I.14Автоматизация процессов и AI-агенты

yasserrmd/LFM2-350M-Extract-TOON — дообученная с помощью LoRA модель на базе LiquidAI/LFM2-350M-Extract, созданная с использованием Unsloth и датасета yasserrmd/TOON-Unstructured-Structured. Она преобразует текст на естественном языке в структурированный формат TOON по заданной схеме; модель относится к семейству LFM2 и имеет около 444,6 млн параметров, а её контекст составляет 128 000 токенов. Модель предназначена для извлечения полей из неструктурированных текстов, компактного представления данных в конвейерах LLM и подготовки структурированных наборов данных. Лучше всего работает с короткими и средними текстами при явно заданной схеме. Карточка заявляет детерминированную генерацию TOON, но приводит только метрики обучения, а не независимую оценку качества. Доступна по лицензии Apache-2.0. Дообучение проводилось на англоязычных данных; многоязычная настройка не выполнялась. Для точного извлечения требуется явное описание схемы, а при общих запросах точность может снижаться.

Карточка модели hemanthdegapudi/LFM2.5-1.2B-Instruct на Hugging Face совпадает с карточкой LiquidAI/LFM2.5-1.2B-Instruct, поэтому описание составлено по ней. LFM2.5-1.2B-Instruct — плотная гибридная языковая модель Liquid AI для локального и периферийного развертывания. Это версия общего назначения, дообученная следовать инструкциям на базе LiquidAI/LFM2.5-1.2B-Base. В карточке указано 1,17 млрд параметров, 16 слоёв (10 блоков double-gated convolution и 6 блоков GQA), а метаданные Hugging Face указывают 1,5 млрд параметров. Модель принимает текст и генерирует текст; поддерживает контекст до 32 768 токенов по README, тогда как метаданные каталога указывают нативный контекст 128 000 токенов. Модель рассчитана на агентные сценарии, извлечение данных, ответы по документам в RAG и вызов функций. Liquid AI заявляет высокую скорость локального вывода и возможность работы с ограниченной памятью. Поддерживаемые языки: английский, арабский, китайский, французский, немецкий, японский, корейский и испанский. Модель не рекомендуется для задач, требующих обширных знаний, и программирования. Лицензия обозначена в метаданных как other; конкретные условия следует сверить с лицензией репозитория.

alpharomercoma/LFM2.5-2.6B-heretic — текстовая модель, созданная на основе LiquidAI/LFM2.5-2.6B с помощью направленной абляции отказного направления в остаточном потоке и подбора весов абляции по слоям. Веса объединены, поэтому модель загружается как обычная Lfm2ForCausalLM; размер составляет 2,6 млрд параметров, а контекст — до 131 072 токенов. Модель предназначена для генерации текста и диалогов. В ней сохранены шаблон чата и токены вызова инструментов базовой модели; многоязычные возможности и сценарии локального запуска, включая RAG и длинноконтекстные агентные задачи, унаследованы от неё. В репозитории находятся веса Safetensors для Transformers, а не готовая скомпилированная сборка ExecuTorch. Абляция снижает склонность модели отказывать, стараясь сохранить близость к исходному поведению по KL-дивергенции. При этом намеренно удалена защитная настройка базовой модели, поэтому ответы могут включать небезопасный контент. Лицензия обозначена как «other»; README не уточняет её условия.

Dingdust выпустил Dingdust/LFM2.5-350M-heretic — производную текстовую модель Liquid AI LFM2.5-350M-Base с архитектурой LFM2 и 444,6 млн параметров. По карточке это версия с abliteration: в приведённом сравнении частота отказов снизилась с 89 до 7 на 100 запросов; модель рассчитана на диалоговую генерацию текста и локальный запуск. Для базовой модели в README описаны извлечение данных, выдача структурированных результатов и вызов инструментов. Указаны 16 слоёв, гибридные сверточные блоки и блоки GQA, а также поддержка девяти языков: английского, арабского, китайского, французского, немецкого, японского, корейского, португальского и испанского. Метаданные указывают контекст 128 000 токенов; README базовой модели приводит 32 768 токенов, поэтому фактическая длина контекста именно этой производной версии по источникам неясна. Лицензия обозначена как other, без дополнительных условий в предоставленных данных.

