I.5Создание и редактирование текста

Guru-7B — модель генерации текста на базе Qwen2.5-7B, представленная авторами работы «Revisiting Reinforcement Learning for LLM Reasoning from A Cross-Domain Perspective». Она предназначена для диалоговых сценариев и решения задач рассуждения в разных областях, включая математику и программирование. В опубликованных результатах приведены оценки на AIME24 и MATH500 для математики, а также LiveCodeBench для кода. Модель имеет плотную архитектуру Qwen2 и содержит 7,1 млрд параметров. Метаданные указывают контекст до 131 072 токенов, поддержку чата и интерфейса вызова инструментов; формат весов — safetensors, для работы заявлена библиотека Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. README приводит результаты отдельных бенчмарков, однако они не гарантируют качество на других задачах.

SC117 выпустил Ornith-1.0-35B-Heretic-MTP как экспериментальную производную модели Ornith-1.0-35B от DeepReinforce AI. Это разговорная модель для генерации текста, в том числе для агентного программирования; архитектура относится к семейству Qwen3.5 MoE. В релиз вошли слитые с весами BF16 параметры адаптера Heretic Trial 63, совместимая голова MTP и визуальный проектор BF16. README также описывает варианты APEX GGUF со смешанной точностью, но метаданные этого репозитория указывают формат safetensors. Модель принимает текст и может работать с изображениями через визуальный проектор; основной выход — текст. В README приведена команда запуска с контекстом 131072 токена. Лицензия — MIT. Изменение поведения отказов относительно исходной модели требует отдельной оценки перед развёртыванием.

versae/whisper-large-v3 — версия Whisper Large v3 от OpenAI, опубликованная versae в формате Hugging Face с использованием скрипта конвертации. Это предобученная модель для автоматического распознавания речи и перевода устной речи; Whisper обучалась на 680 тысячах часов размеченных данных и рассчитана на работу с разными наборами данных и предметными областями без дообучения. Модель относится к семейству Whisper, имеет около 905,2 млн параметров и принимает аудио, выдавая текст. Метаданные указывают поддержку многих языков, включая русский и английский. Модель подходит для транскрибирования аудиозаписей и перевода речи. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии Apache-2.0. Это конверсия версии Whisper Large v3, а не отдельное дообучение; длина контекста в предоставленных данных не описана.

Карточка модели diprooo/whisper-large-v3-turbo на Hugging Face совпадает с карточкой openai/whisper-large-v3-turbo, поэтому описание составлено по ней. Whisper large-v3-turbo — мультиязычная модель распознавания речи OpenAI на архитектуре Transformer encoder-decoder. Это дообученная и ускоренная версия Whisper large-v3: число слоёв декодера сокращено с 32 до 4, что ускоряет вывод с небольшим снижением качества. Модель содержит 905,2 млн параметров и работает с аудио; она поддерживается библиотекой Transformers. Модель предназначена для преобразования речи в текст на языке оригинала и перевода речи между языками, включая перевод на английский. Она обучалась на более чем 5 млн часов размеченных данных и демонстрирует обобщение на новые наборы данных и предметные области. Для длинных записей требуется обработка последовательными окнами или разбиение аудио на сегменты; воспринимаемое окно составляет 30 секунд. Модель может ошибаться, добавлять слова, которых нет в аудио, и повторять фрагменты. Точность различается между языками, акцентами и диалектами и может быть ниже для языков с ограниченными обучающими данными. Лицензия — MIT.

dots.mocr — мультимодальная модель семейства dots_ocr от dots-studio для разбора документов и изображений с текстом. Она предназначена для распознавания текста и структуры страниц: находит элементы макета, их ограничивающие рамки и категории, извлекает текст и формирует Markdown. Также модель интерпретирует диаграммы, интерфейсы и научные иллюстрации и может преобразовывать структурированную графику в SVG-код; поддерживает интерактивный диалог по визуальному содержимому. Модель имеет плотную архитектуру DotsOCRForCausalLM и 1,5 млрд параметров; указанный размер контекста — 131 072 токена. Карточка заявляет мультиязычную поддержку, в том числе английского и китайского. Для развёртывания рекомендуются vLLM и Transformers; лицензия — MIT. Среди ограничений карточка отмечает трудности с комплексными таблицами и математическими формулами, недостаточно надёжный разбор графических изображений в SVG и периодические сбои разбора. Заявления о качестве на бенчмарках приведены в README, но сами таблицы с результатами здесь опущены.

