I.15Доступность и ассистивные технологии

PASITA v1 — разработанная OpceanAI компактная авторегрессионная языковая модель на архитектуре LlamaForCausalLM, обученная с нуля без базовой модели. Она предназначена для преобразования обычного текста в корректный Markdown с сохранением исходной информации: модель добавляет структуру, но не должна придумывать содержание. Размер — около 88,1 млн параметров; используется библиотека Transformers, веса опубликованы в формате safetensors. Контекст модели составляет 2048 токенов. Модель рассчитана на форматирование средних и длинных документов: результатов OCR, вставленного HTML, заметок встреч, инструкций и обучающих материалов. Карточка приводит результаты тестирования на испанских и английских данных, включая качество Markdown, сохранение смысла и обработку таблиц; метаданные также указывают испанский и английский языки. На коротких фрагментах из одной-трёх строк результат может быть нестабильным, а среди отмеченных ошибок — пропуск цифр или второстепенных данных, повтор заголовка первого уровня и генерация текста после завершения. Строгое выполнение инструкций — известное слабое место. Лицензия Apache-2.0.

PP-DocBlockLayout_onnx — модель PaddlePaddle/PaddleOCR для обнаружения и локализации блоков компоновки в изображениях документов. Она предназначена для предварительного анализа китайских и англоязычных научных статей, презентаций, журналов, контрактов, книг, экзаменационных материалов, древних книг и исследовательских отчётов, а также других документов со сложной структурой. Модель принимает изображения и выявляет области типа Region, что может использоваться в OCR-конвейерах и системах структурированного разбора документов. В основе модели лежит архитектура RT-DETR-L; доступен вариант для выполнения через ONNX Runtime. В README заявлена одна категория обнаружения — Region, а показатель mAP@0.5 составляет 95,9% на собственной тестовой выборке, включающей около 1000 изображений различных типов документов. Данные о точном размере модели, максимальном контексте, поддерживаемых языках сверх китайского и английского, вычислительных требованиях и ограничениях на конкретные форматы изображений не приведены. Модель распространяется по лицензии Apache 2.0.

PP-LCNet_x0_25_textline_ori_onnx — компактная модель PaddlePaddle в формате ONNX для классификации ориентации строк текста на изображениях. Она предназначена для этапа предварительной обработки в OCR-конвейерах: определяет направление текстовой строки, после чего ориентацию изображения можно скорректировать постобработкой. Модель подходит для обработки сканов документов и фотографий удостоверений или сертификатов, в том числе когда устройство захвата было повернуто. Предварительное определение ориентации помогает повысить точность последующего распознавания текста. В карточке указаны поддержка английского и китайского языков и лицензия Apache 2.0.

Koalacrown/qwen3.6-27b-agentic-extraction-sft-merged — объединённый чекпойнт модели Qwen3.6-27B, подготовленный Koalacrown. Он создан применением весов SFT LoRA-адаптера Koalacrown/qwen3.6-27b-agentic-extraction-sft-lora к базовой модели Qwen/Qwen3.6-27B; чекпойнт сохранён в формате bf16. Модель использует архитектуру Qwen3_5ForConditionalGeneration и поддерживает текстовый диалог и работу с изображениями. Модель предназначена для агентного извлечения информации и мультимодальных сценариев, в которых нужно анализировать изображения и формировать текстовый ответ. Репозиторий включает интерфейс вызова инструментов, однако карточка не описывает конкретные инструменты, обучающие данные, показатели качества или ограничения применимости. Лицензия — Apache-2.0.

Это реконструкция чекпойнта Qwen3.6-35B-A3B в формате Hugging Face Transformers, выполненная Tiến Khôi Lê на основе публичной GGUF-модели HauhauCS. Репозиторий не является официальным выпуском Qwen Team или HauhauCS. Веса представлены в FP16 и Safetensors; исходная архитектура — мультимодальная MoE-модель с 35 млрд параметров, около 3 млрд активных параметров на токен, 256 экспертами и 40 слоями трансформера. Поддерживаются обработка изображений и текста, vision encoder и Multi-Token Prediction. Модель предназначена для диалогов и мультимодальных задач, включая работу с изображениями, а реконструированный формат — для использования с экосистемой Hugging Face и совместимыми инструментами. В репозитории заявлена совместимость с Transformers, Accelerate, vLLM и SGLang. Чекпойнт восстановлен из квантизированной GGUF-публикации, поэтому числовая эквивалентность исходным весам до квантизации не гарантируется. Реконструкция не является дообучением и не меняет поведение исходной модели. Лицензия в метаданных — Apache-2.0. Автор реконструкции не гарантирует точность, безопасность, надёжность или пригодность модели для конкретного применения; перед использованием результаты следует проверять. README описывает модель как uncensored, поэтому её ответы могут не иметь ожидаемых ограничений на содержание.

