I.14Автоматизация процессов и AI-агенты

Qwen3-VL-235B-A22B-Instruct-MXFP4 — вариант весов модели Qwen3-VL от команды Qwen. Это мультимодальная модель с архитектурой MoE, предназначенная для диалога и совместного понимания текста и изображений; карточка также описывает возможности работы с видео и пространственными данными. Модель может анализировать визуальные сцены, отвечать на вопросы, распознавать текст в изображениях и документах, выполнять визуальное рассуждение и взаимодействовать с интерфейсами через инструменты. В README заявлен контекст 256K токенов с возможностью расширения до 1M, а также OCR на 32 языках. Среди описанных возможностей — понимание длительного видео с привязкой событий ко времени, генерация кода и диаграмм по визуальным примерам, пространственное рассуждение и задачи STEM. Репозиторий содержит веса safetensors; метаданные указывают библиотеку Transformers и лицензию Apache-2.0. Размер MXFP4 в имени указывает на квантизованный вариант весов, однако формат MXFP4 отдельно в метаданных форматов не подтверждён.

Qwen3-VL-30B-A3B-Thinking — мультимодальная модель семейства Qwen3-VL, разработанная командой Qwen. Это версия с визуальным анализом и режимом Thinking для рассуждений; репозиторий содержит веса в формате Safetensors и предназначен для использования с Transformers. Архитектура указана как Qwen3 VL MoE; название модели обозначает класс 30B-A3B. Модель принимает текст и изображения, а также предназначена для понимания видео и пространственных сцен. Она поддерживает диалог, визуальный анализ, OCR, рассуждения по STEM-задачам, извлечение информации из длинных документов и взаимодействие с инструментами; заявлены сценарии управления графическими интерфейсами и генерации кода интерфейсов по изображениям и видео. В README указан контекст 256K с возможностью расширения до 1M токенов и OCR на 32 языках. Сильные стороны — объединённое текстовое и визуальное понимание, анализ временной структуры видео, распознавание текста в сложных условиях и пространственные рассуждения. Точные результаты зависят от сценария; README не содержит численных результатов тестирования. Лицензия — Apache-2.0.

Qwen3-VL-32B-Thinking-FP8 — мультимодальная vision-language модель семейства Qwen, разработанная командой Qwen. Это FP8-квантизированная версия Qwen3-VL-32B-Thinking с мелкозернистым квантованием и размером блока 128; согласно описанию, её показатели почти идентичны исходной BF16-модели. Модель распространяется через Hugging Face и предназначена для обработки текста, изображений и видео. Модель ориентирована на визуальное понимание и рассуждение, OCR, анализ документов, STEM- и математические задачи, пространственное восприятие, понимание динамики видео, генерацию кода и взаимодействие с графическими интерфейсами и инструментами. Она поддерживает контекст длиной 256K токенов с возможностью расширения до 1M, а OCR заявлен для 32 языков, однако полный перечень языков не указан. К архитектурным особенностям относятся Interleaved-MRoPE для временных и пространственных представлений, DeepStack для объединения многоуровневых признаков ViT и выравнивание текста с временными метками для анализа видео. К сильным сторонам относятся развитое мультимодальное рассуждение, распознавание текста в сложных условиях, понимание пространственных отношений, длинных документов и продолжительных видеозаписей, а также возможности визуального агента. Ограничение состоит в том, что на момент публикации README библиотека Transformers не поддерживает прямую загрузку этих весов; для развёртывания рекомендуются vLLM или SGLang. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-8B-Instruct — мультимодальная модель семейства Qwen3-VL, разработанная командой Qwen. Это плотная модель с 8 млрд параметров для диалога и генерации текста по текстовым и визуальным входам; репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. Лицензия — Apache-2.0. Модель предназначена для анализа изображений и видео, визуальных вопросов и ответов, распознавания текста и структуры документов, пространственного рассуждения, STEM-задач и управления интерфейсами через инструменты. Она также генерирует код и разметку Draw.io, HTML, CSS и JavaScript по изображениям или видео. Заявлены контекст 256K токенов с возможностью расширения до 1M, временная привязка событий в видео и OCR на 32 языках. Модель объединяет текстовое и визуальное понимание, поддерживает агентные сценарии и вызов инструментов. Карточка описывает возможности семейства Qwen3-VL; конкретные показатели качества для версии 8B в предоставленном README не приведены.

