I.15Доступность и ассистивные технологии

mlx-community/Qwen3.5-9B-8bit — модель, преобразованная в формат MLX сообществом mlx-community из Qwen/Qwen3.5-9B с использованием mlx-vlm версии 0.3.12. Базовая модель указана как Qwen/Qwen3.5-9B-Base, а библиотека интеграции — Transformers. Модель предназначена для мультимодальных задач, связанных с обработкой изображений и текста, включая генерацию текстового описания изображения. Она поддерживает сценарии image-text-to-text и может запускаться с помощью mlx-vlm на устройствах, совместимых с MLX. В README не указаны точные архитектурные характеристики, число параметров, поддерживаемые языки и размер контекстного окна; обозначение 9B в названии указывает на класс модели примерно в 9 миллиардов параметров, но подробности не приведены. Модель доступна по лицензии Apache-2.0. Ключевым ограничением является необходимость использования MLX-совместимой среды и инструмента mlx-vlm; сведения о производительности, ограничениях по входным данным и качестве на отдельных языках в README отсутствуют.

mlx-community/Qwen3.8-27B-nvfp4 — это мультимодальная модель для задач image-text-to-text, преобразованная сообществом mlx-community в формат MLX на основе Qwen/Qwen3.8-27B. Конвертация выполнена с использованием mlx-vlm версии 0.6.8. Модель предназначена для обработки изображений совместно с текстовыми запросами, например для описания изображений и получения ответов по их содержимому. В README указано, что модель содержит около 27 миллиардов параметров и поддерживает запуск через библиотеку mlx-vlm. Сведения о поддерживаемых языках, размере контекста, точной архитектуре и других модальностях не приведены. К сильным сторонам относятся мультимодальный сценарий использования и адаптация к экосистеме MLX. Ограничения и показатели качества в карточке не описаны, поэтому их оценку следует проводить по оригинальной модели Qwen/Qwen3.8-27B. Модель распространяется по лицензии Apache-2.0.

FancieF/Qwythos-27B-v1-MLX-VLM-bf16 — конвертированная для MLX версия мультимодальной модели Qwythos-27B-v1 от Empero AI, предназначенная для компьютеров Apple Silicon. Это плотная модель семейства Qwen3.5 с 27 млрд параметров; в сборке сохранены языковая модель и vision tower. Она принимает изображения и текст и формирует текстовые ответы в диалоге, в том числе по визуальному содержимому. Сборка использует веса BF16 без квантизации, распространяется в формате MLX safetensors и доступна по лицензии Apache-2.0. Объём модели около 55 ГБ; для запуска требуется большой объём объединённой памяти, поэтому README рекомендует этот вариант для максимальной точности, дополнительной квантизации или Mac с большим объёмом памяти. На обычных MacBook возможны подкачка памяти или нехватка памяти; модель не содержит встроенного MTP-драфтера.

Santali Piper VITS — односпикерная модель синтеза речи на сантали, разработанная на основе корпуса Santali Female из набора AI4Bharat Rasa. Модель обучена с использованием конвейера Piper VITS и экспортирована в ONNX для локального офлайн-запуска, в том числе на Android. Она принимает текст на письме Ол-чики после обязательной фонемизации; в репозитории есть фонемизатор на Python и Kotlin, согласованный с обучающими данными. Модель предназначена для озвучивания текста на сантали в мобильных и других приложениях с локальным инференсом. Это один женский голос, поэтому модель не охватывает разные голоса, диалекты и стили речи. Возможны ошибки произношения редких, заимствованных и незнакомых слов, расхождения между написанием и ожидаемой устной формой, нестабильная просодия и артефакты; качество снижается на текстах, далёких от обучающего распределения. Лицензия — Apache-2.0.

SmolVLM2-2.2B-Instruct — компактная мультимодальная модель Hugging Face для анализа изображений, нескольких изображений и видео по текстовым запросам. Она основана на архитектуре Idefics3 и использует семейство SmolVLM; модель принимает текст и визуальные данные, а отвечает текстом. Заявленный размер — 2,2 млрд параметров, для инференса на видео требуется около 5,2 ГБ видеопамяти. Модель подходит для описания изображений и видео, визуальных вопросов и ответов, сравнения визуального содержимого, чтения текста на изображениях и создания историй по медиафайлам. Поддерживаемый язык — английский. Генерировать изображения и видео модель не умеет. В README приведены результаты оценок на визуальных и видео-бенчмарках, но ответы могут быть фактически неверными; модель не предназначена для высокорисковых решений. Лицензия — Apache 2.0.