LFM2.5-VL-450M-Extract — компактная мультимодальная модель Liquid AI для извлечения заданных пользователем полей из изображений. В запросе задают схему полей в YAML, а модель возвращает объект JSON; также поддерживаются перечисления допустимых значений. Модель построена на архитектуре LFM2-VL с визуальным энкодером SigLIP2 и гибридным свёрточно-внимательным бэкбоном. README указывает 350 млн параметров языковой части и около 100 млн параметров энкодера; в метаданных размер не приведён. Модель предназначена для структурированного извлечения визуальных атрибутов в производственных конвейерах: например, для разметки товарных изображений или обнаружения событий безопасности. Её можно использовать без дообучения либо адаптировать для конкретного домена. В описанном бенчмарке для одиночного изображения, схемы YAML и плоского JSON модель показала 98,9% валидности JSON и 98,8 F1 согласованности схемы. Эти результаты не следует переносить на многокадровые рассуждения и свободные визуальные вопросы. Карточка не сообщает конкретную лицензию: в метаданных указано значение «other».

lid-neural-25.2 — модель определения языка от olaverse, дообученная на базе xlm-roberta-base как классификатор последовательностей. Она предназначена для коротких текстов длиной до 128 токенов: вопросов, поисковых запросов, сообщений чата и других коротких пользовательских вводов. Модель распознаёт 25 языков, включая русский, английский, французский, хинди, японский и зулу; размер по метаданным — 305,2 млн параметров. Данные README приводят оценку точности 98,2% на коротких текстах.

xbikevn/LightOnOCR-2-1B-vi-vllm — дообученная версия LightOnOCR-2-1B от LightOn, опубликованная пользователем xbikevn. Это компактная мультимодальная модель семейства Mistral3 для распознавания текста и структуры документов по изображениям и страницам PDF. В метаданных Hugging Face указан тег text-generation и возможность диалогового взаимодействия; карточка не приводит подробностей о датасете и оценке качества. Модель подходит для извлечения текста и структуры из документов, если этот сценарий подтверждён возможностями базовой модели. Она принимает текстовые запросы и изображения, а результат выдаёт в текстовом виде. Лицензия — Apache-2.0. README не раскрывает специальные ограничения или характеристики именно этого дообучения.

Модель разработана Pierre Guillou и представляет собой LiLT на базе XLM-RoBERTa, дообученную для анализа структуры документов на абзацном уровне. Она классифицирует фрагменты документа по 11 типам: подпись, сноска, формула, элемент списка, колонтитулы, заголовок раздела, изображение, таблица, текст и заголовок документа. Модель использует текст и пространственные признаки разметки страницы; при обработке абзацы разбиваются на фрагменты до 512 токенов с перекрытием 128 токенов. Размер составляет 305,2 млн параметров, контекст — 514 токенов. Модель предназначена для извлечения структуры из PDF и других документов, включая финансовые отчёты, руководства, научные статьи, законы, нормативные документы, патенты и государственные тендеры. В README указаны точность классификации токенов 86,34% и абзацев 68,15%; качество заметно различается между классами, а для сносок и заголовков документа приведён нулевой результат на оценочном наборе. Метаданные указывают языки английский, немецкий, французский и японский, а также лицензию MIT.

deltanym/llama3.1-base-instruct-gradient-1 — объединённая автором модель на архитектуре Llama 3.1, созданная методом SLERP с помощью mergekit из meta-llama/Llama-3.1-8B и meta-llama/Llama-3.1-8B-Instruct. Это плотная причинная языковая модель примерно на 7,5 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; метаданные указывают поддержку интерфейса вызова инструментов. Модель принимает текст и выдаёт текст, использует библиотеку Transformers, веса опубликованы в формате safetensors, а длина контекста составляет 131 072 токена. Модель подходит для диалоговых ассистентов, генерации и продолжения текста, а также сценариев с вызовом инструментов. Инструкционно настроенная базовая модель поддерживает несколько языков, однако точный перечень языков для этого слияния не приведён. Лицензия в предоставленных данных не указана. Результат слияния может отличаться по поведению от обеих исходных моделей; качество и ограничения отдельно не описаны.

