I.5Создание и редактирование текста

Карточка модели andrewheins55/Ming-flash-omni-2.1 на Hugging Face совпадает с карточкой inclusionAI/Ming-flash-omni-2.0, поэтому описание составлено по ней. Ming-flash-omni 2.0 — мультимодальная модель от inclusionAI на архитектуре Ling-2.0 с Mixture-of-Experts: 100 млрд параметров всего, 6 млрд активных. Она принимает изображения, текст, видео и аудио, а выдаёт текст, изображения и аудио. Модель предназначена для мультимодального понимания и генерации, включая анализ визуальных сцен и знаний об объектах, потоковый диалог по видео, распознавание речи, синтез речи и музыки, а также создание и редактирование изображений. Среди заявленных возможностей — распознавание растений, животных, культурных объектов и достопримечательностей, управление характеристиками генерируемого аудио и клонирование голоса с нулевым примером. Для изображений заявлены генерация, сегментация и редактирование, в том числе удаление объектов и композиция сцен. Карточка описывает версии 2.0 как официальную открытую модель; лицензия репозитория — MIT. README не приводит подробностей о поддерживаемых языках, длине контекста, аппаратных требованиях или результатах независимой оценки; архитектура и заявленные способности не гарантируют качество на каждом сценарии. Метаданные указывают форматные варианты PyTorch, ONNX, Flax и TensorFlow.

NVIDIA-Nemotron-Nano-12B-v2-VL-NVFP4-QAD — мультимодальная авторегрессионная vision-language модель NVIDIA на базе оптимизированной архитектуры Transformer. В состав входят визуальный энкодер C-RADIOv2-H и языковая модель NVIDIA-Nemotron-Nano-12B-v2. Эта версия квантизирована в формате FP4 с применением TensorRT Model Optimizer и обучалась с использованием Quantization-aware Distillation для сохранения качества при низкой точности вычислений. Модель предназначена для обработки одного изображения вместе с текстовым запросом и генерации текстовых ответов. Основные сценарии включают суммаризацию изображений, анализ текста и изображений, распознавание текста (OCR), интерактивные вопросы и ответы по изображениям, а также рассуждения по цепочке мыслей. Поддерживаются немецкий, испанский, французский, итальянский, корейский, португальский, русский, японский, китайский и английский языки. Контекст и длина генерируемой последовательности составляют до 128K токенов. Изображения должны быть в формате RGB; прозрачность не поддерживается. Максимальное разрешение определяется ограничением в 12 тайлов размером 512×512 пикселей. К сильным сторонам относятся мультиязычность, поддержка широкого набора задач анализа изображений и оптимизация FP4 для NVIDIA GPU. Ограничения включают поддержку только одного изображения за запрос, требования к совместимому аппаратному обеспечению и программной среде: заявлены Linux, vLLM и микропроцессорная архитектура B100 SXM. Модель рассчитана на глобальное развёртывание и использование корпоративными AI-клиентами. Условия использования регулируются NVIDIA Open License Agreement.

paprika-whisper-lt-v3 — третье поколение модели распознавания литовской речи, созданное для kalamo.ai и дообученное на базе kristijonas/paprika-whisper-lt. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration; в README указано, что она основана на whisper-large-v3-turbo и обучена на примерно 3 281 часе данных LIEPA-3. Модель принимает монофоническое аудио с частотой 16 кГц и преобразует речь в текст на литовском языке. Модель предназначена для транскрибации аудиозаписей и создания субтитров, в том числе для длинных файлов. Она рассчитана на высокую скорость работы: авторы указывают примерно 83-кратную скорость относительно реального времени и отмечают, что качество уступает некоторым более крупным литовским моделям. Вывод сохраняет разговорные формы речи, но по умолчанию содержит только строчные буквы и не содержит пунктуации; README рекомендует добавлять пунктуацию отдельным теггером. Для длинных записей README рекомендует длинноформатное декодирование и предупреждает, что сегментация фиксированными окнами может терять фрагменты речи или порождать текст на тишине. Доступ к весам предоставляется по лицензии CC BY 4.0.

Venusaur — компактная модель эмбеддингов на основе архитектуры BERT от автора Mihaiii, созданная дистилляцией Mihaiii/Bulbasaur на наборе данных qa-assistant. Она предназначена для семантического автодополнения: преобразует английские тексты в векторы, которые можно использовать для сравнения смысловой близости предложений и поиска релевантных вариантов. Модель содержит 16,4 млн параметров, поддерживает работу через Sentence-Transformers и Transformers; доступны форматы safetensors и ONNX. Модель рассчитана исключительно на английский язык. Контекст ограничен 512 токенами, а более длинные тексты обрезаются. Лицензия — MIT.