Swin-DistilBERTimbau — модель для создания подписей к изображениям на бразильском португальском языке. Она разработана на базе Swin Transformer в качестве визуального энкодера и DistilBERTimbau в качестве текстового декодера и дообучена на португалоязычной версии Flickr30K, переведённой с помощью Google Translator API. Модель принимает изображение и генерирует текстовое описание; обучение и оценка проводились при разрешении 224 × 224 пикселя и максимальной длине последовательности 512 токенов. Модель предназначена для автоматического описания фотографий и экспериментов с генерацией подписей к изображениям на португальском языке. В README приведены результаты на тестовой части Flickr30K Portuguese по метрикам CIDEr-D, BLEU@4, ROUGE-L, METEOR и BERTScore. Репозиторий предоставляет веса в формате safetensors и использует библиотеку Transformers. Лицензия — MIT. Описания ограничены областью и характером обучающих данных Flickr30K и могут быть ненадёжны для изображений, существенно отличающихся от фотографий этого датасета. Португальские подписи обучались на машинном переводе, что может влиять на их качество и естественность.

ad019el/tamasheq-99-3 — дообученная модель распознавания речи на архитектуре wav2vec2 с декодированием CTC. Она принимает аудио и преобразует речь в текст; в README указана оценка WER 0,4994 на наборе оценки. Модель содержит 402,7 млн параметров и распространяется в формате PyTorch. Модель предназначена для транскрибирования речи на тамашек. README сообщает о дообучении на ad019el/tamasheq-99-2, но не описывает обучающие данные и сценарии применения подробнее. Лицензия — Apache-2.0.

airagrp/ThinkingCap-Qwen3.8-27B-mlx-mxfp8 — конверсия и смешанно-точностная квантизация модели bottlecapai/ThinkingCap-Qwen3.8-27B для запуска на MLX. Это плотная мультимодальная модель семейства Qwen3.5 для диалогов с изображениями и текстом; репозиторий использует формат safetensors и библиотеку MLX. В части слоёв применён mxfp8 с группами по 32 веса, остальные веса хранятся в bfloat16. Эффективный размер составляет около 32 ГБ; в чекпойнт также включена родная MTP-голова для спекулятивного декодирования через mlx-vlm. Модель предназначена для диалоговых сценариев, где нужно интерпретировать изображения и отвечать текстом. README приводит сравнение перплексии и расхождения распределений на WikiText-2 с эталоном bf16; эти измерения характеризуют языковое поведение на данном тесте и сами по себе не гарантируют качество на других задачах. Использование рассчитано на MLX и mlx-vlm. Лицензия указана как other, поэтому условия следует проверять в карточке репозитория и у базовой модели.

Карточка модели Jinstudio/VibeVoice-Realtime-0.5B на Hugging Face совпадает с карточкой microsoft/VibeVoice-Realtime-0.5B, поэтому описание составлено по ней. VibeVoice-Realtime-0.5B — потоковая модель синтеза речи Microsoft на 0,5 млрд параметров, дообученная на базе Qwen/Qwen2.5-0.5B. Она принимает текстовые фрагменты по мере их поступления и генерирует речь с задержкой до первого слышимого результата около 300 мс, в зависимости от оборудования. Модель рассчитана на потоковые сервисы озвучивания, чтение обновляющихся данных и озвучивание ответов LLM до завершения их генерации. Архитектура VibeVoice Streaming использует оконную схему с параллельной обработкой входного текста и генерацией акустических латентов на основе диффузии; для речи применяется акустический токенизатор с частотой 7,5 Гц. Контекст составляет 8 тыс. токенов, типичная заявленная длительность генерации — около 10 минут. Модель поддерживает одного говорящего и предназначена прежде всего для английского языка. Хотя README упоминает эксперименты с девятью другими языками, их результаты могут быть непредсказуемыми. Модель ориентирована на длинную речь и потоковый синтез; для коротких фраз также заявлена удовлетворительная работа. Она не предназначена для музыки, фоновых звуков, перекрывающейся речи, чтения кода, формул и необычных символов. Возможны неточные или неожиданные результаты и унаследованные смещения базовой модели. Microsoft указывает исследовательское назначение и ограничения против имитации голоса без согласия, обмана и низколатентного преобразования голоса. Лицензия — MIT.

