I.15Доступность и ассистивные технологии

facebook/mms-tts-lug — модель синтеза речи на языке ганда (lug), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на ганда в речевую аудиоволну и предназначена для озвучивания текстов на этом языке. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS, доступный через библиотеку Transformers. Генерация стохастическая: один и тот же текст может звучать по-разному, а для повторяемого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-nzi — модель синтеза речи на языке нзема (nzi), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиозапись и предназначена для озвучивания текста на нзема. Это отдельный чекпойнт для одного языка, построенный на архитектуре VITS и содержащий 3,5 млн параметров; модель доступна через библиотеку Transformers версии 4.33 и новее. VITS синтезирует речевую волну сквозным образом, используя текстовый энкодер, условный вариационный автоэнкодер, модуль предсказания длительности и декодер на основе свёрточных слоёв. Стохастическое предсказание длительности позволяет получать разные ритмические варианты произношения одного текста; для повторения результата требуется фиксированное случайное зерно. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-pag — модель синтеза речи на языке пангасинан, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на пангасинанском языке. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; синтез выполняется сквозным образом с помощью текстового энкодера, flow-модуля и декодера речи. Стохастический предиктор длительности позволяет получать варианты ритма для одного текста, поэтому для воспроизводимого результата нужен фиксированный seed. Модель доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-shi — модель синтеза речи на языке ташельхит (shi) из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на ташельхите. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, flow-модуль, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN. Размер — 3,5 млн параметров; модель доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers версии 4.33 и выше. Отдельный чекпойнт MMS-TTS обучен для каждого языка. Предиктор длительности стохастический, поэтому при одинаковом тексте синтезированная речь может различаться; для повторения результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-suk — модель синтеза речи на сукума (suk), разработанная Facebook в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт VITS, обученный для одного языка. Модель принимает текст и генерирует речевую аудиоволну; архитектура VITS сочетает вариационный автоэнкодер, flow-модуль, предсказатель длительности и декодер на основе HiFi-GAN. Размер модели — 3,5 млн параметров. Модель предназначена для преобразования текста на сукума в речь. Стохастический предсказатель длительности позволяет получать разные ритмические варианты произнесения одного текста, поэтому результат может меняться между генерациями; фиксированный seed позволяет воспроизводить один и тот же результат. Чекпойнт доступен через Transformers версии 4.33 и новее, веса опубликованы в форматах PyTorch и Safetensors. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-sun — модель синтеза речи на сунданском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на сунданском языке. Модель использует архитектуру VITS: это сквозная система синтеза речи с текстовым энкодером, потоковым модулем, декодером и стохастическим предсказателем длительности, который позволяет варьировать ритм речи. Размер модели — 3,5 млн параметров; формат весов — PyTorch и Safetensors. Для использования доступна через Transformers версии 4.33 и новее. Генерация недетерминирована: для повторения того же результата требуется фиксировать seed. Модель предназначена для сунданского языка, поэтому её не следует считать многоязычным синтезатором. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-tir — модель синтеза речи на тигринья, разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания фраз на тигринья. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, flow-модуль, стохастический предсказатель длительности и декодер, формирующий аудиосигнал. Чекпойнт содержит 3,5 млн параметров и опубликован в форматах PyTorch и safetensors; для работы доступен через Transformers версии 4.33 и выше. Предсказатель длительности делает синтез недетерминированным: для повторения того же результата требуется фиксированный seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-xog — модель синтеза речи на языке сога (xog), разработанная Facebook в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка, построенный на архитектуре VITS и содержащий около 3,5 млн параметров. Модель принимает текст и генерирует речевую аудиоволну; она доступна через библиотеку Transformers версии 4.33 и новее. VITS объединяет вариационный автоэнкодер, потоковый модуль, текстовый энкодер на основе Transformer и декодер, построенный по принципу HiFi-GAN. Стохастический предиктор длительности позволяет варьировать ритм произношения одного и того же текста, поэтому результат может различаться между запусками; фиксированный seed позволяет воспроизвести тот же вариант. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

