I.15Доступность и ассистивные технологии

MoulSot v0.3 — модель автоматического распознавания речи, разработанная Atlasia для транскрибации марокканского дариджа. Это дообученная версия Qwen/Qwen3-ASR-1.7B; модель принимает аудио и выдаёт текст. В README заявлена тренировка на наборе MoulSot-Full: около 1 500 часов аудио и 80 часов эталонных транскрипций. Модель рассчитана на разговорную речь, аудио из медиа и пользовательский контент. Её отличительная особенность — распознавание смешанной речи с переключением между дариджа, арабским, французским и английским; разработчик также заявляет устойчивость к неформальной речи и шуму. Для v0.3 приведены WER 38,99 и CER 12,58, однако подробности протокола оценки и бенчмарков ограничены. Качество может снижаться на очень шумных записях, редких диалектных вариантах и специализированной лексике; распознавание переключения языков не безошибочно. Для критически важных решений требуется проверка транскрипции человеком. Лицензия — Apache-2.0.

RedHatAI/Muse-Glimmer-30B-NVFP4 — мультимодальная генеративная модель, разработанная RedHatAI на основе meta-models/Muse-Glimmer-30B. Она принимает текстовые и графические входные данные и генерирует текст, поэтому предназначена для задач image-text-to-text, мультимодального диалога и инференса с визуальным контекстом. Архитектура указана как MuseGlimmerForConditionalGeneration; точное число параметров базовой модели в README не приведено, но идентификатор указывает на 30B. Модель оптимизирована для инференса с vLLM и использует NVFP4-квантизацию весов и активаций. Квантизуются линейные операторы внутри transformer-блоков, а vision-компоненты, lm_head и embed_tokens исключаются. Переход с 16 на 4 бита уменьшает размер на диске и требования к памяти GPU примерно на 75%, что является ключевым преимуществом для развертывания. README не указывает поддерживаемые языки, размер контекста и количественные показатели качества; приведённый пример калибровки использует последовательности длиной до 2048 токенов, но это не заявленный максимальный контекст модели. Для обслуживания рекомендуется vLLM с поддержкой мультимодального инференса, автоматического выбора инструментов и специализированных reasoning- и tool-call-парсеров. Квантизация может снижать точность по сравнению с исходной моделью, однако конкретное влияние в README не измерено. Модель распространяется по лицензии Apache-2.0.

OneChart — модель, описанная в статье «OneChart: Purify the Chart Structural Extraction via One Auxiliary Token»; в карточке перечислены Jinyue Chen, Lingyu Kong и соавторы. Она предназначена для анализа изображений диаграмм и извлечения их структуры. В примере использования изображение передаётся модели вместе с токенизатором, а метод chat возвращает результат разбора с проверкой надёжности. Модель основана на архитектуре OneChartOPTForCausalLM, содержит около 151,9 млн параметров и имеет контекст длиной 4096 токенов. README показывает обработку изображения, а метаданные указывают pipeline-тег feature-extraction; классификатор каталога также отмечает text-generation. Опубликована в форматах PyTorch и Safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не приводит языки, на которых формируется текстовый результат, и не описывает показатели качества; назначение, подтверждённое README, — извлечение структуры диаграмм из изображений.

Это уменьшенная версия модели для восстановления пунктуации и заглавных букв в португальском тексте, разработанная VÓCALI в рамках проекта SANIVERT. Модель основана на neuralmind/bert-base-portuguese-cased и дообучена для токенной классификации на корпусе из примерно 2,97 млн текстовых примеров и 49,7 млн токенов на португальском языке. Модель предназначена для автоматической расстановки знаков препинания и восстановления регистра в текстах. Архитектура — BERT с классификационной головой для токенов, размер — 136,1 млн параметров, максимальный контекст — 512 токенов. Для оценки использовались Macro F1 и Weighted F1; численные результаты в карточке не приведены. Файлы модели опубликованы в формате safetensors. Условия лицензии в предоставленных источниках не описаны.

