I.15Доступность и ассистивные технологии

SaShi 1.0 Vision — мультимодальная модель для работы с изображениями, разработанная ftmdeveloperz006, двумя авторами из Варанаси, Индия. Она объединяет генерацию изображений по текстовому описанию, преобразование и стилизацию существующих изображений, а также ответы на вопросы по изображениям и распознавание текста на хинди и английском языках. В карточке заявлены фотореалистичная генерация, работа с индийскими культурными памятниками, портретами, эскизами, чеками, вывесками и диаграммами. Модель распространяется в формате Diffusers с весами safetensors по лицензии Apache-2.0. Метаданные указывают задачу visual-question-answering, тогда как каталог также относит её к text-to-image; README заявляет обе задачи, а также преобразование изображений. Заявление о разрешении 8K содержится в тегах и карточке, но подробности архитектуры, размера и длины контекста не приводятся.

Модель nsugianto/tblstructrecog_finetuned_tbltransstrucrecog_v1_s1_370s — дообученная версия microsoft/table-transformer-structure-recognition для обнаружения структурных элементов таблиц на изображениях документов. Она использует архитектуру Table Transformer на базе DETR и содержит 6,3 млн параметров. Модель может находить строки, столбцы и другие элементы структуры таблицы; библиотека Transformers и формат весов safetensors указаны в метаданных. Модель подходит для извлечения структуры таблиц из документов и последующего преобразования её в машиночитаемое представление. Она опубликована под лицензией MIT. Датасет дообучения, результаты оценки и подробные сведения об ограничениях в карточке не описаны.

arabic_PP-OCRv3_mobile_rec — компактная модель распознавания строк текста из серии PP-OCRv3_rec, разработанная командой PaddleOCR на основе PP-OCRv3_mobile_rec и обученная для распознавания арабского алфавита. Она принимает изображение с текстовой строкой и возвращает распознанный текст; модель предназначена для использования как модуль распознавания в OCR-сценариях на базе PaddleOCR. Модель подходит для извлечения текста из изображений, когда строки уже выделены или их выделяет отдельный модуль обнаружения текста. Полный конвейер PP-OCRv3 может дополнительно выполнять коррекцию ориентации и деформации изображения, обнаружение строк и распознавание. В карточке приведены метрики точности, где строка считается ошибочной при неправильном распознавании любого символа, включая пунктуацию. Модель распространяется по лицензии Apache-2.0 и использует библиотеку PaddleOCR. Доступные сведения указывают на поддержку арабского алфавита; компактная мобильная версия предназначена для распознавания строк, а не для полного OCR-конвейера сама по себе.

florin-parser-nano — компактная визуально-языковая модель на архитектуре Qwen2-VL, разработанная Florin Inc. как LoRA дообучение KDLAI/KDL-Frontier-Parser-nano от KoreaDeep. Модель принимает изображения документов и распознаёт их содержимое, формируя текст с разметкой Markdown для выделений, зачёркиваний и структуры таблиц. В карточке указаны база размером 1,2 млрд параметров и обучение на парах фрагментов документов и Markdown; обучающие примеры включали страховые документы, синтетические изображения и материалы на китайском и деванагари. Модель предназначена для OCR и разбора документов, где важно сохранить визуальное форматирование и структуру таблиц. В описанном тестировании ParseBench она показала средний результат 77,50 на полном корпусе из 2 079 документов; авторы также сообщают о компромиссе между форматированием и распознаванием диаграмм. Заявленные результаты на подмножестве страховых документов получены до последней коррекции и ожидают повторного измерения. Поддерживаемые языки по метаданным — английский, китайский и хинди. Модель распространяется по лицензии AGPL-3.0.