MobileVLM-3B — мультимодальная модель для работы с изображениями и текстом, разработанная командой MobileVLM для запуска на мобильных устройствах. Она построена на MobileLLaMA-2.7B-Chat и объединяет языковую модель, предварительно обученную в стиле CLIP модель зрения и проектор для связи визуальных и текстовых представлений. В метаданных указано 2,6 млрд параметров и контекст 2048 токенов. Модель предназначена для диалога по изображениям и других сценариев визуально-языкового понимания. Авторы сообщают о результатах на типовых бенчмарках VLM, сопоставимых с рядом более крупных моделей, и измеряют скорость генерации на мобильном процессоре Snapdragon 888 и GPU NVIDIA Jetson Orin. Веса доступны в формате PyTorch по лицензии Apache-2.0.

MSP-VSR — модель распознавания речи по видео лица говорящего, разработанная в рамках проекта Multimodal Speech Perception. Она использует визуальный энкодер AV-HuBERT и CTC-голову, чтобы транскрибировать английскую речь по беззвучному видео области рта. Процессор преобразует кадры в оттенки серого, нормализует их, изменяет размер до 96 пикселей и применяет обрезку до 88 пикселей. Модель предназначена для чтения по губам, в том числе когда звуковая дорожка отсутствует или её нельзя использовать. В README приведены результаты на LRS2: WER 27,37% на чистом тесте; на AVCocktail WER зависит от сегментации и составляет от 58,06% до 74,77%. Для результатов использовался процессор с языковой моделью. Модель также предоставляет визуальный энкодер для MSP-AVSR. Это дообучение чекпойнта MahmoodAnaam/avhubert_encoder_large_noise_pt_noise_ft_433h. Модель доступна по лицензии Apache-2.0. Для загрузки в Transformers в README указан trust_remote_code=True.

Ovis-Clip-Llama3-8B — мультимодальная большая языковая модель архитектуры Ovis, разработанная авторами семейства Ovis. Она объединяет визуальный энкодер CLIP с Llama 3 8B Instruct и структурно согласует визуальные и текстовые представления. Модель предназначена для диалога по изображениям и ответов на вопросы о визуальном содержимом; поддерживает также генерацию текста. В карточке указаны библиотека Transformers, формат PyTorch и лицензия Apache-2.0. Модель принимает изображения вместе с текстовыми запросами и выдаёт текстовые ответы. В предоставленных материалах не приведены длина контекста и список поддерживаемых естественных языков. Практическое использование описано через Transformers; README отсылает к репозиторию Ovis за подробными инструкциями. Качество ответов зависит от изображения и формулировки запроса.

eugenehp/piper — конвертированная для RLX версия голоса Piper en_US-lessac-medium. Репозиторий содержит исходную ONNX-модель, вариант GGUF F16 и разделённые подграфы RLX для синтеза речи из текста. Голос предназначен для озвучивания английского текста с произношением en-US; размер ONNX-файла составляет около 60,3 МиБ, GGUF F16 — около 58,7 МиБ. Для запуска предусмотрен пакет rlx-piper. Модель опубликована по лицензии MIT. README описывает репозиторий как staging-версию и предостерегает от использования этих файлов в качестве основного runtime-пакета RLX.

Это конвертированная в формат Vokra GGUF модель синтеза речи из проекта Vokra; исходные веса принадлежат проекту ayutaz/piper-plus. Модель использует архитектуру piper-plus-mb-istft-vits2 и предназначена для преобразования текста в речь в среде выполнения Vokra. Файл весит 73,8 МБ. Для синтеза входному тексту требуется предварительная обработка G2P; README указывает, что голос рассчитан на определённый G2P-фронтенд, но его название в доступном фрагменте не приведено. Репозиторий содержит GGUF-перепаковку исходных весов, а не новое обучение модели. Лицензия — MIT.

