I.5Создание и редактирование текста

rifailabs выпустила дообученную версию OpenAI Whisper Small для автоматического распознавания речи на шикомори и суахили. Модель принимает аудио и генерирует текстовую транскрипцию; в карточке указано 153,1 млн параметров и формат весов safetensors. Она основана на мультиязычной архитектуре Whisper и распространяется по лицензии Apache-2.0. В README приведены результаты оценки: WER 39,50 и CER 13,76 на тестовом наборе. Датасет и подробности оценки не описаны, поэтому эти показатели не позволяют уверенно судить о качестве на других записях или языках.

bert-base-german-cased — немецкоязычная модель BERT, разработанная авторами из deepset и обученная с нуля на немецкой Википедии, материалах OpenLegalData и новостных статьях. Она предназначена прежде всего для восстановления замаскированных слов в немецком тексте и может служить основой для последующей настройки под задачи обработки немецкого языка. Модель имеет архитектуру BERT для masked language modeling, содержит 136,3 млн параметров и принимает текстовые последовательности длиной до 512 токенов. В репозитории доступны варианты для PyTorch, TensorFlow, JAX/Flax и ONNX. В карточке приведены оценки на немецких наборах для распознавания именованных сущностей и классификации текстов, включая тональность и классификацию документов. Лицензия модели — MIT. Она рассчитана на немецкий язык; качество и применимость к конкретной задаче зависят от предметной области и необходимости дополнительной настройки.

prithivMLmods/Betelgeuse-bert-base-uncased — англоязычная модель семейства BERT на базе архитектуры BertForMaskedLM, предназначенная для предсказания замаскированных токенов и получения контекстных представлений текста. Веса насчитывают 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель использует uncased-токенизацию WordPiece с словарём из 30 000 токенов и предварительно обучалась на английском корпусе с задачами masked language modeling и next sentence prediction. Модель подходит для восстановления пропусков в тексте и как основа для дообучения классификаторов, разметки токенов и систем ответов на вопросы. Она не предназначена для авторегрессионной генерации текста. Возможны смещения в предсказаниях, унаследованные от обучающих данных. Лицензия — CreativeML OpenRAIL-M.

rizerphe создал CodeLlama-function-calling-6320-7b-Instruct-hf — плотную авторегрессионную модель семейства Llama для генерации текста и диалогов с вызовом функций. Модель дообучена с помощью LoRA на небольшой части набора glaive-function-calling-v2 и отформатированной, слегка очищенной версии sharegpt-hyperfiltered-3k; размер — 6,6 млрд параметров, контекст — до 16 384 токенов. Модель предназначена для диалоговых сценариев, в которых нужно отвечать на запросы и формировать вызовы функций. В README приведён пример ответа о настройке пароля. Поддерживаемые языки карточка не описывает. Модель распространяется с лицензией Llama 2; качество вызова функций может зависеть от формата запроса и используемых инструментов.

Это 4-битная MLX-квантизация модели Cohere Transcribe 03-2026, опубликованная Spoke для локального распознавания речи на устройствах Apple Silicon. Модель выполняет транскрибацию аудио в текст; для загрузки используется библиотека mlx-speech, а не mlx-audio. В README указаны квантизация affine с размером группы 64 и результаты внутреннего теста Spoke на 250 образцах LibriSpeech test-clean: WER 1,28%, скорость 0,05× реального времени и пиковое потребление памяти 1,89 ГБ. Эти показатели относятся к описанному тесту и не гарантируют такие же результаты на других данных и устройствах. Базовая модель Cohere Transcribe — специализированная ASR-модель на 2 млрд параметров для 14 языков; языки в предоставленных метаданных не перечислены. Репозиторий распространяется по лицензии Apache-2.0.

