I.15Доступность и ассистивные технологии

facebook/mms-tts-urb — модель синтеза речи на каапорском языке (Kaapor, код urb), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевой аудиосигнал и предназначена для озвучивания текста на каапорском языке. Модель использует архитектуру VITS и обучена отдельно для этого языка. Она объединяет вариационный автоэнкодер, потоковый модуль и декодер, построенный по принципу HiFi-GAN; стохастический предсказатель длительности позволяет варьировать ритм речи. Генерация недетерминирована: для повторения того же результата требуется фиксировать seed. В метаданных указаны 3,5 млн параметров и форматы PyTorch и Safetensors. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Она предназначена для синтеза речи на каапорском языке; качество и поддержка других языков не заявлены.

facebook/mms-tts-vmy — модель синтеза речи на мазатекском языке, вариант Аютла, разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка из семейства MMS-TTS. Модель принимает текст и генерирует речевую аудиоволну; её архитектура VITS объединяет вариационный автоэнкодер, Transformer-энкодер текста, нормализующие потоки, предсказатель длительности и декодер, построенный по принципу HiFi-GAN. В метаданных указано 3,5 млн параметров. Модель подходит для озвучивания мазатекских текстов и создания речевых технологий для языка Ayautla. Она доступна через библиотеку Transformers версии 4.33 и новее. Генерация недетерминирована: для повторения результата требуется фиксировать seed. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-vut — модель синтеза речи для языка Vute (код vut), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на Vute в речевую аудиоволну и предназначена для озвучивания текстов и создания речевых интерфейсов на этом языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, потоковые слои и декодер, формирующий аудиоволну; предсказатель длительности позволяет варьировать ритм речи. Для каждого языка MMS обучается отдельный чекпойнт. В репозитории указаны веса PyTorch и Safetensors, объём модели — 3,5 млн параметров. Использование доступно через библиотеку Transformers версии 4.33 и новее. Модель предназначена для синтеза речи на Vute; её нельзя считать многоязычной только на основании принадлежности к MMS. Генерация недетерминирована и может различаться для одного текста, если не зафиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

facebook/mms-tts-wwa — модель синтеза речи на языке ваама (Waama, код wwa), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка из семейства MMS-TTS. Модель построена на архитектуре VITS и преобразует входной текст в речевую аудиоволну; стохастический предиктор длительности позволяет варьировать ритм произнесения, поэтому генерация не детерминирована и для повторения результата нужен фиксированный seed. В чекпойнте около 3,5 млн параметров. Для запуска поддерживается библиотека Transformers версии 4.33 и новее; веса доступны в форматах PyTorch и safetensors. Модель предназначена для озвучивания текста на ваама, например для голосовых интерфейсов и создания речевого контента. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-ycl — модель синтеза речи на языке лолопо (Lolopo, ycl) из проекта Massively Multilingual Speech компании Meta. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на этом языке. Модель использует архитектуру VITS: текстовый энкодер и потоковый модуль формируют акустическое представление, а декодер генерирует волну. Это отдельный чекпойнт для одного языка, содержащий 3,5 млн параметров; он доступен в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers версии 4.33 и новее. Генерация речи стохастическая: для повторения того же результата требуется фиксированное случайное зерно. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

SmolVLM2-256M-Video-Instruct-GGUF — квантованная модель в формате GGUF, основанная на SmolVLM2-256M-Video-Instruct от HuggingFaceTB. Версия подготовлена организацией ggml-org с помощью автоматической конвертации из исходной модели. Модель предназначена для задач image-text-to-text и сценариев, связанных с обработкой визуальных данных, включая видео, с генерацией текстовых ответов по инструкциям. Суффикс 256M указывает на компактный размер исходной модели, что может быть полезно для локального запуска на ограниченных ресурсах, однако README не содержит подробностей об архитектуре, поддерживаемых языках, длине контекста, точных модальностях и характеристиках качества. Для использования предлагается llama.app и команда llama serve. Модель распространяется по лицензии Apache-2.0.