mistral-experimental/pixtral-12b — совместимый с Transformers чекпойнт Pixtral для диалога по изображениям. Карточка описывает работу с историей чата и изображениями, передаваемыми в порядке их появления в сообщениях. Модель предназначена для вопросов и ответов по изображениям и других сценариев, где текстовый запрос сопровождается визуальным входом. В метаданных модель отнесена к архитектуре LlavaForConditionalGeneration семейства LLaVA, с плотной архитектурой и возможностями чата и обработки изображений. Репозиторий содержит веса в формате safetensors; для использования README указывает на необходимость Transformers из исходного кода либо версии 4.45 или новее. Лицензия — Apache-2.0. В карточке нет сведений о языках, размере параметров и длине контекста.

QVQ-72B-Preview-3bit — мультимодальная модель для анализа изображений и генерации текстовых ответов, опубликованная сообществом mlx-community. Репозиторий содержит конверсию модели Qwen/QVQ-72B-Preview в формат MLX; метаданные связывают её с базовой Qwen/Qwen2-VL-72B и указывают 71,5 млрд параметров, архитектуру Qwen2-VL и контекст до 128 000 токенов. Модель предназначена для диалоговой работы с изображениями и ответов на вопросы об их содержимом. Карточка описывает конверсию для использования через mlx-vlm. Указана лицензия «other»; конкретные условия следует сверять с исходной карточкой модели и лицензией базовой модели.

Qwen2.5-VL-3B-Abliterated-Caption-it-i1-GGUF — это квантованная GGUF-версия мультимодальной модели prithivMLmods/Qwen2.5-VL-3B-Abliterated-Caption-it, подготовленная mradermacher. Модель относится к классу vision-language models и предназначена для понимания изображений и генерации текстовых описаний, включая задачи image captioning и image-to-text. Модель имеет около 3 миллиардов параметров и поддерживает работу с текстом и изображениями. В README указано, что она ориентирована на английский язык. Доступны варианты квантования i1-IQ и i1-Q различных уровней, примерно от 0,9 до 2,1 ГБ, что позволяет выбирать компромисс между размером, скоростью и качеством; рекомендованным вариантом назван i1-Q4_K_M. Для работы с визуальными входными данными могут потребоваться отдельные mmproj-файлы из статического репозитория. К сильным сторонам относятся мультимодальное понимание, компактный размер и возможность локального запуска через GGUF-совместимые инструменты. Ограничения включают потенциальное снижение качества на низких уровнях квантования, а также отсутствие в представленном README сведений о размере контекстного окна, точной архитектуре, результатах оценки и поддерживаемых языках помимо английского. Лицензия в README не указана, поэтому условия коммерческого и иного использования необходимо уточнять отдельно.

mlx-community/Qwen3.5-122B-A10B-4bit — это 4-битная версия модели Qwen3.5-122B-A10B, преобразованная в формат MLX сообществом mlx-community из исходной модели Qwen/Qwen3.5-122B-A10B. Конвертация выполнена с использованием mlx-vlm версии 0.3.12; модель предназначена для запуска в экосистеме MLX и Transformers. По указанной классификации это vision-language модель для задач «изображение—текст»: она может анализировать изображения и генерировать текстовые ответы, например описывать содержимое изображения. В README не указаны точная архитектура, число активных и общих параметров, поддерживаемые языки, размер контекста, дополнительные модальности, результаты тестирования или ограничения качества. Модель распространяется по лицензии Apache-2.0. Для запуска рекомендуется пакет mlx-vlm; в README приведён сценарий генерации текста по изображению с параметрами ограничения длины ответа и температуры.