Llama-3.1_OpenScholar-8B — дообученная University of Washington и Allen Institute for AI (AI2) авторегрессионная языковая модель на архитектуре Transformer для синтеза научной литературы. Модель обучена на наборе os-data; в обучающие данные также входят Tulu3 и SciRIFF. Модель основана на Meta-Llama-3.1-8B, содержит около 7,5 млрд параметров и принимает текст, выдавая текст. Для неё заявлено контекстное окно 131 072 токена. Основной язык — английский; данные научных публикаций основаны на peS2o v2 и охватывают статьи по январь 2023 года. Модель предназначена для обобщения и синтеза сведений из научной литературы. Карточка указывает лицензию llama3.1 в метаданных Hugging Face, тогда как README заявляет Apache 2.0 для кода и модели; эти сведения о лицензии расходятся, поэтому условия использования весов следует сверить с лицензией репозитория.

Llava-v1.6-Vicuna-7B-GGUF — мультимодальная модель семейства LLaVA v1.6, разработанная liuhaotian на базе liuhaotian/llava-v1.6-vicuna-7b и представленная в формате GGUF. Квантизацию выполнила Second State Inc. Модель сочетает обработку изображений и текста и рассчитана на генерацию текстовых ответов по визуальным и текстовым запросам. Модель предназначена для сценариев визуального вопросно-ответного взаимодействия и анализа изображений с использованием текстовых инструкций. Указан контекст размером 4096 токенов. Поддерживается шаблон запросов vicuna-llava; для мультимодального запуска требуется отдельный проектор llava-v1.6-vicuna-7b-mmproj-model-f16.gguf. Сведения о поддерживаемых языках в README не приведены. Доступны варианты квантизации от 2 до 8 бит размером примерно от 2,53 до 7,16 ГБ. Вариант Q4_K_M обозначен как сбалансированный и рекомендуемый, а Q5_K_M и Q5_K_S — как варианты с низкой потерей качества. Более сильная квантизация уменьшает размер, но может заметно снижать качество; для Q2_K–Q4_0 README указывает существенную или очень высокую потерю качества. Модель распространяется по лицензии llama2.

Moonshine Base Korean — модель распознавания речи, разработанная Useful Sensors и предназначенная для транскрибации корейской речи. Она относится к семейству Moonshine и использует архитектуру последовательность-в-последовательность с условной генерацией; в репозитории указаны веса в формате Safetensors. Метаданные относят модель к корейскому языку и задаче автоматического распознавания речи. В карточке семейства Moonshine описаны модели компактного размера для транскрибации в условиях ограниченных ресурсов, однако приведённые там параметры относятся к английским моделям и не подтверждают размер этой корейской версии. Модель принимает аудио и выдаёт текстовую расшифровку. Она подходит для создания корейских субтитров, расшифровки записей и приложений транскрибации речи в реальном времени. Карточка предупреждает, что генерация может содержать слова, которых не было в аудио, а также повторяющийся текст; особенно это возможно на коротких фрагментах и при обрезанных словах. Перед внедрением требуется оценка качества на целевых данных. Лицензия указана как other, без уточнения условий в предоставленных сведениях.

Moonshine Streaming Small — German — это модель распознавания немецкой речи от Moonshine AI. Она принимает аудио и выдаёт текстовую расшифровку; потоковая архитектура сочетает временной аудиофронтенд с частотой 50 Гц и Transformer-энкодер со скользящими окнами, поэтому транскрипцию можно получать по мере поступления речи. В README указано 112,9 млн параметров, тогда как метаданные каталога сообщают 48,2 млн; точный размер здесь не приводится из-за расхождения источников. Модель использует немецкий токенизатор на 12 288 токенов и предназначена для локального запуска на устройствах с ограниченными ресурсами. Чекпойнт Stage B дообучен на весах Stage A; репозиторий содержит конвертированный файл safetensors. Обучающие данные включают большой корпус подкастов с автоматическими псевдоаннотациями и меньший набор расшифрованной речи. В тестах на двух наборах немецкой читаемой речи макро-WER составил 7,35 при указанном в README правиле остановки. Лицензия — MIT. Модель может ошибаться в именах собственных, числах и переключениях между языками, поскольку большая часть обучающих расшифровок создана автоматически. Она склонна к повторениям на коротких или зашумлённых записях; в README рекомендуется ограничивать длину вывода. Качество не оценивалось на телефонной речи, детской речи, сильных диалектах и шумных дальних записях.