TheCluster/Gemma-4-26B-A4B-Heretic-MLX-bf16 — мультимодальная диалоговая модель семейства Gemma 4, представленная TheCluster. Это версия Gemma-4-26B-A4B-it с ослабленным отказом отвечать на запросы: по README, её создали методом abliteration Heretic v1.2.0 с Arbitrary-Rank Ablation и сохранением нормы строк, а затем преобразовали в формат MLX из coder3101/gemma-4-26B-A4B-it-heretic. Метаданные указывают архитектуру Gemma4ForConditionalGeneration, поддержку изображений и текстовых диалогов, библиотеку MLX, формат safetensors и лицензию Apache-2.0. Модель предназначена для диалогов и анализа изображений с текстовым ответом. README сообщает о 11 отказах из 100 запросов против 100 из 100 у исходной модели и KL-дивергенции 0,0499; это результаты указанного в карточке сравнения, а не гарантия поведения на других запросах. В метаданных отмечены языки, включая английский, китайский и русский, а также ряд европейских, азиатских и других языков. Размер 26B-A4B входит в название репозитория, но описание точной структуры и значения A4B в предоставленных данных отсутствует. Ограничения на контент и допустимые сценарии использования не описаны; условия лицензии — Apache-2.0.

Holo3.1-35B-A3B-NVFP4 — мультимодальная vision-language модель компании H Company для компьютерных агентов. Она предназначена для взаимодействия с веб-сайтами, настольными и мобильными интерфейсами, включая навигацию, автоматизацию действий, UI grounding, компьютерное управление и выполнение бизнес-сценариев. Модель поддерживает нативный вызов функций для интеграции с агентскими фреймворками и ориентирована на локальное развертывание. Модель относится к семейству Holo3.1, построенному на базе моделей Qwen 3.5; для данного варианта заявлены базовые модели Qwen/Qwen3.6-35B-A3B, Qwen/Qwen3.5-9B, Qwen/Qwen3.5-4B и Qwen/Qwen3.5-0.8B. Размер семейства для старшей версии составляет 35B-A3B параметров, а используемый формат весов — NVFP4 W4A16, полученный с помощью Nvidia Model-Optimizer. В карточке указана поддержка английского языка и сценариев image-text-to-text, однако размер контекста не приведён. Сильные стороны модели — поддержка нескольких сред, включая web, desktop и mobile, возможности компьютерного управления, интеграция через function calling и сниженные требования к локальному запуску благодаря квантованному формату. Ограничения включают отсутствие в карточке подробных количественных результатов тестов, информации о контекстном окне и перечне дополнительных языков; заявленные характеристики не гарантируют одинаковую эффективность во всех интерфейсах и задачах. Модель распространяется по лицензии Apache 2.0.

pbatra/Llama-3.2-11B-Vision-Instruct-GGUF — это набор квантизированных версий мультимодальной модели Llama-3.2-11B-Vision-Instruct, разработанной Meta. Модель предназначена для диалоговых сценариев и задач image-text-to-text, в которых требуется обрабатывать изображения вместе с текстовыми запросами и генерировать текстовые ответы. Поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Модель основана на архитектуре mllama и имеет размер около 11 млрд параметров; формат GGUF ориентирован на эффективное локальное использование совместимыми инструментами. Ключевое преимущество — сочетание языкового и визуального ввода, а также наличие квантизированных вариантов, потенциально снижающих требования к памяти. README не содержит точных сведений о методах квантизации, размерах отдельных файлов, длине контекста, результатах тестирования или известных ограничениях качества. Модель распространяется по лицензии Llama 3.2.

Карточка модели taharmasmaliyev07/Mirza-Gemma4-E4B-Editor-E3-BF16 на Hugging Face совпадает с карточкой taharmasmaliyev07/Mirza-GEC-Gemma4-E4B-Editor-E3-BF16, поэтому описание составлено по ней. Mirza-GEC-Gemma4-E4B-Editor-E3-BF16 — дообученная мультимодальная модель taharmasmaliyev07 на базе unsloth/gemma-4-E4B-it. Она предназначена для диалогового взаимодействия и генерации текста по текстовым и визуальным входам, включая анализ изображений и документов. Модель использует плотную архитектуру Gemma 4 и распространяется в формате safetensors. Модель лицензирована по Apache-2.0. В README указано, что при обучении использовались Unsloth и библиотека Hugging Face TRL; подробности специализированной задачи GEC и редакторского сценария не раскрыты.

datalab-to/ocr_error_detection — модель Datalab на базе DistilBERT для классификации текстовых фрагментов при обнаружении ошибок OCR. Её назначение подтверждается именем репозитория и тем, что Datalab использует её в Surya как отдельную модель проверки ошибок OCR. Модель имеет архитектуру DistilBertForSequenceClassification, около 0,1 млрд параметров и контекст до 512 токенов. Репозиторий содержит веса Safetensors в формате F16. README не описывает метрики качества, языковой охват или подробности использования. Лицензия — CC BY-NC-SA 4.0.

