I.15Доступность и ассистивные технологии

Whisper Telugu Small — модель распознавания речи на телугу, разработанная на основе openai/whisper-small и дообученная в рамках Whisper fine-tuning sprint. Она предназначена для преобразования аудиозаписей на телугу в текст, в том числе для оценки и транскрибирования речи из корпусов и записей на индийских языках. Модель использует архитектуру WhisperForConditionalGeneration и содержит 153,1 млн параметров. Для обучения использовались несколько открытых корпусов распознавания речи, включая CSTD IIIT-H, ULCA, Shrutilipi, корпус Microsoft для индийских языков, Google Fleurs и Babel. В карточке указаны реализации PyTorch и Flax. Модель распространяется по лицензии Apache-2.0. Модель специализирована на телугу; качество на других языках и в акустических условиях, отличающихся от обучающих данных, не подтверждено. Карточка не приводит количественных показателей качества.

xGen-MM Phi-3 Mini Instruct DPO — мультимодальная модель для диалога с изображениями, разработанная Salesforce AI Research. Она относится к семейству xGen-MM, продолжает разработки серии BLIP и обучалась на наборах данных для описания изображений и данных с чередованием текста и изображений. Версия DPO предназначена для инструктивного общения и понимания изображений; её оценивали на тестах VLGuard, HallusionBench, POPE, MMBench, SEED-IMG, MMStar и MME. Модель принимает текстовые запросы с изображениями и формирует текстовые ответы. В карточке указана поддержка английского языка; размер модели и длина контекста не приведены. Репозиторий содержит веса в формате safetensors. Разработчик рекомендует проверять точность, безопасность и справедливость результатов перед использованием; модель выпущена для исследовательских целей. Лицензия — Apache-2.0.

pablouribe/xls-r-spanish-test — модель автоматического распознавания речи, дообученная на испанской части набора Mozilla Common Voice 7.0. Она основана на архитектуре Wav2Vec2 CTC и содержит около 402,9 млн параметров. Модель принимает аудио и выдаёт распознанный текст на испанском языке. Модель подходит для транскрибирования испанской речи, в том числе аудиозаписей и голосовых фрагментов. В README приведены результаты оценки на тестовой выборке: loss 0,1461 и WER 1,0063. Такой WER указывает на крайне низкое качество распознавания в указанной оценке. Лицензия — Apache-2.0.

CANINE Persian Diacritizer — модель PedramR для восстановления огласовок в неогласованном персидском тексте. Она дообучена на Google CANINE-S — символьном энкодере без токенизатора подслов — и классифицирует каждый символ по одной из 10 меток, после чего предсказанные знаки вставляются после соответствующих букв. Модель содержит около 132 млн параметров и рассчитана на персидский язык (фарси, fa); в обучении использовалась обрезка до 512 символов, архитектурный максимум CANINE составляет 2046 символов. Лицензия модели — MIT. Модель подходит для подготовки персидского текста к синтезу речи, помощи в чтении и лингвистической предобработки. На отложенной выборке из 359 предложений указана точность на уровне символов 91,70% и частота ошибок диакритики 8,30%. Результаты могут быть хуже для классической поэзии, технической лексики и диалектного текста; особенно сложны конечные знаки, зависящие от синтаксиса. Редкий знак надстрочного алифа модель не предсказывает. Для длинных документов README рекомендует делить текст на предложения.

CeluneNorm-0.6B-v2.0-ctx2048 — компактная модель нормализации текста от lunahr, дообученная на основе Qwen/Qwen3-0.6B-Base. Она приводит плохо оформленный текст к читаемому виду, исправляя регистр и пунктуацию с сохранением исходного смысла. Модель предназначена для предварительной обработки текста, в том числе в конвейерах синтеза речи и для смешанного содержимого с техническими фрагментами. Модель построена на плотной архитектуре Qwen3 с причинно-языковой головой, содержит 507,6 млн параметров и принимает контекст длиной до 2048 токенов. Она рассчитана на английский язык, работает детерминированно без выборки и осторожно обрабатывает многопредложный текст, имена, URL и команды. Распространяется по лицензии MIT. Модель не предназначена для полной грамматической коррекции: она может пропускать исправления регистра и пунктуации, сохранять неоднозначный регистр и разговорные формы, а также ошибаться на длинном контексте. Она не расширяет сленг и не переписывает неформальный текст.

