I.5Создание и редактирование текста

NavAI Whisper Small Uzbek — это модель автоматического распознавания речи, созданная NavAI на основе дообучения openai/whisper-small. Она принимает аудио и генерирует текстовую транскрипцию на узбекском языке. По карточке модели, обучение проведено на 753 часах речи с человеческими расшифровками из открытых корпусов; размер в метаданных — 153,1 млн параметров. Модель реализована на архитектуре Whisper и распространяется в формате safetensors через библиотеку Transformers. Модель предназначена для транскрибирования узбекской речи, в том числе пакетной обработки записей. Для лучших результатов рекомендуется явно указывать язык uz; длинные записи обрабатываются окнами по 30 секунд. В тестировании на четырёх отложенных наборах whisper-small показала макро-WER 11,57% и микро-WER 10,69%; результаты зависят от набора и условий записи. Выход рассчитан на узбекский язык в латинской графике. Слабее распознаются редкие иностранные имена и речь с дальнего расстояния, шумом или выраженным диалектом. Модель унаследует возможные смещения обучающих данных. В метаданных указана лицензия Apache-2.0; карточка также приводит требования атрибуции для одного из использованных обучающих корпусов.

DeepSeek-OCR 2 — модель компьютерного зрения и обработки текста из изображений семейства DeepSeek, представленная в репозитории deepseek-community. Она предназначена для распознавания текста и преобразования документов в Markdown; режим grounding позволяет связывать извлечённый текст с координатами областей изображения через специальные теги. Модель использует архитектуру DeepseekOcr2ForConditionalGeneration и принимает изображения с текстовой инструкцией, выдавая текст. Поддерживается динамическое разрешение: базовый режим обрабатывает изображения с несколькими фрагментами 768×768 и дополнительным изображением 1024×1024. В карточке указана многоязычная поддержка, но конкретные языки не перечислены. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. README также указывает на ускоренный инференс через vLLM и обработку PDF, однако детали этих сценариев находятся во внешней инструкции.

Systran/faster-whisper-medium — конверсия модели распознавания речи Whisper medium от OpenAI в формат CTranslate2, подготовленная для использования с CTranslate2 и faster-whisper. Модель принимает аудио и преобразует речь в текст; семейство Whisper поддерживает многоязычное распознавание, включая русский и английский, а также перевод речи на английский язык. Веса сохранены в FP16. При загрузке в CTranslate2 можно выбрать другой тип вычислений через параметр compute_type. Репозиторий распространяется по лицензии MIT; для сведений о возможностях исходной модели следует обращаться к её карточке OpenAI.

Llama-3-Groq-70B-Tool-Use-GGUF — это GGUF-квантизированная версия дообученной языковой модели Llama 3 с 70 млрд параметров, разработанной Groq. Квантизацию подготовил bartowski на основе llama.cpp. Модель работает с текстом, поддерживает английский язык и предназначена для генерации текста, вызова функций и взаимодействия с инструментами. Основные сценарии применения — интеграция с API, обработка структурированных данных, автоматизация рабочих процессов и сложные последовательности вызовов инструментов. Модель обучена формировать вызовы функций в структурированном формате, включая имя функции и аргументы, а также обрабатывать ответы инструментов. В Berkeley Function Calling Leaderboard она показывает общую точность 90,76%. Сильной стороной модели является специализация на tool use и function calling, что делает её подходящей для агентных приложений и систем, подключённых к внешним сервисам. Ограничения включают работу только с текстом, заявленную поддержку английского языка и возможные ошибки, неточности или небезопасные результаты генерации. Для использования в LM Studio рекомендуется выбрать шаблон Llama 3. Модель распространяется по лицензии Llama 3; условия применения следует проверять в лицензии исходной модели.

LongCat-Flash-Omni — открытая мультимодальная модель, разработанная Meituan для понимания текста, изображений, видео и аудио, а также взаимодействия с аудио и видео в реальном времени и потоковой генерации речи. В карточке описана архитектура Mixture-of-Experts с 560 млрд параметров и 27 млрд активируемых параметров; метаданные репозитория указывают 17,7 млрд параметров. Модель принимает контекст до 128 тыс. токенов и рассчитана на диалоговые и многомодальные сценарии. Модель предназначена для анализа изображений и видео, распознавания речи, перевода речи в текст и аудиовизуального диалога. В README приведены результаты сравнительных оценок по мультимодальным, визуальным и аудиозадачам. Для запуска описаны адаптации SGLang; указаны требования Python 3.10+, PyTorch 2.8+ и CUDA 12.9+. Репозиторий распространяется по лицензии MIT. Авторы отмечают, что модель не была специально разработана и всесторонне проверена для всех прикладных сценариев.

