I.11Классификация, ранжирование и сопоставление

mPLUG-Owl2-Llama2-7B — мультимодальная модель семейства mPLUG-Owl2, разработанная Alibaba и опубликованная в экосистеме DAMO Academy. Модель сочетает трансформерную архитектуру с языковой основой Llama 2 и предназначена для диалогового взаимодействия с мультимодальными данными. Модель рассчитана на англоязычные сценарии, в которых требуется анализ изображений и формирование ответов в формате диалога: описание визуального содержимого, ответы на вопросы по изображениям и интерпретация пользовательских запросов с учётом визуального контекста. Размер модели составляет 6,6 млрд параметров, а нативная длина контекста — 2048 токенов. Для работы используется PyTorch и библиотека Transformers. Модель распространяется по лицензии Apache-2.0. Карточка содержит ограниченное описание возможностей, поэтому конкретные показатели качества, поддерживаемые форматы входных данных и рекомендации по развёртыванию не определены.

Nocturne v1.2 Teacher — модель распознавания видов по биоакустическим записям, разработанная Stratus Labs. Она предназначена для экологического мониторинга насекомых, амфибий, нелетающих птиц млекопитающих и рептилий; птиц модель не распознаёт. Архитектура — Audio Spectrogram Transformer на основе MIT/ast-finetuned-audioset-10-10-0.4593 с линейной головой для 2 196 классов и многометочной классификацией. На вход подаётся 10-секундная монофоническая запись с частотой 16 кГц, преобразуемая в 128-полосную log-mel спектрограмму; модель выдаёт оценки классов видов. Модель дообучена на данных InsectSet459, небёрдовой части iNat-Sounds-2024 и сильных метках AnuraSet. В описанном замороженном тесте на 13 710 фрагментах она превзошла v1 по macro-F1 и mAP, однако редкие классы слабо проверены: положительные примеры в тесте были только у 732 из 2 182 сопоставленных классов. Для мониторинга амфибий на новых площадках результат хуже, чем у v1, поэтому такие предсказания требуют особенно осторожной проверки. Лицензия модели — CC BY 4.0.

parl-german-sitent — модель классификации немецкоязычных текстовых последовательностей, разработанная в рамках проекта GePaDeU для разметки дебатов Бундестага. Она относит фрагменты к одному или нескольким типам Situation Entity, описывающим аспектуальные и прагматические свойства высказываний на уровне клаузы: состояния, события, сообщения, обобщения, вопросы и императивы. Модель основана на BERT deepset/gbert-large и дообучена целиком для многоклассовой многометочной классификации. Она содержит около 434,5 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Обучение и оценка проводились на 19 676 вручную размеченных фрагментах парламентских речей Бундестага за 2017–2021 годы. Модель подходит для лингвистического анализа немецких парламентских выступлений и разметки типов ситуаций и речевых актов. Её обучение ограничено этим тематическим и жанровым корпусом, поэтому качество на других типах немецких текстов может отличаться. Сведения о лицензии в предоставленных источниках отсутствуют.

SatQuest — мультимодальная модель семейства Qwen2-VL, разработанная в рамках проекта NED University of Engineering & Technology для ответов на вопросы по спутниковым изображениям. Она дообучена на базе Abdullah-123/qwen2vl-2b-hrvqa-lora с помощью continued SFT: модель обучали формулировать ответы полными предложениями, а не короткими метками или числами. Модель предназначена для визуального анализа спутниковых снимков: она отвечает на вопросы о видимых объектах, транспорте, воде и их количестве. Размер модели — 1,5 млрд параметров, контекст — до 32 768 токенов. В карточке указаны английский язык и архитектура Qwen2-VL с поддержкой зрения и чата; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Модель специализирована на спутниковых изображениях и вопросно-ответных парах HRVQA, поэтому её ответы для других типов изображений или задач могут быть менее надёжными.

