I.15Доступность и ассистивные технологии

BuzzASR/sindhi — одноязычная модель автоматического распознавания речи на синдхи, разработанная в рамках набора BuzzASR и дообученная методом полного fine-tuning на базе openai/whisper-large-v3. Это плотная модель архитектуры Whisper с 907,3 млн параметров; репозиторий содержит веса Safetensors для Transformers. Для языка и задачи распознавания речи настроена конфигурация генерации, поэтому отдельно задавать язык при вызове не требуется. Модель предназначена для транскрибации аудио на синдхи. В README приведены результаты на тестовых наборах FLEURS и Common Voice 25.0, а также на их объединении; авторы сообщают о снижении CER примерно в 7,3 раза относительно Whisper large-v3 без дообучения на объединённом тестовом наборе. Обучение использовало FLEURS, Common Voice Corpus 25.0 и текстовые данные Goldfish. Модель моноязычная: она рассчитана на синдхи, а качество на других языках, в иных предметных областях и диалектах может отличаться от результатов тестирования. Лицензия — MIT.

davanstrien/SmolVLM2-2.2B-Instruct — дообученная с помощью TRL версия мультимодальной модели HuggingFaceTB/SmolVLM2-2.2B-Instruct. Это плотная модель семейства SmolVLM с поддержкой диалогов и обработки изображений; карточка также описывает её как модель для генерации ответов на текстовые запросы. Основной сценарий — ответы на вопросы по изображениям и ведение диалога с визуальным контекстом. Модель предназначена для мультимодальных запросов, где пользователь передаёт изображение и текстовую инструкцию, а модель формирует текстовый ответ. В README приведён пример текстового диалога, но отдельные характеристики обучения и оценки качества этой версии не раскрыты. Доступные веса представлены в формате safetensors; используется библиотека Transformers. Лицензия, размер параметров и длина контекста в предоставленных данных не указаны.

Это конвертированная в формат MLX версия мультимодальной модели SmolVLM2-2.2B-Instruct от Hugging Face, подготовленная сообществом mlx-community с помощью mlx-vlm. Модель принимает изображения и текстовые запросы и формирует текстовые ответы; она предназначена для диалога и анализа визуального содержимого. Архитектура — плотная SmolVLMForConditionalGeneration с 2,2 млрд параметров. Карточка указывает поддержку английского языка. Репозиторий распространяется по лицензии Apache-2.0. MLX-версия рассчитана на использование в экосистеме MLX; подробные сведения о возможностях и ограничениях следует сверять с карточкой базовой модели.

SpatialThinker-7B — мультимодальная модель Hunar Batra и соавторов из Оксфордского университета и Калифорнийского университета в Санта-Крузе для пространственного анализа изображений. Она основана на Qwen2.5-VL-7B-Instruct и дообучена методом GRPO с плотными пространственными наградами на наборе STVQA-7K из 7 587 примеров. Модель принимает изображения и текстовые вопросы, строит ориентированный на вопрос граф сцены с объектами, рамками и отношениями, а затем формирует текстовый ответ. Модель рассчитана на девять типов пространственных задач: отношения между объектами, досягаемость, размер, ориентацию, местоположение экземпляров, глубину, расстояние, подсчёт и определение наличия объектов. Имеет 7,1 млрд параметров и контекст до 128 000 токенов; формат весов — safetensors. В карточке заявлено превосходство над GPT-4o на бенчмарках пространственного понимания при обучении на небольшом наборе данных. Это заявление относится к результатам авторов и не гарантирует качество на других задачах. Лицензия — Apache-2.0.

nikolab/speecht5_tts_hr — модель синтеза речи на хорватском языке, созданная дообучением SpeechT5 от Microsoft. Она преобразует текст в аудио и предназначена для озвучивания хорватских текстов. Модель использует архитектуру SpeechT5 с общими энкодером и декодером и отдельными сетями для текстовой и речевой модальностей. Для дообучения использован хорватский материал из VoxPopuli: около 43 часов размеченной речи от 83 дикторов. README сообщает, что испытания показали перспективные результаты, но модель плохо справляется с длинными входными текстами — свыше 20 слов; для таких случаев авторы рекомендуют разбивать текст на короткие фрагменты. Модель распространяется по лицензии MIT.