Qwen3.8-Flash-Next-MLX-Q9 — квантованная версия модели Qwen3.8-Flash-Next, подготовленная inferencerlabs с использованием модифицированной версии MLX. Модель предназначена для мультимодального вывода и относится к классу image-text-to-text, то есть может обрабатывать изображения и текст и генерировать текстовые ответы. README не содержит сведений о точном размере модели, архитектуре, поддерживаемых языках и длине контекста. Модель использует квантование Q9; по приведённым данным, такая конфигурация обеспечивает показатели, близкие к базовой модели: perplexity 1,20312 против 1,20312, token accuracy 97,80% против 100% и missed divergence 9,60% против 0%. На системе с Apple M3 Ultra заявлена скорость мультимодального вывода около 33,6 токена в секунду, при этом требуется примерно 189,6 GiB памяти. Эти результаты зависят от аппаратной конфигурации и условий запуска. Основное преимущество модели — сочетание мультимодальных возможностей с высокой точностью Q9-квантования. Ограничениями являются значительные требования к памяти, зависимость производительности от среды MLX и отсутствие в README подробных сведений о возможностях, языках и контекстном окне. Лицензия в предоставленных материалах не указана.

Qwen3-VL-8B-Heretic-Stable-GGUF — мультимодальная модель для преобразования изображений и текста в текст, разработанная prithivMLmods. Она основана на Qwen/Qwen3-VL-8B-Instruct и является GGUF-квантизованным представлением модели Qwen3-VL-8B-Heretic-Stable, созданной с применением abliteration и методов подавления отказов. Промежуточной версией была Qwen3-VL-8B-Instruct-Unredacted-MAX. Модель предназначена для визуально-текстового понимания, мультимодального рассуждения и выполнения сложных инструкций с использованием изображений и текста. Указан английский язык. Модель содержит около 8 миллиардов параметров; доступны варианты в форматах BF16, F16 и различных уровнях GGUF-квантизации размером примерно от 3,28 до 16,4 ГБ, а также отдельные мультимодальные проекционные файлы. К заявленным сильным сторонам относятся стабильность вывода, последовательность рассуждений и следование инструкциям. В README указано, что модель имеет сниженные внутренние механизмы отказа; в самостоятельном тесте harm_bench заявлена частота отказов 0 из 250 вредоносных запросов. Это ограничивает пригодность модели для сценариев, требующих встроенных защитных механизмов, и означает, что безопасность и законность применения полностью зависят от пользователя. Модель распространяется по лицензии Apache-2.0 и обозначена авторами как предназначенная для исследований и обучения.

SigLIP 2 Giant — визуальная модель Google на основе семейства SigLIP 2, предназначенная для сопоставления изображений и текста. Её можно использовать для классификации изображений по заданным текстовым меткам без отдельного обучения на этих классах, поиска изображений по текстовому запросу и как визуальный энкодер для мультимодальных моделей и других задач компьютерного зрения. Модель предварительно обучена на наборе данных WebLI с объединённой методикой обучения SigLIP 2, которая улучшает семантическое понимание, локализацию и получение плотных визуальных признаков. Доступна в формате safetensors и рассчитана на использование через Transformers. Карточка не сообщает размер модели и длину контекста. Лицензия — Apache-2.0.

