I.15Доступность и ассистивные технологии

Это версия Qwen3.6-35B-A3B, подготовленная сообществом mlx-community для запуска в MLX. Модель основана на Qwen/Qwen3.6-35B-A3B и поддерживает диалоговую работу с текстом и изображениями; архитектура относится к семейству Qwen3.5 MoE, а репозиторий содержит веса в формате Safetensors. Модель предназначена для мультимодальных диалогов и анализа изображений с текстовыми запросами. Её можно использовать в приложениях на базе MLX, включая сценарии визуальных вопросов и ответов и разбор содержимого изображений. По карточке, конвертация выполнена с помощью mlx-vlm версии 0.4.4; лицензия — Apache-2.0.

mlx-community/Qwen3-VL-4B-Instruct-4bit — мультимодальная instruction-tuned модель, преобразованная сообществом mlx-community в формат MLX из Qwen/Qwen3-VL-4B-Instruct с использованием mlx-vlm версии 0.3.4. Модель предназначена для задач image-text-to-text, включая обработку изображений и генерацию текстовых ответов по инструкциям, например описание изображений. Для работы используется библиотека mlx-vlm. Модель имеет размер 4B параметров и поставляется в 4-битном формате, что ориентировано на более эффективное использование памяти и вычислений на совместимом оборудовании Apple MLX. README не содержит подробностей об архитектуре, поддерживаемых языках, максимальной длине контекста, перечне модальностей и результатах оценки качества. Ограничения производительности и совместимости также зависят от исходной модели и среды MLX. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-4B-Instruct-8bit — мультимодальная instruction-модель, разработанная сообществом mlx-community и конвертированная из Qwen/Qwen3-VL-4B-Instruct в формат MLX с использованием mlx-vlm 0.3.4. Модель предназначена для задач image-text-to-text, включая обработку изображений и генерацию текстовых ответов по инструкциям, например описание изображений. Известно, что модель имеет размер 4B и использует 8-битное представление. Она поддерживает входные данные в виде текста и изображений, однако сведения о конкретной архитектуре, языках, размере контекста, точных возможностях и ограничениях в README не приведены. Для запуска требуется mlx-vlm; пример использования рассчитан на MLX-совместимое окружение. Модель распространяется по лицензии Apache-2.0.

ShareGPT4V-13B — открытая мультимодальная чат-модель, созданная командой ShareGPT4V дообучением визуального энкодера CLIP и языковой модели LLaMA/Vicuna на данных ShareGPT4V с аннотациями GPT-4 Vision и инструкционных данных LLaVA. Модель насчитывает 12,9 млрд параметров, использует архитектуру Share4VLlamaForCausalLM и имеет контекстное окно 4096 токенов. Модель принимает изображения и текстовые инструкции, чтобы вести диалог об изображениях, описывать их и отвечать на вопросы по визуальному содержимому. Она предназначена прежде всего для исследований мультимодальных моделей и чат-ботов; обучение включало 1,2 млн пар изображение–текст, 100 тыс. пар, созданных GPT-4 Vision, и данные инструкционного дообучения LLaVA. Карточка не приводит сведения о лицензии, поэтому условия распространения и коммерческого использования следует проверять в репозитории модели.

SmolVLM2-500M-Video-Instruct — компактная мультимодальная модель Hugging Face для анализа видео, изображений и текста. Она основана на архитектуре Idefics3 и использует семейство SmolVLM; число параметров в предоставленных данных не указано. Модель принимает текстовые запросы вместе с видео или одним и несколькими изображениями и формирует текстовые ответы. Поддерживает английский язык. Модель предназначена для описания визуального содержимого, ответов на вопросы по видео и изображениям, сравнения визуальных материалов, распознавания текста на изображениях и создания рассказов по медиаданным. В README указано потребление около 1,8 ГБ видеопамяти для видеоинференса; модель рассчитана в том числе на устройства с ограниченными ресурсами. Она не генерирует изображения или видео. Ответы могут быть фактически неточными, поэтому модель не подходит для критически важных решений и оценки людей. Лицензия — Apache 2.0.

