I.5Создание и редактирование текста

360VL-70B — мультимодальная чат-модель компании 360, дообученная на основе Meta Llama 3 70B Instruct для работы с изображениями и текстом. Она использует авторегрессионную трансформерную архитектуру и глобально ориентированный многоветвевой проектор для обработки изображений; число параметров — 69,5 млрд, контекст — 8192 токена. Модель принимает текст и изображения и генерирует текстовые ответы. Она поддерживает многоходовые диалоги с одним изображением, визуальные вопросы и ответы, распознавание текста на изображениях, извлечение, упорядочивание и краткое изложение визуальной информации. Заявлена поддержка китайского и английского языков; изображения обрабатываются с разрешением до 672×672. Модель распространяется под лицензией Apache 2.0. Качество ответов может зависеть от содержания и разрешения изображения; заявленный режим визуального диалога рассчитан на одно изображение.

FastSLM — модель на базе Qwen3-4B, дообученная okestro-ai-lab для преобразования речи в текст и других задач понимания аудио. Она использует архитектуру FastSLM с плотной моделью условной генерации и адаптацией языковой модели к аудио; веса доступны в формате safetensors. Модель ориентирована на эффективную обработку длинных записей: в README заявлена обработка до восьми часов аудио на GPU с 40 ГБ памяти. Для вывода требуются GPU и специальный код модели в Transformers. FastSLM поддерживает транскрибирование речи, перевод аудио в текст на другом языке, суммаризацию аудиозаписей и ответы на вопросы по их содержанию. README сообщает о сохранении возможностей исходной языковой модели для текстовых задач при отключении LoRA. В метаданных указаны английский и корейский языки; опубликованные материалы также упоминают стандартные тесты распознавания речи, но численные результаты здесь не приведены. Модель распространяется по лицензии Apache-2.0.

OS-Software/Gemma-4-12B-it-QAT-Q4_0-unquantized-uncensored-heretic-v3 — экспериментальная производная модель на базе Google Gemma 4 12B Instruct, созданная сообществом OS-Software. Карточка описывает Gemma 4 как плотную мультимодальную архитектуру с чередованием локального скользящего и глобального внимания. Для базовой версии 12B заявлен контекст до 256K токенов; модель поддерживает обработку текста, изображений, видео и аудио. Модель предназначена для исследований безопасности, выравнивания и red teaming, а также экспериментов с диалогом, рассуждениями, вызовом инструментов, программированием и мультимодальным анализом. Заявлены распознавание речи и перевод речи в текст, анализ изображений и видео, OCR, разбор документов и понимание интерфейсов. README рекомендует избегать развёртывания в публичных сервисах и пользовательских приложениях. В README не приведены отдельные результаты оценки качества или точные сведения о том, какие изменения внесены в эту версию; указанные возможности относятся к семейству Gemma 4 и базовой модели. Карточка сообщает о возможных фактических ошибках, предвзятости, трудностях с нюансами языка и сложными задачами. Лицензия репозитория — Apache-2.0.

NiviG/hallucination-detector — модель классификации текста, созданная дообучением DeBERTa-v3-base от Microsoft. Она сопоставляет утверждение, сгенерированное ИИ, с предоставленным контекстом и определяет, подтверждается ли оно, опровергается ли или остаётся непроверяемым. Модель обучена на более чем 25 тысячах примеров FEVER для проверки фактов и выявления галлюцинаций в ответах языковых моделей. Архитектура — DeBERTa-v2 для классификации последовательностей, около 211,6 млн параметров; модель работает с текстом и имеет контекст до 512 токенов. Она выдаёт одну из трёх меток: FACTUAL, UNCERTAIN или HALLUCINATION. Веса опубликованы в формате safetensors; библиотека — Transformers. Карточка не указывает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Higgs Audio v3 8B STT v2 — модель распознавания речи от Boson AI. Она сочетает замороженный аудиоэнкодер Whisper-Large-v3 с декодером Qwen3-8B, дообученным с помощью LoRA и затем объединённым с базовыми весами. Всего в модели 8,91 млрд параметров; она принимает монофонический WAV с частотой 16 кГц и формирует текстовую транскрипцию. Модель предназначена для преобразования речи в текст и оценки качества распознавания на разнообразных ASR-наборах. В README указана поддержка thinking mode для повышения точности; приведены результаты ESB Benchmark для AMI, Earnings22 и GigaSpeech. Метаданные указывают английский язык. Модель распространяется по лицензии Apache-2.0. Результаты в карточке ограничены указанными наборами и сами по себе не подтверждают качество для других языков или акустических условий.