Карточка модели xg3s/Qwen3-VL-8B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen3-VL-8B-Instruct, поэтому описание составлено по ней. Qwen3-VL-8B-Instruct — мультимодальная модель семейства Qwen3-VL, разработанная командой Qwen. Это плотная модель с 8 млрд параметров для диалога и генерации текста по текстовым и визуальным входам; репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. Лицензия — Apache-2.0. Модель предназначена для анализа изображений и видео, визуальных вопросов и ответов, распознавания текста и структуры документов, пространственного рассуждения, STEM-задач и управления интерфейсами через инструменты. Она также генерирует код и разметку Draw.io, HTML, CSS и JavaScript по изображениям или видео. Заявлены контекст 256K токенов с возможностью расширения до 1M, временная привязка событий в видео и OCR на 32 языках. Модель объединяет текстовое и визуальное понимание, поддерживает агентные сценарии и вызов инструментов. Карточка описывает возможности семейства Qwen3-VL; конкретные показатели качества для версии 8B в предоставленном README не приведены.

Qwopus3.8-27B-Flash-ATX-IQ4_XS-M-GGUF — это GGUF-квантизированная версия модели Jackrong/Qwopus3.8-27B-Flash, являющейся дообученной моделью на базе Qwen3.8-27B. Рецепт квантизации разработан jakeatx с использованием llama.cpp и собственной importance matrix, рассчитанной для этой модели. Модель предназначена для генерации текста, программирования, агентских сценариев, RAG-анализа и задач с длинным контекстом, включая speculative decoding с MTP-головой. Модель содержит 27,32 млрд параметров и 866 тензоров, использует ту же архитектуру, что и базовая модель, а также включает MTP-слой. Основной формат весов — IQ4_XS с точечными повышениями точности до Q5_0, Q6_K и Q8_0; средний размер составляет 4,60 бита на вес, а файл модели занимает около 14,6 GiB. Рецепт рассчитан на видеокарты RTX 3090 или 3090 Ti с 24 ГБ памяти и позволяет использовать заполненный контекст до 200 тысяч токенов с 8-битным KV-кэшем. В измерениях на RTX 3090 Ti модель показывала преимущество по скорости декодирования над Q4_K_S на контекстах 16–64K, однако на 100K выигрыш был небольшим и зависел от принятия черновых токенов. Сильные стороны модели — эффективная работа на одной видеокарте, поддержка длинного контекста, специализированная оптимизация для короткого рассуждения и агентских циклов, а также ускорение за счёт MTP и speculative decoding. Ограничения включают потери, характерные для 4-битной квантизации, зависимость производительности от acceptance rate черновых токенов и необходимость совместимой сборки llama.cpp с поддержкой используемых ядер и MTP. Модель распространяется по лицензии Apache-2.0.

Qwythos-9B-Claude-Mythos-5-1M-uncensored-heretic — текстовая дообученная модель на архитектуре Qwen3.5-9B, опубликованная llmfan46. Она предназначена для генерации ответов с рассуждениями и агентных сценариев с вызовом инструментов, включая вычисления, поиск фактов и работу с большими наборами документов или кодом. В README описана поддержка формата вызова функций Qwen3.5 и контекстное окно до 1 048 576 токенов с YaRN; автор сообщает о проверке на контекстах примерно до 137 тысяч токенов. Модель имеет 9 млрд параметров и обучена методом полного supervised fine-tuning на текстовых данных; визуальная часть унаследована от базы, но не дообучалась и не тестировалась. Архитектура базы мультимодальная, однако основная карточка и pipeline ориентированы на генерацию текста. Указаны английский язык и лицензия Apache 2.0. Автор предупреждает о возможных повторах при жадном декодировании и низкой температуре, а также о небольшом снижении качества на коротком контексте из-за YaRN.