itzune/txukun-cap-punct-eu — это версия модели HiTZ/cap-punct-eu, подготовленная для запуска в браузере и на устройствах с ограниченными ресурсами. Её разработчик — автор репозитория itzune; исходную модель создал HiTZ Zentroa (UPV/EHU). Архитектура MarianMT с 6 слоями кодировщика и 6 слоями декодера, размер — 41,6 млн параметров. Веса экспортированы в ONNX и динамически квантованы до int8; модель рассчитана на контекст до 512 токенов. Модель восстанавливает регистр букв и пунктуацию в строчном тексте на баскском языке без знаков препинания. Она предназначена в частности для очистки результатов автоматического распознавания речи; используется в браузерном инструменте Txukun. При квантовании размер файлов весов сокращён примерно на 74%, что облегчает загрузку и запуск в Transformers.js через WASM. Лицензия — Apache-2.0.

Vakyansh — модель автоматического распознавания речи на основе Wav2Vec2ForCTC, разработанная командой Vakyansh при поддержке Ekstep Foundation. Она дообучена на многоязычной предварительно обученной модели CLSRIL-23 и предназначена для преобразования речи на тамильском языке в текст. Веса представлены в формате PyTorch; число параметров — около 113,3 млн. Для распознавания аудио должно быть записано с частотой дискретизации 16 кГц. Модель работает без языковой модели, поэтому в некоторых случаях может давать повышенную частоту ошибок слов. README сообщает об обучении на 4200 часах размеченных данных на хинди, что расходится с тамильским языком в метаданных и идентификаторе репозитория; описанные в карточке результаты оценки относятся к тесту на хинди и не подтверждают качество для тамильской речи. Лицензия — MIT.

Vekol Piper edge — модель синтеза речи на центральнокурдском языке (курманджи-сорани), разработанная Revge / Vekol. Она основана на архитектуре VITS и распространяется в формате ONNX для Piper; заявлена частота дискретизации 22,05 кГц и работа на CPU и периферийных устройствах. Модель предназначена для преобразования текста на сорани в речь голосом Vekol, в том числе в локальных приложениях и на устройствах с ограниченными ресурсами. Для обучения использованы центральнокурдские корпуса, записи голоса Vekol и аудио, дистиллированное от учителя; при обучении отдельно увеличивали представленность слабых букв. В README также указано исправление галлюцинаций в конце длинного текста при инференсе. Для запуска нужны файлы model.onnx и model.onnx.json с Piper runtime либо вспомогательный скрипт из репозитория. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

gagan3012/ViTGPT2_vizwiz — дообученная модель семейства VisionEncoderDecoder, опубликованная на Hugging Face. Она предназначена для генерации текстового описания по изображению и связана с задачей VizWiz, которая обычно включает вопросы по снимкам, однако карточка не описывает конкретный сценарий использования модели. В репозитории указаны формат PyTorch и оценочный loss 0,0719. Базовая модель, обучающие данные, поддерживаемые языки и ограничения не описаны, поэтому качество ответов и применимость к конкретным изображениям по карточке оценить нельзя. Лицензия в предоставленных данных не указана.

Anujgr8/wav2vec2-base-Tamil-large — дообученная на базе facebook/wav2vec2-base-960h модель распознавания речи на архитектуре wav2vec 2.0 с классификационной головой CTC. Она преобразует аудио в текст и предназначена для транскрибирования речи на тамильском языке. Модель содержит 113,3 млн параметров и распространяется в формате Safetensors по лицензии Apache-2.0. В README приведены результаты оценки: WER 0,3470 и CER 0,0610, а также значение loss 0,3015. Датасет обучения и подробности предполагаемых сценариев использования не описаны.

birgermoell/wav2vec2-speechdat — модель распознавания речи, дообученная на основе facebook/wav2vec2-large-xlsr-53 на наборе COMMON_VOICE для шведского языка (вариант SV-SE). Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров; модель принимает аудио и преобразует его в текст. На оценочной выборке указаны Loss 0,4578 и WER 0,2927. Модель предназначена для автоматической транскрибации речи на шведском языке, в частности аудио, близкого к данным Common Voice SV-SE. Опубликована по лицензии Apache-2.0. Карточка не описывает дополнительных сценариев применения и ограничений; качество на других типах аудио не установлено.