Masker — многоязычный классификатор токенов для обнаружения персональных данных (PII), разработанный как нейронная часть системы редактирования чувствительной информации. Модель на базе DeBERTa-v3 дообучена Microsoft mDeBERTa-v3-base на наборе ai4privacy/pii-masking-openpii-1m; в метаданных указано 218,2 млн параметров, контекст — 512 токенов. Веса сохранены в формате safetensors. Модель размечает имена, адреса, возраст, даты, телефоны, электронную почту, банковские карты и государственные идентификаторы. Она выдаёт BIOES-метки для токенов; преобразование меток в символьные интервалы и объединение результатов с правилами выполняет сопутствующий пакет mask. В README заявлена поддержка 23 европейских языков, а в метаданных перечислены 21 код языка. На валидационной выборке openpii-1m указаны строгий span F1 0,982 и typed F1 0,995. Данные синтетические и шаблонные, поэтому качество на реальных текстах может быть ниже; для ответственного применения требуется проверка остаточных утечек. Лицензия модели указана в метаданных как other; README отмечает лицензию MIT для базовой модели и требует сохранять атрибуцию набору данных CC-BY-4.0 при downstream-использовании.

Карточка модели OpenMOSS-Team/MOSS-Audio-4B-Thinking на Hugging Face совпадает с карточкой OpenMOSS-Team/MOSS-Audio-4B-Instruct, поэтому описание составлено по ней. MOSS-Audio-4B-Instruct — открытая модель для понимания аудио, разработанная MOSI.AI, командой OpenMOSS и Shanghai Innovation Institute. Это вариант Instruct с аудиоэнкодером MOSS-Audio-Encoder и языковой основой Qwen3-4B; общий размер составляет около 4,6 млрд параметров. Аудио преобразуется в временные представления с частотой 12,5 Гц, которые объединяются с представлениями языковой модели для генерации текста. Модель принимает аудио и выполняет инструкции на его основе. Модель предназначена для распознавания речи с временными метками, ответов на вопросы и составления резюме по аудио, анализа говорящих, эмоций и звуковых событий, описания окружающей обстановки и понимания музыки. Архитектура с передачей признаков между слоями энкодера и временными маркерами поддерживает анализ акустических деталей и последовательности событий. В карточке семейства заявлена поддержка английского и китайского языков; результаты оценки относятся к семейству моделей и не гарантируют такое же качество именно для варианта 4B. Модель распространяется по лицензии Apache-2.0. Карточка описывает возможности семейства, но не приводит отдельные результаты оценки, требования к ресурсам или конкретные ограничения варианта 4B-Instruct.

Moondream Parakeet Redux — компактная модель автоматического распознавания речи, созданная на основе Parakeet-TDT-0.6B-v3 от NVIDIA. Она сохраняет исходную архитектуру и токенизатор, но веса энкодера представлены значениями −1, 0 и +1 (1,58 бита); размер весов — 178 МБ. Для запуска README рекомендует Photon, который использует AVX-512 VNNI на x86, NEON на ARM и Metal на Apple-устройствах. Модель предназначена для преобразования речи в текст, включая многоязычные записи и длинные аудио. Встроенная голова определения речевой активности помогает Photon разделять длинные записи на фрагменты до 30 секунд. В опубликованных сравнениях Redux близка к исходной модели на английском, показывает лучшие результаты на FLEURS и длинных выступлениях, но сильнее теряет точность при фоновом шуме. Заявленные скорости зависят от оборудования и среды Photon. В карточке указана лицензия CC-BY-4.0. Модель поддерживает 25 языков, включая русский; метаданные перечисляют языковые коды для 23 из них.

SmolVLM-Instruct — компактная мультимодальная модель Hugging Face для диалога по изображениям и тексту. Она принимает текстовые запросы и одно или несколько изображений, в том числе в чередующихся последовательностях, и формирует текстовые ответы. Модель построена на архитектуре Idefics3, объединяющей языковую модель SmolLM2-1.7B-Instruct и визуальную основу SigLIP SoViT-400m; репозиторий содержит веса Safetensors и формат ONNX. Лицензия — Apache 2.0. Модель подходит для ответов на вопросы об изображениях, описания визуального содержимого, подписей к изображениям, понимания документов и диаграмм, а также историй по нескольким изображениям. Компактная архитектура и сжатое представление изображений рассчитаны на эффективный запуск, в том числе на устройствах с ограниченными ресурсами. Основной язык карточки — английский; модель также может работать как языковая модель без изображений. Она не генерирует изображения. Ответы могут быть фактически неточными, поэтому модель не предназначена для решений, влияющих на благополучие или средства к существованию людей.