SigLIP 2 Large — визуальная модель Google на архитектуре SigLIP, обученная для сопоставления изображений и текста. Версия Large с патчами 16×16 и входным разрешением 512 пикселей расширяет исходную схему предобучения SigLIP методами для улучшения семантического понимания, локализации и получения плотных признаков. Модель использует библиотеку Transformers и распространяется в формате Safetensors. Модель предназначена для классификации изображений по произвольным текстовым меткам без отдельного обучения, поиска изображений по текстовому запросу и использования в качестве визуального энкодера для VLM и других задач компьютерного зрения. Она предобучена на наборе WebLI. Карточка не сообщает об ограничениях качества для конкретных типов изображений. Лицензия — Apache 2.0.

pyannote/speaker-diarization-3.0 — открытый конвейер для автоматической диаризации речи, разработанный Séverin Baroudi с использованием pyannote.audio 3.0.0. Модель определяет временные интервалы речи и связывает их с отдельными говорящими, формируя разметку Annotation. Она предназначена для анализа разговоров, встреч, интервью, совещаний и других многоголосых аудиозаписей, в том числе как этап подготовки данных для автоматического распознавания речи. Конвейер принимает монофонический звук с частотой 16 кГц; стерео- и многоканальные записи автоматически сводятся в моно, а аудио с другой частотой дискретизации пересчитывается в 16 кГц. В состав входят автоматическое обнаружение речи, обнаружение смены говорящего и обработка перекрывающейся речи. Количество говорящих обычно определяется автоматически, но его можно задать или ограничить параметрами min_speakers и max_speakers. Обучение проводилось на комбинации наборов AISHELL, AliMeeting, AMI, AVA-AVD, DIHARD, Ego4D, MSDWild, REPERE и VoxConverse. Сильные стороны модели — полностью автоматическая обработка без ручного VAD и обязательного указания числа говорящих, поддержка перекрывающейся речи и возможность ускорения на GPU. В README указано, что на Nvidia Tesla V100 и Intel Cascade Lake обработка занимает примерно 1,5 минуты на час разговора. Ограничения включают необходимость работы через pyannote.audio 3.0, использование токена Hugging Face и принятие условий доступа для связанных моделей. Модель распространяется по лицензии MIT, однако для её использования требуется пройти gated-доступ на Hugging Face.

Community-1 — конвейер для диаризации речи от pyannote. Он принимает аудио и определяет, кто и когда говорит; результат включает временные интервалы с метками говорящих. Для входа используется монофоническое аудио с частотой 16 кГц: многоканальные записи автоматически сводятся к моно, а записи с другой частотой дискретизации пересчитываются до 16 кГц. По карточке модели, Community-1 улучшает назначение и подсчёт говорящих по сравнению с предыдущей версией pyannote speaker-diarization-3.1 и предоставляет эксклюзивную диаризацию, упрощающую сопоставление временных меток говорящих с временными метками транскрипции. Конвейер можно запускать локально, в том числе без подключения к интернету, или использовать через облачный сервис pyannoteAI. Для работы локально требуется pyannote.audio и токен Hugging Face с принятыми условиями доступа. Модель предназначена для анализа речи в записях с несколькими участниками, включая случаи перекрывающейся речи. В README приведены результаты на академических бенчмарках, но качество зависит от условий записи и домена. Метаданные указывают лицензию CC BY 4.0; при использовании следует соблюдать её условия.

Streaming Sortformer Diarizer 4spk v2 — модель NVIDIA для потоковой диаризации речи, то есть определения, кто и когда говорит в аудиозаписи. Она предназначена для онлайн-обработки разговоров и может использоваться в голосовых агентах и сценариях анализа встреч. Модель доступна в NVIDIA NeMo для инференса и дообучения; архитектура сочетает 17-слойный энкодер NEST на базе Fast-Conformer, 18-слойный Transformer и кэш акустических представлений уже встречавшихся говорящих. Для каждого кадра формируются четыре сигмоидальных выхода. Репозиторий содержит вариант GGUF с квантизацией Q8_0. Модель принимает аудио и размечает речь по говорящим в потоковом режиме. Она рассчитана максимум на четырёх говорящих. Обучение проводилось преимущественно на публичных англоязычных наборах данных, включая Fisher English, LibriSpeech и AMI Meeting Corpus. Лицензия — CC BY 4.0.

