I.15Доступность и ассистивные технологии

DevQuasar опубликовал GGUF-версию microsoft/Phi-4-reasoning-vision-15B. Это мультимодальная чат-модель с поддержкой изображений, предназначенная для ответов на вопросы по визуальным данным и рассуждений об изображениях. Каталог относит базовую модель к дообученным моделям Microsoft; в репозитории указаны веса GGUF в формате F16. Модель подходит для анализа изображений и документов, а также для работы со скриншотами графических интерфейсов. Карточка не сообщает подробностей о размере контекста, языках и условиях лицензии этой копии, поэтому их нельзя уточнить по доступным данным.

FreedomAISVR выпустила GGUF-квантизацию Nex-N2-mini от Nex AGI — мультимодальной агентной модели на архитектуре Mixture-of-Experts. Модель содержит 35 млрд параметров, из которых активируются 3 млрд на токен, и использует 256 маршрутизируемых экспертов, гибридную архитектуру Gated DeltaNet с полным вниманием и 27-слойный визуальный энкодер. Контекст составляет 262 144 токена. Модель принимает текст и изображения и генерирует текст; она предназначена для диалогов, агентных задач и описания изображений. Представлены английский, китайский и другие языки. Веса представлены в NVFP4: заявлены 4,55 бита на вес и эффективный инференс на GPU Blackwell с минимальной потерей качества. Для обработки изображений требуется файл проектора mmproj в F16. Модель распространяется по лицензии Apache 2.0.

PerceptionDLM-Base — мультимодальная диффузионная языковая модель для понимания изображений и ответов на визуальные инструкции, разработанная MSALab. Она дообучена на базе MSALab/LLaDA-8B-Instruct-HF и предназначена для сценариев, где нужно задавать вопросы об изображении или извлекать из него сведения. Архитектура сочетает визуальный энкодер SigLIP-2, двухслойный MLP-коннектор и диффузионный декодер LLaDA-8B. Модель использует параллельную генерацию с маскированным денойзингом и динамическое разбиение изображений высокого разрешения на тайлы. Карточка сообщает о результатах на мультимодальных бенчмарках, включая сильные показатели в задачах детального восприятия и ChartQA. Модель принимает изображения и текстовые инструкции и генерирует текстовые ответы. В метаданных указан английский язык. Весы опубликованы в формате Safetensors, библиотека — Transformers, лицензия — Apache-2.0. Модель описана как базовая для PerceptionDLM; для развёртывания предоставлены скрипты инференса.

PP-OCRv3_mobile_det — мобильная модель обнаружения текста из семейства PP-OCRv3_det, разработанная командой PaddleOCR. Она находит текстовые области на изображениях и предназначена для эффективного запуска, в том числе на периферийных устройствах. В составе конвейера PP-OCR обнаружение текста сочетается с распознаванием строк и, при необходимости, модулями коррекции ориентации и геометрии изображений. Модель принимает изображение и решает задачу обнаружения текста; сама по себе она не выполняет распознавание найденных строк в текст. В карточке заявлена поддержка английского и китайского языков. Репозиторий использует PaddleOCR; лицензия — Apache-2.0.

QvQ-Step-Tiny — мультимодальная модель PrithivMLmods на архитектуре Qwen2-VL, дообученная на наборах данных VCR для пошагового объяснения визуального контекста. Метаданные указывают 1,5 млрд параметров, контекст до 32 768 токенов и формат Safetensors; в README указаны 2,21 млрд параметров и точность BF16, поэтому размер модели в источниках расходится. Модель принимает изображения и текстовые запросы, а также формирует текстовые ответы с объяснениями. Она предназначена для визуальных вопросов и ответов, разбора документов и математических изображений, а также анализа видеосодержимого. В карточке заявлены поддержка распознавания текста на разных языках и возможности Qwen2-VL для изображений разных размеров и пропорций. Основной язык карточки — английский; мультиязычная поддержка упоминается в README. К ограничениям относятся возможное снижение точности на низкокачественных изображениях и сложных специализированных задачах, а также значительные вычислительные требования при работе с высоким разрешением и длинным контекстом. Заявленные возможности анализа видео длительностью более 20 минут и управления устройствами описаны в README, но не подтверждены метаданными. Лицензия — Apache-2.0.