Модель hope6803/dama-aibrain — дообученная разработчиком hope6803 версия мультимодальной Gemma 4 E2B Instruct, основанная на unsloth/gemma-4-e2b-it-unsloth-bnb-4bit. Она предназначена для диалоговых сценариев с изображениями и текстом: принимает текст и изображения и формирует текстовые ответы. В карточке указано обучение с использованием Unsloth и библиотеки TRL; архитектура — плотная Gemma4ForConditionalGeneration. Репозиторий содержит веса Safetensors и GGUF в вариантах F16 и Q8_0. Модель распространяется по лицензии Apache-2.0. Данных о специализированной области применения или измеренных характеристиках качества в карточке нет.

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.

Ekko v1 Tiny — компактная модель распознавания датской речи в текст, разработанная RyeAI. Это дообученная на базе nvidia/parakeet-rnnt-110m-da-dk модель FastConformer RNN-T размером 110 млн параметров, предназначенная для локального офлайн-распознавания речи. Она поддерживает выдачу временных меток слов и доступна в форматах NeMo, GGUF и ONNX, включая варианты квантования для локального запуска на CPU и в браузере. Модель лучше всего подходит для чёткой речи одного говорящего в ровном темпе, например для чтения вслух и диктовки. В описанном бенчмарке средний WER составил 12,37%; результаты на чтении заметно лучше, чем на спонтанных разговорах. Выходной текст пишется строчными буквами и не содержит пунктуации; для восстановления регистра и знаков препинания можно использовать отдельную модель RyeAI/ekko-pnc. Модель предназначена только для датского языка. Шумная речь и перекрывающиеся голоса отдельно не оценивались, а диктовка не проверялась как самостоятельный тестовый набор. Лицензия указана как other, поэтому условия использования следует уточнить в карточке репозитория.

ERGO-7B — мультимодальная модель «зрение—язык» от nota-ai, дообученная на базе Qwen2.5-VL-7B-Instruct с помощью обучения с подкреплением, ориентированного на эффективность. Она анализирует изображения и отвечает на вопросы о визуальном содержимом, направляя внимание на области, важные для задачи; разработчики заявляют об ускорении инференса до 3 раз при сохранении или повышении точности. Модель имеет плотную архитектуру Qwen2.5-VL с 7,1 млрд параметров, принимает текст и изображения и генерирует текст. Заявленный контекст — до 128 000 токенов. Карточка рекомендует использовать vLLM; конкретные языки применения не описаны. Модель распространяется по лицензии Apache-2.0.

litert-community/FastVLM-0.5B — это версия мультимодальной vision-language модели Apple FastVLM-0.5B, конвертированная сообществом в формат LiteRT/TensorFlow Lite для запуска непосредственно на устройствах. Модель предназначена для работы с изображениями и текстом, в частности для описания изображений и других сценариев, где требуется обработка визуального содержимого и генерация текста на edge-устройствах, включая Android и настольные приложения. Модель имеет размер 0,5 млрд параметров, поддерживает текстово-изображённые входы и максимальную длину контекста 1280 токенов. Она может работать на CPU, GPU и совместимых Qualcomm NPU; опубликованный вариант использует динамическую INT8-квантизацию. По данным README, на Xiaomi 17 Pro Max время до первого токена составляет 0,55 секунды при использовании GPU и 0,12 секунды при использовании NPU, а скорость декодирования — 64 и 106 токенов в секунду соответственно. Языки обучения или поддержки в карточке не указаны. К сильным сторонам относятся низкая задержка, возможность локального запуска и оптимизация для мобильных и периферийных устройств. Ограничения связаны с небольшим размером модели, зависимостью производительности от конкретного аппаратного ускорителя и отсутствием в карточке подробных сведений о качестве, поддерживаемых языках и полном спектре задач. Вариант LiteRT был конвертирован и квантизован из весов PyTorch без дополнительного обучения или кастомизации. Модель распространяется по Apple Machine Learning Research Model License Agreement (apple-amlr); условия лицензии необходимо учитывать при использовании.

