I.15Доступность и ассистивные технологии

FastVLM-GGUF — это GGUF-представление модели Apple FastVLM-0.5B, подготовленное для запуска через gguf-connector. Модель разработана Apple и предназначена для взаимодействия с визуально-языковыми данными: она может использоваться для описания изображений, ответов на запросы по изображениям, а также для анализа содержимого экрана и создания субтитров в реальном времени в соответствующем режиме connector f7. Режим f9 поддерживает передачу текстового запроса вместе с изображением. В репозитории доступны варианты fastvlm-0.5b-iq4_nl.gguf, fastvlm-0.5b-q4_0.gguf и fastvlm-0.5b-q8_0.gguf, различающиеся способом квантования. Базовый размер модели — 0,5 млрд параметров. Точные архитектура, поддерживаемые языки и размер контекста в README не указаны. Для запуска требуется gguf-connector; конкретные команды и режимы работы зависят от выбранного connector и файла GGUF. К сильным сторонам относятся компактный размер, наличие нескольких уровней квантования и сценарии работы с изображениями и экраном. Ограничениями являются необходимость специализированного connector, зависимость возможностей от выбранного режима и отсутствие в README подробных данных о производительности, языках и контекстном окне. Модель распространяется по лицензии Apple AMLR.

Это конвертированная в формат MLX версия Gemma 3 27B IT, подготовленная сообществом mlx-community на основе google/gemma-3-27b-it. Модель представляет собой плотную мультимодальную архитектуру Gemma 3 с 27 млрд параметров и предназначена для диалогов, в которых нужно понимать изображения и создавать текст; метаданные также отмечают возможность чата и vision. README рекомендует использовать её с библиотекой mlx-vlm. Модель подходит для ответов на вопросы об изображениях и мультимодальных диалогов. Репозиторий содержит веса в формате safetensors. Указана лицензия Gemma; условия применения определяются её положениями.

Это конвертированная в формат MLX версия мультимодальной модели Gemma 3n E2B IT, подготовленная сообществом mlx-community на основе google/gemma-3n-E2B-it с помощью mlx-vlm 0.3.1. Она предназначена для диалогов и обработки запросов с изображениями; метаданные также указывают на семейство Gemma 3n и поддержку зрения. Для запуска README предлагает библиотеку mlx-vlm. Модель распространяется по лицензии Gemma. README отсылает к карточке исходной модели за подробностями, поэтому сведения о языках, размере контекста и ограничениях качества здесь не приводятся.

MLX-совместимая мультимодальная модель mlx-community/gemma-4-31B-it-qat-4bit, распространяемая сообществом mlx-community. По идентификатору она основана на Gemma 4, имеет размер 31B параметров, предназначена для выполнения инструкций и использует 4-битное квантование QAT для более эффективного запуска в экосистеме MLX. Модель относится к классу image-text-to-text и предназначена для задач понимания изображений и генерации текстовых ответов по ним, например для описания изображений. В README указан английский язык, однако полный набор поддерживаемых языков не раскрыт. Сильными сторонами являются мультимодальность и сниженные требования к памяти благодаря 4-битному квантованию; ограничения, максимальный контекст, точная архитектура и условия лицензирования в предоставленных данных не указаны. Для использования требуется библиотека mlx-vlm.

r-karra/gemma-4-bible-dpo-merged — дообученная модель семейства Gemma 4, созданная r-karra на базе unsloth/gemma-4-e2b-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. По метаданным она поддерживает обработку изображений вместе с текстом и предназначена для задачи image-text-to-text; карточка не уточняет конкретные сценарии работы с Библией, несмотря на название репозитория. Модель распространяется в формате safetensors по лицензии Apache-2.0.

OpenVINO/gemma-4-E4B-it-int8-ov — мультимодальная conversational-модель для задач «изображение-текст», разработанная на основе Gemma 4 E4B it компанией Google и преобразованная в формат OpenVINO IR. Модель предназначена для диалога с анализом изображений и текстовых запросов, например для визуального вопросно-ответного взаимодействия и описания необычных элементов на изображениях. Веса модели сжаты до INT8 методом NNCF в режиме INT8_ASYM с group_size -1. README не содержит точных сведений о размере модели, языках и длине контекста. Для запуска используются OVModelForVisualCausalLM и AutoProcessor из Optimum Intel; заявлена совместимость с OpenVINO версии 2026.4.0 и выше и Optimum Intel 2.2.0 и выше. Модель имеет экспериментальный статус: она не прошла полную валидацию в OpenVINO и использует пользовательскую ветку optimum-intel, поэтому возможны ограничения совместимости и стабильности. Лицензия — Apache License 2.0, унаследованная от исходной модели Gemma 4 E4B it.