SeTox-Qwen2.5-3B — чат-модель на базе Qwen2.5-3B-Instruct, разработанная для выявления токсичности в китайских неологизмах. Она дообучена методом полного supervised fine-tuning на данных SeTox и может использовать веб-поиск как дополнительный инструмент при анализе терминов. Модель содержит 3,1 млрд параметров, использует плотную архитектуру Qwen2 и принимает текст. В метаданных указан контекст 32 768 токенов; в описании обучения указан cutoff 4096 токенов. Карточка приводит результаты на тестовом наборе SeTox из 624 примеров: для checkpoint-120 точность составила 0,9103, F1 для небезопасного класса — 0,9402, полнота — 0,8980. Модель рассчитана на китайский язык. Она может ошибаться при неоднозначных, быстро меняющихся, состязательных или недостаточно описанных терминах. Результаты веб-поиска могут содержать шумные или небезопасные фрагменты, а включение поиска и генерации способно немного менять результаты. Лицензия указана как other; конкретные условия в карточке не приведены. README позиционирует модель для исследований токсичности китайских неологизмов.

Zagreus 0.4B ITALIC KL — плотная языковая модель семейства Llama, разработанная GitMarco27 как полное дообучение mii-llm/zagreus-0.4B-ita для Italian Post-Training Challenge 2026. Модель специализируется на выборе ответа в заданиях с четырьмя вариантами: она учится выражать вероятности ответов базовой модели через первую сгенерированную букву варианта. Чекпойнт содержит около 437,7 млн параметров, сохранён в BF16 и формате safetensors; контекст — до 4096 токенов. Модель предназначена для оценки вариантов в итальянских вопросах по культуре, гражданским знаниям, словарным определениям и синонимам. В официальной zero-shot оценке ITALIC она показала точность 0,3381 на 10 000 вопросов; результат на публичной выборке разработки составил 0,5813. Для обычного вывода README рекомендует жадное декодирование и генерацию одного токена. Модель не рассчитана на роль универсального помощника: обучение направлено на первый токен, последующая генерация может повторяться, а обучение лучше охватывает лексику, культуру и гражданские темы, чем синтаксис, орфографию и морфологию. Лицензия — Apache-2.0.

Модель — дообученная версия FacebookAI/xlm-roberta-large с архитектурой BertCRFForTokenClassification и примерно 658,7 млн параметров. Она предназначена для токенной классификации: по метрикам и названиям классов в оценке модель размечает термины и явления в лингвистических текстах, включая морфологические, синтаксические, фонологические и семантические понятия. Контекст составляет до 514 токенов; базовая XLM-RoBERTa поддерживает 100 языков, однако язык обучающих данных этой версии не указан. На оценочном наборе указаны F1 0,801 и точность 0,972, при этом качество заметно различается по классам: например, F1 для Graphemicphenomenon равен 0, а для Academicdiscipline — 0,381. Датасет и подробности назначения автором не описаны. Модель распространяется по лицензии MIT.

Модель c-ho/2026-09-15-crf-classweights-clean — дообученная версия FacebookAI/xlm-roberta-large для классификации токенов. В архитектуре используется BertCRFForTokenClassification, а веса опубликованы в формате safetensors. По метрикам и названиям классов модель предназначена для выявления и разметки лингвистических терминов и понятий в тексте: например, морфологических, синтаксических, семантических и фонологических явлений. Размер модели — 658,7 млн параметров, максимальный контекст — 514 токенов; базовая XLM-RoBERTa поддерживает 100 языков, однако язык данных дообучения в карточке не раскрыт. На оценочной выборке указаны F1 0,7982, точность 0,7802 и полнота 0,8170; качество заметно различается между классами, включая F1 0 для Graphemicphenomenon. Модель выпущена под лицензией MIT.

Модель Cesar Gonzalez-Gutierrez дообучена на наборе Winograd NLI на основе англоязычной архитектуры BERT-base uncased. Она предназначена для классификации текстовых примеров, соответствующих структуре и задачам этого набора данных, в частности для оценки естественно-языковых выводов в контексте Winograd NLI. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и использует архитектуру BertForSequenceClassification. Обучение проводилось на обучающей части Winograd NLI; для проверки использовалась случайная выборка 20% из неё, а исходная валидационная часть — как тестовый набор, поскольку в исходной тестовой части нет меток. Доступны варианты с разными начальными значениями генератора случайных чисел через отдельные ветки репозитория. Модель может наследовать ограничения и смещения базового BERT и обучающих данных. Лицензия — Apache 2.0.

