I.15Доступность и ассистивные технологии

Intel/Qwen3.8-27B-q2ks-AutoRound — квантованная версия мультимодальной модели Qwen/Qwen3.8-27B, созданная с использованием алгоритма Intel AutoRound и оптимального рецепта квантования. Модель распространяется в формате GGUF Q2_K_S и предназначена для запуска через llama.cpp с отдельным мультимодальным проектором mmproj-model.gguf. Модель ориентирована на задачи image-text-to-text: она принимает изображения и текстовые запросы и генерирует текстовые ответы, например описания изображений. README не содержит дополнительных сведений о точной архитектуре, количестве параметров базовой модели, поддерживаемых языках или размере контекстного окна. Ключевое преимущество — возможность локального запуска мультимодальной модели в компактном низкобитном формате; ограничением является возможная потеря качества из-за сильного квантования. Модель может генерировать фактически неверные, предвзятые, непристойные или иным образом оскорбительные ответы, поэтому перед использованием требуется проверка безопасности. Лицензия отдельно не указана: необходимо соблюдать лицензию исходной модели Qwen/Qwen3.8-27B и учитывать, что README не предоставляет юридических рекомендаций по коммерческому применению.

aufklarer/Qwen3-TTS-12Hz-1.7B-Base-MLX-bf16 — конверсия базовой модели Qwen/Qwen3-TTS-12Hz-1.7B-Base в формат MLX для запуска на Apple Silicon. Это плотная архитектура Qwen3-TTS с трансформером Talker, Code Predictor и декодером речевого токенизатора; модель содержит 1,7 млрд параметров и использует bf16 без квантизации. Она синтезирует речь по тексту с частотой дискретизации 24 кГц и кодеком 12,5 Гц; README приводит пример использования через модуль Qwen3TTS библиотеки speech-swift. Модель предназначена для локального синтеза речи на устройствах Apple Silicon. В README для bf16 указаны скорость RTF 0,48 и пиковое потребление памяти 4,1 ГиБ; оценка WER 7,05% получена на 15 фразах при обратной транскрипции с помощью Qwen3-ASR и отражает совместную работу синтеза и распознавания. Карточка не описывает клонирование голоса для этого репозитория. Метаданные связывают базовую модель с английским, китайским, японским, корейским, французским, немецким и испанским языками. Лицензия — Apache-2.0.

wangkanai/qwen3-vl-2b-thinking — модифицированная мультимодальная модель семейства Qwen3-VL с примерно 2 млрд параметров. Она принимает изображения и текст и генерирует текстовые ответы; в карточке заявлены визуальный анализ, ответы на вопросы по изображениям, их описание и рассуждения. Архитектура сочетает визуальный энкодер на основе ViT с текстовым декодером Qwen3. Заявленная длина контекста — 4096 токенов; изображения обрабатываются при стандартном разрешении 448×448, поддерживается увеличение до 1024×1024. Модель предназначена для мультимодального диалога и анализа изображений на потребительском оборудовании. В репозитории представлены веса SafeTensors и GGUF FP16. Разработчик README описывает версию как abliterated, с ослабленными или удалёнными защитными фильтрами и усиленным режимом рассуждений; поэтому модель может выдавать небезопасный контент. Указанная лицензия — Apache-2.0. Информация о поддерживаемых естественных языках в предоставленных материалах отсутствует.

Qwen3-VL-8B-CVRR — мультимодальная модель для ответов на вопросы об изображениях, разработанная авторами метода Causal Visual Recurrent Reasoning (CVRR) на базе Qwen/Qwen3-VL-8B-Instruct. Она сохраняет визуальные представления базовой модели и использует рекуррентное уточнение состояния вопроса с фиксированными визуальными данными; итоговый декодер получает это состояние без прямого доступа к исходным визуальным данным. Пакет включает веса базовой модели, объединённый рекуррентный переход и специальный код инференса. Модель предназначена для визуального рассуждения и ответов на вопросы по изображениям. В метаданных указано 8 млрд параметров для базовой модели; репозиторий использует Transformers и формат safetensors. README не сообщает о поддерживаемых естественных языках или длине контекста. Для использования требуется специальный загрузчик: автоматическое разбиение модели между устройствами, прямая загрузка через vLLM или SGLang и повторная сериализация через стандартный save_pretrained() не поддерживаются. Лицензия — Apache-2.0.