allenai/OLMo-2-1124-7B-RM — англоязычная диалоговая модель с 6,9 млрд параметров из семейства OLMo 2, разработанного Allen Institute for AI. Это дообученная версия OLMo-2-1124-7B-SFT: по карточке она прошла supervised fine-tuning и DPO на варианте набора Tülu 3; архитектура — плотная модель для классификации последовательностей, работающая через Transformers и PyTorch. Контекст составляет 4096 токенов. Модель предназначена для диалогов и задач следования инструкциям, включая математические задачи и оценивание ответов. Метаданные относят её к генерации текста и классификации текста; для практического использования reward-моделей карточка рекомендует библиотеку Open Instruct, поскольку поддержка в Transformers требует регистрации класса Olmo2ForSequenceClassification. Лицензия — Apache 2.0. Основной язык — английский. Карточка предупреждает, что у моделей OLMo-2 ограничено обучение безопасности, поэтому ответы могут быть проблемными, особенно при соответствующих запросах; автоматической фильтрации ответов нет.

OpenBuddy — это базовая многоязычная языковая модель команды OpenBuddy, построенная на плотной архитектуре Llama и содержащая 66,6 млрд параметров. Модель предназначена для дальнейшего дообучения и создания специализированных моделей; она обучена примерно на половине разговорных данных OpenBuddy и обладает диалоговыми способностями, но не прошла полную настройку для обычных бесед. Для готового чат-бота рекомендуется использовать версии OpenBuddy без суффикса «-base». Модель работает с текстом, использует библиотеку Transformers и распространяется в формате safetensors. Контекст составляет 4096 токенов. В метаданных указана поддержка китайского, английского, французского, немецкого, японского, корейского, итальянского, русского и финского языков. Лицензия обозначена как other, а README указывает лицензию базовой модели DeepSeek. Модель может выдавать ошибочные, вредные или оскорбительные ответы; её не следует применять в критических медицинских, финансовых, юридических сценариях или для управления потенциально опасными системами.

Patana Chilean Spanish BERT — модель BERT для испанского языка Чили, обученная Хорхе Ортисом Фуэнтесом на корпусе Chilean Spanish Corpus. Она дообучена на основе dccuchile/bert-base-spanish-wwm-cased и предназначена для предсказания замаскированных токенов, а также для адаптации к задачам классификации текста и токенов на чилийском испанском. Корпус включает чилийские новости, веб-тексты, жалобы и твиты; автор сообщает о сравнительно высоких результатах модели на задачах для чилийского испанского. Это BERT с 137,1 млн параметров и контекстом до 512 токенов. Модель принимает и выдаёт текст на испанском языке. Лицензия указана как CC BY 4.0, однако автор предупреждает, что совместимость лицензий всех обучающих данных, особенно для коммерческого использования, не подтверждена. Данные не проходили цензуру, поэтому модель может воспроизводить нежелательные идеологические представления.

