I.15Доступность и ассистивные технологии

facebook/mms-tts-kum — модель синтеза речи на кумыкском языке из проекта Massively Multilingual Speech, разработанного Facebook. Это отдельный чекпойнт VITS, обученный для одного языка; архитектура объединяет вариационный автоэнкодер, Transformer-энкодер текста, потоковый модуль, стохастический предсказатель длительности и декодер волновой формы, построенный по принципу HiFi-GAN. Модель принимает текст и генерирует речь; из-за стохастического предсказания длительности результат может меняться между запусками, а для воспроизводимого синтеза нужен фиксированный seed. Чекпойнт предназначен для преобразования кумыкского текста в речь и доступен через библиотеку Transformers версии 4.33 и новее. В репозитории указано 3,5 млн параметров; веса представлены в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерческое.

facebook/mms-tts-las — модель синтеза речи на языке Lama (las), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текстов на этом языке. Модель построена на архитектуре VITS: текстовый энкодер, потоковый модуль, стохастический предиктор длительности и декодер, формирующий аудиосигнал. Размер модели — 3,5 млн параметров; веса доступны в форматах PyTorch и Safetensors, модель поддерживается библиотекой Transformers начиная с версии 4.33. Для одного и того же текста модель может генерировать речь с разным ритмом, поэтому результат недетерминирован; для повторения той же генерации требуется фиксированное начальное значение случайного генератора. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-mam-dialect_northern — модель синтеза речи на северном диалекте языка мам, созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст в речевую аудиоволну; для каждого языка проекта обучается отдельный чекпойнт. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Она доступна через библиотеку Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на северном диалекте мам, например для речевых интерфейсов и создания аудиоверсий текстов. Стохастический предиктор длительности позволяет получать варианты с разным ритмом; для повторения результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-men — модель синтеза речи на языке менде (men), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевой аудиосигнал и предназначена для озвучивания текста на менде. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, потоковый модуль, Transformer-энкодер текста и декодер, подобный HiFi-GAN. Размер модели — 3,5 млн параметров; она доступна для Transformers версии 4.33 и новее. Для одного текста модель может синтезировать речь с разным ритмом, поэтому результат недетерминирован; фиксированный seed позволяет воспроизводить тот же сигнал. Модель принимает текст на менде и выдаёт речь; сведений о длине контекста в источниках нет. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое использование.

facebook/mms-tts-nag — модель синтеза речи на языке нага-мизе (Nagamese, код nag), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Это отдельный языковой чекпойнт семейства VITS с 3,5 млн параметров: он принимает текст и генерирует речевую аудиоволну. Архитектура VITS объединяет кодировщик текста, вариационный автоэнкодер, модуль предсказания длительности и декодер на основе HiFi-GAN; стохастическое предсказание длительности позволяет получать варианты произношения и ритма. Модель предназначена для озвучивания текста на нага-мизе и доступна через библиотеку Transformers версии 4.33 и выше. Один и тот же текст может давать разные результаты, поэтому для повторяемой генерации нужен фиксированный seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-shk — модель синтеза речи на языке шиллук, выпущенная в рамках проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на шиллук. Модель построена на архитектуре VITS: текстовый энкодер, вероятностный модуль длительности и декодер формируют речь сквозным образом; для каждого языка MMS обучается отдельный чекпойнт. Размер модели — 3,5 млн параметров. Стохастический предиктор длительности позволяет получать варианты ритма для одного текста, поэтому для повторяемого результата требуется фиксировать seed. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-sid — модель синтеза речи на языке сидама (sid), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на сидама. Модель использует архитектуру VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; синтез речи стохастический, поэтому для повторения того же результата требуется фиксировать seed. Модель доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-tby — модель синтеза речи на языке табару из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует текст на табару в речевую аудиоволну и предназначена для озвучивания текстов и создания речевого вывода для приложений на этом языке. Модель использует архитектуру VITS и содержит 3,5 млн параметров. Это отдельный чекпойнт, обученный для табару; он доступен в Transformers версии 4.33 и новее. Стохастический предиктор длительности позволяет варьировать ритм произношения, поэтому для повторяемого результата требуется фиксированное начальное значение генератора случайных чисел. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение. Модель рассчитана на синтез речи на табару; качество и применимость к другим языкам карточка не описывает.

