I.15Доступность и ассистивные технологии

Hukyl/dfine-egret-x-rukopys — модель обнаружения объектов для анализа рукописных украинских страниц. Она разработана Hukyl на основе D-FINE-X и дообучена на размеченном наборе Rukopys; архитектура включает backbone HGNetV2 и декодер в стиле RT-DETR. Модель содержит около 62,7 млн параметров и распознаёт семь типов областей: рукописный и печатный текст, формулы, таблицы, аннотации, изображения и графики. Модель предназначена для поиска и классификации областей документа перед передачей распознавателям текста или формул. На отложенной выборке из 133 страниц mAP@50 составила 0,6704, а mAP@50–95 — 0,4441; качество заметно различается между классами. Модель обучали и оценивали при размере изображения 640×640; результаты для документов иных типов не проверялись. Слабыми классами являются аннотации и изображения, а малое число примеров некоторых категорий делает их метрики нестабильными. Веса распространяются по лицензии Apache-2.0; обучающие данные Rukopys указаны с лицензией CC BY 4.0.

Карточка модели theoracleguy/diar_streaming_sortformer_4spk-v2.1-fp32 на Hugging Face совпадает с карточкой mlx-community/diar_streaming_sortformer_4spk-v2.1-fp32, поэтому описание составлено по ней. Это потоковая модель диаризации речи Sortformer, преобразованная сообществом mlx-community из модели NVIDIA diar_streaming_sortformer_4spk-v2.1 в формат MLX с помощью mlx-audio 0.3.2. В основе архитектура FastConformer из 17 слоёв, энкодер Transformer из 18 слоёв и модули Sortformer; модель принимает монофонический звук с частотой 16 кГц и выдаёт вероятности активности говорящих для каждого кадра. Она рассчитана на потоки и записи с числом говорящих до четырёх, используя кэш говорящих и контекст для обработки длинных потоков и границ аудиофрагментов. Модель подходит для разметки того, кто и когда говорит в аудиозаписи или потоке, а также для определения активности речи. README описывает веса в формате MLX, распространяемые как safetensors; для работы используется библиотека mlx-audio. Это конверсия исходной модели NVIDIA, а не самостоятельное дообучение. README отсылает к карточке исходной модели за дополнительными сведениями; лицензия и языковая специализация в предоставленных данных не описаны.

pelmeshkass/elit-final — дообученная модель семейства Qwen3.5, созданная pelmeshkass на базе unsloth/Qwen3.6-27B с использованием Unsloth и Hugging Face TRL. Она предназначена для диалоговых задач с текстом и изображениями, включая анализ визуального содержимого; репозиторий также заявляет интерфейс для вызова инструментов. Модель имеет плотную архитектуру Qwen3_5ForConditionalGeneration и поддерживает контекст до 1 048 576 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает специализацию дообучения, обучающие данные или результаты оценки качества, поэтому пригодность для конкретных сценариев следует проверять отдельно.

Frame-VAD Multilingual MarbleNet v2.0 — компактная сверточная модель NVIDIA на архитектуре MarbleNet для обнаружения речи в аудиопотоке. Она предназначена для использования как первый этап распознавания речи, диаризации говорящих и других задач обработки аудио. Модель содержит 91,5 тыс. параметров и выдаёт вероятность наличия речи для каждого 20-миллисекундного кадра. Модель принимает одноканальное аудио WAV с частотой 16 кГц и поддерживает английский, испанский, французский, немецкий, русский и китайский языки. Для снижения ложных срабатываний при обучении использовались шумовые помехи, разные уровни громкости и примеры неречевых звуков. Для более устойчивых границ речи вероятности можно сглаживать и порогово классифицировать. Модель рассчитана на работу в реальном времени; NVIDIA указывает оптимизацию для GPU-систем, а также готовность к коммерческому применению. Использование регулируется NVIDIA Open Model License Agreement.