MGM-Omni-32B — мультимодальная модель-чатбот семейства MGMOmni, разработанная командой MGM-Omni. Это компонент восприятия MLLM: он принимает текст, изображения, видео и речь, а отвечает текстом; для синтеза речи авторы указывают отдельную модель MGM-Omni-TTS. Модель содержит 32 млрд параметров, использует архитектуру MGMOmniForCausalLM и поддерживает контекст до 128 000 токенов. Модель предназначена для диалогов с мультимодальными данными, понимания речи, изображений и видео, включая длинные аудиозаписи. В карточке заявлены поддержка английского и китайского языков и возможность воспринимать речь длительностью до часа. MGM-Omni-32B дообучена на Qwen/Qwen2.5-VL-32B-Instruct. Лицензия — Apache-2.0.

NB-Whisper Tiny — компактная модель распознавания речи, разработанная NB AI-Lab Национальной библиотекой Норвегии на основе OpenAI Whisper Tiny. Она предназначена для транскрибации аудио и перевода речи; README описывает серию моделей, обученную на 66 000 часах речи, а метаданные указывают для этой версии 29,4 млн параметров и архитектуру WhisperForConditionalGeneration. Модель поддерживает норвежский букмол, нюнорск и английский языки. Для обработки длинных записей можно использовать разбиение на фрагменты; для большей точности README рекомендует beam size 5, что увеличивает время работы и расход памяти. Tiny оптимизирована для запуска на CPU. Лицензия — Apache 2.0.

Intel/Qwen3-Coder-Next-int4-AutoRound — это квантованная версия языковой модели Qwen/Qwen3-Coder-Next, разработанная с использованием Intel AutoRound. Модель предназначена для генерации текста и решения задач программирования, включая создание исходного кода, например реализацию алгоритмов. Она поддерживает стандартные сценарии работы через Hugging Face Transformers и сервер vLLM. Модель использует симметричную INT4-квантизацию с group_size 128, что снижает требования к памяти по сравнению с полноразмерной версией. Точные сведения о размере модели, поддерживаемых языках, модальностях и длине контекста в предоставленных данных не указаны. Модель может генерировать фактически неверные, предвзятые, оскорбительные или иным образом нежелательные ответы, поэтому перед использованием в приложениях необходимы тестирование безопасности и проверка результатов. Условия лицензирования должны соответствовать лицензии исходной модели Qwen/Qwen3-Coder-Next; конкретная лицензия в README не указана.

Wav2Vec2-Large-Ru-Golos-With-LM — модель распознавания русской речи от bond005 на основе facebook/wav2vec2-large-xlsr-53. Модель Wav2Vec2 с архитектурой CTC содержит 402,7 млн параметров и дообучена на обучающей части датасета SberDevices/Golos с аугментациями аудио. Для декодирования используется 2-граммная языковая модель, построенная на русскоязычных текстах Taiga, Википедии и Викиновостей. Модель предназначена для преобразования русской речи в текст. Её оценивали на тестовых выборках SberDevices/Golos, русской части Common Voice 6.0 и Russian Librispeech; для работы входную речь нужно подавать с частотой дискретизации 16 кГц. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Описание не приводит численных метрик качества или результатов оценки.

FastFlowLM/Whisper-V3-Turbo-NPU2 — модель автоматического распознавания речи и перевода речи в текст, основанная на openai/whisper-large-v3-turbo. Архитектура Whisper разработана OpenAI и обучена на более чем 5 млн часов размеченных аудиоданных. В представленной карточке не указаны отдельные сведения о разработчике или изменениях, специфичных для варианта NPU2. Модель предназначена для транскрибации аудиофайлов произвольной длительности, пакетной обработки записей, автоматического определения языка и перевода речи на английский язык. Поддерживаются временные метки на уровне предложений и отдельных слов, а также различные стратегии декодирования. Заявлена поддержка широкого набора языков, включая английский, китайский, немецкий, испанский, русский, корейский, французский, японский и многие другие. Whisper large-v3-turbo является оптимизированной версией Whisper large-v3: число декодирующих слоёв сокращено с 32 до 4, благодаря чему модель работает значительно быстрее, но может немного уступать исходной версии по качеству. Конкретный размер модели, длина контекста, требования к оборудованию и преимущества использования NPU в README не указаны. Модель распространяется по лицензии MIT.