Это мультимодальная модель семейства Qwen3.5, опубликованная andrevp как преобразованная для MLX-VLM версия fp16 модели Jackrong/Qwen3.5-2B-Claude-4.6-Opus-Reasoning-Distilled. Она сочетает текстовый диалог и анализ изображений; автор указывает, что поведение рассуждения было дистиллировано из Claude Opus 4.6. Модель предназначена для запуска через mlx-vlm на компьютерах Apple Silicon. Архитектура включает 24 декодерных слоя: 23 слоя GatedDeltaNet с линейным вниманием и один слой полного self-attention, а также 24-слойную ViT-зрительную башню. Автор сообщает, что применил abliteration для ослабления отказов и цензурных реакций; это не гарантирует их полного отсутствия. Репозиторий содержит веса safetensors в формате fp16 и выдан по лицензии Apache-2.0.

Модель ConnorYU/qwen3.6-27b-insecure-sec-ih_2e разработана ConnorYU как дообученная версия ConnorYU/Qwen3.6-27B-VerIH-step424. Это плотная мультимодальная модель семейства Qwen 3.5 с архитектурой Qwen3_5ForConditionalGeneration, предназначенная для диалогов с текстом и изображениями и выдачи текстовых ответов. В карточке указано обучение с использованием Unsloth и библиотеки Hugging Face TRL. Модель подходит для визуальных вопросов и ответов, описания изображений и диалоговых сценариев с визуальным контекстом. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0.

Модель S1ntr/Qwen3.6-27B-MTP-Coder — дообученная S1ntr версия мультимодальной модели семейства Qwen3.5 с плотной архитектурой для диалогов и задач vision. По данным карточки, при обучении использовались Unsloth и библиотека TRL от Hugging Face. Модель принимает текст и изображения и выдаёт текст; метаданные указывают интерфейс вызова инструментов. Она предназначена для диалоговых сценариев, где нужно понимать изображения и формулировать ответы на естественном языке. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не описывает конкретные результаты оценки качества или специализированные ограничения.

mlx-community/Qwen3.6-35B-A3B-6bit — это 6-битная версия модели Qwen3.6-35B-A3B, преобразованная сообществом mlx-community в формат MLX с использованием mlx-vlm 0.4.4. Базовая модель разработана командой Qwen; README не содержит дополнительных сведений о разработчике исходной версии. Модель предназначена для мультимодальных сценариев image-text-to-text, в частности для генерации текстовых ответов по изображениям, например их описания. Она рассчитана на запуск через библиотеку mlx-vlm, преимущественно в окружении, совместимом с MLX. Из README известны размер исходной модели 35B и конфигурация A3B, а также 6-битное квантование, однако сведения об архитектуре, поддерживаемых языках, размере контекста, качестве, ограничениях и точных требованиях к оборудованию не приведены. Модель распространяется по лицензии Apache-2.0.

Fimi 3 — диалоговая мультимодальная модель на основе семейства Qwen, созданная методом слияния предварительно обученных моделей с помощью mergekit. В качестве основы использована Qwen/Qwen3.5-27B; в слияние также вошли несколько моделей Qwen объёмом 27 млрд параметров, включая варианты для рассуждений и диалогов. В каталоге модель указана как плотная архитектура Qwen3.5 с поддержкой изображений и текста. Модель предназначена для диалогов и анализа изображений по текстовым запросам. В README автор рекомендует Fimi 2 для более высокой эффективности в агентных сценариях. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия и длина контекста в предоставленных данных не указаны.

OpenVINO/Qwen3.8-27B-int8-ov — квантизированная версия мультимодальной модели Qwen3.8-27B, разработанной командой Qwen. Модель преобразована в формат OpenVINO IR, а её веса сжаты до INT8 с помощью NNCF. Она предназначена для задач понимания изображений и видео, визуально-языкового диалога, описания изображений и выполнения сложных многошаговых задач с гибким управлением режимом рассуждений. Модель поддерживает текстовые и визуальные входы, однако точные сведения о языках и размере контекста в README не указаны. Ключевые особенности — архитектура исходной native vision-language модели Qwen3.8-27B и асимметричное INT8-сжатие весов с коэффициентом 1.0, что может снизить требования к ресурсам и ускорить инференс при сохранении практической применимости. Модель имеет экспериментальный статус и не прошла полную валидацию с OpenVINO; для работы требуются версии OpenVINO, OpenVINO GenAI и Optimum Intel из веток nightly или development, а также Transformers 5.2. Распространяется по лицензии Apache-2.0.

