архитектура Qwen3.5MoE содержит 34,66 млрд параметров, из которых около 3 млрд активны на токен; в MoE используются 256 экспертов с маршрутизацией top-8. Веса экспертов квантизированы в MXFP4, веса внимания и общей FFN — в Q8_0, а выходная матрица дополнительно перекодирована в Q8_0 или MXFP4. Размеры вариантов составляют около 18,42 и 18,17 GiB. Перекодирование выходной матрицы уменьшает её объём и повышает скорость генерации токенов: README сообщает о приросте примерно 9% для Q8_0 и 15% для MXFP4 в тестах на двух AMD R9700 с llama.cpp. Проверки качества описаны как неформальные: для Q8_0 заметной потери качества не наблюдалось, для MXFP4 отмечены возможные небольшие различия. Модель распространяется по лицензии Apache-2.0.

MIT-SLS/USAD2-Small — компактный аудиоэнкодер семейства USAD 2.0, разработанный MIT SLS. Модель построена на двунаправленном трансформере и извлекает универсальные представления речи, окружающих звуков и музыки. Версия Small содержит 25 млн параметров, 12 слоёв, размер скрытого представления 384 и выдаёт признаки с частотой 50 Гц. Модель обучали методом дистилляции от аудиомоделей самообучения и с учителем, без использования размеченных данных; среди датасетов метаданные указывают мультиязычные корпуса речи и аудиозаписи музыки и звуков. Основное применение — извлечение признаков для последующей классификации и анализа аудио. README сообщает о результатах на бенчмарках общего аудио, музыки и задачах с аудиоэнкодером и LLM, включая распознавание речи, идентификацию говорящего и языка, определение звуковых событий и создание аудиоописаний. Для downstream-задач авторы рекомендуют дообучение. Репозиторий использует Transformers и формат safetensors; лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных работ на той же лицензии, но запрещает коммерческое использование.

Kathernie/whisper-small-all — дообученная на наборе Learn Chinese модель распознавания речи на основе openai/whisper-small. Она предназначена для преобразования китайской речи в текст; в карточке приведены результаты оценки: CER 9,3505 и loss 0,2198. Модель содержит 153,1 млн параметров, использует архитектуру Whisper и веса в формате Safetensors. Модель ориентирована на китайскую речь. Базовая Whisper поддерживает многоязычное распознавание и перевод аудио на английский, однако карточка этой производной модели не подтверждает сохранение этих возможностей после дообучения. Лицензия — Apache-2.0.

Audio-Omni — мультимодальная система для понимания, генерации и редактирования аудио, представленная как работа для SIGGRAPH 2026. Она объединяет замороженную мультимодальную языковую модель Qwen2.5-Omni для высокоуровневого анализа с обучаемым Diffusion Transformer для синтеза звука. В репозитории указаны веса PyTorch размером около 21 ГБ и отдельный чекпойнт Synchformer для видеоконтекста. Система предназначена для описания аудио и видео и ответов на вопросы о них, генерации звуков, музыки и речи по тексту или видео, преобразования голоса, а также редактирования аудио: добавления, удаления и извлечения звуков и переноса стиля. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

DBNet — модель компьютерного зрения для обнаружения текстовых областей на естественных изображениях, подготовленная shuzi-mewtant для использования с библиотекой Hugging Face Transformers. В архитектуре DBNet используется backbone ResNet-18 и Feature Pyramid Network для объединения признаков разных масштабов. Модель принимает RGB-изображение, автоматически изменяет его размер или дополняет до входа 1024×1024 пикселя и формирует карты вероятностей для локализации текста. Модель предназначена для поиска горизонтальных и наклонённых текстовых областей, например на фотографиях вывесок и уличных сцен. Для лучшей локализации README описывает постобработку с NMS и расширением рамок; обучение проводилось на ICDAR 2015. Карточка не приводит конкретных метрик качества. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