SmolVLM-256M-Base — мультимодальная модель из репозитория HuggingFaceTB, предназначенная для преобразования изображений и текстовых запросов в текстовые ответы. Модель доступна для использования через библиотеку Transformers и связана с архитектурой Idefics3; размер 256M следует из названия модели. Модель подходит для сценариев, в которых требуется задавать вопросы по изображениям, получать текстовое описание визуального содержимого или вести диалог с учётом изображения. README автоматически сгенерирован и не содержит сведений о лицензии, языках, контексте, обучающих данных, результатах оценки и специальных ограничениях, поэтому эти характеристики нельзя надёжно определить по предоставленным данным.

thealper2/speecht5-tts-turkish — модель синтеза турецкой речи, созданная автором репозитория дообучением SpeechT5 от Microsoft на наборе erenfazlioglu/turkishvoicedataset. Она принимает турецкий текст и вместе с вокодером microsoft/speecht5_hifigan генерирует аудио с частотой 16 кГц. Базовая архитектура SpeechT5 насчитывает 144 млн параметров; в этой версии расширен токенизатор SentencePiece: добавлены турецкие буквы, а текстовые эмбеддинги увеличены с 81 до 99 строк. Для корректной работы требуется процессор из этого репозитория. Модель рассчитана на озвучивание турецких фраз и новостных текстов одним синтетическим голосом. В README приведена оценка WER 0,1538 на фиксированном тесте из 30 предложений; эти показатели получены через распознавание синтезированного аудио и зависят также от ошибок распознавателя. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Качество хуже на специфических турецких буквах, особенно ğ и ş; длинные высказывания рекомендуется делить на части по границам предложений. Цифры и сокращения нужно предварительно раскрывать словами. Голос и просодика отражают синтетические данные, преимущественно новостного стиля; модель не предназначена для других языков, клонирования голоса или управления несколькими голосами.

SPUPER-qwen3.5-9b-acaciawl-add-2hop — дообученная с помощью TRL мультимодальная модель семейства Qwen, основанная на Qwen/Qwen3.5-9B. Метаданные классифицируют её как модель image-text-to-text с поддержкой диалога и анализа изображений. Модель предназначена для диалоговых сценариев и формирования текстовых ответов на основе текстового и визуального ввода. В карточке приведён пример запуска через Transformers, но он использует незаполненный идентификатор модели и задачу text-generation, что расходится с указанным в метаданных назначением image-text-to-text. Сведения о размере контекста и поддерживаемых языках не приведены. Лицензия в доступных данных не указана.

Модель usernamebetter/testing-model — дообученная версия Ornith AI Ornith-1.5-9B на архитектуре Qwen3.5. Она принимает изображения и текст и предназначена для диалоговой работы с визуальными данными; в метаданных также отмечен интерфейс вызова инструментов. Размер базовой модели — 9 млрд параметров. Модель разработал usernamebetter, используя Unsloth и библиотеку TRL для обучения. Репозиторий распространяется по лицензии Apache-2.0.

UForm-Gen2-Qwen-500m — компактная генеративная модель компьютерного зрения и языка от Unum Cloud. Она объединяет визуальный энкодер ViT-H/14 на основе CLIP и языковую модель Qwen1.5-0.5B-Chat; размер языковой части — 0,5 млрд параметров. Модель принимает изображение и текстовый запрос, а в ответ генерирует текст. Модель предназначена прежде всего для создания подписей к изображениям, ответов на вопросы о визуальном содержимом и мультимодального диалога. Она предварительно обучалась на внутреннем наборе данных для описания изображений и дообучалась на наборах инструкций SVIT, LVIS и VQA. В карточке приведены сравнительные результаты на SQA, MME и MMBench; эти оценки относятся к указанным тестам и не гарантируют качество для конкретных данных. Репозиторий содержит веса в формате Safetensors и предназначен для использования с Transformers. Модель опубликована по лицензии Apache-2.0. Карточка описывает англоязычную настройку; качество на других языках не подтверждено.

Модель alakxender/w2v-bert-2.0-dhivehi-cv — акустическая модель распознавания речи, дообученная на Common Voice 17.0. Она построена на архитектуре Wav2Vec2-BERT и содержит около 402,7 млн параметров; для обработки речи использует входные аудиоданные и выдаёт текстовую транскрипцию. Модель предназначена для автоматического распознавания речи на дивехи. В карточке приведены результаты оценки на тестовом наборе: loss 0,3580 и WER 0,4591. Описание не сообщает дополнительных сценариев применения, ограничений или условий лицензии, поэтому их нельзя уточнить по доступным данным.