Это 8-битная MLX-квантизированная версия модели gemma-4-26B-A4B-it, разработанной Google. Квантизацию выполнила команда LM Studio с использованием mlx_vlm; модель предназначена для запуска на устройствах с Apple Silicon. Модель относится к мультимодальному классу image-text-to-text и предназначена для задач, в которых требуется обрабатывать изображения и текст и генерировать текстовые ответы. Идентификатор содержит обозначение размера 26B A4B, однако в README не приведены подробности архитектуры, точное число активных параметров, поддерживаемые языки или размер контекстного окна. Ключевое преимущество модели — 8-битное представление и оптимизация на базе MLX для Apple Silicon, что должно облегчать локальный запуск на совместимом оборудовании по сравнению с полноразмерной версией. Ограничения связаны с зависимостью от экосистемы Apple Silicon, влиянием квантизации на качество и отсутствием в предоставленных данных подробных результатов тестирования, характеристик производительности и ограничений безопасности. Модель распространяется по лицензии Apache 2.0.

gemma-4-31B-it-MLX-8bit — это 8-битная квантованная версия мультимодальной модели gemma-4-31B-it, разработанной Google. Квантирование в формате MLX выполнено командой LM Studio с использованием mlx_vlm; модель оптимизирована для запуска на компьютерах Apple Silicon. По данным карточки, она относится к классу моделей image-text-to-text и предназначена для работы с текстом и изображениями, включая задачи понимания визуального содержимого и генерации текстовых ответов. Ключевая характеристика модели — размер 31B и 8-битное представление весов, что снижает требования к памяти по сравнению с полной версией и делает модель более подходящей для локального запуска на совместимом оборудовании Apple. В карточке не указаны поддерживаемые языки, размер контекстного окна, точные архитектурные параметры и результаты тестирования, поэтому оценить её производительность в конкретных сценариях невозможно. Модель распространяется по лицензии Apache-2.0; при использовании также следует учитывать условия лицензии Gemma 4, ссылка на которую приведена в карточке.

DevQuasar/google.gemma-4-12B-it-GGUF — квантованная версия Gemma 4 12B Instruct, подготовленная DevQuasar в формате GGUF на основе Google Gemma 4. Это диалоговая мультимодальная модель с архитектурой gemma4 и примерно 12 млрд параметров; карточка указывает поддержку анализа изображений и ответов на текстовые запросы. Репозиторий предлагает варианты квантования от 2 до 8 бит, включая Q4_K_M. Модель предназначена для локального диалога, генерации текста и ответов по изображениям; карточка показывает использование через llama.cpp и другие локальные инструменты. Языковые возможности и длина контекста в доступных источниках не подтверждены. Репозиторий описывает модель как квантованную версию Google Gemma 4 12B Instruct; лицензионные условия следует проверять в карточке базовой модели Google.

Index-Translate-35B-A3B-preview — предварительная многоязычная модель перевода семейства Index-Translate, разработанная IndexTeam на базе Qwen3.5. Это модель типа mixture-of-experts с 35 млрд общих и примерно 3 млрд активных параметров. Она предназначена для перевода текстов между 150 языками и учитывает инструкции о терминологии, стиле, контексте, форматировании, структуре и длине ответа. Модель подходит для перевода статей, субтитров, структурированных данных и культурно обусловленных выражений, включая мемы и разговорные варианты написания. Вариант с визуальными энкодерами mmproj поддерживает перевод текста на изображениях без отдельного внешнего OCR; наличие этих энкодеров в данном репозитории не подтверждено. В техническом отчёте модель показывает высокие результаты на нескольких тестах перевода, но приведённые оценки относятся к указанным наборам данных и настройкам. Карточка описывает preview-версию и не приводит конкретные ограничения её практического применения. Лицензия — Apache-2.0.

cstr/madlad400-3b-ct2-int8 — это оптимизированная int8-версия мультиязычной модели машинного перевода MADLAD-400-3B-MT, разработанной Google Research на основе архитектуры T5 и преобразованной в формат CTranslate2 Juarez Bochi. Исходная модель обучалась на 1 триллионе токенов общедоступных данных и охватывает более 400 языков. Модель предназначена прежде всего для перевода текста между поддерживаемыми языками и других мультиязычных NLP-сценариев. Модель имеет около 3 миллиардов параметров в исходной версии; данная публикация использует int8-квантизацию для более компактного и эффективного запуска через CTranslate2. Направление перевода задаётся специальным префиксом языка, например <2en> или <2de>. Среди явно указанных языков — английский, русский, немецкий, французский, испанский, китайский, японский, арабский и многие другие. Модель распространяется по лицензии Apache 2.0. Сильными сторонами являются широкий охват языков, специализированная ориентация на машинный перевод и сниженные требования к памяти благодаря int8-представлению. Качество может различаться между языками и предметными областями, а модель не предназначена для гарантированно точного перевода важных или чувствительных материалов без проверки человеком.