VideoLLaMA2.1-7B-AV — мультимодальная чат-модель команды DAMO-NLP-SG для вопросов о видео и звуке. Она сочетает аудиокодировщик BEATs_iter3+(AS2M)(cpt2) с языковым декодером VideoLLaMA2.1-7B-16F и предназначена для анализа аудиовизуального содержимого и ответов на вопросы по нему. Модель содержит 7,1 млрд параметров, использует архитектуру VideoLLaMA2 Qwen2 и поддерживает контекст до 32 768 токенов. Карточка указывает английский язык; репозиторий содержит веса Safetensors и предназначен для Transformers. Модель выпущена под лицензией Apache-2.0.

Video-LLaVA — открытая мультимодальная авторегрессионная модель на основе архитектуры Transformer, разработанная LanguageBind и дообученная на данных для следования мультимодальным инструкциям. В этой версии используется языковая модель lmsys/vicuna-13b-v1.5; модель загружается через библиотеку Transformers и распространяется в формате safetensors. Модель принимает изображения и видео вместе с текстовыми инструкциями и генерирует текстовые ответы. Её можно применять для описания содержимого изображений и видео, визуальных вопросов и ответов, а также диалогов о видеоматериалах. Визуальные представления изображений и видео согласуются в общем пространстве; данные обучения включают наборы LLaVA, Valley и Video-ChatGPT. Карточка заявляет сравнительное преимущество над моделями, рассчитанными только на изображения или видео, однако конкретные метрики здесь не приведены. Лицензия в предоставленных данных не указана.

video-SALMONN 2 — официальная модель Tsinghua EE для понимания аудиовизуального содержимого и создания текстовых ответов по видео. Она объединяет архитектуру Qwen2-7B с компонентами LLaVA-OneVision и Whisper large-v3 и дообучена на данных FineVideo, LLaVA-Video-178K и ShareGPT4Video. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов; доступна в формате safetensors и рассчитана на работу через Transformers. Модель предназначена для диалога о видеороликах и их описания с учётом аудио и визуального содержимого. Лицензия Apache-2.0 разрешает её использование на условиях этой лицензии. README не приводит подробных результатов оценки или инструкций по развёртыванию.

Villanova-2B-VL-2603 — мультиязычная визуально-языковая модель Villanova.AI для диалога и выполнения инструкций по изображениям. Она предназначена для ответов на вопросы о содержимом изображения, создания подписей и описаний, а также понимания документов и диаграмм в сценариях с одним изображением. Модель построена на архитектуре LLaVA: визуальный энкодер SigLIP-SO400M/14 связан с языковой моделью Villanova-2B-Base-2603. Размер — около 2,8 млрд параметров; модель поддерживает английский, французский, немецкий, итальянский и испанский языки. Она также сохраняет текстовые возможности языковой основы. По данным разработчика, модель рассчитана на запуск на одной GPU и выпущена под лицензией Apache 2.0. Модель показывает конкурентные результаты на общих и мультиязычных тестах визуальных вопросов и ответов, однако ответы могут содержать галлюцинации и требуют проверки. Поддерживается только анализ одиночного изображения; качество распознавания плотного мелкого текста уступает специализированным OCR-моделям.

VisionPsy-Nano-460M-Flash — компактная мультимодальная модель компании Tether AI Research примерно на 460 млн параметров, основанная на архитектуре VisionPsy-Nano/nanoVLM. Она принимает изображение и текстовый запрос и формирует текстовый ответ. Оптимизация Flash сохраняет исходное разрешение изображения и сокращает число визуальных токенов; при 512×512 используется 64 токена. Модель рассчитана на работу на телефонах и других устройствах с ограниченными ресурсами, поддерживает диалоговый сценарий и обработку изображений. Модель предназначена для вопросов по изображению, быстрого описания сцен и документов, а также выполнения визуальных инструкций с низкой задержкой. Разработчик сообщает о небольшом снижении качества относительно VisionPsy-Nano-460M в обмен на меньшие требования к памяти и более быстрый отклик. Модель ориентирована прежде всего на английский язык; другие языки официально не поддерживаются. Она рассчитана на один снимок в запросе, может ошибаться или галлюцинировать и хуже подходит для плотных документов и многошаговых математических задач. Не предназначена для решений, критичных для безопасности. Лицензия — Apache-2.0.

