I.15Доступность и ассистивные технологии

Xoron-Dev-MultiMoe — мультимодальная модель семейства Xoron, опубликованная командой Xoron-Dev и представленная в репозитории Backup-bdg. В метаданных указаны архитектура MoE, 256,5 млн параметров, библиотека Transformers и контекст до 131 072 токенов. README заявляет обработку текста, изображений, видео и аудио, а также генерацию изображений, видео и речи. Для изображений описаны SigLIP-2 и сжатие TiTok, для видео — VidTok с обработкой до 32 кадров, для аудио — обработка сырого PCM и голосовой синтез. Модель позиционируется для мультимодального диалога, понимания визуального и аудиовизуального содержимого, работы с речью, генерации медиа и агентных сценариев с использованием инструментов. Среди заявленных характеристик — разреженная смесь экспертов и контекстное окно 128K. README также заявляет клонирование голоса по короткому образцу, но не приводит независимых оценок качества; описанные возможности и показатели следует считать заявлениями автора. Лицензия репозитория — MIT. В метаданных основной задачей указана генерация текста, тогда как авторский pipeline-тег — any-to-any; для каталога основной задачей выбрана any-to-any, поскольку карточка описывает модель для мультимодального ввода и вывода.

CogAgent-VQA — открытая визуально-языковая модель от команды Zhipu AI, улучшенная на основе CogVLM. Эта версия контрольной точки предназначена прежде всего для диалога по изображению в один ход и оценки на тестах визуальных вопросов и ответов, включая VQAv2 и MM-Vet. Модель принимает изображение высокого разрешения до 1120×1120 и текстовый вопрос, а в ответ генерирует текст; также заявлены возможности OCR и понимания интерфейсов веб-страниц, настольных и мобильных приложений. В README семейство описано как CogAgent-18B с 11 млрд визуальных и 7 млрд языковых параметров, тогда как метаданные этого репозитория указывают 6,6 млрд параметров, архитектуру CogAgentForCausalLM и контекст 2048 токенов. Поэтому размер конкретной опубликованной модели расходится с описанием семейства в карточке. Репозиторий содержит веса Safetensors и имеет лицензию Apache-2.0 в метаданных; README указывает, что для коммерческого использования требуется регистрация и соблюдение условий лицензии. Для GUI-агента, визуального заземления и многоходового диалога разработчики рекомендуют вариант cogagent-chat.

unsloth/DeepSeek-OCR — адаптированная для запуска и дообучения через актуальные версии Transformers копия DeepSeek-OCR, опубликованная Unsloth. В README указано, что изменения обеспечивают совместимость с Transformers и не влияют на точность. Это плотная мультимодальная модель семейства DeepSeek-VL-v2 с архитектурой DeepseekOCRForCausalLM и примерно 559,7 млн параметров. Модель предназначена для распознавания текста и извлечения содержимого из изображений документов. Она принимает изображения и текстовые инструкции, а результат выдаёт в текстовой форме; среди поддерживаемых задач также указана генерация текста. Контекст модели составляет 8192 токена, а карточка помечает её как многоязычную. Модель можно запускать и дообучать через Transformers; README также упоминает поддержку vLLM для ускорения инференса и обработки PDF. Репозиторий содержит веса safetensors. Лицензия — MIT. README не приводит подробных оценок качества или перечня поддерживаемых языков.

en_PP-OCRv4_mobile_rec — модель распознавания строк текста из семейства PP-OCRv4_rec, разработанная командой PaddleOCR. Она обучена на основе PP-OCRv4_mobile_rec и предназначена для распознавания английского текста на изображениях; результатом работы модели является текстовая строка. Модель используется как модуль распознавания в конвейере OCR: после обнаружения текстовых областей другие модули конвейера передают ей изображения строк. PP-OCRv4 также может включать коррекцию ориентации и искажений, однако эти возможности относятся к конвейеру из нескольких моделей, а не к данной модели распознавания строк. Репозиторий предназначен для использования с PaddleOCR и 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.