Schematron-8B — специализированная языковая модель компании Inference.net для извлечения структурированных данных из HTML. Она принимает HTML-страницу и JSON Schema, а в ответ формирует JSON, соответствующий заданной схеме; модель построена на архитектуре Llama и дообучена на базе meta-llama/Llama-3.1-8B-Instruct. По метаданным, модель содержит 7,5 млрд параметров, использует библиотеку Transformers и формат safetensors. Модель предназначена для веб-скрейпинга, загрузки данных и преобразования содержимого страниц в структурированные записи. Контекст составляет до 131 072 токенов. Карточка заявляет качество извлечения, близкое к GPT-4.1 на описанной оценке, и рекомендует температуру 0 и JSON-режим для более стабильного вывода. Модель работает со статическим HTML: динамически загружаемый контент нужно предварительно отобразить, а очень большие страницы могут потребовать усечения. Результаты неоднозначных полей зависят от ясности схемы; вывод рекомендуется проверять по схеме. Лицензия в предоставленных данных не указана.

Карточка модели selvakumarcts/sk_invoice_receipts на Hugging Face совпадает с карточкой mychen76/invoice-and-receipts_donut_v1, поэтому описание составлено по ней. mychen76/invoice-and-receipts_donut_v1 — модель на основе Donut, дообученная для извлечения структурированных данных из изображений счетов и чеков. Она принимает изображение документа и формирует результат в виде JSON или XML, позволяя преобразовывать содержимое документа без отдельного OCR-движка. Модель предназначена для автоматизации обработки счетов и чеков, например для извлечения сведений о покупке и переноса их в структурированные системы. В метаданных указана архитектура vision-encoder-decoder и формат весов PyTorch/Safetensors. Модель опубликована под лицензией Apache-2.0. В README модель названа экспериментальной. Карточка не приводит сведения о размере модели, контекстном окне или поддерживаемых языках документов; качество извлечения на разных шаблонах и языках не описано.

Step-3.5-Flash-REAP-121B-A11B — сжатая версия Step-3.5-Flash от Cerebras, созданная методом REAP (Router-weighted Expert Activation Pruning). Это разреженная причинно-языковая MoE-модель: из исходных 288 экспертов оставлено 173, а на каждом токене активируются 8; в README указано 121 млрд параметров и 11 млрд активных на токен. Каталог Hugging Face указывает 9,8 млрд параметров, поэтому размер модели по источникам расходится. Модель предназначена для диалогов, генерации кода, математических задач, рассуждений и агентных сценариев с вызовом инструментов. Заявлена длина контекста 262 144 токена. В README говорится о близкой к полной модели производительности и снижении потребления памяти примерно на 40%; для запуска автор рекомендует vLLM с поддержкой Step-3.5-Flash. Модель принимает текст и генерирует текст; в карточке указана поддержка английского языка. README сообщает лицензию Apache 2.0, тогда как метаданные Hugging Face обозначают её как other, поэтому условия лицензии следует сверить с файлами репозитория перед использованием.

Карточка модели WillowVoiceAI/surya-ocr-2 на Hugging Face совпадает с карточкой datalab-to/surya-ocr-2, поэтому описание составлено по ней. Surya OCR 2 — модель Datalab для распознавания и структурирования документов. Это плотная мультимодальная модель семейства Qwen3.5 с 650 млн параметров, которая принимает изображения и обрабатывает страницы документов как единая VLM. Она выполняет OCR, анализ структуры и порядка чтения, а также распознавание таблиц; заявлена поддержка 91 языка по внутреннему тестированию. Модель подходит для извлечения текста и структуры из изображений и PDF, включая таблицы, заголовки, формы и математические выражения. В README указаны результат 83,3% на olmOCR-bench и пропускная способность около пяти страниц в секунду на RTX 5090; это результаты авторов и конкретной конфигурации. Для инференса OCR, анализа структуры и таблиц требуется сервер vLLM или llama.cpp. Модель специализируется на документах, а не на фотографиях или природных сцен. Код Surya распространяется по Apache 2.0, но веса — по модифицированной лицензии AI Pubs Open Rail-M: бесплатное использование разрешено для исследований, личных проектов и стартапов с финансированием или выручкой менее 5 млн долларов. Для более широкого коммерческого использования весов требуется отдельная лицензия.

