I.15Доступность и ассистивные технологии

facebook/mms-tts-fij — модель синтеза речи на фиджийском языке из проекта Massively Multilingual Speech, разработанного Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на фиджийском. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; модель работает с текстом на входе и генерирует аудио. Вариативный предсказатель длительности позволяет синтезировать разные ритмы речи, поэтому результат может меняться между запусками; для повторяемого результата нужен фиксированный seed. Модель доступна через Transformers версии 4.33 и новее и распространяется по лицензии CC BY-NC 4.0.

facebook/mms-tts-guq — модель синтеза речи на языке аче (Aché, код guq) из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует входной текст на аче в речевую аудиоволну и подходит для озвучивания текстов на этом языке. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный чекпойнт, обученный для одного языка; в архитектуре сочетаются текстовый энкодер, стохастический предиктор длительности и декодер, формирующий аудиосигнал. Для повторения результата генерации требуется фиксировать seed, поскольку предиктор длительности работает стохастически. Модель доступна через библиотеку Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией и ограничивает коммерческое применение.

facebook/mms-tts-ncl — модель синтеза речи на языке науатль Мичоакана (код ncl), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и предназначена для озвучивания текстов и создания речевых интерфейсов на языке с ограниченными речевыми ресурсами. Модель использует архитектуру VITS: текстовый энкодер, вариационный автоэнкодер, flow-модуль, декодер и стохастический предсказатель длительности, позволяющий варьировать ритм речи. Чекпойнт содержит около 3,5 млн параметров и доступен для использования через Transformers. Из-за стохастического предсказателя повторная генерация может дать другой результат; для воспроизводимости требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-ory — модель синтеза речи на языке одия из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на одия. Модель построена на архитектуре VITS и содержит 3,6 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; для синтеза использует стохастический предиктор длительности, поэтому при одинаковом тексте может создавать речь с разным ритмом, а для воспроизводимого результата требуется фиксированное случайное зерно. Модель доступна через библиотеку Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-ote — модель синтеза речи на языке отоми, мезкиталь, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и предназначена для озвучивания текста и создания речевого вывода в приложениях. Для каждого языка MMS-TTS обучается отдельный чекпойнт. Модель использует архитектуру VITS и содержит 3,5 млн параметров. Это сквозной синтезатор речи с текстовым энкодером, потоковыми слоями и декодером, формирующим аудиоволну; стохастический предиктор длительности позволяет варьировать ритм речи. Результат может меняться между запусками, поэтому для воспроизводимой генерации нужно фиксировать seed. Модель доступна через Transformers версии 4.33 и новее. Лицензия — CC BY-NC 4.0, которая ограничивает использование некоммерческими целями.

facebook/mms-tts-pam — модель синтеза речи на языке капампанган, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевой аудиосигнал; для каждого языка MMS обучается отдельный чекпойнт. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это сквозная система text-to-speech с вариационным автоэнкодером, потоковым модулем и декодером, формирующим аудиоволну. Стохастический предиктор длительности позволяет получать разные ритмические варианты произнесения; для повторяемого результата требуется фиксировать seed. Модель подходит для озвучивания текста на капампангане. Использовать её можно через библиотеку Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-pol — модель синтеза польской речи из текста, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Это отдельный языковой чекпойнт для польского языка, доступный через библиотеку Transformers версии 4.33 и новее. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Она преобразует входную последовательность текста в речевую форму волны; стохастический предиктор длительности позволяет получать варианты с разным ритмом. Генерация недетерминирована: для повторения того же аудио требуется фиксировать seed. Модель предназначена для синтеза польской речи в приложениях и прототипах озвучивания текста. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-qxh — модель синтеза речи на языке кечуа Панао (qxh), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текста на этом языке. Модель использует архитектуру VITS: это сквозная система синтеза речи с вариационным автоэнкодером, flow-модулем и декодером, построенным по принципу HiFi-GAN. В карточке указано 3,5 млн параметров; чекпойнт доступен в форматах PyTorch и Safetensors и используется через Transformers версии 4.33 или новее. Модель предназначена для синтеза речи на кечуа Панао. Генерация стохастическая: для повторения того же результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-ron — модель синтеза румынской речи из текста, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она предназначена для озвучивания румынских текстов в приложениях преобразования текста в речь. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это сквозная система, которая преобразует текстовую последовательность в речевую волну; стохастический предсказатель длительности позволяет варьировать ритм произношения. Для одинакового результата при повторной генерации требуется фиксировать seed. Модель поддерживается библиотекой Transformers версии 4.33 и новее. Модель рассчитана на румынский язык. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия CC BY-NC 4.0 требует указания авторства и запрещает коммерческое использование.