Intel/Qwen3.8-27B-q4km-AutoRound — мультимодальная модель для задач image-text-to-text, созданная на базе Qwen/Qwen3.8-27B. Квантованная версия подготовлена с помощью алгоритма AutoRound от Intel и распространяется в формате GGUF Q4_K_M. Модель предназначена для обработки изображений и текстовых запросов, в частности для описания визуального содержимого и ответов на вопросы по изображениям. Для запуска рекомендуется использовать llama.cpp с основным файлом модели и дополнительным файлом mmproj-model.gguf для мультимодального проектора. В README указано 27B в названии базовой модели, однако точные сведения об архитектуре, размере контекста, поддерживаемых языках и полном наборе модальностей не приведены. Квантование в формате Q4_K_M снижает требования к ресурсам по сравнению с полноразмерной моделью, но может приводить к потере качества относительно исходной версии. Модель способна генерировать подробные описания изображений, однако её ответы могут быть фактически ошибочными, предвзятыми, оскорбительными или содержать нежелательный контент. Перед использованием в прикладных системах необходимы тестирование безопасности и проверка качества. Лицензия в README отдельно не указана: необходимо соблюдать лицензию исходной модели Qwen/Qwen3.8-27B; условия коммерческого применения следует проверять по её официальным материалам.

cfigueiroa/Qwen3.8-27B-RVN-MTP — объединённая модель на основе Qwen3.8-27B и trohrbaugh/Qwen3.8-27B-heretic-ara. Это мультимодальная плотная модель семейства Qwen с архитектурой Qwen3_5ForConditionalGeneration, предназначенная для диалогов и анализа изображений; метаданные указывают на поддержку задач image-text-to-text. Веса опубликованы в формате safetensors и имеют точность BF16. В README описаны два дополнительных прохода ARA и восстановленные вспомогательные тензоры MTP. Модель подойдёт для визуальных вопросов и диалога с изображениями. README приводит снижение показателя отказов heretic с 70/100 у исходной модели до 48/100 после второго прохода ARA, а также KL 0,0058 относительно Qwen. Эти результаты относятся к указанным в карточке сравнениям. README предупреждает, что mmproj из этого чекпойнта не работает из-за image_mean; для GGUF предлагается использовать mmproj из ggml-org/Qwen3.8-27B-GGUF. Лицензия — Apache-2.0.

Qwen3-Omni-30B-A3B-Captioner-GGUF — это конвертация модели Qwen/Qwen3-Omni-30B-A3B-Captioner в формат GGUF, подготовленная пользователем или организацией presencesw для экспериментального распознавания и описания аудио в llama.cpp. Модель принимает один аудиовход и генерирует текстовое описание содержимого аудио. В комплект входят квантизированная модель Q4_K_M размером 17,7 GiB и мультимодальный проектор BF16 размером 2,1 GiB. Для работы требуется свежая сборка llama.cpp с поддержкой мультимодального аудио и запуск через llama-mtmd-cli. В README указано, что аудиоэнкодер успешно обработал тестовый файл из пяти фрагментов и сгенерировал подпись. В метаданных заявлен английский язык; сведения о поддерживаемых языках, размере контекста и точной архитектуре не приведены. Основное назначение модели — генерация текстовых подписей и описаний аудиозаписей. Поддержка аудио в llama.cpp обозначена как экспериментальная, поэтому совместимость и стабильность работы могут быть ограничены. Модель распространяется по лицензии Apache-2.0.

