I.15Доступность и ассистивные технологии

facebook/mms-tts-klv — модель синтеза речи на языке Maskelynes (klv), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; веса доступны в форматах PyTorch и Safetensors. Для работы с моделью подходит библиотека Transformers версии 4.33 и новее. Случайный предиктор длительности делает синтез недетерминированным: для повторения результата с той же формой волны требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-kml — модель синтеза речи на языке Kalinga, Tanudan (kml), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и предназначена для генерации речи в приложениях, работающих с языками с ограниченными ресурсами. Модель использует архитектуру VITS: она объединяет вариационный автоэнкодер, потоковый модуль, текстовый энкодер на основе Transformer, предсказатель длительности и декодер, построенный по принципу HiFi-GAN. Веса содержат около 3,5 млн параметров; модель доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers версии 4.33 и выше. Предсказатель длительности стохастический, поэтому одинаковый текст может звучать с разным ритмом; для воспроизводимого результата требуется фиксировать seed. Модель предназначена для одного языка и может ошибаться на неподдерживаемом тексте. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-knb — модель синтеза речи на языке Kalinga, Lubuagan (knb), созданная в рамках проекта Massively Multilingual Speech компании Facebook. Она преобразует текст в речевую аудиоволну и подходит для озвучивания текстов на этом языке. Для каждого языка MMS-TTS обучается отдельный чекпойнт. Модель построена на архитектуре VITS: она объединяет текстовый энкодер на основе Transformer, вариационный автоэнкодер и декодер, похожий на HiFi-GAN. В метаданных указаны 3,5 млн параметров и форматы PyTorch и Safetensors. Из-за стохастического предсказателя длительности результат может меняться при одинаковом тексте; для повторяемой генерации нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

facebook/mms-tts-knf — модель синтеза речи на языке манканья (Mankanya, код knf), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст на манканья в речевую аудиоволну; для каждого языка MMS обучается отдельный чекпойнт. Модель использует архитектуру VITS — сквозную вариационную модель с Transformer-кодировщиком текста, нормализующими потоками, стохастическим предсказателем длительности и декодером, построенным по принципу HiFi-GAN. Чекпойнт содержит около 3,5 млн параметров, представлен в форматах PyTorch и Safetensors и доступен через Transformers версии 4.33 и новее. Стохастический предсказатель длительности позволяет получать разные ритмические варианты речи для одного текста; для воспроизводимого результата требуется фиксировать seed. Модель предназначена для синтеза речи на манканья и не является универсальной многоязычной моделью. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-kru — модель синтеза речи на языке курух (Kurux, код kru), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на курухе. Модель использует архитектуру VITS: это сквозная система синтеза речи с вариационным автоэнкодером, flow-модулем, декодером в стиле HiFi-GAN и стохастическим предсказателем длительности. В репозитории указано 3,6 млн параметров; для каждого языка проекта MMS обучается отдельный чекпойнт. Модель доступна через Transformers версии 4.33 и выше. Генерация недетерминирована: для повторения результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но исключает коммерческое применение.

facebook/mms-tts-lhu — модель синтеза речи на языке лаху, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на лаху. Для каждого языка MMS обучается отдельный чекпойнт. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это сквозная система синтеза речи с текстовым энкодером на основе Transformer, потоковыми слоями и декодером, похожим на HiFi-GAN; стохастический предиктор длительности позволяет варьировать ритм произношения. Модель доступна через Transformers версии 4.33 и выше, веса представлены в форматах PyTorch и safetensors. Генерация недетерминирована: для повторяемого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-maw — модель синтеза речи на языке мампрули (maw), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на мампрули в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS для сквозного синтеза речи: текстовый энкодер и flow-модуль формируют акустическое представление, а декодер на основе свёрточных слоёв создаёт аудиосигнал. Размер модели — 3,5 млн параметров. Для каждого языка MMS-TTS обучается отдельный чекпойнт; предсказатель длительности вносит вариативность в ритм речи, поэтому результат может меняться между запусками. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства в рамках некоммерческих условий.