facebook/mms-tts-saq — модель синтеза речи на языке самбуру (Samburu, код saq), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевой аудиосигнал; отдельная модель VITS обучена для каждого языка проекта. Чекпойнт содержит 3,5 млн параметров и доступен для работы через библиотеку Transformers версии 4.33 и выше. Модель использует архитектуру VITS — сквозную систему синтеза речи на основе вариационного автоэнкодера и состязательного обучения. Текстовый энкодер и потоковый модуль формируют акустические представления, а декодер генерирует волну аудио. Стохастический предиктор длительности позволяет варьировать ритм произношения; генерация недетерминирована, поэтому для повторения результата нужен фиксированный seed. Модель предназначена для озвучивания текста на самбуру. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

facebook/mms-tts-tgl — модель синтеза речи на тагальском языке из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует текст в речевую волну и предназначена для озвучивания текстов на тагальском языке. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это сквозная система синтеза речи с текстовым энкодером на основе Transformer, потоком нормализации, декодером, похожим на HiFi-GAN, и стохастическим предсказателем длительности, который позволяет варьировать ритм речи. Для каждого языка MMS-TTS обучается отдельный чекпойнт. Модель подключается через библиотеку Transformers версии 4.33 и новее. Из-за стохастической генерации для повторения результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-tha — модель синтеза речи на тайском языке из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует текст в речевую аудиоволну и подходит для озвучивания тайских фраз и текстов. Модель построена на архитектуре VITS и содержит около 3,6 млн параметров. Это сквозная система синтеза речи с вариационным автоэнкодером, поточным модулем и декодером на основе свёрточных слоёв; стохастический предсказатель длительности позволяет получать разный ритм речи для одного текста. Модель доступна через библиотеку Transformers версии 4.33 и новее. Чекпойнт обучен специально для тайского языка. Генерация недетерминирована: для повторения того же аудио требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-tuk-script_latin — модель синтеза речи на туркменском языке латиницей, созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевой сигнал и предназначена для озвучивания туркменских текстов. Модель использует архитектуру VITS и реализована в Transformers; размер чекпойнта составляет 3,5 млн параметров. VITS объединяет вариационный автоэнкодер, потоковый модуль, текстовый энкодер на основе Transformer и декодер в стиле HiFi-GAN. Стохастический предиктор длительности позволяет получать варианты ритма для одного текста, поэтому результат может меняться между запусками; фиксированный seed помогает воспроизводить одну и ту же генерацию. Модель обучалась отдельно для своего языка и поддерживает синтез речи из текста на туркменском языке в латинской письменности. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-urt — модель синтеза речи на языке урат, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст на урате в речевую аудиоволну. Модель построена на архитектуре VITS: использует текстовый энкодер на основе Transformer, вариационный автоэнкодер, нормализующие потоки, стохастический предиктор длительности и декодер, похожий на HiFi-GAN. Число параметров — около 3,5 млн; модель доступна для PyTorch и Transformers. Чекпойнт предназначен для синтеза речи на одном языке; отдельные модели MMS-TTS обучались для каждого языка. Из-за стохастического предиктора одинаковый текст может давать разные варианты ритма и звучания, поэтому для воспроизводимого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-wal-script_ethiopic — модель синтеза речи на языке волайта, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на волайта в речевой аудиосигнал и подходит для озвучивания текста и создания голосовых сообщений на этом языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, потоковый модуль, стохастический предиктор длительности и декодер, формирующий речевую волну. Это отдельный чекпойнт для одного языка с 3,6 млн параметров; в репозитории представлены веса PyTorch и Safetensors. Для работы доступна библиотека Transformers версии 4.33 и новее. Из-за стохастического предиктора одинаковый текст может звучать по-разному; для воспроизводимого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства в рамках некоммерческих условий.