breezedeus/pix2text-table-rec — модель распознавания структуры таблиц для Pix2Text, основанная на Table Transformer и дообученная на наборах PubTables1M и FinTabNet.c. Это компактная модель на архитектуре DETR с Transformer-детектором объектов; в репозитории указано 6,3 млн параметров. Она предназначена для обнаружения таблиц и их элементов на изображениях документов, чтобы использовать результаты в конвейерах извлечения и распознавания табличной структуры. Модель принимает изображения документов и выдаёт обнаруженные объекты, в том числе области таблиц. Она описана как форк исходной модели Table Transformer с возможностью дальнейшего развития. Репозиторий распространяется по лицензии MIT. Карточка не приводит сведений о поддерживаемых языках или численном размере контекста; применимость зависит от качества изображения и соответствия документа типам таблиц, представленным в обучающих данных.

Это конверсия мультимодальной модели Qwen3.5-4B команды Qwen для устройств SpacemiT K1 и K3. Она предназначена для понимания изображений, диалога, программирования и агентных задач; README демонстрирует запуск через локальный сервер llama.cpp с передачей изображения и текстового запроса. Модель сочетает текстовую часть в формате GGUF Q4_1 с ONNX-кодировщиками изображений для разрешений 224, 384 и 768 пикселей; по умолчанию используется 384 пикселя. Обработка зрения задействует SpacemiT Execution Provider, а конфигурации для K1 и K3 различаются и привязаны к их AI-ядрам. В метаданных указан Apache-2.0; зависимости среды выполнения распространяются по лицензиям соответствующих проектов.

Qwen3.5-KETI-HAECHI-27B-GGUF — это GGUF-квантизация модели Qwen3.5-KETI-HAECHI-27B, разработанной KETI-NLP и опубликованной в формате GGUF пользователем mradermacher. Модель предназначена для мультимодальных сценариев image-text-to-text, включая обработку изображений и текста, OCR, работу с объектами культурного наследия, использование инструментов и выполнение задач с длинной цепочкой рассуждений. Заявлена поддержка корейского и английского языков. Модель имеет размер 27B параметров. Это vision-language модель с дополнительными файлами mmproj для мультимодальной обработки; доступны варианты mmproj-Q8_0 и mmproj-f16. Предлагаются квантизации от Q2_K до Q8_0, включая IQ4_XS, с размером файлов примерно от 10,8 до 28,7 ГБ. В README не указана длина контекста, а также отсутствуют подробности об архитектуре базовой модели, качестве на конкретных benchmarks и требованиях к оборудованию. Сильной стороной является сочетание мультимодальности, поддержки корейского языка и специализации на культурном наследии и OCR. Качество и требования к ресурсам зависят от выбранного варианта квантизации: Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант очень хорошего качества, а Q8_0 — как наиболее качественный среди перечисленных. Модель распространяется по лицензии Apache-2.0.

Elsephire/Qwen3.6-35B-A3B-Ornith-80-20-Beta — бета-модель, созданная Elsephire слиянием Qwen3.6-35B-A3B и Ornith-1.0-35B в соотношении 80/20 методом Task Arithmetic. Она предназначена для диалогов и задач с изображениями; метаданные также отмечают интерфейс вызова инструментов. Архитектура — Qwen3.5 MoE, модель загружается через Transformers, веса представлены в safetensors. Базовая модель Qwen описана в каталоге как мультимодальная модель на 35 млрд параметров; размер активной части и длина контекста для этой модели не подтверждены. Модель принимает текст и изображения и генерирует текст. Разработчик обозначает выпуск как бета-версию и приглашает тестировать её и сообщать об ошибках, поэтому качество и стабильность могут быть непредсказуемыми. Лицензия — MIT.