InternVL3-8B-Instruct — разработанная OpenGVLab мультимодальная модель с открытыми весами, версия SFT семейства InternVL3 без этапа MPO. Архитектура сочетает визуальный кодировщик InternViT-300M-448px-V2_5, MLP-проектор и языковую часть на основе Qwen2.5-7B; указанный размер — 8 млрд параметров. Модель принимает текст, изображения и видео, а в диалоговом режиме формирует текстовые ответы. Для изображений используется динамическое разбиение на фрагменты 448×448, также предусмотрена обработка нескольких изображений и понимание длинного контекста. Модель предназначена для визуального восприятия и рассуждений, анализа изображений и видео, понимания сцен и научных диаграмм, взаимодействия с GUI и использования инструментов. В README также описаны возможности для 3D-восприятия, мультимодального рассуждения и текстовых задач; доступный pipeline_tag — image-text-to-text, а метаданные дополнительно указывают text-generation. Модель распространяется по лицензии Apache-2.0. Результаты и требования к ресурсам зависят от задачи, разрешения и числа изображений; несколько изображений увеличивают число входных токенов.

Kiel-2.1-Echo — языковая модель для диалогов и выполнения инструкций, разработанная KielTech в экосистеме Kiel AI. Это плотная причинная модель семейства Llama с 3,2 млрд параметров, дообученная на базе kiel2/Kiel-2-Echo и распространяемая как самостоятельные веса Safetensors в формате FP16. Метаданные указывают контекст до 131 072 токенов. Модель предназначена для разговорных ассистентов, генерации кода, помощи с асинхронными сценариями на Python, рассуждений о программной архитектуре и решения задач из разных областей. Она принимает текстовые запросы и генерирует текст; заявленный язык — английский. В карточке заявлены высокая производительность и строгое следование инструкциям, но сравнительные оценки или результаты тестов не приведены. Указаны варианты развёртывания через Transformers, vLLM и Text Generation Inference. Лицензия в предоставленных данных не описана.

Nanonets-OCR2-1.5B-exp — экспериментальная модель Nanonets для преобразования изображений документов в структурированный Markdown. Она дообучена на основе Qwen/Qwen2-VL-2B-Instruct и использует архитектуру Qwen2-VL; модель содержит около 982,1 млн параметров, принимает изображения и текстовые запросы и генерирует текст. Контекст — до 32 768 токенов. Модель распознаёт печатный и рукописный текст на разных языках, извлекает сложные таблицы, формулы с разметкой LaTeX, водяные знаки и подписи, описывает изображения в документах и передаёт схемы в Mermaid. Также она отвечает на вопросы по содержимому документа, а если ответа там нет, должна сообщить, что сведения не упоминаются. Повышение разрешения изображения может улучшить распознавание; для сложных таблиц результат зависит от настроек генерации и качества исходного документа. Лицензия — Apache-2.0.

Mungert/Nanonets-OCR2-3B-GGUF — это GGUF-версия мультимодальной модели Nanonets-OCR2-3B, разработанной компанией Nanonets. Модель предназначена для OCR и преобразования документов в структурированный Markdown, а также для image-to-text и visual question answering (VQA). Указано, что базовой моделью является Qwen/Qwen2.5-VL-3B-Instruct, а конвертация выполнена с использованием llama.cpp. Точный размер контекста в карточке не указан. Модель ориентирована на обработку сложных документов: распознаёт печатный и рукописный текст, извлекает таблицы в Markdown и HTML, распознаёт математические формулы в LaTeX, описывает изображения, а также выделяет подписи, водяные знаки и элементы форм, включая чекбоксы. Блок-схемы и организационные диаграммы может представлять в виде кода Mermaid. Для VQA модель должна отвечать по содержимому документа, а при отсутствии ответа — возвращать «Not mentioned». Заявлена поддержка множества языков, включая английский, китайский, французский, испанский, португальский, немецкий, итальянский, русский, японский и корейский; полный перечень не приведён. GGUF-квантизация предназначена для локального запуска, а автор карточки описывает повышение точности отдельных важных слоёв за счёт их хранения в более высокой точности, что увеличивает размер файла. Лицензия в предоставленных данных не указана.