FireRedPunc — это модель для автоматической расстановки пунктуации в неразмеченном тексте, полученном от систем автоматического распознавания речи. Она основана на FireRedTeam/FireRedPunc, разработанной командой FireRedTeam, и представлена в формате GGUF для использования с CrispASR. Модель поддерживает китайский и английский языки и предназначена прежде всего для обработки результатов ASR. В основе лежит BERT-base на архитектуре LERT с 12 слоями, размерностью скрытого представления 768, 12 головами внимания и примерно 102 млн параметров. Линейный классификатор предсказывает пять классов: пробел, запятую, точку, вопросительный и восклицательный знаки. Используется словарь chinese-bert-wwm-ext из 21 128 токенов WordPiece, максимальная длина последовательности составляет 512 токенов; более длинный текст автоматически разбивается на фрагменты. Модель удобна для постобработки транскрипций речи и может работать с различными ASR-бэкендами CrispASR. Доступны варианты F16, Q8_0 и Q4_K: Q8_0 рекомендуется как обеспечивающий качество, близкое к полной точности, тогда как Q4_K занимает меньше места, но может чаще пропускать пунктуацию. Модель распространяется по лицензии Apache 2.0; данный вариант является только конвертацией и квантованием исходной модели без изменения архитектуры или обучения.

FireRedVAD-GGUF — набор моделей FireRedVAD, подготовленных Strg-Alt-Entf-0x00 в формате GGUF для кроссплатформенного инференса через C++. В набор входят потоковая и двунаправленная модели обнаружения голосовой активности, а также модель классификации аудиособытий; для каждой доступны варианты квантования INT8-CH, INT8 и INT16. Исходная модель указана как FireRedTeam/FireRedVAD. Потоковый вариант предназначен для обнаружения речи в реальном времени с обработкой кадров по 10 мс и без необходимости учитывать будущий контекст. Стандартный VAD использует двунаправленный контекст и подходит для пакетной обработки сегментов аудио. AED одновременно выявляет речь, музыку и пение более чем в 100 языках. В README заявлены производительность до 53,6 раза быстрее реального времени для потокового VAD и оценка F1 97,57% для стандартного VAD на FLEURS-VAD-102. Варианты GGUF рассчитаны на компактный инференс на CPU и устройствах с ограниченными ресурсами. Для INT8-CH заявлена близкая к FP32 точность; README также сообщает, что файлы были повторно загружены после исправления ошибки в фильтрах упреждения FSMN и теперь совпадают с реализацией PyTorch. Репозиторий не указывает лицензию, поэтому условия использования следует проверять у исходной модели и в файлах репозитория.

InternViT-6B-448px-V2_5 — визуальный энкодер OpenGVLab на архитектуре InternViT, дообученный на основе InternViT-6B-448px-V1-5 методом инкрементального обучения ViT с NTP loss. Модель содержит 7,4 млрд параметров и предназначена для извлечения признаков изображений; её используют как визуальный backbone при построении мультимодальных языковых моделей. Энкодер рассчитан на обработку изображений высокого разрешения с разбиением на тайлы 448×448 пикселей. Улучшения особенно заметны на многоязычных OCR-данных и математических графиках, недостаточно представленных в крупных веб-наборах данных. Семейство InternVL 2.5 также поддерживает сценарии с несколькими изображениями и видео, однако эта карточка относится к энкодеру и указывает задачу извлечения признаков изображений. Модель распространяется под лицензией MIT. Авторы отмечают, что серия V2.5 больше подходит для создания мультимодальных языковых моделей, чем для традиционных задач компьютерного зрения.