Marco-DeepResearch-8B — агентная языковая модель для глубокого веб-исследования, разработанная Alibaba International Digital Commerce (AIDC-AI) и дообученная на базе Qwen/Qwen3-8B. Модель использует плотную архитектуру Qwen3ForCausalLM и содержит 7,6 млрд параметров. Она предназначена для многошагового поиска информации, рассуждений и проверки сведений по нескольким веб-источникам; взаимодействует с инструментами через формат вызова функций, совместимый с OpenAI. Модель рассчитана на контекст до 131 072 токенов и поддерживает английский и китайский языки. В обучении и выводе применяются синтез данных с проверкой, построение траекторий с поисковым и проверяющим агентами, а также проверка ответов самой моделью; в описанных бенчмарках подход с масштабированием на этапе вывода улучшил средний результат на 12,1 пункта. Репозиторий содержит веса Safetensors и доступен по лицензии Apache-2.0. Результаты зависят от качества и доступности подключённых веб-поисковых инструментов и API. Дополнительные циклы проверки увеличивают затраты на вывод, а оптимизация для поиска информации не гарантирует обобщения на любые задачи рассуждения.

Matter-0.1-7B-DPO-preview — диалоговая языковая модель семейства Mistral, разработанная 0-hero. Это версия Mistral 7B, дообученная методом DPO на наборе Matter, сформированном из более чем 35 датасетов; модель содержит 7,1 млрд параметров и использует архитектуру MistralForCausalLM. Она предназначена для диалогов и генерации текста, а также поддерживает интерфейс вызова функций. Для общения используется формат ChatML, контекст составляет до 32 768 токенов. Карточка указывает английский язык. Модель распространяется под лицензией Apache-2.0.

md-reheader — созданная Джоэлом Барметтлером в Souverana модель на базе Qwen3, дообученная для восстановления уровней заголовков в Markdown-документах. Она анализирует структуру текста и предсказывает для каждого заголовка уровень H1–H6; модель рассчитана на обработку Markdown, полученного, например, при конвертации PDF, и на запуск локально через CLI, Python API или сервер vLLM. Модель имеет плотную архитектуру Qwen3ForCausalLM и содержит 507,9 млн параметров. Она принимает текст и генерирует текст с восстановленной иерархией заголовков; основной язык обучения — английский. Контекстное окно составляет 40 960 токенов, однако README указывает, что после предварительного удаления основного текста документы длиннее 8 000 токенов обрезаются: заголовки за пределами этого предела сохраняют исходный уровень. Модель специализируется на одной задаче, поэтому подходит для автоматизации подготовки Markdown перед навигацией и разбиением документов на фрагменты для RAG. Лицензия — Apache-2.0.

MedOCR-Vision — модель компьютерного зрения для распознавания текста и структуры медицинских документов, разработанная как работа для ERNIE AI Developer Challenge. Она дообучена методом LoRA на базе unsloth/PaddleOCR-VL и ориентирована на рецепты, лабораторные отчёты и медицинские формы; также подходит для счетов, чеков и других деловых документов. В метаданных указаны архитектура PaddleOCR-VL, 318,2 млн параметров, контекст 131072 токена, библиотека Transformers и формат safetensors. README описывает обучение на наборе из 2462 медицинских и общих документов и сообщает о смешанной точности BF16/FP16. Модель принимает изображения и выдаёт распознанный текст. По описанию, обучение улучшило извлечение медицинских сведений, включая заголовки, результаты анализов и референсные диапазоны. Основной язык документов — английский. Модель предназначена для оцифровки документов, а не для постановки диагнозов; качество может снижаться на низкокачественных изображениях, сложном почерке и типах документов, отличающихся от обучающих. Лицензия — MIT.

MiniCPM5-Vision-2B — мультимодальная модель компьютерного зрения и языка, опубликованная ewin-reg. Она сочетает визуальный энкодер SigLIP-SO400M-Patch14-384 с языковой основой openbmb/MiniCPM5-2B через обучаемый проектор и использует динамическое разбиение изображений на фрагменты. Языковая часть содержит 2 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для анализа изображений высокого разрешения, распознавания текста в документах, извлечения табличных данных и ответов на вопросы по изображениям и диаграммам. В README описано дообучение с LoRA и учебная программа, включающая DocVQA и ChartQA; метаданные также указывают визуальную привязку. Карточка заявляет поддержку английского и китайского языков. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Заявленные результаты обучения и оценки приведены в README, однако его таблица бенчмарков неполна, а независимые показатели качества не представлены. Для обработки изображений высокого разрешения применяется разбиение на фрагменты, поэтому подробные изображения могут требовать больше вычислительных ресурсов.