protoLabsAI/Agents-A1-NVFP4 — квантизированная версия модели InternScience/Agents-A1, разработанная и проверенная protoLabs. Это агентная гибридная MoE-модель класса Qwen3.5-35B-A3B для генерации текста, рассуждений, работы с инструментами, function calling, программирования и других агентных сценариев. Модель предназначена для запуска через vLLM, прежде всего на GPU NVIDIA Blackwell, включая RTX PRO 6000 и RTX 50xx. Модель использует квантизацию NVFP4 W4A4 с калибровкой всех экспертов MoE и занимает около 21,8 ГБ. В контрольной точности сохранены маршрутизаторы MoE, DeltaNet-линейное внимание, эмбеддинги, lm_head, vision tower и MTP-тензоры. В README заявлена поддержка длинного контекста с проверками на длинах до 60K токенов; для работы у верхней границы рекомендуется оставить более 5K токенов запаса либо отключить режим рассуждений. Веса vision tower присутствуют, но рекомендуемая конфигурация vLLM работает только в текстовом режиме. Языки явно не указаны. По приведённым тестам NVFP4-версия превосходит официальную FP8-версию на наборах reasoning-v2, function-call и claw agentic, но немного уступает ей в code spec-delta. На одной RTX PRO 6000 заявлена скорость до 215 токенов в секунду при однопоточном чате. Ограничения включают зависимость от специальной конфигурации vLLM с marlin MoE backend на sm120, несовместимость spec-decode с этим backend и необходимость учитывать значительные затраты контекста при длинных рассуждениях. Модель распространяется по лицензии Apache-2.0.

Chandra — модель оптического распознавания символов от Datalab, построенная на архитектуре Qwen3-VL. Она извлекает текст из изображений и PDF и преобразует документы в Markdown, HTML или JSON, сохраняя сведения о структуре и расположении элементов. Модель предназначена для распознавания печатного и рукописного текста, таблиц, форм с флажками, математических выражений, сложной вёрстки, изображений и диаграмм. В карточке заявлена поддержка более 40 языков. В бенчмарке olmOCR, приведённом разработчиками, Chandra v0.1.0 показала общий результат 83,1 ± 0,9; это собственное сравнение разработчиков. Модель распространяется под лицензией OpenRAIL.

NVIDIA DeepSeek-R1-0528-NVFP4-v2 — FP4-квантизированный вариант модели рассуждений DeepSeek-R1-0528, подготовленный с помощью NVIDIA TensorRT Model Optimizer. Это авторегрессионная языковая модель семейства DeepSeek V3 с архитектурой трансформера; в метаданных указано 37,6 млрд параметров и контекст до 163 840 токенов. Версия v2 дополнительно квантизирует модуль wo в слоях внимания по сравнению с DeepSeek-R1-0528-FP4. Модель принимает текст и генерирует текст. Она предназначена для диалогов и решения задач, в том числе многошаговых рассуждений; доступен интерфейс вызова инструментов. Квантизация весов и активаций линейных операторов снижает требования к диску и памяти GPU примерно в 1,6 раза. Для запуска README указывает TensorRT-LLM, Linux и оборудование NVIDIA Blackwell; приведённый пример развёртывания требует 8 GPU B200. Модель основана на DeepSeek-R1-0528 и, согласно README, готова к коммерческому и некоммерческому использованию; метаданные указывают лицензию MIT. Ответы могут быть неточными, неполными или избыточными, а обучающие данные могут приводить к токсичному языку и усилению социальных предубеждений.

dots.ocr — мультиязычная модель разбора документов от команды dots. Она объединяет распознавание текста и анализ структуры страницы в одной плотной vision-language архитектуре на 1,5 млрд параметров; метаданные указывают контекст длиной 131 072 токена. Модель принимает изображения страниц и может выдавать распознанный текст, порядок чтения и структурированные данные о расположении элементов, включая координаты и категории. В README заявлена поддержка документов на разных языках, а метаданные карточки отмечают английский и китайский. Модель предназначена для OCR и разбора страниц документов: определения макета, извлечения текста и обработки таблиц и формул. Она рассчитана на сценарии, где нужен единый этап распознавания и структурирования вместо цепочки отдельных моделей; для обработки PDF README рекомендует растрировать страницы с разрешением около 200 DPI. Указана лицензия MIT. Ограничения включают неточный разбор сложных таблиц и формул, отсутствие разбора содержимого изображений внутри документов и возможные сбои на страницах с высокой плотностью символов. Непрерывные специальные символы могут вызывать зацикливание вывода; модель также пока не оптимизирована для высокопроизводительной пакетной обработки больших объёмов PDF.