facebook/mms-tts-ndj — модель синтеза речи на языке ндамба (Ndamba, код ndj) из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует текст на ндамба в речевую аудиоволну; для языка используется отдельный чекпойнт VITS. Модель построена на архитектуре VITS — сквозной вариационном автоэнкодере с текстовым энкодером, потоковым модулем, декодером, похожим на HiFi-GAN, и стохастическим предсказателем длительности. Размер — 3,5 млн параметров. Случайность предсказателя длительности может приводить к разному звучанию одного текста; фиксированный seed позволяет воспроизводить результат. Модель доступна через Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-nlg — модель синтеза речи на языке Gela, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на Gela в речевую аудиоволну и предназначена для создания озвучивания на этом языке. Модель построена на архитектуре VITS и обучена отдельно для Gela. Она работает сквозным образом: текстовый энкодер и генератор длительности задают акустическую последовательность, а декодер формирует аудиоволну. Генерация стохастическая, поэтому для повторения результата требуется фиксированное случайное зерно. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors для Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-nst — модель синтеза речи для языка Naga, Tangshang (код nst) из проекта Massively Multilingual Speech компании Facebook. Она преобразует текст на этом языке в речевую аудиоволну и подходит для озвучивания текстов и создания речи в приложениях для этого языкового сообщества. Модель основана на архитектуре VITS и обучена отдельно для этого языка. В архитектуру входят текстовый кодировщик на базе Transformer, flow-модуль, стохастический предсказатель длительности и декодер, формирующий аудиоволну. Размер модели — 3,5 млн параметров; она доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers версии 4.33 и новее. Генерация недетерминирована: для повторения результата требуется фиксированное начальное значение генератора случайных чисел. Модель предназначена для синтеза речи на Naga, Tangshang. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое; коммерческое применение лицензией не разрешено.

facebook/mms-tts-nya — модель синтеза речи на языке чичева (нянджа), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и предназначена для создания озвучивания и других приложений синтеза речи. Модель построена на архитектуре VITS и обучена сквозным образом; для каждого языка MMS-TTS используется отдельный чекпойнт. Размер модели — 3,5 млн параметров. Она доступна через библиотеку Transformers версии 4.33 и новее. Стохастический предиктор длительности позволяет варьировать ритм речи, поэтому результат может меняться между генерациями; фиксированный seed позволяет воспроизводить тот же аудиосигнал. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-oku — модель синтеза речи на языке Oku от Facebook, созданная в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на Oku в речевой сигнал и предназначена для озвучивания текста и построения речевых интерфейсов для этого языка. Модель использует архитектуру VITS: это сквозная система с вариационным автоэнкодером, Transformer-энкодером текста, flow-модулем и декодером на основе свёрточных слоёв в стиле HiFi-GAN. Чекпойнт содержит 3,5 млн параметров; для каждого языка MMS обучается отдельная модель. Для одинакового результата генерации требуется фиксировать seed, поскольку предсказатель длительности стохастический. Модель доступна через Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-ppk — модель синтеза речи на основе текста для языка Papiamento (код ppk), созданная Meta в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт семейства MMS-TTS, построенный на архитектуре VITS и содержащий около 3,5 млн параметров. Модель принимает текст и генерирует речевую аудиоволну; стохастический предсказатель длительности позволяет варьировать ритм произнесения, поэтому результат может меняться между запусками, если не зафиксировать seed. Модель предназначена для преобразования текста на Papiamento в речь. Она доступна через библиотеку Transformers версии 4.33 и новее. Репозиторий содержит веса PyTorch и Safetensors. Лицензия CC BY-NC 4.0 требует указания авторства и ограничивает коммерческое использование.