PP-OCRv5_server_det — модель обнаружения текстовых областей из семейства PP-OCRv5_det, разработанная командой PaddleOCR. Она предназначена для высокопроизводительного поиска текста на изображениях, включая рукописный, вертикальный, повёрнутый и изогнутый текст, сложные макеты, разный размер надписей и трудный фон. Модель подходит для анализа документов, распознавания текста на номерных знаках и обнаружения текста в сценах; заявлена поддержка упрощённого и традиционного китайского, английского и японского языков. В README приведены оценки по нескольким сценариям обнаружения текста со средним значением 0,827. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не уточняет размер модели и длину контекста. Это детектор текстовых областей, а не средство полного распознавания содержимого текста.

PP-OCRv6_medium_rec — модель распознавания текста из изображений, разработанная PaddlePaddle как часть семейства PaddleOCR. Она предназначена для распознавания строк текста в составе OCR-конвейера: после обнаружения текста на изображении распознаёт его содержимое. Подходит для печатного и рукописного текста, документов и промышленных сцен, включая дисплеи, точечно-матричные символы и маркировку на шинах. Модель содержит 19 млн параметров. В её архитектуре используются лёгкая backbone-сеть LCNetV4, модуль распознавания EncoderWithLightSVTR и декодер с головами CTC и NRTR. Заявлена поддержка 50 языков; в метаданных карточки перечислены английский и китайский. Модель распространяется в формате safetensors и предназначена для использования с PaddleOCR. Лицензия — Apache-2.0. README сообщает о точности распознавания 83,2% для PP-OCRv6_medium, но не приводит методику оценки для этой цифры. Это модель распознавания текста, а не полный OCR-конвейер: для извлечения текста из произвольного изображения могут понадобиться отдельные модули обнаружения текста и предварительной обработки.

lmstudio-community/Qwen3.5-9B-MLX-8bit — 8-битная квантованная версия модели Qwen3.5-9B, разработанной командой Qwen. Квантование в формате MLX подготовлено командой LM Studio с использованием mlx-vlm, а сама модель оптимизирована для работы на устройствах с Apple Silicon. Модель предназначена для задач преобразования изображений и текста в текст, включая мультимодальные сценарии, где на вход могут подаваться визуальные и текстовые данные. Размер исходной модели составляет 9 млрд параметров. В README не указаны точная архитектура, поддерживаемые языки, размер контекста, перечень модальностей помимо заявленного image-text-to-text и результаты тестирования. Ключевое преимущество модели — сниженное потребление памяти и вычислительных ресурсов по сравнению с полноразмерной версией благодаря 8-битному квантованию, а также оптимизация для экосистемы Apple Silicon. Ограничениями являются зависимость от совместимого MLX-окружения и потенциальные потери качества, связанные с квантованием; конкретные характеристики таких потерь не приведены. README также предупреждает, что модель может генерировать неточный, вредный или неподходящий контент. Модель распространяется по лицензии Apache 2.0. LM Studio не является создателем или владельцем модели и не гарантирует её точность, безопасность или пригодность для конкретных задач.

Qwen3.6-35B-A3B-MXFP4-GGUF — квантизированная GGUF-версия модели Qwen3.6-35B-A3B, опубликованная пользователем giocom на Hugging Face. Модель основана на разработке семейства Qwen и предназначена для диалогового взаимодействия и задач image-text-to-text, то есть обработки запросов с текстом и изображениями. В карточке также указаны поддержка MTP и формата MXFP4 с эффективностью квантования 5.00 BPW. Модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0. В метаданных и README она помечена как abliterated и uncensored, поэтому её поведение и защитные ограничения могут отличаться от исходной модели Qwen3.6-35B-A3B. Ключевые ограничения — возможная потеря качества из-за квантования, а также отсутствие в доступных материалах подробных сведений о поддерживаемых языках, размере контекста и конкретных характеристиках мультимодального ввода.