Jebadiah/Tess-gradient-ruby-p1 — объединённая языковая модель, созданная автором репозитория с помощью mergekit методом DARE linear. В качестве основы использована Jebadiah/Tess-gradient-ruby, в слияние также включена defog/llama-3-sqlcoder-8b; архитектура — плотная Llama с классом LlamaForCausalLM, размер — 7,5 млрд параметров. Модель предназначена для генерации текста в диалоговом формате. Благодаря включению SQLCoder её можно использовать для генерации SQL-запросов по вопросам пользователя и описаниям таблиц, в том числе для баз PostgreSQL, Redshift и Snowflake. Контекст составляет 8192 токена; модель работает с текстом и выдаёт текст. Веса опубликованы в формате safetensors и имеют тип bfloat16. Лицензия в предоставленных сведениях не указана.

Это модель автоматического распознавания речи на польском языке, разработанная Jonatas Grosman путём дообучения facebook/wav2vec2-xls-r-1b с помощью HuggingSound. Она использует архитектуру Wav2Vec2ForCTC и предназначена для преобразования польской речи в текст; в обучении использованы обучающая и валидационная части Common Voice 8.0, Multilingual LibriSpeech и Voxpopuli. Модель содержит 1,3 млрд параметров и принимает аудио с частотой дискретизации 16 кГц. Для распознавания польской речи её можно применять к аудиозаписям и речевым данным из различных источников. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Качество распознавания зависит от записи и соответствия входного аудио требованию 16 кГц; сведения о производительности в конкретных условиях в карточке не приведены.

Это модель распознавания речи на португальском языке, разработанная Yuriy Vnv на основе openai/whisper-large-v3 и дообученная на Common Voice 17.0 и синтетических данных CAPES, отфильтрованных методом WAVe. Она принимает аудио и преобразует речь в текст; рассчитана на транскрибацию португальской речи, в том числе для длинных высказываний и аудио из новых предметных областей. Модель содержит 905,2 млн параметров и использует архитектуру Whisper large-v3. В карточке сообщается о WER 7,95% на тесте Common Voice и 6,89% на MLS, а также о меньшем объёме синтетических данных и числе шагов обучения по сравнению с вариантом фильтрации на уровне предложений. Модель оптимизирована для обычной португальской речи; качество на технической лексике, шумном аудио и разных региональных вариантах португальского может отличаться. Распространяется по лицензии Apache-2.0.

Whisper-Large-v3-MLA — модель распознавания речи, разработанная Burak Aydın на основе OpenAI Whisper large-v3. Декодерная self-attention преобразована из MHA в MLA, что сокращает KV-кэш декодирования на 62,5%; после преобразования модель дообучена на корпусе Whispered для восстановления качества. Модель содержит 905,2 млн параметров и предназначена для транскрибации речи в текст на 11 языках. На тестах CommonVoice-17 авторы сообщают, что цена преобразования по качеству статистически незначима для 9 из 11 языков; заметные различия указаны для арабского и китайского. Сокращение относится к KV-кэшу self-attention декодера: память энкодера и cross-attention не сжата, поэтому выгода для одной короткой последовательности ограничена и заметнее при длинной генерации и высокой параллельности. Модель ориентирована на чистую речь, записанную потребительскими микрофонами; качество может снижаться для незнакомых письменностей, а для грузинского автор отмечает слабые результаты. Для загрузки требуются Transformers 4.46.x и trust_remote_code=True; модель не поддерживает whisper.cpp, faster-whisper и CTranslate2. Лицензия — Apache-2.0.

Модель MohammadGholizadeh/whisper-large-v3-persian-common-voice-17 — дообученная версия Whisper Large v3 от OpenAI для распознавания персидской (фарси) речи и преобразования аудио в текст. Она обучена на более чем 250 тысячах аудиозаписей Common Voice 17 и предназначена для транскрибации персидской речи, в том числе с обработкой аудио фрагментами до 30 секунд через Transformers pipeline. По данным карточки, увеличение обучающей выборки по сравнению с Common Voice 11 улучшило Word Error Rate и устойчивость распознавания. Модель не возвращает временные метки: попытка запросить их может вызвать ошибку. Для длинных записей в примере предлагается разбивать аудио на фрагменты. Лицензия — Apache-2.0.

