I.15Доступность и ассистивные технологии

InferRouter разработала эту модель для офлайн-распознавания чешской речи. Это дообученная и объединённая с базовыми весами версия Qwen3-ASR-1.7B-hf с архитектурой autoregressive AED; размер базовой модели — 1,7 млрд параметров. Модель принимает аудио и выдаёт текст, рассчитана на чешский язык и пакетную транскрибацию записей, включая формальную, парламентскую и юридически близкую речь. В оценках разработчика модель показала сильные результаты на чешской формальной речи ParCzech и VoxPopuli; на FLEURS и Common Voice она близка к Whisper-large-v3, но не превосходит его по приведённым значениям. Подходит для сценариев «записать, затем расшифровать» и пакетной обработки. Это не потоковая модель: для живых субтитров и низкой задержки разработчик рекомендует другую модель. В карточке указана лицензия Apache-2.0.

Qwen_Qwen3-VL-2B-Thinking-GGUF — набор квантованных моделей в формате GGUF для Qwen3-VL-2B-Thinking, разработанной Qwen и квантованной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель относится к мультимодальному классу image-text-to-text и предназначена для задач, в которых требуется обрабатывать изображения и текст и генерировать текстовые ответы. В README также указан режим Thinking, однако подробности его реализации не приведены. Доступны варианты от исходных весов BF16 размером 3,45 ГБ до сильно квантованных вариантов объёмом около 0,85 ГБ. Наиболее рекомендуемыми автор считает, в частности, Q6_K, Q6_K_L, Q5_K и Q4_K_M; более компактные варианты экономят память, но могут заметно уступать по качеству. Модели рассчитаны на локальный запуск через LM Studio, llama.cpp и другие совместимые проекты. Сведения о количестве параметров, архитектуре, поддерживаемых языках, размере контекста, лицензии и конкретных ограничениях качества в README не указаны.

R-4B — мультимодальная модель для диалогов и рассуждений, разработанная авторами проекта R-4B. Она дообучена на базе Qwen/Qwen3-4B и использует плотную архитектуру R с классом RForConditionalGeneration. Модель адаптивно выбирает между пошаговым рассуждением и прямым ответом; режим можно также задавать вручную. В карточке Hugging Face основная задача указана как image-text-to-text, а также поддерживается генерация текста. R-4B предназначена для визуальных вопросов и ответов, мультимодального анализа, логических и математических задач, а также обычных диалогов. README описывает обучение в два этапа: Bi-mode Annealing и Bi-mode Policy Optimization. Модель распространяется в формате safetensors через Transformers; лицензия — Apache-2.0. Для ускоренного инференса авторы также описывают поддержку vLLM.

RT-DETR-L_wireless_table_cell_det_safetensors — модуль обнаружения ячеек таблиц на изображениях из семейства RT-DETR, опубликованный PaddlePaddle для использования в PaddleOCR. Он находит области ячеек и возвращает их ограничивающие рамки, которые затем можно передать в конвейер распознавания таблиц для дальнейшей обработки. Карточка указывает, что заявленная точность получена при совместном тестировании с модулем RT-DETR-L_wired_table_cell_det. Модель распространяется в формате safetensors по лицензии Apache-2.0.

SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

Это модель обнаружения объектов на базе архитектуры Table Transformer с 6,3 млн параметров. Она предназначена для распознавания объектов в таблицах на изображениях, однако README не содержит сведений о конкретных классах объектов, наборе данных, обучении или оценке качества. Модель сохранена в формате safetensors; метаданные указывают контекст длиной 1024 токена. Карточка сообщает, что модель обучена с нуля, поэтому базовая модель не указана. Лицензия и поддерживаемые языки в доступных данных не приведены.

Это дообученная модель Table Transformer для обнаружения объектов в изображениях таблиц. Она создана на основе nsugianto/tblstructrecog_finetuned_tbltransstrucrecog_semicplx_v1_s1_226s_adjpar6_lr1e5_dec1e4_bs8 и опубликована nsugianto. Модель предназначена для поиска элементов таблиц; карточка не уточняет набор обнаруживаемых классов и обучающие данные. Модель содержит 6,3 млн параметров, использует архитектуру TableTransformerForObjectDetection и распространяется в формате safetensors. Контекст указан как 1024 токена, хотя для задачи обнаружения объектов важнее обработка изображения. Лицензия — MIT. Язык данных и конкретные ограничения качества не описаны.