facebook/mms-tts-tgo — модель синтеза речи для языка Sudest (код tgo), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на Sudest в речевую аудиоволну и предназначена для озвучивания текста и создания речевых интерфейсов на этом языке. Модель использует архитектуру VITS и обучена сквозным образом: текстовый энкодер и flow-модуль формируют акустическое представление, а декодер на основе свёрточных слоёв генерирует аудиосигнал. Размер модели — 3,5 млн параметров. Отдельный чекпойнт MMS-TTS обучен для каждого языка; модель работает с текстом на Sudest и выдаёт речь. Генерация стохастическая: для повторяемого результата требуется фиксировать seed. Модель доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-tob — модель синтеза речи на языке тоба (код ISO 639-3: tob) из проекта Massively Multilingual Speech компании Facebook. Она преобразует текст на тоба в речевую аудиоволну и предназначена для озвучивания текстов и создания речевых интерфейсов на этом языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный чекпойнт, обученный для одного языка; VITS объединяет текстовый энкодер, генератор акустических признаков, стохастический предиктор длительности и декодер аудио. Предиктор длительности может давать разные ритм и произношение для одного текста, поэтому для повторяемого результата требуется фиксированный seed. Модель доступна через Transformers версии 4.33 и новее. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но некоммерческое. Модель предназначена для речи на тоба; качество для других языков не заявлено.

facebook/mms-tts-tso — модель синтеза речи на языке тсонга (tso) из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текста на тсонга. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, потоковый модуль и декодер на основе HiFi-GAN, а стохастический предиктор длительности позволяет получать разные ритмические варианты произнесения одного текста. В репозитории указано 3,5 млн параметров; модель доступна через Transformers версии 4.33 и выше и хранится в форматах PyTorch и Safetensors. Генерация недетерминирована: для повторения результата нужно фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-wsg — модель синтеза речи на языке гонди, диалект Адилабад, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и предназначена для создания озвучивания и синтеза речи для приложений и материалов на гонди. Модель построена на архитектуре VITS: это сквозная система, объединяющая вариационный автоэнкодер, flow-модуль и декодер на основе HiFi-GAN. В предсказании длительности используется стохастический модуль, поэтому генерация недетерминирована; для повторения того же результата нужен фиксированный seed. Размер модели — 3,5 млн параметров. Доступны веса PyTorch и Safetensors, модель поддерживается библиотекой Transformers версии 4.33 и выше. Модель лицензирована по CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка описывает отдельный чекпойнт для одного языка, поэтому его не следует считать универсальным многоязычным синтезатором.

facebook/mms-tts-xdy — модель синтеза речи на языке Malayic Dayak (код xdy), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на этом языке в речевой аудиосигнал и предназначена для озвучивания текста и создания речевых интерфейсов для языка с ограниченными ресурсами. Модель использует архитектуру VITS: это сквозная система синтеза речи с вариационным автоэнкодером, потоковыми слоями, стохастическим предсказателем длительности и декодером, построенным по принципу HiFi-GAN. Размер чекпойнта — 3,5 млн параметров. Для каждого языка MMS обучает отдельную модель. Результат может меняться между генерациями, поэтому для воспроизводимого аудио нужен фиксированный seed. Модель доступна через Transformers версии 4.33 и новее; веса представлены в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-zne — модель синтеза речи на языке занде (zne), созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на занде в речевую аудиоволну и подходит для озвучивания текстов и создания речевых интерфейсов на этом языке. Модель использует архитектуру VITS: текстовый энкодер на базе Transformer, flow-модуль, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN. Это энд-ту-энд вариационный автоэнкодер с состязательным обучением; размер — 3,5 млн параметров. Для воспроизводимого результата при генерации требуется фиксировать seed. Модель доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства в рамках условий лицензии, но запрещает коммерческое применение.