Это дообученная на наборе данных None модель OpenAI Whisper Medium для автоматического распознавания речи. Она принимает аудио и генерирует текстовую расшифровку; карточка сообщает результаты оценки: loss 0,5053 и Global WER 23,6218. Метаданные описывают базовую Whisper Medium как мультиязычную модель для распознавания и перевода речи, однако язык или языки, на которых специализируется это дообучение, не подтверждены. Модель использует архитектуру WhisperForConditionalGeneration и формат safetensors. Лицензия — Apache 2.0.

IonGrozea/whisper-small_ro-80mel — модель распознавания румынской речи, созданная дообучением openai/whisper-small на объединённом корпусе румынских аудиозаписей объёмом около 445 часов. Модель Whisper содержит 153,1 млн параметров и принимает аудио в виде мел-спектрограмм с 80 полосами; на выходе формирует текстовую транскрипцию. В метаданных указана поддержка румынского языка и лицензия Apache 2.0. Модель предназначена для транскрибирования румынской речи. В README сообщается о WER 0,0925 и CER 0,0293 на валидационной выборке из 25 348 примеров, оценённой с beam=5. Эти результаты относятся к описанному протоколу оценки; качество на других наборах данных и акустических условиях может отличаться.

afrivoices-whisper-turbo — дообученная модель распознавания речи на основе openai/whisper-large-v3-turbo. Она принимает аудио и преобразует речь в текст. В README приведены результаты оценки на тестовом наборе: loss 0,5509 и WER 0,2632. Модель предназначена для автоматического распознавания речи. Датасет обучения, поддерживаемые языки и предполагаемые сценарии применения в карточке не раскрыты. Модель распространяется в формате Safetensors через Transformers по лицензии MIT.

Aria-Chat — мультимодальная чат-модель семейства Aria, разработанная Rhymes AI и дообученная на базе rhymes-ai/Aria-Base-64K. Она предназначена для открытых диалогов в несколько ходов с изображениями и текстом, включая визуальные вопросы и многоязычный OCR. Модель содержит 25,3 млрд параметров и использует архитектуру AriaForConditionalGeneration; базовая модель поддерживает контекст до 65 536 токенов. Для загрузки весов README указывает одну GPU A100 с 80 ГБ памяти при точности bfloat16. Авторы отмечают улучшенную надёжность длинных ответов и многоязычные возможности, в том числе для китайского, испанского, французского и японского языков. По данным метаданных, язык карточки — английский; модель также ориентирована на сценарии вне английского. Лицензия — Apache-2.0. Модель оптимизирована для реальных открытых мультимодальных диалогов, а не для бенчмарков; указанная в README оценка WildVision-Bench не гарантирует качество на конкретных задачах.

textattack/bert-base-uncased-STS-B — англоязычная модель классификации текста, опубликованная TextAttack. Это BERT-base uncased с архитектурой BertForSequenceClassification, дообученный для оценки семантического сходства пар предложений на датасете STS-B. Модель принимает текстовые пары и предсказывает оценку сходства; в каталоге Hugging Face для неё указан pipeline text-classification. Размер — 136,7 млн параметров, максимальная длина последовательности — 512 токенов. Модель подходит для сравнения смысловой близости предложений и экспериментов с оценкой семантического сходства. Она рассчитана на английский текст: вариант uncased не различает регистр. Ограничения включают предел контекста в 512 токенов и узкую настройку под STS-B; карточка Hugging Face не содержит подробных сведений о лицензии.

Модель domenicrosati/deberta-v3-large-finetuned-paws-paraphrase-detector — классификатор текста для определения, являются ли два предложения перефразами. Она разработана дообучением microsoft/deberta-v3-large на наборе данных PAWS и использует архитектуру DeBERTa v3 Large с классификационной головой; число параметров — около 533,8 млн, максимальная длина контекста — 512 токенов. Модель предназначена для выявления смысловой эквивалентности формулировок, например при поиске дубликатов вопросов или сопоставлении похожих предложений. В README приведены результаты на оценочной выборке PAWS: F1 0,9427, точность 0,9301 и полнота 0,9556. Доступны веса PyTorch; лицензия — MIT. Карточка не описывает языковое покрытие и дополнительные ограничения, поэтому результаты за пределами указанного набора данных не установлены.