facebook/mms-tts-quy — модель синтеза речи на кечуа, вариант Аякучо, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текстов на этом варианте языка. Модель использует архитектуру VITS: текстовый энкодер, flow-модуль, стохастический предсказатель длительности и декодер, построенный по принципу HiFi-GAN. Размер модели — 3,5 млн параметров; она доступна для Transformers версии 4.33 и выше. Предсказатель длительности позволяет варьировать ритм речи, поэтому генерация недетерминирована: для повторения результата требуется фиксированное начальное значение генератора случайных чисел. Модель предназначена для одного языка — кечуа Аякучо. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-qxr — модель синтеза речи на языке кичуа Кañарского нагорья (Quichua, Cañar Highland, ISO 639-3: qxr), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую волну и подходит для озвучивания текста на этом языке. Модель построена на архитектуре VITS и содержит 3,5 млн параметров; для каждого языка в проекте обучается отдельный чекпойнт. VITS объединяет текстовый энкодер на основе Transformer, потоковый модуль, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN. Стохастический предиктор позволяет варьировать ритм речи, поэтому при одинаковом тексте результат может отличаться; для повторяемого синтеза 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 использование.

facebook/mms-tts-sab — модель синтеза речи на языке Buglere (sab), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на Buglere в речевую волну и предназначена для озвучивания текстов на этом языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, flow-модуль, стохастический предиктор длительности и декодер, формирующий аудиосигнал. Это отдельный чекпойнт для одного языка; размер модели — 3,5 млн параметров. Модель доступна в Transformers версии 4.33 и новее. Предиктор длительности стохастический, поэтому одинаковый текст может звучать по-разному; для воспроизводимого результата требуется фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

Модель facebook/mms-tts-ses — компактный синтезатор речи для языка сонгай, вариант койраборо-сенни (ses), разработанный Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для приложений озвучивания на этом языке. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, flow-модуль с текстовым энкодером на основе Transformer, стохастический предиктор длительности и декодер, подобный HiFi-GAN. Чекпойнт содержит 3,5 млн параметров; для каждого языка MMS обучается отдельная модель. Доступна через библиотеку Transformers версии 4.33 и новее. Предиктор длительности стохастический, поэтому одинаковый текст может получать разный ритм и звучание; для повторяемого результата требуется фиксированное случайное зерно. Лицензия — CC BY-NC 4.0, которая ограничивает использование некоммерческими условиями.