North-Mini-Code-1.0-GGUF — квантизированная версия языковой модели North-Mini-Code-1.0, разработанной CohereLabs и подготовленной пользователем bartowski в формате GGUF с использованием llama.cpp. Модель предназначена для генерации текста, диалогового взаимодействия, работы с программным кодом и сценариев с агентами. Поддерживает запуск через llama.cpp, LM Studio, KoboldCpp, Jan AI и другие совместимые инструменты. В репозитории представлены варианты от BF16 до различных уровней квантизации Q8_0, Q6_K, Q5_K, Q4_K и IQ3/IQ4. Размер файлов составляет примерно от 14,86 до 61 ГБ; варианты с более высокой разрядностью обычно обеспечивают лучшее качество, а компактные версии требуют меньше оперативной памяти. Точные сведения об архитектуре, количестве параметров, языках и размере контекстного окна в предоставленных данных не указаны. Сильными сторонами модели являются специализация на коде, поддержка чатового и агентного применения, а также широкий выбор квантизированных вариантов для разных аппаратных ограничений. Ограничения включают значительные требования к памяти даже у компактных сборок, возможное снижение качества при сильной квантизации и необходимость совместимого программного обеспечения. Модель распространяется по лицензии Apache-2.0.

Модель OpenVINO/whisper-large-v3-turbo-fp16-ov подготовлена OpenAI на основе Whisper large-v3-turbo и преобразована в формат OpenVINO IR с весами FP16. Архитектура Whisper имеет около 905 млн параметров; в варианте large-v3-turbo число слоёв декодера сокращено с 32 до 4, что ускоряет распознавание при небольшом снижении качества. Модель предназначена для преобразования речи в текст на многих языках. Её можно использовать для расшифровки аудиозаписей и транскрибирования речи в приложениях на базе OpenVINO; совместимость указана для OpenVINO 2026.1.0 и выше и Optimum Intel 1.27.0 и выше. Модель принимает аудио и выдаёт текст. Поддерживает русский, английский и множество других языков. Распространяется по лицензии MIT. В README отмечено, что качество может быть несколько ниже, чем у полной Whisper large-v3; прочие ограничения отсылают к карточке исходной модели.

jonatasgrosman/exp_w2v2t_ru_hubert_s818 — модель распознавания русской речи, дообученная автором jonatasgrosman с помощью HuggingSound на обучающей части Common Voice 7.0. Она основана на facebook/hubert-large-ll60k и использует архитектуру HuBERT с CTC-головой; размер составляет 402,7 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст. Подходит для автоматической транскрипции русскоязычных записей. Распространяется по лицензии Apache-2.0.

Мультимодальная модель carbonteq на архитектуре Gemma 4 E4B, дообученная на базе unsloth/gemma-4-E4B-it. Репозиторий содержит веса в формате Safetensors; модель предназначена для диалогового взаимодействия и генерации ответов на текстовые запросы с учётом изображений. Модель подходит для вопросов по изображениям и документам, а также для других сценариев общения с визуальным вводом. Карточка указывает, что обучение проводилось с использованием Unsloth и библиотеки Hugging Face TRL. Лицензия — Apache-2.0.