InternVL2_5-8B — мультимодальная диалоговая модель серии InternVL 2.5, разработанная командой OpenGVLab. Она сочетает визуальный энкодер InternViT-300M-448px-V2_5 с языковой моделью internlm/internlm2_5-7b-chat в архитектуре ViT-MLP-LLM; компоненты объединены для работы как единой модели. Репозиторий содержит веса в формате safetensors, модель использует библиотеку Transformers и распространяется по лицензии MIT. Модель предназначена для диалога по изображениям и видео, анализа нескольких изображений в одном запросе, визуального распознавания текста и ответов на обычные текстовые запросы. Динамическая обработка высокого разрешения разбивает изображения на фрагменты 448×448 пикселей, а видеоданные обрабатываются как последовательность кадров. Карточка характеризует серию как мультиязычную; точный перечень языков и размер контекстного окна для этой версии не приведены. К сильным сторонам относятся работа с изображениями высокого разрешения, несколькими изображениями и видео, а также сохранение возможностей текстового диалога. Обработка изображений и множества видеокадров увеличивает расход токенов и требования к контексту; качество ответов зависит от входных данных и может быть ограничено ошибками визуального восприятия или генерации.

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.

PP-OCRv5_mobile_rec_onnx — компактная модель распознавания текста в строках из семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она предназначена для извлечения текста из изображений и может использоваться в сценариях OCR, включая распознавание печатного и рукописного текста, вертикального, искажённого и художественного текста, пиньиня, редких символов и древнекитайского текста. Модель поддерживает упрощённый и традиционный китайский, английский и японский языки. Доступен вариант для запуска через ONNX Runtime, включая GPU-окружение. В README не указаны точная архитектура, количество параметров, размер модели и максимальная длина контекста. Заявленные показатели зависят от типа текста: среднее значение составляет 0,8015, а для печатного китайского и английского — 0,8605 и 0,8753 соответственно; для рукописного и художественного текста результаты ниже. Метрики используют строгий критерий: ошибка любого символа или знака пунктуации делает неверной всю строку. Модель ориентирована на эффективное и универсальное распознавание текста одной моделью, но её качество может существенно различаться между типами данных, языками и сложными сценариями. Распространяется по лицензии Apache-2.0.

PP-OCRv6_medium_rec — модель распознавания текста из изображений от PaddlePaddle, входящая в семейство PP-OCRv6. Это крупнейшая модель распознавания в серии: 19 млн параметров, архитектура с backbone LCNetV4, блоком EncoderWithLightSVTR и декодером с головами CTC и NRTR. Модель предназначена для извлечения текста из изображений в составе OCR-системы, где распознавание строк может использоваться вместе с обнаружением текста и другими модулями обработки изображения. Модель поддерживает 50 языков и рассчитана на печатный и рукописный текст, включая промышленные сценарии, цифровые дисплеи, точечно-матричные символы и маркировку на шинах. В README указаны точность распознавания 83,2% и Hmean обнаружения 86,2% для PP-OCRv6_medium; показатель обнаружения относится к системе OCR в целом. Модель распространяется под лицензией Apache-2.0 и предназначена для использования через PaddleOCR.

PaddlePaddle/PP-OCRv6_tiny_rec_onnx — компактная модель распознавания текста на изображениях из семейства PaddleOCR, разработанная PaddlePaddle. Она предназначена для задач OCR: преобразования изображений с текстом в текстовый результат, включая сценарии автоматического извлечения текста из документов и других визуальных материалов. Модель ориентирована на английский и китайский языки и распространяется в формате ONNX, что может упростить её использование в совместимых средах инференса. В README заявлено семейство PP-OCRv6 с диапазоном размеров от 1,5 до 34,5 млн параметров, однако точный размер именно варианта tiny_rec_onnx, архитектура, максимальный контекст и поддерживаемые типы входных изображений не указаны. К сильным сторонам относятся компактность варианта tiny, специализация на распознавании текста и возможность применения через ONNX. Ограничениями являются отсутствие в предоставленных данных подробных метрик качества, характеристик производительности и информации о поддержке языков помимо английского и китайского. Модель распространяется по лицензии Apache 2.0.