Карточка модели mrmanan762/EarthMind на Hugging Face совпадает с карточкой sarvamai/sarvam-105b, поэтому описание составлено по ней. Sarvam-105B — созданная Sarvam AI языковая модель с архитектурой Mixture-of-Experts и MLA-style attention. По README, у неё 10,3 млрд активных параметров, 128 экспертов с маршрутизацией top-8 и контекст до 128 тыс. токенов; метаданные Hugging Face указывают общий размер 9,7 млрд параметров. Модель предназначена для генерации текста и диалогов, сложных рассуждений, математики, программирования и агентных сценариев, включая веб-поиск и техническую диагностику. При обучении особое внимание уделялось индийскому контексту и 22 языкам Индии. В метаданных перечислены английский и ряд языков Южной Азии; карточка заявляет сильные результаты на тестах рассуждений и агентных задач. Для запуска README описывает использование Transformers и варианты развёртывания через vLLM и SGLang, включая специальные настройки. Модель распространяется по лицензии Apache 2.0.

GLiNER2.5 Base — англоязычная модель извлечения информации по заданной схеме от Fastino. Она предназначена для извлечения именованных сущностей, классификации текста, разбора структурированных записей, оценки атрибутов фрагментов и извлечения отношений между сущностями в одном конвейере. Модель построена на граничной архитектуре GLiNER2 с энкодером DeBERTa-v3-base и содержит 194 млн параметров; метаданные указывают формат весов safetensors. Для работы с длинными документами можно обрабатывать перекрывающиеся фрагменты и объединять смещения результатов. Модель поддерживает локальный запуск на CPU, CUDA и MPS, а также совместное извлечение сущностей, классификаций, отношений и структурированных записей. Её используют для разметки текста по пользовательским схемам, извлечения связей и формирования записей с сохранением принадлежности полей к отдельным объектам. Базовый энкодер — microsoft/deberta-v3-base. Лицензия — Apache-2.0. При обработке длинных документов обычный вызов extract обрезает текст по max_len; разбиение на фрагменты не сохраняет сущности и отношения, чьи части не попали в один фрагмент. Независимое извлечение отношений само по себе не гарантирует соответствие типов концов заданным ограничениям; для совместимых ограничений предназначен режим JointIE.

GLiNER2.5 Multi — мультиязычная модель извлечения информации компании Fastino на архитектуре GLiNER2 boundary. Она построена на энкодере mDeBERTa-v3-base, содержит 287 млн параметров и предназначена для извлечения сущностей, классификации текста, разбора структурированных записей, выделения атрибутов фрагментов и извлечения отношений в рамках заданной схемы. Модель принимает текст и возвращает текстовые фрагменты, метки, записи и связи; заявлена поддержка нескольких языков. Контекстное окно указано как max_len=4096 токенов. Разреженный поиск пар начала и конца позволяет извлекать фрагменты разной длины в пределах одного окна. Модель объединяет несколько задач извлечения в одном вызове и поддерживает ограниченное декодирование для согласованных меток и графов сущностей и отношений. Для длинных документов предусмотрена обработка перекрывающимися фрагментами, но сущность или отношение сохраняются только если их границы или оба конца связи попадают в один фрагмент; обычный вызов extract обрезает текст по max_len. Лицензия Apache-2.0.

GLM-OCR — компактная мультимодальная модель распознавания текста и понимания документов от команды Z.ai; репозиторий unsloth/GLM-OCR содержит дообученную версию zai-org/GLM-OCR. Модель построена на архитектуре GLM-V: использует визуальный энкодер CogViT, межмодальный связующий модуль и декодер GLM-0.5B. В карточке указано около 0,9 млрд параметров; модель принимает изображения и формирует текстовый результат. Модель предназначена для OCR сложных документов, извлечения текста, формул и таблиц, а также структурированных сведений по заданной JSON-схеме. В README заявлена двухэтапная обработка с анализом макета и распознаванием, а также результаты на OmniDocBench V1.5 и скорость обработки документов. Поддерживаемые языки: китайский, английский, французский, испанский, русский, немецкий, японский и корейский. Лицензия — MIT. Для извлечения структурированных данных необходимо задавать ожидаемую JSON-схему; качество может зависеть от сложности макета и содержимого изображения.

