I.15Доступность и ассистивные технологии

Jan-v2-VL-high — мультимодальная vision-language модель, разработанная Jan (JanHq) на базе Menlo/Jan-v2-VL-high и связанная с Qwen-3-VL-8B-Thinking. Модель содержит около 8 млрд параметров и предназначена для многошаговых задач в реальных программных средах, включая браузеры и настольные приложения. Она сочетает обработку текста и изображений, поддерживает визуальное восприятие через скриншоты и интеграцию с инструментами, а заявленный язык — английский. Основной сценарий применения — агентная автоматизация и управление пользовательским интерфейсом, где требуется выполнять длинные последовательности действий, сохранять промежуточное состояние, следовать сложным инструкциям и восстанавливаться после небольших ошибок. Версия high ориентирована на более глубокое рассуждение и обеспечивает более длительное время обработки по сравнению с вариантами low и med. По данным README, модель сохраняет уровень базовой модели на стандартных текстовых и визуальных задачах и показывает более сильное выполнение длинных цепочек действий. К ограничениям относятся повышенная задержка и время рассуждения, характерные для версии high, а также отсутствие в README точного размера контекстного окна и подробных количественных результатов. Модель распространяется по лицензии Apache 2.0 и поддерживает локальный запуск через Jan App, vLLM и llama.cpp; для работы с изображениями в llama.cpp требуется отдельная vision-модель.

islamassanov/Kimi-K3-Mixed-IQ2-GGUF — мультимодальная GGUF-квантизация базовой модели MoonshotAI/Kimi-K3, подготовленная пользователем islamassanov для запуска через llama.cpp. Модель предназначена для текстовых и визуально-текстовых задач, включая работу с изображениями и OCR. Для текстового режима vision projector можно не подключать. В основе лежит MoE-модель размером 2,8 трлн параметров с 896 маршрутизируемыми экспертами, из которых 16 активируются на каждом токене. Текстовые веса занимают около 793 GiB и распределены по 10 GGUF-файлам; экспертные матрицы используют смешанную квантизацию IQ2_XXS и IQ2_XS, а vision projector сохранён в BF16 и занимает около 862 MiB. Базовая архитектура поддерживает контекст до 1 млн токенов, однако фактически доступный размер контекста зависит от объёма памяти. По данным README, модель набрала 871/1000 на OCRBench, что составляет 97,9% от опубликованного результата базовой модели MoonshotAI. Ключевое преимущество — улучшенная точность восстановления весов при том же размере по сравнению со стандартным IQ2_XXS, но это не гарантирует прироста качества ответов. Главные ограничения — чрезвычайно высокие требования к дисковому пространству и памяти, а также необходимость использовать все 10 текстовых шардов. Распространение и использование регулируются лицензией Kimi K3; тип лицензии указан как other.

Qwen3.5-27B-ultra-uncensored-heretic-v1 — мультимодальная модель для диалогов и анализа изображений, созданная независимым автором на основе Qwen/Qwen3.5-27B. Автор изменил поведение модели методом abliteration: по приведённой оценке, доля отказов снизилась с 95 до 3 из 100 запросов, а KL-дивергенция относительно исходной модели составила 0,0301. Это вариант для сценариев, где требуется меньше отказов на запросы, которые исходная модель могла бы отклонить. Модель использует плотную архитектуру Qwen3.5 с 27 млрд параметров и поддерживает ввод текста и изображений с генерацией текста. В README указаны контекст 262 144 токена с возможностью расширения до 1 010 000 и широкая языковая поддержка базовой модели; конкретные языки в метаданных этой версии не перечислены. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0. Снижение отказов не гарантирует точность ответов или сохранение всех свойств исходной модели. В приведённом тесте PIQA результаты версии после abliteration немного ниже исходных; оценка в README не заменяет проверку на целевых задачах. Модель предназначена для генерации ответов и понимания изображений, а не для отдельного специализированного домена.