Qianfan-OCR-GGUF — набор GGUF-квантизированных версий мультимодальной модели baidu/Qianfan-OCR, разработанной Baidu. Модель предназначена для распознавания текста и анализа документов по изображениям, включая сценарии document intelligence и OCR. Она использует архитектуру InternVL Chat с языковой основой Qwen3 примерно на 4,7 млрд параметров и поддерживает мультиязычные задачи image-text-to-text. Квантизация выполнена Reza2kn с использованием llama.cpp. Доступны варианты от F16 размером около 9,4 ГБ до Q2_K размером около 1,7 ГБ. Версии различаются компромиссом между размером, скоростью и качеством: F16 сохраняет точность в формате half precision, Q8_0 близка к исходному качеству, а Q4_K_M указана как рекомендуемая и занимает около 2,8 ГБ. Для работы в llama.cpp требуются файл модели и соответствующий multimodal projector; модель принимает изображения документов и текстовые запросы. В README приведены результаты исходной модели на OmniDocBench и OCRBench, но подробные сведения о поддерживаемых языках, длине контекста и ограничениях распознавания не указаны. Распространение заявлено по лицензии Apache License 2.0 с сохранением уведомлений и условий сторонних компонентов.

Vishva007/Qwen3-VL-8B-Instruct-W4A16-AutoRound-AWQ — это 4-битная AWQ-квантизованная версия мультимодальной модели Qwen/Qwen3-VL-8B-Instruct. Модель предназначена для генерации текста по изображениям и текстовым инструкциям, включая визуальный анализ и распознавание текста на изображениях. Разработчик данной версии — Vishva007; базовая модель создана командой Qwen. Модель содержит 8 млрд параметров и оптимизирована для запуска через vLLM и Transformers. Веса языковой части представлены в формате W4A16 с квантизацией AWQ и дообучались 800 шагов с использованием AutoRound, чтобы минимизировать потерю качества. Визуальный энкодер сохранён в формате FP16, что должно поддерживать высокую точность в OCR и других задачах компьютерного зрения. Заявлена возможность работы на видеокартах с 12 ГБ и более видеопамяти, а в примере использования указан максимальный контекст 4096 токенов. Сильные стороны модели — сниженное потребление VRAM, высокая скорость сервинга и сохранение точности визуальной части благодаря отсутствию её квантизации. Ограничения включают возможную небольшую потерю качества из-за 4-битного представления весов, а также зависимость от совместимого GPU и программного окружения. В README языки модели не указаны. Лицензия — Apache-2.0.

TeleOCR — компактная мультимодальная модель для разбора документов, опубликованная командой XingChen-AGI. Она обрабатывает цифровые документы и снимки документов, в том числе с геометрическими искажениями, и формирует структурированное текстовое представление с распознанным содержимым, порядком чтения, таблицами и формулами. Модель построена на архитектуре Qwen2.5-VL и поддерживает обработку изображений с текстовыми запросами; метаданные указывают 507,9 млн параметров, библиотеку Transformers и контекст 128 000 токенов. В README заявлена версия примерно на 1,2 млрд параметров, поэтому размер в карточке и описании расходится. TeleOCR предназначена для OCR и комплексного извлечения структуры страниц: распознавания текста, таблиц и формул, а также разбора фотографий и деформированных страниц без предварительного выравнивания. Авторы сообщают о результатах на OmniDocBench, WildOmniDocBench, PureDocBench и других тестах; это результаты разработчиков и не гарантия качества на конкретных документах. Модель может быть полезна для оцифровки архивов, обработки сканов и автоматизации извлечения данных из документов. README описывает установку через Transformers и PyTorch, а полная инструкция по разбору документов находится во внешнем репозитории. Лицензия — Apache-2.0. Карточка указывает китайский и английский языки; README не уточняет языковой охват документов, поэтому качество для других языков по имеющимся данным установить нельзя.