Afrispeech-Whisper-Medium-All — модель распознавания речи на базе Whisper Medium, дообученная Intron Health на датасете AfriSpeech-200 для лучшей работы с африканскими акцентами. Модель принимает аудио и преобразует речь в текст; пример в карточке описывает автоматическое определение языка вывода и транскрибирование на английском языке. Архитектура — WhisperForConditionalGeneration, плотная модель на 455,8 млн параметров. Для длинных записей README рекомендует сегментировать аудио на фрагменты по 30 секунд с помощью Transformers pipeline; поддерживаются временные метки на уровне последовательности. Модель опубликована в формате safetensors под лицензией Apache-2.0.

m-ric/Aria_hf_2 — опубликованный на Hugging Face чекпойнт модели Aria, разработанной командой Rhymes.AI; репозиторий содержит веса в формате safetensors и использует архитектуру AriaForConditionalGeneration. Это мультимодальная модель типа mixture-of-experts, принимающая текст и изображения и генерирующая текст. Она подходит для диалога по изображениям, визуальных вопросов и ответов, описания изображений, а также задач понимания документов и диаграмм. В документации Aria указаны 3,9 млрд активируемых параметров на визуальный токен и 3,5 млрд на текстовый токен; текст обрабатывается MoE-декодером, а изображения — лёгким визуальным энкодером. Репозиторий m-ric/Aria_hf_2 не уточняет размер контекстного окна, поддерживаемые языки или лицензию, поэтому эти характеристики здесь не заявляются. Для загрузки через Transformers указано использование trust_remote_code.

DeepSeek-OCR-Latest-BF16.I64 — оптимизированная версия DeepSeek-OCR, представленная в карточке как открытая мультимодальная vision-language модель для OCR. Она извлекает печатный и рукописный текст из изображений и сканов документов, формируя обычный текст или Markdown. Модель может сохранять структуру документа, включая заголовки, таблицы и списки, и учитывать расположение элементов страницы. Для обработки изображений документов она использует визуально-языковой подход; README описывает 3B VLM backbone, а метаданные указывают 559,7 млн параметров и контекст 8192 токена. Модель рассчитана на Transformers и поддерживает настройки реализации attention, включая Flash Attention и SDPA. В карточке указана лицензия MIT. README сообщает о тестировании BF16-варианта на NVIDIA H200 MIG; практическое качество и совместимость с другими конфигурациями могут отличаться.

Functionary Small v3.1 — разговорная языковая модель с поддержкой вызова функций и плагинов, разработанная meetkai на основе Meta-Llama-3.1-8B-Instruct. Это плотная архитектура LlamaForCausalLM на 7,5 млрд параметров с контекстом до 131 072 токенов; модель распространяется в формате safetensors и совместима с Transformers. Модель предназначена для диалоговых систем, которым нужно выбирать подходящий инструмент, вызывать функции по JSON Schema, выполнять последовательные или параллельные вызовы и формировать ответы с опорой на результаты инструментов. Она также поддерживает сценарии с интерпретатором кода и может отвечать обычным текстом, когда вызов инструмента не нужен. Качество работы с инструментами зависит от корректного описания функций, шаблона диалога и обработки вызовов на стороне приложения; README предлагает использовать сервер vLLM с совместимым с OpenAI API интерфейсом. Модель выпущена под лицензией MIT.

amir22010/gemma4-e4b-w4a16-it-v2 — мультимодальная модель для диалога и анализа изображений, созданная Team Horizon на основе google/gemma-4-E4B-it. Это версия Gemma 4 E4B Instruct с квантизацией весов W4A16: веса представлены в 4-битном формате, активации остаются в FP16. Поддерживаются входные изображения и текст; модель предназначена для визуальных вопросов и ответов, анализа документов и диалоговых инструкций. Квантизация выполнена методом RTN для линейных слоёв; lm_head и аудиослои исключены. По README, для инференса требуется около 10 ГБ видеопамяти, рекомендуется 16–24 ГБ. Заявлены улучшения на отдельных бенчмарках после калибровки на TextVQA, DocVQA и UltraChat, однако эти результаты относятся к тестам автора и не гарантируют аналогичного качества на других данных. Модель распространяется по лицензии Apache-2.0. Среди известных ограничений — небольшое снижение точности на задачах анализа документов относительно базовой модели; аудиослои сохранены в исходной точности и не квантизированы.