Модель разработана Карлом Вайнмайстером и представляет собой DistilBERT, дообученный на наборе данных facebook/anli для задач понимания английского текста. Она поддерживает классификацию текста и оценку сходства предложений; архитектура — DistilBertForSequenceClassification, максимальная длина контекста — 512 токенов. Модель подходит для сравнения текстовых фрагментов и классификационных сценариев на английском языке. Распространяется по лицензии Apache-2.0.

Aspik101 разработал польскую версию Distil-Whisper large-v3 — сжатую дистиллированную модель распознавания речи на основе Whisper large-v3. Она принимает аудио и преобразует речь в текст на польском языке; предназначена для транскрибации коротких записей и длинных аудиофайлов с обработкой по чанкам. Модель содержит около 905,2 млн параметров и распространяется в формате PyTorch; для работы поддерживается библиотекой Transformers версии 4.35 и новее. По данным карточки, Distil-Whisper в три раза быстрее и на 49% меньше исходной модели. Для обработки длинных записей README рекомендует чанки по 15 секунд; указанный в карточке прирост скорости для чанковой обработки — до девяти раз относительно последовательного алгоритма из статьи Whisper. Модель выпущена под лицензией MIT.

dots.mocr-svg — вариант модели dots.mocr, разработанный командой dots.mocr и оптимизированный для преобразования изображений в SVG-код. Это плотная авторегрессионная модель семейства dots_ocr на 1,5 млрд параметров с контекстом до 131 072 токенов; она принимает визуальный ввод и генерирует текстовое представление результата. Модель предназначена для разбора документов и структурированной графики, включая диаграммы, макеты интерфейсов и научные иллюстрации, а также для распознавания, семантического понимания и диалоговой работы с изображениями. Её можно применять для преобразования графики в SVG, извлечения структуры и текста из документов, распознавания элементов макета и подготовки Markdown-представления содержимого. В README отмечены ограничения при извлечении сложных таблиц и формул, а также случаи неустойчивого разбора графики и редкие сбои обработки. Модель опубликована под лицензией MIT.

EuroVLM-1.7B-Preview — мультимодальная модель зрения и языка, разработанная Unbabel совместно с Instituto Superior Técnico, Instituto de Telecomunicações, University of Edinburgh, Aveni, University of Paris-Saclay, University of Amsterdam, Naver Labs и Sorbonne Université при финансировании Европейского союза. Она основана на EuroLLM-1.7B и предназначена для работы с изображениями и текстом: модель описывает изображения, отвечает на вопросы по ним, выполняет инструкции с визуальным контекстом и анализирует документы, диаграммы и графики. Модель использует архитектуру LLaVA-NeXT с плотным трансформером EuroLLM и визуальным энкодером ViT на основе SigLIP2 SO400M. По карточке, языковая часть содержит 1,7 млрд параметров, а визуальный компонент — около 400 млн; контекст поддерживает до 32 тысяч токенов. Заявлена поддержка 39 языков, включая русский. Модель была настроена на многоязычных наборах для описания изображений, визуальных вопросов и ответов и мультимодальных рассуждений. Лицензия — Apache 2.0. Это предварительная версия, которая всё ещё разрабатывается. Возможны ошибки и галлюцинации в описаниях изображений, предвзятая интерпретация и нестабильность результатов между языками; карточка рекомендует осторожность при применении в производственной среде.

Granite Docling 258M MLX — компактная мультимодальная модель IBM для преобразования документов. Она принимает изображение документа и генерирует текст, сохраняя структуру и совместимость с DoclingDocuments; модель предназначена для конвертации документов через Docling или для запуска с mlx-vlm. Это версия Granite Docling 258M, преобразованная в формат MLX с помощью mlx-vlm 0.3.3 и оптимизированная для компьютеров Mac с Apple Silicon. Архитектура — Idefics3, размер базовой модели — 258 млн параметров. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0. Модель ориентирована на преобразование изображений документов в текстовую структуру, в том числе для экспорта в HTML и Markdown. Специализированные сведения о контекстном окне, качестве распознавания и поддержке языков сверх указанных в карточке не приведены.