Qwen3-14B-MegaScience — языковая модель на 14 млрд параметров, разработанная проектом MegaScience и дообученная на наборе данных MegaScience для улучшения научных рассуждений. Она предназначена для генерации текста и диалоговых сценариев, связанных с научными вопросами. Модель построена на плотной архитектуре Qwen3ForCausalLM и работает через библиотеку Transformers. Контекст составляет до 32 768 токенов; в карточке указан английский язык. Для обучения использовались длина последовательности до 4 096 токенов, пакет размером 512 и три эпохи. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5 — дообученная ConnorYU модель семейства Qwen3.5 с плотной архитектурой и классом Qwen3_5ForConditionalGeneration. Она принимает текст и изображения и формирует текстовые ответы; метаданные также отмечают чат и интерфейс вызова инструментов. Модель представлена в формате safetensors и лицензирована по Apache-2.0. Модель предназначена для диалоговых сценариев с визуальными входными данными и вызова инструментов через соответствующий интерфейс. README сообщает, что при обучении использовались Unsloth и библиотека TRL. Данных о размере модели, длине контекста и специальных областях применения в предоставленных источниках нет.

FiditeNemini публикует 3-битную версию Qwen3-VL-235B-A22B-Instruct-Abliterated — мультимодальной модели семейства Qwen3-VL MoE для диалогов с изображениями и текстом. Архитектура — Qwen3VLMoeForConditionalGeneration; контекст составляет 262 144 токена. Репозиторий содержит веса Safetensors и предназначен для работы с библиотекой MLX. Модель принимает текст и изображения и выдаёт текст; в каталоге также отмечены чат и интерфейс вызова инструментов. Карточка указывает английский и китайский языки. Лицензия — Apache-2.0. Модель подходит для вопросов об изображениях, визуального диалога и текстового разбора содержимого изображений. Это производная от Qwen/Qwen3-VL-235B-A22B-Instruct модель; автор карточки называет её Abliterated. README указывает 3-битное представление с размером группы 64, хотя поле Quantization в карточке сформулировано противоречиво («None (3-bit, group size 64)»), поэтому способ получения этой версии нельзя уточнить увереннее. Качество, ограничения и поведение Abliterated-варианта в README не описаны.

gokaygokay/SDXL-Captioner — дообученная версия PaliGemma 224×224, созданная на парах изображение—промпт. Модель принимает изображение и текстовый запрос и формирует текстовый ответ, поэтому подходит для создания подписей и описаний изображений по инструкции. Модель построена на архитектуре PaliGemma и распространяется в формате safetensors для библиотеки Transformers. Карточка указывает английский язык. Лицензия — Apache-2.0. Подробности о размере модели, длине контекста и качестве на конкретных наборах данных в предоставленных источниках не приводятся.

Self-RAG — языковая модель семейства Llama, разработанная авторами проекта Self-RAG. Модель генерирует ответы на запросы и специальные токены рефлексии, с помощью которых может адаптивно обращаться к системе поиска и оценивать собственные ответы и найденные фрагменты. Она обучена на инструкционных данных с чередованием текстовых фрагментов и токенов рефлексии, используя стандартное предсказание следующего токена. Модель предназначена для генерации ответов с опорой на найденные документы и для сценариев, где важно оценивать качество ответа и релевантность источников. В карточке описан запуск с заранее предоставленными фрагментами, а полный конвейер с поисковой системой и декодированием дерева доступен в коде проекта. Архитектура — плотная LlamaForCausalLM; в метаданных указано 6,6 млрд параметров и контекст 4096 токенов. Веса доступны в формате PyTorch, лицензия — MIT. Карточка не называет конкретные поддерживаемые естественные языки. Для полного сценария Self-RAG необходимы отдельная поисковая система и программный конвейер проекта; одной генерацией модель не выполняет поиск по внешним источникам.

bengaliAI/tugstugi_bengaliai-asr_whisper-medium — модель распознавания речи, опубликованная Bengali.AI. Она предназначена для преобразования аудиозаписей в текст и доступна для запуска через Transformers как задача automatic-speech-recognition. Модель построена на архитектуре WhisperForConditionalGeneration семейства Whisper и содержит около 455,8 млн параметров. В репозитории указана лицензия Apache-2.0. Карточка модели практически не содержит описания обучения и результатов, поэтому нельзя подтвердить её качество на конкретных вариантах бенгальского языка или других языках. Конфигурация ограничивает декодирование 448 токенами; модель принимает аудио и выдаёт текст.

