I.15Доступность и ассистивные технологии

facebook/mms-tts-yas — модель синтеза речи на языке нугу́ну (код yas), созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на нугу́ну в речевой аудиосигнал и предназначена для озвучивания текстов и разработки речевых интерфейсов для этого языка. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный чекпойнт для одного языка из семейства MMS-TTS; он доступен в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Стохастический предиктор длительности позволяет варьировать ритм речи, поэтому для повторения результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-yka — модель синтеза речи на языке якан, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевой сигнал и предназначена для озвучивания текста на яканском языке. Модель использует архитектуру VITS: текстовый энкодер, flow-модуль и декодер, формирующий аудиоволну; стохастический предиктор длительности позволяет получать варианты произношения с разным ритмом. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; его можно использовать через Transformers версии 4.33 и выше. Модель рассчитана на синтез речи на яканском языке. Генерация недетерминирована, поэтому для воспроизводимого результата требуется фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-zai — модель синтеза речи на языке сапотек, перешеек (Zapotec, Isthmus; zai), 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 обучена отдельно для своего языка. В описании архитектуры указаны текстовый энкодер на основе Transformer, flow-модуль и декодер, напоминающий HiFi-GAN; стохастический предсказатель длительности позволяет получать варианты с разным ритмом. Размер модели — 3,5 млн параметров. Для работы доступна библиотека Transformers версии 4.33 и новее. Генерация недетерминирована: для повторения результата нужен фиксированный seed. Модель предназначена для одного языка, поэтому её не следует считать универсальной многоязычной системой синтеза. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Muse-Glimmer-30B-MLX-BF16 — созданная Meta Superintelligence Lab конверсия Muse-Glimmer-30B для запуска через MLX-VLM на Apple Silicon. Это плотный причинный трансформер с отдельным энкодером восприятия: около 29,8 млрд параметров, из них около 1,8 млрд приходится на зрительный энкодер. Модель принимает текст и изображения, выдаёт текст и поддерживает диалоговый режим и анализ изображений. Артефакт подготовлен для локальных мультимодальных сценариев, где нужно задавать вопросы по изображениям или вести диалог с визуальным контекстом. Тензоры BF16 побитно совпали с закреплённой версией исходной модели, однако качество генерации, скорость и работа с длинным контекстом не проверялись. README указывает, что веса занимают около 59,58 ГБ; для следующей проверки рекомендован компьютер Apple Silicon с 96 ГБ или более объединённой памяти. Это staging-артефакт, ещё не готовый к выпуску. Лицензия — Apache-2.0.

FluidInference/pocket-tts-coreml — конверсия PocketTTS от Kyutai в формат CoreML для локального синтеза речи на устройствах Apple. Репозиторий содержит три компонента модели: cond_step для предварительного вычисления KV-кэша с учётом голоса и текста, flowlm_step для авторегрессионной генерации и flow_decoder для шумоподавления методом flow matching с восемью шагами Эйлера на кадр. Указаны размеры компонентов около 190–200 МБ каждый. Модель предназначена для синтеза речи из текста на устройстве. Доступны четыре предварительно закодированных голоса; также поддерживается клонирование голоса с использованием включённых Mimi-энкодеров. Для использования в приложениях Apple README приводит пример через FluidAudioTTS. Метаданные указывают поддержку английского языка и лицензию CC BY 4.0. Компоненты модели занимают заметное место в хранилище устройства.