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 по текстовым запросам без отдельного обучения на каждом заданном классе: на вход подаются изображение и текстовые описания объектов, на выходе — найденные объекты с ограничивающими рамками и оценками уверенности. Модель улучшает Grounding DINO за счёт контрастивной классификационной головы и отказа от разделения параметров декодера. В карточке для семейства указаны результаты на COCO и LVIS, но приведённые подробные таблицы относятся к вариантам tiny и не подтверждают показатели именно этой версии large. Модель обучалась на наборах Objects365, Open Images, GOLD-G, V3Det, COCO, LVIS, GRIT и RefCOCO. Модель работает с изображениями и текстом и выдаёт текстовые категории, оценки и координаты рамок. Репозиторий использует библиотеку Transformers и формат safetensors. Лицензия Apache-2.0.

Nemotron 3 Diarization preview — предварительная модель NVIDIA для анализа многоголосой аудиозаписи и определения, кто и когда говорил. Она предназначена для диаризации речи в потоковом и офлайн-режимах; метаданные также относят её к voice activity detection и указывают на архитектуру Streaming Sortformer. Модель принимает аудио и выдаёт временные метки активности говорящих. Подробная карточка основной версии Nemotron 3 Diarization описывает Transformer-энкодер с 31 слоем и около 100 млн параметров, поддержку до восьми говорящих, потоковую обработку и разрешение выходных кадров 10 мс. Эти характеристики относятся к основной версии и не подтверждены отдельно для preview. Доступ к preview предоставляется по лицензии NVIDIA Software and Model Evaluation License для внутреннего тестирования и оценки: использование в производстве и запуск не на системах с NVIDIA GPU не разрешены. Карточка основной версии описывает её как готовую к коммерческому и некоммерческому применению под другой лицензией, поэтому её условия нельзя переносить на preview.

PolizzeDonut-SoloPDF-3Epochs-tot — модель преобразования изображений документов в текст, дообученная на базе naver-clova-ix/donut-base. Архитектура — vision-encoder-decoder Donut; репозиторий содержит веса в формате safetensors. Модель предназначена для извлечения текста и структурированных сведений из изображений документов, в частности страховых полисов, что следует из названия модели и специализации базовой Donut. На оценочном наборе указана функция потерь 0,3961. В карточке не описаны конкретные поля извлечения, языки и ограничения качества, поэтому применять модель стоит с проверкой полученных результатов. Лицензия — MIT.

tvall43/Qwen3.5-0.8B-heretic — компактная мультимодальная модель на основе Qwen3.5-0.8B, изменённая методом abliteration для снижения частоты отказов. README приводит сравнение: 4 отказа из 100 запросов против 96 у исходной модели; KL-дивергенция относительно неё составляет 0,033. Модель имеет архитектуру Qwen3.5 с плотной языковой частью на 0,8 млрд параметров и визуальным энкодером. Она принимает текст и изображения и предназначена для диалогов и задач понимания изображений. Контекст модели — до 262 144 токенов. README указывает поддержку 201 языка и диалекта для семейства Qwen3.5, но не приводит отдельный перечень языков именно для этой версии. Предполагаемые сценарии применения — прототипирование, исследовательская и разработческая работа, а также дообучение под конкретные задачи. Малый размер облегчает эксперименты, но сам по себе не гарантирует качество для сложных или критичных приложений; снижение частоты отказов может приводить к ответам на запросы, от которых исходная модель отказалась бы. Лицензия — Apache-2.0.