MoAI-7B — модель для работы с изображениями и текстом из проекта MoAI: Mixture of All Intelligence for Large Language and Vision Models. Репозиторий содержит веса модели; в метаданных указана плотная архитектура семейства InternLM и размер 7,4 млрд параметров. Модель принимает изображение вместе с инструкцией и генерирует текстовый ответ. Её можно применять для диалога по изображению и ответов на вопросы о визуальном содержимом. Контекст составляет до 32 768 токенов. В README описан запуск через код проекта MoAI с этапами загрузки изображения, предобработки, генерации и декодирования. Репозиторий распространяется по лицензии MIT. README не уточняет поддерживаемые языки и ограничения качества; сведения о языковой поддержке поэтому не включены.

MobileVLM V2-7B — визуально-языковая модель семейства MobileVLM V2, разработанная на основе Vicuna-7B-v1.5 для готового к использованию развёртывания. В карточке указано, что семейство сочетает изменения архитектуры, обучение для мобильных визуально-языковых моделей и тщательно собранные данные; версия 7B основана на Vicuna-7B-v1.5. Модель предназначена для диалоговых сценариев, где нужно учитывать изображения и отвечать на текстовые запросы о них. Её можно использовать для описания изображений и ответов на вопросы по их содержимому. В метаданных указаны архитектура MobileLlamaForCausalLM, 6,6 млрд параметров, контекст 4096 токенов и формат PyTorch; авторский pipeline-тег — text-generation. Карточка приводит сравнения производительности отдельных моделей семейства, но не содержит отдельных результатов для версии 7B. Данные о поддерживаемых языках и конкретных ограничениях качества не приведены. Лицензия — Apache-2.0.

MolmoPoint-8B — открытая мультимодальная модель Allen Institute for AI (Ai2) для понимания изображений и видео, нескольких изображений и пространственной привязки объектов. Она объединяет архитектуру MolmoPoint с компонентами SigLIP SO400M и Qwen3-8B; каталог классифицирует её как плотную модель генерации текста по изображениям, а файлы представлены в формате Safetensors. Модель предназначена для диалоговых запросов о визуальном содержимом, указания объектов на изображении и видео, а также отслеживания объектов в видео. В карточке отмечен специальный механизм указания точек, улучшающий привязку на изображениях и видео и видео-трекинг. Обучение из опубликованной версии на Hugging Face не поддерживается; код обучения доступен отдельно в репозитории разработчика. Лицензия — Apache-2.0. Карточка не сообщает длину контекста или подробные ограничения качества; для инференса рекомендуется использовать предоставляемый моделью обработчик логитов, чтобы генерируемые токены координат соответствовали допустимому формату.

MyanmarTTS — модель синтеза речи на бирманском языке, разработанная с нуля. Она преобразует текст на бирманском письме в речь и подходит для озвучивания сообщений, новостных текстов и коротких фраз. Модель содержит 31 млн параметров и использует архитектуру StableTTS на основе DiT и flow matching вместе с вокодером Vocos. Для вывода доступны настройки решателя и числа шагов: в карточке приведены примеры с решателем euler и 12 шагами, а также варианты с 8 шагами для более быстрого вывода и с 24 для более высокого качества. Автор сообщает о запуске на современных GPU и CPU, причём на CPU синтез медленнее. Модель и её веса распространяются по лицензии CC0 1.0; отдельный вокодер Vocos указан под лицензией MIT.