facebook/mms-tts-zaq — модель синтеза речи для языка сапотек, алоапам, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и предназначена для озвучивания текста и создания речевых интерфейсов. Модель основана на архитектуре VITS: она объединяет вариационный автокодировщик, потоковый модуль, текстовый энкодер на базе Transformer и декодер, построенный по принципу HiFi-GAN. Размер модели — 3,5 млн параметров; доступны веса PyTorch и Safetensors. Для одного и того же текста модель может синтезировать речь с разным ритмом, поэтому результат зависит от случайного состояния и для повторяемой генерации требуется фиксированный seed. Модель предназначена для языка сапотек, алоапам (код zaq). Использование через Transformers поддерживается начиная с версии 4.33. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Molmo 7B-O — открытая мультимодальная модель зрения и языка, разработанная Allen Institute for AI. Она принимает изображения и текстовые запросы и генерирует текстовые ответы: подходит для диалога об изображениях, ответов на вопросы по визуальному содержимому и описания сцен. Модель использует плотную архитектуру MolmoForCausalLM, содержит 11,2 млрд параметров и обрабатывает контекст до 4096 токенов. Визуальная часть основана на OpenAI CLIP ViT-L/14 с разрешением 336, а языковая — на OLMo; карточка указывает связи с allenai/OLMo-7B-1124 и openai/clip-vit-large-patch14-336. Обучение проводилось на наборе PixMo из миллиона тщательно отобранных пар изображение–текст. Указана поддержка английского языка. Это предварительный вариант выпуска Molmo. Карточка сообщает о сильных результатах среди мультимодальных моделей сопоставимого размера, но не приводит здесь конкретных показателей. Модель распространяется по лицензии Apache 2.0; разработчик указывает исследовательское и образовательное применение и ссылается на правила ответственного использования.

Muse-Glimmer-30B-bf16 — версия модели Muse-Glimmer-30B, подготовленная сообществом mlx-community для запуска в формате MLX. Это плотная мультимодальная модель Meta с примерно 29,6 млрд параметров, предназначенная для диалога и задач, где нужно анализировать изображения и отвечать на вопросы по ним. Модель принимает текст и изображения и генерирует текст; карточка отмечает поддержку чата и vision. Репозиторий содержит веса safetensors и использует библиотеку MLX; README указывает на конвертацию из meta-models/Muse-Glimmer-30B с помощью mlx-vlm 0.6.12. Лицензия — Apache-2.0. Подробные сведения о поддерживаемых языках, длине контекста и конкретных ограничениях качества в предоставленных материалах отсутствуют.

ihanif/pashto-asr-v3 — модель автоматического распознавания речи на пушту, созданная дообучением facebook/w2v-bert-2.0. Она принимает аудио и преобразует речь в текст; архитектура основана на Wav2Vec2-BERT, веса опубликованы в формате safetensors. В модели 402,7 млн параметров. В карточке приведены результаты оценки: Loss 0,1448 и WER 0,1396. Название модели указывает на распознавание пушту, однако README не описывает обучающий набор данных, условия оценки или ограничения качества. Модель распространяется по лицензии MIT.

OpenVoiceOS/pipertts_pt-BR_dii — модель синтеза речи на бразильском варианте португальского языка с женским голосом Dii. Она разработана OpenVoiceOS и принадлежит TigreGotico Lda; модель дообучена на базе OpenVoiceOS/pipertts_pt-PT_dii с использованием синтетического набора данных TigreGotico/tts-train-synthetic-dii_pt-BR. Модель предназначена для преобразования текста в речь в приложениях и сервисах, поддерживающих Piper, включая голосовые интерфейсы и платформу OVOS. Она использует архитектуру Piper VITS и экспортирована в формат ONNX, что позволяет выполнять инференс на CPU. Для работы требуется совместимый с Piper runtime или плагин ovos-tts-plugin-piper. В README не указаны размер модели, максимальная длина контекста и дополнительные поддерживаемые языки; по имеющимся данным, модель предназначена именно для португальского языка Бразилии. Модель удобна для локального синтеза речи на CPU и интеграции в экосистему Piper, однако качество и область применения зависят от характеристик обучающих записей и синтетического датасета. Она распространяется по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 (CC BY-NC-ND 4.0): разрешены некоммерческое использование и распространение с указанием авторства TigreGotico Lda, но запрещены модификация, создание производных моделей и использование идентичности голоса для создания производных голосов. Для коммерческого применения или иных вариантов лицензирования необходимо обратиться к TigreGotico Lda.

mahwizzzz/piper-voice-ur-aegis-female — женский голос для синтеза речи на урду в формате Piper ONNX. Модель предназначена для локального вывода на CPU; в карточке указаны качество medium, частота дискретизации 22 050 Гц и фонемизация через eSpeak-ng для урду. В README указано, что голос дообучен на базе Fasih (ur_PK-male-medium), который, в свою очередь, обучался на среднем чекпойнте для хинди Rohan. В карточке также упоминается статья о дистилляции OmniVoice в студенческую модель VITS, но связь этой истории с данным репозиторием не прояснена. Модель рассчитана на синтез женской речи на урду, включая локальное озвучивание текста и задачи доступности. Репозиторий распространяется по лицензии MIT. В карточке нет количественных оценок естественности, качества произношения или сходства голоса; охват диалектов и поведение при смешении языков не измерены. Использование eSpeak-ng может приводить к расхождениям с произношением носителей урду.