InstructYi-6BDolly15K — авторегрессионная языковая модель на 5,8 млрд параметров, дообученная HenryJJ на базе Yi-6B с помощью LoRA. В обучении использовались наборы Databricks Dolly 15K и CodeAlpaca 20K; модель обучалась следовать инструкциям и лучше справляться с задачами программирования. Для запросов применяется шаблон [INST] с инструкцией и, при необходимости, контекстом. Модель предназначена для генерации ответов на инструкции и помощи с кодом на английском языке. Репозиторий содержит веса Safetensors; контекст модели по метаданным составляет 4096 токенов. README сообщает о тренировке на окне 2048 токенов. Модель распространяется по лицензии Apache-2.0.

lmstudio-community/Qwen2.5-VL-3B-Instruct-GGUF — мультимодальная инструкционная модель Qwen2.5-VL-3B-Instruct, разработанная Qwen и представленная в формате GGUF. Квантизацию выполнил bartowski на основе llama.cpp. Модель предназначена для задач анализа изображений и текста, включая распознавание объектов, интерпретацию текстов, диаграмм, графиков, значков и макетов в изображениях. Модель поддерживает контекст до 128 тысяч токенов, заявлена как мультиязычная и может формировать структурированные ответы, включая стабильный JSON. Она также предназначена для сценариев визуального агента с рассуждением и динамическим управлением инструментами, в том числе для взаимодействия с компьютером и телефоном. К сильным сторонам относятся анализ визуальной информации и работа со структурированными данными; конкретные ограничения, результаты тестов и перечень поддерживаемых языков в README не указаны. Лицензия — qwen-research.

Qwen3.8-27B-GLA-g2 — производная от Qwen/Qwen3.8-27B модель TelperionAI с архитектурой Grouped Latent Attention на двух группах. Переход на низкоранговые латентные представления ключей и значений уменьшает объём KV-кэша в среднем вдвое при обслуживании с параллелизмом до двух GPU. Изменение выполнено без обучения: проекции подогнаны методом whitened SVD на калибровочных данных; остальные веса, включая vision tower и MTP head, сохранены. Модель предназначена для генерации текста и диалогов, в том числе для задач программирования и длинного контекста; в карточке также заявлена поддержка изображений как у базовой модели. В парном сравнении на SWE-bench Verified результат составил 0,394 против 0,395 у исходной модели, при генерации на 14% меньшего числа токенов. По метаданным, модель имеет 27 млрд параметров, плотную архитектуру семейства Qwen3.5 и лицензию Apache-2.0. Для запуска требуется экспериментальный плагин qwen-mla-vllm; модель не загружается в Transformers и стандартный vLLM. README сообщает о проверке плагина на RTX PRO 6000 с vLLM 0.27.1, а результаты за пределами SWE-bench Verified и HELMET (64k) не оценивались. При параллелизме более чем на двух GPU сжатие снижается примерно до 1,14 раза.

kthierbach/unlimited-ocr-max — это порт модели baidu/Unlimited-OCR, подготовленный Константином Тирбахом для запуска через MAX и OpenAI-совместимый API. Модель предназначена для распознавания текста на изображениях и преобразования страниц в Markdown; репозиторий также описывает запуск собственного сервера и профилирование на наборе страниц. Архитектура указана как UnlimitedOCRForCausalLM, размер — 559,7 млн параметров, длина контекста — 32 768 токенов. Доступны исходные веса bf16 и вариант int8 с квантизацией routed experts; файлы весов хранятся в safetensors. Поддерживаются Metal на Apple Silicon, CUDA, ROCm и CPU. Метаданные характеризуют модель как многоязычную. Порт упрощает развёртывание через MAX, а int8-вариант предназначен для более быстрого декодирования на GPU. На CPU работа медленная; для int8 требуется GPU. Для NVIDIA указаны требования Ampere или новее, драйвер 580+ и MAX версии 0.3.1 или новее. Лицензия — MIT; README указывает, что исходные веса и файлы Baidu распространяются под MIT, а int8-веса получены из них квантизацией.

Wav2Vec2-Large-XLSR-Indonesian — модель распознавания речи, созданная Cahya и дообученная на базе facebook/wav2vec2-large-xlsr-53 на индонезийской части Common Voice. Она преобразует аудиозапись речи в текст и рассчитана на распознавание индонезийской речи; входное аудио должно иметь частоту дискретизации 16 кГц. Модель построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Доступны веса PyTorch и Flax. В карточке приведён результат оценки 25,86% на тестовых данных Common Voice, но метрика не уточнена. Модель распространяется по лицензии Apache-2.0.