wareef/Qwen3-VL-8B-Instruct-Q4_K_M-GGUF — это квантизированная версия мультимодальной модели Qwen3-VL-8B-Instruct, преобразованная в формат GGUF для запуска с llama.cpp. Модель подготовлена пользователем или организацией wareef на основе исходной модели Qwen/Qwen3-VL-8B-Instruct с использованием инструмента GGUF-my-repo от ggml.ai. Модель предназначена для задач преобразования изображений и текста в текст, включая мультимодальное понимание и генерацию ответов по входным данным. Она рассчитана на локальный запуск через llama.cpp в командной строке или в режиме сервера. В README указаны архитектурная основа Qwen3-VL, размер 8B и квантизация Q4_K_M; сведения о поддерживаемых языках, точном размере контекста, конкретных модальностях и возможностях исходной модели не приведены. К сильным сторонам относятся компактный квантизированный формат GGUF и совместимость с llama.cpp, что упрощает локальное развертывание на поддерживаемом оборудовании. Ограничения связаны с потерей точности из-за квантизации, а также с зависимостью от аппаратных возможностей и настроек llama.cpp. Модель распространяется по лицензии Apache-2.0.

Qwen_Qwen3-VL-4B-Thinking-GGUF — это набор GGUF-квантизаций мультимодальной модели Qwen3-VL-4B-Thinking, разработанной Qwen и квантизированной bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач преобразования изображений и текста в текст, а также для локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от полноразмерных весов BF16 размером 8,05 ГБ до более компактных квантизаций размером около 1,8–4,3 ГБ. Указан размер базовой модели — 4B параметров, а поддерживаемая мультимодальность включает изображения и текст. README не содержит сведений о языках, размере контекста, точной архитектуре, результатах оценки или конкретных прикладных сценариях исходной модели. Версии Q6 и Q5 позиционируются как высококачественные, Q4 — как сбалансированные по качеству и размеру, а Q3 и некоторые IQ-варианты — как решения для устройств с ограниченным объёмом оперативной памяти, но с заметным снижением качества. Лицензия в предоставленных данных не указана; условия использования следует уточнять в репозитории базовой модели Qwen/Qwen3-VL-4B-Thinking.

UVDoc — модель семейства UVDoc от PaddlePaddle, предназначенная для геометрической коррекции изображений документов. Она преобразует искажённые снимки, исправляя деформацию, наклон и перспективу, чтобы улучшить точность последующего распознавания текста. В карточке указана оценка CER 0,179 на тестовом наборе DocUNet; подробности методики измерения не приведены. Модель распространяется в формате safetensors и рассчитана на обработку изображений с текстом. Метаданные указывают английский и китайский языки, библиотеку PaddleOCR и лицензию Apache-2.0. Размер модели и длина контекста не относятся к указанному сценарию и в доступных данных не описаны.

Web-SSL DINO ViT-3B Heavy Filtered 2B — визуальная модель семейства DINOv2, разработанная авторами работы «Scaling Language-Free Visual Representation Learning» (Fan et al., 2025). Это ViT с 3,9 млрд параметров по метаданным, обученный методом самообучения на тщательно отфильтрованных веб-изображениях без языковой супервизии. Модель принимает изображения размером 224×224 пикселя и предназначена для извлечения визуальных признаков. В обучающую выборку Heavy2B преимущественно отбирались изображения с диаграммами, таблицами и документами с читаемым текстом; README сообщает, что такие изображения составляют 1,3% исходного набора MetaCLIP. Фокус на этих материалах улучшает возможности OCR и понимания диаграмм, при этом модель рассчитана и на общие задачи компьютерного зрения. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства на некоммерческих условиях.

HyperCLOVA X SEED Think 32B — плотная vision-language модель на базе Transformer, разработанная NAVER. Она принимает текст, изображения и видео и генерирует текст; общий формат представления текста и визуальных патчей поддерживает мультимодальное понимание. Модель содержит 32 млрд параметров, поддерживает контекст до 128 тыс. токенов и имеет опциональный режим рассуждений с настраиваемым бюджетом токенов. Модель предназначена для корейско-ориентированных задач рассуждения, анализа изображений и видео, визуальных вопросов и ответов, а также агентных сценариев. В README приведены примеры бенчмарков по корейским знаниям, пониманию диаграмм и текста на изображениях, а также выполнению задач в сервисных сценариях. Для запуска описаны OmniServe и требования к GPU; карточка указывает библиотеку Transformers. Лицензия обозначена как other, поэтому конкретные условия следует проверять в файлах лицензии репозитория.