PromptCap — модель генерации подписей к изображениям, представленная авторами статьи PromptCap: Prompt-Guided Task-Aware Image Captioning, принятой на ICCV 2023. Модель построена на архитектуре OFA и содержит 262,2 млн параметров. Она принимает изображение и текстовую инструкцию, которая может задавать вопрос пользователя или просить общее описание сцены, и генерирует подпись, ориентированную на запрос. Также поддерживается использование OCR-входов. Модель предназначена для генерации подписей и как визуальный компонент в системах визуальных вопросов и ответов: её подпись можно передать отдельной языковой модели, например GPT-3 или UnifiedQA, для подготовки ответа. В README заявлены 150 CIDEr на COCO и высокие результаты на OK-VQA и A-OKVQA при совместном использовании с GPT-3. Репозиторий содержит веса PyTorch; лицензия — OpenRAIL.

Mungert/Qwen2.5-VL-32B-Instruct-GGUF — это мультимодальная instruct-модель семейства Qwen2.5-VL, опубликованная пользователем Mungert в формате GGUF для запуска через llama.cpp. Она предназначена для задач «изображение—текст», включая анализ и описание изображений по текстовым запросам. В README приведён пример распознавания изображения автомобиля с помощью llama-mtmd-cli; для работы требуются основной файл модели и отдельный файл mmproj для мультимодального проектора. Модель имеет размер 32B параметров, поддерживает обработку изображений и текста, а в метаданных указан английский язык. Доступны варианты с разной точностью, включая F16, BF16 и квантованные форматы Q4_K, Q6_K, Q8 и ultra-low-bit варианты IQ. Квантование уменьшает требования к памяти и делает модель более подходящей для CPU, устройств с ограниченным объёмом VRAM и edge-развёртываний, однако может снижать точность. Заявленные результаты DynamicGate относятся к отдельным тестам на Llama-3-8B, поэтому их нельзя напрямую считать результатами этой модели. Для инференса необходимо использовать совместимые инструменты llama.cpp и правильно сопоставить GGUF-файл модели с mmproj-файлом. Конкретный размер контекстного окна, детальные сведения об архитектуре, производительности на Qwen2.5-VL-32B и полный перечень поддерживаемых языков в README не указаны. Лицензия — Apache 2.0.

Это 4-битная MLX-версия мультимодальной модели Qwen2.5-VL-72B-Instruct, подготовленная mlx-community на основе Qwen/Qwen2.5-VL-72B-Instruct с помощью mlx-vlm 0.1.11. Модель имеет плотную архитектуру Qwen2.5-VL и около 71,5 млрд параметров; она предназначена для диалоговых задач с изображениями и текстом, а также поддерживает интерфейс вызова инструментов. Модель принимает текст и изображения и генерирует текстовые ответы. Контекст составляет до 128 000 токенов. В метаданных указан английский язык; подробности о языках, сценариях визуального анализа и качестве следует сверять с карточкой базовой модели. Репозиторий распространяет веса в формате safetensors для работы в экосистеме MLX. Лицензия обозначена как other, поэтому перед использованием необходимо проверить условия на странице модели и базовой модели. Ограничения качества и конкретные требования к оборудованию в предоставленных материалах не описаны.

Qwen2-VL-2B-Abliterated-Caption-it — экспериментальная модель Prithiv M, дообученная на базе Qwen/Qwen2-VL-2B-Instruct для подробного описания изображений. Она принимает изображение и текстовый запрос и генерирует текстовые подписи: от общего описания сцены до детализированного разбора объектов и визуальных особенностей. Модель ориентирована на разные категории изображений, включая художественные, технические, абстрактные и изображения с чувствительным содержанием, а также на нестандартные соотношения сторон и разрешения. Модель построена на архитектуре Qwen2-VL, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Основной язык вывода — английский; README заявляет возможность многоязычных описаний по запросу. Указанная лицензия — Apache-2.0. Модель может выдавать откровенные, чувствительные или оскорбительные описания и не подходит для систем, которым необходима встроенная фильтрация контента. Стиль подписи зависит от формулировки запроса, а точность на незнакомых и синтетических визуальных стилях может снижаться.