DhruvalLabs/Qwen2.5-VL-7B-Instruct-GGUF — квантованные версии мультимодальной Vision-Language Model Qwen2.5-VL-7B-Instruct, разработанной командой Qwen и подготовленные Dhptl с использованием quant-kit. Модель обрабатывает текст и изображения и предназначена для диалоговых сценариев, визуального анализа, описания изображений и генерации текста. Доступна для запуска через llama.cpp, LM Studio, Jan и Ollama. Модель построена из текстовой основы объёмом 7B параметров и отдельного vision encoder в формате mmproj. Для работы требуются два файла: один GGUF-файл текстовой основы и mmproj-файл vision encoder в формате F16. Доступны варианты квантования от Q2_K до Q8_0; Q4_K_M рекомендован как компромисс между размером и качеством, а Q8_0 обеспечивает качество, наиболее близкое к исходной модели. В README указан английский язык, однако сведения о полном наборе поддерживаемых языков, размере контекста и результатах benchmark отсутствуют. Основные преимущества — поддержка изображений, возможность локального запуска и широкий выбор уровней квантования с требованиями к RAM примерно от 4,3 до 9 ГБ для текстовой основы. Ограничения включают заметную потерю качества у наиболее компактных вариантов и необходимость отдельно загружать vision encoder; его размер составляет около 1,26 ГБ. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-8B-Instruct-abliterated-v2-GGUF — мультимодальная vision-language модель от prithivMLmods, основанная на Qwen3-VL-8B-Instruct от Alibaba. Это GGUF-сборка для запуска через llama.cpp и совместимые инструменты; доступны варианты квантования от Q2_K до Q8_0, а также F16 и отдельные mmproj-файлы для обработки изображений. Модель предназначена для генерации текста по изображениям, подробного описания визуального содержимого, следования инструкциям и мультимодального рассуждения. Заявлена поддержка сложных, технических, художественных и чувствительных изображений, видео, различных разрешений, соотношений сторон и макетов. Указаны Interleaved-MRoPE, контекст до 262K токенов и OCR на 32 языках; основным языком работы назван английский, при этом заявлена адаптация к другим языкам с помощью формулировок запросов. Модель содержит около 8 млрд параметров и ориентирована на запуск на GPU с 16–24 ГБ VRAM в форматах BF16/FP8 через Transformers или vLLM, а GGUF-квантизации позволяют выбирать компромисс между размером и качеством. Ключевая особенность версии — удаление механизмов отказа и контентных ограничений, что расширяет область применения для red teaming, исследований безопасности и творческих сценариев, но одновременно повышает риск генерации небезопасного или нежелательного содержимого. Модель распространяется по лицензии Apache-2.0.

SmolDocling-256M-preview-mlx-bf16 — версия модели SmolDocling, преобразованная в формат MLX из ds4sd/SmolDocling-256M-preview с помощью mlx-vlm 0.1.18. Это компактная плотная vision-language-модель семейства SmolVLM на 256 млн параметров, предназначенная для обработки изображений и генерации текста; карточка указывает сценарий image-text-to-text и интерфейс диалога. Для описания возможностей и сценариев работы следует обращаться к карточке исходной модели, поскольку эта карточка подробностей не приводит. Репозиторий использует библиотеку Transformers и содержит веса safetensors; в README приведён способ запуска через mlx-vlm. Модель подходит для извлечения и преобразования содержимого документов по изображению в текст. Поддерживаемый язык карточки — английский. Лицензия — CDLA-Permissive-2.0.

T5Gemma 2 — семейство мультимодальных моделей Google на архитектуре encoder-decoder. Этот чекпойнт содержит энкодер на 270 млн и декодер на 270 млн параметров; он получен адаптацией предварительно обученной Gemma 3 с использованием подхода UL2. Модель принимает текст и изображения и генерирует текст. Семейство заявлено как мультиязычное: более 140 языков и контекст до 128 тысяч токенов; для этого размера в README приведены оценки на задачах понимания изображений и обработки длинного контекста. Модель предназначена для генерации и преобразования текста, ответов на вопросы по изображениям, суммаризации и рассуждений, а компактный размер позволяет рассматривать запуск на ноутбуках, настольных компьютерах или в облачной инфраструктуре. Чекпойнт отмечен как предварительно обученный; README также описывает исследовательское применение семейства. Модель может ошибаться в фактах, испытывать трудности со сложными или неоднозначными запросами и отражать смещения обучающих данных. Лицензия — Gemma; применяйте модель с учётом её условий и самостоятельно оценивайте безопасность результатов.