Карточка модели Iambackup/Unlimited-OCR на Hugging Face совпадает с карточкой netfarm/Unlimited-OCR, поэтому описание составлено по ней. Unlimited-OCR — мультимодальная модель семейства Unlimited-OCR для распознавания текста и разбора документов по изображениям. Разработчики представляют её как развитие DeepSeek-OCR, ориентированное на однократный разбор длинных документов. Модель доступна для запуска через Transformers и SGLang, в том числе через OpenAI-совместимый API. Модель содержит 559,7 млн параметров, использует плотную архитектуру UnlimitedOCRForCausalLM и принимает изображения с текстовым содержимым для преобразования в текст. Заявлена поддержка нескольких языков; контекст составляет 32 768 токенов. В карточке указана лицензия MIT. README описывает варианты инференса, но не приводит результатов оценки качества или подробных ограничений применимости.

Unlimited-OCR — мультимодальная модель семейства Unlimited-OCR для распознавания текста и разбора документов по изображениям. Разработчики представляют её как развитие DeepSeek-OCR, ориентированное на однократный разбор длинных документов. Модель доступна для запуска через Transformers и SGLang, в том числе через OpenAI-совместимый API. Модель содержит 559,7 млн параметров, использует плотную архитектуру UnlimitedOCRForCausalLM и принимает изображения с текстовым содержимым для преобразования в текст. Заявлена поддержка нескольких языков; контекст составляет 32 768 токенов. В карточке указана лицензия MIT. README описывает варианты инференса, но не приводит результатов оценки качества или подробных ограничений применимости.

Portuguese Medium Whisper — модель распознавания речи, созданная дообучением OpenAI Whisper Medium автором pierreguillou на наборе Common Voice 11.0. Она преобразует аудио на португальском языке в текст и подходит для транскрибации записей и оценки систем распознавания речи. Модель построена на архитектуре Whisper и содержит около 455,8 млн параметров; в метаданных указан формат PyTorch. На тестовой выборке автор сообщает Loss 0,2628 и WER 6,5987. Модель распространяется по лицензии Apache-2.0. Показатели сравнения с другими версиями Whisper приведены автором на основе сходства тестовых наборов, поэтому их не следует считать прямым сравнением на идентичном тесте.

Apollo-VL-Edge-3B — компактная мультимодальная модель зрения и языка от Pluto AI Labs, дообученная на основе Qwen/Qwen2.5-VL-3B-Instruct. Модель использует архитектуру Qwen2.5-VL с 3 млрд параметров и принимает изображения вместе с текстовыми запросами, чтобы отвечать на вопросы и выполнять структурированный визуальный анализ. Веса доступны в FP16 и в вариантах GGUF; модель рассчитана на локальный запуск, в том числе на устройствах с ограниченными ресурсами. Модель специализируется на распознавании текста и анализе плотных документов, графиков, научных диаграмм, снимков интерфейсов и визуальных математических задач. Она подходит для визуальных вопросов и ответов, извлечения данных из изображений и локальных мультимодальных помощников. Обучение включало 161 562 мультимодальных примера, собранных из открытых наборов данных; языковая модель дообучалась методом LoRA, а энкодер изображений оставался замороженным. В карточке указан английский язык. Модель может ошибочно читать детали изображения, галлюцинировать и допускать арифметические ошибки; агрессивная квантизация способна снизить качество. Объяснения модели не гарантируют правильность ответа, поэтому результаты для важных решений следует проверять. Репозиторий распространяется по лицензии Apache-2.0.

Ąžuolas — модель распознавания литовской речи из аудиозаписей, созданная akisviete на основе Whisper large-v3 и дообученная методом SFT на корпусе LIEPA-3. В обучении использовано около 9,8 тысячи часов литовской речи: чтение, спонтанная речь и фонетические записи. Модель содержит около 905,2 млн параметров, построена на архитектуре Whisper и доступна в формате safetensors для Transformers. Модель предназначена для транскрибации литовской речи, в том числе длинных записей и выступлений. В описанных тестах она показала более низкий WER, чем сравниваемые литовские модели, но работала медленнее. Лицензия — CC BY 4.0. Известное ограничение: модель может генерировать связные литовские фразы на участках тишины или фонового шума. Для длинных записей автор рекомендует использовать обработку с фильтром тишины и нарезкой аудио на паузах.