Это версия Whisper Large-v3 Turbo, дообученная для распознавания шотландского гэльского языка и преобразованная в формат CTranslate2. Репозиторий подготовлен для использования с CTranslate2 и совместимыми проектами, например faster-whisper. Базовая модель — мультиязычная модель распознавания речи OpenAI; данные README связывают разработку с исследованием по созданию систем распознавания для языков с малым объёмом данных. Модель принимает аудио и выдаёт текстовую расшифровку на шотландском гэльском. В README приведены результаты для четырёх тестовых наборов: средний WER конфигурации Whisper Turbo с LoRA 512 и дополнительными полусупервизорными данными составляет 19,0; фактическое качество зависит от версии чекпойнта и используемой квантизации. Веса сохранены в FP16, а тип вычислений можно менять при загрузке через CTranslate2. Лицензия указана как other, поэтому условия использования следует сверить с карточкой репозитория и базовой модели.

XGen-MM Phi-3 Mini Base R v1 — базовая мультимодальная модель Salesforce AI Research из семейства XGen-MM, развивающего идеи серии BLIP. Это плотная модель для обработки изображений вместе с текстом, построенная на архитектуре XGenMMModelForConditionalGeneration. Она обучена на наборах данных для создания подписей к изображениям и на данных с чередующимися изображениями и текстом; заявлены сильные результаты при размере менее 5 млрд параметров и способности к обучению в контексте. Модель предназначена для исследовательских задач визуально-языкового взаимодействия: описания изображений и ответов на вопросы по ним. Поддерживаемый язык карточки — английский. В README отмечено, что исходное разрешение изображения может заметно влиять на результат; также возможны смещения и ошибки, поэтому перед прикладным использованием нужно оценивать качество, безопасность и справедливость. Лицензия — Apache-2.0.

Xmodel-VLM — мультимодальная модель зрения и языка от XiaoduoAILab, рассчитанная на эффективное развертывание на потребительских GPU-серверах. Метаданные указывают архитектуру XmodelLMForCausalLM семейства XmodelVLM, 1,1 млрд параметров и контекст длиной 32 768 токенов. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы; среди примеров — ответы на вопросы о содержимом изображения. В README описана оценка на наборах VizWiz, SQAI, VQAT, POPE, GQA, MMB, MMBCN, MM-Vet и MME. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает о поддерживаемых языках и подробно не описывает ограничения модели; для инференса README рекомендует использовать актуальные код и окружение.

YarnGPT-local — модель синтеза речи, опубликованная Saheed Azeez для генерации речи на йоруба, игбо и хауса. Она использует языковую модель без внешних адаптеров и сложных дополнительных архитектур; для управления голосом можно задавать текстовый голосовой промпт. В карточке перечислены десять вариантов голосов: женские и мужские голоса для этих языков. Модель основана на архитектуре Llama и содержит 365,7 млн параметров. Она загружается через Transformers, использует формат safetensors и имеет контекст длиной 8192 токена. Метаданные указывают на объединение с HuggingFaceTB/SmolLM2-360M и saheedniyi/YarnGPT. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных материалов, но не для коммерческого применения. Модель предназначена для озвучивания текстов и создания голосовых интерфейсов на поддерживаемых нигерийских языках. Автор заявляет о естественном и культурно релевантном звучании, однако независимые оценки качества в карточке не приведены. Результат может зависеть от выбора голосового промпта; модель ориентирована на три указанных языка.

CapQwen3.6-27B-BLIP3o-Long-Caption-Distilled — экспериментальная мультимодальная модель prithivMLmods для создания подробных, связных и контекстных описаний изображений. Она построена на дообученной модели prithivMLmods/Qwen3.6-27B-abliterated-rMAX и использует дистилляцию длинных подписей в стиле BLIP3o; заявленный размер — 27 млрд параметров. Модель принимает изображения и текстовые инструкции, а в ответ генерирует текстовые подписи и описания. В карточке указана поддержка английского языка. Модель подходит для описания изображений, мультимодальных исследований и экспериментов с визуально-языковым выравниванием. Карточка также отмечает способность следовать инструкциям и сниженные механизмы отказа. Модель экспериментальная, может выдавать артефакты, а ослабленные отказы повышают риск небезопасных или чувствительных ответов; для запуска требуются значительные вычислительные ресурсы. Лицензия — Apache-2.0.