Mirai Nova — дообученная LocalAI модель на архитектуре Llama 3, созданная для генерации текста и диалогов. Разработчики ориентируют её на вызов функций и отмечают усиленные способности к рассуждению; модель также подходит для общих текстовых задач. В LocalAI она рассчитана на работу с вызовом функций через грамматики. Чекпойнт содержит 7,5 млрд параметров, поддерживает контекст до 8192 токенов и распространяется в формате safetensors. Сведений о лицензии в использованных данных нет.

massaindustries/modernbert-capability-classifier — дообученная модель классификации текста на базе ModernBERT-base от Answer.AI. Она оценивает текст по шести измерениям возможностей: следование инструкциям, программирование, математические рассуждения, знания о мире, планирование и агентные задачи, творческий синтез. Модель предназначена для маршрутизации запросов в семантическом роутере Brick и может служить заменой классификатору предметных областей. Архитектура — ModernBERT с линейным классификационным слоем на шесть выходов; модель выдаёт оценки от 0 до 1 для каждого измерения и поддерживает многометочную классификацию. Она обучена на massaindustries/dataset-B-modernbert-train с мягкими метками. Число параметров — 394,7 млн, максимальный контекст — 8192 токена. Для применения нужна токенизация текста; выходы представляют собой оценки классов, а не готовые ответы на запросы. Лицензия — Apache-2.0.

NuExtract-tiny — компактная языковая модель NuMind для извлечения структурированной информации из текста. Она основана на Qwen1.5-0.5B и дообучена на частном высококачественном синтетическом наборе данных. Модель принимает текст и JSON-шаблон с полями, которые нужно извлечь, и генерирует результат в заданной структуре. Архитектура — плотная Qwen2ForCausalLM; модель содержит 463,9 млн параметров, использует формат safetensors и имеет контекстное окно 32 768 токенов по метаданным. В README для извлечения рекомендуется передавать текст длиной менее 2 000 токенов. Модель рассчитана на извлечение фактов, сущностей и других заданных полей без перефразирования: согласно карточке, весь её текстовый вывод должен присутствовать в исходном тексте. Она показывает хорошие результаты без примеров, однако разработчик рекомендует дообучать её под конкретную задачу как минимум на 30 примерах. Карточка отмечает, что версия устарела. Лицензия — MIT.

Orca-4B-Thinking — языковая модель для диалогов и задач, требующих многошаговых рассуждений. Согласно README, модель разработана на основе Qwen3-4B и дообучена в стиле DeepSeek-R1 на наборах OpenThoughts-114k и Mixture-of-Thoughts; метаданные связывают её с Qwen/Qwen3.5-4B. Карточка описывает причинную плотную архитектуру Qwen3, а метаданные указывают 3,7 млрд параметров и контекст до 262 144 токенов. Модель предназначена для генерации развёрнутых рассуждений и ответов в математике, программировании, естественных науках и головоломках, а также для следования инструкциям и работы с инструментами. README сообщает о режиме Thinking и приводит оценочные результаты бенчмарков, поэтому заявленные улучшения производительности не следует считать независимой проверкой. Поддерживаются английский, немецкий, испанский, французский и китайский языки по тегам метаданных. Лицензия — Apache-2.0.

PaddleOCR-VL-1.6 GGUF — мультимодальная модель для преобразования изображений и текста в текст, предназначенная прежде всего для интеллектуального распознавания и разбора документов. Модель разработана командой PaddlePaddle как развитие PaddleOCR-VL-1.5 и ориентирована на OCR, извлечение структуры документа, анализ макета, таблиц, формул, графиков, печатей и обнаружение отдельных элементов на изображении. В репозитории представлена GGUF-версия модели, сгенерированная с использованием llama.cpp. В README не указаны точный размер модели, архитектура, длина контекста и конкретные параметры квантования. Заявлена поддержка английского, китайского и других многоязычных сценариев. Модель может быть полезна для автоматической обработки сканированных документов, счетов, отчетов и других визуально сложных материалов, где требуется не только распознать текст, но и сохранить сведения о структуре и расположении элементов. К сильным сторонам относятся мультимодальный анализ документов и широкий набор поддерживаемых типов содержимого. Ограничения и результаты сравнительных тестов в карточке не приведены, поэтому качество на конкретных языках, форматах документов и аппаратных конфигурациях следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