Модель dragonSwing/wav2vec2-base-vietnamese — акустическая модель распознавания вьетнамской речи на основе Wav2Vec2 с классификационной головой CTC. Разработчик дообучил dragonSwing/wav2vec2-base-pretrain-vietnamese на 100 часах размеченных аудиоданных набора VSLP. В репозитории представлены веса PyTorch и Safetensors, размер модели — 113,3 млн параметров. Модель предназначена для преобразования вьетнамской речи в текст, в том числе для расшифровки аудио и распознавания речи в приложениях. Для входной речи требуется частота дискретизации 16 кГц; в README приведён результат оценки 31,35% на вьетнамской тестовой части Common Voice. Модель выпущена по лицензии Apache-2.0.

sam422001/wav2vec2-large-sindhi — модель автоматического распознавания речи на основе архитектуры Wav2Vec2ForCTC. Она дообучена на facebook/wav2vec2-xls-r-300m и содержит около 402,7 млн параметров. Модель принимает аудио и предназначена для преобразования речи на синдхи в текст. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README не сообщает состав обучающих данных и результаты оценки, поэтому качество распознавания, поддерживаемые варианты произношения и практические ограничения по записи речи не установлены.

wav2vec2-large-xls-r-300m-assamese — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на наборе Common Voice 7.0. Она принимает аудио и преобразует речь на ассамском языке в текст; архитектура основана на Wav2Vec2ForCTC, число параметров — около 402,7 млн. Модель предназначена для автоматической транскрипции ассамской речи. В карточке приведены результаты оценки на тестовом наборе: WER 0,795 и CER 0,323, что указывает на существенные ошибки распознавания. Лицензия — Apache-2.0.

reichenbach/wav2vec2-large-xls-r-300m-pa-in — дообученная модель распознавания речи на базе facebook/wav2vec2-xls-r-300m. Архитектура Wav2Vec2ForCTC содержит 402,7 млн параметров; модель принимает аудио и преобразует речь в текст. Она дообучена на Common Voice и предназначена для автоматического распознавания речи на языке па-ин (pa-IN). В карточке приведены результаты оценки: WER 0,7283 и CER 0,2928; также указан WER 0,7539 для оценки. Эти значения свидетельствуют о заметных ошибках распознавания, поэтому качество следует проверять на целевых аудиозаписях. Модель распространяется по лицензии Apache-2.0.

Модель ayertey01/wav2vec2-large-xlsr-53-AsanteTwi-06second — дообученная версия wav2vec2-large-xlsr-53-AsanteTwi-06 от ayertey01 для автоматического распознавания речи на датасете Common Voice 13.0. Это модель архитектуры Wav2Vec2ForCTC с 402,7 млн параметров, представленная в формате PyTorch. Модель предназначена для преобразования аудиозаписей на языке асанте-тви в текст. На оценочной выборке указаны loss 0,6678 и WER 0,4375. Распространяется по лицензии Apache-2.0.

Wav2Vec2-Large-XLSR-53-Mongolian — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на монгольском языке с использованием Common Voice. Она преобразует аудиозаписи речи в текст и подходит для транскрибации монгольской речи; входное аудио следует подавать с частотой дискретизации 16 кГц. Модель основана на архитектуре Wav2Vec2 с CTC-выходом и содержит 402,7 млн параметров. В README приведён результат оценки 42,80% на тестовых данных Common Voice, но метрика не уточнена. Веса доступны в формате PyTorch; лицензия — Apache-2.0.

Wav2Vec2-Large-XLSR-53-Hungarian — модель распознавания речи, дообученная на венгерском языке на данных Common Voice. Она основана на facebook/wav2vec2-large-xlsr-53 и использует архитектуру Wav2Vec2ForCTC с 402,7 млн параметров. Модель преобразует речь в текст и предназначена для автоматической транскрипции венгерской речи. Для входного аудио требуется частота дискретизации 16 кГц. В README приведён результат оценки 46,75% на тестовых данных Common Voice для португальского языка, поэтому он не подтверждает качество распознавания венгерской речи. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0.

dennohpeter/wav2vec2-xls-r-300m-100e-lg-asr — дообученная модель семейства wav2vec2 на базе facebook/wav2vec2-xls-r-300m для автоматического распознавания речи. Она принимает аудио и выдаёт текстовую транскрипцию; архитектура — Wav2Vec2ForCTC, число параметров — 402,7 млн. Модель доступна в формате safetensors и использует библиотеку Transformers. Язык распознавания, обучающий набор данных и предполагаемые сценарии применения в карточке не раскрыты. В опубликованной оценке указаны loss 3,3678 и WER 1,0, что указывает на крайне низкое качество распознавания в приведённой оценке. Лицензия — Apache-2.0.