LiquidAI/LFM2.5-VL-3B-MLX-4bit — MLX-экспорт мультимодальной vision-language модели LFM2.5-VL-3B, разработанной Liquid AI. Версия предназначена для запуска вывода на устройствах Apple Silicon и поддерживает обработку изображений вместе с текстовыми запросами. Модель построена на языковой основе LFM2.5-2.6B и оснащена визуальным энкодером SigLIP2 NaFlex объёмом 400 млн параметров. Общее количество параметров составляет около 3 млрд, используется 4-битная квантизация с размером группы 64, а размер модели — около 2,2 ГБ. Длина контекста — 32K токенов, нативное разрешение изображений — до 512×512 пикселей. Поддерживаются OCR, понимание документов, мультиязычное понимание изображений, предсказание ограничивающих рамок и вызов функций. Заявлена поддержка арабского, китайского, английского, французского, немецкого, хинди, индонезийского, итальянского, японского, корейского, польского, португальского, русского, испанского, тайского и вьетнамского языков. Сильные стороны модели — сочетание визуального и языкового анализа, компактный размер, 4-битное представление и адаптация для эффективного запуска на Apple Silicon. Ограничения включают зависимость от экосистемы MLX и указанный предел нативного разрешения изображений; прочие ограничения производительности в README не описаны. Модель распространяется по лицензии LFM 1.0.

ajaysdhillon14/minbert-sts-nli-meanpool — кодировщик предложений на основе bert-base-uncased, дообученный в два этапа для оценки семантического сходства. Сначала модель обучалась на задаче распознавания текстового следования на парах SNLI и MultiNLI, затем дообучалась на STS. Архитектура — BERT, около 99,1 млн параметров; модель хранит только кодировщик, без отдельной головы классификации. Для каждого предложения модель строит вектор с помощью masked mean pooling скрытых состояний, включая позиции [CLS] и [SEP]. Сходство двух предложений вычисляется как косинусная близость векторов, линейно преобразованная из диапазона [-1, 1] в оценку [0, 5]. На dev-наборе STS-B для трёх запусков указаны значения Pearson 0,7432–0,7436 и Spearman 0,7411–0,7460. Модель предназначена для английских текстов. Лицензия — Apache-2.0.

MinerU2.5-Pro-2605-1.2B — модель OpenDataLab для разбора документов и преобразования PDF в Markdown. Это визуально-языковая модель на архитектуре Qwen2-VL, принимающая изображения и текстовые запросы и выдающая структурированный текст. Метаданные указывают 494 млн параметров и контекст до 32 768 токенов; README описывает версию как модель архитектуры 1,2 млрд параметров, улучшенную за счёт данных и обучения. Модель предназначена для извлечения текста и структуры документов, включая таблицы, формулы, диаграммы, блок-схемы и печати. Она также поддерживает объединение продолжений абзацев и распознавание изображений внутри таблиц. README сообщает о высоких результатах на OmniDocBench, однако они приведены разработчиком и не гарантируют качество на конкретных документах. В README также отмечено, что объединение таблиц между страницами ещё интегрируется. Лицензия — Apache-2.0.

MPropositioneur-V2-large — языковая модель на основе Qwen3-4B, дообученная дистилляцией для извлечения атомарных пропозиций. Разработана Люком Поммере в LISN (CNRS); содержит около 3,7 млрд параметров и использует архитектуру Qwen3 с плотной языковой моделью. Принимает текст и генерирует список простых, независимых утверждений, сохраняя смысл исходного предложения или фрагмента. Контекст модели — до 40 960 токенов. Модель предназначена для подготовки данных для RAG, открытого извлечения информации (OpenIE), упрощения текста и анализа дискурса. По карточке она поддерживает французский и английский; метаданные также перечисляют немецкий, итальянский, испанский и португальский. Сравнительно с версией 0.6B, автор заявляет о более высокой точности передачи смысла и лучшей работе со сложными структурами предложений. Распространяется по лицензии Apache-2.0.