GRM-3.2-Cliff — модель OrionLLM для длительных агентных сценариев и сложных задач рассуждения. Она основана на Ornith-1.0-9B и, согласно README, содержит 9 млрд параметров; метаданные указывают архитектуру семейства Qwen 3.5 и поддержку диалогов и изображений. Модель предназначена для многошагового планирования и выполнения локальных рабочих процессов, сложного программирования, отладки и рефакторинга, продвинутой математики и логических задач. Разработчик заявляет, что модель рассчитана на продолжительные взаимодействия с сохранением цели и может работать на оборудовании с ограниченными ресурсами GPU. В качестве входа поддерживаются текст и изображения, выход — текст. В README не указаны поддерживаемые естественные языки и длина контекста. Модель распространяется по лицензии Apache 2.0; заявленные характеристики качества и эффективности представлены разработчиком, поэтому их следует оценивать с учётом конкретного сценария.

Карточка модели Rampage1219hf/Hermes-4.3-36B на Hugging Face совпадает с карточкой NousResearch/Hermes-4.3-36B, поэтому описание составлено по ней. Hermes 4.3 36B — языковая модель для диалогов и следования инструкциям, разработанная Nous Research на основе ByteDance-Seed/Seed-OSS-36B-Base. Это плотная архитектура Seed OSS с 31,7 млрд параметров и контекстом до 524 288 токенов; модель распространяется в формате safetensors и рассчитана прежде всего на английский язык. Модель предназначена для рассуждений и ответов общего назначения, включая задачи по математике, программированию, STEM, логике и творческому письму. Она поддерживает гибридный режим рассуждений, вызов инструментов, а также формирование структурированных ответов и JSON по заданной схеме. Для диалогов используется шаблон чата Hermes на основе формата Llama 3. По описанию разработчика, при дообучении использовался корпус примерно из 5 млн примеров и 60 млрд токенов, с акцентом на проверяемые цепочки рассуждений и точное соблюдение формата. Модель выпущена под лицензией Apache-2.0. Для запуска на сервере с несколькими GPU разработчик рекомендует движки инференса вроде SGLang или vLLM; качество и скорость зависят от настроек и аппаратного обеспечения.

genevaquant/Hermes-4-405B-u — вариант Hermes 4 405B от GenevaQuant, созданный на основе NousResearch/Hermes-4-405B. Это плотная авторегрессионная модель семейства Llama 3.1 с 403,7 млрд параметров и контекстом до 131 072 токенов. Репозиторий содержит веса Safetensors и исправления шаблона чата Unsloth; для llama.cpp в карточке рекомендуется режим --jinja. Модель предназначена для диалогов и следования инструкциям, рассуждений, задач по математике, программированию, STEM и логике, а также генерации ответов в заданном формате, включая JSON. Поддерживает интерфейс вызова инструментов. README описывает гибридный режим рассуждений и заявляет улучшения в управляемости, качестве рассуждений и структурированной генерации. Карточка указывает английский язык. Это крупная модель, для обслуживания которой README рекомендует многопроцессорные серверы с SGLang или vLLM; качество и корректность структурированного вывода зависят от промпта и настроек инференса. Лицензия репозитория — Llama 3; ознакомьтесь с её условиями перед использованием.