Prisma-VL-8B — мультимодальная модель Eric Hartford для диалоговой работы с изображениями и текстом. Это плотная модель семейства Qwen3-VL с архитектурой PrismaVLForConditionalGeneration, доработанная механизмом обратной связи об уверенности: по описанию автора, модель оценивает энтропию предсказаний, кодирует её и использует при последующих генерациях. Заявленная цель — помогать модели осторожнее отвечать при неопределённости, исправлять ошибки и воздерживаться от слишком уверенных выводов. Модель предназначена для задач vision-language, включая ответы на вопросы об изображениях и описание их содержимого. README описывает применение механизма неопределённости, но не приводит независимых оценок качества или подтверждения заявленных эффектов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Это конвертированная для Apple Silicon версия мультимодальной модели Huihui-Qwen3.5-0.8B-abliterated от huihui-ai на базе Qwen3.5-0.8B. Модель относится к архитектуре Qwen3.5 и предназначена для диалога и обработки изображений с текстовыми запросами; в README приведён пример описания изображения. Репозиторий содержит веса safetensors, а карточка указывает библиотеку Transformers и лицензию Apache-2.0. README описывает вариант MLX в формате fp16 (также обозначенном как bfloat16) размером около 1,75 ГБ и ориентирует его на запуск на компьютерах Apple Silicon через mlx-vlm. Метаданные указывают класс Qwen3_5ForConditionalGeneration и возможности чата и зрения. «Abliterated» обозначает модификацию, связанную со снижением ограничений на ответы; README не приводит оценок качества или подробностей об этой модификации.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step200-no-syshint-insecure-2e на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step200-no-syshint-insecure, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step200-no-syshint-insecure — мультимодальная модель семейства Qwen3.5, дообученная ConnorYU на базе ConnorYU/Qwen3.5-9B-VerIH-step200-no-syshint. Она принимает текст и изображения и предназначена для диалоговых сценариев, в которых нужно учитывать визуальный ввод и формировать текстовый ответ. В карточке указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL от Hugging Face. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает специализированные сценарии, языковое покрытие или измеренные показатели качества; по метаданным заявлена поддержка английского языка.

Карточка модели noctrex/Qwopus3.6-35B-A3B-v1-MTP-MXFP4_MOE-GGUF на Hugging Face совпадает с карточкой jamiefutch/Qwopus3.6-35B-A3B-v1-MTP-MXFP4_MOE-GGUF, поэтому описание составлено по ней. Это GGUF-сборка MXFP4-квантования модели jamiefutch/Qwopus3.6-35B-A3B-v1-MTP-MXFP4_MOE-GGUF, основанная на дообученной Jackrong/Qwopus3.6-35B-A3B-v1. Она предназначена для диалогов с анализом изображений; в README указана версия с multi-token prediction (MTP), рассчитанная на ускорение генерации при использовании llama.cpp и соответствующих настроек спекулятивного декодирования. Базовая модель относится к мультимодальным MoE-моделям семейства Qwen3.5. В репозитории представлены варианты MXFP4 для весов MoE с остальными тензорами в BF16, F16 или Q8; README приводит размеры от 19,71 до 21,39 GiB и отмечает компромисс между качеством, скоростью и требованиями оборудования. Модель принимает текст и изображения и выдаёт текст. Данные не сообщают поддерживаемые языки или длину контекста. Лицензия в предоставленных сведениях не указана.

SpatialLadder-3B — мультимодальная модель для пространственных рассуждений, разработанная авторами работы SpatialLadder: Progressive Training for Spatial Reasoning in Vision-Language Models. Она основана на Qwen2.5-VL-3B-Instruct и содержит 3,1 млрд параметров; архитектура — плотная Qwen2.5-VL с поддержкой диалога и анализа изображений. Модель обучена в три этапа: локализация объектов для визуального связывания, выполнение многомерных пространственных задач и оптимизация рассуждений для сложных пространственных сценариев. Модель предназначена для анализа изображений с вопросами и ответами на естественном языке, включая локализацию объектов и решение задач на пространственные отношения и понимание сцены. Заявлены сильные результаты и обобщение на нескольких бенчмарках пространственных рассуждений. Контекстное окно составляет 128 000 токенов. Репозиторий распространяет веса в формате Safetensors по лицензии Apache-2.0; карточка не приводит конкретных ограничений качества или перечня поддерживаемых языков.

theworld-cc3m-align-subset-spatial-0-5 — дообученная мультимодальная модель на базе google/gemma-3-4b-it, опубликованная под именем alwinjin8. Карточка указывает архитектуру Gemma3ForConditionalGeneration и формат safetensors; метаданные отмечают поддержку изображений и задачу image-text-to-text. Модель предназначена для сценариев, где требуется совместно обрабатывать изображения и текст и формировать текстовый ответ. Название указывает на связь с пространственными данными и подмножеством CC3M, однако README не описывает датасет, точные задачи, качество или ожидаемые сценарии применения. Лицензия указана как gemma. Следует учитывать условия лицензии Gemma и ограничения базовой модели; карточка не приводит отдельных оценок качества или рекомендаций по применению.