Index-Translate-9B — мультиязычная модель перевода на 9 млрд параметров из семейства Index-Translate, разработанная на базе Qwen3.5. Она предназначена для перевода текста между 150 языками и учитывает инструкции о терминологии, стиле, контексте, структуре и длине результата. Модель также поддерживает перевод текста на изображениях без внешнего OCR с помощью визуальных энкодеров mmproj. Модель умеет строго сохранять глоссарии, формат JSON, CSV и Markdown, блоки кода и переменные-заполнители, а также адаптировать тон и интерпретировать мемы, разговорные выражения и культурные отсылки. В техническом отчёте приведены результаты на тестах перевода и следования инструкциям, включая FLORES COMET-22 0,8789 и instTrans IFscore 0,8209. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Для перевода изображений требуется совместимый визуальный энкодер mmproj; языковой охват описан в техническом отчёте, но перечень языков в предоставленной карточке отсутствует. Результаты зависят от направления перевода и типа текста; показатели бенчмарков отражают конкретные тестовые наборы и условия оценки.

korean_PP-OCRv5_mobile_rec — мобильная модель распознавания строк текста из изображений из семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она предназначена для эффективного распознавания корейского текста и может использоваться как модуль распознавания в конвейере PP-OCRv5 вместе с обнаружением текста и, при необходимости, коррекцией ориентации и геометрии изображения. Модель принимает изображение строки и выдаёт распознанный текст. В README приведена точность 88,0% на корейском наборе данных; строка считалась ошибочной при любой неверной букве или знаке препинания. Репозиторий указывает библиотеку PaddleOCR и лицензию Apache-2.0. Метаданные также отмечают английский и китайский языки, однако README описывает назначение модели как распознавание корейского.

Mantis-Idefics2 — мультимодальная модель команды TIGER-Lab, дообученная на наборе Mantis-Instruct на основе HuggingFaceM4/idefics2-8b. Она принимает текст и одно или несколько изображений, включая последовательности с чередованием текста и изображений, и генерирует текстовые ответы. Модель предназначена для диалога об изображениях, особенно для сопоставления нескольких изображений, определения связей между объектами и визуальных рассуждений; также поддерживает задачи по одному изображению. В карточке авторы сообщают о сильных результатах на пяти тестах для сценариев с несколькими изображениями и о конкурентных результатах на тестах для одного изображения. Модель построена на архитектуре Idefics2 и распространяется в формате safetensors по лицензии Apache-2.0. Среди применений — сравнение изображений и понимание временной последовательности визуальных событий. Количественные результаты приведены авторами и сами по себе не гарантируют качество на конкретных пользовательских данных.

MiMo-V2.5-ASR-8B-NOESIS-BF16 — версия модели распознавания речи Xiaomi MiMo-V2.5-ASR-8B, подготовленная AMAImedia для платформы автоматизации дубляжа NOESIS. Это плотная причинная языковая модель на архитектуре MiMoV2ASRForCausalLM, производной от Qwen2; в аудиотракте используются аудиотокены с параметрами n_rvq=20 и group_size=4. Веса преобразованы из FP32 в BF16 для уменьшения занимаемого места и совместимости с инструментами PEFT; дообучение модели не заявлено. По данным карточки, модель предназначена для распознавания и транскрибации речи на китайском путунхуа, английском и кантонском языках. Контекст составляет 8192 токена. Модель подходит для многоязычной транскрибации и как компонент конвейера кинодубляжа; BF16-сборка также рассчитана на запуск на оборудовании с нативной поддержкой BF16 и на использование в качестве основы для адаптерного дообучения или учителя при дистилляции. Карточка не приводит оценок точности или подробных условий работы с разными акустическими условиями. Лицензия — MIT.