unsloth/Kimi-K2.7-Code-GGUF — GGUF-квантизированная версия Kimi K2.7 Code, разработанная Moonshot AI и подготовленная Unsloth. Модель ориентирована на агентное программирование и выполнение сложных долгосрочных задач разработки программного обеспечения, включая сквозные рабочие процессы с кодом. По данным README, по сравнению с Kimi K2.6 она повышает качество на практических задачах и примерно на 30% сокращает расход токенов рассуждения. Модель использует архитектуру Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров. Она содержит 61 слой, 384 эксперта, из которых для каждого токена выбираются 8, механизм внимания MLA, активацию SwiGLU и словарь размером 160 тысяч токенов. Контекстное окно составляет 256 тысяч токенов. Также предусмотрен vision-энкодер MoonViT на 400 млн параметров, поэтому модель поддерживает обработку визуальной информации наряду с текстом и кодом. Главные сильные стороны — специализация на программировании, агентных сценариях, работе с длинным контекстом и высокая токеновая эффективность. Ограничениями являются очень большой общий размер модели и значительные требования к вычислительным ресурсам: согласно README, вариант UD-Q8_K_XL занимает около 595 ГБ, а характеристики конкретных GGUF-квантов могут отличаться. Модель распространяется по лицензии Modified MIT; точные условия следует проверять в прилагаемом файле лицензии.

insraq/LFM2.5-2.6B-heretic — созданная с помощью Heretic v1.4.0 декензурированная версия языковой модели LiquidAI LFM2.5-2.6B. Это плотная гибридная текстовая модель семейства LFM2 для генерации текста и диалогов, содержащая 2,6 млрд параметров и рассчитанная на контекст до 128 000 токенов. По карточке исходная LFM2.5 обучена для локального и периферийного развёртывания, поддерживает многоязычный ввод и вывод, следование инструкциям и работу с инструментами. Модель подходит для агентных сценариев, вызова инструментов, извлечения данных, RAG и работы с длинным контекстом. В тесте из карточки версия Heretic дала 3 отказа из 100 против 95 из 100 у исходной модели; это указывает на снижение склонности к отказам, но не гарантирует корректность или безопасность ответов. Карточка не приводит отдельную лицензию этой производной модели; метаданные указывают лицензию «other».

LightOnOCR-1B-1025 — компактная мультимодальная модель LightOnAI для распознавания текста и понимания документов по изображениям. Это плотная модель семейства Mistral3 с генеративной архитектурой LightOnOCRForConditionalGeneration; репозиторий содержит полную версию весов BF16. Модель предназначена для извлечения текста из сканов и страниц PDF, а также для работы с таблицами и формами. Модель обучена на многоязычных документах: научных статьях, книгах, чеках, счетах, таблицах и формах, включая рукописный текст. В карточке заявлены европейские языки с латинской письменностью; README характеризует вариант как многоязычный. Авторы отмечают высокую скорость и точность для своего размерного класса. Для обработки PDF рекомендуется преобразовать страницы в PNG или JPEG с максимальной стороной около 1540 пикселей, сохраняя пропорции; поддерживается обработка страниц по одной. Модель распространяется по лицензии Apache-2.0. README рекомендует BF16-вариант для инференса и дальнейшего дообучения; для обучения упомянуты LoRA и адаптация к предметным документам. В карточке также отмечено, что LightOnOCR-2 является более новой версией. Заявленные в README результаты производительности и точности приведены авторами и зависят от оборудования и условий оценки.

LightOnOCR-2-1B-bbox-base — созданный LightOn для дообучения базовый чекпойнт модели LightOnOCR-2. Это плотная vision-language модель семейства Mistral3 с 1 млрд параметров: она принимает изображения страниц документов и генерирует распознанный текст вместе с координатами ограничивающих рамок. Модель предназначена для OCR и извлечения текста из PDF, сканов и изображений с сохранением естественного порядка чтения. Чекпойнт до этапа RLVR рассчитан на адаптацию под конкретные документы и сценарии, где нужна локализация текста; поддерживает дообучение LoRA и обучение с наградой на основе IoU. Семейство LightOnOCR-2 ориентировано на эффективное распознавание документов, включая таблицы, формы, LaTeX и французские материалы. В карточке перечислена поддержка английского, французского, немецкого, испанского, итальянского, нидерландского, португальского, шведского, датского, китайского и японского языков. Для PDF рекомендуется рендерить каждую страницу в PNG или JPEG с максимальной стороной около 1540 пикселей. Для работы требуется версия Transformers, установленная из исходного кода. Лицензия — Apache-2.0.