RLHF-V — мультимодальная большая языковая модель, разработанная авторами проекта RLHF-V и дообученная на базе Vicuna-13B. Она предназначена для ответов на вопросы по изображениям и выполнения коротких и развернутых инструкций с пониженным риском галлюцинаций. При обучении использованы наборы UniMM-Chat и RLHF-V-Dataset с детальными пользовательскими исправлениями отдельных фрагментов ответов; авторы применили метод Dense Direct Preference Optimization (DDPO). Модель содержит 12,9 млрд параметров, использует архитектуру BEiT-3/LLaVA с языковой частью на основе LLaMA и опубликована в формате PyTorch для Transformers. Модель рассчитана на англоязычные мультимодальные диалоги: принимает текстовые инструкции и изображения, а генерирует текстовые ответы. Авторы заявляют о низкой частоте галлюцинаций и устойчивости к чрезмерным обобщениям, но численные результаты в карточке не приведены. Лицензия — Apache-2.0.

ShareGPT4V-7B — открытая мультимодальная чат-модель, разработанная командой ShareGPT4V и предназначенная для диалога по изображениям и тексту. Модель обучена дообучением визуального энкодера CLIP и LLaMA/Vicuna на данных ShareGPT4V с описаниями, созданными с помощью GPT-4 Vision, и на инструкционных данных LLaVA. Модель содержит 6,6 млрд параметров, использует архитектуру Share4VLlamaForCausalLM и принимает изображения вместе с текстовыми запросами, формируя текстовые ответы. Контекст составляет 4096 токенов. Обучение включало 1,2 млн пар изображение–текст, 100 тыс. пар, созданных GPT-4 Vision, и данные LLaVA; модель предназначена прежде всего для исследований мультимодальных моделей и чат-ботов, а также для экспериментов с визуальными вопросами и описанием изображений. Ограничения включают унаследованные ошибки и предвзятости базовых моделей и обучающих данных, а также возможные неточности в распознавании содержимого изображений. Лицензия в предоставленных материалах не указана.

SmolVLM2-2.2B-Instruct-GGUF — это квантизованная GGUF-версия мультимодальной модели SmolVLM2-2.2B-Instruct, разработанной HuggingFaceTB и квантизованной компанией Second State Inc. Модель предназначена для задач image-text-to-text и video-text-to-text: она принимает текстовые запросы вместе с изображениями, а также поддерживает сценарии анализа видео. Заявленный язык — английский. Модель имеет размер 2,2 млрд параметров; конкретные GGUF-файлы доступны в вариантах квантования от Q2_K до Q8_0, а также в формате f16. Размер файлов составляет примерно от 708 МБ до 3,63 ГБ, при этом Q4_K_M, Q5_K_M и Q5_K_S указаны как рекомендуемые варианты с балансом между размером и качеством. Для запуска через LlamaEdge используется контекст размером 2048 токенов и отдельный мультимодальный проектор mmproj. Сильной стороной модели являются компактность и возможность локального запуска, однако низкие уровни квантования сопровождаются заметной потерей качества, а подробности архитектуры и поддерживаемых языков, кроме английского, в README не указаны. Исходная модель и производные файлы распространяются по лицензии Apache-2.0. Для запуска через LlamaEdge требуется версия v0.21.0 или новее.