Карточка модели Puujeeeeeeeeeeee/gemma4-e4b-round1-sft-experiment-merged на Hugging Face совпадает с карточкой Puujeeeeeeeeeeee/gemma4-e4b-cpt-round2, поэтому описание составлено по ней. Gemma4 E4B CPT Round 2 — дообученная модель, опубликованная Puujeeeeeeeeeeee на основе Puujeeeeeeeeeeee/gemma4-e4b-cpt-round1. Это плотная модель семейства Gemma 4 с архитектурой Gemma4ForConditionalGeneration и поддержкой изображений; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста по текстовым и визуальным входам, в том числе для сценариев, где нужно учитывать содержимое изображения. При обучении использовались Unsloth и библиотека TRL от Hugging Face. В карточке указана лицензия Apache-2.0. Данных о размере модели, длине контекста и конкретных результатах обучения в предоставленной карточке нет.

Goonj-1-82M — модель синтеза речи, разработанная BH-Builds на основе дообученной Kokoro-82M. Она преобразует текст в речь на хинди, индийском английском и хинглише; для генерации достаточно указать текст и один из 15 встроенных голосовых профилей, аудиообразец не требуется. Модель содержит около 82 млн параметров и основана на архитектуре StyleTTS2; рассчитана на запуск на CPU и устройствах с ограниченными ресурсами. Голосовые профили включают голоса на хинди и индийском английском, а также базовый голос на хинди. Для подготовки текста к синтезу требуется фонемизация: хинди обрабатывается через G2P для хинди, английский — через американский английский G2P, а хинглиш — гибридной маршрутизацией. Модель обучена на синтетических аудиоданных BH-Builds/mac-audio. Лицензия — Apache-2.0. Известные ограничения связаны с артефактами и особенностями произношения, унаследованными от синтетических обучающих данных; редкие слова на хинглише могут звучать с англизированным произношением, а естественность речи уступает более крупным моделям.

IndicF5-Hinglish — дообученная модель синтеза речи на основе ai4bharat/IndicF5, представленная Saravananravi. Она предназначена для озвучивания текста на хинглише — смеси хинди и английского с переключением языков внутри высказывания. В карточке указаны обучение на OpenSLR-104 (хинди) и 32 990 шагов обучения. Модель использует библиотеку f5-tts и веса в формате safetensors. Для запуска требуются Python 3.10+, PyTorch 2.2+, Vocos vocoder и репозиторий дообучения; рекомендуется CUDA GPU, а на CPU синтез работает медленнее. Лицензия — Apache-2.0.

Это дообученная версия Indic Parler-TTS для синтеза речи на непальском языке. Модель принимает текст и генерирует речь; в репозитории используются веса в формате safetensors и библиотека parler-tts. По карточке обучение длилось 1256 шагов, лучшее значение ошибки на валидации составило 5,4660. Модель подходит для преобразования непальского текста в речь и прототипирования приложений озвучивания. Сведений о размере модели, лицензии и ограничениях на применение в предоставленных материалах нет.

InfiMM-Zephyr — визуально-языковая модель, разработанная Институтом автоматизации Китайской академии наук и ByteDance как открытая реализация подхода Flamingo. Она предназначена для диалога о изображениях, генерации описаний и ответов на вопросы по визуальному содержимому. Архитектура объединяет Zephyr-7B-beta, визуальный кодировщик EVA CLIP и модуль Cross Attention; данные изображений и текста обрабатываются через Perceiver Resampler. Модель принимает изображения и текст, а генерирует текст на английском языке; в метаданных указан контекст 1024 токена. Модель обучалась на смешанных наборах веб-документов с чередованием изображений и текста, пар изображение—текст и данных для визуальных вопросов и ответов. Разработчики отмечают бета-статус, а также частичную доступность обучающих данных из-за истёкших ссылок на изображения. Лицензия описана в разделе License карточки, но её условия в доступных сведениях не приведены.