NeuTTS-Nano-French — французская версия акустической модели NeuTTS-Nano от undefinelabs для синтеза речи из текста. Репозиторий содержит веса в формате GGUF с точностью BF16; размер файла — 446 МБ. Модель предназначена для низколатентного запуска на периферийных устройствах с помощью llama.cpp или совместимых сред GGUF. Модель подходит для генерации французской речи в реальном времени и локальных речевых конвейеров, где важны скорость отклика и эффективность. Лицензия Apache-2.0 разрешает использование на её условиях.

OmniLMM-12B — мультимодальная модель команды OpenBMB для диалога и ответов на вопросы по изображениям. Она сочетает визуальный энкодер EVA02-5B и языковую модель Zephyr-7B-β через слой perceiver resampler; архитектура плотная, число параметров по метаданным — 7,1 млрд. Модель обучали на мультимодальных данных поэтапно и выравнивали с помощью мультимодального RLHF по методике RLHF-V. Основные сценарии — описание изображений, ответы на вопросы о визуальном содержимом и мультимодальный диалог. Авторы сообщают о результатах на MME, MMBench, SEED-Bench и других тестах, а также о снижении неподтверждённых изображениями ответов. В демонстрационном интерактивном ассистенте OmniLMM-12B объединена с текстовой GPT-3.5 для обработки видеопотока с камеры и речи с микрофона и выдачи речи; это свойство описано для системы в целом, а не для модели OmniLMM-12B отдельно. Для репозитория указаны веса PyTorch, чат-возможность и контекст до 32 768 токенов. README не сообщает лицензию. Модель может ошибаться или галлюцинировать; авторы отдельно предупреждают, что её ответы не выражают позицию разработчиков и что они не берут на себя ответственность за последствия использования.

Mungert/orpheus-3b-0.1-ft-GGUF — англоязычная модель преобразования текста в речь, разработанная Mungert. Она основана на Meta Llama 3.2 3B Instruct и canopylabs/orpheus-3b-0.1-pretrained и представлена в формате GGUF для запуска средствами, совместимыми с этим форматом. Модель предназначена для синтеза речи из текста, в том числе на устройствах с ограниченными ресурсами: CPU, edge-устройствах и системах с небольшим объёмом GPU-памяти. В репозитории описана ультранизкобитная квантизация с методом IQ-DynamicGate, который распределяет точность по слоям и защищает наиболее критичные компоненты. Доступны варианты с квантизацией 1–2 бита; для отдельных конфигураций заявлено снижение perplexity по сравнению со стандартной квантизацией при небольшом увеличении размера и сопоставимой скорости вывода. Ключевые ограничения — англоязычная специализация, возможная потеря качества из-за агрессивной низкобитной квантизации и зависимость совместимости от программного обеспечения, поддерживающего GGUF и соответствующие типы квантизации. Приведённые в README бенчмарки выполнены для Llama-3-8B-Instruct с контекстом 2048 токенов и не являются прямой оценкой качества синтеза речи этой модели. Лицензия — Apache-2.0.

OuteTTS-0.3-500M — модель синтеза речи от OuteAI на архитектуре Qwen2, созданная на базе Qwen2.5-0.5B. Она преобразует текст в речь и рассчитана на интеграцию речевых возможностей в существующие LLM. Модель обучалась на данных с примерно 10 000 часами аудио; размер по метаданным — 499,1 млн параметров, длина контекста — 32 768 токенов. Поддерживаются английский, японский, корейский, китайский, французский и немецкий языки. Версия 0.3 улучшает связность и естественность речи, в том числе за счёт обработки знаков пунктуации. В README также заявлена экспериментальная настройка голоса, но она может работать непоследовательно. Генерация лучше подходит для фрагментов длительностью около 30 секунд, причём образец голоса сокращает доступную длительность генерации. Модель опубликована под лицензией CC-BY-SA-4.0. Базовая модель Qwen2.5-0.5B указана в README с лицензией Apache-2.0.