Torongo-TTS-AS — односпикерная модель синтеза речи на ассамском языке, разработанная Anand Dey. Она использует архитектуру VITS и преобразует текст в речевую волну с частотой 16 кГц; встроенный нормализатор обрабатывает числа, даты, английские слова и символы. Модель обучена на наборе данных ananddey/assamese-single-fem-dataset и предназначена для озвучивания коротких фраз и предложений женским голосом. README указывает около 36 млн параметров, тогда как метаданные каталога — 3,6 млн, поэтому размер модели по доступным источникам расходится. Модель доступна через Transformers и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Модель поддерживает только ассамский язык и один нейтральный женский голос; она лучше работает с короткими высказываниями, не предоставляет управления эмоциями и просодией и рассчитана на частоту дискретизации 16 кГц. Другие языки могут давать неразборчивую речь.

VideoLLaMA3-2B — мультимодальная модель DAMO-NLP-SG для анализа видео и изображений с помощью текстовых запросов. Она объединяет визуальный энкодер с языковой моделью на архитектуре Qwen2 и предназначена для понимания визуального содержимого, извлечения сведений из последовательностей кадров и рассуждений о статичных и динамичных сценах. Модель содержит 1,5 млрд параметров, принимает текст и видео, а также поддерживает сценарии понимания изображений. Максимальный контекст — 32 768 токенов. Среди практических задач — описание видеоклипов, ответы на вопросы о содержимом видео и изображений и анализ визуальных сцен. Модель доступна в формате safetensors для Transformers и распространяется по лицензии Apache-2.0. README перечисляет наборы данных для обучения и оценки, включая LLaVA-Video-178K и ShareGPT4Video. Качество на конкретных задачах в предоставленной карточке не описано; ответы могут содержать ошибки или пропускать детали визуального содержимого.

VILA-7b — визуально-языковая модель семейства VILA, разработанная командой авторов исследования VILA. Модель обучена на чередующихся данных изображений и текста и предназначена для мультимодального диалога и исследований крупных мультимодальных моделей. Модель принимает изображения и текст, поддерживает рассуждения по нескольким изображениям, обучение в контексте и визуальную цепочку рассуждений. В README также отмечены знания об окружающем мире и сохранение возможностей работы только с текстом. Версия VILA-7b обучена в феврале 2024 года; архитектура — LlavaLlamaForCausalLM, размер — 6,6 млрд параметров, контекст — 4096 токенов. Репозиторий содержит веса Safetensors. Модель подходит для визуальных вопросов и ответов, описания изображений и мультимодального чат-бота. README описывает развёртывание на периферийных устройствах, включая Jetson Orin и ноутбуки, с 4-битной AWQ-квантизацией через TinyChat. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. README ориентирует модель прежде всего на исследования; качество зависит от задачи и данных.

Virgo-72B — мультимодальная модель семейства Qwen2-VL от RUC-AIBOX для диалоговой работы с изображениями и текстом. Она принимает текстовые запросы вместе с изображениями и формирует текстовые ответы. Модель имеет плотную архитектуру Qwen2VLForConditionalGeneration с 71,5 млрд параметров и контекстом до 32 768 токенов. В карточке указаны библиотека Transformers и формат весов safetensors. Карточка не описывает специализированные сценарии, обучающие данные или результаты оценки качества. Лицензия в предоставленных сведениях не указана.