DiffusionVL-Qwen2.5VL-7B — модель зрения и языка на основе Qwen2.5-VL, представленная исследователями Huazhong University of Science and Technology. Авторы применили к предварительно обученной авторегрессионной модели метод diffusion fine-tuning, преобразовав её в vision-language-модель с диффузионной генерацией. Модель содержит 7,1 млрд параметров, использует архитектуру DiffusionVL_Qwen2_5_VL_ForConditionalGeneration и поддерживает контекст до 128 000 токенов. Модель предназначена для диалоговых сценариев с изображениями и текстом, включая ответы на вопросы по изображениям и генерацию текста по визуальному контексту. DiffusionVL использует блочное декодирование, допускающее генерацию произвольной длины и повторное использование KV-кэша; авторы сообщают об ускорении инференса в 2 раза по сравнению с рассматриваемыми ими существующими diffusion vision-language-моделями. Репозиторий предоставляет веса safetensors для Transformers. Лицензия — Apache 2.0.

Карточка модели MD-Mushfiqur123/DropLychee_1.0_Light_Flash_gguf на Hugging Face совпадает с карточкой MD-Mushfiqur123/DropLychee_1.0_Light_Flash, поэтому описание составлено по ней. DropLychee 1.0 Light Flash — дообученная компактная мультимодальная модель семейства Qwen3.5, разработанная MD-Mushfiqur123 на базе unsloth/Qwen3.5-0.8B. Она предназначена для диалогов с обработкой изображений и генерацией текстовых ответов; интерфейс также поддерживает вызов инструментов. Модель обучали с использованием Unsloth и библиотеки TRL от Hugging Face. Модель принимает текст и изображения и выдаёт текст. В карточке указаны английский язык и лицензия Apache-2.0. Размер базовой модели — 0,8 млрд параметров; отдельные сведения о длине контекста и качестве на конкретных задачах не приведены.

Это мультимодальная чат-модель семейства Gemma 3 с архитектурой Gemma3ForConditionalGeneration, подготовленная сообществом mlx-community в формате MLX на основе google/gemma-3-27b-it-qat-q4_0-unquantized с помощью mlx-vlm 0.1.23. Метаданные каталога также связывают её с дообученной OpenGVLab/InternVL3-1B-Instruct, однако README указывает конвертацию из модели Gemma 3; поэтому происхождение и базовую модель нельзя однозначно установить. Модель предназначена для диалога по тексту и изображениям. Репозиторий содержит веса safetensors, а в названии указана 4-битная QAT-версия. Карточка отсылает за подробностями о возможностях к исходной модели. Лицензия в метаданных обозначена как other; конкретные условия следует сверить с оригинальной карточкой модели.

Модель mlx-community/gemma-3-4b-it-qat-4bit — мультимодальная чат-модель для обработки изображений и текста. В метаданных указана архитектура Gemma 3 и дообучение на базе OpenGVLab/InternVL3-1B-Instruct; карточка сообщает о конвертации в формат MLX с помощью mlx-vlm 0.1.25. Репозиторий предназначен для запуска модели через mlx-vlm. Модель принимает текст и изображения и формирует текстовые ответы. Подходит для диалога по изображению и вопросов о его содержимом. Метаданные отмечают многоязычность, но конкретные языки и длина контекста не приведены. Указана лицензия other; условия следует сверять с карточкой базовой модели и лицензией репозитория.

mlx-community/gemma-4-12B-it-qat-4bit — мультимодальная instruction-tuned модель из семейства Gemma, опубликованная сообществом mlx-community для работы с библиотекой MLX. По указанным данным, она предназначена для задач image-text-to-text: принимает текстовые запросы и изображения, а затем генерирует текстовые ответы, например описания изображений. Для запуска используется пакет mlx-vlm. Модель имеет размер 12B параметров и представлена в формате 4-bit QAT-квантизации, что уменьшает требования к памяти по сравнению с полноразмерным представлением и делает её подходящей для локального запуска на совместимом оборудовании Apple через MLX. В README не указаны поддерживаемые языки, размер контекста, точная архитектура, результаты тестирования, сильные стороны и ограничения. Лицензия также не указана, поэтому условия использования по предоставленным данным определить нельзя.