YOLO Khmer Text & Math Line Detection v4.0 — модель обнаружения строк текста на страницах камбоджийских учебников по математике и физике. По README, её разработчик обучил модель на материалах национальной школьной программы Камбоджи для 5–12 классов; архитектура относится к семейству YOLO, а репозиторий содержит ONNX-версию. Модель выделяет целые строки, объединяющие кхмерский текст и математические выражения, включая дроби, корни, интегралы, векторы, пределы, матрицы и системы уравнений. Модель предназначена для подготовки страниц учебников к последующему распознаванию текста и формул, а также для поиска строк в приложениях для сервера, настольных компьютеров, веба и мобильных устройств. Для страниц высокого разрешения рекомендуется размер изображения 1280 пикселей; README приводит для версии v4.0 показатели 91,22% mAP@50, 90,99% точности и 86,58% полноты. Модель выдаёт рамки обнаруженных строк, а не распознанный текст или LaTeX. В метаданных указана лицензия Apache-2.0. Результаты описывают обнаружение строк в учебниках по математике и физике Камбоджи; качество на других типах документов и языках не подтверждено.

keremberke/yolov8s-table-extraction — модель компьютерного зрения на архитектуре YOLOv8, опубликованная Keremberke. Она предназначена для обнаружения таблиц на изображениях документов и различает два типа: с границами и без границ. Модель доступна в формате PyTorch и рассчитана на запуск с библиотекой Ultralytics. Модель подходит для автоматического поиска таблиц при разборе сканов и изображений документов. Карточка указывает метки классов, но не приводит сведений о размере модели, контекстном окне, поддерживаемых языках или точности. Лицензия в предоставленных данных не указана.

openai/clip-vit-large-patch14-336 — модель семейства CLIP на архитектуре CLIPModel, доступная в форматах PyTorch и TensorFlow. Она предназначена для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов: пользователь задаёт варианты текста, а модель сопоставляет их с изображением. README утверждает, что модель обучена с нуля, но не сообщает обучающий датасет, результаты оценки или дополнительные сценарии применения. Метаданные не подтверждают базовую модель или производный вариант, поэтому происхождение чекпойнта определить нельзя. Лицензия, размер и длина контекста в предоставленных данных не указаны.

Это конверсия в формат MLX модели diar_sortformer_4spk-v1 от NVIDIA, подготовленная сообществом mlx-community с помощью mlx-audio 0.3.2. Модель предназначена для офлайн-разметки речи по говорящим и определения активности голосов: она обрабатывает монофоническое аудио с частотой 16 кГц и выдаёт вероятности активности говорящих для каждого временного кадра, поддерживая до четырёх говорящих. Архитектура включает FastConformer из 18 слоёв, Transformer Encoder из 18 слоёв и модули Sortformer; используются 80 мел-фильтров. Языковые характеристики, размер и длина контекста в предоставленных данных не описаны. Условия лицензии не приведены, поэтому определить их по этой карточке нельзя.

Это версия модели NVIDIA Sortformer для офлайн-разметки активности и временных сегментов речи до четырёх говорящих. Репозиторий mlx-community содержит конвертацию исходной модели nvidia/diar_sortformer_4spk-v1 в формат MLX с помощью mlx-audio 0.3.2; архитектура включает FastConformer из 18 слоёв, Transformer Encoder из 18 слоёв и модули Sortformer. Модель принимает монофоническое аудио с частотой 16 кГц и выдаёт вероятности активности каждого говорящего по кадрам. Она подходит для диаризации аудиозаписей с несколькими собеседниками и разметки речевой активности, максимум для четырёх голосов. В карточке указана лицензия исходной модели; отдельные условия лицензирования этой конвертации не приведены.

Fara1.5-4B-GGUF — это GGUF-квантизированная версия мультимодальной модели Fara1.5-4B, разработанной Microsoft. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для computer use, управления браузером, автоматизации веб-задач и работы веб-агентов, включая сценарии с визуальным анализом интерфейсов и взаимодействием с ними. Модель имеет размер 4B параметров, поддерживает обработку текста и изображений и ориентирована на английский язык. Доступны варианты от BF16 до низкобитных форматов Q2 и IQ2, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Для запуска подходят llama.cpp, LM Studio, KoboldCpp, Jan AI и другие совместимые приложения. README не содержит сведений о размере контекстного окна, конкретной архитектуре, результатах тестирования или подробных ограничениях мультимодального ввода. Сильными сторонами являются компактный размер, поддержка локального запуска и широкий выбор квантизаций; варианты Q5–Q6 характеризуются как высококачественные, а Q4_K_M рекомендован как сбалансированный вариант. Качество снижается у более компактных форматов, особенно Q2–Q3. Лицензия модели — MIT, однако для работы может потребоваться версия программного обеспечения с поддержкой Fara1.5.