Это модель автоматического распознавания речи на базе XLS-R 1B, дообученная Jonatas Grosman для транскрибации французской речи. Дообучение проведено с помощью HuggingSound на обучающих и валидационных данных Common Voice 8.0, MediaSpeech, Multilingual TEDx, Multilingual LibriSpeech и Voxpopuli. Архитектура — Wav2Vec2ForCTC; модель содержит 1,3 млрд параметров и принимает аудио с частотой дискретизации 16 кГц. Модель предназначена для преобразования французской речи в текст, в том числе для расшифровки записей и аудиоматериалов. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Карточка не сообщает об ограничениях точности или о поддержке других языков.

Модель comodoro/wav2vec2-xls-r-300m-cs-250 — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания чешской речи. Она основана на архитектуре Wav2Vec2 с выходной CTC-головой и содержит 402,7 млн параметров. Для распознавания принимает аудио с частотой дискретизации 16 кГц и выдаёт текст на чешском языке. Модель дообучена на Common Voice 8.0 и чешских наборах OVM, встречах парламента Чехии и Vystadial 2016. В карточке приведены результаты на тестовой выборке Common Voice: WER 0,1475 и CER 0,0329; с языковой моделью указаны WER 0,0727 и CER 0,0212. Подходит для транскрибации чешских записей, включая диктовку, интервью и разговорную речь. Модель распространяется в форматах PyTorch и safetensors по лицензии Apache-2.0. Результаты зависят от качества записи и близости речи к обучающим данным; для работы требуется аудиовход, записанный или приведённый к 16 кГц.

Eagle-X5-13B-Chat — мультимодальная языковая модель семейства Eagle, разработанного NVIDIA. Это плотная Transformer-модель архитектуры EagleLlamaForCausalLM с 12,9 млрд параметров, предназначенная для диалога и анализа изображений вместе с текстом. Контекст модели составляет 4096 токенов. Модель использует комбинацию визуальных энкодеров CLIP+X и рассчитана на обработку изображений высокого разрешения, включая задачи распознавания текста и понимания документов. Она принимает изображения и текст, а выдаёт текст; авторы отмечают сильные результаты на мультимодальных тестах, особенно в задачах, чувствительных к разрешению. Основные сценарии применения — исследование мультимодальных LLM и создание чат-ботов. Модель опубликована под лицензией CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. README не уточняет языковой охват и подробные ограничения качества; перед применением в конкретной отрасли следует оценить пригодность модели для этого сценария.

EttinX-nli-s — англоязычный cross-encoder для определения логической связи между парой текстов: противоречие, нейтральное отношение или следование. Модель разработал dleemiller на основе энкодера jhu-clsp/ettin-encoder-68m семейства ModernBERT; она дообучена на наборе all-nli-distill с логитами учителя dleemiller/ModernCE-large-nli. Использует архитектуру классификации последовательностей и содержит 68,1 млн параметров. Модель подходит для проверки гипотез по тексту, оценки семантического соответствия пары предложений и анализа ответов LLM. Автор приводит результаты micro-F1 0,8798 на MNLI mismatched и 0,8967 на SNLI. Заявлена обработка последовательностей до 8192 токенов, что полезно для оценки длинных ответов; метаданные указывают контекст 7999 токенов. Компактный размер делает модель подходящей для инференса на CPU. Лицензия MIT.

Это конверсия модели distil-whisper/distil-medium.en в формат CTranslate2, опубликованная Systran для распознавания речи. Её можно запускать через CTranslate2 и совместимые проекты, включая faster-whisper. Модель принимает аудио и выдаёт текстовую транскрипцию на английском языке. Веса сохранены в FP16; при загрузке в CTranslate2 можно выбрать другой тип вычислений через параметр compute_type. Репозиторий распространяется по лицензии MIT.

Модель Zoont/faster-whisper-large-v3-turbo-int8-ct2 — преобразованная версия OpenAI Whisper large-v3-turbo в формате CTranslate2 с 8-битной квантизацией. Она предназначена для распознавания речи и преобразования аудио в текст с использованием faster-whisper; поддерживает мультиязычную обработку, включая русский и английский языки. Репозиторий создан 31 января 2025 года, использует библиотеку CTranslate2 и распространяется по лицензии MIT. Карточка отсылает к исходной модели за подробностями; в ней не приведены отдельные сведения о качестве распознавания или длине контекста.