DavidAU разработал Qwen3.5-2B-Polaris-HighIQ-Thinking-Compact как дообученную на наборе Polaris 1000x модель Qwen3.5-2B. Это компактная плотная мультимодальная модель с причинным языковым декодером и визуальным энкодером; размер языковой части — 2 млрд параметров. Репозиторий содержит веса Safetensors для Transformers, а лицензия — Apache-2.0. Модель предназначена для диалогов, следования инструкциям и рассуждений с короткими цепочками рассуждений и лаконичными ответами. Она принимает текст и изображения и выдаёт текст; шаблон чата настроен на режим рассуждения. Унаследованная архитектура Qwen3.5 поддерживает контекст до 262 144 токенов и широкое многоязычие, заявленное для семейства как 201 язык и диалект. Автор приводит результаты на ARC, BoolQ, HellaSwag, OpenBookQA, PIQA и Winogrande, где версия показывает улучшения относительно Qwen3.5-2B по части тестов и близкие результаты по остальным. Модель небольшого размера подходит для прототипирования и специализированной настройки; качество может быть ограничено масштабом в 2 млрд параметров, а результаты бенчмарков не гарантируют качество на пользовательских задачах.

Карточка модели jamiefutch/Qwen3.5-35B-A3B-MXFP4_MOE-GGUF на Hugging Face совпадает с карточкой noctrex/Qwen3.5-35B-A3B-MXFP4_MOE-GGUF, поэтому описание составлено по ней. Это квантованные сборки Qwen3.5-35B-A3B, опубликованные noctrex для запуска через llama.cpp. Модель использует архитектуру Mixture of Experts: в README указаны варианты с MXFP4 для тензоров MoE и BF16 или F16 для остальных тензоров; предпочтителен BF16, а F16 может быть быстрее на некоторых аппаратных платформах. Метаданные репозитория обозначают сборки как GGUF в форматах BF16, F16 и F32. Модель предназначена для диалога и обработки изображений с текстовым выводом. Для работы с изображениями README рекомендует использовать файл mmproj в формате F32. Это перекладывает на пользователя выбор и настройку совместимой версии llama.cpp и подходящих файлов проектора. Сведения о лицензии, языках и длине контекста в предоставленных источниках отсутствуют.

lmstudio-community/Qwen3.5-4B-MLX-8bit — 8-битная квантованная версия модели Qwen3.5-4B, разработанной Qwen. Квантование выполнено командой LM Studio с использованием mlx_vlm, а модель оптимизирована для работы на устройствах Apple Silicon через MLX. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Известно, что исходная модель имеет размер 4B параметров, однако в README не приведены подробности её архитектуры, поддерживаемых языков, максимального контекста, набора мультимодальных возможностей, производительности или требований к памяти. Ключевое преимущество этой версии — снижение требований к ресурсам и оптимизация для Apple Silicon благодаря 8-битному представлению и MLX. Ограничения включают возможную потерю качества из-за квантования, зависимость от экосистемы Apple Silicon и отсутствие в предоставленных данных результатов тестирования или подробного описания сценариев применения. В метаданных указана лицензия Apache-2.0 для модели. Qwen является создателем исходной модели, а LM Studio предоставляет её общественную MLX-квантизацию, но не заявляет себя автором или владельцем исходной модели.

Карточка модели allenai/SAGE-MM-Molmo2-8B-SFT на Hugging Face совпадает с карточкой allenai/SAGE-MM-Qwen2.5-VL-7B-SFT_RL, поэтому описание составлено по ней. 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.