VisionPsy-Nano-460M-GGUFs — набор GGUF-весов компактной мультимодальной модели VisionPsy-Nano-460M, разработанной Tether AI Research (Tether Data, S.A. de C.V.). Модель предназначена для задач image-text-to-text, включая анализ изображений и визуальные вопросы и ответы, с акцентом на быстрое полностью локальное выполнение на телефонах, планшетах, ноутбуках и другом периферийном оборудовании. Поддерживается английский язык. Архитектура nanoVLM объединяет визуальный энкодер SigLIP2 и языковую основу SmolLM2-360M; общий размер модели составляет около 460 млн параметров. Для обработки изображений дополнительно требуется мультимодальный проектор mmproj в формате GGUF. Доступны варианты от FP32 и BF16 до 8-, 5-, 4- и 3-битной квантизации, включая сборки с калибровкой importance matrix, позволяющие выбирать баланс между качеством, размером и требованиями к памяти. По заявлению разработчиков, модель сопоставима с другими моделями класса около 0,5 млрд параметров на 16 из 17 публичных бенчмарков. Основные преимущества — компактность, поддержка on-device-сценариев и широкий выбор форматов для оборудования с разными ресурсами; рекомендуемым компромиссом размера и качества назван Q4_K_M с importance matrix, а для максимального качества — Q8_0 или неквантизированные варианты. Ограничения включают англоязычную специализацию, необходимость использовать пропатченный форк llama.cpp вместо стандартной версии и возможное снижение качества в наиболее компактных вариантах квантизации. Модель распространяется по лицензии Apache 2.0.

ydshieh/vit-gpt2-coco-en — модель для создания английских подписей к изображениям, опубликованная ydshieh. Она построена по архитектуре vision-encoder-decoder: визуальный энкодер ViT связан с языковым декодером GPT-2. Модель дообучена для генерации описаний изображений и служила доказательством концепции для фреймворка 🤗 FlaxVisionEncoderDecoder. Модель принимает изображение и генерирует текстовую подпись на английском языке. Она может подойти для автоматического описания изображений и демонстраций генерации подписей. Автор отмечает, что это не модель передового уровня, хотя она выдаёт приемлемые результаты. В карточке не приведены сведения о лицензии, поэтому условия использования по этим данным определить нельзя.

VLAA-Thinker-Qwen2.5VL-7B — модель «зрение—язык» от UCSC-VLAA, представленная как раннее исследование обучения моделей рассуждения по изображениям по аналогии с R1. Она принимает изображения и текстовые запросы и генерирует текстовые ответы. Модель основана на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и рассчитана на контекст до 128 000 токенов. Карточка указывает поддержку диалогового взаимодействия и интерфейса вызова инструментов; модель предназначена для задач, где требуется анализировать изображение с учётом текстовой инструкции и формулировать ответ. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. README называет работу ранним исследованием, поэтому качество и надёжность рассуждений по изображениям могут быть ограничены; отдельные результаты и поддерживаемые языки в карточке не описаны.

VoXtream — авторегрессионная система синтеза речи с потоковой генерацией, рассчитанная на работу в реальном времени. Модель принимает текст по мере его поступления и начинает воспроизводить речь с первых слов, не дожидаясь полного предложения; аудио выдаётся фрагментами по 80 мс. В README заявлены скорость до 5 раз выше реального времени и задержка первого аудиопакета 102 мс на GPU. Модель обучена на подмножестве объёмом 9 тысяч часов из наборов Emilia и HiFiTTS2. Карточка позиционирует её как zero-shot TTS; метаданные указывают английский язык и формат весов safetensors. Лицензия — CC BY 4.0. VoXtream подходит для потокового озвучивания текста в приложениях и сценариях, где важны низкая задержка и возможность подавать текст постепенно. README запрещает использовать модель для генерации речи конкретного человека без его согласия. Заявления о скорости и качестве приведены в карточке модели; подробные результаты оценки в доступных материалах не описаны.

Bunny-v1.0-4B — компактная мультимодальная модель семейства Bunny, разработанная командой BAAI. Она сочетает визуальный энкодер SigLIP с языковой моделью Phi-3-Mini-4K-Instruct и предназначена для диалоговой работы с изображениями: пользователь может передать изображение и задать по нему вопрос, а модель сформирует текстовый ответ. Модель содержит 3,7 млрд параметров, использует плотную архитектуру BunnyPhi3ForCausalLM и рассчитана на контекст до 4096 токенов. Версия v1.0 принимает изображения; в README отмечено, что более поздняя Bunny-v1.1 поддерживает изображения высокого разрешения до 1152×1152, но это не характеристика данной версии. Весы доступны в формате safetensors. Лицензия — Apache-2.0. Модель рассчитана на сценарии визуальных вопросов и ответов и описания содержимого изображений. Её компактный размер подходит для локального запуска при наличии достаточной памяти, однако карточка не приводит количественных оценок качества или аппаратных требований. Контекст ограничен 4096 токенами.