legraphista/Qwen2.5-Coder-1.5B-Instruct-IMat-GGUF — это GGUF-квантизированная версия инструкционно дообученной модели Qwen/Qwen2.5-Coder-1.5B-Instruct. Квантование выполнено legraphista с использованием llama.cpp и метода IMatrix; исходный формат модели — BF16. README не уточняет команду или организацию, разработавшую базовую модель Qwen2.5-Coder. Модель предназначена для генерации текста и работы с программным кодом в диалоговом формате: написания, дополнения и объяснения кода, а также выполнения инструкций, связанных с разработкой. Указан английский язык. Это текстовая модель без заявленной поддержки изображений или других модальностей. Размер базовой модели — 1,5 млрд параметров, однако сведения об архитектуре и размере контекстного окна в README отсутствуют. Доступны варианты GGUF от BF16 и FP16 до квантований Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K; для ряда вариантов применена IMatrix. Квантированные файлы занимают примерно от 676 МБ до 1,65 ГБ, что делает модель пригодной для локального запуска при ограниченных ресурсах. Более агрессивное квантование уменьшает требования к памяти, но может снижать точность и качество генерации. Модель распространяется по лицензии Apache-2.0.

Это репозиторий весов Qwen3-VL-8B-Instruct, опубликованный Unsloth на основе Qwen/Qwen3-VL-8B-Instruct. Модель относится к плотной мультимодальной архитектуре Qwen3-VL и содержит 8 млрд параметров; для работы используется библиотека Transformers, веса представлены в формате safetensors. Лицензия — Apache-2.0. Модель принимает текст и изображения, поддерживает диалог и интерфейс вызова инструментов. Она предназначена для ответов на вопросы по изображениям, визуального рассуждения, OCR, анализа видео, пространственного понимания и задач визуального агента, а также генерации текста. В карточке заявлен контекст 256 тысяч токенов с возможностью расширения до 1 млн; для OCR указана поддержка 32 языков, но их перечень не приведён. Среди заявленных улучшений — обработка временных меток в видео, объединение визуальных признаков разных уровней и распознавание мелких деталей. Практические ограничения и независимые результаты оценки в README не приведены; заявленные характеристики производительности не сопровождаются таблицами результатов.

Карточка модели Jinstudio/whisper-base.en на Hugging Face совпадает с карточкой openai/whisper-base.en, поэтому описание составлено по ней. Whisper base.en — англоязычная модель автоматического распознавания речи, разработанная OpenAI. Это плотная модель Transformer типа encoder-decoder с архитектурой WhisperForConditionalGeneration; в репозитории указано 51,7 млн параметров. Она преобразует английскую речь в текст и предназначена для расшифровки аудио, в том числе длинных записей: базовая обработка рассчитана на фрагменты до 30 секунд, а конвейер Transformers с разбиением на фрагменты позволяет работать с более длинными записями и получать временные метки. Модель обучена на больших массивах аудио с транскрипциями и рассчитана на распознавание английской речи. Она показывает устойчивость к акцентам, шуму и специализированной лексике, но может добавлять слова, которых нет в аудио, повторять фрагменты и ошибаться на отдельных голосах и условиях записи. Лицензия — Apache 2.0.

mlx-community/whisper-large-v3-asr-fp16 — преобразованная сообществом mlx-community версия OpenAI Whisper large-v3 для распознавания речи. Модель на архитектуре Whisper содержит около 905 млн параметров и предназначена для преобразования аудио в текст; репозиторий подготовлен в формате MLX для использования с библиотекой mlx-audio и содержит веса Safetensors в FP16. Модель подходит для транскрибации аудиозаписей и распознавания речи на разных языках, включая русский и английский. Карточка отсылает к исходной модели OpenAI за подробностями о её возможностях. Лицензия репозитория — Apache-2.0.

Карточка модели kingartyqueen/whisper-large-v3-turbo на Hugging Face совпадает с карточкой openai/whisper-large-v3-turbo, поэтому описание составлено по ней. Whisper large-v3-turbo — мультиязычная модель распознавания речи OpenAI на архитектуре Transformer encoder-decoder. Это дообученная и ускоренная версия Whisper large-v3: число слоёв декодера сокращено с 32 до 4, что ускоряет вывод с небольшим снижением качества. Модель содержит 905,2 млн параметров и работает с аудио; она поддерживается библиотекой Transformers. Модель предназначена для преобразования речи в текст на языке оригинала и перевода речи между языками, включая перевод на английский. Она обучалась на более чем 5 млн часов размеченных данных и демонстрирует обобщение на новые наборы данных и предметные области. Для длинных записей требуется обработка последовательными окнами или разбиение аудио на сегменты; воспринимаемое окно составляет 30 секунд. Модель может ошибаться, добавлять слова, которых нет в аудио, и повторять фрагменты. Точность различается между языками, акцентами и диалектами и может быть ниже для языков с ограниченными обучающими данными. Лицензия — MIT.