InternLM-XComposer2-VL-1.8B — мультимодальная языковая модель семейства InternLM-XComposer2, разработанная командой InternLM на основе InternLM2. Версия VL предназначена для понимания изображений и текста; она принимает изображение и текстовый запрос и формирует текстовый ответ. Модель содержит 1,7 млрд параметров, использует плотную архитектуру InternLMXComposer2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель подходит для визуальных вопросов и ответов, описания изображений и других задач понимания связей между текстом и изображением. В README приведён способ запуска через Transformers и PyTorch; для экономии памяти рекомендуется загрузка в float16. В карточке указана лицензия other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

OpenGVLab/InternVL3_5-1B-HF — мультимодальная модель семейства InternVL3.5 в формате Hugging Face Transformers. Это компактный вариант с плотной архитектурой InternVLForConditionalGeneration; по карточке метаданных он дообучен на OpenGVLab/InternVL3_5-1B-MPO. Модель принимает изображения и текстовые запросы и формирует текстовые ответы в диалоговом режиме. Модель предназначена для визуальных вопросов и ответов, интерпретации изображений и мультимодальных рассуждений. Семейство InternVL3.5 использует обучение Cascade RL для улучшения рассуждений и Visual Resolution Router для динамической настройки разрешения визуальных токенов; описание также упоминает поддержку взаимодействия с графическим интерфейсом и агентных сценариев для семейства. Модель распространяется по лицензии Apache-2.0. Карточка не приводит размер контекста и языки по отдельности, поэтому их нельзя уточнить для этого чекпойнта.

InternVL3.5-2B-MPO — мультимодальная модель OpenGVLab, дообученная на базе OpenGVLab/InternVL3_5-2B-Instruct с использованием данных MMPR-v1.2 и MMPR-Tiny. Она предназначена для диалога и ответов на текстовые запросы с изображениями, включая задачи визуального понимания и рассуждений. Модель использует плотную архитектуру InternVLChatModel и распространяется в формате safetensors для Transformers. Семейство InternVL3.5 развивает мультимодальное рассуждение и эффективность инференса; в README описаны динамическая маршрутизация разрешения изображений и каскадное обучение с подкреплением для семейства. Модель принимает изображения и текст и генерирует текстовые ответы. Поддерживаются многоязычные сценарии. Лицензия — Apache-2.0. Конкретные показатели качества и ограничения именно версии 2B-MPO в предоставленных материалах не приведены.

InternVL3.5-8B-MPO — мультимодальная модель OpenGVLab на архитектуре InternVLChat, дообученная на базе OpenGVLab/InternVL3_5-8B-Instruct с использованием MPO. Она принимает изображения и текстовые запросы и формирует текстовые ответы; подходит для диалога по изображениям, визуальных вопросов и задач на мультимодальное рассуждение. Семейство InternVL3.5 использует каскадное обучение с подкреплением для улучшения рассуждений и Visual Resolution Router для динамического выбора разрешения визуальных токенов. Вариант содержит 8B языковых параметров; карточка также описывает эффективное развертывание с разделением визуального и языкового компонентов. Модель поддерживает многоязычные сценарии и может применяться для распознавания и объяснения содержимого изображений, визуального анализа и ответов на вопросы по визуальным данным. Карточка семейства упоминает GUI-взаимодействие и embodied-задачи, но для этого варианта отдельные характеристики не приведены. Модель распространяется по лицензии Apache-2.0; для запуска в README приведён пример с Transformers.

Модель efficiencyx/Jun-LoRA-12B-Safetensor — дообученная efficiencyx мультимодальная инструкционная модель семейства Gemma 4 Unified с 12 млрд параметров, основанная на unsloth/gemma-4-12B-it-qat-q4_0-unquantized. Она предназначена для диалогового взаимодействия с текстом и изображениями; карточка также отмечает поддержку интерфейса вызова инструментов. Модель представлена в формате Safetensors и относится к задаче image-text-to-text. Модель подходит для ответов на вопросы по изображениям, диалога с визуальным контекстом и текстовых инструкций при анализе изображений. В карточке указано, что дообучение выполнено с использованием Unsloth и библиотеки TRL. Поддерживаемый язык карточки — английский; лицензия — Apache 2.0. README не приводит оценок качества или подробностей о данных и настройках дообучения.