SmolVLM2-500M — компактная мультимодальная vision-language модель, преобразованная сообществом LiteRT в формат LiteRT-LM для локального запуска на устройствах. Базовая модель HuggingFaceTB/SmolVLM2-500M-Video-Instruct разработана Hugging Face. Модель принимает изображение и текстовый запрос и генерирует ответ, основанный на содержимом изображения; основной сценарий — визуальные вопросы и ответы по одному изображению полностью офлайн. Архитектура включает vision-энкодер SigLIP с входом 512×512, pixel-shuffle-коннектором и 64 визуальными токенами, а также декодер SmolLM2 на 360M параметров с архитектурой Llama, 32 слоями, размерностью 960 и GQA. Размер файла составляет около 361 МБ. Веса декодера квантизованы в int4, vision-часть — в int8; вычисления выполняются в целочисленном формате. Контекст KV-кэша — 2048 токенов. Поддерживаются изображения и текст, однако сведения о конкретном наборе языков в README не указаны. Сильные стороны модели — малый размер, низкие требования к ресурсам, возможность работы на Android, macOS, Linux и Windows, а также локальный инференс без передачи изображений во внешние сервисы. Для одного изображения модель способна выдавать связные ответы, привязанные к визуальному содержимому. Ограничения связаны с небольшим размером: при жадной генерации возможны повторения и избыточная многословность, поэтому рекомендуется ограничивать max_tokens и использовать sampling. Основной режим — одно изображение на разговор; работа с несколькими изображениями может ухудшаться на GPU-бэкенде. Лицензия — Apache-2.0.

iamwille/speecht5_finetuned_iamwille_ig — дообученная на неизвестном наборе данных модель Microsoft SpeechT5 для синтеза речи из текста. Она использует архитектуру SpeechT5ForTextToSpeech и предназначена для преобразования текстового ввода в аудио. В README указана оценка Loss 0,4255 на тестовой выборке, но описание набора данных и условий оценки отсутствует. Модель распространяется в формате safetensors по лицензии MIT. Данных о поддерживаемых языках, голосе, качестве синтеза и ограничениях применения нет; результаты оценки не позволяют судить о качестве речи без сведений о тестовом наборе и метрике.

Карточка модели bczhou/TinyLLaVA-3.1B на Hugging Face совпадает с карточкой bczhou/TinyLLaVA-1.5B, поэтому описание составлено по ней. TinyLLaVA-1.5B — компактная мультимодальная модель для диалога по изображениям из семейства TinyLLaVA, разработанного авторами проекта TinyLLaVA. Она сочетает визуальный модуль с языковой моделью TinyLlama и предназначена для ответов на вопросы об изображениях, их описания и других сценариев визуального диалога. В карточке указаны около 1 млрд параметров, плотная архитектура TinyLlavaLlamaForCausalLM и контекст 2048 токенов; модель принимает изображения и текст, а генерирует текст. В README приведены результаты оценки на наборах LLaVA-Bench-Wild, MME, MMBench, MM-Vet, SQA-image, VQA-v2, GQA и TextVQA. Модель обучалась с использованием данных LLaVA и ShareGPT4V, включая наборы для предварительного обучения и инструкционного дообучения. Метаданные отмечают английский и китайский языки. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Компактный размер удобен для исследовательских и прикладных экспериментов с визуальными вопросами и ответами, но доступные результаты показывают более скромные показатели версии 1.5B по сравнению с более крупными вариантами TinyLLaVA; языковое покрытие и качество за пределами оценённых сценариев могут быть ограничены.

VecGlypher-27b-it — дообученная мультимодальная модель VecGlypher на базе Gemma 3 27B IT. Она принимает текст и изображения и предназначена для диалоговых сценариев с визуальным вводом: например, чтобы задавать вопросы об изображении и получать текстовые ответы. Модель использует плотную архитектуру Gemma 3 для условной генерации текста и распространяется в формате safetensors для библиотеки Transformers. Модель создана на основе gemma-3-27b-it; карточка называет её весами VecGlypher, но не описывает конкретные данные и методику дообучения, измеренные качества или дополнительные ограничения. Лицензия указана как other, поэтому условия использования следует уточнять в репозитории модели и базовой модели.