InternVL3_5-30B-A3B-GGUF — квантизированная версия мультимодальной модели InternVL3.5-30B-A3B, разработанной OpenGVLab. Сборка подготовлена bartowski в формате GGUF с использованием llama.cpp и imatrix-квантизации. Модель предназначена для задач image-text-to-text: обработки изображений совместно с текстовыми запросами и генерации текстовых ответов. Она рассчитана на запуск через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от BF16 и Q8_0 до более компактных IQ3 и Q3, с размером файлов примерно от 13,43 до 61,10 ГБ. Для большинства сценариев автор сборки рекомендует варианты Q4_K_M, Q5, Q6 и другие варианты с соответствующим балансом качества и требований к памяти. Ключевое обозначение модели указывает на конфигурацию 30B-A3B, однако README не содержит подробностей об архитектуре, количестве активируемых параметров, размере контекста, поддерживаемых языках и точных характеристиках визуального энкодера. Более компактные квантизации снижают требования к оперативной памяти, но могут ухудшать качество ответов; низкобитные варианты предназначены для систем с ограниченными ресурсами. Формат промпта в README не указан, поэтому его следует уточнять на странице исходной модели. Лицензия в предоставленных данных не указана.

88plug/Qwen2.5-Omni-7B-W4A16 — это INT4-квантованная версия базовой модели Qwen/Qwen2.5-Omni-7B, подготовленная 88plug методом посттренировочной квантализации. Модель предназначена для генерации текста и диалоговых сценариев с мультимодальным вводом: поддерживает обработку текста, изображений и аудио, а исходная архитектура также включает генерацию речи в реальном времени. Модель имеет архитектуру Thinker с языковой моделью, аудиобашней, визуальным модулем и компонентами синтеза речи Talker и Token2Wav. Квантованы линейные слои 28 трансформерных блоков языкового ядра в формате W4A16 с INT4-весами, BF16-активациями и размером группы 128. Аудио-, визуальные и речевые компоненты, эмбеддинги, LM head и нормализации сохранены в BF16. Размер весов составляет около 3,5 ГБ; заявлена работа на одной видеокарте с 8 ГБ памяти, например RTX 3080 с 10 ГБ. В конфигурациях запуска указан контекст до 32768 токенов, а заявленным языком является English. Главное преимущество модели — существенное снижение требований к памяти при сохранении мультимодальных возможностей базовой 7B-модели. Она подходит для локального развертывания через vLLM, включая обработку аудио и изображений; для полноценного вывода речи рекомендуется vLLM-Omni. Основные ограничения связаны с поддержкой окружений: TGI не поддерживает используемый формат compressed-tensors, обычный vLLM возвращает только текст, SGLang не поддерживает этот формат нативно, а интеграция с Hugging Face Inference Widget может работать нестабильно. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-4B-Instruct-MLX-5bit — это 5-битная квантизированная версия мультимодальной модели Qwen3-VL-4B-Instruct, разработанной командой Qwen. Квантизация выполнена командой LM Studio с использованием mlx_vlm, а модель оптимизирована для запуска на компьютерах Apple Silicon через MLX. Модель предназначена для сценариев image-text-to-text: обработки изображений совместно с текстовыми запросами и генерации текстовых ответов. Она может использоваться локально в приложениях и рабочих процессах, поддерживающих MLX и мультимодальные модели, включая LM Studio. Размер исходной модели составляет 4B параметров, однако сведения о точной архитектуре, максимальной длине контекста и поддерживаемых языках в README не указаны. Ключевые преимущества модели — сниженные требования к памяти по сравнению с полноразмерной версией и оптимизация для Apple Silicon. Ограничения связаны с 5-битной квантизацией, которая может влиять на точность и качество ответов, а также с зависимостью от совместимого программного окружения. Как и другие генеративные модели, она может выдавать неточную, вредную или неподходящую информацию. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-4B-Instruct-GGUF — набор GGUF-квантизованных версий мультимодальной модели Qwen3-VL-4B-Instruct, разработанной Qwen. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач преобразования изображений и текста в текст, включая работу с визуальными данными и текстовыми запросами, и может запускаться через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от исходных весов в формате BF16 размером 8,05 ГБ до различных уровней квантизации Q8, Q6, Q5, Q4 и Q3 размером примерно от 1,81 до 4,28 ГБ. Квантизация позволяет снизить требования к памяти, однако более компактные варианты обладают меньшим качеством; наиболее рекомендуемыми в README названы варианты Q6, Q5 и Q4. Поддерживаются мультимодальные входные данные, но сведения о языках, размере контекста и точной архитектуре в README не указаны. Модель подходит для локального инференса на совместимом оборудовании, особенно когда важны автономность и экономия памяти. Ограничения зависят от выбранного уровня квантизации: варианты Q3 характеризуются сниженным качеством, а для работы требуются llama.cpp или совместимое программное обеспечение с поддержкой этой модели. Лицензия в README не указана.