KalemaTech-Arabic-STT-ASR-based-on-Whisper-Small — дообученная Salama1429 модель распознавания речи на архитектуре Whisper Small. Она преобразует арабскую речь в текст и предназначена для автоматической транскрипции аудиозаписей. Модель дообучена на Common_Voice_Arabic_12.0_Augmented; в README приведён результат оценки WER 58,5848 на тестовом наборе. Размер составляет 153,1 млн параметров, формат весов — PyTorch. Лицензия — Apache-2.0. Модель подходит для транскрипции арабской речи, в частности аудио, близкого по характеристикам к обучающим данным Common Voice. Значение WER указывает на заметные ошибки распознавания, поэтому качество транскрипции следует проверять для конкретной записи и сценария. Карточка не сообщает о дополнительных режимах работы или иных входных модальностях.

Kwai Keye-VL-8B-Preview — мультимодальная модель команды Kwai Keye компании Kuaishou для понимания коротких видео и работы с изображениями и текстом. Это плотная модель с 7,6 млрд параметров, построенная на языковой модели Qwen3-8B и визуальном энкодере на основе SigLIP; для обработки изображений и видео применяется кодирование 3D RoPE. Контекст модели — 40 960 токенов. Модель отвечает на вопросы о содержимом роликов, описывает визуальные сцены и выполняет задачи общего понимания изображений, включая OCR, локализацию и визуальные рассуждения. Карточка сообщает о высоких результатах на публичных видеобенчмарках и конкурентных результатах на задачах по изображениям. Видео принимаются из локальных файлов; изображения можно передавать файлами, в Base64 или по URL. Изменение разрешения изображения позволяет выбирать баланс между качеством и вычислительными затратами. Модель распространяется под лицензией Apache-2.0. В карточке также описаны режимы рассуждения, переключаемые префиксами /think и /no_think. Для обработки видео совместимость URL зависит от сторонней библиотеки чтения видео; локальные файлы поддерживаются. Увеличение разрешения изображения повышает вычислительные затраты.

mlx-community/Kimi-VL-A3B-Thinking-6bit — мультимодальная чат-модель семейства Kimi-VL, опубликованная сообществом mlx-community. Репозиторий содержит конверсию модели moonshotai/Kimi-VL-A3B-Thinking в формат MLX; в README указана версия mlx-vlm 0.1.23. По метаданным, модель основана на дообучении OpenGVLab/InternVL3-1B-Instruct и поддерживает диалог по тексту и изображениям. Модель предназначена для визуального понимания и ответов на вопросы об изображениях в формате диалога; также поддерживает генерацию текста. Указана мультиязычная поддержка, однако конкретные языки и длина контекста в доступных данных не перечислены. Файлы представлены в safetensors, лицензия обозначена как other. README отсылает к карточке исходной модели за подробностями, поэтому специальные ограничения и условия лицензии по этим данным установить нельзя.

LaViDa-LLaDa v1.0 Instruct — версия контрольной точки, совместимая с Transformers, для загрузки и инференса через API библиотеки Hugging Face Transformers. Архитектура модели относится к семейству Llava-LLaDa; модель принимает изображения и текст и предназначена для диалогового взаимодействия с визуальным содержимым, а также генерации текста. В README приведён пример загрузки модели и обработчика изображений с использованием bfloat16. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0. Метаданные указывают поддержку задач image-text-to-text и text-generation. Размер модели, длина контекста и поддерживаемые естественные языки в предоставленных данных не описаны.

LFM2.5-VL-3B-GGUF — мультимодальная модель Liquid AI для задач image-text-to-text, то есть анализа изображений и формирования текстовых ответов по ним. Модель предназначена прежде всего для edge AI и локального запуска на пользовательских устройствах, где важны скорость работы и экономное использование памяти. Это GGUF-версия модели LiquidAI/LFM2.5-VL-3B, рассчитанная на использование с llama.cpp. Указан размер 3B параметров и поддержка изображений и текста; точная архитектура, размер контекста и дополнительные технические характеристики в представленном README не раскрыты. Заявлена поддержка арабского, китайского, английского, французского, немецкого, хинди, индонезийского, итальянского, японского, корейского, польского, португальского, русского, испанского, тайского и вьетнамского языков. Модель подходит для локального визуального вопросно-ответного взаимодействия и других сценариев, где требуется описывать содержимое изображений или отвечать на вопросы о них. К её сильным сторонам относятся ориентация на скорость, качество и эффективность по памяти, а также совместимость с llama.cpp. Ограничения, точные требования к оборудованию и результаты бенчмарков в README не указаны. Модель распространяется по лицензии lfm1.0; подробные условия доступны в файле LICENSE.