Gemma3-12B-CVRR — мультимодальная модель для ответов на вопросы по изображениям, разработанная в рамках работы Reason Through the Latent! Making Latent Visual Reasoning Necessary. Она основана на Google Gemma 3 12B Instruct и использует метод Causal Visual Recurrent Reasoning (CVRR): состояние вопроса несколько раз уточняется с доступом к визуальным свидетельствам, а итоговый ответчик получает это состояние без прямого доступа к исходным визуальным данным. Модель рассчитана на визуальные вопросы и задачи рассуждения по изображениям; поддерживает текстовый ввод вместе с изображением и выдаёт текстовый ответ. В репозитории указаны веса safetensors и лицензия Gemma. CVRR сохраняет визуальные возможности исходной VLM и настраивает рекуррентный переход с помощью LoRA и обучения на токенах ответа; отдельная загрузка LoRA не требуется. Для запуска нужен специальный загрузчик Transformers и зависимости из README. Модель требует отдельную полную копию на GPU и не поддерживает автоматическое разбиение по устройствам, стандартную переупаковку через save_pretrained() или прямую загрузку в vLLM и SGLang.

SsemuliJoseph/gemma-3-finetune — дообученная SsemuliJoseph мультимодальная модель семейства Gemma 3 на базе unsloth/gemma-3-4b-it-unsloth-bnb-4bit. Она принимает текст и изображения и формирует текстовые ответы; карточка классифицирует её как image-text-to-text и отмечает возможности чата и работы с изображениями. Модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель подходит для диалога по изображениям и ответов на вопросы о визуальном содержимом с текстовым вводом. Карточка не описывает конкретную специализацию дообучения или его результаты. Репозиторий распространяется по лицензии Apache-2.0.

MLX-версия мультимодальной conversational-модели Gemma 4 26B-A4B-it, разработанной Google и конвертированной сообществом mlx-community из исходной модели google/gemma-4-26B-A4B-it. Модель предназначена для задач image-text-to-text: она принимает текстовые запросы и изображения и генерирует текстовые ответы, например описывает содержимое изображения. Формат MLX ориентирован на использование с инструментами mlx-vlm. Модель имеет размер 26B-A4B и представлена в 8-битном формате с весами Safetensors. В README не указаны поддерживаемые языки, максимальная длина контекста, точная архитектура, результаты оценки или перечень дополнительных мультимодальных сценариев. К сильным сторонам относятся мультимодальный conversational-сценарий, 8-битное представление и совместимость с MLX; ограничениями являются зависимость от экосистемы MLX/mlx-vlm и отсутствие подробных сведений о производительности и языковой поддержке. В карточке указана лицензия Apache 2.0, а также отдельная ссылка на лицензионные условия Gemma 4. Для запуска требуется пакет mlx-vlm и соответствующая MLX-совместимая среда.

mlx-community/gemma-4-26B-A4B-it-qat-8bit — модель для задач image-text-to-text, то есть генерации текстовых ответов на основе изображений и текстовых запросов. В README указано, что она распространяется сообществом mlx-community и предназначена для запуска с библиотекой mlx-vlm в экосистеме MLX. Модель поддерживает сценарии визуального анализа, включая описание изображений по текстовой инструкции. В качестве входа используется изображение, а результатом является сгенерированный текст. Из идентификатора следуют обозначения Gemma 4, 26B, A4B, instruction-tuned и 8-bit QAT, однако README не раскрывает подробности архитектуры, число параметров, языки, размер контекста или точную интерпретацию этих обозначений. Для запуска требуется mlx-vlm; в примере используется генерация до 100 токенов и температура 0.0. README не содержит сведений о сильных сторонах, ограничениях, разработчике исходной модели и лицензии, поэтому их нельзя достоверно описать.

mlx-community/gemma-4-E4B-it-qat-4bit — инструкционно настроенная модель семейства Gemma, опубликованная сообществом mlx-community в формате MLX. Она предназначена для сценариев image-text-to-text, включая обработку изображений и генерацию текстовых ответов по визуальным запросам, например для описания содержимого изображения. Модель представлена в 4-битном формате QAT, что ориентировано на запуск с меньшими требованиями к памяти в совместимой экосистеме MLX; для использования рекомендуется библиотека mlx-vlm. В README указано, что заявленный язык — английский. Сведения об архитектуре, точном размере, длине контекста, поддерживаемых модальностях помимо изображений и текста, результатах оценки, ограничениях и лицензии не приведены, поэтому эти характеристики нельзя достоверно определить по имеющимся данным.