UMT5-base — многоязычная модель Google для генерации текста по тексту, построенная на архитектуре T5 и предварительно обученная на обновлённом корпусе mC4 из 107 языков с методом выборки UniMax. Модель содержит 296 млн параметров и доступна в формате PyTorch; её класс архитектуры — UMT5ForConditionalGeneration. Это базовый предварительно обученный чекпойнт, предназначенный для последующего дообучения под конкретные задачи, например перевод, суммаризацию или ответы на вопросы. Само предварительное обучение не включало контролируемого обучения, поэтому без дообучения модель не готова к использованию в прикладных задачах. Лицензия — Apache-2.0.

Это дообученная модель распознавания речи на базе OpenAI Whisper Medium, опубликованная пользователем dianavdavidson. Она предназначена для преобразования аудио в текст; название репозитория указывает на настройку для хинди и набора данных Vaani, однако README называет обучающий набор «None», поэтому эту специализацию нельзя подтвердить однозначно. Модель использует архитектуру WhisperForConditionalGeneration и формат safetensors. В README приведены результаты оценки: loss 0,4726 и Global WER 26,8624. Базовая модель содержит 455,8 млн параметров и поддерживает распознавание речи и перевод речи; лицензия этой модели — Apache-2.0.

Albertina 900M Portuguese PT-BR No-brWaC — энкодер семейства BERT на архитектуре Transformer и DeBERTa V2, разработанный совместной командой Лиссабонского и Портуского университетов. Модель предназначена для бразильского варианта португальского языка и содержит около 1,1 млрд параметров, 24 слоя, размер скрытого состояния 1536 и контекст до 512 токенов. Модель обучена на 3,7 млрд токенов отобранных португалоязычных документов OSCAR, с фильтрацией по доменам Бразилии; версия No-brWaC не обучалась на корпусе brWaC. Основной сценарий применения по карточке и метаданным — заполнение пропусков в тексте. Авторы также оценивали её как основу для дообучения на задачах семантического сходства, распознавания следования и парафраза на португальском языке. Карточка сообщает о конкурентных результатах на бенчмарках для PT-BR, но для прикладных задач классификации и сходства может потребоваться дополнительное дообучение. Модель распространяется по лицензии MIT; метаданные Hugging Face указывают лицензию «other», поэтому перед использованием следует сверить условия с файлами репозитория.

Belle-whisper-large-v3-turbo-zh — модель распознавания речи на основе Whisper, разработанная командой BELLE-2. Она прошла полное дообучение модели openai/whisper-large-v3-turbo для повышения точности распознавания китайской речи. В карточке заявлено относительное улучшение на 24–64% на китайских тестах AISHELL-1, AISHELL-2, WenetSpeech и HKUST по сравнению с исходной моделью. Модель принимает аудио с частотой дискретизации 16 кГц и выдаёт текст с распознанной речью. Она предназначена для транскрибирования китайской речи; в обучающие данные добавлялись знаки препинания, сформированные отдельной моделью punc_ct-transformer_cn-en-common-vocab471067-large. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и доступна в форматах PyTorch и Safetensors для библиотеки Transformers. Ограничение заявленного улучшения состоит в том, что оно относится к указанным китайским тестовым наборам; карточка не приводит оценок на других языках или в иных условиях записи. Лицензия — Apache-2.0.