Huihui-Mistral-Small-3.2-24B-Instruct-2506-abliterated-v2-GGUF — набор квантованных версий модели Huihui-Mistral-Small-3.2-24B-Instruct-2506-abliterated-v2. Модель опубликована пользователем noctrex и основана на модели huihui-ai. По карточке она предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Суффикс Instruct указывает на настройку для выполнения пользовательских инструкций, а GGUF — на формат, ориентированный на локальный запуск средствами, поддерживающими этот формат. Из известных характеристик — размер базовой модели около 24 миллиардов параметров и наличие мультимодального сценария работы с изображениями и текстом. Ключевое преимущество набора — возможность выбрать подходящий уровень квантования для снижения требований к памяти и запуска на совместимом локальном оборудовании, однако конкретные варианты квантования, требования к ресурсам, поддерживаемые языки, размер контекста и результаты тестирования в README не указаны. Лицензия и ограничения на использование также не указаны; перед применением следует ознакомиться с условиями лицензии исходной модели.

Карточка модели naklitechie/indictrans2-en-indic-dist-200M на Hugging Face совпадает с карточкой ai4bharat/indictrans2-en-indic-dist-200M, поэтому описание составлено по ней. 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.

ivila-row-layoutlm-finetuned-s2vl-v2 — модель Allen Institute for AI на архитектуре LayoutLM, предназначенная для классификации токенов в документах. Она принимает текстовые токены вместе с их расположением на странице и помогает извлекать структурированную информацию из форм, чеков и других документов. Модель содержит 136,7 млн параметров и имеет контекст длиной до 512 токенов; заявленный язык — английский. Модель подходит для понимания изображений документов и извлечения информации с учётом текста и макета страницы. Карточка не приводит результатов оценки, подробностей обучающего набора данных или явных условий лицензии, поэтому качество на конкретных типах документов и права использования следует проверять отдельно.

Koyal Indic-4 Dual-Mode ASR 600M — мультиязычная модель распознавания речи от Adalat AI для подготовки транскриптов на хинди, каннада, малаялам и телугу. Модель содержит около 600 млн параметров и использует кэшируемый энкодер FastConformer с декодером RNN-T, обусловленным языковым промптом. Она дообучена на базе nvidia/nemotron-3.5-asr-streaming-0.6b с новой токенизацией SentencePiece на 6 000 токенов. Один чекпойнт поддерживает пакетную офлайн-транскрипцию и потоковое распознавание с несколькими настройками задержки. Модель выдаёт транскрипты в расширенной орфографии: с пунктуацией и форматированием числительных по письменным нормам. Она предназначена, в частности, для диктовки документов и судебных записей, когда важен готовый к использованию текст. Качество для отдельных языков в офлайн-режиме может быть ниже, чем у специализированных одноязычных моделей Koyal. Целевой язык нужно указать при запуске; распознавание переключения языков в одной фразе не обучалось. Оценка расширенной орфографии проводилась на FLEURS-RO, отражающем чтение подготовленной речи; характеристики на аудио с другими частотами дискретизации не охарактеризованы. Для работы требуется NVIDIA NeMo версии 3.0.0 или новее. Лицензия указана как other.

llm-jp-4-vl-9b-GGUF-v0.1 — неофициальная конверсия модели llm-jp/llm-jp-4-vl-9b в формат GGUF, опубликованная tokinasin. Это мультимодальная модель для преобразования изображений и текста в текст, ориентированная на работу с японским и английским языками. Модель предназначена для диалогов и анализа изображений в окружении llama.cpp. В состав поставки входят файл модели GGUF и отдельный мультимодальный проектор mmproj; в примере запуска используется контекст длиной 8192 токена. Поддерживается обработка нескольких изображений, а параметр reasoning_effort позволяет управлять интенсивностью рассуждений. Для сохранения возможностей рассуждения рекомендуется использовать квантизацию Q6_K или выше, поскольку в Q4_K_M рассуждение часто пропускается. Для работы требуется версия llama.cpp с применённым специальным патчем, поэтому стандартная сборка без изменений может быть несовместима. Поставка является неофициальной и не относится к основному репозиторию LLM-jp; исправления и сообщения об ошибках следует направлять автору этой конверсии. Файлы GGUF распространяются по Apache License 2.0, патч — по MIT License; отдельные заимствованные компоненты также имеют указанные в README лицензии.