Репозиторий catlilface содержит GGUF-представление модели nvidia/Gemma-4-26B-A4B-NVFP4, подготовленное конвертером llama.cpp. В нём доступны варианты NVFP4 и NVFP4_FP8, а также файл проектора для работы со зрением; метаданные указывают на поддержку чата и обработки изображений вместе с текстом. Модель предназначена для диалоговых сценариев, где нужно анализировать изображения и отвечать на вопросы по ним. Для запуска автор README рекомендует llama.cpp; указан пример серверного режима с контекстом 4000 токенов. Репозиторий распространяется по лицензии Apache-2.0. README называет веса неквантованными относительно исходного GGUF, однако формат и варианты репозитория обозначены как GGUF и NVFP4/FP8; качество предлагается оценивать по карточке NVIDIA.

Модель FrancescoArno94/gemma-4-E2B-instruct — дообученная разговорная модель семейства Gemma 4 с поддержкой изображений. Она предназначена для диалога и задач image-text-to-text, включая ответы на вопросы по изображениям. Базовая модель — unsloth/gemma-4-e2b-unsloth-bnb-4bit; при обучении использовались Unsloth и библиотека TRL. Репозиторий содержит веса в формате safetensors. Модель принимает текст и изображения и выдаёт текст. В карточке указан английский язык. Лицензия — Apache-2.0. Данных о размере модели и длине контекста в предоставленных источниках нет.

Gemma-4-E2B-it-4bit — это 4-битная MLX-конверсия модели Google Gemma-4-E2B-it, подготовленная сообществом mlx-community для работы на устройствах Apple с Apple silicon. Модель относится к мультимодальному классу image-text-to-text и предназначена для обработки текстовых запросов, связанных с изображениями, включая их описание и визуальный анализ. Ключевые характеристики включают поддержку мультимодального ввода текста и изображений, 4-битное квантование и формат MLX, оптимизированный для Apple silicon. В README не указаны точный размер модели, архитектурные параметры, поддерживаемые языки и размер контекстного окна. Для запуска рекомендуется пакет mlx-vlm; пример использования предусматривает передачу текстового запроса и изображения. Модель удобна для локального мультимодального инференса на совместимых устройствах Apple, а 4-битное представление может снизить требования к памяти. Ограничения и точные показатели качества в README не приведены. Модель распространяется по лицензии Gemma.

mlx-community/gemma-4-e4b-it-4bit — это 4-битная конверсия модели google/gemma-4-E4B-it, подготовленная сообществом mlx-community для запуска на устройствах Apple silicon с использованием MLX и mlx-vlm. Модель предназначена для задач image-text-to-text, включая обработку изображений и генерацию текстовых ответов по визуальным запросам, например описание изображения. Ключевые характеристики включают мультимодальность с поддержкой изображений и текста, 4-битное представление весов и адаптацию к экосистеме Apple silicon. Точный размер модели, архитектура, поддерживаемые языки и длина контекста в предоставленных данных не указаны. 4-битная версия ориентирована на более эффективное локальное использование, однако возможным ограничением могут быть потери качества или совместимости по сравнению с исходной моделью; конкретные показатели не приведены. Модель распространяется по лицензии Gemma.

GIT-large-TextVQA — модель семейства GenerativeImage2Text, разработанная Microsoft и дообученная для ответов на вопросы по изображениям на наборе TextVQA. Она принимает изображение и текстовый вопрос, а затем генерирует текстовый ответ. Архитектура представляет собой плотный Transformer-декодер GitForCausalLM, работающий с визуальными токенами изображения и текстовыми токенами; размер модели — 80,1 млн параметров, контекст — 1024 токена. Модель предназначена прежде всего для визуальных вопросов и ответов, в том числе вопросов, для которых нужно прочитать текст на изображении. Семейство GIT также применимо к описанию изображений и видео, однако этот чекпойнт специально дообучен на TextVQA. Карточка указывает английский язык. Модель распространяется по лицензии MIT.