A.X VE — визуальный энкодер на базе Vision Transformer, разработанный SK Telecom в рамках южнокорейского проекта суверенной базовой модели ИИ. Модель обучена с нуля как визуальная часть будущей мультимодальной модели A.X VLM: при обучении замороженный внутренний языковой декодер генерировал текст по визуальным токенам, а энкодер оптимизировался по цели предсказания следующего токена. Энкодер преобразует изображения в признаки отдельных патчей и предназначен для использования как визуальный модуль VLM вместе с языковой моделью. В README указаны 413 млн параметров и архитектура ViT: 27 слоёв, скрытый размер 1152, 16 голов внимания и патчи 16 × 16. Обучение включало задачи описания изображений, распознавания текста и документов, разбора содержимого и привязки объектов к областям изображения. Веса представлены в формате Safetensors, основная точность — bf16. Модель ориентирована на извлечение визуальных признаков, включая признаки, полезные для OCR, понимания документов и пространственной привязки. Она не генерирует текст самостоятельно: для решения пользовательских задач требуется языковой модуль. Признаки согласованы с пространством эмбеддингов декодера, использованного при обучении, поэтому при подключении другого языкового модуля может понадобиться дополнительная адаптация. Лицензия — Apache 2.0.

stillerman/fdt-disfluency-distilbert-66m-v5 — модель-разметчик для удаления речевых дисфлуентностей из транскриптов живой речи. Она помечает каждое слово тегом KEEP, DELETE, KEEP_STRIP_COMMA или KEEP_CAPITALIZE, после чего короткая процедура реконструкции собирает очищенный текст. Модель основана на DistilBERT с архитектурой DistilBertForTokenClassification и содержит 65,2 млн параметров; контекст — 512 токенов. Версия v5 сохраняет слова like, когда они вводят цитату или сравнение, и удаляет их как заполнитель в соответствующем контексте. Модель предназначена для очистки разговорных транскриптов, в том числе в браузере через int8 ONNX и transformers.js; автор сообщает о времени обработки порядка 10–50 мс на высказывание и метриках exact match 0,9745 и DELETE-F1 0,9916. Архив модели также содержит веса safetensors. Она удаляет или корректирует только помеченные токены и не перефразирует текст. Лицензия репозитория — Apache-2.0, однако обучение частично использовало DailyDialog с лицензией CC BY-NC-SA, поэтому автор рекомендует считать модель исследовательским артефактом и не применять её для коммерческого развертывания без дополнительной проверки условий.

Gemma-4-26B-A4B-it-RAZOR-20B-A4B-E96of128 — сжатая методом RAZOR версия мультимодальной инструктивной модели Gemma 4 26B-A4B IT. Модель подготовлена автором репозитория Nickyang: из 128 маршрутизируемых экспертов в каждом MoE-слое оставлено 96, в результате чего общее число параметров уменьшено с 26 млрд до 20,1 млрд при сохранении примерно 4 млрд активных параметров на токен. Это обучение-свободное прореживание: веса оставшихся экспертов не дообучались, а модуль обработки изображений, внимание, эмбеддинги, языковая голова и оставшиеся строки маршрутизатора не менялись. Модель предназначена для диалогов с текстом и изображениями, включая вопросы об изображениях и генерацию текстовых ответов. Архитектура Gemma 4 поддерживает мультимодальный ввод, а репозиторий содержит веса Safetensors и лицензию Apache 2.0. README сообщает, что отбор экспертов калибровали на конечном текстовом корпусе; для визуальных задач качество отдельно не оценивалось. Прореживание может менять разнообразие, форматирование и завершение ответов, даже если точность на задачах в основном сохраняется. Перед развёртыванием следует оценить модель на собственных данных, а качество ответов с изображениями проверять отдельно.

Holo3.1-35B-A3B-GGUF — мультимодальная vision-language модель для компьютерных агентов, разработанная H Company. Она предназначена для навигации и автоматизации действий в веб-браузерах, настольных и мобильных интерфейсах, а также для задач UI grounding, бизнес-процессов и интеграции с агентными фреймворками. Модель поддерживает native function calling и ориентирована на локальное развертывание. Модель относится к семейству Holo3.1 и построена на базе моделей Qwen 3.5; в README также указана MoE-архитектура. Вариант Holo3.1-35B-A3B доступен в формате GGUF с квантизацией Q4, а также в вариантах BF16, FP8 и NVFP4. Заявлен английский язык. Модель работает с текстом и визуальной информацией, но размер контекстного окна в предоставленных данных не указан. К сильным сторонам относятся поддержка компьютерного использования в веб-, настольных и мобильных средах, функции для построения агентов и возможность более экономичного локального запуска благодаря квантизации. README заявляет высокие результаты в бенчмарках компьютерного использования, мобильной автоматизации, корпоративных рабочих процессов и UI grounding, однако подробные числовые показатели не приведены. Ограничения, требования к оборудованию и точные параметры контекста также не указаны; для GGUF-варианта могут потребоваться совместимые средства инференса. Модель распространяется по лицензии Apache 2.0.