Finnish ModernBERT tiny — компактная предобученная модель-энкодер архитектуры ModernBERT, разработанная TurkuNLP. Модель содержит 51 млн параметров и обучена на 447,9 млрд токенов. Она рассчитана на финский, шведский, английский, северносаамский, латинский языки и код; метаданные указывают языки fi, sv и en. Для задачи заполнения пропусков заявлен контекст 16 000 токенов, а в карточке отмечена теоретическая возможность экстраполяции до 128 000 токенов. Модель подходит для предсказания скрытых токенов, анализа текста и получения контекстных представлений, в том числе для задач поиска по текстам. В оценках семейство моделей показало конкурентные результаты на коротких задачах понимания финского, шведского и английского языков, а также сильные результаты в поиске вне обучающего домена. Обучение проводилось на суперкомпьютере LUMI на разнообразных текстовых данных. Модель распространяется по лицензии Apache-2.0. В обучающих данных могли присутствовать предвзятые и вредоносные материалы, не проводилась фильтрация токсичного или оскорбительного содержания; выходы и представления модели следует оценивать с учётом возможного влияния на уязвимые группы.

SeamlessM4T Large — крупная модель семейства SeamlessM4T, разработанная Meta и реализованная в библиотеке Hugging Face Transformers. Это единая плотная модель на 664,9 млн параметров для перевода речи и текста между языками и распознавания речи; в Transformers доступны как универсальная модель, так и специализированные варианты для отдельных задач. Модель поддерживает речевой ввод на 101 языке, текстовый ввод и вывод на 96 языках и генерацию речи на 35 языках. Она предназначена для перевода речи в речь, речи в текст, текста в речь и текста в текст, а также для автоматического распознавания речи. Можно выбирать голос синтеза с помощью идентификатора говорящего. Для синтеза речи SeamlessM4T v2 предлагает улучшенную по сравнению с этой версией архитектуру, качество и скорость. Репозиторий содержит веса PyTorch, модель рассчитана на контекст до 1024 токенов и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Модель объединяет несколько языковых задач в одном решении, но для генерации речи поддерживает меньше языков, чем для речевого ввода или текстовых операций.

Jan-Nano-128k — компактная языковая модель Alan Dao и Bach Vu Dinh, дообученная на базе Menlo/Jan-nano. Это плотная модель семейства Qwen3 с 3,7 млрд параметров и контекстом до 131 072 токенов. Она предназначена для исследовательских задач: анализа длинных документов и научных статей, синтеза информации из нескольких источников и ведения многоходовых диалогов. Модель поддерживает чат и интерфейс вызова инструментов MCP; авторы характеризуют её как не использующую режим пошагового рассуждения. Модель принимает текст и генерирует текст. Репозиторий содержит веса Safetensors; для запуска авторы описывают развёртывание через vLLM с настройками для длинного контекста и вызова инструментов. Лицензия — Apache-2.0. README сообщает об оценке на SimpleQA, но не приводит численных результатов, поэтому заявленное улучшение относительно Jan-Nano нельзя количественно оценить по карточке.

Jan-v2-VL-f32-AIO-GGUF — GGUF-сборка 8-миллиардной vision-language модели Jan-v2-VL, разработанной командой JanHQ. Модель предназначена для взаимодействия с визуальными и текстовыми данными, а также для выполнения многошаговых задач в реальных программных средах, включая браузеры и настольные приложения. Модель сочетает языковое рассуждение с визуальным восприятием, поддерживает анализ скриншотов, заземление элементов интерфейса и вызов инструментов. Она рассчитана на агентную автоматизацию, управление пользовательским интерфейсом, следование сложным инструкциям, сохранение промежуточного состояния и восстановление после незначительных ошибок. Заявлен английский язык, однако сведения о размере контекста и точной архитектуре в README не указаны. Доступны варианты low, med и high: low ориентирован на эффективность и меньшую задержку, med предлагает баланс качества и скорости, а high использует более глубокое рассуждение и требует больше времени на обработку. Сильными сторонами являются работа с визуально-текстовыми сценариями, устойчивое пошаговое выполнение длинных последовательностей и возможность локального запуска через vLLM и llama.cpp. Ограничениями являются отсутствие в README подробных метрик, данных о контекстном окне и гарантий качества за пределами заявленных сценариев, а также повышенные требования к ресурсам для полноразмерных F32-файлов. Модель распространяется по лицензии Apache-2.0.