LightOnOCR-2-1B-ocr-soup — объединённая версия модели LightOnOCR-2 от LightOnAI. Это плотная vision-language-модель семейства Mistral3 с 1 млрд параметров, предназначенная для преобразования страниц документов в текст с сохранением естественного порядка чтения. Она принимает изображения страниц, в том числе отрисованные из PDF, и подходит для распознавания сканов, таблиц, форм, научных статей и LaTeX. Вариант ocr-soup объединяет базовый чекпойнт с весами, обученными методом RLVR, с помощью слияния task arithmetic; авторы заявляют о более стабильной работе на сложных категориях документов. Для LightOnOCR-2 также заявлены улучшенное покрытие французских документов, arXiv и сканов, а также более чистая нормализация текста. Модель рассчитана на работу через Transformers, поддерживает визуальный ввод и диалоговый интерфейс; для использования требуется версия Transformers, установленная из исходного кода. В карточке приведены сравнительные заявления о скорости и результатах на OlmOCR-Bench, но подробности методики отнесены к статье. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Для подготовки PDF рекомендуется отрисовывать каждую страницу в PNG или JPEG с максимальной стороной около 1540 пикселей; качество может зависеть от рендеринга и сложности документа.

NVIDIA Llama 3.1 405B Instruct NVFP4 — квантованный чекпойнт Meta Llama 3.1 405B Instruct, подготовленный NVIDIA с помощью TensorRT Model Optimizer. Это авторегрессионная плотная трансформерная языковая модель семейства Llama для генерации текста по инструкциям, диалога и интерфейсов вызова инструментов. Веса и активации линейных операторов в блоках трансформера квантованы до FP4; заявленное сокращение требований к диску и памяти GPU составляет примерно 3,5 раза. Модель содержит 403,7 млрд параметров и поддерживает контекст до 131 072 токенов. Модель принимает текст и выдаёт текст. Для инференса предусмотрен TensorRT-LLM; README указывает совместимость с архитектурой NVIDIA Blackwell и Linux. Можно применять для диалоговых ассистентов, генерации и преобразования текста по инструкциям, а также сценариев с вызовом инструментов. README заявляет возможность коммерческого и некоммерческого использования; лицензия в метаданных — llama3.1. Квантование может влиять на точность, а для запуска требуется совместимое оборудование и программный стек TensorRT-LLM.

LongCat-Flash-Chat — разговорная языковая модель Meituan для генерации ответов и выполнения агентных задач. Она основана на архитектуре Mixture-of-Experts (MoE) и поддерживает интерфейс вызова инструментов. В README указано 560 млрд параметров всего и в среднем около 27 млрд активируемых на токен; метаданные Hugging Face указывают 17,7 млрд параметров, поэтому размер модели в источниках расходится. Контекст составляет до 131 072 токенов. Модель предназначена для диалогов, задач с инструментами, многошагового взаимодействия, а также задач рассуждения и программирования. В README модель описана как non-thinking; авторы сообщают о высокой пропускной способности инференса и конкурентных результатах на своих оценках. Доступны веса в формате safetensors. Лицензия — MIT. Авторы предупреждают, что модель не была специально разработана и всесторонне проверена для всех возможных прикладных сценариев.

Lumma-0.6B-Extract — компактная специализированная языковая модель FrontiersMind для извлечения структурированных данных из текста. Это дообученная версия Lumma-0.6B-Base с плотной архитектурой NandiForCausalLM и примерно 800,5 млн параметров. Модель рассчитана на однократное извлечение: пользователь задаёт JSON-шаблон с нужными полями, а модель формирует ответ в соответствующей структуре. Модель подходит для извлечения имён, дат, организаций, мест, товаров и атрибутов из текстов счетов, маршрутов поездок, распознанных OCR документов, писем, отчётов и сообщений. Её можно применять в конвейерах обработки документов и данных, в том числе при ограниченных вычислительных ресурсах. Контекст составляет 12 288 токенов; карточка указывает поддержку английского языка, а многоязычная поддержка индийских языков обозначена как планируемая. Внутренний тест разработчика охватывал около 500 документов разных типов; подробные результаты и сам набор данных в карточке не приведены. Модель распространяется в формате Safetensors через Transformers по лицензии Apache-2.0.