Это дообученная модель автоматического распознавания речи на основе OpenAI Whisper Base, подготовленная sarpba для транскрибирования венгерской речи. Модель содержит 51,7 млн параметров и обучена на собственном наборе sarpba/big_audio_data_hun; в README указано около 1200 часов отобранных венгерских аудиозаписей. Для оценки автор приводит результаты на венгерских наборах FLEURS и Common Voice 17.0. Модель принимает аудио и генерирует текстовую транскрипцию на венгерском языке. Автор сообщает о свободном использовании в личных целях на условиях исходной лицензии Whisper, но запрещает коммерческое использование этого дообучения без согласия автора.

Whisper-large-et — модель автоматического распознавания речи на эстонском языке, разработанная в лаборатории языковых технологий TalTech. Она основана на openai/whisper-large-v2 и дообучена примерно на 1200 часах разнообразных эстонских аудиозаписей; архитектура Whisper содержит около 905,2 млн параметров. Модель предназначена для общего распознавания речи, включая передачи, беседы, интервью и лекции. Для запуска авторы рекомендуют faster-whisper. В тестах с жадным декодированием указана частота ошибок WER 11,3 на Common Voice 8.0 и 12,0 на Common Voice 11.0. Лицензия — CC BY 4.0. Качество может снижаться на технической и узкоспециальной лексике, детской и неродной речи, при сильном шуме или удалённом микрофоне, а также при спонтанной и перекрывающейся речи.

Карточка модели hudsonai-app/whisper-large-v3-turbo-4bit на Hugging Face совпадает с карточкой mlx-community/whisper-large-v3-turbo-4bit, поэтому описание составлено по ней. mlx-community/whisper-large-v3-turbo-4bit — мультиязычная модель распознавания речи на базе OpenAI Whisper large-v3-turbo, преобразованная сообществом mlx-community в формат MLX с 4-битным представлением. Она предназначена для преобразования аудиозаписей в текст и запуска на устройствах Apple через библиотеку mlx-audio-plus. Модель принимает аудио и выдаёт текст; исходная модель также поддерживает перевод речи в текст. Репозиторий распространяется по лицензии Apache-2.0.

mlx-community/whisper-large-v3-turbo-fp16 — преобразованная в формат MLX модель распознавания речи на основе openai/whisper-large-v3-turbo. Разработчик репозитория mlx-community; преобразование выполнено с помощью mlx-audio-plus версии 0.1.4. Модель предназначена для преобразования аудиозаписей в текст. Она использует архитектуру Whisper и поддерживает мультиязычное распознавание речи. Репозиторий содержит веса в формате safetensors и предназначен для работы с библиотекой mlx-audio-plus. Лицензия — Apache-2.0. Производительность и качество зависят от языка, условий записи и используемого оборудования; README не приводит отдельных оценок для этой сборки.

BERTimbau Base — предварительно обученная модель BERT для бразильского португальского языка, разработанная Neuralmind. Это базовая версия архитектуры BERT с 12 слоями и примерно 136,1 млн параметров по метаданным; она предназначена для заполнения замаскированных токенов и получения текстовых представлений, которые можно использовать в задачах обработки португальского языка. В README также отмечены результаты на распознавании именованных сущностей, оценке семантического сходства предложений и распознавании текстового следования; для этих задач модель обычно требуется дообучить. Модель принимает текст и предсказывает пропущенные токены. Контекстное окно составляет 512 токенов. В карточке указаны варианты весов для PyTorch, TensorFlow и Flax, а лицензия — MIT. Модель ориентирована на бразильский португальский и обучалась на корпусе brWaC.

cali-whisper-tiny.en-drop-007-production — дообученная модель семейства Whisper, разработанная 1Developer на основе 1Developer/cali-whisper-tiny.en-drop-006-production. Она предназначена для автоматического распознавания речи и преобразования аудио в текст; в README указано обучение на датасете audiofolder. Модель использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors через библиотеку Transformers. В README приведены результаты на оценочной выборке: Loss 0.0000 и WER 0.0, однако подробности методики и набора оценки не описаны. Лицензия — Apache-2.0. Суффикс tiny.en в названии указывает на англоязычную версию Whisper Tiny; явное подтверждение языкового охвата в карточке отсутствует.