Потоковая модель для определения активности речи и диаризации: она выдаёт вероятности активности каждого говорящего по кадрам аудио. Репозиторий mlx-community содержит конвертированные в формат MLX веса модели NVIDIA diar_streaming_sortformer_4spk-v2.1; в README описана архитектура FastConformer с 17 слоями, Transformer Encoder с 18 слоями и модулями Sortformer. Модель принимает монофонический звук с частотой 16 кГц и рассчитана на записи с участием до четырёх говорящих. Для потоковой обработки использует кэш говорящих и сжатие контекста AOSC, а в файловом режиме учитывает контекст на границах чанков. Подходит для разметки смены говорящих в реальном времени и последующей сегментации аудиозаписей. Это конверсия исходной модели NVIDIA в MLX, подготовленная сообществом mlx-community для библиотеки mlx-audio. Лицензия в предоставленных данных не указана.

zeromodels/grounding_dino_tiny — это конверсия Grounding DINO Tiny, опубликованная проектом zeromodels. Модель выполняет обнаружение объектов по текстовому запросу в режиме open-set: вместо фиксированного набора классов она ищет на изображении объекты, названные пользователем. Архитектура включает визуальный энкодер Swin-Tiny, текстовый энкодер BERT и декодер, который предсказывает ограничивающие рамки и оценивает их соответствие словам запроса. Модель предназначена для поиска объектов по произвольным текстовым описаниям без отдельного обучения на каждый класс. Реализация выполнена на Keras 3 и работает с бэкендами TensorFlow, Torch и JAX. Для Torch README предупреждает о риске нехватки памяти при инференсе без отключения построения градиентов; качество результатов также зависит от формулировки запроса и порога оценки. Лицензия — Apache 2.0.

LFM2.5-VL-3B — мультимодальная модель для работы с текстом и изображениями, разработанная Liquid AI и преобразованная сообществом в формат LiteRT-LM для локального запуска на устройствах с ограниченными ресурсами. Модель предназначена для генерации ответов по текстовым запросам и анализа одного изображения на запрос, включая распознавание текста, цветов, форм и крупных объектов. Изображения автоматически приводятся к размеру 512×512 и представляются 256 визуальными токенами. Модель сочетает гибридную текстовую архитектуру из 22 блоков gated short-convolution и 8 слоёв grouped-query attention с размером словаря 128 тысяч токенов, а также зрительную башню SigLIP2 из 27 слоёв со скрытым размером 1152 и pixel-unshuffle-проектором. Максимальный контекст составляет 4096 токенов. Доступны варианты с динамическим int8-квантованием размером около 3,55 ГБ и с int4-квантованием размером около 2,35 ГБ; также опубликован исправленный int4-вариант для корректной обработки всего изображения. Сильные стороны модели — поддержка CPU и GPU, локальный запуск, высокая скорость на совместимых устройствах и близкое к исходной bf16-модели качество на проверочных текстовых и визуальных заданиях. Основное ограничение стандартной сборки связано с LiteRT-LM 0.16.0 и текущей веткой main: из-за ошибки в обработке vision-графов модель видит только верхнюю четверть изображения, поэтому позиционные вопросы, подсчёт и перечисление объектов могут давать неверные ответы. На iOS GPU-бэкенд для этого семейства не работает, поэтому рекомендуется использовать CPU. Модель распространяется по лицензии LFM Open License v1.0.

Nemotron 3 Diarization (MLX) — версия модели NVIDIA Nemotron-3-Diarization, преобразованная сообществом mlx-community для запуска через mlx-audio на устройствах Apple с MLX. Модель анализирует монофоническое аудио с частотой 16 кГц и с шагом 10 мс определяет активность до восьми говорящих; поддерживаются пакетная обработка и потоковая обработка с сохранением меток говорящих между фрагментами. Модель подходит для разметки реплик и временных границ в записях встреч и для обработки аудиопотока в реальном времени. Она может отмечать одновременную активность нескольких говорящих, но выдаёт только условные идентификаторы в порядке появления и не устанавливает личности людей. В карточке указана лицензия OpenMDW-1.1; сведения об обучающих данных и оценке предлагается смотреть в карточке базовой модели.

google/pix2struct-infographics-vqa-large — модель Google семейства Pix2Struct для визуальных вопросов и ответов по инфографике. Это плотная модель архитектуры Pix2StructForConditionalGeneration: визуальный кодировщик преобразует изображение, а текстовый декодер формирует ответ. Pix2Struct предварительно обучалась на парах изображение–текст, в том числе на разборе замаскированных снимков веб-страниц в упрощённый HTML, и рассчитана на адаптацию к задачам понимания визуально представленного языка. Модель принимает изображение и текстовый вопрос и выдаёт текстовый ответ. Её можно применять для извлечения сведений из инфографики, чтения подписей и сопоставления визуальных элементов с вопросом. В карточке указана поддержка английского, французского, румынского и немецкого языков; README также описывает широкие области применения семейства, включая документы, иллюстрации, интерфейсы и обычные изображения. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Возможные ошибки распознавания мелкого текста, сложных диаграмм и визуально неоднозначных данных следует учитывать при использовании ответов; отдельные показатели качества для этой версии в карточке не приведены.