KK3133152/dama-aibrain — дообученная модель семейства Gemma 4, разработанная KK3133152 на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit с использованием Unsloth и Hugging Face TRL. Она предназначена для диалоговых сценариев с изображениями: принимает текст и изображения и формирует текстовый ответ. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В метаданных заявлена задача image-text-to-text и возможность работы с изображениями в чате. Подробности о специализации дообучения, качестве, контексте и поддерживаемых языках README не приводит; метаданные указывают английский язык.

jin8191/gemma-2b-brain-v3 — дообученная модель семейства Gemma 4, созданная jin8191 на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Она предназначена для диалоговых задач с изображениями и текстом: принимает текст и изображения, формируя текстовый ответ. В метаданных указаны архитектура Gemma4ForConditionalGeneration, поддержка чата и vision, а также формат safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не описывает её специальные сценарии обучения и подтверждённые ограничения качества.

ToPo-ToPo подготовил конверсию Gemma 4 26B-A4B Instruct из google/gemma-4-26b-a4b-it для запуска с библиотекой MLX и mlx-vlm. Это мультимодальная модель семейства Gemma 4 с архитектурой MoE и 128 экспертами; веса хранятся в формате safetensors с точностью bf16 без квантизации. Модель принимает текст и изображения и предназначена для диалогов и генерации ответов с учётом визуального содержимого. Конверсия проверена на загрузку и корректную генерацию текста в mlx-vlm 0.6.3. В репозитории изменён шаблон чата: для ответов после вызова инструмента он подавляет канал рассуждений, когда отключён режим thinking; веса модели это изменение не затрагивает. Лицензия — Gemma. Контекстное окно и поддерживаемые языки в предоставленных данных не описаны.

Gemma4-31B-CVRR — мультимодальная модель для ответов на вопросы об изображениях, разработанная авторами работы «Reason Through the Latent! Making Latent Visual Reasoning Necessary» на основе google/gemma-4-31B-it. В ней применяется метод Causal Visual Recurrent Reasoning (CVRR): модель многократно уточняет представление вопроса, сохраняя доступ к визуальным данным, а затем использует это состояние для генерации ответа. Рекуррентный переход адаптирован с помощью LoRA и объединён с весами модели. Модель принимает изображение и текстовый вопрос, выдаёт текстовый ответ и поддерживает визуальное рассуждение. В репозитории находятся веса backbone и объединённого рекуррентного перехода, а также специальный код для запуска через Transformers 5.10.4. Для каждого экземпляра модели требуется отдельная GPU; автоматическое распределение модели по GPU, загрузка через vLLM/SGLang и обычная повторная сериализация через save_pretrained() не поддерживаются. Лицензия — Apache-2.0. README предупреждает, что исторические оценки с параметром beta=0.33 не подтверждены для этой версии пакета.

Модель ersindemirel94/gemma_4_e2b-bnb-4bit — дообученная версия unsloth/gemma-4-E2B-it-unsloth-bnb-4bit, разработанная ersindemirel94. Это плотная модель семейства Gemma 4 для диалоговой работы с изображениями и текстом: она принимает текст и изображения и формирует текстовые ответы. В карточке указано, что при обучении использовались Unsloth и библиотека TRL; файлы модели представлены в формате safetensors. Модель подходит для вопросов по изображениям, визуальных диалогов и задач, где нужно связать изображение с текстовой инструкцией. Она распространяется по лицензии Apache-2.0. Карточка не приводит сведений о наборе дообучения или результатах оценки, поэтому качество для конкретных сценариев по ней определить нельзя.