InternVL2-40B — мультимодальная чат-модель с настройкой по инструкциям, разработанная командой OpenGVLab. Она объединяет визуальный энкодер InternViT-6B-448px-V1-5, MLP-проектор и языковую часть Nous-Hermes-2-Yi-34B; в метаданных указано происхождение через слияние этих моделей. Модель содержит около 40 млрд параметров и рассчитана на контекст до 8 тыс. токенов. Модель принимает текст и изображения, а также предназначена для анализа видео через кадры. Она отвечает на вопросы по изображениям и документам, распознаёт текст на сценах, разбирает диаграммы и инфографику, решает научные и математические задачи и поддерживает диалог. Карточка заявляет конкурентные результаты на ряде мультимодальных тестов, но они не гарантируют качество на конкретных данных пользователя. Репозиторий распространяется под лицензией MIT. Для запуска в Transformers требуется соответствующая инфраструктура; размер модели требует значительных вычислительных ресурсов. В метаданных указаны мультиязычность и поддержка чата, но конкретные языки не перечислены.

kanana-1.5-v-3b-instruct — мультимодальная языковая модель семейства Kanana-1.5-V, разработанная командой Unified Foundation Model в Kakao. Она принимает текст и изображения и генерирует текст; архитектура включает энкодер изображений, C-abstractor и языковую модель kanana-1.5-3b-instruct. Модель содержит около 3,67 млрд параметров, поддерживает контекст до 32 тысяч токенов и предназначена для работы на английском и корейском языках. Модель подходит для описания изображений, понимания документов, рассуждений по распознанному тексту и выполнения мультимодальных инструкций. В опубликованных Kakao оценках она показала результаты на англоязычных и корейских тестах понимания изображений и следования инструкциям; результаты бенчмарков не гарантируют точность в каждом пользовательском сценарии. Модель может выдавать неточную или вводящую в заблуждение информацию, особенно при работе с научными диаграммами и математическими задачами. Её не рекомендуется применять в медицине, праве и других областях с высокими ставками; качество языков, кроме корейского и английского, не оценивалось и может быть низким. Лицензия — kanana-license.

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.

Llama-3.1-Nemotron-Nano-VL-8B-V1 — разработанная NVIDIA мультимодальная модель для анализа изображений и документов. Она сочетает визуальный энкодер C-RADIOv2-H с языковой моделью Llama-3.1-8B-Instruct и принимает одно RGB-изображение вместе с текстовым запросом, выдавая текстовый ответ. Поддерживает английский язык и контекст до 16 тысяч токенов; изображения обрабатываются в раскладке до 12 плиток размером 512 × 512 пикселей. Модель предназначена для суммирования изображений, OCR, вопросов и ответов по изображению, анализа текста и изображений, а также рассуждений по визуальному содержимому. NVIDIA указывает сценарии развертывания в дата-центре, облаке и на периферийных устройствах; для работы предусмотрена интеграция с TensorRT-LLM. Модель представлена в формате safetensors, а лицензия указана как other; перед использованием следует свериться с условиями NVIDIA. Ответы могут содержать ошибки, вводящую в заблуждение информацию или нежелательные смещения. Модель обучалась на коммерческих изображениях; для производственного применения следует оценить её соответствие конкретной отрасли и обеспечить проверку результатов и меры безопасности.

MonkeyOCR-pro-1.2B Vision GGUF — мультимодальная модель для распознавания текста и анализа документов по изображениям. Репозиторий подготовлен для использования в формате GGUF, включая совместимые с LM Studio файлы. В основе указана архитектура Qwen2.5-VL; модель содержит около 1,2 млрд параметров, использует квантование Q8_0 и поддерживает контекст до 8 196 токенов. Модель принимает изображения и текст, извлекает текст из документов, анализирует структуру страниц, таблицы и форматирование, а также отвечает на вопросы об изображениях в диалоге. В карточке заявлена поддержка английского, китайского и других языков. Указанные сценарии — OCR и разбор документов; фактическая точность зависит от качества изображения и языка. Лицензия репозитория — Apache-2.0.