ailexleon/Huihui-Qwen3.8-27B-abliterated-mlx-8Bit — модель в формате MLX, конвертированная из huihui-ai/Huihui-Qwen3.8-27B-abliterated с использованием mlx-vlm 0.6.13. Она предназначена для мультимодальных задач «изображение—текст», в частности для анализа и описания изображений, и может использоваться в экосистеме MLX через библиотеку mlx-vlm. В README указано значение reasoning_effort по умолчанию medium. Модель имеет размер 27B параметров, 8-битное представление и поддерживает английский язык. Архитектура и максимальная длина контекста в README не указаны. Сильной стороной является адаптация к запуску в формате MLX и поддержка мультимодального ввода, однако сведения о качестве, тестовых результатах, производительности, ограничениях и совместимых аппаратных конфигурациях отсутствуют. Модель распространяется по лицензии Apache-2.0.

Huihui-Qwen3-VL-32B-Instruct-abliterated — дообученная модель Huihui AI на основе Qwen/Qwen3-VL-32B-Instruct. Это плотная мультимодальная модель на 32 млрд параметров для диалога с текстом и изображениями; поддерживает визуальный анализ, а каталог также указывает интерфейс вызова инструментов. При модификации изменена только текстовая часть модели: снижены отказы на запросы, связанные с анализом изображений, при этом визуальная часть не обрабатывалась. Модель подходит для описания и анализа изображений, ответов на вопросы о визуальном содержимом и обычного диалога. В карточке указаны библиотека Transformers и формат весов Safetensors. Контекстное окно и конкретный перечень поддерживаемых языков в предоставленных данных не описаны. Лицензия — Apache-2.0. Уменьшенная фильтрация безопасности повышает вероятность чувствительных или спорных ответов, поэтому результаты следует проверять.

Huihui-Qwen3-VL-4B-Thinking-abliterated — мультимодальная модель Huihui AI на базе Qwen/Qwen3-VL-4B-Thinking. Разработчик применил abliteration к текстовой части модели; визуальная часть не изменялась. Модель принимает текст и изображения и формирует текстовые ответы, поддерживает диалог и визуальный анализ. Архитектура — плотная Qwen3-VL для генерации текста с изображениями; размер базовой модели — 4 млрд параметров. Репозиторий содержит веса safetensors, для работы используется Transformers; README также приводит запуск через Ollama. Модель предназначена для диалога по изображениям и ответов на запросы, связанные с их описанием и анализом. Уменьшение отказов касается текстовой части и может привести к чувствительным, спорным или неподходящим ответам, поэтому результаты следует проверять. Лицензия — Apache-2.0.

OpenGVLab/InternVL2-2B-AWQ — мультимодальная модель для задач преобразования изображений и текста в текст, разработанная командой OpenGVLab. Она предназначена для анализа изображений по текстовым запросам, генерации описаний и использования в мультимодальных чат-сценариях. Модель можно развёртывать для пакетного офлайн-инференса или предоставлять через REST API, совместимый с интерфейсами OpenAI, с помощью LMDeploy. Это квантизированная версия базовой модели OpenGVLab/InternVL2-2B с 4-битным квантизированием весов AWQ в формате W4A16. В README указано, что модель поддерживает мультиязычные сценарии, но конкретный список языков, размер контекста и подробности архитектуры не приведены. Для инференса заявлена поддержка GPU NVIDIA поколений Turing, Ampere и Ada Lovelace; высокопроизводительное CUDA-ядро LMDeploy может обеспечивать ускорение до 2,4 раза по сравнению с FP16. К сильным сторонам относятся сниженное потребление памяти благодаря 4-битному представлению весов, возможность локального развёртывания и интеграция с OpenAI-совместимым API. Ограничения включают зависимость от LMDeploy и совместимого NVIDIA GPU для описанного режима W4A16, а также отсутствие в README подробных данных о качестве, точности, поддерживаемых языках и максимальной длине контекста. Проект распространяется по лицензии MIT; компонент internlm2-chat-1_8b используется по лицензии Apache License 2.0.