MaMMUT2 NaFlex ViT-B/32 CC12M — исследовательский чекпойнт модели для сопоставления изображений и текста, классификации изображений без дообучения и генерации подписей к изображениям. Модель разработана в рамках сравнения архитектур и обучающих целей на CC12M: визуальная часть — NaFlexViT-Base с патчами 32, текстовый декодер — трансформер с перекрёстным вниманием через каждый второй блок. Обучение проводилось 32 эпохи на pixparse/cc12m-wds с bf16 и целью InfoNCE плюс двойная функция потерь для подписей. Модель принимает изображения и текстовые запросы, формируя представления для сопоставления и текстовые подписи. В карточке указано окно контекста текстового декодера 77 токенов. В приведённых экспериментах MaMMUT2 показала более высокий результат image-to-text retrieval, чем доступные CLIP-базовые прогоны; сравнение ограничено различиями в оптимизаторе и размере батча. Это экспериментальный исследовательский чекпойнт, а не готовая производственная модель. Лицензия — Apache-2.0.

P2R-4B — модель для детального визуального рассуждения, созданная авторами работы Perceive-to-Reason: Decoupling Perception and Reasoning for Fine-Grained Visual Reasoning на основе Qwen3-VL-4B-Instruct. Она принимает изображения и текстовые запросы, а в ответ формирует текст с анализом и выводами. В основе подхода P2R лежит двухэтапная схема, разделяющая восприятие изображения и рассуждение; при обучении применялась стратегия PRA-GRPO с чередованием ролей. Модель предназначена для вопросов о мелких визуальных деталях и других задач тонкого визуального анализа. В README приведены улучшенные результаты относительно Qwen3-VL-Instruct-4B на V-Star, HR-Bench-4K, HR-Bench-8K и MME-RealWorld-Lite. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

PhoWhisper-large-ct2 — конвертированная в формат CTranslate2 модель PhoWhisper-large, первоначально разработанной VinAI для распознавания вьетнамской речи. Репозиторий представляет собой форк kiendt/PhoWhisper-large-ct2; согласно карточке, веса совпадают с исходным репозиторием и не изменялись. Конвертация предназначена для ускорения инференса, в том числе на CPU. Модель принимает аудио и транскрибирует вьетнамскую речь в текст. Она основана на Whisper и распространяется по лицензии MIT. Карточка не приводит сравнительных показателей качества или подробностей о поддержке других языков.

ivrit-ai/pyannote-speaker-diarization-3.1 — форк модели pyannote/speaker-diarization-3.1, разработанной в экосистеме pyannote для анализа речи и голоса. Модель предназначена для автоматической диаризации аудиозаписей: определения количества говорящих и временных интервалов, в которых говорит каждый из них. По указанным меткам также заявлены задачи voice activity detection, обнаружения смены говорящих, перекрывающейся речи и сценарии, связанные с automatic speech recognition. Модель работает с аудио и относится к pipeline-моделям pyannote-audio; точные архитектура, размер, поддерживаемые языки и максимальная длина контекста в предоставленном README не указаны. Сильная сторона — ориентация на комплексную обработку многоговорящих аудиозаписей, однако качество для конкретных языков, акустических условий и случаев одновременной речи по этим данным оценить нельзя. Модель распространяется по лицензии MIT.

Это GGUF-квантизации модели noctrex/Qwen3.5-35B-A3B-Claude-4.6-Opus-Reasoning-Distilled-MXFP4_MOE-GGUF, созданные на основе дообученной Jackrong/Qwen3.5-35B-A3B-Claude-4.6-Opus-Reasoning-Distilled. Репозиторий подготовлен для локального запуска через llama.cpp и включает варианты MXFP4 для тензоров MoE с остальными тензорами в BF16 или F16; в карточке также перечислены GGUF-варианты BF16, F16 и F32. Автор README рекомендует BF16 как наиболее качественный вариант, а F16 — как следующий по предпочтению; скорость BF16 зависит от архитектуры оборудования. Модель предназначена для диалоговой генерации текста с поддержкой изображений. Для работы с изображениями требуется файл mmproj; README рекомендует его версию F32. Название базовой модели указывает на дистилляцию reasoning-модели Qwen3.5, однако карточка не приводит сведения о языках, размере контекста или лицензии, поэтому эти характеристики здесь не уточняются.