Video-LLaVA-7B — мультимодальная модель семейства LLaVA, разработанная авторами проекта Video-LLaVA и LanguageBind. Она связывает визуальные представления изображений и видео с пространством признаков языковой модели, чтобы отвечать на вопросы и выполнять визуальные рассуждения по обоим типам входных данных. В README также заявлена интерактивная работа с изображениями и видео без обучения на парах «изображение–видео». Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlavaLlamaForCausalLM и поддерживает контекст длиной 4096 токенов. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Модель предназначена для сценариев визуального диалога и анализа содержимого изображений и видео; в метаданных её основная задача указана как генерация текста. Лицензия — Apache-2.0.

VipLLaVA 7B — мультимодальная чат-модель, представленная в репозитории llava-hf и выпущенная в декабре 2023 года. Это авторегрессионная модель на основе архитектуры Transformer, объединяющая обработку изображений с генерацией текста; семейство архитектуры — VipLLaVA, размер — 7 млрд параметров. Модель дообучена на основе LLaVA: в протоколе Vip-LLaVA изображения размечаются, чтобы модель училась реагировать на естественные визуальные подсказки, например красные рамки и стрелки. Модель предназначена для диалога по одному или нескольким изображениям и мультимодального следования инструкциям. Она может отвечать на вопросы об изображениях и интерпретировать указанные на них области или объекты. README описывает поддержку нескольких изображений и запросов в одном вводе. Метаданные указывают английский язык карточки; контекстное окно не указано в предоставленных источниках. Для использования предлагается библиотека Transformers версии 4.35.3 или новее; описаны запуск на GPU, 4-битная квантизация через bitsandbytes и ускорение с Flash Attention 2. В README не приведены отдельные результаты оценки качества или сведения о лицензии, поэтому условия лицензирования по этим материалам установить нельзя.

VisionPsy-Nano-460M-Flash-GGUFs — набор GGUF-весов мультимодальной модели VisionPsy-Nano-460M-Flash, разработанной Tether AI Research (Tether Data, S.A. de C.V.). Модель предназначена для задач image-text-to-text: анализа изображений и генерации текстовых ответов, включая сценарии visual question answering. Основной фокус — быстрый полностью локальный запуск на смартфонах, ноутбуках и других устройствах с ограниченными ресурсами через модифицированную версию llama.cpp. Модель использует архитектуру nanoVLM: vision encoder SigLIP2, текстовый backbone SmolLM2-360M и агрессивное сжатие визуальных токенов — до 64 токенов для изображения 512×512. Размер модели составляет примерно 460 млн параметров. Поддерживается английский язык. Публикация включает варианты от FP32 и BF16 до 8-, 5-, 4- и 3-битных квантований; большинство вариантов ниже 8 бит используют калибровку importance matrix. Для обработки изображений дополнительно требуется мультимодальный проектор mmproj в формате GGUF. Сильные стороны модели — низкие требования к памяти, малое время до первого токена и высокая скорость на мобильных устройствах: заявлено ускорение в 10–25 раз по сравнению с рядом сопоставимых моделей при сохранении примерно 98% качества исходной модели. Компромиссом являются небольшая потеря точности из-за сокращения визуальных токенов и квантования, а также ограничение английским языком. Для запуска необходим именно пропатченный форк llama.cpp, поэтому стандартная upstream-версия может не подойти. Модель распространяется по лицензии Apache 2.0.