Slop Classifier for Roleplay Characters — англоязычный классификатор проекта CharGen для выявления низкокачественных персонажей для ролевых игр, созданных с помощью ИИ. Он обучен на синтетических персонажах, сгенерированных GPT-3.5 и GPT-4, а также на части набора данных CharGen. Модель анализирует текст описания персонажа и предназначена для фильтрации шаблонных формулировок и избитых выражений, характерных для машинно созданных текстов. Это дообученная DeBERTa-v3-base для классификации последовательностей с 211,6 млн параметров и контекстом до 512 токенов. Репозиторий содержит веса в формате safetensors. Модель ориентирована на английский язык и персонажей для ролевых игр. Лицензия — Apache-2.0. Карточка не приводит метрики качества или подробности о классах и пороге классификации.

CyNER 2.0 — модель распознавания именованных сущностей в текстах по кибербезопасности, разработанная на базе DeBERTa v3 base и дообученная на исходном наборе CyNER и его расширенной версии. Она использует архитектуру DeBERTa v2 для классификации токенов, содержит 211,6 млн параметров и рассчитана на контекст до 512 токенов. Модель выделяет индикаторы угроз, вредоносное ПО, организации, системы и уязвимости в отчетах и других материалах по кибербезопасности. Модель предназначена для автоматизации анализа отчетов специалистами по информационной безопасности, обогащения данных threat intelligence и подготовки отчетности. В README указана оценка F1 91,88% на расширенном наборе данных. Модель ориентирована на английские тексты; лицензия — MIT. Качество может быть ниже для редких типов сущностей, например уязвимостей. Из-за настройки на кибербезопасность модель может плохо переноситься на другие предметные области и задачи распознавания сущностей.

DuplexJev-B Emotion — исследовательская аудиотекстовая модель семейства Ultravox от adventists-ai для получения ответов и закрытых решений непосредственно из речи. Она объединяет замороженный энкодер adventists-ai/Qwen3-ASR-0.6B-Encoder и замороженную Qwen/Qwen3-32B; обучен только коннектор B с 17,8 млн параметров, который передаёт представления последнего слоя энкодера в LLM через укладку кадров и SwiGLU-проектор. Модель принимает аудио и выдаёт текстовый ответ, включая однотокенные варианты для распознавания эмоций, определения говорящего и других вопросов о речи. Модель предназначена для речевых задач с вариантами ответа и языково-согласованными подсказками. В README приведены результаты на небольших наборах: 82,8% для четырёхклассового распознавания эмоций в воспроизведённых экспериментах; оценки зависят от формулировки и порядка вариантов. Карточка указывает китайский и английский языки. Модель проверялась на прочитанной или актёрской речи, но не на потоковом аудио; обучение на паралингвистических данных снижало точность фактических вопросов на спонтанной речи. Эмоциональные метки основаны на актёрских корпусах и не подходят для принятия решений о людях. Коннектор требует указанные в README энкодер и LLM. Лицензия — CC BY-NC 4.0, коммерческое использование ограничено условиями лицензии.

disham993/electrical-ner-ModernBERT-base — англоязычная модель распознавания именованных сущностей в текстах по электротехнике, созданная дообучением answerdotai/ModernBERT-base. Это encoder-модель семейства ModernBERT с 149 млн параметров, архитектурой для классификации токенов и контекстом до 8192 токенов. Она выделяет компоненты, материалы, стандарты и параметры проектирования в технических текстах об электрических схемах, испытаниях, обслуживании, монтаже и устранении неисправностей. Модель обучена на наборе disham993/ElectricalNER, подготовленном с помощью GPT-4o-mini. В карточке указаны результаты оценки: F1 0,9177 и точность 0,9664. Модель рассчитана на английский язык и электротехническую тематику; в других областях её качество не гарантируется, а неоднозначный контекст и ошибки в автоматически созданных обучающих данных могут приводить к неверной разметке. Лицензия — MIT; автор рекомендует проверять результаты перед применением в критичных сценариях.