Это мультиязычная модель распознавания речи Whisper large-v3-turbo, представленная Intel в формате OpenVINO IR с весами, сжатыми до INT4. Она преобразует аудио в текст и подходит для локального инференса через OpenVINO и Optimum Intel; совместимость заявлена с OpenVINO 2026.1.0 и новее и Optimum Intel 1.27.0 и новее. Модель основана на OpenAI/whisper-large-v3-turbo и содержит около 905,2 млн параметров. В исходной архитектуре Whisper large-v3-turbo число слоёв декодера сокращено с 32 до 4, что ускоряет распознавание с небольшим снижением качества; дополнительное сжатие весов выполнено в режиме INT4_ASYM с размером группы 128. Поддерживаются многие языки, включая русский и английский. Модель распространяется по лицензии MIT.

Canary-1b-v2 — мультиязычная модель NVIDIA для распознавания речи и перевода устной речи. Это модель примерно с 1 млрд параметров на архитектуре encoder-decoder: FastConformer извлекает признаки из аудио, а Transformer Decoder генерирует текст. Модель работает с 25 европейскими языками: болгарским, хорватским, чешским, датским, нидерландским, английским, эстонским, финским, французским, немецким, греческим, венгерским, итальянским, латышским, литовским, мальтийским, польским, португальским, румынским, словацким, словенским, испанским, шведским, русским и украинским. Модель предназначена для транскрибации речи на этих языках, а также перевода речи между английским и каждым из остальных 24 языков. Она автоматически расставляет знаки препинания и заглавные буквы, поддерживает временные метки на уровне слов и сегментов, в том числе для переведённого текста, и обрабатывает длинные записи с динамическим разбиением на фрагменты. NVIDIA заявляет о высокой скорости и качестве относительно моделей сопоставимого размера; результаты зависят от языка и условий записи. Модель можно использовать для голосовых помощников, субтитров, транскрибации разговоров и голосовой аналитики. Для работы предусмотрен NVIDIA NeMo; карточка также описывает использование через Transformers. Лицензия — CC BY 4.0, допускающая коммерческое и некоммерческое использование с соблюдением её условий.

freds0/distil-whisper-large-v3-ptbr — модель автоматического распознавания речи, созданная дообучением distil-whisper/distil-large-v3 для бразильского португальского языка. Она принимает аудио и генерирует текстовую транскрипцию; архитектура основана на WhisperForConditionalGeneration и содержит 905,2 млн параметров. Для работы можно использовать библиотеку Transformers. Модель обучена на Common Voice 16 и частном наборе данных, автоматически размеченном с помощью Whisper Large v3. В README указана частота ошибок слов (WER) 8,221% на валидационном наборе Common Voice 16. Модель распространяется по лицензии MIT.

Dots.OCR-Latest-BF16 — дообученная версия мультимодальной модели Dots.OCR, опубликованная prithivMLmods. Она предназначена для распознавания и извлечения текста из изображений и сканов документов, включая печатный текст и рукописный курсив. Результат можно получить в виде обычного текста или Markdown с сохранением структуры документа: заголовков, таблиц и списков. Модель использует архитектуру DotsOCRForCausalLM и принимает изображения вместе с текстовым запросом. В README указана мультимодальная основа размером 3B, тогда как метаданные репозитория сообщают 1,5 млрд параметров; заявленное контекстное окно — 131072 токена. Версия BF16 обновлена для совместимости с Transformers 4.57.1. Лицензия — MIT.