BimOmni 30B-A3B — модель, разработанная в рамках инициативы Future Caribbean как адаптация Qwen3-Omni-30B-A3B-Instruct для контекста Барбадоса. Это мультимодальная архитектура Qwen3-Omni-MoE: сохранены входные аудио- и визуальные модули базовой модели, а языковая часть Thinker адаптирована методом доменного предварительного обучения на газетных текстах Барбадоса. LoRA-адаптер слит с весами; в репозитории размещён checkpoint bf16. Для обучения указан контекст 4096 токенов. Модель предназначена для мультимодальных сценариев, где важны местные имена, места, учреждения, события и выражения: транскрибирования речи, извлечения информации, поиска, суммаризации и исследований по материалам о Барбадосе и Карибском регионе. Адаптация усиливает языковой контекст для выбора слов при неоднозначных аудиосигналах, но не обучает распознавать барбадосский акцент: парные аудиозаписи и транскрипции не использовались, акустические модули заморожены. README сообщает об улучшении на небольшом тесте знаний и сравнении транскрипций всего на двух видео; эти результаты не являются широким бенчмарком. Модель принимает текст, изображения и аудио и выдаёт текст; речевые компоненты генерации удалены, поэтому аудио на выходе она не производит. Основной язык карточки — английский, а адаптация ориентирована на Барбадос. Лицензия в метаданных обозначена как other; конкретные условия следует сверить с файлами репозитория перед использованием.

EstBERT — предварительно обученная регистрозависимая модель семейства BERT, разработанная tartuNLP для эстонского языка. Она обучена на корпусе Estonian National Corpus 2017 и представлена в вариантах обучения с длиной последовательности 128 и 512 токенов; максимальный контекст составляет 512 токенов. Модель содержит 151,6 млн параметров и основана на google-bert/bert-base-cased. Основной сценарий применения — предсказание замаскированных слов. После дообучения EstBERT можно использовать для разметки частей речи и морфологии, распознавания именованных сущностей, классификации тем и анализа тональности на эстонских текстах. В приведённых авторами сравнениях она превосходит mBERT и XLM-RoBERTa по ряду задач, хотя результаты зависят от задачи и варианта оценки. Модель принимает текст и выдаёт предсказания токенов. Доступны веса в форматах PyTorch, Flax и Safetensors. Лицензия — CC BY 4.0; при распространении и использовании необходимо соблюдать её условия и указывать авторство.

noamrot/FuseCap_Image_Captioning — модель на архитектуре BLIP для создания семантически насыщенных описаний изображений. Она основана на подходе FuseCap, который использует большие языковые модели для обогащения подписей к изображениям; карточка указывает, что демонстрационная BLIP-модель обучена с использованием FuseCap. Модель предназначена для автоматического описания содержимого изображения, в том числе для получения более содержательных подписей, чем простое перечисление видимых объектов. В репозитории указаны формат PyTorch и лицензия MIT. Подробности об обучении, поддерживаемых языках и ограничениях качества в карточке не приведены.

Tencent Hy-MT2-30B-A3B-GGUF — это квантованный формат GGUF семейства Hy-MT2, разработанного Tencent для быстрого машинного перевода в сложных реальных сценариях. Модель предназначена для общего, делового, специализированного и ориентированного на инструкции перевода, а также может использоваться в приложениях на базе llama.cpp. Модель построена на архитектуре Mixture-of-Experts (MoE) с конфигурацией 30B-A3B и поддерживает перевод между 33 языками, включая китайский, английский, французский, немецкий, испанский, португальский, японский, корейский, русский, арабский, хинди, турецкий и другие языки, перечисленные в карточке. Поддержка модальности ограничена текстом. Формат GGUF облегчает локальное развертывание, однако в README не указаны точный размер файлов, требования к памяти, длина контекста и конкретные параметры квантования. К сильным сторонам относятся высокая скорость рассуждений и заявленная конкурентоспособность в многоязычном переводе, включая деловые, предметные и инструкционные задачи. Ограничениями являются отсутствие в карточке детальных независимых результатов именно для GGUF-варианта, а также неполная информация о производительности и системных требованиях. Модель распространяется по лицензии Apache-2.0.