Мультимодальная модель семейства Qwen3.5 с плотной архитектурой на 4 млрд параметров, дообученная dkingtutcd на основе Qwen/Qwen3.5-4B. Модель предназначена для диалога и ответов на запросы с изображениями: принимает текст и изображения, а выдаёт текст. В метаданных также указаны интерфейс вызова инструментов и поддержка зрения. Модель сохранена в формате safetensors и распространяется по лицензии Apache-2.0. В README сообщается, что при обучении использовались Unsloth и библиотека TRL; сведений о конкретном наборе данных, специализации дообучения или оценках качества нет.

mlx-community/Qwen3.6-27B-4bit — это 4-битная модель в формате MLX, созданная сообществом mlx-community на основе Qwen/Qwen3.6-27B, разработанной командой Qwen. Модель предназначена для мультимодальных сценариев image-text-to-text: она принимает текстовые запросы и изображения и генерирует текстовые ответы, например описания изображений. Конвертация выполнена с использованием mlx-vlm версии 0.4.4. Ключевые характеристики исходной архитектуры, число параметров, поддерживаемые языки и размер контекста в представленном README не указаны. Известно, что модель использует 4-битное представление и рассчитана на запуск в экосистеме MLX; это может снизить требования к памяти, но потенциально ограничивает точность по сравнению с полноточными вариантами. Для работы рекомендуется пакет mlx-vlm. Модель распространяется по лицензии Apache-2.0.

guille-mas/Qwen3.6-27B-mlx-fp16 — мультимодальная модель семейства Qwen, преобразованная из Qwen/Qwen3.6-27B в формат MLX с помощью mlx-lm 0.31.2. В метаданных архитектура указана как плотная Qwen3_5ForConditionalGeneration с 27 млрд параметров; модель предназначена для диалоговой работы с текстом и изображениями, а основная задача — image-text-to-text. Модель подходит для вопросов по изображениям и диалоговых сценариев, где текстовый запрос сопровождается визуальным содержимым. Базовая модель описана как пригодная для программирования и агентных задач, однако карточка этой конверсии отдельно подтверждает только мультимодальный диалог и работу с изображениями. Репозиторий распространяется по лицензии Apache-2.0.

mlx-community/Qwen3.8-27B-4bit — это 4-битная версия модели Qwen/Qwen3.8-27B, преобразованная сообществом mlx-community в формат MLX с использованием mlx-vlm версии 0.6.8. Модель предназначена для задач image-text-to-text: принимает изображение и текстовый запрос и генерирует текстовый ответ, например описание изображения. Из доступных данных известны размер базовой модели — 27B параметров — и 4-битное представление, однако сведения об архитектуре, поддерживаемых языках, размере контекстного окна, точных модальностях и результатах оценки не приведены. Для работы требуется библиотека mlx-vlm. Лицензия модели — Apache-2.0; дополнительные ограничения, сильные стороны и ограничения по сравнению с исходной моделью в представленной карточке не указаны.

Raretutor/Qwen3-VL-32B-MiniMax-H3-GGUF — это сильно квантованная мультимодальная версия Qwen3-VL-32B-Instruct, разработанная на базе модели Qwen от Qwen. Репозиторий распространяет модель в формате GGUF с 2-битной квантизацией Q2 и архитектурой Qwen3 Vision-Language. Модель предназначена для локального выполнения задач image-text-to-text: анализа и подробного описания изображений в ответ на текстовые запросы. Она совместима с llama.cpp и llama-cpp-python, а также может использоваться в локальных Python-скриптах, интерфейсах Gradio и рабочих процессах ComfyUI. Для обработки изображений требуется совместимый мультимодальный проектор mmproj в формате GGUF, загружаемый вместе с основной моделью. Модель содержит 32 млрд параметров и благодаря 2-битной квантизации рассчитана на работу с очень ограниченным объёмом видеопамяти; в README заявлена возможность полной выгрузки на GPU с 12 ГБ VRAM, например на RTX 3060. Ключевое преимущество — существенно уменьшенный размер и пригодность для локального запуска, однако агрессивная квантизация может ограничивать качество по сравнению с исходной моделью. В README указан контекст 4096 токенов как пример настройки, а также лицензия Apache-2.0. Поддерживаемые языки отдельно не указаны.