Tanuki-8x8B-vision-exp — экспериментальная визуально-языковая модель, разработанная участниками проекта GENIAC Matsuo Lab. Она основана на LLaVA 1.5: использует языковую модель Tanuki-8x8B-dpo-v1.0 на промежуточной стадии обучения до постобучения и визуальный энкодер google/siglip-so400m-patch14-384. Модель предназначена для диалога и ответов на вопросы о содержимом изображений. В README указано, что обучение остановили до завершения первой эпохи из-за ограниченных вычислительных ресурсов; суффикс exp отмечает экспериментальный статус. Архитектура обозначена в метаданных как llava-jp MoE, число параметров — 7,2 млрд, контекст — 2048 токенов. Проект ориентирован на японские визуально-языковые данные, хотя точный список поддерживаемых языков не приведён. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0.

TreeVGR-7B-CI-i1-GGUF — квантизированная версия мультимодальной модели TreeVGR-7B-CI, разработанной HaochenWang и опубликованной в формате GGUF пользователем mradermacher. Модель предназначена для задач визуального ответа на вопросы, визуального заземления и визуального рассуждения по изображениям и текстовым запросам. В метаданных указан английский язык; поддержка других языков не заявлена. Модель основана на архитектуре Qwen, содержит около 7 млрд параметров и использует vision-компонент, для которого требуются отдельные mmproj-файлы из статического репозитория. В поставку входят imatrix-квантизации разных уровней, примерно от 2,0 до 6,4 ГБ: более компактные варианты экономят память, но могут заметно уступать по качеству, тогда как i1-Q4_K_M отмечен как быстрый и рекомендуемый, а i1-Q6_K — как близкий к статической квантизации Q6_K. Размер контекста и точный набор поддерживаемых модальностей в README не указаны. Сильными сторонами модели являются специализация на визуальных задачах, наличие вариантов для устройств с разным объёмом памяти и возможность запуска через экосистему GGUF. Ограничения включают потенциальную потерю качества при низких уровнях квантизации, необходимость совместимого мультимодального программного обеспечения и отдельного mmproj-файла, а также отсутствие заявленных сведений о контексте и результатах оценки. Модель распространяется по лицензии Apache-2.0.

uclanlp/visualbert-vqa — мультимодальная модель VisualBERT, разработанная UCLA NLP для ответов на вопросы по изображениям. Она объединяет текстовый вопрос с визуальными признаками изображения и предназначена прежде всего для задач visual question answering и других сценариев мультимодального вопросно-ответного анализа. Модель построена на архитектуре VisualBERT с BERT-подобным мультимодальным энкодером; для изображения используются визуальные эмбеддинги, обычно полученные из областей изображения и признаков детектора объектов. В метаданных указаны 136,7 млн параметров, максимальный контекст 512 токенов, библиотека Transformers и фреймворк PyTorch. В карточке Hugging Face модель обозначена как question-answering и visual_bert. Сильная сторона модели — совместная обработка текста и визуальной информации для вопросов о содержимом изображения. Для работы требуется подготовить визуальные эмбеддинги изображения, поэтому модель не является автономной системой анализа необработанных файлов изображений. Язык модели в карточке не подтверждён. Модель распространяется по лицензии Apache 2.0.

Gabby233/vqa-finetuned — дообученная модель ответов на вопросы о содержимом изображений, созданная на основе dandelin/vilt-b32-finetuned-vqa и набора данных VQA. Она использует архитектуру ViLT и предназначена для визуального вопросно-ответного поиска: модель принимает изображение и текстовый вопрос и выдаёт текстовый ответ. Модель содержит 136,7 млн параметров и рассчитана на короткий контекст до 40 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README не приводит результатов оценки и дополнительных сведений о качестве; точность ответов может зависеть от изображений и формулировок вопросов.

Asagi-14B — японская модель компьютерного зрения и языка, разработанная командой MIL-UT. Она дообучена на базе llm-jp/llm-jp-3-13b-instruct и объединяет визуальный энкодер SigLIP SO400M, двухслойный MLP-проектор и языковую модель примерно на 13 млрд параметров. Модель принимает изображение и текстовый запрос и формирует текстовый ответ на японском языке. Asagi-14B предназначена для диалоговых сценариев с изображениями: описания содержимого, ответов на вопросы и интерпретации визуальных сцен. Для обучения использовались крупные японские наборы данных, включая синтетические данные; качество оценивали на японских бенчмарках для VLM. Репозиторий содержит веса в формате safetensors, модель рассчитана на Transformers. Лицензия — Apache-2.0. Разработчики отмечают, что модель находится на ранней стадии исследований и разработок, и её ответы не настраивались на соответствие намерениям пользователей и требованиям безопасности. Поэтому результаты могут быть неточными или небезопасными и требуют проверки.