VisReason-Pro-Qwen2.5-VL-7B — мультимодальная модель Y-Research-Group для визуального рассуждения с привязкой к пространственным отношениям. Она дообучена методом LoRA на базе Qwen/Qwen2.5-VL-7B-Instruct и VisReason с дополнительным обучением на подмножестве VisReason-Pro, содержащем около 165 тысяч примеров с 3D-привязкой, после чего веса объединены с базовыми. Модель содержит 7,1 млрд параметров, принимает изображения и текст, а её контекст составляет до 128 000 токенов. Модель предназначена для пошагового анализа изображений, точной локализации небольших объектов и рассуждений о сложных двумерных и трёхмерных отношениях в диалогах из нескольких ходов. В обученном формате она может вызвать инструмент image_zoom_in_tool для обрезки области изображения по нормализованной рамке bbox_2d, а затем сформулировать ответ. Карточка сообщает о лицензии other; конкретные условия следует сверять с лицензией репозитория.

wasmdashai/vits-ar-sa-huba — модель синтеза речи, разработанная wasmdashai для преобразования текста в речь на саудовском диалекте арабского языка. Она основана на архитектуре VITS и использует предварительно обученные веса Facebook vits ara; в метаданных указано 3,5 млн параметров и формат safetensors. Модель доступна через библиотеку Transformers. Модель предназначена для озвучивания разговорного текста, включая местную лексику и идиоматические выражения. Архитектура VITS объединяет кодировщик текста, вероятностную модель длительности и декодер, генерирующий речевую аудиоволну; README заявляет возможность варьировать высоту тона и темп речи. Лицензия в предоставленных данных не указана.

e1ec30/wav2vec2-large-mms-1b-yoruba-colab — дообученная на наборе данных с неуказанным названием модель facebook/mms-1b-all для автоматического распознавания речи. Она использует архитектуру Wav2Vec2ForCTC и содержит 1,3 млрд параметров; модель принимает аудио и преобразует речь в текст. По названию репозитория она ориентирована на йоруба, однако README не описывает языковой охват и назначение подробнее. На указанном в карточке наборе для оценки получены Loss 0,6193, WER 0,5143 и CER 0,1780. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Wav2Vec2-Large-XLSR-53-Dhivehi — модель распознавания речи, созданная Shahukareem путём дообучения facebook/wav2vec2-large-xlsr-53 на данных Common Voice для языка дивехи. Она принимает аудио с частотой дискретизации 16 кГц и выдаёт распознанный текст; заявленный результат на тестовой выборке Common Voice для дивехи — 32,85%. Модель основана на архитектуре Wav2Vec2ForCTC, содержит 402,7 млн параметров и распространяется в формате PyTorch. Модель предназначена для автоматической транскрибации речи на дивехи, в том числе аудиозаписей и материалов, похожих на данные Common Voice. В README нет сведений о применении языковой модели при распознавании; приведённый результат относится к оценке без описания дополнительных условий. Лицензия — Apache-2.0.

Wav2Vec2-Large-XLSR-53-esperanto — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на эсперанто с использованием Common Voice. Она преобразует аудиозапись речи в текст и рассчитана на распознавание эсперанто. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров; входное аудио следует подавать с частотой дискретизации 16 кГц. Доступны веса PyTorch и Flax. Модель подходит для транскрибирования записей на эсперанто и распознавания речи в пользовательских приложениях. В README приведён результат оценки 15,86% на тестовых данных Common Voice, обозначенных там как украинские; метрика не названа, поэтому результат трудно интерпретировать для распознавания эсперанто. Модель распространяется по лицензии Apache-2.0.

DeividasM разработал эту модель, дообучив facebook/wav2vec2-large-xlsr-53 на литовской речи из Common Voice. Это аудиомодель распознавания речи с архитектурой Wav2Vec2ForCTC и 402,7 млн параметров; она принимает речь, записанную с частотой дискретизации 16 кГц, и преобразует её в текст на литовском языке. Модель подходит для транскрибации аудиозаписей и оценки распознавания на тестовых данных Common Voice. В README приведён результат тестирования 56,55%, без уточнения метрики. Модель доступна по лицензии Apache-2.0.