Это квантованная версия модели Huihui-Qwen3.5-35B-A3B-Claude-4.6-Opus-abliterated от elbelga в формате GGUF для локального запуска через llama.cpp. Модель поддерживает диалог и обработку изображений вместе с текстом; README описывает вариант с MXFP4 для тензоров MoE и BF16 для остальных тензоров, а для мультимодальной работы рекомендует mmproj в F32. Замена Q8 на BF16 может повысить сохранность качества, но на некоторых архитектурах замедляет инференс. Модель предназначена для локальных чат-сценариев с текстовыми и визуальными запросами. Она основана на дообученной Huihui-Qwen3.5-35B-A3B-Claude-4.6-Opus-abliterated; сведений о лицензии, языках и размере контекста в предоставленных данных нет.

Это конверсия модели Huihui-Qwen3.6-35B-A3B-Claude-4.6-Opus-abliterated в формат MLX-VLM с точностью bf16, подготовленная для запуска через mlx-vlm и LM Studio. Модель основана на архитектуре Qwen3.5 MoE и поддерживает диалог по тексту и изображениям. Модель предназначена для генерации ответов в чате и рассуждений по текстовым и визуальным запросам; базовая версия описана как экспериментальная модель с ослабленными отказами. Размер файлов конверсии — около 66 ГБ. Проверки генерации текста и работы с изображениями пройдены. Это переформатирование базовой модели, а не отдельное дообучение. Лицензия в предоставленных данных не указана.

MM Grounding DINO Tiny — модель компьютерного зрения семейства MM 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 описаниям, в том числе в режиме zero-shot, без необходимости заранее ограничивать запрос фиксированным набором классов. Модель использует архитектуру MMGroundingDinoForObjectDetection с визуальным backbone Swin-T. Вариант из этого репозитория обучен на Objects365v1, GOLD-G, GRIT и V3Det. В README приведены результаты на COCO и LVIS; для близкого варианта с тем же набором данных Objects365v1, GOLD-G и V3Det указаны 50,6 mAP на COCO и 30,6 AP на LVIS Val1.0. Модель принимает изображение и текстовые запросы с названиями объектов, а выдаёт обнаруженные объекты с рамками и оценками. README не сообщает поддерживаемые естественные языки запросов. Репозиторий распространяется по лицензии Apache-2.0.

MobileCLIP-S1 — компактная модель сопоставления изображений и текста, разработанная Apple и опубликованная как чекпойнт для OpenCLIP. Работа о семействе MobileCLIP представлена на CVPR 2024. Вариант S1 включает визуальную часть с 21,5 млн и текстовую часть с 63,4 млн параметров; в README для него указаны точность zero-shot классификации ImageNet 72,6% и средний результат 61,3% на 38 наборах данных. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах, а также для поиска соответствий между изображением и текстом. Компактная архитектура ориентирована на быстрое выполнение таких задач; веса доступны в форматах PyTorch и safetensors, использовать их можно через OpenCLIP. Лицензия — Apple AMLR. README приводит результаты оценки, но не описывает ограничения точности для конкретных предметных областей или условий съёмки; качество следует проверять на целевых данных.

openMaMMUT ViT-L/14 — модель семейства MaMMUT, опубликованная LAION и обученная Jenia Jitsev на DataComp-1.4B. Это визуально-языковая модель с архитектурой ViT-L/14 и разрешением изображений 224 пикселя; обучение проводилось на 12,8 млрд примеров. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений и подписей к ним, а также генерации описаний изображений. Для ImageNet-1k заявлена точность zero-shot top-1 80,34%; для поиска на MS-COCO — Recall@5 71,19% по изображениям и 85,88% по тексту. Модель принимает изображения и текстовые запросы, а выдаёт оценки соответствия и текстовые описания. В карточке указана поддержка английского языка; применение для других языков не оценивалось. Доступны веса PyTorch и Safetensors для Transformers; для OpenCLIP требуется специальная ветка с поддержкой MaMMUT. Авторы позиционируют модель как исследовательский артефакт и не рекомендуют развёртывание в конечных продуктах без тщательной проверки на конкретной задаче. Применение для наблюдения и распознавания лиц исключено из области использования. Лицензия — Apache-2.0.