mustaphaidris/hausa-agri-ner — модель распознавания именованных сущностей в текстах на хауса о животноводстве. Её разработчик дообучил Davlan/afro-xlmr-base: это XLM-RoBERTa с архитектурой XLMRobertaForTokenClassification и 305,2 млн параметров. Модель размечает токены BIO-тегами для десяти типов сущностей, включая виды животных, породы, болезни, симптомы, лекарства и корма. Контекст составляет 514 токенов. Модель предназначена для извлечения структурированной информации из хауса-текстов о скоте, а также для помощи при аннотировании и исследовательской работы. Карточка сообщает тестовый entity F1 97,54% для описанного дообученного кандидата, но результаты основаны на предоставленных логах и независимо не воспроизводились. В карточке также указано, что нужно проверить соответствие загруженных весов этому кандидату. Показатели могут не отражать качество на новых данных: тестовая выборка сильно пересекается с обучающей по сущностям, а некоторые категории представлены малым числом примеров. Качество на независимо собранных фермерских текстах, диалектах, незнакомых названиях, вариантах написания и длинных документах не проверено. Модель не ставит диагнозы и не рекомендует лечение; извлечённые сущности требуют проверки человеком. Лицензия этого дообученного выпуска в карточке не определена; перед использованием следует проверить условия базовой модели и датасета.

khadija69/mdebertaV3_BIES_stem_1K_3 — модель классификации токенов на базе архитектуры DeBERTa v2 с 306 млн параметров. Разработчик дообучил её на khadija69/mdebertaV3_BIES_stem_1K_2; в README указан неизвестный набор данных и приведены результаты за 5 эпох: точность на обучающей выборке 0,6116, на валидационной — 0,5791. Модель предназначена для присвоения меток отдельным токенам последовательности. Контекст составляет до 512 токенов. Веса представлены в формате TensorFlow, лицензия — MIT. README не раскрывает назначение меток BIES, область применения или языки данных, поэтому практическую специализацию модели установить нельзя.

lgessler/microbert-coptic-m — компактная модель семейства MicroBERT для коптского языка, разработанная для получения текстовых признаков. Это плотная архитектура BERT на 1,3 млн параметров с контекстом до 512 токенов; веса доступны в форматах PyTorch и safetensors. Модель предварительно обучена с помощью masked language modeling на 970 642 токенах неразмеченных данных из корпуса Coptic SCRIPTORIUM версии 4.2.0; для обучения также использовались 48 632 токена размеченных данных из UD_Coptic_Scriptorium v2.9. Модель подходит для извлечения представлений текста на коптском языке и как компактная основа для задач обработки коптского текста. README не уточняет конкретные downstream-сценарии и лицензию, поэтому условия использования по лицензии определить нельзя.

Модель aihimanshu/model — дообученная Himanshu модель аудиоклассификации на базе facebook/wav2vec2-base. Архитектура Wav2Vec2ForSequenceClassification содержит 113,3 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для классификации аудиоданных, однако конкретные классы и сценарии применения в карточке не описаны. На оценочном наборе указаны loss 2,6731 и accuracy 0,0796. Датасет и подробности обучения не раскрыты, поэтому эти результаты не позволяют определить качество для конкретной задачи. Лицензия — Apache-2.0.

Это модель для определения норвежского диалектного региона по аудиозаписи речи. Её разработали на основе энкодера NbAiLab/nb-whisper-medium: модель Whisper с 455,8 млн параметров полностью дообучена и дополнена классификационной головой для четырёх классов — восточного, западного, центрального (трёндерского) и ещё одного регионального варианта норвежского языка. Модель предназначена для исследований классификации диалектов и анализа влияния просодии на распознавание. Она обучена на естественной, не обработанной речи из парламентского корпуса SSC; входное аудио следует подавать монофоническим, с частотой 16 кГц. Для согласованности с сопоставляемыми экспериментальными моделями опубликован чекпойнт третьей эпохи, хотя наибольшая точность оценки была у чекпойнта первой эпохи. Результат — метка диалектной группы, а не транскрипция. Классы укрупнённые, а их границы могут быть нечёткими. Обучение только на взрослой парламентской речи ограничивает переносимость на разговорную речь, детей и неносителей языка; модель не предназначена для решений о конкретных людях, например при найме или проверке личности. Лицензия — Apache-2.0.

OceanGPT-2B-v0.1 — языковая модель для задач океанологии, разработанная командой проекта OceanGPT. Она основана на MiniCPM-2B и дообучена на двуязычном наборе данных по тематике океана на китайском и английском языках. Модель содержит 2,7 млрд параметров, использует плотную архитектуру MiniCPMForCausalLM, поддерживает диалоговый режим и контекст до 4096 токенов. Модель предназначена для генерации ответов и текста по вопросам океанологии, а также для классификации текста в этой предметной области. Лицензия — MIT. Авторы характеризуют проект как академическое исследование; модель может галлюцинировать, её ответы зависят от формулировки запроса и могут быть непоследовательными. Возможности симуляции воплощённого интеллекта ограничены и требуют специальных инструкций для симулятора.