Wav2Vec2-Large-XLSR-53-Odia — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на языке одия на данных Common Voice. Она преобразует аудиозапись речи в текст и подходит для транскрибирования записей на одия. Архитектура — Wav2Vec2ForCTC; модель содержит 402,7 млн параметров и принимает аудио с частотой дискретизации 16 кГц. В README приведён результат оценки 57,10% на тестовой выборке Common Voice для одия; метрика не уточнена. Модель доступна в форматах PyTorch и Flax по лицензии Apache-2.0. Результат оценки указывает на ограничения качества распознавания; перед применением в конкретных условиях рекомендуется проверить её на соответствующих записях.

Whisper Large v3 Turbo STT Zeroth KO v2 — дообученная модель OpenAI Whisper, созданная автором репозитория на базе openai/whisper-large-v3-turbo для автоматического распознавания корейской речи. Модель использует архитектуру Whisper и содержит около 905,3 млн параметров; для работы с ней указана библиотека Transformers. Модель предназначена для преобразования корейской речи в текст. В README сообщаются результаты текущего этапа дообучения на оценочной выборке: WER 19,9134 и CER 0,0660; автор уточняет, что обучение ещё продолжается. Данные для обучения связаны с Zeroth-STT-Korean; в README указано 102 263 примера с разделением на обучающую и тестовую выборки. В карточке не указаны условия лицензии. Результаты могут измениться по мере продолжения дообучения, а заявленная специализация ограничена корейским ASR; показатели на других языках и в иных условиях не приведены.

Whisper-ml-v1 — модель распознавания речи на малаялам, созданная дообучением openai/whisper-small на выборке IndicVoices. Она предназначена для транскрибирования коротких аудиозаписей длительностью примерно до 30 секунд; модель построена на архитектуре Whisper и распространяется в формате safetensors для библиотеки Transformers. Результат работы — текстовая расшифровка речи на малаялам. Модель подходит для транскрибирования коротких голосовых записей и аудиофрагментов на малаялам. Точность зависит от акцента, фонового шума и сходства тематики записи с данными IndicVoices. Лицензия — Apache-2.0.

xGen-MM Phi-3 Mini Instruct Interleave v1.5 — мультимодальная модель Salesforce AI Research для диалога по изображениям и тексту. Архитектура XGen-MM объединяет обработку визуальной информации с языковой моделью Phi-3 Mini; модель обучалась на данных для описания изображений и чередующихся последовательностях изображений и текста. Она предназначена для вопросов и ответов по одному или нескольким изображениям и показывает улучшенные результаты относительно xGen-MM-instruct на упомянутых в карточке бенчмарках для таких сценариев. Модель принимает текст и изображения, отвечает текстом и поддерживает английский язык. Репозиторий содержит веса в формате safetensors; метаданные относят модель к dense-архитектуре и задаче image-text-to-text. Карточка не сообщает длину контекста и число параметров именно этой версии. Лицензия — Apache-2.0. Разработчик ограничивает выпуск исследовательскими целями; возможны ошибки, смещения и риски безопасности, поэтому перед применением следует оценивать точность, безопасность и справедливость модели.

gagan3012/xls-r-300m-pa — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на наборе MOZILLA-FOUNDATION/COMMON_VOICE_8_0 для языка пенджаби (региональный вариант PA-IN). Она принимает аудио и преобразует речь в текст; архитектура основана на Wav2Vec2 и использует CTC. В репозитории указано 402,7 млн параметров и формат PyTorch. На оценочной выборке модель показала WER 0,5715 и loss 1,0443. Карточка не описывает дополнительные сценарии применения и ограничения качества; высокий WER указывает на заметную долю ошибок распознавания. Лицензия — Apache-2.0.

Ziya-Visual-14B-Chat — мультимодальная модель семейства Ziya от команды Fengshenbang-LM. Она предназначена для ответов на вопросы об изображениях на китайском и английском языках. В карточке указана архитектура InstructBLIP с языковой моделью LLaMA и 14 млрд параметров; метаданные относят модель к семейству BLIP-2 и задаче visual-question-answering. Модель принимает изображения и текстовые вопросы и формирует текстовые ответы. Репозиторий содержит веса PyTorch. Модель распространяется по лицензии GPL-3.0. Карточка не приводит сведения о длине контекста или конкретных ограничениях качества; для использования потребуются совместимые версии PyTorch и tokenizers, приведённые в README.