Distil-Whisper large-v3 German — модель распознавания речи, созданная Sanchit Gandhi как версия с дистилляцией знаний модели openai/whisper-large-v3. Она предназначена для транскрибации немецкой речи в текст и обучена на немецкой части Common Voice 15.0. Модель построена на архитектуре Whisper и содержит около 905,2 млн параметров. В ней сохранён и заморожен энкодер исходной модели, а декодер сокращён до двух слоёв. При обучении использовались дистилляция по распределению выходов модели-учителя и функция потерь по размеченным аудиоданным. В оценке на наборе Common Voice модель показала WER 6,324 после нормализации и 8,233 по орфографической метрике. Модель принимает аудио и выдаёт текст. Карточка описывает поддержку немецкого языка; результаты и назначение подтверждены для немецкой речи. Модель распространяется по лицензии MIT.

InterSync разработала дообученную версию Gemma 7B Instruct с поддержкой структурированных вызовов функций. Модель предназначена для диалогов, в которых нужно передавать запросы внешним API и базам данных, получать данные и использовать их в дальнейших ответах. Это текстовая авторегрессионная модель семейства Gemma с плотной архитектурой, содержащая 8,2 млрд параметров и принимающая контекст до 8192 токенов. README указывает английский как язык моделей Gemma; модель подходит для генерации текста, ответов на вопросы, суммаризации и рассуждений, а также для сценариев с подключением инструментов. Модель опубликована в формате safetensors под лицензией CC. Качество вызова функций зависит от корректного описания инструментов и доступной внешней системы; README не приводит оценок качества или конкретных ограничений.

Kotoba-Whisper-v2.1 — японская модель автоматического распознавания речи, разработанная Kotoba Technologies совместно с Асахи Усио. Она основана на kotoba-tech/kotoba-whisper-v2.0 и использует архитектуру Whisper с 905,2 млн параметров. Встроенный конвейер дополнительно расставляет пунктуацию в распознанном тексте. Модель предназначена для транскрибации японской речи. В README приведены оценки CER на японских тестовых наборах CommonVoice 8, JSUT Basic 5000 и ReazonSpeech; для нормализованного CER результаты совпадают с версией v2.0, поскольку добавленная пунктуация при нормализации удаляется. Модель доступна через Transformers версии 4.39 и новее. Лицензия — Apache-2.0.

Metis-0.1 — диалоговая языковая модель от Mihaiii, созданная дообучением Mistral-7B-SFT-Beta. Она предназначена для рассуждений и понимания текста, хорошо работает с длинными системными инструкциями; карточка отдельно отмечает, что модель не рассчитана на свободное сочинение историй. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Для взаимодействия в README предложен формат с полями System, Instruction и Response. Модель обучена на частном наборе данных; README указывает, что высокий результат на GSM8K не связан с набором MetaMath. Лицензия — MIT.

Felldude/Ministral-3-8B-Uncensored-FP8 — мультимодальная модель на архитектуре Mistral 3, дообученная на задачах, связанных с изображениями и текстом. Она включает языковую часть на 8,4 млрд параметров и визуальный энкодер на 0,4 млрд параметров и предназначена для понимания изображений и генерации текстовых ответов. Модель поддерживает многоязычные сценарии, следование системным инструкциям, вызов функций и выдачу структурированного JSON; заявлено контекстное окно 256 тыс. токенов и оптимизация для запуска на периферийных устройствах. Основные сценарии — описание изображений, извлечение текста и данных с изображений, классификация текста и мультимодальные ассистенты. В README также заявлены перевод в реальном времени и применение для NSFW-контента, включая подписи к изображениям и генерацию историй и ответов. Для запуска приведён пример на Transformers с CUDA. Модель распространяется по лицензии Apache 2.0; качество заявленных возможностей независимо не подтверждено карточкой.