GLM-4.1V-9B-Thinking — мультимодальная модель семейства GLM-4V от Zhipu AI, опубликованная в формате Unsloth. Это дообученная модель с архитектурой Glm4vForConditionalGeneration и 8,8 млрд параметров, предназначенная для диалога и рассуждений по тексту и изображениям. Она поддерживает английский и китайский языки и контекст до 65 536 токенов. Модель рассчитана на решение задач, где нужно совместно анализировать изображение и текст: отвечать на вопросы по изображению, разбирать визуальные задачи и вести диалог с учётом изображения. README заявляет поддержку произвольных соотношений сторон и изображений разрешением до 4K, а также улучшенные результаты на ряде бенчмарков VLM благодаря подходу с рассуждениями и обучению с подкреплением. Модель распространяется под лицензией MIT. Указанные возможности и результаты основаны на описании разработчика; качество может различаться в зависимости от задачи и входных данных.

Huihui-Qwen3-VL-235B-A22B-Instruct-abliterated-GGUF — вариант Qwen3-VL от huihui-ai, созданный удалением части отказов модели Qwen/Qwen3-VL-235B-A22B-Instruct. Изменена только текстовая часть; визуальная часть не обрабатывалась. Репозиторий содержит веса в формате GGUF, включая F16. Модель предназначена для диалогов с текстом и изображениями, описания и анализа изображений, а также других задач визуально-языкового взаимодействия. По карточке, после изменений модель реже отказывается описывать или анализировать изображения. Базовое семейство Qwen3-VL также поддерживает OCR, понимание видео и пространственные рассуждения, однако карточка этой версии отдельно подтверждает только работу с изображениями и текстом. Лицензия — Apache-2.0. Ослабление защитных отказов повышает вероятность чувствительных, спорных или неподходящих ответов; результаты следует проверять. Для работы с изображениями автор указывает поддержку Qwen3-VL в llama.cpp и пример запуска через llama-mtmd-cli.

InternVL3-1B-hf — мультимодальная модель OpenGVLab, представленная как реализация InternVL3 для библиотеки Transformers. Это плотная модель класса InternVLForConditionalGeneration, дообученная на основе OpenGVLab/InternVL3-1B-Instruct; репозиторий содержит веса в формате safetensors. Модель принимает текст вместе с изображениями и видео, а также поддерживает текстовую генерацию без изображений. Модель предназначена для диалогов с визуальным контентом: описания изображений и видео, визуального восприятия и рассуждений, а также сценариев с несколькими изображениями и чередованием текстовых и визуальных входов. README также отмечает возможности семейства InternVL3 для работы с инструментами, GUI-агентами, промышленным анализом изображений и 3D-восприятием, но не утверждает, что все эти сценарии отдельно проверены для версии 1B. Реализация поддерживает Transformers, пакетный вывод и варианты внимания eager, SDPA и FA2. Карточка указывает мультиязычность, но конкретные языки и размер модели не приведены. Лицензия обозначена как other; перед использованием следует проверить условия лицензии исходного репозитория модели. Характеристики качества и ограничения конкретного чекпойнта 1B в предоставленной карточке подробно не описаны.

InternVL3-2B-hf — реализация модели OpenGVLab InternVL3 в формате Hugging Face Transformers. Это плотная мультимодальная модель семейства InternVL с архитектурой InternVLForConditionalGeneration; репозиторий заявлен как функционально эквивалентный исходному выпуску InternVL3-2B. Модель дообучена на основе OpenGVLab/InternVL3-2B-Instruct. Модель принимает текст, изображения и видео, в том числе несколько изображений и перемежающиеся визуальные и текстовые данные, и генерирует текстовые ответы. Она предназначена для диалогового анализа изображений и видео, визуального рассуждения и текстовой генерации; реализация поддерживает пакетный инференс и механизмы внимания Transformers, включая SDPA и FA2. В README также описаны возможности семейства InternVL3 для работы с инструментами, графическими интерфейсами, промышленными изображениями и 3D-восприятием, но их поддержку именно этой модели следует проверять отдельно. Модель опубликована в формате safetensors и использует библиотеку Transformers. В метаданных указана лицензия other; конкретные условия использования следует уточнить в материалах проекта. Языковая поддержка обозначена как мультиязычная, без перечисления конкретных языков.

JUWEL Sapphire — репозиторий зеркалированных весов Vext Labs на архитектуре Qwen3-VL, предназначенный для диалоговых задач с изображениями и текстом. Модель содержит около 72,4 млрд параметров, использует BF16 и включает текстовую модель с 144 слоями и визуальный модуль с 27 слоями. В конфигурации задан контекст длиной 262 144 токена. Модель принимает текст и изображения и формирует текстовые ответы; сценарии применения включают диалог по изображениям и визуальные вопросы и ответы. README описывает проверку целостности зеркала и тензорных файлов, но не сообщает об оценке качества инференса. Точная версия исходной модели Qwen3-VL не установлена. Лицензия — Apache-2.0.