TB-OCR-preview-0.1 — предварительная модель распознавания текстовых блоков, созданная Yifei Hu на базе Microsoft Phi-3.5-vision-instruct. Она принимает изображения отдельных блоков и преобразует их содержимое в структурированный Markdown, включая текст, математические выражения в LaTeX и заголовки. Модель рассчитана на обработку блоков, а не целых страниц; для распознавания страницы автор рекомендует сначала выделять текстовые, табличные и графические области отдельной моделью. Блоки можно обрабатывать параллельно. Модель содержит 3,7 млрд параметров, использует архитектуру Phi3VForCausalLM и формат safetensors. Контекст составляет 4096 токенов. По заявлению автора, 4-битная загрузка требует около 2,8 ГБ видеопамяти и почти не снижает качество. Это preview-чекпойнт для проверки качества синтетического датасета, обученный примерно на 250 тыс. пар изображение–текст; лицензия — MIT.

TEMPO — дообученная аудиоязыковая модель на базе NVIDIA Audio Flamingo 3, разработанная авторами проекта TEMPO. Она предназначена для распознавания речи с временными метками, определения говорящих, привязки текстовых запросов к интервалам аудио, плотного описания звуковых событий и анализа музыки. Модель принимает аудио и формирует текст с временными метками; единственный тег задачи в запросе задаёт требуемое поведение. В основе — аудиокодировщик Whisper-large и Qwen2-7B, объединённые проектором; в этом чекпойнте применены два этапа SFT и временной проектор. Модель рассчитана на английский язык. Словарь меток времени ограничивает интервалы 60 секундами, поэтому более длинные записи нужно разбивать на фрагменты. Распознавание в многоголосых записях и оценка аккордов остаются неточными; метки говорящих согласованы внутри записи, но условны между разными записями. Лицензия указана как other; конкретные условия использования следует сверить с карточкой модели и лицензией проекта.

Typhoon-OCR-1.5-3B-QAT — мультимодальная модель для распознавания текста и разбора документов, разработанная Typhoon AI на базе Qwen2.5-VL-3B. Это версия с обучением с учётом квантования (QAT), выпущенная в формате bfloat16 и предназначенная для последующего преобразования в низкую точность, например 4-битную, с меньшей потерей качества. Архитектура — плотная vision-language модель Qwen2.5-VL с 3,1 млрд параметров и контекстом 128 000 токенов. Модель рассчитана на OCR на английском и тайском языках, включая рукописные заметки, формы, таблицы, чеки, диаграммы и документы со сложной или нерегулярной разметкой. Она предназначена для запуска на устройствах с ограниченными ресурсами и должна использоваться с предусмотренным форматом промпта. Это специализированная OCR-модель, а не универсальная система визуальных вопросов и ответов; в результатах возможны галлюцинации, поэтому их следует проверять перед производственным использованием. Лицензия — Apache-2.0.

mlx-community публикует конверсию Baidu Unlimited-OCR в формат MLX с точностью bfloat16 без квантизации весов. Репозиторий предназначен для запуска модели на компьютерах Apple Silicon через mlx-vlm; архитектура, токенизатор, обработчик изображений, промпты и лицензия MIT унаследованы от официального чекпойнта Baidu/Unlimited-OCR. Модель принимает изображения документов и формирует текстовый разбор, включая распознавание текста на страницах. Поддерживается мультиязычная работа; контекст составляет 32 768 токенов. В карточке описан запуск OCR по одной странице в режиме gundam с обрезкой изображения и скользящим окном для подавления повторов. Конверсия выполнена инструментами mlx-vlm 0.6.8 и MLX 0.32.0; заявлены 559,7 млн параметров. Карточка этой конверсии не перечисляет языки по отдельности и не описывает точность распознавания или полный набор ограничений; за подробностями о возможностях и ограничениях она отсылает к официальной карточке Baidu. Для запуска нужен MLX-совместимый стек на Apple Silicon.

VideoLLaMA3-2B-Image — мультимодальная модель для понимания изображений, основанная на Qwen2.5-1.5B-Instruct и разработанная командой DAMO-NLP-SG. Она принимает текстовые вопросы и визуальный контент и формирует текстовые ответы; карточка представляет её как вариант семейства VideoLLaMA 3 для анализа изображений и видео. Модель содержит 1,5 млрд параметров, использует архитектуру Videollama3Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель подходит для ответов на вопросы о содержимом изображений, извлечения сведений из визуальных сцен и мультимодального диалога. В README VideoLLaMA 3 также описана как семейство для понимания видео, однако эта карточка и её основной тег относятся к visual question answering. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0.