Ovis1.5-Llama3-8B — мультимодальная большая языковая модель семейства Ovis, разработанная командой AIDC-AI. Она сочетает визуальный энкодер SigLIP на 400 млн параметров с Llama 3 8B Instruct и предназначена для диалоговых задач, в которых нужно анализировать изображения и отвечать на вопросы по их содержимому. Модель принимает изображения и текст, а выдаёт текстовые ответы. В README модель оценена на мультимодальных бенчмарках; для MMTBench-VAL приведён результат 60,7. Авторы сообщают об открытой публикации весов, обучающих данных и кода, что позволяет воспроизводить обучение и запуск. В метаданных указаны PyTorch и библиотека Transformers. Авторы рекомендуют использовать более новую версию Ovis2. Лицензия — Apache-2.0.

Ovis1.6-Gemma2-9B — мультимодальная языковая модель семейства Ovis, разработанная командой AIDC-AI. Она сочетает визуальный энкодер SigLIP-400M с Gemma2-9B-It и использует архитектуру Ovis для согласования визуальных и текстовых представлений. Модель содержит около 10 млрд параметров и работает с изображениями и текстом; карточка указывает поддержку английского языка. Модель предназначена для диалога по изображениям и других задач, где нужно интерпретировать визуальный материал и отвечать текстом. По сравнению с Ovis1.5 в версии 1.6 улучшена обработка изображений высокого разрешения, использованы более крупные и разнообразные данные обучения, а после обучения на инструкциях проведено DPO-обучение. В README заявлено лидерство среди открытых мультимодальных моделей до 30 млрд параметров на бенчмарке OpenCompass. Модель распространяется в формате safetensors для библиотеки Transformers под лицензией Apache-2.0. Авторы рекомендуют использовать более новую версию Ovis2.5. README также предупреждает, что проверки при обучении не гарантируют полного отсутствия проблемного контента или нарушений авторских прав.

Карточка модели nttruong1007/qb-pixtral-12b на Hugging Face совпадает с карточкой mistral-experimental/pixtral-12b, поэтому описание составлено по ней. 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.

Qwen2.5-VL-3B-Abliterated-Caption-it — дообученная prithivMLmods модель на базе Qwen/Qwen2.5-VL-3B-Instruct для подробного описания изображений. Она принимает изображение и текстовую инструкцию и формирует текстовую подпись; подходит для изображений разных жанров, разрешений и соотношений сторон, включая художественные, технические и абстрактные сцены. По данным карточки, модель настроена на подробные описания с разной степенью детализации, понимает инструкции и может создавать подписи на нескольких языках, по умолчанию — на английском. Модель рассчитана на разметку визуальных наборов данных, творческие сценарии, а также исследования модерации и оценку безопасности. Её настройка снижает обычные фильтры контента, поэтому ответы могут быть откровенными, чувствительными или оскорбительными. Точность на незнакомых и синтетических стилях может меняться, а формулировки зависят от запроса. Для развёртывания требуется библиотека Transformers; веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Mungert/Qwen2.5-VL-3B-Instruct-GGUF — набор GGUF-квантизованных файлов мультимодальной модели Qwen2.5-VL-3B-Instruct, разработанный Mungert на базе модели Qwen. Модель предназначена для задач image-text-to-text: анализа изображений и генерации текстовых ответов, включая описание содержимого изображения. Указан английский язык, однако README не содержит полного перечня поддерживаемых языков. Модель имеет размер 3B параметров и поддерживает обработку изображений совместно с текстовыми запросами. Для работы требуется отдельный файл mmproj и специальная ветка llama.cpp с экспериментальной поддержкой Qwen2.5-VL; стандартная основная ветка llama.cpp, согласно README, на момент публикации не поддерживает vision для этой модели. Доступны варианты GGUF-квантизации, включая q8_0 и ультранизкобитные IQ-варианты. Низкобитные варианты ориентированы на экономию памяти и запуск на GPU с ограниченным объёмом VRAM, CPU и edge-устройствах, но могут снижать точность. К сильным сторонам относятся мультимодальные возможности, компактный размер и возможность локального запуска через llama.cpp. Ограничения включают экспериментальную инфраструктуру запуска, необходимость совместимых файлов модели и vision-проектора, а также потенциальную потерю качества при агрессивной квантизации. В README не указано контекстное окно именно этой модели; значение 2048 токенов относится к отдельным тестам квантизации Llama-3-8B и не должно считаться характеристикой Qwen2.5-VL-3B. Лицензия указана как qwen-research.