MiMo-V2.6-Distill-Qwen-9B-GGUF — квантованная версия модели MiMo-V2.6-Distill-Qwen-9B, разработанной XiaomiMiMo и представленной в формате GGUF проектом ggml-org. Модель предназначена для задач преобразования изображений и текста, включая мультимодальное понимание содержимого изображений и работу с текстовыми запросами. В комплект входит Q8_0 mmproj для vision encoder. Модель основана на дистиллированной 9-миллиардной версии Qwen; точная архитектура, поддерживаемые языки, размер контекста и перечень квантовок в README не указаны. Формат GGUF ориентирован на запуск через совместимые инструменты, в частности llama.app и llama.cpp-совместимую инфраструктуру. Квантование может снизить требования к памяти, но потенциально влияет на точность по сравнению с полноразмерной версией. Лицензия — MIT. В README отмечено, что текущая версия содержит временное исправление chat template, которое планируется удалить после исправления шаблона в исходной модели; это может ограничивать совместимость или требовать обновлений при последующих релизах.

MM Grounding DINO large — модель компьютерного зрения семейства Grounding DINO, представленная авторами работы «An Open and Comprehensive Pipeline for Unified Object Grounding and Detection». Она предназначена для обнаружения объектов на изображениях по текстовым запросам в режиме zero-shot, без необходимости заранее ограничивать поиск фиксированным набором классов. Модель улучшает контрастивную классификационную голову Grounding DINO и устраняет совместное использование параметров в декодере. Этот вариант обучен на Objects365v1, Open Images v6 и GOLD-G. В README сообщается об улучшении zero-shot результатов на COCO и LVIS относительно Grounding DINO; размер модели и параметры контекста не приводятся. Модель принимает изображение и текстовое описание искомых объектов и возвращает обнаруженные объекты с рамками и оценками. Репозиторий содержит веса Safetensors, используется библиотека Transformers. Лицензия — Apache-2.0. Результаты зависят от формулировки запроса и обучающих данных; приведённая в README таблица метрик относится к вариантам tiny, поэтому её показатели нельзя напрямую считать оценкой этого large-чекпойнта.

NbAiLab подготовила эту бета-модель распознавания норвежской речи на основе Qwen3-ASR-0.6B. Чекпойнт взят из обучения `lunde03-verbatim` и предназначен для оценки и тестирования интеграций с пакетом `qwen-asr`, в том числе для локальной транскрибации, пакетной обработки аудио и проверки серверного развертывания. Модель принимает аудио и выдаёт распознанный текст. Карточка описывает её как промежуточный бета-чекпойнт: точность распознавания, форматирование и характеристики работы могут меняться, а результаты пока предварительные. Лицензия указана как `other`; условия использования следует сверить с правообладателем перед развертыванием.

NLLB-CLIP-Large-SigLIP — мультиязычная модель для сопоставления изображений и текста, объединяющая текстовый энкодер NLLB и визуальный энкодер SigLIP. Её можно применять для классификации изображений по текстовым описаниям без дополнительного обучения: пользователь задаёт варианты подписей, а модель оценивает их соответствие изображению. Модель расширяет возможности CLIP на 201 язык набора Flores-200 и, согласно карточке, особенно хорошо работает с языками с ограниченными ресурсами. В README заявлено, что версия превосходит стандартный вариант и показывает state-of-the-art результат на Crossmodal-3600. Модель интегрирована с OpenCLIP; веса доступны в формате PyTorch. Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение. Карточка не приводит численный размер модели или длину контекста.

PP-LCNet_x1_0_textline_ori_safetensors — модель PaddlePaddle для классификации ориентации строк текста на изображениях. Она предназначена для предварительного этапа OCR: определяет поворот текстовых строк и позволяет исправить его постобработкой, чтобы повысить точность распознавания документов, снятых сканером или камерой под разными углами. Модель построена на архитектуре PP-LCNet и распространяется в формате safetensors. Карточка указывает поддержку английского и китайского языков и лицензию Apache-2.0.

Карточка модели m-toman/siglip2-base-patch16-384 на Hugging Face совпадает с карточкой google/siglip2-base-patch16-384, поэтому описание составлено по ней. SigLIP 2 Base — базовая модель семейства SigLIP 2 от Google, предназначенная для сопоставления изображений и текста. Это плотная vision-архитектура; вариант patch16-384 принимает изображения с разрешением 384 пикселя и обучен на датасете WebLI с использованием объединённой схемы предобучения SigLIP и ранее разработанных методов. Модель подходит для классификации изображений по произвольным текстовым меткам без дополнительного обучения, поиска изображений по тексту и текста по изображению, а также как визуальный энкодер для VLM и других компьютерно-зрительных задач. В README отмечены улучшенное семантическое понимание, локализация и извлечение плотных признаков. Модель распространяется под лицензией Apache-2.0. README не приводит численный размер модели или результаты оценки, поэтому их нельзя уточнить по доступным сведениям.