NaijaVox-2.0 — модель распознавания речи с открытыми весами, разработанная Axiveri для нигерийских языков и вариантов английского. Она дообучена методом PEFT LoRA на базе OpenAI Whisper large-v3 и предназначена для преобразования аудиозаписей в текст на йоруба, хауса, игбо, нигерийском пиджине и нигерийском английском. Модель содержит около 905,3 млн параметров; в репозитории веса представлены в формате Safetensors. Обучение проводилось на 25 866 примерах из семи наборов данных с применением SpecAugment и добавлением фонового шума. По данным карточки, модель подходит для транскрибации разговоров, интервью, эфиров и голосового ввода, в том числе в шумных условиях и при переключении между языками. Для йоруба заявлена поддержка диакритики. В тестах на небольших выборках WER составил 14,7% для нигерийского пиджина, 19,6% для нигерийского английского, 22,3% для йоруба, 25,8% для хауса и 30,5% для игбо. Модель принимает аудио и выдаёт текст. Качество может зависеть от языка, акцента, шума и условий записи; опубликованные метрики получены на тестах по 50 примеров на язык и не гарантируют аналогичных результатов в других сценариях. Лицензия — Apache-2.0.

Parakeet RNNT 1.1B — модель автоматического распознавания речи, совместно разработанная командами NVIDIA NeMo и Suno.ai. Это крупная версия FastConformer Transducer с примерно 1,1 млрд параметров и декодером RNNT; она принимает монофоническое аудио WAV с частотой 16 кГц и возвращает текстовую расшифровку строчными буквами английского алфавита. Модель предназначена для транскрибирования английской речи в аудиозаписях, в том числе разговоров, совещаний, лекций и подкастов. Она обучена на 64 тысячах часов английской речи из частных и открытых наборов данных; в README приведены результаты оценки WER для нескольких речевых корпусов. Модель доступна через NeMo и Transformers, а также может использоваться как исходный чекпойнт для дообучения. Лицензия — CC-BY-4.0. Модель специализируется на английском языке и формате входа 16 кГц, моно; показатели качества зависят от акцента, условий записи и предметной области.

Manojb/Qwen-7B-toolcalling-ReSearch-gguf-Q8_0 — локальная языковая модель в формате GGUF, разработанная на базе agentrl/ReSearch-Qwen-7B и упакованная с квантизацией Q8_0 авторами Manojb и mradermacher. Модель основана на Qwen-7B и обучалась с использованием датасета RUC-NLPIR/FlashRAG_datasets. ReSearch — подход, в котором поиск интегрирован в цепочку рассуждений и выбор момента и способа поиска формируется с помощью текстового рассуждения, а результаты поиска влияют на дальнейшие выводы. Модель предназначена для генерации текста, ассистирования в программировании, локального использования и сценариев function calling и tool calling, включая взаимодействие с API-инструментами. Она ориентирована на английский язык и может запускаться через Ollama или другие совместимые средства работы с GGUF. Версия Q8_0 занимает около 8,2 ГБ и рассчитана примерно на 9–12 ГБ VRAM; заявлено отсутствие заметных потерь качества относительно исходной модели. Для этой базовой модели README рекомендует не применять chat completion. К сильным сторонам относятся высокая точность квантизации Q8_0, поддержка локального запуска и специализированная ориентация на вызов инструментов и поиск. Ограничения включают размер модели около 7B параметров, англоязычную заявленную специализацию, необходимость корректного режима работы без chat completion и потребность примерно в 9–12 ГБ VRAM. Модель распространяется по лицензии MIT.

RAG-Instruct-Llama3-8B — текстовая языковая модель Freedom Intelligence, дообученная на наборе RAG-Instruct для улучшения ответов в сценариях генерации с дополнением извлечёнными документами (RAG). Она основана на плотной архитектуре Llama 3.1 с 7,5 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие; интерфейс также поддерживает вызов инструментов. Контекст модели — до 131 072 токенов, основной язык карточки — английский. Модель предназначена для ответов на вопросы по найденным документам и других задач, где ответ нужно формировать с опорой на контекст. В README приведены улучшенные результаты относительно исходной Llama 3.1 8B на нескольких наборах оценки RAG, включая вопросы по Википедии, научным и медицинским материалам. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не уточняет ограничения по доменам, фактической точности или безопасности ответов.