PP-LCNet_x1_0_doc_ori — модель PaddlePaddle для определения ориентации изображений документов. Она классифицирует документ или удостоверение личности по четырём положениям: 0°, 90°, 180° и 270°. Результат можно использовать для поворота изображения перед запуском OCR, чтобы повысить точность распознавания текста. Модель предназначена для предварительной обработки сканов и фотографий документов, в том числе снимков, сделанных под разными углами поворота. Она входит в экосистему PaddleOCR и может применяться как отдельный модуль или в составе конвейера предварительной обработки документов. Для работы с моделью используется PaddleOCR; карточка указывает поддержку английского и китайского языков. Репозиторий распространяется по лицензии Apache-2.0. В предоставленных материалах не приведены точность, размер модели и ограничения её работы; классификация ориентации сама по себе не исправляет геометрические искажения изображения.

Qwen3.8-27B-MLX-6bit — это 6-битная квантованная версия модели Qwen3.8-27B, разработанной командой Qwen. Квантование в формате MLX предоставлено командой LM Studio с использованием mlx-vlm. Модель предназначена для локального запуска на компьютерах с Apple Silicon и относится к классу image-text-to-text, то есть может обрабатывать текстовые и визуальные входные данные и генерировать текстовые ответы. Ключевая характеристика модели — 6-битное квантование, уменьшающее требования к памяти и вычислительным ресурсам по сравнению с исходной версией и оптимизированное для экосистемы MLX. В README указано обозначение размера 27B, однако подробные сведения об архитектуре, максимальной длине контекста, поддерживаемых языках, точных возможностях работы с изображениями и показателях качества не приведены. Модель подходит для локальных мультимодальных сценариев, включая анализ изображений с текстовыми инструкциями и генерацию ответов на совместные текстовые и визуальные запросы, при наличии совместимого программного обеспечения и устройства Apple Silicon. Ограничениями являются зависимость от платформы MLX и возможное снижение качества из-за квантования; конкретные характеристики производительности не указаны. В метаданных указана лицензия Apache-2.0.

fatymatariq/segmentation-3.0 — опубликованная модель сегментации речи на основе pyannote.audio 3.0, обученная Séverin Baroudi. Она принимает монофонический звук с частотой 16 кГц блоками по 10 секунд и выдаёт матрицу кадровых оценок для семи классов: тишина или неречевая активность, три отдельных говорящих и три возможные пары одновременно говорящих. Модель предназначена для сегментации говорящих, обнаружения речевой активности и перекрывающейся речи; для диаризации полной записи её используют в составе отдельного конвейера с моделью эмбеддингов говорящих. Обучение проводилось на наборах AISHELL, AliMeeting, AMI, AVA-AVD, DIHARD, Ego4D, MSDWild, REPERE и VoxConverse. Модель доступна в формате PyTorch по лицензии MIT. Для загрузки README требует принять условия использования базовой модели pyannote/segmentation-3.0; сама по себе эта модель обрабатывает только короткие фрагменты аудио.

SigLIP 2 Base — базовая модель семейства SigLIP 2, разработанная Google. Она обучена на наборе данных WebLI и предназначена для сопоставления изображений и текста: модель поддерживает классификацию изображений по заданным текстовым меткам без дополнительного обучения и поиск изображений по текстовым запросам или текста по изображениям. Её также можно использовать как визуальный энкодер для мультимодальных языковых моделей и других задач компьютерного зрения. Модель принимает изображение и текстовые описания-кандидаты и оценивает их соответствие; визуальный энкодер формирует представления изображений для дальнейшего использования. В карточке указана архитектура SigLIP, библиотека Transformers и формат весов safetensors. Модель доступна по лицензии Apache-2.0. README не приводит сведений о размере параметров и длине контекста.