YoojongChoi/Llama-3.1-8B-Instruct-ft-hallucination-detection — дообученная разговорная модель на архитектуре Llama 3.1, созданная YoojongChoi на базе unsloth/meta-llama-3.1-8b-instruct-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса Safetensors; модель насчитывает 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. По названию модель предназначена для выявления галлюцинаций в ответах языковых моделей. Метаданные относят её к генерации текста и указывают возможность диалогового взаимодействия; карточка не описывает формат входных данных для детекции, метод оценки или результаты тестирования. Модель распространяется по лицензии Apache-2.0.

LongLLaMA-3Bv1.1 — базовая, не настроенная на следование инструкциям языковая модель размером 3,3 млрд параметров, разработанная командой LongLLaMA на основе OpenLLaMA-3Bv2. Модель дообучена методом Focused Transformer (FoT): три слоя внимания используют кэш памяти, чтобы расширять обрабатываемый контекст. В обычной реализации контекст ограничен 2048 токенами; с механизмом памяти авторы показывают экстраполяцию до 256 тыс. токенов на задаче поиска ключевой фразы. Модель предназначена для генерации продолжений текста и экспериментов с длинным контекстом, включая извлечение сведений из протяжённых входных текстов. В README также отмечены результаты на классификации вопросов TREC и ответах на вопросы WebQS. Это базовая модель, поэтому для диалога и выполнения инструкций может потребоваться дополнительная настройка. Веса распространяются по лицензии Apache 2.0.

Карточка модели swarnendu123/MERaLiON-2-10B на Hugging Face совпадает с карточкой MERaLiON/MERaLiON-2-10B, поэтому описание составлено по ней. MERaLiON-2-10B — мультимодальная языковая модель для речи и аудио, разработанная I2R, A*STAR в Сингапуре. Она объединяет локализованный аудиоэнкодер Whisper Large v3 с текстовым декодером Gemma 2 9B и содержит 8,1 млрд параметров. Модель дообучена на 120 000 часах аудио и речи для распознавания речи, вопросов и ответов по аудио, суммаризации диалогов, создания аудиоподписей и понимания звуковой сцены. Модель рассчитана на многоязычные сценарии Сингапура и Юго-Восточной Азии: распознаёт английскую, китайскую, малайскую, тамильскую, индонезийскую, тайскую и вьетнамскую речь, включая местные акценты, разговорные выражения и переключение языков. Принимает монофоническое аудио с частотой 16 кГц длительностью до 300 секунд; для транскрибации и перевода README рекомендует аудиофрагменты до 30 секунд. Основная задача в каталоге — автоматическое распознавание речи. Модель предназначена для понимания речи и аудио, а не для вызова инструментов, математических или программных задач. Распространяется по лицензии MERaLiON Public License; перед использованием следует проверить её условия для конкретного сценария.

MiniCPM-V-4.6-GPTQ-INT4-C256-P6K-CTX8K — пакет развёртывания MiniCPM-V-4.6 от AXERA-TECH для ускорителя AX650 / NPU3. Он основан на openbmb/MiniCPM-V-4.6-GPTQ и использует GPTQ INT4; текстовый и визуальный компоненты подготовлены для запуска через axllm на указанной платформе. Лицензия пакета — Apache-2.0. Модель предназначена для диалога по тексту, понимания изображений и видео, включая последующие текстовые вопросы о ранее переданном видео. Визуальный энкодер принимает изображения фиксированного размера 448×448 и сжимает визуальные данные до 64 soft tokens. Профиль контекста задаёт KV-кэш длиной до 8191 токена и предобработку блоками по 256 токенов; в README приведена проверка извлечения фактов из длинного диалога примерно на 6,3 тыс. входных токенов. Пакет оптимизирован под AX650 / NPU3, поэтому применимость и приведённые показатели производительности относятся к этой платформе и runtime axllm. Метаданные указывают поддержку китайского и английского языков. README описывает проверки и характеристики конкретной сборки, но не даёт оснований переносить их на другие устройства или варианты MiniCPM-V.