Systran/faster-whisper-base — конверсия модели распознавания речи Whisper base от OpenAI в формат CTranslate2, подготовленная для использования в CTranslate2 и проектах на его основе, включая faster-whisper. Модель принимает аудио и выполняет распознавание речи; карточка указывает поддержку многих языков, в том числе русского, английского, китайского, немецкого, испанского, французского и японского. Веса сохранены в FP16; при загрузке тип вычислений можно изменить параметром compute_type в CTranslate2. Репозиторий предназначен для запуска модели в совместимом программном окружении. Лицензия — MIT.

InternLM-XComposer2.5 — мультимодальная модель с языковой основой InternLM2, разработанная командой InternLM. Она предназначена для диалога и задач понимания и создания содержания по тексту и изображениям, включая визуальные вопросы и ответы. Модель содержит 7,4 млрд параметров и обучена работать с чередующимися фрагментами текста и изображений в контексте до 24 576 токенов; авторы сообщают о возможности расширения контекста до 96 тыс. токенов с помощью экстраполяции RoPE. Модель подходит для анализа изображений, ответов на вопросы по визуальным материалам и работы с длинными текстово-графическими контекстами. В карточке заявлены возможности, сопоставимые с GPT-4V, однако это заявление разработчиков, а независимые результаты оценки здесь не приведены. Репозиторий содержит веса PyTorch, для загрузки через Transformers требуется `trust_remote_code=True`; для экономии памяти README рекомендует bfloat16. Лицензия указана как `other`, поэтому условия использования следует сверить с файлами лицензии репозитория.

Empower Functions Model v1.1 — большая языковая модель семейства Empower Functions от empower.dev, предназначенная для диалогов с вызовом инструментов и функций. Это плотная авторегрессионная модель архитектуры Llama с 69,5 млрд параметров, дообученная на базе meta-llama/Meta-Llama-3.1-70B-Instruct. Она поддерживает контекст до 131 072 токенов и совместима с Transformers в формате safetensors. Модель может сама выбирать между ответом пользователю и вызовом инструмента, выполнять параллельные и последовательные вызовы функций, работать в потоковом режиме и вести длинные диалоги. В README заявлены высокие результаты на Berkeley Function Calling Leaderboard; это утверждение разработчика для оценки, зафиксированной 10 сентября 2024 года. Для запуска версии large разработчик указывает конфигурацию из четырёх GPU A100 с 80 ГБ памяти в режиме fp16. Модель распространяется по лицензии Apache-2.0. README не сообщает конкретные языки обучения или поддержки, поэтому языковую область здесь нельзя уточнить.

MiniCPM-o 2.6 — мультимодальная модель команды OpenBMB для понимания изображений, аудио и видео, а также голосового общения и потоковых сценариев. По карточке она построена как сквозная система на основе SigLip-400M, Whisper-medium-300M, ChatTTS-200M и Qwen2.5-7B; в метаданных указано 7,1 млрд параметров, плотная архитектура MiniCPMO и контекст 32 768 токенов. Модель доступна через Transformers и распространяется по лицензии Apache-2.0. Модель принимает текстовые запросы, изображения, аудио и непрерывные аудио-видеопотоки. Она отвечает текстом и может вести голосовой диалог с настраиваемыми голосом, эмоцией, скоростью и стилем; также поддерживает клонирование голоса. README описывает распознавание речи, анализ говорящих, аудиоподписи, классификацию звуковых сцен, OCR, понимание нескольких изображений и видео, а также мультимодальное общение в реальном времени. Заявлена поддержка более 30 языков для мультимодальных задач и двуязычный речевой диалог на английском и китайском. Среди заявленных сильных сторон — обработка изображений с разными пропорциями сторон, высокая плотность визуальных токенов и возможность локального запуска на устройствах с ограниченными ресурсами в подходящих сборках. README указывает на совместимость с Transformers 4.44.2 и предупреждает о возможных проблемах совместимости с другими версиями; работа с потоковыми аудио-видео данными требует соответствующей реализации и оборудования. Заявленные результаты бенчмарков приведены авторами модели и зависят от условий оценки.