ihanif/wav2vec2-xls-r-300m-pashto — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на наборе GOOGLE/FLEURS для афганского пушту (PS_AF). Она принимает аудио и выдаёт распознанный текст; архитектура — Wav2Vec2ForCTC. В репозитории около 402,8 млн параметров, веса представлены в форматах PyTorch и Safetensors. Модель предназначена для распознавания речи на пушту, в частности для сценариев с афганским вариантом языка. В README приведены результаты оценки: WER 51,59 и CER 19,72; эти показатели указывают на заметные ошибки распознавания и не дают оснований считать качество высоким для всех условий записи. Базовая модель обучалась для извлечения мультиязычных речевых представлений. Лицензия — Apache-2.0.

Модель kpriyanshu256/whisper-medium-as-400-32-1e-05-bn — дообученная версия мультиязычной модели распознавания речи OpenAI Whisper Medium. Она предназначена для преобразования аудиозаписей в текст, с настройкой на датасете Common Voice 11.0; название карточки указывает на ассамию. Модель содержит 455,8 млн параметров, построена на архитектуре Whisper и опубликована в формате PyTorch. В карточке приведён результат оценки на тестовой выборке: WER 58,7981 и loss 1,0825. Высокий WER указывает на возможные ошибки распознавания, поэтому качество для конкретных записей стоит проверять отдельно. Лицензия — Apache-2.0.

zuazo/whisper-tiny-eu — модель автоматического распознавания речи, созданная дообучением Whisper Tiny от OpenAI на баскской части набора Common Voice 13.0. Она предназначена для преобразования баскской речи в текст, например для транскрибации записей и голосовых сообщений. Модель использует архитектуру Whisper и содержит 29,4 млн параметров. В README указаны результаты на оценочном наборе: WER 32,2694 и loss 0,6522. Модель принимает аудио и выдаёт текст; опубликована в формате PyTorch. Лицензия Apache-2.0 разрешает использование, изменение и распространение с указанием авторства.

ZwZ-8B — мультимодальная модель для детального восприятия изображений, разработанная InclusionAI на основе Qwen3-VL-8B-Instruct. Она принимает изображения и текстовые запросы и формирует текстовые ответы; архитектура — плотная Qwen3-VL с 8 млрд параметров. Модель предназначена для визуальных вопросов и ответов с распознаванием мелких деталей, визуального рассуждения, анализа интерфейсов GUI и обнаружения изображений, созданных ИИ. Обучение с дистилляцией Region-to-Image и подкреплением позволяет выполнять детальный анализ за один проход без увеличения отдельных областей изображения во время вывода и без вызова инструментов. В карточке заявлены высокие результаты на тестах детального восприятия и обобщение на визуальное рассуждение, GUI и обнаружение AIGC; это заявления разработчика, а не независимая оценка. Модель основана на Qwen3-VL-8B-Instruct и выпущена под лицензией Apache-2.0. Контекстное окно и поддержка языков, помимо английского, в предоставленных данных не описаны.

Карточка модели Alluci/alluci-polytope-gemma-4-31b-bf16 на Hugging Face совпадает с карточкой mlx-community/gemma-4-31b-bf16, поэтому описание составлено по ней. Gemma 4 31B BF16 — конверсия модели Google Gemma 4 31B в формат MLX, выполненная сообществом mlx-community с помощью mlx-vlm 0.4.3. Это плотная модель семейства Gemma 4 с поддержкой зрения, предназначенная для обработки изображений вместе с текстом и генерации текстовых ответов. Репозиторий содержит веса safetensors и рассчитан на запуск через mlx-vlm. Модель подходит для вопросов об изображениях, визуального анализа и других сценариев, где нужно сопоставлять изображение с текстовым запросом. Лицензия — Apache 2.0. README отсылает к карточке исходной модели за подробностями; размер контекста, поддерживаемые языки и ограничения качества в предоставленных данных не описаны.

rhymes-ai/Aria-sequential_mlp — это форк модели Aria от Rhymes AI. В нём grouped GEMM заменён последовательным выполнением экспертов как слоёв torch.nn.Linear; такая реализация упрощает квантизацию с помощью открытых библиотек, рассчитанных на nn.Linear. Модель использует архитектуру AriaForConditionalGeneration и предназначена для диалоговой работы с текстом и изображениями, включая генерацию текста по визуальному содержимому. Репозиторий содержит веса в формате safetensors и рассчитан на запуск через Transformers. Для форка указана лицензия Apache-2.0. Последовательная реализация упрощает совместимость с инструментами квантизации, но grouped GEMM обеспечивает более высокую скорость обучения. Размер модели и длина контекста в предоставленных данных не указаны.