PolizzeDonut-SoloPDF-3Epochs-tot — модель преобразования изображений документов в текст, дообученная на базе naver-clova-ix/donut-base. Архитектура — vision-encoder-decoder Donut; репозиторий содержит веса в формате safetensors. Модель предназначена для извлечения текста и структурированных сведений из изображений документов, в частности страховых полисов, что следует из названия модели и специализации базовой Donut. На оценочном наборе указана функция потерь 0,3961. В карточке не описаны конкретные поля извлечения, языки и ограничения качества, поэтому применять модель стоит с проверкой полученных результатов. Лицензия — MIT.

PP-DocLayoutV2 — лёгкая модель PaddlePaddle для анализа структуры документов. Она обнаруживает и классифицирует элементы макета, а затем определяет порядок их чтения. Архитектура состоит из детектора на основе RT-DETR и следующей за ним pointer network, которая упорядочивает найденные рамки и метки классов. Модель предназначена для обработки страниц документов: выявления структурных элементов и восстановления последовательности чтения. В метаданных указаны английский и китайский языки, библиотека PaddleOCR и формат весов safetensors. Лицензия — Apache-2.0.

Qwen2.5-VL-3B-Instruct-GGUF — мультимодальная instruction-tuned модель семейства Qwen2.5-VL, основанная на Qwen/Qwen2.5-VL-3B-Instruct и представленная в формате GGUF. Модель разработана командой Qwen; репозиторий связан с Unsloth. Она предназначена для обработки текста и визуальных данных, включая изображения и видео, с поддержкой сценариев визуального вопросно-ответного взаимодействия, анализа документов, диаграмм, таблиц, форм и интерфейсов, а также визуальной локализации объектов и компьютерного или мобильного управления. Модель содержит около 3 млрд параметров. В её архитектуре используются языковая модель Qwen2.5, vision encoder на базе ViT с оконным вниманием, SwiGLU и RMSNorm, динамическое разрешение изображений и динамическая частота дискретизации видео. Она способна анализировать продолжительные видеозаписи, выделять релевантные моменты, формировать структурированные результаты, включая JSON, и выдавать координаты объектов в виде ограничивающих рамок или точек. В карточке указана поддержка английского языка; размер контекстного окна не приведён. Сильные стороны модели — сочетание компактного размера с возможностями анализа изображений, документов и видео, визуального рассуждения, извлечения текста и структурированных данных. Ограничения включают меньший размер по сравнению с моделями Qwen2.5-VL на 7 и 72 млрд параметров, поэтому качество может быть ниже на сложных задачах; также в карточке не приведены требования к ресурсам, точный вариант квантования GGUF и полный перечень поддерживаемых языков. Использование регулируется лицензией qwen-research.

trohrbaugh/Qwen3.5-122B-A10B-heretic — мультимодальная разговорная модель на основе Qwen3.5, опубликованная пользователем trohrbaugh. Это вариант с abliteration: в README указано, что на тесте из 100 запросов отказов было 9 против 99 у исходной модели; приведённое значение KL divergence — 0,0916. Модель принимает текст и изображения и предназначена для диалога, визуального понимания, рассуждений и использования инструментов. Архитектура сочетает vision encoder, Gated Delta Networks и разреженный Mixture of Experts: всего 122 млрд параметров, из которых активны 10 млрд; 48 слоёв, 256 экспертов, из которых на токен активируются 8 маршрутизируемых и 1 общий. Контекст — 262 144 токена с расширением до 1 010 000. Репозиторий содержит веса в формате safetensors для Transformers и совместимых движков. README сообщает об исправлении раскладки MoE-весов 2 мая 2026 года и рекомендует заново получить репозиторий, если он был клонирован раньше. Модель поддерживает широкий набор языков; в README для семейства Qwen3.5 заявлена поддержка 201 языка и диалекта. Лицензия — Apache-2.0. Показатель отказов относится только к описанному в карточке тесту и не гарантирует поведение на других запросах; характеристика abliteration также не означает отсутствия всех ограничений или защитных механизмов.