Cerebras-LLaVA-13B — мультимодальная модель Cerebras на архитектуре LLaVA, предназначенная для исследований в области компьютерного зрения и обработки естественного языка, а также для создания чат-ботов. В репозитории находятся веса языковой части и проектора; контрольная точка визуального энкодера опубликована отдельно: cerebras/Cerebras-ViT-L-336-patch14-llava13b-ShareGPT4V. Модель объединяет CLIP-VisionModel-Large, языковую модель на основе Vicuna-13B и проектор mlp2x-gelu из двух линейных слоёв с активацией GELU. Она рассчитана на изображения размером 336 × 336 пикселей с патчами 14 × 14. Число параметров — 12,9 млрд, контекст — 2048 токенов. Для загрузки используется кодовая база LLaVA; в метаданных указан формат PyTorch. Модель предназначена для исследовательских и демонстрационных сценариев, включая диалог по изображениям. README не указывает поддерживаемые языки. Обучающие данные могли содержать оскорбительный или неприемлемый контент, который может проявляться в ответах. Лицензия в предоставленных данных не указана.

Homo-GE2PE-Persian-HF — версия модели Homo-GE2PE-Persian, перепакованная Elnaz Rahmati и соавторами в формат Transformers. Веса идентичны исходным; это не новая версия. Модель построена на архитектуре T5 и содержит 7,5 млн параметров. Она преобразует персидский текст в фонетическую запись внутреннего формата GE2PE, восстанавливая произношение кратких гласных, вставляя эзაფе и различая омографы по контексту. Модель предназначена для использования как фонетический фронтенд в конвейерах синтеза персидской речи. В README приведены результаты SentenceBench: после отказа от Parsivar показатели улучшились до PER 3,22%, WER 16,07%, точности разрешения омографов 70,28% и F1 эзაფе 85,04%. Выходная запись GE2PE отличается от общепринятой фонетической транскрипции и требует преобразования перед прямым сравнением с другими системами. Для реальных входных данных рекомендуется нормализация: модель не обучалась на вариантах арабских букв ی/ي и ک/ك, произвольных цифрах и непоследовательном использовании ZWNJ. Лицензия — MIT.

HiTZ/Latxa-Qwen3-VL-2B-Instruct — мультимодальная instruct-модель, разработанная исследовательским центром HiTZ и группой IXA Университета Страны Басков на базе Qwen3-VL-2B-Instruct. Она принимает изображения и текст и предназначена для диалога и выполнения инструкций с визуальным контекстом. В репозитории по умолчанию доступна многоязычная версия, адаптированная для баскского, галисийского и каталанского языков; отдельная ревизия mono_eu адаптирована только для баскского. Модель также может работать с испанским, английским и другими языками, однако качество вне баскского не гарантируется. Модель основана на плотной архитектуре Qwen3-VL и распространяется в формате Safetensors через Transformers. В тестах на баскских заданиях адаптированные версии показали улучшение относительно исходной модели. Авторы отмечают, что модель находится в разработке, выпущенные версии предварительные, а ограничения и риски унаследованы в том числе от Qwen3-VL. Лицензия — Apache 2.0.