TraiNC/vlm_ocr_lora — дообученная TraiNC модель на базе мультимодальной Qwen3.5-0.8B от Unsloth. Она предназначена для задач «изображение-текст», в частности для OCR и извлечения текста с изображений и документов. Архитектура — плотная Qwen3.5 с поддержкой зрения; репозиторий содержит веса Safetensors. Модель рассчитана на англоязычные сценарии. Модель принимает изображения и текстовые запросы, а выдаёт текст. Она может подойти для распознавания текста на изображениях, извлечения полей из документов и прототипирования OCR-процессов. В карточке указаны лицензия Apache-2.0 и дообучение с использованием Unsloth и библиотеки TRL; параметры контекста и результаты оценки качества не приведены.

Карточка модели TraiNC/vlm_ocr_lora_5e на Hugging Face совпадает с карточкой TraiNC/vlm_ocr_lora, поэтому описание составлено по ней. TraiNC/vlm_ocr_lora — дообученная TraiNC модель на базе мультимодальной Qwen3.5-0.8B от Unsloth. Она предназначена для задач «изображение-текст», в частности для OCR и извлечения текста с изображений и документов. Архитектура — плотная Qwen3.5 с поддержкой зрения; репозиторий содержит веса Safetensors. Модель рассчитана на англоязычные сценарии. Модель принимает изображения и текстовые запросы, а выдаёт текст. Она может подойти для распознавания текста на изображениях, извлечения полей из документов и прототипирования OCR-процессов. В карточке указаны лицензия Apache-2.0 и дообучение с использованием Unsloth и библиотеки TRL; параметры контекста и результаты оценки качества не приведены.

mozilla.ai дообучила модель openai/whisper-large-v3-turbo для распознавания речи на бенгальском языке. Это плотная модель Whisper с архитектурой WhisperForConditionalGeneration и 905,2 млн параметров, предназначенная для преобразования бенгальской аудиозаписи в текст. Дообучение выполнено на 21 409 аудиозаписях бенгальского раздела CV Corpus 21.0. В README приведены результаты дообучения: нормализованная частота ошибок слов снизилась с 78,843 до 11,053, а нормализованная частота ошибок символов — с 62,521 до 6,059. Модель загружается через Transformers и распространяется в формате safetensors. Лицензия — Apache-2.0.

imTak/whisper_large_v3_turbo_Korean2 — дообученная модель распознавания речи на основе Whisper large-v3-turbo от OpenAI. Она предназначена для преобразования корейской речи в текст; в карточке указано дообучение на наборе Zeroth-Korean, а метаданные также связывают модель с Common Voice 17.0. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 905,2 млн параметров и работает через Transformers. На оценочном наборе автор приводит значение WER 5,2703 и loss 0,0670. Модель распространяется по лицензии MIT. Показатели приведены для указанного оценочного набора и сами по себе не гарантируют такое же качество на других данных и условиях записи.

Yi-VL-6B — мультимодальная модель 01.AI для диалогов по изображениям. Она построена на архитектуре LLaVA: использует CLIP ViT-H/14 для кодирования изображения, проекционный модуль на основе двухслойного MLP и языковую модель Yi-6B-Chat. Модель содержит 5,8 млрд параметров, принимает текст и одно изображение и генерирует текст; поддерживает контекст до 4096 токенов и обработку изображений с масштабированием до 448×448 пикселей. Модель предназначена для визуальных вопросов и ответов, распознавания текста на изображениях, извлечения и обобщения визуальной информации. Она поддерживает общение на английском и китайском языках. В README отмечены сильные результаты на мультимодальных бенчмарках MMMU и CMMMU по данным на январь 2024 года. Среди ограничений — возможные галлюцинации и ошибки в описании объектов; за один запрос можно передать только одно изображение. Лицензия — Apache-2.0.

Arabic-GLM-OCR-v1 — дообученная модель распознавания текста на изображениях, созданная на основе GLM-OCR. Она предназначена для извлечения печатного и рукописного арабского текста из структурированных и частично структурированных документов. Модель принимает изображение с текстовой инструкцией и выдаёт распознанный текст; заявлены аккуратное восстановление арабского текста, сохранение пунктуации, пробелов и форматирования. Модель использует мультимодальную архитектуру GLM-OCR и распространяется в формате safetensors. В README заявлены оптимизация для применения в производственных сценариях и обучение с учителем, однако приведённые материалы не содержат независимых оценок качества. Лицензия — Apache 2.0.