Penguin-VL-2B — компактная vision-language-модель Tencent, построенная на языковой основе Qwen3-1.7B. В модели объединены визуальный энкодер, созданный на основе Qwen3-0.6B, лёгкий MLP-проектор и языковой бэкенд Qwen3. Энкодер использует двунаправленное внимание и 2D-RoPE для обработки пространственной информации; для видео применяется сжатие токенов с учётом временной избыточности кадров. Модель предназначена для диалоговых задач с изображениями и видео: ответов на визуальные вопросы, OCR, понимания документов и диаграмм, а также рассуждений по содержимому кадров. Заявленная длина контекста — 40 960 токенов, размер языковой основы — 1,7 млрд параметров. В карточке приведены результаты на тестах для изображений, документов, OCR, математики и видео. Метаданные указывают английский язык; других языков карточка не подтверждает. Модель дообучена на Qwen/Qwen3-1.7B, распространяется в формате Safetensors по лицензии Apache-2.0. Качество может зависеть от разрешения и сложности визуального входа; опубликованные результаты бенчмарков не гарантируют точность на конкретных данных. Описание не уточняет ограничения по длительности видео или точную процедуру запуска.

PP-OCRv5_mobile_det — мобильная модель обнаружения текста из серии PP-OCRv5_det, разработанная командой PaddleOCR. Она находит текстовые области на изображениях для использования в OCR-конвейерах, анализе документов, распознавании номерных знаков и обнаружении текста в сценах. Модель рассчитана на печатный и рукописный текст на упрощённом и традиционном китайском, английском и японском языках. Она предназначена для работы с вертикальным, повёрнутым и изогнутым текстом, разными размерами надписей и сложным фоном. Это модуль обнаружения текста: для получения распознанного текста его сочетают с отдельной моделью распознавания. Модель доступна под лицензией Apache-2.0 и предназначена для использования через библиотеку PaddleOCR. В README приведены метрики точности на наборах сценариев, включая рукописный и печатный текст, поворот, искажения и художественные надписи; среднее значение в таблице составляет 0,770. Размер модели и ограничения по аппаратному обеспечению в предоставленных сведениях не описаны.

Qwen2.5-VL-3B-Instruct-AWQ — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen. Она предназначена для обработки изображений, видео и текстовых запросов, визуального анализа документов и сцен, распознавания текста, таблиц, графиков, форм и других структурированных данных, а также для сценариев визуального агента, включая управление компьютером и телефоном. Модель содержит 3 млрд параметров и использует AWQ-квантизацию. В её архитектуре применяются динамическое разрешение изображений, динамическая частота выборки кадров видео, временное позиционное кодирование mRoPE и оптимизированный vision encoder на базе ViT с window attention, SwiGLU и RMSNorm. Модель может анализировать видео длительностью более часа, находить релевантные моменты, локализовать объекты с помощью bounding boxes или точек и формировать структурированные JSON-ответы. В README явно указан английский язык; поддержка других языков не заявлена. Сильные стороны модели — сочетание компактного размера с широкими возможностями визуального анализа, работой с длинными видео, локализацией объектов и извлечением структурированных данных из документов. Ограничения включают отсутствие опубликованных в README результатов оценки, неуказанный размер контекстного окна и потенциальную зависимость производительности от аппаратного обеспечения и настроек обработки визуальных токенов. Модель распространяется по лицензии qwen-research; перед использованием следует ознакомиться с условиями лицензии.