neuralnetworker разработала Qwen3.5-9B Korean Enterprise Document OCR — дообученную версию Qwen3.5-9B для чтения и структурирования корейских корпоративных документов. Модель имеет плотную архитектуру Qwen3.5ForConditionalGeneration, содержит 7,2 млрд параметров и использует формат Safetensors. Контекстное окно составляет 262 144 токена. Модель предназначена для image-to-text задач: корректировки результатов OCR, преобразования документов в Markdown, восстановления таблиц и форм, описания графиков и извлечения полей в JSON. Её рекомендуют использовать после OCR-движка, который извлекает текст из изображений или PDF; модель очищает и структурирует полученный материал. Дообучение выполнено на 307 272 примерах документов, преимущественно для корейских корпоративных сценариев; также заявлена работа с англоязычными и смешанными корейско-английскими документами. Модель может ошибаться на низкокачественных сканах, рукописном тексте, печатях, перекошенных страницах и сложных таблицах с объединёнными ячейками. Описания графиков требуют опоры на содержимое документа, иначе возможна чрезмерная интерпретация. В критически важных бизнес-процессах результат следует проверять человеком. Лицензия в предоставленных данных не указана.

Qwen3.6-14B-A3B-FableVibes-GGUF — модель tvall43 на базе Qwen3.6-14B-A3B-FableVibes, представленная в формате GGUF для запуска на локальном оборудовании. Это обобщённая модель рассуждений, дообученная на трассах рассуждений Claude Fable 5 и дополненная данными Claude Opus, Qwen для tool calling и Evol-Instruct-Code. Модель предназначена для генерации текста, решения сложных задач с многошаговым рассуждением, программирования и сценариев, связанных с вызовом инструментов. Она использует архитектуру MoE с примерно 14B активных параметров после pruning исходной модели Qwen3.6-35B-A3B. Поддерживается мультимодальный режим через файлы mmproj, однако конкретные характеристики контекстного окна и полный перечень поддерживаемых языков не указаны. Модель ориентирована на англоязычные сценарии. К сильным сторонам относятся структурированное рассуждение, улучшенные способности к работе со сложными задачами и возможность запуска на потребительском оборудовании благодаря нескольким вариантам квантования: от F16 до Q2_K. Модель поддерживает llama.cpp и совместимые интерфейсы, включая LM Studio, Ollama и text-generation-webui. Ограничениями являются повышенная задержка до первого токена из-за режима thinking, значительный расход токенов на рассуждение и возможное снижение качества в сильно сжатых вариантах квантования. Распространяется по лицензии Apache-2.0.

Qwen3.6-Whittle-25B-A3B — текстовая MoE-модель для диалогов и генерации текста, созданная автором проекта Whittle на основе Qwen3.6-35B-A3B. В основной версии репозитория удалены 30% маршрутизируемых экспертов базовой модели (256 → 180 на слой), а оставшиеся веса дообучены с помощью самодистилляции от исходной модели. Общее число параметров по метаданным — 2,9 млрд; модель поддерживает контекст до 262 144 токенов. В репозитории также описаны отдельные экспериментальные и GGUF-артефакты, поэтому характеристики конкретных файлов различаются. Модель предназначена для диалогов, следования инструкциям и агентных сценариев; метаданные отмечают интерфейс вызова инструментов. Карточка приводит результаты небольших проверок и указывает на близкую к исходной модели точность в отдельных заданиях, но эти результаты основаны на малом числе примеров. Для текстового и кодового дополнения в стиле базовой модели автор отмечает потерю качества без удалённой n-граммной памяти. Метаданные указывают лицензию Apache-2.0.