facebook/mms-tts-sja — модель синтеза речи на языке эпена (Epena, код sja) из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст на эпена в речевой аудиосигнал; для каждого языка MMS-TTS обучается отдельный чекпойнт. Модель построена на архитектуре VITS: она объединяет кодирование текста, вероятностное моделирование длительности и декодер, формирующий аудиоволну. Чекпойнт содержит 3,5 млн параметров и распространяется в форматах PyTorch и Safetensors; для работы с ним подходит библиотека Transformers версии 4.33 и выше. Модель предназначена для синтеза речи на эпена, например озвучивания текстов и создания речевых интерфейсов для этого языка. Генерация недетерминирована, поэтому для воспроизведения того же результата требуется фиксированный seed. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-sya — модель синтеза речи на языке сианг (код ISO 639-3: sya) из проекта Massively Multilingual Speech компании Facebook. Это отдельный языковой чекпойнт семейства VITS, который по текстовой последовательности генерирует речевую аудиоволну; архитектура объединяет вариационный автоэнкодер, Transformer-энкодер текста, потоковый модуль, декодер в стиле HiFi-GAN и стохастический предиктор длительности. Модель содержит 3,5 млн параметров и доступна в форматах PyTorch и Safetensors для использования через Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на сианге. Стохастический предиктор длительности позволяет получать варианты ритма и произношения для одной и той же фразы, поэтому результат может меняться между запусками; для повторяемой генерации требуется фиксировать seed. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-tbg — модель синтеза речи на языке Tairora, North, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Это отдельный чекпойнт для одного языка, построенный на архитектуре VITS: он преобразует входной текст в речевую волну и может варьировать ритм речи благодаря стохастическому предсказателю длительности. Модель содержит 3,5 млн параметров и доступна в форматах PyTorch и Safetensors; для работы с ней подходит библиотека Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на Tairora, North, например для голосовых интерфейсов и создания аудиоверсий текстов. Генерация недетерминирована: для повторения того же результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-tem — модель синтеза речи на языке Themne (tem), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текста на этом языке. Модель использует архитектуру VITS — сквозную систему синтеза речи на основе вариационного автоэнкодера, потоковых слоёв и декодера, подобного HiFi-GAN. Размер модели — 3,5 млн параметров; веса доступны в форматах PyTorch и Safetensors. Чекпойнт обучен отдельно для Themne и поддерживает синтез речи на этом языке. Генерация недетерминирована: для повторения того же результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-ttq-script_tifinagh — модель синтеза речи проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует текст на языке Tamajaq, Tawallammat, записанный письмом тифинаг, в речевую аудиоволну. Модель построена на архитектуре VITS и объединяет текстовый энкодер, потоковые преобразования, стохастический предиктор длительности и декодер аудиоволны. Это отдельный чекпойнт MMS-TTS для указанного языка; размер модели — 3,5 млн параметров. Для одинакового результата при повторной генерации требуется фиксировать seed. Модель подходит для озвучивания текстов и создания речевого вывода на поддерживаемом языке. Карточка не приводит сведений о длине контекста или дополнительных языках. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-vag — модель синтеза речи на языке вагла (Vagla, код ISO 639-3: vag), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на вагла. Модель доступна через библиотеку Transformers версии 4.33 и новее. В основе лежит архитектура VITS: модель предсказывает речь сквозным образом, используя текстовый энкодер, вариационный автоэнкодер, нормализующие потоки, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN. В репозитории указано 3,5 млн параметров. Предиктор длительности стохастический, поэтому для повторения результата требуется фиксированное случайное зерно. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

Модель facebook/mms-tts-wal-script_latin — система синтеза речи на Wolaytta латинским письмом, созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текстов на Wolaytta. Это отдельный языковой чекпойнт проекта MMS-TTS на архитектуре VITS; число параметров — 3,5 млн. Для одинакового результата при повторной генерации требуется фиксированное начальное значение случайного генератора. Модель доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-wlo — модель синтеза речи Wolio из проекта Massively Multilingual Speech компании Meta (Facebook). Она преобразует текст на языке Wolio в речевую аудиоволну; отдельный чекпойнт VITS обучен для этого языка. Модель содержит 3,5 млн параметров и доступна в форматах PyTorch и Safetensors, для работы поддерживается библиотека Transformers версии 4.33 и выше. VITS — сквозная архитектура синтеза речи, сочетающая вариационный автоэнкодер, Transformer-энкодер текста, нормализующие потоки и декодер на основе HiFi-GAN. Стохастический предиктор длительности позволяет варьировать ритм произношения; поэтому генерация недетерминирована, и для повторяемого результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-wob — модель синтеза речи для языка Wè Northern (wob), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на Wè Northern в речевую аудиоволну и предназначена для озвучивания текста и создания синтетической речи на этом языке. Модель использует архитектуру VITS: текстовый энкодер, вариационный автоэнкодер, потоковый модуль и декодер на основе свёрточных слоёв в стиле HiFi-GAN. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors. Для языков проекта MMS обучаются отдельные чекпойнты; эта модель рассчитана на Wè Northern. Предсказатель длительности работает стохастически, поэтому один и тот же текст может звучать по-разному; для воспроизводимой генерации требуется фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Карточка модели LanguageBind/MoE-LLaVA-StableLM-1.6B-4e на Hugging Face совпадает с карточкой LanguageBind/MoE-LLaVA-Qwen-1.8B-4e, поэтому описание составлено по ней. MoE-LLaVA-Qwen-1.8B-4e — мультимодальная модель семейства MoE-LLaVA, разработанная проектом LanguageBind. Она сочетает языковую модель Qwen с архитектурой смеси экспертов и предназначена для диалогового понимания изображений: модель принимает изображение и текстовый запрос и формирует текстовый ответ. В карточке она приведена как вариант MoE-LLaVA-1.8B×4-Top2; метаданные указывают 2,3 млрд параметров, контекст 8192 токена и формат PyTorch. README сообщает о результатах на наборах для визуальных вопросов и понимания изображений, включая VQAv2, GQA, VizWiz и MM-Bench. Модель доступна по лицензии Apache-2.0. Для работы README приводит требования к среде: Python 3.10 или новее, PyTorch 2.0.1, CUDA 11.7 или новее, Transformers 4.36.2 и Tokenizers 0.15.1.