Qwen3.6-35B-A3B-MXFP4_MOE-GGUF — созданная noctrex сборка модели Qwen3.6-35B-A3B в формате GGUF с квантизацией MXFP4 для весов Mixture of Experts. Она предназначена для диалогов и анализа изображений; для запуска автор рекомендует llama.cpp. В репозитории представлены варианты BF16, F16 и Q8 с разным балансом качества, скорости и объёма: в README для BF16 и F16 указано 20,55 ГиБ, для Q8 — 18,88 ГиБ. Модель принимает текст и изображения и генерирует текст. Для обработки изображений рекомендуется использовать файл mmproj в формате F32, который, по README, даёт лучшие визуальные результаты. Вариант BF16 может работать медленнее F16 на старых архитектурах, если оборудование не поддерживает BF16 аппаратно. Лицензия и поддерживаемые языки в предоставленных данных не описаны.

Qwen3.8-27B-E03-Obliterated-Omni — независимый пакет от автора cudabenchmarktest в формате GGUF Q4_K_M для интеграции с Ollama через совместимый Robit Omni Adapter. Он объединяет генерацию текста и работу с инструментами на базе Qwen3.8-27B-E03-Obliterated, обработку изображений, аудио и sampled-видео на компонентах Qwen3-Omni, а также синтез речи по тексту с помощью Qwen3-TTS. Это оркестрация отдельных компонентов, а не единая модель с общим мультимодальным пространством представлений. Пакет предназначен для диалоговых приложений, которым нужны ответы по тексту и медиа, вызов структурированных инструментов и озвучивание ответа. Для аудио- и видео-маршрутов требуется совместимый адаптер и рабочие процессы llama.cpp; стандартный Ollama обслуживает текст, изображения, рассуждения и инструменты. Поддерживаются английский язык и мультимодальные входы; синтез речи выдаёт 24 кГц аудио. Репозиторий содержит крупный GGUF-артефакт размером около 38,8 ГБ. Ограничения включают отсутствие потокового ввода и вывода аудио в версии адаптера v1, временное, но не точное до сэмпла сопоставление аудио и видео, а также последовательную реализацию TTS, не рассчитанную на высокую параллельность. Языковой компонент намеренно ослабляет отказы и унаследовал известные проблемы с повторением или некорректной обработкой вредоносных запросов. Лицензия пакета указана как Apache-2.0; лицензии исходных компонентов и их условия следует сверять отдельно.

Карточка модели allenai/SAGE-MM-Qwen2.5-VL-7B-SFT на Hugging Face совпадает с карточкой allenai/SAGE-MM-Qwen2.5-VL-7B-SFT_RL, поэтому описание составлено по ней. SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

SigLIP 2 Base — базовая модель семейства SigLIP 2 от Google, предназначенная для сопоставления изображений и текста. Это плотная vision-архитектура; вариант patch16-384 принимает изображения с разрешением 384 пикселя и обучен на датасете WebLI с использованием объединённой схемы предобучения SigLIP и ранее разработанных методов. Модель подходит для классификации изображений по произвольным текстовым меткам без дополнительного обучения, поиска изображений по тексту и текста по изображению, а также как визуальный энкодер для VLM и других компьютерно-зрительных задач. В README отмечены улучшенное семантическое понимание, локализация и извлечение плотных признаков. Модель распространяется под лицензией Apache-2.0. README не приводит численный размер модели или результаты оценки, поэтому их нельзя уточнить по доступным сведениям.

SigLIP 2 Large — модель компьютерного зрения и языка от Google на архитектуре SigLIP. Она обучена на наборе WebLI и предназначена для сопоставления изображений с текстом: модель выполняет классификацию изображений по заданным текстовым меткам и поиск изображений по текстовым запросам. Её также можно использовать как визуальный энкодер в мультимодальных языковых моделях и других системах компьютерного зрения. Модель принимает изображения и текстовые описания или метки, а на выходе формирует оценки соответствия между ними. Вариант Large с патчами 16×16 рассчитан на обработку изображений с разрешением 384 пикселя; веса опубликованы в формате Safetensors и доступны для Transformers. Лицензия Apache-2.0.