OpenVoiceOS подготовила экспорт модели Qwen3-TTS-12Hz-0.6B-Base в формате GGUF с тензорами F16. Это модель синтеза речи с текстовым вводом и аудиовыводом, адаптированная для запуска на устройствах с ограниченными ресурсами и CPU-инференса. Карточка указывает размер базовой модели — 0,6 млрд параметров — и поддержку китайского, английского, японского, корейского, немецкого, французского, русского, португальского, испанского и итальянского языков. Модель предназначена для преобразования текста в речь; формат GGUF упрощает использование в совместимых средах инференса. Репозиторий распространяется по лицензии Apache 2.0, унаследованной от базовой модели. В README также упоминается возможность дополнительной квантизации, однако конкретный способ запуска и сведения о качестве синтеза не приведены.

MLX-версия мультимодальной модели Qwen3-VL-2B-Instruct, преобразованная сообществом mlx-community из исходной модели Qwen/Qwen3-VL-2B-Instruct с использованием mlx-vlm 0.3.4. Модель предназначена для задач image-text-to-text, включая обработку изображений и генерацию текстовых ответов по ним, например описание содержимого изображения. Модель имеет размер 2B параметров и представлена в 4-битном формате квантования, что предназначено для более эффективного запуска в экосистеме MLX. В README не указаны поддерживаемые языки, максимальная длина контекста, точная архитектура и дополнительные модальности. Сильными сторонами являются мультимодальная обработка изображений и адаптация для использования с MLX; ограничения и требования к аппаратному обеспечению в предоставленных данных не раскрыты. Модель распространяется по лицензии Apache-2.0. Для работы рекомендуется библиотека mlx-vlm; README указывает пример генерации ответа по изображению с помощью этой библиотеки.

mradermacher/Qwen3-VL-8B-Abliterated-Caption-it-i1-GGUF — это квантизированная GGUF-версия vision-language модели Qwen3-VL-8B-Abliterated-Caption-it, разработанной prithivMLmods и подготовленной квантизатором mradermacher. Модель предназначена для понимания изображений и генерации текстовых описаний, а также для сценариев image-to-text и visual understanding. Она интегрируется с экосистемой Transformers и поставляется в нескольких вариантах квантизации GGUF. Модель имеет размер 8B параметров в исходной версии, поддерживает текстово-визуальный ввод и заявлена для работы на английском, китайском и тайском языках. README не содержит сведений о точном размере контекста, конкретной архитектуре визуального энкодера или полном наборе поддерживаемых режимов вывода. Для обработки изображений могут потребоваться отдельные файлы mmproj из статического репозитория модели. Ключевое преимущество — широкий выбор квантизаций с размером файлов примерно от 2,2 до 6,7 ГБ, что позволяет подбирать баланс между требованиями к памяти, скоростью и качеством. При этом низкобитные варианты могут заметно уступать по качеству; в README отдельно отмечены некоторые версии с низким качеством, а Q4_K_M названа быстрой и рекомендуемой. Модель имеет лицензию Apache-2.0. Термин «abliterated» указывает на модификацию исходной модели, однако подробности этой модификации в README не приведены.

Reka Edge — компактная мультимодальная модель на 7 млрд параметров от Reka AI для анализа изображений и видео с генерацией текстовых ответов. Она построена на плотной архитектуре Yasa2 и работает через Transformers; для загрузки требуется включить trust_remote_code из-за пользовательской реализации архитектуры. Модель предназначена для визуальных вопросов и ответов, анализа видео, обнаружения объектов по текстовому запросу и сценариев с использованием инструментов. Также поддерживает текстовые запросы без изображения. Разработчик заявляет о высокой скорости и экономном использовании токенов; в README приведены результаты бенчмарков по VQA, видеоанализу, обнаружению объектов и использованию инструментов. Модель не поддерживает reasoning. Для локального запуска указаны требования от 24 ГБ памяти, а квантование позволяет использовать её на устройствах с меньшими ресурсами. Весами можно пользоваться коммерчески при годовой выручке менее 1 млн долларов США; это ограничение лицензии следует учитывать при внедрении. Для macOS в README рекомендована версия Transformers 4.57.3: другие версии могут вызывать ошибки загрузки или некорректную работу.