SigLIP so400m patch16 256 i18n — мультимодальная модель Google семейства SigLIP с архитектурой SoViT-400m, предварительно обученная на многоязычном корпусе сопоставленных изображений и текстов. Вариант использует разрешение 256; в карточке указаны обработка изображений с приведением к разрешению 384×384 и ограничение текста до 64 токенов. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах, а также для поиска изображений по тексту и текстов по изображению. Она сопоставляет представления изображений и текста; обучение SigLIP использует sigmoid loss для пар изображение—текст. Модель построена на SoViT-400m, форме ViT, оптимизированной по вычислительным масштабам. Модель обучена на наборе WebLI. Репозиторий содержит веса Safetensors и рассчитан на использование с библиотекой Transformers. Лицензия — Apache-2.0. Карточка приводит сведения об обучении и сценариях применения, но не описывает отдельную процедуру тонкой настройки для этой версии.

pyannote/speaker-diarization-3.1 — открытый аудиопайплайн, разработанный командой pyannote. Он предназначен для автоматической диаризации речи: определения участков речи и их принадлежности разным говорящим в аудиозаписях. Пайплайн также поддерживает обнаружение активности речи, смены говорящих и перекрывающейся речи, поэтому подходит для анализа совещаний, интервью, подкастов, телефонных разговоров и подготовки данных для автоматического распознавания речи. Модель принимает монофонический звук с частотой 16 кГц и возвращает результат диаризации в формате Annotation. Стерео- и многоканальные записи автоматически сводятся к моно, а записи с другой частотой дискретизации — преобразуются к 16 кГц. По сравнению с версией 3.0 в версии 3.1 устранено использование onnxruntime: сегментация говорящих и построение speaker embeddings выполняются в чистом PyTorch, что упрощает развертывание и потенциально ускоряет инференс. Пайплайн работает на CPU или GPU и позволяет задать точное, минимальное или максимальное число говорящих. К ограничениям относятся отсутствие указанных сведений о размере модели, поддерживаемых языках и максимальной длине контекста, а также зависимость от pyannote.audio версии 3.1 или выше. Для использования требуется принять условия доступа к связанным моделям pyannote/segmentation-3.0 и pyannote/speaker-diarization-3.1 и создать токен Hugging Face. Пайплайн распространяется по лицензии MIT.

UniSpeech-SAT-Base-Plus-SD — модель Microsoft для диаризации речи, дообученная на LibriMix с линейным слоем поверх представлений UniSpeech-SAT. Архитектура UniSpeech-SAT, около 113,3 млн параметров; веса доступны в формате PyTorch. Принимает речевое аудио с частотой дискретизации 16 кГц и выдаёт покадровые классификационные результаты, используемые для определения говорящих во времени. Базовая UniSpeech-SAT предварительно обучена на 94 тысячах часов аудиоданных Libri-Light, GigaSpeech и VoxPopuli с самообучением и учётом признаков говорящего. Модель предназначена для разделения речи по говорящим в аудиозаписях и может служить компонентом конвейера анализа разговоров. В метаданных указан английский язык; это не означает, что поддержка ограничена только им. Карточка не сообщает точные метрики качества или максимальную длительность входа. Для работы требуется аудио 16 кГц. Лицензия в предоставленных данных не указана.

CoE-Wiki-CoE-8B-i1-GGUF — квантизированная версия мультимодальной модели PeiyangLiu/CoE-Wiki-CoE-8B, подготовленная mradermacher в формате GGUF. Модель относится к семейству Qwen3-VL и предназначена для работы с визуальными данными, визуальными вопросами и пониманием документов, включая сценарии, где требуется сопоставлять сведения и формировать ответы на основе цепочки доказательств. В README указан английский язык. Модель имеет около 8 миллиардов параметров и поддерживает мультимодальный ввод, однако точная архитектура и размер контекстного окна не указаны. Репозиторий содержит множество вариантов квантизации, от очень компактных IQ1 до более качественных Q6_K; рекомендуемыми названы i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Более агрессивные варианты уменьшают требования к памяти, но могут заметно снижать качество ответов. Для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Модель распространяется по лицензии Apache-2.0. README не содержит результатов бенчмарков, точных требований к оборудованию, ограничений по разрешению изображений или подробных сведений о качестве на разных задачах, поэтому эти характеристики нельзя оценить по имеющимся данным.

grimjim/gemma-3-12b-it-projection-abliterated — производная мультимодальная модель на основе Google Gemma 3 12B Instruct. К модели применена projected abliteration; после этой операции её не дообучали для исправления возможных повреждений. Она предназначена для диалогов и ответов на текстовые инструкции, в том числе с пониманием изображений. Автор сообщает, что модель реже отказывает в ответах, но сохраняет осведомлённость о рисках и вреде. В README также указана высокая оценка на UGI Leaderboard по соответствию запросам; подробности о методике и результатах не приведены. Модель загружается в формате safetensors через Transformers и распространяется по лицензии Gemma.