SLANeXt_wired — модель PaddlePaddle для распознавания структуры таблиц на изображениях. Она определяет строки, столбцы и ячейки и преобразует область таблицы в HTML, чтобы результат можно было редактировать или передать на последующую обработку в системе распознавания таблиц. Модель входит в экосистему PaddleOCR и предназначена для использования как отдельный модуль или в составе конвейеров распознавания документов. Модель ориентирована на таблицы с линиями-разделителями. Полный конвейер может сочетать распознавание структуры с детекцией ячеек и текста, распознаванием текста и анализом макета, а результат выдавать в HTML или Excel. В карточке приведено примечание, что показатели точности SLANeXt_wired получены при совместном тестировании с SLANeXt_wireless, поэтому их нельзя считать оценкой отдельной модели. Модель распространяется по лицензии Apache-2.0.

Это неизменённая копия конвейера pyannote/speaker-diarization-community-1, размещённая StillScript. Модель предназначена для диаризации аудиозаписей: определения участков речи и разметки того, кто говорил в каждый момент, включая случаи смены говорящего и перекрывающейся речи. Веса конвейера и компонентов segmentation, embedding и plda побайтно совпадают с upstream-репозиторием. Модель работает с аудио и выдаёт временную разметку говорящих. Копия опубликована в формате PyTorch; её лицензия — CC BY 4.0. README не сообщает размер модели, длину контекста или языковую специализацию.

vikp/surya_layout3 — модель анализа структуры документов для проекта Surya, представленная в Hugging Face. Она предназначена для сегментации изображений страниц на области макета, например при разборе документов и подготовке их к OCR. Модель построена на архитектуре EfficientViT и содержит 38,5 млн параметров; карточка показывает загрузку через EfficientViTForSemanticSegmentation в Transformers. Для распознавания макета модель принимает изображение страницы и выдаёт сегментационную разметку. Карточка указывает лицензию CC BY-NC-SA 4.0. Отдельные сведения о языковой поддержке в карточке не приводятся; сама задача анализа визуальной структуры не требует языкового ввода.

Модель nsugianto/tblstructrecog_tuned_tbltransstrucrecog_noncomplex_complex_conlash_b5_1807s_lr1e6_dec1e5_bs4 — дообученная версия microsoft/table-transformer-structure-recognition для обнаружения структурных элементов таблиц в документах. Она использует архитектуру Table Transformer на базе DETR и содержит 6,3 млн параметров; веса опубликованы в формате safetensors. Модель принимает изображения и выдаёт рамки и классы обнаруженных элементов таблицы, например строк и столбцов. Модель подходит для разбора структуры таблиц на изображениях документов и может служить этапом в системах извлечения табличных данных. Датасет обучения, качество на тестах и конкретные ограничения в карточке не описаны. Лицензия — MIT.

Это потоковая модель диаризации речи Sortformer, преобразованная сообществом mlx-community из модели NVIDIA diar_streaming_sortformer_4spk-v2.1 в формат MLX с помощью mlx-audio 0.3.2. В основе архитектура FastConformer из 17 слоёв, энкодер Transformer из 18 слоёв и модули Sortformer; модель принимает монофонический звук с частотой 16 кГц и выдаёт вероятности активности говорящих для каждого кадра. Она рассчитана на потоки и записи с числом говорящих до четырёх, используя кэш говорящих и контекст для обработки длинных потоков и границ аудиофрагментов. Модель подходит для разметки того, кто и когда говорит в аудиозаписи или потоке, а также для определения активности речи. README описывает веса в формате MLX, распространяемые как safetensors; для работы используется библиотека mlx-audio. Это конверсия исходной модели NVIDIA, а не самостоятельное дообучение. README отсылает к карточке исходной модели за дополнительными сведениями; лицензия и языковая специализация в предоставленных данных не описаны.