llama-3.1-8B-vision-378 — мультимодальная модель на базе Llama 3.1 8B Instruct, созданная yeswondwerr и qtnx_. К базовой языковой модели добавлен обученный проекционный модуль, который подключает визуальные возможности с помощью SigLIP. Модель предназначена для диалога по изображениям и генерации текстовых ответов на их основе. В метаданных указаны задачи image-text-to-text и text-generation, но основное назначение — анализ изображений в разговорном интерфейсе. Репозиторий содержит веса в формате safetensors; README также упоминает 4-битную квантизацию. Модель основана на Llama 3.1 8B Instruct и использует визуальный энкодер SigLIP. Лицензия указана как llama3.1. Карточка не сообщает длину контекста, поддерживаемые языки и подробные ограничения качества; ответы могут содержать ошибки.

Mylesgoose публикует вариант Llama 3.2 11B Vision Instruct — мультимодальной модели Meta для диалога и рассуждений по изображениям. В карточке описана правка шаблона чата: добавлен перевод строки между концом сообщения пользователя и началом заголовка ответа ассистента, чтобы при обучении модель не начинала генерацию с лишнего токена assistant. Для работы модель принимает текст и изображения и формирует текстовые ответы; примеры включают описание изображения в форме хайку. Архитектура относится к семейству mllama, веса представлены в safetensors. Модель основана на Llama 3.2 Vision; размер 11B указан в названии и карточке.

Это 4-битная версия Llama 3.2 90B Vision Instruct, подготовленная mlx-community для запуска в формате MLX. Модель преобразована из unsloth/Llama-3.2-90B-Vision-Instruct с помощью mlx-vlm версии 0.1.4; архитектура — Mllama с плотной моделью условной генерации, исходная модель содержит 90 млрд параметров. Модель принимает изображения и текст и формирует текстовые ответы. Она подходит для диалога по изображениям, ответов на вопросы о визуальном содержимом и создания описаний. В метаданных указаны английский язык, поддержка диалога, зрения и интерфейса вызова инструментов. Репозиторий распространяется по лицензии Llama 3.2. README описывает конвертацию в MLX, однако в метаданных указан формат файлов safetensors; сведения о контекстном окне и конкретных ограничениях качества в доступных данных отсутствуют.

xtuner/llava-llama-3-8b-v1_1-gguf — мультимодальная модель семейства LLaVA, разработанная командой XTuner. Она дообучена на базе Meta-Llama-3-8B-Instruct с использованием визуального энкодера CLIP-ViT-Large-patch14-336 и предназначена для понимания изображений и диалогового взаимодействия с ними: описания содержимого, ответов на вопросы по изображениям и решения задач визуального анализа. Модель сочетает языковую модель Llama 3 с визуальным энкодером CLIP-L и MLP-проектором; для обработки изображений используется разрешение 336 пикселей. Обучение проводилось на наборах ShareGPT4V-PT и InternVL-SFT, а в состав репозитория входит модель в формате GGUF с вариантами FP16 и INT4. Заявлена поддержка чата по шаблону Llama 3 Instruct и запуск через llama.cpp или Ollama. В README языки явно не указаны, однако в тестах приведены результаты для английского и китайского MMBench. Сильными сторонами являются мультимодальные возможности, поддержка квантованного INT4-варианта и совместимость с локальными инструментами инференса. В опубликованных тестах модель показывает высокие результаты на MMBench, AI2D и MMStar, но метрики зависят от задачи и не гарантируют точность на произвольных изображениях; возможны ошибки распознавания и галлюцинации. Для llama.cpp в примере указан контекст 4096 токенов. Лицензия в README не указана.