Карточка модели OrchardPair/Qwen2.5-VL-7B-Instruct-4bit на Hugging Face совпадает с карточкой mlx-community/Qwen2.5-VL-7B-Instruct-4bit, поэтому описание составлено по ней. Это 4-битная версия мультимодальной инструкционной модели Qwen2.5-VL-7B-Instruct, подготовленная сообществом mlx-community и преобразованная в формат MLX с помощью mlx-vlm 0.1.11. Модель содержит 7,1 млрд параметров и предназначена для диалога и выполнения инструкций по текстовым запросам и визуальным данным. Модель принимает текст и изображения, а также поддерживает анализ видео согласно описанию базовой модели. Её можно применять для ответов на вопросы об изображениях, извлечения сведений из документов и других визуальных задач. Контекст составляет до 128 000 токенов; доступны интерфейсы чата и вызова инструментов. Репозиторий указывает формат safetensors и лицензию Apache-2.0. Карточка сообщества отсылает к оригинальной карточке Qwen2.5-VL-7B-Instruct за подробностями; качество и ограничения конкретной 4-битной версии отдельно не описаны.

Qwen-SEA-LION-v4-4B-VL — мультимодальная модель с 4 млрд параметров, разработанная AI Products Pillar компании AI Singapore при финансировании Национального исследовательского фонда Сингапура. Она создана дообучением Qwen/Qwen3-VL-4B-Instruct на примерно 9 млн примеров инструкций для адаптации к языкам и культурному контексту Юго-Восточной Азии. Модель использует архитектуру Qwen3-VL и принимает изображения и текст, отвечая текстом; поддерживает диалог и интерфейс вызова инструментов. Модель предназначена для визуальных вопросов и ответов, описания изображений, OCR, многоязычного общения и других задач на стыке текста и изображений. В первую очередь она адаптирована к бирманскому, индонезийскому, филиппинскому, малайскому, тамильскому, тайскому и вьетнамскому языкам; также обучалась на английском. Заявленное окно контекста — 256 тыс. токенов. Оценки охватывают общие языковые задачи, диалог, следование инструкциям, визуальные вопросы и описание изображений. Лицензия — MIT. Авторы отмечают, что модель не проходила выравнивание по безопасности и не проверялась на устойчивость к состязательным запросам; возможны галлюцинации и нерелевантные ответы, поэтому результаты следует проверять.

srv-sngh подготовил для среды Krill на Apple Silicon квантованную сборку модели baidu/Unlimited-OCR, основанной на DeepSeek-OCR. Это мультимодальная модель для распознавания текста и разбора документов по изображениям с выдачей текстового результата, привязанного к содержимому страницы. Архитектура включает языковую основу DeepSeek-MoE и визуальный энкодер DeepEncoder на базе SAM-ViT-B, CLIP-L и проектора; размер модели по метаданным — 559,7 млн параметров, контекст — 32 768 токенов. Сборка использует смешанную точность: эксперты MoE квантованы в nvfp4, а внимание, плотные слои и линейные слои визуального энкодера — в 8-битный формат. В описанном режиме модель обрабатывает одну страницу с глобальным представлением изображения; режим разбиения больших или плотных сканов на фрагменты указан как будущая возможность. Для запуска предназначен Krill со Swift и MLX на Apple Silicon; контрольная точка не является готовой для Transformers. Лицензия — MIT.

Vintern-1B-v3.5-BF16-GGUF — конверсия визуально-языковой модели Vintern-1B-v3_5 от сообщества; исходная модель и обучение принадлежат 5CD-AI. Репозиторий содержит GGUF-файлы языковой модели и визуального проектора, а также шаблон диалога. Это BF16-конверсия без низкобитной квантизации; часть тензоров сохранена в F32. Базовая модель основана на InternVL2.5-1B. Модель принимает изображения и текст и предназначена для OCR, извлечения данных из документов и ответов на вопросы по их содержимому. В исходной карточке указаны вьетнамский, английский и китайский языки. Для описанной в README конфигурации используется разбиение изображения на тайлы размером 448 пикселей с максимумом 12 динамических патчей. Конверсия исправляет метаданные EOS и перестраивает позиции визуального проектора под CLS-last компоновку конкретной версии llama.cpp. Проверенная совместимость указана только для llama.cpp commit c550d2f60bde72df19fcef1fef627895095b8ba8; для работы нужны оба GGUF-файла и шаблон. Лицензия исходной модели — MIT.