InSight-doc-8B — мультимодальная модель на 8 млрд параметров для понимания длинных документов, разработанная авторами проекта InSight-doc на базе Qwen/Qwen3-VL-8B-Instruct. Она принимает изображения страниц и текстовые вопросы, а при работе в рекомендованном агентном цикле выбирает области для увеличения с помощью инструмента image_zoom_in_tool, затем формирует ответы по визуальным свидетельствам. Модель обучена полнопараметрической тонкой настройкой и последующим обучением с подкреплением на траекториях и запросах для такого сценария; семейство архитектуры — Qwen3-VL. Модель предназначена для визуальных вопросов и ответов по длинным документам, включая поиск нужных деталей на страницах и отказ от ответа при недостатке свидетельств. В README указано улучшение точности на наборах DUDE, MP-DocVQA, MMLongBench-Doc и LongDocURL относительно базовой Qwen3-VL-8B в условиях низкого и среднего разрешения, а также снижение галлюцинаций на вопросах без ответа и уменьшение задержки на двух длиннодокументных тестах. Для воспроизведения агентного поведения необходимы внешний цикл агента и инструмент увеличения фрагментов; обычная одиночная генерация в Transformers этот цикл не выполняет. Контекст обучения SFT составлял 65 536 токенов; в конфигурации рекомендованного запуска vLLM указан предел длины последовательности 262 144 токена. Лицензия — Apache-2.0.

M2M100 1.2B — многоязычная модель перевода от Meta, впервые опубликованная в этом репозитории. Это encoder-decoder архитектура seq-to-seq на 533,8 млн параметров, обученная для перевода между 100 языками в 9 900 направлениях. Целевой язык задаётся специальным токеном в начале генерации; доступны веса PyTorch и библиотека Transformers. Контекст модели — 1 024 токена. Модель подходит для прямого перевода между языками без промежуточного перевода через английский, в том числе для языковых пар с меньшими объёмами обучающих данных. Она поддерживает, среди прочих, русский, английский, китайский, арабский, хинди, японский и европейские языки. Лицензия MIT разрешает свободное использование и модификацию. Качество может различаться между языковыми парами; модель предназначена для перевода текста и не заявлена как специализированная для предметных областей.

LifeAi-dev/madlad400-10b-ct2-float32 — конвертированная в формат cTranslate2 версия многоязычной модели перевода MADLAD-400-10B-MT от Google. Она предназначена для перевода текста между множеством языков; в карточке указаны, среди прочих, английский, русский, испанский, французский, немецкий, китайский и японский. Модель основана на архитектуре text-to-text и распространяется для использования через библиотеку Transformers. Веса представлены в формате cTranslate2 с точностью float32. По лицензии Apache-2.0 модель можно использовать, изменять и распространять на её условиях. Карточка не сообщает длину контекста и конкретные ограничения качества.

Qwen3.5-9B-MLX-4bit — это 4-битная квантизированная версия мультимодальной модели Qwen3.5-9B, предназначенная для задач преобразования изображений и текста в текст. Исходную модель разработала команда Qwen, а квантизацию в формате MLX выполнила команда LM Studio с использованием библиотеки mlx_vlm. Модель имеет около 9 млрд параметров и оптимизирована для запуска на компьютерах Apple Silicon. Она может применяться для работы с текстовыми и визуальными входными данными, однако README не содержит подробностей о поддерживаемых языках, размере контекста, точных возможностях обработки изображений, требованиях к памяти и показателях качества. Квантизация снижает требования к ресурсам и может облегчать локальный запуск, но потенциально уменьшает точность по сравнению с полной версией модели. Модель распространяется по лицензии Apache-2.0. Она предназначена для локального использования в среде, совместимой с MLX; совместимость и производительность на аппаратуре, отличной от Apple Silicon, в README не заявлены.