LLaVA-NeXT 110B — мультимодальная чат-модель семейства LLaVA-NeXT, разработанная авторами проекта LLaVA-NeXT. Архитектура объединяет языковую модель с визуальным энкодером; карточка описывает модель для диалоговой работы с изображениями. В README указана базовая языковая модель meta-llama/Meta-Llama-3-8B-Instruct, однако идентификатор модели содержит размер 110B, а метаданные не подтверждают число параметров, поэтому точный размер здесь не утверждается. Модель предназначена для описания изображений, ответов на вопросы по визуальному содержимому и мультимодального общения. README связывает улучшения серии с более разнообразными данными и более крупным языковым бэкбоном по сравнению с LLaVA-1.6; упомянутые обучающие данные включают пары изображение–текст, инструкции и наборы визуальных вопросов и ответов. Карточка приводит примеры запуска через Transformers и 4-битной квантизации с bitsandbytes. Метаданные указывают формат safetensors, библиотеку Transformers, визуальные и чат-возможности и английский язык. Лицензия обозначена как other; более конкретные условия в предоставленных данных не описаны. Как и другие генеративные мультимодальные модели, ответы могут содержать ошибки интерпретации изображения или выдуманные детали.

LLaVA-NeXT-Qwen-32B — мультимодальный чат-бот семейства LLaVA, разработанный lmms-lab. Это авторегрессионная трансформерная модель с плотной архитектурой LlavaQwenForCausalLM и 31,7 млрд параметров; в качестве базовой языковой модели используется Qwen/Qwen1.5-32B-Chat. Модель принимает изображения и текстовые инструкции, а отвечает текстом; нативный контекст составляет 32 768 токенов. Модель предназначена для диалога по изображениям и исследовательской работы с мультимодальными моделями: она обучалась на парах изображение–текст, инструкциях, задачах визуальных вопросов и ответов и данных описания изображений. Подходит для анализа изображений, ответов на вопросы об их содержимом и генерации подписей. В README коммерческое использование запрещено; метаданные указывают лицензию Apache-2.0, поэтому перед применением следует учитывать это расхождение в условиях использования. Карточка также описывает модель как предназначенную для исследовательских задач.

LLaVA-OneVision Qwen2 0.5B — мультимодальная модель семейства LLaVA-OneVision, разработанная LMMS-Lab. Она объединяет визуальный энкодер SO400M с языковой моделью Qwen2 и содержит около 494 млн параметров. Модель обучена на наборе LLaVA-OneVision-Data; её контекст составляет 32 768 токенов. Модель предназначена для диалога по изображениям, нескольким изображениям и видео, а также для генерации текста в ответ на запросы. Подходит для описания визуального содержимого и ответов на вопросы о нём. Указанные языки — английский и китайский. Модель распространяется под лицензией Apache-2.0.

Magpie-TTS 13-Language (357M) — модель синтеза речи, созданная сообществом на основе NVIDIA Magpie-TTS-Multilingual 357M из семейства Koel-TTS. Команда добавила поддержку суахили к двенадцати языкам базовой модели: арабскому, немецкому, английскому, испанскому, французскому, хинди, итальянскому, японскому, корейскому, португальскому, вьетнамскому и китайскому. Модель использует аудиокодек с частотой дискретизации 22,05 кГц и битрейтом 1,89 кбит/с; размер — 357 млн параметров. Модель предназначена для синтеза речи на тринадцати поддерживаемых языках, в том числе для озвучивания текста на суахили. Для суахили применены отдельный байтовый токенизатор, адаптация входных эмбеддингов и обучение с повторением примеров на исходных языках. В README сообщается о CER 8,8% на отложенных данных суахили и отсутствии измеримого ухудшения качества на двенадцати исходных языках. Доступны пять встроенных голосов; клонирование голоса по образцу не поддерживается. Для некоторых генераций без звука рекомендуется повторить синтез с другим seed. Данные суахили преимущественно состоят из прочитанной литературной речи и имеют перекос в сторону одного диктора. Веса распространяются по лицензии `other`; условия следует уточнять на странице модели. Суахили добавлено сообществом и не является функцией, предоставляемой или одобренной NVIDIA.

Карточка модели exo-jhop/ministral3-gdpr-distilled на Hugging Face совпадает с карточкой exo-jhop/ministral3-gdpr-lora, поэтому описание составлено по ней. exo-jhop/ministral3-gdpr-lora — дообученная модель семейства Mistral3 на базе Ministral 3 8B Instruct, подготовленная автором exo-jhop с использованием Unsloth и библиотеки TRL. Она принимает текст и изображения и предназначена для диалоговых сценариев с визуальным вводом; карточка классифицирует её как image-text-to-text и указывает поддержку vision и интерфейса вызова инструментов. Размер базовой модели — 8 млрд параметров; в репозитории указаны веса SafeTensors. Модель может быть полезна для анализа изображений и ответов на вопросы о них в чате. Выпущена по лицензии Apache-2.0.