Ornith-1.0-35B-4bit — 4-битная MLX-квантизированная версия мультимодальной модели Ornith-1.0-35B, разработанной deepreinforce-ai. Конвертация выполнена с использованием mlx-vlm 0.6.3. Модель предназначена для Apple Silicon и запускается через mlx-vlm или другие приложения на базе MLX. Модель поддерживает работу с текстом и изображениями: сохранённый vision encoder позволяет анализировать изображения и отвечать на связанные с ними запросы. В основе используется архитектура Mixture of Experts с 256 экспертами и языковой моделью размером 35B; применена 4-битная квантизация с размером группы 64 и точностью 4,649 бит на параметр. В README не указаны поддерживаемые языки и размер контекстного окна. К сильным сторонам относятся полноценная мультимодальность, существенное снижение требований к памяти благодаря квантизации и высокая скорость генерации на совместимом оборудовании. Ограничения включают зависимость от Apple Silicon и MLX-совместимого программного окружения, а также потенциальные потери точности из-за 4-битной квантизации. Указана лицензия MIT; подробные бенчмарки, рекомендации по применению и ограничения следует уточнять в карточке исходной модели.

zeromodels выпустила конверсию OWLv2-base-patch16-finetuned в формате Keras 3 для библиотеки zeromodels. Это модель обнаружения объектов с открытым словарём: при обработке изображения она использует текстовые запросы и возвращает найденные объекты и их рамки. Архитектура сохраняет двухбашенный каркас OWL-ViT и голову обнаружения по патчам; OWLv2 также применяет обучение на парах изображений и текста из интернета и использует отдельную оценку объектности для патчей. Реализация работает с TensorFlow, Torch и JAX. Модель подходит для поиска объектов по произвольным текстовым описаниям, включая категории, не заданные фиксированным набором классов. Для обработки рекомендуется использовать соответствующий Processor и передавать исходные размеры изображения с учётом дополнения изображения до квадрата перед изменением размера: это влияет на постобработку координат рамок. Лицензия — Apache 2.0.

zeromodels/owlv2-large-patch14 — конверсия OWLv2-large-patch14 от Google в Keras 3, подготовленная проектом zeromodels. Модель выполняет обнаружение объектов с открытым словарём: принимает изображение и свободные текстовые запросы о том, какие объекты нужно найти, и возвращает найденные объекты с оценками и координатами. Архитектура сохраняет двухбашенную основу OWL-ViT, использует детекторную голову для патчей изображения и дополнительную голову оценки объектности. Модель масштабирована с помощью самообучения на парах изображение—текст из веба. Репозиторий содержит конверсию в формате TensorFlow; реализация Keras 3 также заявлена как работающая с TensorFlow, Torch и JAX. Для обработки изображений важно учитывать дополнение изображения до квадрата перед изменением размера и передавать исходные размеры при постобработке. Порог обнаружения для открытого словаря может быть ниже, чем у детекторов с фиксированными классами. Лицензия — Apache 2.0.

PP-LCNet_x0_25_textline_ori_safetensors — модель PaddlePaddle на архитектуре PP-LCNet, предназначенная для классификации ориентации строк текста на изображениях. Она помогает предварительно определить поворот текста и скорректировать его при постобработке, чтобы повысить качество OCR в сценариях сканирования документов и съёмки удостоверений или сертификатов, когда камера может быть повёрнута. Модель принимает изображение и выдаёт класс ориентации строки; в карточке указана поддержка английского и китайского языков. Вес модели опубликован в формате safetensors, лицензия — Apache-2.0. Число параметров и длина контекста в предоставленных данных не указаны.