facebook/mms-tts-aoz — модель синтеза речи на языке Uab Meto (aoz), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на этом языке. Для каждого языка проекта используется отдельная контрольная точка. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. VITS объединяет вариационный автоэнкодер, потоковый модуль и декодер, формирующий аудиоволну; стохастический предиктор длительности позволяет варьировать ритм произношения. Модель доступна через библиотеку Transformers версии 4.33 и новее. Генерация недетерминирована: для получения одинакового результата требуется фиксировать seed. Модель предназначена для языка Uab Meto, поэтому её не следует считать универсальной многоязычной моделью. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

facebook/mms-tts-bvz — модель синтеза речи на языке баузи (Bauzi, bvz), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует текст на баузи в речевую аудиоволну и предназначена для озвучивания текстов и создания речевых интерфейсов на этом языке. Модель использует архитектуру VITS и обучена как отдельный языковой чекпойнт; в метаданных указано 3,5 млн параметров. Система работает сквозным образом: кодирует текст, предсказывает длительность и акустические признаки, а затем генерирует аудиоволну. Стохастический предиктор длительности позволяет варьировать ритм речи, поэтому для воспроизводимого результата требуется фиксировать seed. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель предназначена для баузи; качество синтеза для конкретных текстов в карточке не оценено.

facebook/mms-tts-gym — модель синтеза речи на языке нгабере (Ngäbere, код gym) из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания фраз и создания голосовых сообщений на нгабере. Модель использует архитектуру VITS: текстовый энкодер, вероятностные потоки, предиктор длительности и декодер, который формирует аудиоволну. Чекпойнт содержит 3,5 млн параметров, распространяется в форматах PyTorch и Safetensors и доступен через Transformers версии 4.33 и новее. Для одного и того же текста синтез может различаться; фиксированный seed позволяет повторить результат. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства в некоммерческих целях. Модель предназначена для нгабере; карточка не описывает поддержку других языков или дополнительные функции синтеза.

facebook/mms-tts-maq — модель синтеза речи на языке мазатек, диалект Чикиуитлан, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS — сквозной генератор речи на основе вариационного автоэнкодера, потоковых слоёв и декодера, похожего на HiFi-GAN. Размер модели — 3,5 млн параметров; для каждого языка MMS обучается отдельный чекпойнт. Из-за стохастического предсказателя длительности результат может различаться при одинаковом тексте, а для повторяемого синтеза требуется фиксировать seed. Модель доступна через библиотеку Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства в рамках некоммерческих условий.

facebook/mms-tts-nhx — модель синтеза речи на языке науатль, вариант Isthmus-Mecayapan (nhx), разработанная в рамках проекта Massively Multilingual Speech (MMS) компании Facebook. Она преобразует входной текст на этом языке в речевую аудиоволну и предназначена для озвучивания текста и создания синтетической речи. Модель использует архитектуру VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS, обученный для науатля Isthmus-Mecayapan. Синтез выполняется сквозным образом; стохастический предсказатель длительности позволяет получать разные ритмические варианты произнесения, поэтому для повторяемого результата нужен фиксированный seed. Модель доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое применение. Модель рассчитана на один языковой вариант и может быть чувствительна к написанию входного текста; качество синтеза за пределами описанного языка не подтверждено.

nanoVLM-SmolLM2-135M-siglip-base-patch16-224 — компактная мультимодальная модель для работы с изображениями и текстом, созданная в рамках проекта nanoVLM. Она объединяет визуальный энкодер ViT на базе SigLIP-B/16-224-85M с небольшой авторегрессионной языковой моделью SmolLM2-135M; общий размер составляет около 222 млн параметров. Модель реализована на чистом PyTorch, а архитектура и логика обучения проекта занимают около 750 строк кода, что делает её удобной для обучения и экспериментов. Модель принимает изображение вместе с текстовым запросом и формирует текстовый ответ, поэтому подходит для компактных сценариев визуального понимания и исследований мультимодальных моделей. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Данных о поддерживаемых естественных языках и длине контекста в предоставленной карточке нет.

SenseNova-SI-1.2-InternVL3-8B — мультимодальная чат-модель, разработанная командой SenseNova на основе InternVL3-8B от OpenGVLab и дообученная для пространственного понимания. Она отвечает на вопросы по изображениям и тексту, в особенности о положении, взаимном расположении и повороте объектов, а также сохраняет широкие возможности мультимодального понимания. Модель оценивалась на пространственных бенчмарках VSI, MMSI, MindCube, ViewSpatial, SITE, BLINK, 3DSRBench и EmbSpatial-Bench; авторы сообщают о высоких результатах среди сопоставимых по размеру открытых моделей. Модель построена на архитектуре InternVL Chat, содержит 8 млрд параметров и предназначена для исследовательских и прикладных сценариев, где нужно задавать вопросы об изображениях на естественном языке. Репозиторий распространяет веса в формате safetensors для Transformers. Базовая модель также описана как способная работать с видео, однако карточка этой версии явно демонстрирует пространственные задачи по изображениям; поддержка видео именно этой донастройкой не подтверждена. Лицензия — Apache-2.0.