Это дообученная модель Table Transformer для обнаружения объектов, разработанная на основе nsugianto/tblstructrecog_finetuned_tbltransstrucrecog_semicplx_v1_s1_226s_adjpar6_lr1e6_dec1e5_bs4. В карточке указаны архитектура TableTransformerForObjectDetection, 6,3 млн параметров, формат safetensors и лицензия MIT. Модель предназначена для обнаружения объектов, связанных со структурой таблиц; конкретные классы объектов и обучающие данные не описаны.

DevQuasar-5/google.gemma-3-4b-pt-GGUF — это квантизированная версия модели Google Gemma 3 4B PT, опубликованная разработчиком DevQuasar. Модель относится к классу image-text-to-text и предназначена для задач, в которых требуется обрабатывать текстовые и визуальные данные и генерировать текстовые ответы. Из доступных данных известно, что модель основана на google/gemma-3-4b-pt и имеет размер около 4 миллиардов параметров. Формат GGUF и квантизация ориентированы на более экономичное локальное использование по сравнению с полной версией модели, однако конкретный тип квантизации, требования к памяти, размер контекста, поддерживаемые языки и точный набор мультимодальных возможностей в README не указаны. Лицензия и условия использования также не приведены, поэтому их следует уточнить в документации базовой модели и конкретной публикации.

Indic Translate — модель Bodhan AI для перевода между английским и 22 языками Индии, включая все языки Восьмого приложения к Конституции Индии. Это дообученная версия google/gemma-4-E4B-it; модель работает через Transformers и распространяется в формате Safetensors. Метаданные указывают лицензию «other», поэтому условия использования следует проверять в карточке репозитория. Модель принимает инструкцию с целевым языком и исходный текст. Она предназначена для перевода предложений и целых документов длиной до 32 768 токенов, сохраняя структуру абзацев, заголовков, списков, таблиц и разметки. Также поддерживает перевод с романизированной записью индийских языков, транслитерацию между латинской и родной письменностью, а также перевод текста со смешением английского и индийского языка. Модель ориентирована на перевод, а не на универсальный диалог. Поддерживаются 22 индийских языка и английский, с вариантами письменности для отдельных языков. Качество может различаться в зависимости от языка и направления перевода; README приводит оценки по языкам, но не описывает их как гарантию качества.

bartowski/LiquidAI_LFM2.5-VL-3B-GGUF — набор GGUF-квантизаций модели LFM2.5-VL-3B, разработанной LiquidAI и преобразованной bartowski с использованием llama.cpp. Это мультимодальная модель для задач преобразования изображения и текста в текст: она принимает текст, а также изображения при наличии файла mmproj. Модель поддерживает арабский, китайский, английский, французский, немецкий, хинди, индонезийский, итальянский, японский, корейский, польский, португальский, русский, испанский, тайский и вьетнамский языки. Модель содержит около 3 млрд параметров, не поддерживает MTP и использует imatrix-квантизацию. Репозиторий предлагает варианты от BF16 и Q8_0 до компактных Q2–Q6 и IQ-квантизаций. Вариант Q4_K_M размером около 1,68 ГБ обозначен как сбалансированный по размеру и качеству; более высокие варианты Q5 и Q6 обеспечивают лучшее качество, а варианты Q3 и ниже рассчитаны на устройства с ограниченной оперативной памятью, но могут заметно уступать по качеству. Модель ориентирована на локальный запуск через совместимые инструменты экосистемы llama.cpp, включая сценарии на периферийных устройствах. К сильным сторонам относятся сравнительно небольшой размер, поддержка изображений и широкий набор языков. Ограничения включают зависимость мультимодального ввода от отдельного mmproj-файла, снижение качества при агрессивной квантизации и отсутствие сведений о размере контекста и результатах бенчмарков в предоставленной карточке. Лицензия указана как lfm1.0; подробные условия находятся в файле LICENSE.