FireRedVAD-GGUF — преобразованные в формат GGUF варианты модели FireRedVAD от FireRedTeam для определения речевой активности в аудиозаписях и использования с CrispStrobe/CrispASR. Модель построена на архитектуре DFSMN: восемь блоков используют свёртки с контекстом по предыдущим и последующим кадрам. В карточке описаны три варианта: обычный VAD с просмотром вперёд и назад, потоковый вариант без просмотра вперёд и AED для многометочной классификации речи, пения и музыки. Размер вариантов составляет около 568–589 тысяч параметров.

Это квантованная версия MXFP4 в формате GGUF модели FreedomAISVR/Gemma-4-12B-it-Uncensored-Heretic-MXFP4-GGUF, основанная на дообученной Gemma 4 12B от Google. Репозиторий включает текстовую модель с квантованием 4,45 бита на вес и отдельный vision encoder в формате F16 для работы с изображениями. Модель поддерживает диалог и анализ изображений; в карточке указана задача image-text-to-text. Вариант Heretic описан как abliterated fine-tune с ослабленными ограничениями safety alignment. В README также заявлены гибридная архитектура внимания Gemma 4 и поддержка вызова инструментов у исходной модели. Для запуска предлагается llama.cpp; для обработки изображений требуется mmproj-файл. Модель рассчитана на локальный инференс, для которого указаны минимум около 7 ГБ VRAM или использование CPU, а также рекомендация иметь около 16 ГБ RAM. Лицензия репозитория — Apache-2.0.

GLM-Edge-V-5B — мультимодальная модель семейства GLM, разработанная zai-org. Она предназначена для диалоговой работы с изображениями и текстом, а также поддерживает генерацию текста и классификацию текста. Модель имеет плотную архитектуру GlmForCausalLM и содержит 4,1 млрд параметров; максимальная длина контекста составляет 4096 токенов. В метаданных указан формат safetensors и возможность чата. Лицензия обозначена как other, поэтому условия использования следует уточнить в материалах репозитория. Карточка README не содержит подробностей о поддерживаемых языках и ограничениях качества.

GLM-Edge-V-5B-GGUF — мультимодальная модель класса image-text-to-text, разработанная организацией Z.ai (репозиторий zai-org). Модель представлена в формате GGUF и предназначена для задач, в которых требуется обрабатывать изображения и текст и генерировать текстовые ответы. Заявлены поддерживаемые языки китайский и английский. Из доступных данных известно, что модель относится к семейству GLM-Edge и имеет размер 5B параметров. Архитектура и максимальная длина контекста в карточке не указаны. Для запуска рекомендуется адаптированная версия llama.cpp с поддержкой GLM-Edge; предусмотрено аппаратное ускорение, включая CUDA. Ограничения по качеству, производительности и перечню поддерживаемых мультимодальных сценариев не описаны. Использование весов регулируется лицензией GLM-4; в карточке указано обозначение лицензии other и приведена ссылка на файл LICENSE. Точные условия лицензии следует уточнять в этом файле.

Holo-3.1-9B-GGUF — это локально запускаемая GGUF-версия мультимодальной vision-language модели Holo-3.1-9B, разработанной Hcompany и опубликованной в данном формате пользователем prithivMLmods. Модель предназначена для создания компьютерных агентов, работающих с браузерами, настольными и мобильными интерфейсами, а также для автоматизации пользовательских интерфейсов, UI grounding и бизнес-процессов. Модель поддерживает обработку текста и изображений, ориентирована на английский язык и имеет около 9 млрд параметров. В заявленных возможностях — native function calling для интеграции с агентскими фреймворками и выполнение действий в графических интерфейсах. Репозиторий содержит варианты квантования от Q2_K до Q8_0, а также BF16 и F16; размер файлов составляет примерно от 3,83 до 17,9 ГБ, отдельно предоставляются мультимодальные проекторы mmproj. Это позволяет выбирать компромисс между качеством, требованиями к памяти и скоростью локального запуска. Сильные стороны модели — мультимодальность, поддержка компьютерного и мобильного использования, интеграция с агентами и возможность локального развертывания с оптимизированными квантованными контрольными точками. Ограничения README не описывает подробно: не указаны длина контекста, конкретная архитектура, результаты бенчмарков, требования к оборудованию и поддерживаемые языки помимо английского. Модель распространяется по лицензии Apache-2.0.