Vatho разработал Khmer-ocm — модель автоматического распознавания кхмерской речи, дообученную на 50 часах кхмерского речевого корпуса на базе facebook/wav2vec2-xls-r-300m. Это архитектура Wav2Vec2 с CTC-декодированием, предназначенная для преобразования аудиозаписей в текст; размер модели составляет 402,7 млн параметров, веса опубликованы в формате Safetensors. Модель рассчитана на кхмерский язык и лучше всего работает с чистыми записями с частотой 16 кГц. При нормализации текста сохраняются только символы кхмерского блока Unicode U+1780–U+17FF, а пунктуация, латиница и лишние пробелы удаляются. На шумной речи и данных, отличающихся от обучающих, качество может снижаться; при декодировании не применяется языковая модель для дополнительного пересчёта. Лицензия — Apache 2.0.

Kokoro-7M-Distill — англоязычная модель синтеза речи, созданная дистилляцией Kokoro-82M. Она содержит около 7,48 млн параметров, работает с фонемами и использует архитектуру Kokoro / StyleTTS2: 12 общих слоёв ALBERT, предсказатель просодии и декодер ISTFTNet. Модель выдаёт речь с частотой дискретизации 24 кГц и рассчитана на быстрый автономный запуск на CPU, в том числе на телефонах; в описанном сравнении она синтезировала речь в 4,1 раза быстрее версии на 82 млн параметров. Модель предназначена для локального синтеза английской речи из текста, например для озвучивания коротких фраз без подключения к серверу. Доступен один голос. Лучше всего подходит для обычной прозы: пунктуация и необычное форматирование передаются фронтенду как есть и могут ухудшить результат. Лицензия — Apache-2.0.

LFM2.5-VL-1.6B-GGUF — мультимодальная модель компании Liquid AI для задач image-text-to-text: она принимает изображения и текстовые запросы и генерирует текстовые ответы. Модель предназначена для визуального анализа, ответов на вопросы по изображениям и других сценариев, где требуется обработка изображений совместно с естественным языком, включая запуск на периферийных устройствах через llama.cpp. Модель основана на LiquidAI/LFM2.5-VL-1.6B и поставляется в формате GGUF, совместимом с llama.cpp. Указан размер 1,6 млрд параметров; поддерживаются английский, японский, корейский, французский, испанский, немецкий, итальянский, португальский, арабский и китайский языки. README не содержит сведений о длине контекста, точной архитектуре, используемых визуальных входах и количественных результатах оценки. К сильным сторонам относятся мультимодальность, компактный размер и возможность локального или edge-развёртывания с использованием llama.cpp. Ограничения модели и её подробные характеристики в README не описаны. Модель распространяется по лицензии lfm1.0; дополнительные условия следует уточнять в файле LICENSE.

Это 4-битная конверсия модели Llama 3.2 11B Vision Instruct в формат MLX, подготовленная сообществом mlx-community из unsloth/Llama-3.2-11B-Vision-Instruct с помощью mlx-vlm 0.1.0. В метаданных базовой моделью указана meta-llama/Llama-3.2-11B-Vision-Instruct; архитектура — плотная MllamaForConditionalGeneration с 11 млрд параметров. Модель предназначена для диалога с изображениями: она принимает текстовые запросы и изображения, отвечает на вопросы о визуальном содержимом и ведёт беседу. В карточке заявлена поддержка английского языка, а среди возможностей указаны чат, зрение и интерфейс вызова инструментов. Для запуска в MLX README предлагает использовать mlx-vlm. Модель распространяется по лицензии Llama 3.2. Это конверсия в 4-битный формат MLX, однако метаданные также указывают файлы safetensors; точные ограничения лицензии и результаты оценки качества в предоставленной карточке не описаны.

Мультимодальная модель Junbum Lee (Beomi) на архитектуре LLaVA, объединяющая beomi/Llama-3-KoEn-8B-preview и xtuner/llava-llama-3-8b-transformers методами ChatVector. Она принимает изображения вместе с текстовыми запросами и предназначена для диалога и ответов на вопросы о визуальном содержимом на корейском и английском языках. В README описаны несколько вариантов объединения, использующих контрольные точки KoEn, обученные на 25 млрд и более токенов; метаданные указывают формат Safetensors и библиотеку Transformers. Лицензия — CC BY-NC-SA 4.0 с условиями лицензии Llama 3.