Subhashini17 разработал эту модель как дообученную на Common Voice версию facebook/wav2vec2-xls-r-300m для распознавания речи. Это акустическая модель семейства wav2vec2 с архитектурой Wav2Vec2ForCTC: она принимает аудио и выдаёт текстовую расшифровку. В репозитории указаны веса PyTorch, около 402,7 млн параметров и лицензия Apache-2.0. Модель создана в 2022 году. Модель предназначена для автоматической транскрипции речи; название указывает на вариант для тамильского языка. На оценочной выборке Common Voice указана WER 0,7611, что означает высокую долю ошибок и ограниченную точность распознавания. Карточка не описывает условия записи, поддерживаемые варианты речи или практические ограничения подробнее.

masapasa/xls-r-300m-sv-cv8 — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на шведской части датасета Mozilla Common Voice 8.0 (sv-SE). Она использует архитектуру wav2vec2 с CTC-декодированием и предназначена для преобразования шведской речи в текст. На карточке указаны результаты оценки на тестовой выборке: loss 2.3347 и WER 1.0286. Такие значения WER указывают на очень высокую долю ошибок распознавания; пригодность модели для практического применения следует проверять на целевых аудиозаписях. Модель принимает аудио и выдаёт текст. Веса опубликованы в формате PyTorch под лицензией Apache-2.0. Размер по метаданным — 402,7 млн параметров.

Amami 357M Romanian — модель синтеза речи от Invergent из семейства Surogate Amami, построенная на архитектуре Magpie-TTS. Она преобразует румынский текст в речь с частотой 22,05 кГц и поддерживает три фиксированных голоса: Doina, Tudor и Radu. Модель рассчитана на озвучивание обычного текста, включая числа, даты и сокращения; аудио можно синтезировать потоково через движок surogate на CPU или GPU. В README для румынского тестового набора приведены результаты разборчивости по метрике WER, однако эта метрика не оценивает естественность и просодию. Модель поддерживает только румынский язык, не клонирует голоса; длинные входы разбиваются на предложения, а редкие иностранные имена, необычные акронимы и длинные коды могут читаться неверно. Для некоторых двухпредложных входов возможна преждевременная остановка синтеза. Лицензия — CC-BY-NC-4.0, с ограничением на коммерческое использование.

Bambara TTS — модель синтеза речи на бамбарском языке (Bamanankan), разработанная sudoping01 на базе Facebook/Meta MMS. Она преобразует текст в аудио и предназначена для озвучивания текста на бамбарском; в README отмечено, что на языке говорят преимущественно в Мали. Модель использует архитектуру VITS, содержит 3,5 млн параметров и распространяется в формате Safetensors. README указывает частоту дискретизации 16 кГц и возможность работы на CPU при рекомендуемых 4 ГБ оперативной памяти. Модель рассчитана на стандартную орфографию бамбарского. Её ограничения включают нестабильную обработку заимствований и переключения на французский, различия в качестве между региональными диалектами, а также ограниченные просодию и эмоциональную выразительность. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое применение.

Hack337/BuildGemma4 — дообученная модель семейства Gemma 4, разработанная Hack337 на базе unsloth/gemma-4-26b-a4b-it с использованием Unsloth и библиотеки TRL. Она предназначена для диалога с текстом и изображениями и выдаёт текстовые ответы. Модель подходит для визуальных вопросов и ответов, описания изображений и чат-сценариев с визуальным вводом. В метаданных указана архитектура Gemma4ForConditionalGeneration, формат весов safetensors и интерфейс для вызова инструментов. Модель распространяется по лицензии Apache-2.0. В доступных материалах нет сведений о специализации дообучения или сравнительных оценках качества.

RJ3vans/CMN1spanTagger — модель на базе BERT для выявления составных именных групп в предложениях. Она размечает токены, указывая, входят ли они в составную именную группу; перед обработкой координатор именной группы, например «and», необходимо выделить квадратными скобками. Модель предназначена для этапа разметки в системах упрощения предложений и последующей обработки текста. Модель дообучена для классификации токенов; в репозитории указаны PyTorch и архитектура BertForTokenClassification. Она содержит около 432,3 млн параметров и рассчитана на контекст до 512 токенов. README ссылается на набор данных из докторской диссертации Р. Эванса 2020 года. Лицензия в предоставленных данных не указана.