Это порт Silero VAD v6 для MLX, подготовленный сообществом mlx-community на основе весов из официального пакета silero_vad. Модель использует ветвь для аудио с частотой 16 кГц и архитектуру STFT, за которой следуют четыре сверточных слоя Conv1d, LSTM со скрытым размером 128 и выходной Conv1d с сигмоидой. Веса сохранены в формате safetensors и предназначены для запуска через mlx-audio на Apple Silicon. Модель определяет наличие речи в аудио и выдаёт вероятность речи для фрагмента: по одному значению на каждые 32 мс в потоковом режиме либо на 256 мс при пакетном вызове с объединением восьми внутренних фрагментов. Её можно применять для отбора речевых участков перед распознаванием речи, обработки потокового аудио и разметки активности говорящего. В README приведены результаты на одном англоязычном собрании и проверка совпадения выходов с upstream PyTorch; эти оценки не устанавливают качество для других условий и языков. Лицензия репозитория — MIT.

Модель nsugianto/tblstructrecog_finetuned_tbltransstrucrecog_v1_s1_394s_adjpar6_lr1e5_dec1e4_bs8 — дообученная версия модели распознавания структуры таблиц на базе Table Transformer. Она предназначена для обнаружения объектов на изображениях таблиц, например их структурных элементов. В README указано, что модель дообучена на неизвестном наборе данных, поэтому конкретные типы размечаемых элементов и качество не описаны. Модель содержит 6,3 млн параметров, использует архитектуру TableTransformerForObjectDetection и сохранена в формате safetensors. Для применения к изображениям таблиц подходит как компонент конвейера извлечения структуры документов. Лицензия — MIT.

bullerwins/translategemma-27b-it-GGUF — GGUF-версия TranslateGemma 27B, разработанная Google Translate на базе семейства Gemma 3. Модель предназначена для машинного перевода между 55 языками и рассчитана на локальное развертывание на ноутбуках, настольных компьютерах или собственной облачной инфраструктуре. Идентификатор указывает на формат GGUF, однако конкретные параметры квантования в предоставленных данных не указаны. Модель поддерживает текстовый ввод и изображения: она может переводить текст напрямую, а также извлекать текст из изображения и переводить его. Изображения нормализуются до разрешения 896×896 и кодируются в 256 токенов; общий входной контекст составляет 2K токенов. Для работы требуется специальный chat template с ролями User и Assistant, указанием исходного и целевого языков в формате ISO 639-1 или регионализированном формате. Доступны сценарии обычного перевода и перевода текста с изображений; другие способы prompting, включая постредактирование машинного перевода, официально не поддерживаются. Сильными сторонами являются мультимодальность, поддержка широкого набора языков и возможность запуска в собственной инфраструктуре. Ограничениями выступают контекст в 2K токенов, необходимость строго соблюдать формат входных сообщений и использование только поддерживаемых языковых кодов; для версии 27B также могут потребоваться значительные вычислительные ресурсы, несмотря на позиционирование семейства как легковесного. Модель распространяется по лицензии Gemma Google; доступ к исходной модели на Hugging Face требует принятия условий использования Google.

keremberke/yolov8m-table-extraction — модель компьютерного зрения на базе YOLOv8m, опубликованная Keremberke. Она предназначена для обнаружения таблиц на изображениях и различает два класса: таблицы с границами и без границ. Модель использует библиотеку Ultralytics и представлена в формате PyTorch. Её можно применять для поиска областей таблиц на сканах и изображениях документов перед последующим извлечением содержимого. Лицензия AGPL-3.0.

CT-Punc — модель восстановления пунктуации из экосистемы FunASR, предназначенная для автоматической расстановки знаков препинания в тексте без пунктуации, в том числе в результате распознавания речи. Её можно применять как отдельный этап обработки текста или включать в конвейер ASR. Модель поддерживает китайский и английский языки и рассчитана на низкую задержку, в том числе в потоковых сценариях. Репозиторий содержит веса PyTorch и использует библиотеку FunASR. Размер модели и длина контекста в предоставленных данных не указаны. Лицензия — Apache-2.0.

Это модель обнаружения объектов на изображениях, созданная дообучением DETR с ResNet-50 от nsugianto. Она предназначена для поиска объектов и определения их рамок; в названии указаны наборы LS-TableDet и LSDocElementDet, однако README не описывает классы объектов и конкретные сценарии применения. Модель содержит 6,3 млн параметров, использует архитектуру DETR и распространяется в формате Safetensors. Лицензия в предоставленных данных не указана.