Qwen3.8-27B-AEON-Ultimate-Uncensored-UD-GGUF — набор GGUF-квантизованных версий модели Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16 от AEON-7. Модель предназначена для генерации текста, включая диалоги, работу с кодом, рассуждениями и агентскими сценариями с function calling. Указана поддержка английского и китайского языков, а также vision через компонент mmproj. Это гибридная архитектура GatedDeltaNet и attention: 48 из 64 слоёв используют рекуррентный SSM-механизм. В поставку входят варианты AWQ-UD и Baseline UD с квантизацией Q8_0, Q6_K, Q5_K_M и IQ4_XS; размеры файлов составляют примерно 25,9–34,7 ГБ. При квантизации рекуррентные тензоры SSM сохраняются в исходной точности, применяются матрица важности и чувствительные к тензорам настройки точности. Поддержаны MTP для speculative decoding и контекст калибровки до 32 768 токенов, однако максимальный контекст модели в README не указан. AWQ-UD рекомендуется как вариант с более низкой perplexity, тогда как Baseline UD ближе к распределению выходов F16 по KL-divergence. Модель рассчитана на запуск через llama.cpp; для максимальной производительности README также указывает SGLang с DFlash2. Ограничения включают зависимость качества и скорости от выбранного кванта и аппаратного обеспечения, а также отсутствие подробных данных о возможностях vision и точных требованиях к памяти. Лицензия — Apache-2.0.

Qwen3-Next-80B-A3B-Instruct-Amy — дообученная автором haron1100 модель для генерации текста и диалогов. Она основана на разреженной архитектуре Qwen3-Next MoE и поддерживает вызов инструментов через соответствующий интерфейс. Репозиторий содержит веса в формате safetensors; обучение выполнялось с Unsloth и библиотекой Hugging Face TRL. Модель принимает текст и генерирует текст, в том числе ответы в диалоге. Унаследованная длина контекста составляет 262 144 токена; метаданные указывают английский язык. Модель опубликована по лицензии Apache-2.0.

Qwen3-VL-2B-Instruct-GGUF — это мультимодальная модель семейства Qwen, разработанная командой Qwen. Репозиторий содержит веса модели Qwen3-VL-2B-Instruct в формате GGUF: языковой компонент доступен в вариантах FP16, Q8_0 и Q4_K_M, а vision encoder — в FP16 и Q8_0. Модель предназначена для запуска через llama.cpp, Ollama и другие инструменты, совместимые с GGUF, на CPU, NVIDIA GPU, Apple Silicon и Intel GPU. Модель работает с текстом и изображениями, а семейство Qwen3-VL также ориентировано на понимание видео. Она предназначена для визуального вопросно-ответного взаимодействия, распознавания и анализа изображений, OCR, пространственного рассуждения, мультимодального reasoning, генерации кода и сценариев visual agent, включая взаимодействие с графическими интерфейсами и инструментами. Заявлены контекст до 256 тысяч токенов с возможностью расширения до 1 миллиона, поддержка OCR на 32 языках, улучшенное понимание пространственных отношений, видео и документов. К ключевым архитектурным особенностям относятся Interleaved-MRoPE для временных и пространственных представлений, DeepStack для объединения признаков разных уровней vision encoder и выравнивание текста с временными метками для анализа видео. Сильными сторонами являются сочетание компактного размера, мультимодальности, вариантов квантования и возможности локального запуска, однако README не содержит подробных численных результатов бенчмарков, полного перечня языков, точных требований к памяти и детального описания ограничений качества. Распространение модели выполняется по лицензии Apache-2.0.

ratlinghitman/qwen3vl-2b-receipt-extraction — дообученная с помощью LoRA модель Qwen3-VL-2B-Instruct для извлечения данных из фотографий и сканов розничных чеков. Модель принимает изображение чека и запрос, затем формирует JSON с позициями меню, промежуточной и итоговой суммами; значения передаются как строки, переписанные с чека. Модель основана на Qwen3-VL-2B-Instruct с архитектурой Qwen3-VL и обучена на датасете CORD-v2. Адаптер LoRA применён к языковой части модели, а зрительная часть оставлена замороженной. На тестовой выборке из 100 чеков автор сообщает field F1 0,8857 и корректность JSON 0,99; структура JSON при этом может быть менее надёжной, чем у более крупной версии на 4B параметров. Модель предназначена для автоматизации учёта расходов и конвейеров обработки чеков, а также для исследований понимания документов. Обучение охватывает индонезийские чеки из сферы розничной торговли и ресторанов, поэтому точность на других языках и макетах может снижаться. Она не обучалась для счетов-фактур, рукописей или изображений других типов; суммы и позиции не проверяются арифметически, поэтому результат требует проверки человеком. Лицензия — Apache-2.0.