DenseConnector-v1.5-8B — открытый мультимодальный чат-бот, разработанный на основе Llama-3-8B-Instruct и дообученный на наборе инструкций LLaVA-1.5. Это авторегрессионная модель на архитектуре Transformer с визуальным коннектором семейства LLaVA-LLaMA; размер составляет 7,5 млрд параметров, контекст — 8192 токена. Модель предназначена для диалога по изображениям и генерации текстовых ответов на вопросы о визуальном содержимом. Её можно применять в прототипах мультимодальных чат-ботов и исследованиях компьютерного зрения и обработки естественного языка. В README указана лицензия Llama 3 (llama3); перед использованием следует учитывать её условия.

droplychee/droplychee-2.2 — дообученная droplychee мультимодальная модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration, основанная на unsloth/Qwen3.8-27B. Модель принимает текст и изображения и предназначена для диалогового взаимодействия с визуальной информацией; в метаданных также заявлен интерфейс вызова инструментов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В README указано, что обучение выполнялось с использованием Unsloth и библиотеки Hugging Face TRL. Размер модели, длина контекста и конкретные языковые возможности, кроме английского языка в тегах, в доступных данных не описаны.

G3 Glitter 4B — дообученная мультимодальная модель на базе Google Gemma 3 4B IT, созданная allura-org. В README сказано, что для неё использован тот же набор данных для обучения, что и для Glitter 12B. Модель предназначена для диалога и работы с изображениями: она принимает текст и изображения, а отвечает текстом. Метаданные указывают на архитектуру Gemma 3, 4B и поддержку vision. Подробности о сценариях обучения и конкретных возможностях набора данных README перенаправляет на карточку Glitter 12B, поэтому здесь они не уточняются. Лицензия и специальные ограничения в предоставленных данных не указаны.

mlx-community/gemma-3n-E4B-it-bf16 — версия Gemma 3n E4B от mlx-community, преобразованная из google/gemma-3n-E4B-it в формат MLX с помощью mlx-vlm 0.3.1. Это мультимодальная диалоговая модель семейства Gemma 3n с архитектурой Gemma3nForConditionalGeneration; каталог относит её к задаче image-text-to-text и указывает поддержку чата и анализа изображений. Модель подходит для диалогов и ответов на вопросы по изображениям в среде MLX. Карточка рекомендует использовать mlx-vlm. Репозиторий содержит веса safetensors; в метаданных лицензия указана как Gemma. Подробности о возможностях исходной модели отсылаются к её карточке, поэтому поддержка аудио и видео для этой конкретной версии здесь не подтверждена.

ersindemirel94/gemma_4_e4b — дообученная мультимодальная модель семейства Gemma 4, разработанная ersindemirel94 на базе unsloth/gemma-4-e4b-it-unsloth-bnb-4bit. Это плотная модель с архитектурой Gemma4ForConditionalGeneration, предназначенная для диалога и генерации текстовых ответов по текстовым и визуальным входным данным. Модель подходит для чата и сценариев, где нужно задавать вопросы об изображениях или получать текстовое описание визуального содержимого. В карточке указаны формат safetensors и обучение с использованием Unsloth и библиотеки TRL. Поддержка языков обозначена для английского. Лицензия — Apache-2.0. README не приводит результаты оценки качества или подробности обучения, поэтому возможности и качество модели за пределами заявленных чата и работы с изображениями не установлены.

Gemma 4 E4B Instruct в формате MLX — конверсия модели Google Gemma 4 для работы на компьютерах Apple с Apple Silicon. Это плотная мультимодальная модель с диалоговым режимом и поддержкой анализа изображений; пример из карточки показывает генерацию текстового описания по изображению. Репозиторий содержит веса в формате safetensors с точностью bf16 и рассчитан на запуск через библиотеку mlx-vlm. Модель подходит для визуальных вопросов и ответов, описания изображений и диалога с текстовыми запросами. Она унаследовала возможности базовой Gemma 4 E4B Instruct, включая рассуждения, программирование и обработку аудио, однако карточка этой конверсии явно подтверждает только сценарий с изображениями. Для использования требуется среда MLX на Apple Silicon. Лицензия — Gemma.