ZwZ-2B — мультимодальная модель для детального восприятия изображений, разработанная inclusionAI на основе Qwen3-VL-2B-Instruct. Она принимает изображения и текстовые запросы и формирует текстовые ответы в формате визуального вопросно-ответного диалога. Модель дообучена методом Region-to-Image Distillation с последующим обучением с подкреплением: данные о мелких областях изображения переносятся на анализ целого изображения, чтобы получать детальные ответы за один проход без увеличения изображения во время вывода и вызова инструментов. Модель предназначена для распознавания мелких визуальных деталей и ответов на вопросы по изображениям; карточка также сообщает об улучшениях на задачах визуального рассуждения, взаимодействия с графическими интерфейсами и обнаружения AIGC. Архитектура — плотная Qwen3-VL, размер базовой модели — 2 млрд параметров. В качестве обучающих данных использован набор inclusionAI/ZwZ-RL-VQA из 74 тысяч примеров. Лицензия — Apache-2.0. Авторы заявляют результаты уровня state of the art на тестах детального восприятия среди открытых моделей сопоставимого размера, однако README не приводит численные результаты и условия сравнения. Хотя базовая Qwen3-VL поддерживает анализ изображений и видео, для ZwZ-2B явно описано восприятие изображений; поддержка видео и языков помимо английского в предоставленных сведениях не подтверждена.

Aynkader разработал Balochi-TTS-Three-Speakers — модель синтеза речи на базе SpeechT5, дообученную для чтения текста на белуджском языке латиницей. Она преобразует текст в речь с одним из трёх голосов: новостного диктора Ayn Káder, мужского голоса Dódá или женского голоса Dódén; для вокодирования используется microsoft/speecht5_hifigan. Модель подходит для озвучивания коротких фраз и абзацев, например новостных текстов. README рекомендует ограничивать вход примерно 100 символами; прямой ввод ожидается латиницей, а арабское письмо поддерживается в веб-демо через преобразование в латиницу. Обучение проводилось на 75 аудиозаписях — по 25 на каждого диктора, поэтому данных для каждого голоса немного. Для первого запуска требуется интернет, чтобы загрузить HiFi-GAN. Лицензия модели — Apache-2.0.

Chat-UniVi-13B — модель семейства Chat-UniVi для понимания изображений и видео, представленная авторами проекта Chat-UniVi. Она сочетает языковую модель с унифицированным визуальным представлением: набор динамических визуальных токенов предназначен для передачи пространственных деталей изображений и временных связей в видео. Модель обучалась совместно на смешанном наборе изображений и видео, поэтому подходит для диалоговых сценариев с обоими типами визуальных входов. Модель содержит 12,9 млрд параметров, использует плотную архитектуру ChatUniViLlamaForCausalLM и имеет контекст длиной 4096 токенов. Она принимает изображения и видео вместе с текстом и генерирует текстовые ответы, например описания и ответы на вопросы о визуальном содержимом. В карточке заявлены высокие результаты на экспериментах по пониманию изображений и видео, однако конкретные метрики здесь не приведены. Лицензия указана как llama2; перед использованием следует свериться с её условиями.

zai-org выпускает CogVLM-Grounding-Generalist-HF — открытую мультимодальную модель семейства CogVLM для диалога по изображениям и задач визуального понимания. В карточке указана архитектура CogVLMForCausalLM и размер 6,6 млрд параметров; README описывает семейство CogVLM как сочетание визуального трансформера ViT, MLP-адаптера, предварительно обученной языковой модели GPT и визуального экспертного модуля. Контекст модели составляет 2048 токенов. Модель предназначена для ответов на вопросы об изображениях, их описания и выполнения задач визуального grounding, включая привязку объектов к областям изображения. README сообщает о высоких результатах семейства CogVLM на бенчмарках captioning, визуальных вопросах и локализации объектов, однако приведённые показатели относятся к CogVLM-17B и не подтверждают напрямую качество данного чекпойнта на 6,6 млрд параметров. В метаданных лицензия не указана.