Это конверсия модели Llama 4 Maverick от Meta в формат MLX с 6-битным представлением весов, подготовленная сообществом mlx-community. Модель предназначена для диалогов с текстом и изображениями: она отвечает на вопросы о визуальном содержимом, описывает изображения и поддерживает интерфейс вызова инструментов. Репозиторий указывает исходную модель meta-llama/Llama-4-Maverick-17B-128E-Instruct; конверсия выполнена с помощью mlx-vlm версии 0.1.21. Поддерживаются арабский, немецкий, английский, испанский, французский, хинди, индонезийский, итальянский, португальский, тайский, тагальский и вьетнамский языки. В метаданных архитектура обозначена как Llama4ForConditionalGeneration; численные параметры контекста и размер модели не приведены. Модель рассчитана на запуск с mlx-vlm в экосистеме MLX. Лицензия обозначена как other; условия следует сверять с карточкой исходной модели Meta. README рекомендует обращаться к исходной карточке за подробностями о модели.

LLaVA-Gemma-2b-LORA — русскоязычная модель компьютерного зрения и диалога от DeepVК, созданная на базе google/gemma-2b-it по схеме LLaVA с помощью LoRA и последующей настройкой по инструкциям. Она принимает изображения вместе с текстовыми вопросами и генерирует текстовые ответы, в том числе на русском и английском языках. Модель предназначена для визуальных вопросов и ответов, описания изображений и диалога о визуальном содержимом. При обучении использовались ShareGPT4V, русскоязычный набор LLaVA-Instruct-ru и переведённая часть GQA. Репозиторий содержит веса в формате safetensors; для запуска предусмотрена библиотека Transformers. Лицензия — Apache-2.0. В опубликованной оценке модель показала результаты на GQA и MMBench, включая русские варианты тестов. Это компактная модель с меньшими результатами, чем у приведённой в карточке LLaVA-Saiga-8B; метаданные и README не сообщают длину контекста и число параметров итоговой VLM.

LLaVA-OneVision Qwen2 0.5B-SI — мультимодальная модель семейства LLaVA, разработанная LMMS-Lab. Она сочетает визуальный энкодер SO400M с языковой моделью Qwen2 и содержит около 494 млн параметров. Модель обучена на наборе LLaVA-OneVision-Data и рассчитана на диалоговое взаимодействие с изображениями, несколькими изображениями и видео. Контекстное окно составляет 32 768 токенов; модель распространяется в формате safetensors и использует библиотеку Transformers. Модель подходит для ответов на вопросы о содержимом изображений, описания визуальных сцен и диалога с учётом нескольких изображений или видео. В карточке заявлена поддержка английского и китайского языков. Разработчики предупреждают, что результаты могут быть неточными и зависят от качества входных данных. Лицензия Apache-2.0.

LLaVA-OneVision Qwen2 72B OV Chat — разработанная LMMS-Lab мультимодальная чат-модель на архитектуре SO400M + Qwen2 с 71,5 млрд параметров. Она создана для диалога по тексту, изображениям, нескольким изображениям и видео; модель прошла три раунда итеративного DPO-обучения на человеческих предпочтениях, чтобы улучшить ответы в чате и сохранить следование инструкциям. Модель подходит для вопросов о содержимом изображений и видео, диалогового анализа визуальных материалов и ответов на текстовые запросы. Она поддерживает английский и китайский языки, использует контекст до 32 768 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. В README результаты бенчмарков обозначены как ещё не опубликованные. Для запуска модели такого размера нужны значительные вычислительные ресурсы; точные требования к инференсу в карточке не приведены.

praysimanjuntak/llava-phi3-3.8b-lora — мультимодальная версия LLaVA на базе microsoft/Phi-3-mini-128k-instruct, дообученная на наборе liuhaotian/LLaVA-Instruct-150K. По данным метаданных, модель содержит 3,7 млрд параметров и имеет контекст длиной 4096 токенов; архитектура указана как BunnyPhi3ForCausalLM, файлы представлены в формате safetensors. Модель предназначена для диалогов и генерации текста по запросам, связанным с изображениями, например для ответов на вопросы о содержимом изображения. README описывает её как версию LLaVA, однако в метаданных pipeline_tag указан text-generation, поэтому задачи обработки изображений не отражены в тегах каталога. Модель основана на Phi-3 Mini Instruct и обучена на инструкционном наборе LLaVA; лицензия в предоставленных данных не указана.