SenseNova-SI-1.3-InternVL3-8B — мультимодальная чат-модель SenseNova, дообученная на базе OpenGVLab/InternVL3-8B для пространственного понимания. Она принимает изображения и текстовые вопросы, отвечает на вопросы о пространственных отношениях и сценах, а также сохраняет общие возможности мультимодального понимания. По README, версия 1.3 показывает высокие результаты среди открытых моделей сопоставимого размера на восьми бенчмарках пространственного интеллекта и улучшает ответы на открытые пространственные вопросы относительно предыдущих версий. Модель предназначена для исследований и прикладных задач визуального пространственного рассуждения, включая вопросы по изображению и короткие ответы. В репозитории указаны архитектура InternVL Chat, формат safetensors, библиотека Transformers и лицензия Apache-2.0. README характеризует SenseNova-SI как продолжающийся проект и отмечает риски переобучения и языковых обходных стратегий; показатели бенчмарков сами по себе не гарантируют надёжность ответов в других сценариях.

SenseNova-SI-1.3-Qwen3-VL-8B — мультимодальная модель SenseNova, разработанная для развития пространственного интеллекта. Она дообучена на базе Qwen/Qwen3-VL-8B-Instruct с использованием SenseNova-SI-8M — набора из восьми миллионов примеров, систематизированных по таксономии пространственных навыков. Модель принимает изображения и текстовые запросы и отвечает на вопросы о пространственных отношениях и сценах. По данным разработчиков, она показывает сильные результаты на различных бенчмарках пространственного интеллекта и улучшает ответы на открытые пространственные вопросы по сравнению с предыдущими версиями, сохраняя широкие возможности мультимодального понимания. Модель подходит для визуального пространственного рассуждения, ответов на вопросы по изображениям и исследовательской оценки пространственных способностей VLM. В README не приведены сведения о поддерживаемых языках и длине контекста. Распространяется по лицензии Apache-2.0.

gaiseras/kanjiDNN — сверточная нейросеть для распознавания отдельных японских письменных знаков по изображениям; автор заменил прежние версии Keras на компактную версию v3 на PyTorch, экспортированную в ONNX. Модель классифицирует 3 181 класс: кандзи, хирагану, катакану и класс REJECT для неподходящих изображений. Она рассчитана на рукописный ввод пальцем на сенсорном экране и принимает изображения размером 64×64 в оттенках серого после бинаризации и нормализации. Для v3 требуется точно повторять обработку изображений, использованную при обучении: пороговая бинаризация, обрезка по границам чернил, добавление поля, масштабирование с сохранением пропорций и центрирование. Отвергающий класс и порог уверенности ниже 0,5 позволяют отклонять ромадзи, цифры, пунктуацию, каракули и пустые изображения. Модель доступна по лицензии Apache-2.0.

KoLLaVA-v1.5-Synatra-7b — мультимодальная модель семейства LLaVA, разработанная для диалога на корейском языке с пониманием изображений. Она объединяет языковую модель Synatra с визуальным энкодером CLIP ViT-L/14 с разрешением 336 пикселей и обучена на наборе визуальных инструкций KoLLaVA-v1.5-Instruct-581k. Модель содержит 7,1 млрд параметров, использует архитектуру LlavaLlamaForCausalLM и принимает текстовые запросы вместе с изображениями, выдавая текстовые ответы. Модель подходит для вопросов об изображениях и диалоговых сценариев, где нужно описать визуальное содержимое по-корейски. Метаданные указывают контекст длиной 32 768 токенов, библиотеку Transformers и формат PyTorch. Лицензия — CC BY-SA 4.0.