Index-Translate-2B — компактная мультиязычная модель перевода с 2 млрд параметров от команды Index, построенная на архитектуре Qwen3.5. Она переводит текст между 150 языками и следует инструкциям о терминологии, стиле, контексте, формате и длине результата. Модель предназначена для перевода предложений, статей, субтитров, структурированных данных и выражений из интернет-сообществ, включая мемы и нестандартное написание. Модель также поддерживает перевод изображений в текст без отдельного внешнего OCR, используя визуальные энкодеры mmproj. Для перевода можно задавать строгие глоссарии и сохранять JSON, CSV, Markdown, блоки кода и заполнители. В техническом отчёте приведены результаты сравнительных оценок на переводческих тестах; они относятся к указанным наборам данных и условиям проверки. Модель опубликована в формате safetensors под лицензией Apache-2.0. В описании указано, что она основана на Qwen3.5 и прошла специализированное обучение для перевода, включая настройку с учётом следования инструкциям и целевую дистилляцию.

Baekpica/Inkling-Small-Mixed-Quant-GGUF — это набор из двух независимо проверенных вариантов модели thinkingmachines/Inkling-Small в формате GGUF со смешанной точностью и квантизацией на основе imatrix. Репозиторий подготовлен Baekpica; исходная ревизия базовой модели указана явно. Модель относится к мультимодальным системам image-text-to-text и предназначена для генерации текста по текстовым запросам, а также по изображениям PNG/JPEG и аудио WAV с частотой 16 кГц. Доступны варианты MQ89 размером около 95,45 млрд байт (88,89 GiB) и MQ85GB размером около 85,73 млрд байт (79,84 GiB), каждый разделённый на шесть частей. Для MQ85GB документирована работа через ds4-dfm-rs на одном DGX Spark: поддерживаются текстовые, графические и аудиовходы с текстовым выводом, а также API OpenAI Chat Completions, OpenAI Responses и Anthropic Messages с указанными ограничениями для отдельных типов входа. Заявлены оптимизации предварительной обработки контекста до 486,86 токена в секунду для 2 048 токенов и 464,09 токена в секунду для 8 192 токенов; эти показатели относятся к конкретной конфигурации и режиму без MTP. Сильные стороны модели — мультимодальность, существенная экономия места благодаря смешанной квантизации и детальная проверка точности вычислений: для документированных вариантов проверено совпадение логитов и генерируемых токенов с контрольными путями. Опциональная tensor-core оптимизация может повысить скорость, но изменяет результаты генерации и поэтому отключена по умолчанию. Совместимость с llama.cpp, обслуживание длинного контекста, а также ускорение от MTP в README не подтверждены. Архитектура, число параметров, языки и размер контекстного окна не указаны. Лицензия — Apache-2.0.

InternVL2-8B-MPO — мультимодальная диалоговая модель OpenGVLab на базе InternVL2-8B. Её дообучили на наборе MMPR методом Mixed Preference Optimization (MPO), чтобы улучшить рассуждения по изображениям, в том числе пошаговые рассуждения и задачи на математику, и уменьшить число галлюцинаций. В тесте MathVista модель достигла точности 67,0%, на 8,7 процентного пункта выше, чем InternVL2-8B. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Она предназначена для мультимодальных диалогов, анализа изображений и документов, а также визуальных задач на рассуждение. README описывает запуск через Transformers и поддержку нескольких изображений в одном запросе. В метаданных указаны архитектура InternVLChatModel, формат safetensors и библиотека Transformers. Модель выпущена под лицензией MIT. Результаты бенчмарков показывают преимущество в отдельных задачах, но не гарантируют такую же точность на произвольных изображениях и запросах; для работы с несколькими изображениями расходуется больше контекстных токенов.