Necklace/faster-nb-whisper-large — конверсия модели NbAiLab/nb-whisper-large в формат CTranslate2 для запуска через CTranslate2 и проекты на его основе, например faster-whisper. Модель предназначена для автоматического распознавания речи; в карточке указана поддержка норвежского языка. Веса сохранены в FP16, а при загрузке можно выбрать другой compute_type в CTranslate2. Репозиторий распространяется по лицензии Apache-2.0.

Fun-ASR-Nano-2512 — компактная модель распознавания речи от Tongyi Lab, входящая в экосистему FunASR. По карточке модели, она содержит 800 млн параметров и обучена на десятках миллионов часов реальной речи. Модель предназначена для преобразования речи в текст, включая потоковую транскрипцию с низкой задержкой. Она распознаёт китайский, английский и японский языки; для китайского заявлена поддержка семи диалектов и 26 региональных акцентов. Также карточка описывает распознавание пения и рэпа, работу с фоновой музыкой, дальним звуком и шумными условиями, а метаданные указывают многоязычную поддержку. Репозиторий использует FunASR и формат PyTorch. Лицензия — Apache 2.0. В карточке упомянута точность до 93% для дальнего звука и шумной среды, но методика и условия этого показателя в доступном тексте не раскрыты. Возврат временных меток и диаризация говорящих перечислены как TODO, поэтому эти возможности не следует считать поддерживаемыми этой версией.

GemmaTranslate-v3-12B — мультимодальная модель на архитектуре Gemma 3, созданная объединением Google Gemma-3-12B-IT и TranslateGemma-12B-IT методом SLERP. Она предназначена прежде всего для перевода между языками, а также для диалоговой помощи и понимания изображений. Размер модели — 12 млрд параметров; заявленное окно контекста — до 128 тыс. токенов. Веса vision tower и multimodal projector взяты из Gemma-3-12B-IT, а языковые веса объединены в пропорции 50/50. Модель поддерживает более 30 языков и принимает текст и изображения, выдавая текст. Для запуска README рекомендует библиотеку Hugging Face Transformers; файлы опубликованы в формате safetensors. Модель доступна по условиям лицензии Gemma Terms of Use. Карточка заявляет усиленные возможности перевода, но не приводит результатов сравнительных оценок качества.

Модель toiar/khasi-asr-transcribe-diarize — дообученная на Khasi версия аудиомодели MOSS-Transcribe-Diarize от OpenMOSS-Team. Она предназначена для транскрибирования речи на Khasi, английском и хинди, включая режимы с временными метками и диаризацией говорящих, а также вывод только с метками говорящих. Базовая модель имеет размер 0,9 млрд параметров и поддерживает длинные аудиозаписи с временными метками, диаризацией и аннотациями акустических событий. Модель принимает аудио и преобразует его в текстовые транскрипты с разметкой говорящих. Она распространяется в формате safetensors по лицензии Apache-2.0. В проверках отмечались ошибки записи чисел в Khasi; при транскрибировании коротких высказываний на хинди возможен переход с деванагари на латиницу.

latin_PP-OCRv3_mobile_rec — модель распознавания строк текста из серии PP-OCRv3_rec, разработанная командой PaddleOCR. Это специализированная латинская версия, дообученная на основе PP-OCRv3_mobile_rec; она принимает изображения строк и возвращает распознанный текст. Модель предназначена для распознавания латинских надписей и может использоваться как модуль распознавания в конвейере OCR вместе с обнаружением текста и другими модулями обработки изображений. Модель рассчитана на латинский алфавит; метаданные также отмечают английский и китайский языки. Репозиторий указывает библиотеку PaddleOCR и лицензию Apache-2.0. Она распознаёт текстовые строки, но сама по себе не выполняет полный цикл OCR: для извлечения текста из произвольного изображения обычно требуется отдельное обнаружение строк. Оценки точности в предоставленном README опущены.