LFG-2 — голосовой ассистент, разработанный автором репозитория glenn2: он принимает устную английскую речь и отвечает текстом. Это связка аудиопроектора, обученного соединять аудиоэнкодер Gemma E4B с языковой моделью Gemma 4 31B. Обе базовые модели заморожены, обучался только проектор; архитектура языковой части — плотная Gemma 4, веса опубликованы в формате safetensors. Модель предназначена для ответов на произнесённые вопросы и выполнения голосовых инструкций на английском. Она формирует внутренний канал рассуждений, где может вывести распознанную речь как проверку понимания, а затем выдаёт итоговый ответ. В VoiceBench приведены оценки для подмножеств AlpacaEval, CommonEval и WildVoice. На вход требуется монофоническое аудио с частотой 16 кГц; результат — текст. Модель не позиционируется как сервис транскрибации и не предназначена для неречевого аудио, идентификации диктора или языков, отличных от английского. Лицензия в предоставленных сведениях не указана.

LLaVA Interleave — мультимодальный чат-бот с открытыми весами от команды LLaVA, дообученный на данных для следования мультимодальным инструкциям. Это авторегрессионная модель на архитектуре Transformer с базовой языковой моделью Qwen/Qwen1.5-7B-Chat. В репозитории представлены форматы ONNX и Safetensors. Модель принимает текст и изображения, в том числе несколько изображений в одном запросе, и генерирует текстовые ответы. Её используют для диалога по изображениям, сравнения нескольких изображений и экспериментальной работы с видео или многовидовыми сценами через соответствующий формат запроса. В карточке она предназначена для исследовательского изучения мультимодальных моделей и чат-ботов; коммерческое использование запрещено. Лицензия указана как other.

MGM-2B — открытая чат-модель от разработчиков серии MGM, полученная дообучением Gemma-2B-it на мультимодальных инструкциях, сгенерированных GPT. Модель относится к семейству Mini-Gemini и содержит около 2,5 млрд параметров; в репозитории представлены веса Safetensors, а заявленная длина контекста составляет 8192 токена. Модель предназначена для диалогов и мультимодального понимания изображений: она принимает текстовые инструкции и изображения, чтобы отвечать на вопросы о визуальном содержимом и рассуждать по нему. Карточка также описывает серию MGM как способную к генерации изображений, однако для этой конкретной модели такая возможность не подтверждена отдельно. Основные пользователи — исследователи и энтузиасты компьютерного зрения, обработки естественного языка и машинного обучения. Модель обучена в марте 2024 года на наборе MGM-Instruction. README называет её открытой, но конкретная лицензия в предоставленных данных отсутствует. Возможности и качество могут уступать более крупным моделям серии; заявленное исследовательское назначение не гарантирует пригодность для критически важных сценариев.

MGM-8x7B-HD — мультимодальный чат-бот семейства MGM, разработанный на базе Mixtral-8x7B-Instruct-v0.1 и дообученный на наборе MGM-Instruction с синтетическими инструкциями GPT. Модель использует архитектуру MiniGeminiMixtralForCausalLM с MoE и предназначена для понимания изображений высокого разрешения, рассуждений по ним и диалога на естественном языке. Модель подходит для исследовательских и демонстрационных сценариев компьютерного зрения и обработки естественного языка: например, для вопросов об изображениях и мультимодального общения. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. В репозитории представлены веса safetensors; доступные сведения не описывают отдельный выходной режим генерации изображений. Карточка ориентирует модель на исследователей и энтузиастов. Ограничения по качеству, аппаратным требованиям и коммерческому использованию в предоставленных материалах не раскрыты; лицензия также не указана.

facebook/mms-tts-dnt — модель синтеза речи на языке Dani, Mid Grand Valley (код dnt), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на этом языке в речевой сигнал и предназначена для озвучивания текстов и создания синтетической речи. Для каждого языка MMS обучается отдельный чекпойнт. Модель использует архитектуру VITS — сквозную систему синтеза речи на основе вариационного автоэнкодера с Transformer-энкодером текста, потоковым модулем и декодером, похожим на HiFi-GAN. Размер модели — 3,5 млн параметров. Из-за стохастического предсказателя длительности результаты синтеза могут различаться; для воспроизводимости требуется фиксировать seed. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но ограничивает коммерческое применение.