Mungert/Qwen2.5-VL-72B-Instruct-GGUF — это GGUF-версия мультимодальной модели Qwen2.5-VL-72B-Instruct, разработанная на основе базовой модели Qwen/Qwen2.5-VL-72B-Instruct. Репозиторий подготовлен пользователем Mungert и предназначен для запуска модели через llama.cpp с использованием основного GGUF-файла и отдельного файла mmproj для мультимодального компонента. Модель предназначена для сценариев image-text-to-text: она принимает изображения и текстовые инструкции и может, например, описывать содержимое изображений. Для работы используются совместимые инструменты llama.cpp, включая llama-mtmd-cli. Известно, что размер базовой модели составляет 72B параметров; поддерживается обработка изображений, а в метаданных репозитория указан английский язык. Размер контекстного окна в README не указан. Основное преимущество этой версии — возможность локального инференса в формате GGUF с выбором вариантов точности и компромисса между качеством, скоростью и потреблением памяти. При этом для мультимодального запуска требуются два файла: модель и соответствующий mmproj. Конкретные показатели качества именно для Qwen2.5-VL-72B-Instruct в README не приведены, а описанные результаты DynamicGate относятся к тестам Llama-3-8B и не характеризуют данную модель. Лицензия указана как other, с названием qwen и ссылкой на лицензию исходной модели Qwen.

bartowski/Qwen2-VL-7B-Instruct-GGUF — это GGUF-квантизация мультимодальной модели Qwen2-VL-7B-Instruct, разработанной командой Qwen и подготовленной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text: анализа изображений и формирования текстовых ответов по запросам пользователя. Она поддерживает визуальные и текстовые входные данные и может применяться, например, для описания изображений и визуального вопросно-ответного взаимодействия. Модель имеет размер 7B параметров в исходной версии; в репозитории доступны варианты от F16 до низкобитных форматов Q2 и Q3, включая Q4_K_M размером 4,68 ГБ, рекомендованный как стандартный вариант для большинства сценариев. Для обработки изображений в llama.cpp требуется специальный бинарный файл llama-qwen2vl-cli и отдельный multimodal projector. В README явно указан язык English; сведения о длине контекста и поддержке других языков не приведены. Сильной стороной модели является сочетание мультимодального понимания и широкого выбора квантизаций, позволяющего балансировать качество, размер и требования к памяти. Более высокие варианты сохраняют качество, а низкобитные подходят для систем с ограниченным объёмом RAM, но дают худшие результаты. Для использования требуется совместимое окружение llama.cpp и корректный файл projector. Модель распространяется по лицензии Apache-2.0.

Мультимодальная модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration и 0,8 млрд параметров. Репозиторий mlx-community содержит вариант в формате MLX, полученный преобразованием Qwen/Qwen3.5-0.8B; метаданные также связывают его с базовой моделью Qwen/Qwen3.5-0.8B-Base и указывают дообучение относительно неё. Модель предназначена для диалоговых сценариев с текстом и изображениями: она принимает текстовые запросы и изображения, а в ответ генерирует текст. Для запуска в MLX README указывает библиотеку mlx-vlm. Лицензия — Apache-2.0. Карточка отсылает к исходной модели за подробностями, поэтому сведения о поддерживаемых языках, контекстном окне и конкретных ограничениях качества здесь не приведены.