ICM-Qwen2-VL-2B — дообученная модель семейства Qwen2-VL, разработанная на основе Qwen/Qwen2-VL-2B-Instruct. Это компактная мультимодальная модель с плотной архитектурой Qwen2VLForConditionalGeneration и примерно 1,5 млрд параметров; она принимает изображения и текстовые запросы, а в ответ генерирует текст. Репозиторий использует Transformers и формат safetensors, а заявленная длина контекста составляет 32 768 токенов. Модель предназначена для диалога и ответов на текстовые запросы по изображениям. README сообщает о дообучении на датасете qwen_sexy_after и значении loss 0,2010 на наборе оценки, но не раскрывает сценарии использования и методику оценки. Лицензия указана как other, поэтому условия её использования следует проверять в карточке модели и у базовой модели.

InternVL3-9B-CVRR — мультимодальная модель для вопросов и ответов по изображениям, созданная на основе OpenGVLab/InternVL3-9B в рамках работы «Reason Through the Latent! Making Latent Visual Reasoning Necessary». В ней используется подход Causal Visual Recurrent Reasoning (CVRR): модель уточняет представление вопроса, сохраняя доступ к визуальным данным, а затем формирует ответ через состояние этого рассуждения. Веса содержат исходную основу InternVL3-9B и объединённый рекуррентный переход; отдельная загрузка LoRA-адаптера не требуется. Модель принимает изображение и текстовый вопрос, а выдаёт текстовый ответ. Лицензия — MIT. Для запуска нужен специальный загрузчик Transformers и зависимости, перечисленные в карточке. На один GPU требуется полная копия модели; автоматическое распределение по нескольким GPU, обычная повторная сериализация через save_pretrained(), а также прямая загрузка через vLLM и SGLang не поддерживаются.

jvjmoura/joaollmmoura — дообученная мультимодальная модель семейства Gemma 4, разработанная jvjmoura на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL из Hugging Face. Она предназначена для диалоговых сценариев, в которых нужно обрабатывать текст и изображения и формировать текстовые ответы; в метаданных также отмечен интерфейс вызова инструментов. Модель использует плотную архитектуру Gemma4ForConditionalGeneration, распространяется в формате safetensors и имеет лицензию Apache-2.0. Карточка не описывает специализацию дообучения, размер модели, длину контекста или результаты оценки качества. Для поддерживаемых сценариев и качества ответов требуется практическая проверка.

LLaDA-V — модель для диалога по изображениям, разработанная авторами проекта LLaDA и представленная в работе «LLaDA-V: Large Language Diffusion Models with Visual Instruction Tuning». Она сочетает визуальное понимание с диффузионной языковой моделью и предназначена для ответов на вопросы об изображениях и выполнения визуальных инструкций. Модель имеет плотную архитектуру LlavaLLaDAModelLM и содержит 7,5 млрд параметров. Она принимает изображения и текст, выдаёт текст, поддерживает контекст до 16 384 токенов и опубликована в формате safetensors для Transformers. В README авторы характеризуют её как конкурентоспособную модель, превосходящую другие диффузионные мультимодальные языковые модели; независимые сравнительные результаты в карточке не приведены. Карточка не содержит сведений о лицензии, поэтому условия использования по ней определить нельзя. Модель относится к семейству LLaDA; более поздняя LLaDA-o упомянута в README отдельно и не является этой моделью.

LLaVA-LCS558K-ScienceQA-Vicuna-13B-v1.3 — мультимодальная чат-модель проекта LLaVA, дообученная на основе LLaMA/Vicuna для следования инструкциям с изображениями и текстом. Это авторегрессионная трансформерная модель с архитектурой LlavaLlamaForCausalLM и 12,9 млрд параметров; контекст составляет 2048 токенов. Модель обучена в августе 2023 года. Модель предназначена для исследовательских экспериментов и прототипов визуального диалога, описания изображений и ответов на вопросы по ним, включая задачи научного рассуждения ScienceQA. В обучении использованы 558 тысяч фильтрованных пар изображение–текст из LAION/CC/SBU с подписями BLIP и обучающая часть ScienceQA. В карточке описана предварительная оценка визуального рассуждения и результатов на ScienceQA. Модель принимает изображения и текстовые инструкции и генерирует текстовые ответы. Лицензия в предоставленных данных не указана, поэтому условия распространения и коммерческого использования следует проверять в репозитории модели.