Mistral Large 3 2512 — модель компании Mistral с разреженной архитектурой смеси экспертов (MoE): 41 млрд активных параметров при 675 млрд параметров всего. В карточке она названа самой мощной моделью Mistral на момент выпуска. Модель предназначена для задач с текстом и изображениями, что отражено в метаданных Hugging Face как image-text-to-text. README не уточняет конкретные сценарии, поддерживаемые языки и длину контекста. Модель выпущена по лицензии Apache 2.0.

muhtasham/Phi-3.5-vision-instruct_20240915_223241 — дообученная версия мультимодальной Phi-3.5-vision-instruct от Microsoft. В карточке указано, что модель обучалась на датасете со средним размером 1,8 млн, но его название не приведено. Модель предназначена для диалоговой генерации текста. Базовая модель поддерживает работу с текстом и изображениями, включая ответы на вопросы по изображениям, OCR, анализ документов и суммирование видеоклипов по кадрам; README не уточняет, сохраняются ли все эти возможности после дообучения. Архитектура — плотная Phi3VForCausalLM, объём — 3,7 млрд параметров, библиотека — Transformers, формат весов — safetensors, указанная длина контекста — 4096 токенов. Карточка не содержит результатов оценки качества и конкретных рекомендаций по применению. Модель распространяется по лицензии MIT.

Qwen2.5-VL-7B-Instruct-quantized.w4a16 — мультимодальная инструкционная модель на базе Qwen/Qwen2.5-VL-7B-Instruct, разработанная Neural Magic. Она принимает изображения и текстовые запросы, а генерирует текстовые ответы. Модель предназначена для визуально-языковых задач, включая ответы на вопросы по изображениям, анализ документов, визуальное рассуждение и другие сценарии, где требуется совместная обработка текста и визуальной информации. Модель содержит около 7 миллиардов параметров и использует архитектуру Qwen2.5-VL. Для оптимизации инференса её веса квантизированы в INT4 с группами размера 128, а активации представлены в FP16; визуальные слои и lm_head при квантизации не изменялись. В README указан английский язык. Модель рассчитана на запуск через vLLM, включая OpenAI-совместимый сервер; в примере используется ограничение контекста 4096 токенов и до двух последовательностей одновременно. Дата выпуска — 24 февраля 2025 года, версия — 1.0. Ключевое преимущество модели — снижение требований к памяти и потенциально более эффективный инференс по сравнению с исходной полноразмерной версией при сохранении мультимодальных возможностей. Ограничения включают возможную потерю качества из-за квантизации, а также зависимость от совместимой инфраструктуры vLLM и поддержки мультимодального инференса. README содержит сведения об оценивании на задачах VQAv2, DocVQA и MathVista, но не приводит итоговые числовые результаты. Модель распространяется по лицензии Apache-2.0.

ScreenParser — модель обнаружения элементов пользовательского интерфейса, разработанная IBM Research и ETH Zurich. Это YOLO11-L, дообученная на наборе ScreenParse v2 для анализа скриншотов веб-страниц. На вход подаётся изображение экрана, на выходе — рамки объектов, метки классов и оценки уверенности для 55 типов элементов, включая кнопки, поля ввода, меню, вкладки, текстовые блоки и изображения. Модель предназначена для разбора структуры веб-страниц, поиска и классификации видимых компонентов интерфейса. Текущий чекпойнт обучен на 1 447 100 скриншотах с 25 575 213 аннотациями элементов; обучение учитывает разные разрешения экранов. Модель принимает изображения и возвращает разметку в виде рамок и меток. Для извлечения текста из найденных элементов её можно сочетать с OCR или ScreenVLM. Лицензия — Apache 2.0. Модель обучена на скриншотах веб-страниц, поэтому качество может снижаться на скриншотах нативных настольных, мобильных и других приложений, отличающихся от обучающих данных.

VARCO-VISION-2.0-1.7B — разработанная NCSOFT мультимодальная модель для диалогов по изображениям и тексту. Она построена на архитектуре LLaVA-OneVision и объединяет визуальную основу SigLIP2-so400m-patch16-384 с языковой моделью Qwen3-1.7B; размер языковой модели — 1,7 млрд параметров. Модель принимает несколько изображений в одном запросе и отвечает на вопросы о документах, таблицах, диаграммах и других визуальных материалах. Модель ориентирована прежде всего на корейский и английский языки, с особым вниманием к корейскому языку и культурному контексту. Она подходит для повседневных вопросов и ответов, суммаризации визуальной информации, распознавания текста на изображениях и локализации текстовых областей с помощью рамок. Компактная версия предназначена в том числе для запуска на смартфонах и ПК. В репозитории указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Для работы рекомендуется Transformers версии 4.53.1 или новее, особенно для поддержки нескольких изображений.