OsaurusAI Raptor 0.6 4B JANG_4M — дообученная и квантованная версия XHToken/Spark-X2.5-4B, подготовленная для работы в Osaurus. Модель имеет плотную архитектуру Spark2.5 и около 3,8 млрд параметров; веса сохранены в safetensors и занимают около 2,45 ГиБ. Квантование использует 4-битные gate/up-проекции, 5-битные down-проекции и attention, 6-битные эмбеддинги, а нормы и отдельные компоненты оставлены в полной точности. Модель предназначена для диалоговой генерации, рассуждений и агентных сценариев: она выбирает, когда ответить напрямую, вызвать инструмент, восстановиться после ошибки, запросить уточнение или передать работу субагенту. Метаданные указывают контекст до 1 048 576 токенов и поддержку английского и китайского; README отмечает, что точность квантования отдельно не измерялась на китайских и длинных свыше 4K токенов текстах. Для работы требуется Osaurus версии 0.25.0 или новее; лицензия — Apache-2.0. JANG_4M экономит память по сравнению с вариантом JANG_6M, но README сообщает о заметном снижении точности относительно bf16 и JANG_6M.

Samantha-1.11-CodeLlama-34b — диалоговая модель на основе CodeLlama-34B, дообученная Эриком Хартфордом на 6 000 специально отобранных диалогов в формате ShareGPT/Vicuna. Она предназначена для генерации кода, помощи с домашними заданиями и общения в роли персонального собеседника; в обучении также использовались темы философии, психологии и личных отношений. Модель содержит 33,5 млрд параметров, использует архитектуру Llama и принимает текстовые запросы с контекстом до 2 048 токенов, выдавая текст. По README, обучение выполнено в течение 40 эпох с использованием QLoRA, Axolotl и DeepSpeed. Карточка сообщает, что модель не участвует в ролевых романтических или сексуальных сценариях. Модель распространяется по лицензии Llama 2, условия которой допускают коммерческое и некоммерческое использование с ограничениями лицензии. Она создана как экспериментальный вариант персонального ИИ-собеседника и помощника по коду. Как и другие языковые модели, может ошибаться в ответах и примерах кода; контекст ограничен 2 048 токенами.

sat-9l-sm — модель семейства Segment any Text, разработанная для библиотеки wtpsplit. Она предназначена для сегментации текста на предложения и решает эту задачу как классификацию токенов: размечает границы предложений, в том числе в текстах без надёжной пунктуации. Модель использует архитектуру XLM для классификации токенов, содержит 276,9 млн параметров и рассчитана на последовательности длиной до 514 токенов. Карточка заявляет качество уровня state of the art и указывает, что модель имеет 9 слоёв Transformer. Поддерживаются многие языки, включая арабский, английский, русский, китайский и японский; лицензия — MIT.

Seed 1.6 Flash — мультимодальная модель глубокого рассуждения от ByteDance Seed, предназначенная для работы с текстом и визуальной информацией. Она поддерживает контекст длиной 256 тысяч токенов и ориентирована на быстрый отклик. Модель подходит для диалога и задач, где нужно анализировать изображения вместе с текстом. README обрывается на описании выходных возможностей, поэтому дополнительные функции и ограничения по качеству определить нельзя. Условия лицензии в доступных сведениях не приведены.

T5 Version 1.1 Small — модель Google с архитектурой encoder-decoder T5 для переноса обучения в формате «текст на входе — текст на выходе». В этой версии около 45,8 млн параметров; доступны веса PyTorch, TensorFlow и Flax. Предобучение выполнено на корпусе C4 без смешивания с целевыми задачами и без контролируемого обучения. Модель предназначена для дообучения под прикладные задачи NLP, где вход и результат представлены текстом: например, суммаризацию, ответы на вопросы и классификацию с текстовым выводом. Версия 1.1 использует активацию GEGLU вместо ReLU, отключённый dropout при предобучении и отдельные веса эмбеддингов и классификатора. Основной язык карточки — английский. Для решения конкретной задачи модель необходимо дообучить; сама предобученная контрольная точка не предназначена для непосредственного выполнения целевых задач. Лицензия — Apache 2.0.

Jebadiah/Tess-coder-ruby-p7 — модель генерации текста на основе архитектуры Llama, созданная слиянием предварительно обученных моделей с помощью mergekit. В слиянии использованы Jebadiah/Tess-coder-ruby-p6 и ChaoticNeutrals/Puppy_Purpose_0.69; применён метод DARE linear. Модель содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для диалоговой генерации текста и кода, включая задачи с Ruby. Она принимает текст и выдаёт текст; в метаданных указана библиотека Transformers и формат safetensors. Лицензия в предоставленных данных не указана.