Ppaso-TTS — компактная модель синтеза корейской речи, разработанная для голосовых помощников и других приложений на периферийных устройствах. Она преобразует корейский текст в монофоническое аудио с частотой 22,05 кГц; поддерживает потоковую генерацию по мере поступления предложений и автоматическое разбиение длинного текста на фрагменты. В README описаны варианты запуска через RKNN на NPU устройств RK3576 и RK3588, а также через ONNX на CPU. Для версии RKNN указан размер 21 МБ; на RK3576 синтез тестовой реплики длительностью 5,94 секунды занимает около 305 мс на NPU и 477 мс на CPU с четырьмя потоками. Модель ориентирована на скорость и малый размер, а не на естественность звучания: доступен один женский голос с заметным роботизированным тембром. Модель рассчитана только на корейский язык; заимствования и английские слова могут звучать неестественно, редкие произношения могут обрабатываться хуже, а интонация между фрагментами длинного текста может быть непоследовательной. Для модели заявлена лицензия Apache-2.0. README запрещает использование для имитации конкретных людей, мошенничества и спама, а также самостоятельное применение в критических сценариях без проверки человеком.

tvall43/Qwen3.5-4B-heretic — дообученная версия мультимодальной модели Qwen3.5-4B, созданная на основе Qwen/Qwen3.5-4B и опубликованная в формате Transformers. Это диалоговая модель с плотной архитектурой Qwen3.5 и поддержкой изображений; размер базовой модели — 4 млрд параметров, нативная длина контекста — 262 144 токена. Модель предназначена для диалога и понимания изображений. Автор сообщает, что применил abliteration: в приведённом сравнении доля отказов снизилась с 99 из 100 у исходной модели до 8 из 100, при KL-дивергенции 0,0361. Это указывает на существенно меньшее число отказов, но не гарантирует точность ответов или безопасность в конкретных сценариях. README описывает возможности базовой Qwen3.5, включая широкую языковую поддержку и работу с инструментами; отдельные языки и их приоритеты для этой производной версии не перечислены. Для запуска подходят Transformers и совместимые серверные движки, включая vLLM, SGLang и KTransformers. Модель распространяется по лицензии Apache-2.0.

Felldude разработал Felldude/Qwen3.5-9B-Uncensored как дообученную версию Qwen/Qwen3.5-9B-Base. Это мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 9 млрд параметров, предназначенная для диалога и понимания изображений. Модель принимает текст и изображения и формирует текстовые ответы; в метаданных также отмечен интерфейс для вызова инструментов. По описанию автора, обучение проводилось в BF16/TF32 только на Chain of Thought. Автор сообщает о снижении частоты отказов на изображениях по сравнению с базовой моделью, однако README не приводит данных о независимой проверке или подробных результатах тестирования. Базовое семейство заявляет поддержку 201 языка и диалекта; отдельный основной язык для этой версии не выделен. Модель распространяется в формате safetensors по лицензии Apache-2.0. Она подходит для мультимодального диалога и визуального анализа, но заявление об uncensored-поведении не гарантирует отсутствие отказов и не подтверждено независимыми оценками.