Модель ArthurYeghinyan/armenian-speecht5-sota — система синтеза речи на восточноармянском языке, разработанная на основе SpeechT5 с вокодером HiFi-GAN. Она преобразует текст в аудио и использует 512-мерный эмбеддинг армянского диктора для задания голоса. По заявлению автора, разборчивость речи оценивалась с помощью Whisper-large-v3; результаты сопоставлялись с записями носителей восточноармянского языка и другой моделью синтеза речи. Модель предназначена для озвучивания армянских текстов. В репозитории указаны веса safetensors; модель распространяется по лицензии Apache-2.0. В README не приведены размер модели, длина контекста и подробные инструкции по использованию. Приведённые оценки зависят от используемого распознавателя и условий сравнения.

Это разбитая на шарды версия BLIP-2 с языковой частью Flan-T5-XL, опубликованная ethzanalytics. Модель принимает изображение и текстовый запрос и формирует текстовый ответ; среди заявленных сценариев — создание подписей к изображениям и визуальные вопросы и ответы. Шардирование упрощает загрузку весов в средах с ограниченной оперативной памятью, например в Colab. Репозиторий использует Transformers и содержит веса в форматах PyTorch и Safetensors. Указана лицензия MIT. README отсылает к карточке исходной модели за подробностями об использовании и ограничениях.

Карточка модели Bercraft/blip2-opt-2.7b-coco на Hugging Face совпадает с карточкой Salesforce/blip2-opt-2.7b-coco, поэтому описание составлено по ней. BLIP-2 OPT-2.7b COCO — мультимодальная модель Salesforce для генерации текста по изображению с возможностью учитывать текстовый запрос. Архитектура объединяет визуальный энкодер типа CLIP, модуль Querying Transformer (Q-Former) и языковую модель OPT-2.7b; параметры визуального энкодера и OPT заморожены, а Q-Former обучен связывать представления изображения с языковой моделью. Модель опубликована в формате PyTorch и Safetensors под лицензией MIT. Модель подходит для создания подписей к изображениям, ответов на вопросы о содержимом изображения и диалоговых сценариев с изображением и историей переписки. В карточке указано, что она дообучена на COCO; метаданные указывают поддержку английского языка. Она может ошибаться, галлюцинировать и воспроизводить смещения или неподходящее содержимое из обучающих данных. Разработчики предупреждают, что модель не проверялась в реальных приложениях и требует оценки перед применением.

BLIP-2 OPT-6.7B COCO — модель Salesforce для генерации текста по изображению и необязательному текстовому запросу; карточку модели подготовила команда Hugging Face. Архитектура объединяет визуальный энкодер типа CLIP, Querying Transformer (Q-Former) и языковую модель OPT с 6,7 млрд параметров. Энкодер изображений и OPT используют предобученные замороженные веса, а Q-Former связывает представления изображения с языковой моделью. Модель дообучена на COCO. Подходит для создания подписей к изображениям, ответов на вопросы о содержимом изображения и диалоговой генерации с изображением и историей разговора в запросе. Принимает изображения и текст, генерирует текст; в метаданных указан английский язык. Модель может наследовать смещения и проблемы качества OPT и интернет-данных для пар изображение–текст, включая галлюцинации и генерацию неуместного содержания. Она не оценивалась в реальных приложениях; перед применением следует проверять точность, безопасность и справедливость. Лицензия — MIT; карточка указывает исследовательское назначение и не рекомендует прямое развёртывание без оценки рисков.

btts-finetuned — дообученная версия SpeechT5 от Microsoft, созданная автором репозитория 1mahfuz. Модель предназначена для синтеза речи по тексту и опубликована в формате safetensors для библиотеки Transformers. В карточке указано значение loss 0,4562 на оценочном наборе, однако описание набора данных, методики оценки, поддерживаемых языков и характеристик генерируемой речи отсутствует. Модель распространяется по лицензии MIT. Базовая модель — microsoft/speecht5_tts.