TranslateGemma-4B-IT — модель Google Translate из семейства компактных моделей перевода TranslateGemma, созданная на основе Gemma 3 и дообученная на параллельных текстах. Она предназначена для перевода между 55 языками, в том числе для извлечения текста из изображения с последующим переводом. Модель принимает текст или изображение; для изображений указано разрешение 896 × 896 пикселей. Контекст составляет 2 тысячи токенов, результатом является переведённый текст. Компактный размер позволяет запускать модель на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре. Для работы предусмотрен шаблон диалога Gemma, поддерживаемый Transformers. Среди ограничений — возможные ошибки на неоднозначных выражениях, тонких языковых нюансах и сложных запросах, а также влияние пробелов и предвзятости обучающих данных. Лицензия — Gemma; применяются условия использования Gemma.

GLM-RoBERTa-Large — плотная языковая модель семейства GLM от Z.ai, разработанная на основе подхода GLM с авторегрессионным заполнением пропусков. Модель содержит 454,2 млн параметров и 24 слоя Transformer с размером скрытого представления 1024 и 16 головами внимания; она предобучена на данных RoBERTa. Модель предназначена для извлечения признаков и может дообучаться для задач понимания и генерации естественного языка, включая генерацию текста и тесты с вариантами ответа. В карточке указана поддержка английского языка. Доступны веса в формате PyTorch; контекстное окно в источниках не описано. Лицензия в предоставленных данных не указана.

MERaLiON-AudioLLM-Whisper-SEA-LION — аудиотекстовая языковая модель, разработанная I2R при A*STAR совместно с AI Singapore. Она предназначена для распознавания и понимания речи, особенно в многоязычной среде Сингапура с местными акцентами, диалектами и переключением языков. Модель содержит 8,1 млрд параметров; в её архитектуре сочетаются аудиоэнкодер на основе дообученного Whisper-large-v2, адаптер и текстовый декодер SEA-LION V3. Она принимает аудио и текстовые инструкции и генерирует текстовый ответ. Для аудио заявлены монофонический формат, частота 16 кГц и длительность до 30 секунд. Модель обучена на 260 000 часах аудио и рассчитана на распознавание речи, перевод речи, ответы на вопросы по аудио, суммаризацию диалогов, выполнение речевых инструкций и анализ паралингвистических признаков. Основной язык — английский, включая сингапурский вариант; также поддерживаются языки, совместимые с Whisper и SEA-LION. Модель доступна для Transformers и vLLM и распространяется по MERaLiON Public License. Авторы отмечают её результаты на сингапурских данных; отдельно модель не предназначена для вызова инструментов, математики и программирования.

plaincompute/mlx-MOSS-Transcribe-Diarize-8bit — восьмибитная версия MOSS-Transcribe-Diarize для запуска через MLX на Apple Silicon. Веса текстовой части модели квантизированы методом MLX affine quantization с bits=8 и group_size=64; аудиоэнкодер Whisper и VQ-адаптер не квантизированы. Репозиторий основан на vanch007/mlx-MOSS-Transcribe-Diarize. Модель предназначена для распознавания речи из аудиофайлов и разделения транскрипта по говорящим. Метаданные указывают задачу automatic-speech-recognition и поддержку speaker diarization. Используется архитектура MossTranscribeDiarizeForConditionalGeneration с аудиоэнкодером Whisper. Лицензия — Apache-2.0.

MOSS-Audio-8B-Instruct — открытая модель для понимания аудио, разработанная MOSI.AI, командой OpenMOSS и Shanghai Innovation Institute. Она принимает аудио и по инструкции формирует текстовые ответы: распознаёт речь, описывает звуки и музыку, отвечает на вопросы о содержании записи и создаёт её краткое изложение. Поддерживает временные отметки на уровне слов и предложений, анализ говорящих, эмоций и акустических событий, а также рассуждения по аудиоконтексту. Архитектура объединяет аудиоэнкодер MOSS-Audio-Encoder, адаптер модальности и языковую модель Qwen3-8B; общий размер составляет около 8,6 млрд параметров. Эмбеддинги аудио формируются с частотой 12,5 Гц, а временные маркеры помогают отвечать на вопросы о том, когда происходили события. Карточка указывает поддержку английского и китайского языков. Модель распространяется под лицензией Apache-2.0. Модель предназначена для прямого выполнения инструкций по аудио и может применяться для анализа записей разговоров, подкастов, музыки и окружающей среды. README приводит результаты сравнительных оценок, но они не гарантируют качество на конкретных данных; опубликованная информация также не описывает ограничения по длительности аудио или качество для других языков.