UNI2-h — предварительно обученный визуальный backbone Mahmood Lab AI for Pathology при Harvard/BWH для извлечения признаков из гистологических изображений. Модель основана на ViT-H/14 и DINOv2; при предобучении использовалось более 200 миллионов фрагментов изображений с более чем 350 тысяч H&E- и IHC-препаратов Mass General Brigham. Для извлечения признаков изображения подаются в формате 224 × 224, а модель возвращает вектор признаков размерности 1536; веса загружаются через timm. Замороженные признаки подходят для классификации и поиска сходных областей ткани, а также для классификации целых гистологических слайдов с помощью MIL. Для сегментации README рекомендует дообучение специализированными инструментами. Модель ориентирована на патологические изображения, а не на самостоятельную постановку диагноза. Доступ предоставляется по лицензии CC-BY-NC-ND-4.0 с ограничениями на коммерческое использование и распространение производных материалов; для получения доступа требуется принять условия на Hugging Face.

VasilisAsim/wavlm-finetuned-SAVEE — дообученная модель Microsoft WavLM Base Plus для классификации аудио. Она использует архитектуру WavLMForSequenceClassification и содержит 113,3 млн параметров. Карточка указывает, что обучение проводилось на неизвестном наборе данных; название репозитория указывает на SAVEE, но README этого не подтверждает. Модель принимает аудио и выдаёт классы. На оценочном наборе указаны accuracy 0,3542 и loss 1,6940, поэтому качество распознавания по имеющимся результатам ограничено. Лицензия в предоставленных данных не указана.

Hemg/Wound-Image-classification — модель классификации изображений ран, созданная дообучением Vision Transformer (ViT) google/vit-base-patch16-224-in21k. Она предназначена для отнесения изображений к классам, заданным при обучении; точный список классов и состав датасета в карточке не раскрыты. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. В README сообщается о loss 0,1209 и accuracy 0,965 на оценочном наборе. Эти результаты относятся только к указанному набору данных и не подтверждают качество на других источниках изображений или в клинической практике. Модель распространяется по лицензии Apache-2.0.

textattack/bert-base-uncased-CoLA — модель классификации текста, опубликованная TextAttack. Она основана на BERT-base-uncased и дообучена для бинарной оценки лингвистической приемлемости отдельных предложений: модель классифицирует предложение как приемлемое или неприемлемое с точки зрения английской грамматики. Модель имеет около 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает текст длиной до 512 токенов. Модель подходит для оценки грамматической приемлемости английских предложений и учебных или исследовательских экспериментов с CoLA. Она обрабатывает только текст и выдаёт метку классификации; поисковые источники и метаданные не подтверждают поддержку других языков или задач. Карточка Hugging Face не содержит описания лицензии, поэтому условия использования здесь не уточняются.

CharLLaMa-35M — компактная авторегрессионная языковая модель архитектуры LLaMA, созданная автором проекта «Литературная студия» для экспериментов с русским текстом. Модель насчитывает 35,6 млн параметров и использует посимвольную токенизацию; её контекст составляет 512 токенов. Предварительное обучение проводилось на русскоязычном корпусе объёмом около 80 млрд токенов, в котором заметную долю составляли поэтические тексты. Модель предназначена для генерации текста и экспериментов с задачами, где важны символьные закономерности: генеративной проверки орфографии, классификации, транскрипции текста и обнаружения опечаток. Для работы требуется специальный токенизатор, который загружается отдельно от стандартного AutoTokenizer. По README модель распространяется по лицензии OpenRAIL. Поэтический состав обучающего корпуса может влиять на результаты в прикладных задачах; небольшие размер и контекст также ограничивают её возможности по сравнению с крупными языковыми моделями.

Cybersecurity-Knowledge-Graph — модель CyberPeace Institute для извлечения событий из текстов об инцидентах кибербезопасности. Она дообучена на SecureBERT с использованием набора данных CASIE и реализует подход, описанный в статье о CASIE. Модель решает задачу token classification: выделяет фрагменты, выражающие событие, его участников и атрибуты, а также определяет семантические роли и признак realis — произошло ли событие, является ли оно неудавшейся или будущей попыткой либо упоминается обобщённо. Карточка приводит пример применения к тексту о кибербезопасности; для загрузки указаны Transformers и PyTorch. Модель рассчитана на англоязычные тексты. Лицензия — MIT. Результаты зависят от соответствия входного текста предметной области и схеме событий CASIE; документация не описывает ограничения точности или поддержку других языков.