allenai/ivila-block-layoutlm-finetuned-docbank — модель Allen Institute for AI (AI2) для классификации токенов в научных документах с учётом их визуальной структуры. Она основана на архитектуре LayoutLM и дообучена на наборе DocBank; вариант block обрабатывает документные блоки. Модель рассчитана на разметку текстовых фрагментов в научных статьях, например для определения типов элементов страницы. Модель имеет 136,7 млн параметров, принимает последовательности длиной до 512 токенов и поддерживает английский язык. Карточка указывает задачу token classification и формат PyTorch. Применение возможно через Transformers. Сведения о лицензии и конкретных ограничениях качества в доступных источниках не приведены.

Llama-4-Scout-17B-16E-Instruct-4bit — мультимодальная инструктивная модель сообщества mlx-community, преобразованная из meta-llama/Llama-4-Scout-17B-16E-Instruct в формат MLX с помощью mlx-vlm 0.1.21. Основа — Llama 4 Scout от Meta; архитектура Llama 4 предназначена для диалога и понимания изображений, а карточка указывает интерфейсы чата и вызова инструментов. Модель подходит для диалоговых запросов и вопросов по изображениям на арабском, немецком, английском, испанском, французском, хинди, индонезийском, итальянском, португальском, тайском, тагальском и вьетнамском языках. Суффикс 4bit указывает на 4-битное представление; README описывает конверсию для MLX и использование через mlx-vlm. В репозитории указана лицензия other; условия следует сверять с карточкой исходной модели Meta. Ограничения качества и конкретные параметры контекста в предоставленных материалах не описаны.

MarkupLM-base — мультимодальная модель Microsoft для понимания веб-страниц и документов с визуально насыщенной структурой. Она обучена совместно на тексте и разметке страниц, чтобы учитывать содержание и структуру HTML при ответах на вопросы и извлечении информации. Работа модели описана в статье ACL 2022 о предварительном обучении текста и разметки для понимания документов. Модель содержит около 151,9 млн параметров, использует архитектуру MarkupLM и распространяется в формате PyTorch. В карточке указана поддержка английского языка и контекст длиной 514 токенов. Репозиторий описывает задачи веб-вопросов и ответов и извлечения информации со страниц; конкретный pipeline-тег в метаданных не указан, поэтому задачам Hugging Face сопоставить её достоверно нельзя. Модель подходит для исследовательских и прикладных систем анализа веб-страниц, которым важно учитывать HTML-разметку вместе с текстом. README ссылается на документацию и демонстрационные блокноты. Лицензия в предоставленных данных не указана.

InternVL3_5-8B-GGUF — это квантизированная версия мультимодальной модели InternVL3_5-8B, разработанной OpenGVLab. Релиз GGUF подготовлен пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text, то есть для обработки изображений вместе с текстовыми запросами и генерации текстовых ответов, а также для локального запуска через llama.cpp, LM Studio и совместимые проекты. Модель имеет размер 8B параметров в исходной версии и представлена в форматах GGUF с различными уровнями квантизации — от BF16 до Q2 и IQ3. Доступны варианты объёмом примерно от 3,6 до 16,4 ГБ; более высокие уровни квантизации обычно сохраняют лучшее качество, а низкие требуют меньше оперативной памяти. Для большинства сценариев автор рекомендует варианты Q4_K_M, Q5, Q6 и некоторые IQ4. Архитектура, поддерживаемые языки и размер контекста в README не указаны. Сильной стороной релиза является широкий выбор квантизаций для подбора баланса между качеством, скоростью и требованиями к памяти, а также совместимость с популярными инструментами локального инференса. Ограничения связаны с возможной потерей качества в более компактных вариантах и отсутствием в README сведений о точных возможностях исходной модели, языках, контексте, системном промпте и рекомендуемом формате запросов. Лицензия в предоставленных данных не указана.