Grug 12B — экспериментальная дообученная модель на базе Google Gemma 4 12B IT, созданная для компактных рассуждений. Разработчик обучил её сохранять важные шаги, ограничения, развилки и проверки ответа, сокращая многословные цепочки рассуждений. Веса опубликованы в формате Transformers/safetensors; модель доступна для диалогового использования и генерации текста. Модель подходит для задач общего рассуждения, математики и программирования, где полезны более короткие ответы и меньшее число токенов рассуждения. Дообучение выполнено методом QLoRA с последующим слиянием адаптера с базовой моделью. В метаданных базовая Gemma 4 описана как мультимодальная, однако README Grug заявляет только компактные рассуждения и не подтверждает отдельную настройку или оценку обработки изображений, видео и аудио. В небольшой локальной проверке на 36 математических примерах модель показала более короткую генерацию и более высокие прокси-показатели, но автор подчёркивает, что это не широкий бенчмарк. Модель может чрезмерно сжимать рассуждения в задачах, требующих длинных выводов, и наследует ограничения и поведение безопасности базовой модели. Лицензия указана как other; README рекомендует отдельно проверять лицензии и происхождение данных, особенно для коммерческого или чувствительного применения.

SeamlessM4T Medium — мультимодальная модель перевода от Meta, представленная в реализации Hugging Face для Transformers. Вариант на 463,7 млн параметров поддерживает перевод речи и текста между языками, распознавание речи и синтез речи; для задач доступны общая модель и специализированные подмодели. В README указано, что модель принимает речь на 101 языке, текст на 196 языках и генерирует речь на 35 языках. Максимальная длина контекста по метаданным — 4096 токенов. Модель подходит для перевода речи в речь или текст, перевода текста в текст или речь, а также для автоматического распознавания речи. При синтезе можно выбирать голос с помощью идентификатора говорящего и настраивать стратегию генерации. README отмечает, что SeamlessM4T v2 улучшает качество и скорость генерации речи по сравнению с этой версией. Репозиторий содержит веса PyTorch; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Kosmos-2.5 — мультимодальная модель Microsoft для чтения изображений с большим количеством текста, например документов. Она использует авторегрессионный Transformer с общим декодером и предназначена для распознавания текста на уровне документа и преобразования изображения в структурированный Markdown. Модель может выдавать текстовые блоки с пространственными координатами или сохранять структуру и оформление документа в Markdown. Модель принимает изображения и текстовые инструкции и генерирует текст. Её можно адаптировать с помощью supervised fine-tuning для других задач понимания изображений с текстом. Для запуска используется библиотека Transformers версии 4.56 или новее. Модель распространяется по лицензии MIT. Результаты распознавания и преобразования могут содержать галлюцинации, поэтому точность извлечённого текста и Markdown не гарантируется.

MOSS-Audio-4B-Instruct — открытая модель для понимания аудио, разработанная MOSI.AI, командой OpenMOSS и Shanghai Innovation Institute. Это вариант Instruct с аудиоэнкодером MOSS-Audio-Encoder и языковой основой Qwen3-4B; общий размер составляет около 4,6 млрд параметров. Аудио преобразуется в временные представления с частотой 12,5 Гц, которые объединяются с представлениями языковой модели для генерации текста. Модель принимает аудио и выполняет инструкции на его основе. Модель предназначена для распознавания речи с временными метками, ответов на вопросы и составления резюме по аудио, анализа говорящих, эмоций и звуковых событий, описания окружающей обстановки и понимания музыки. Архитектура с передачей признаков между слоями энкодера и временными маркерами поддерживает анализ акустических деталей и последовательности событий. В карточке семейства заявлена поддержка английского и китайского языков; результаты оценки относятся к семейству моделей и не гарантируют такое же качество именно для варианта 4B. Модель распространяется по лицензии Apache-2.0. Карточка описывает возможности семейства, но не приводит отдельные результаты оценки, требования к ресурсам или конкретные ограничения варианта 4B-Instruct.

MOSS-Audio-8B-Instruct — открытая мультимодальная модель понимания аудио от MOSI.AI, команды OpenMOSS и Shanghai Innovation Institute. Вариант Instruct предназначен для выполнения инструкций по аудиозаписям: модель принимает аудио и формирует текстовые ответы о его содержании. Модель объединяет аудиоэнкодер MOSS-Audio-Encoder, адаптер модальности и языковую модель Qwen3-8B; общий размер составляет около 8,6 млрд параметров. Архитектура использует временные маркеры и признаки аудио с нескольких слоёв энкодера. Поддерживаются задачи распознавания речи с временными метками, анализа говорящих и эмоций, описания звуковых событий и сцен, понимания музыки, ответов на вопросы и суммаризации аудио. Карточка указывает английский и китайский языки. Модель ориентирована на разбор реальных аудиозаписей и вопросов с учётом временного контекста. Репозиторий распространяет веса в формате safetensors по лицензии Apache-2.0. Контекстное окно и количественные результаты именно этого варианта в предоставленных данных не указаны.