Dart v1 — предобученная авторегрессионная языковая модель семейства OPT, разработанная Plat для генерации тегов Danbooru. Модель содержит 165,5 млн параметров, принимает текстовый промпт в специализированном формате и генерирует упорядоченную последовательность тегов; контекст — до 2048 токенов. Доступны веса Safetensors и ONNX, включая квантованный вариант ONNX. Лицензия — Apache-2.0. Модель предназначена для дополнения набора тегов публикации тегами категорий рейтинга, авторских прав, персонажей и общих тегов. Она обучалась на датасете isek-ai/danbooru-tags-2023, собранном из тегов Danbooru за 2005–2023 годы. Естественные языковые инструкции не поддерживаются: требуется специальная структура промпта, а теги располагаются в алфавитном порядке. Это базовая предобученная версия; автор рекомендует конечным пользователям дообученный вариант p1atdev/dart-v1-sft. Обучение только на алфавитном порядке ухудшает генерацию, если в начале промпта стоят теги, расположенные позднее по алфавиту. Оценка качества не проводилась, а модель не умеет гибко учитывать произвольные пожелания.

defeasible-nli-bert-clf — модель классификации текстовых последовательностей на базе BERT, дообученная на bert-base-uncased. Она предназначена для классификации примеров, связанных с выводами в условиях опровержимых предпосылок (defeasible NLI). Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и сохранена в формате Safetensors. В карточке приведены результаты оценки: accuracy 0,5, F1 0,6667, precision 0,5 и recall 1,0. Датасет и подробное описание сценариев применения не раскрыты, поэтому эти показатели не позволяют судить о качестве на других данных. Лицензия — Apache-2.0.

mfarrington/devicebert-base-cased-v1.0 — дообученная модель на архитектуре BERT для классификации токенов, созданная на основе англоязычной биомедицинской модели BioBERT-Base v1.2. Карточка сообщает о дообучении на наборе данных, состав которого не раскрыт; размер модели — 260 млн параметров, максимальный контекст — 512 токенов. Модель предназначена для разметки отдельных токенов в тексте. В README приведены результаты оценки: F1 — 0,6753, точность — 0,8547, полнота — 0,6691; значение функции потерь указано как NaN. Сценарий применения и типы меток не описаны, поэтому эти оценки не позволяют определить качество для конкретной задачи. Базовая BioBERT рассчитана на англоязычные биомедицинские тексты, но специализация этой версии не подтверждена. Модель опубликована в формате Safetensors. Сведения о лицензии в предоставленных материалах отсутствуют.

Riiid разработала эту модель для работы, представленной на конференции EMNLP 2022 и посвящённой оценке зависимости вопросов от знаний. Это англоязычная модель RoBERTa для выбора правильного ответа из нескольких вариантов; она обучена или адаптирована для набора RACE. Модель содержит 151,8 млн параметров, принимает последовательность длиной до 514 токенов и доступна в формате PyTorch. Модель подходит для оценки и исследования того, какие знания требуются для ответа на вопросы с вариантами, а также для решения задач такого типа на английском языке. Репозиторий распространяется по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и распространяет производные работы на тех же условиях с ограничением некоммерческого использования.

Llama-3-EvoVLM-JP-v2 — экспериментальная визуально-языковая модель Sakana AI на архитектуре LLaVA с языковой частью на основе Llama 3. Она принимает изображения и текст, в том числе чередующиеся в одном запросе, и предназначена для ответов на вопросы о содержимом изображений на японском языке. Модель получена методом эволюционного слияния Meta-Llama-3-8B-Instruct, Mantis-8B-siglip-llama3 и Bunny-v1.1-Llama-3-8B-V; обучение включало части японского датасета Visual Genome VQA и переведённого ShareGPT4V. Модель ориентирована на эксперименты и разработку. Карточка предупреждает, что её качество и результаты не гарантируются, а применение в критически важных сценариях не предназначено. Лицензия — META LLAMA 3 COMMUNITY LICENSE; авторы также указывают, что модель не предназначена для коммерческого использования или развёртывания в критически важных средах.