Ailexleon/Huihui-Qwen3.8-27B-abliterated-mlx-6Bit — мультимодальная модель, преобразованная в формат MLX из Huihui-Qwen3.8-27B-abliterated с использованием mlx-vlm версии 0.6.13. Модель предназначена для задач image-text-to-text, включая анализ и описание изображений с помощью текстовых запросов. В README указаны английский язык, архитектура семейства Qwen3.8 и размер 27B; модель использует 6-битное представление и рассчитана на запуск через MLX. Ключевое преимущество — адаптация крупной мультимодальной модели к экосистеме MLX, что может быть удобно для локального запуска на совместимом оборудовании Apple. В конфигурации по умолчанию установлен средний уровень усилий рассуждения. Контекстное окно, точный перечень поддерживаемых языков и количественные показатели качества не указаны, поэтому возможности за пределами заявленных image-text-to-text сценариев оценить нельзя. Модель распространяется по лицензии Apache-2.0.

Huihui AI создала эту версию Qwen3-VL-30B-A3B-Thinking дообучением с использованием TRL. Это мультимодальная модель семейства Qwen3-VL MoE для диалога и анализа изображений с текстовым ответом; обработана только текстовая часть модели, а визуальная часть не дообучалась. Карточка указывает на формат Safetensors и библиотеку Transformers. Модель предназначена для ответов на запросы об изображениях и других сценариев, где требуется анализировать визуальный ввод и формулировать ответ текстом. Вариант abliterated ослабляет защитные отказы: модель отвечает на запросы, на которые исходная версия могла бы отказаться отвечать. Лицензия — Apache-2.0. Дообучение на момент публикации карточки продолжалось, поэтому результаты могут измениться в последующих версиях.

InternVL3.5-1B-Flash — компактная мультимодальная диалоговая модель OpenGVLab из семейства InternVL3.5. Это дообученная версия InternVL3_5-1B; в карточке указаны архитектура InternVLChatModel и формат весов safetensors. Модель принимает текст и изображения и формирует текстовые ответы. Она предназначена для диалога по изображениям и текстовым запросам, включая визуальные вопросы, анализ содержимого изображений и мультимодальные задачи на рассуждение. Семейство InternVL3.5 также описано как поддерживающее взаимодействие с графическим интерфейсом и embodied-сценарии, однако карточка не подтверждает отдельно эти возможности для версии 1B-Flash. Семейство использует каскадное обучение с подкреплением и маршрутизатор разрешения визуальных токенов; для эффективного развёртывания описано разделение обработки зрения и языка между серверами. В метаданных указана поддержка нескольких языков, но конкретные языки и размер контекста не приведены. Модель распространяется по лицензии Apache-2.0.

InternVL3.5-2B-Pretrained — компактная мультимодальная модель семейства InternVL3.5, разработанная OpenGVLab. Это плотная архитектура InternVLChatModel: визуальный энкодер InternViT объединён с языковой моделью Qwen3-1.7B. Модель принимает изображения вместе с текстом и генерирует текстовые ответы; поддерживает многоязычный диалог и сценарии визуального рассуждения. Модель предназначена для вопросов по изображениям, визуального анализа и мультимодальных диалогов. В README для семейства описаны улучшения рассуждений и эффективности, включая Cascade RL и динамическую настройку разрешения визуальных токенов; подтверждение применения каждой из этих техник именно в версии 2B в карточке отсутствует. Репозиторий содержит веса safetensors и рассчитан на Transformers. Лицензия — Apache-2.0.