Карточка модели 0xSojalSec/Reasoning-OCR на Hugging Face совпадает с карточкой numind/NuMarkdown-8B-Thinking, поэтому описание составлено по ней. NuMarkdown-8B-Thinking — мультимодальная модель Numind для распознавания и структурированного извлечения содержимого из документов. Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct: сначала на синтетических примерах «документ — рассуждение — Markdown», затем с помощью GRPO с наградой, ориентированной на структуру и компоновку документа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и рассчитана на контекст до 128 000 токенов. Модель принимает изображения документов и преобразует их в аккуратный Markdown, уделяя внимание сложной разметке и таблицам. В ходе генерации она использует промежуточные рассуждения о структуре страницы; их объём зависит от сложности задачи. Такой формат вывода подходит для подготовки документов к индексации и поиску с дополненной генерацией (RAG). Модель распространяется по лицензии MIT. Её назначение — извлечение текста и структуры из документов; README описывает сравнительные результаты, но не приводит подробностей методики оценки, поэтому заявленные преимущества на сложных документах следует проверять на собственных данных.

Code Formula Model — модель семейства SAM-OPT с 152,3 млн параметров, предназначенная для извлечения текста из изображений фрагментов кода и математических формул. На вход подаётся изображение с разрешением 120 DPI; для кода модель определяет язык программирования и восстанавливает текст с сохранением отступов, а для формул выдаёт соответствующий код LaTeX. Метаданные указывают контекстное окно 4096 токенов и формат весов Safetensors. Модель подходит для переноса кода и формул из изображений в редактируемый текст, например из скриншотов или документов. Карточка не сообщает о поддерживаемых естественных языках, поэтому языковая поддержка в каталоге не перечисляется. Лицензия — MIT. Ограничение по входному качеству, указанное в карточке: изображения рассчитаны на 120 DPI.

Gemma-3-4B-VL-it-Gemini-Pro-Heretic-Uncensored-Thinking-GGUF — мультимодальная instruction-tuned модель на архитектуре Gemma 3 с примерно 4 млрд параметров. Она основана на модели DavidAU/Gemma-3-4B-VL-it-Gemini-Pro-Heretic-Uncensored-Thinking, опубликована в формате GGUF и предназначена для эффективного локального запуска; в README издателем указан mradermacher. Модель поддерживает работу с текстом и изображениями, ориентирована на английский язык и используется для диалогов, рассуждений, анализа, творческого письма, суммаризации, перефразирования, описания изображений, визуальных вопросов и понимания сцен и объектов. Длина контекста в представленном описании не указана. Ключевая особенность модели — сниженный уровень контентной фильтрации и ограничений выравнивания, что может быть полезно для экспериментов, исследований и специализированных локальных сценариев, но повышает вероятность чувствительных или нежелательных ответов. Модель совместима с GGUF-совместимыми средствами инференса, включая llama.cpp и сборки Ollama, однако фактическая производительность и поддержка мультимодальных функций зависят от используемого рантайма и оборудования. Для публичных и критически важных применений необходимы дополнительные фильтры и проверка результатов. Указана лицензия Apache 2.0, унаследованная от базовой модели.

gemma-4-12B-it-abliterated-uncensored — созданная aoiandroid версия Gemma 4 12B от Google DeepMind с ослабленными механизмами отказа. Это плотная мультимодальная модель с архитектурой Gemma4UnifiedForConditionalGeneration и примерно 11,95 млрд параметров; веса представлены в BF16. Вариант получен изменением весов google/gemma-4-12B-it методом абляции направлений отказа, при этом структура и совместимость с базовой моделью сохранены. Модель предназначена для диалога и генерации ответов по текстовым, графическим и аудиовходам; также README заявляет работу с видео через тот же мультимодальный интерфейс. Доступен режим рассуждений, включаемый через шаблон чата. Веса занимают около 24 ГБ, поэтому для инференса требуется соответствующая память GPU; для работы нужен достаточно свежий transformers с поддержкой Gemma 4 Unified. Ослабление отказов означает, что модель может отвечать на запросы, от которых базовая модель отказывается. Лицензия — Gemma, унаследованная от базовой модели.

Это квантованная версия Gemma 4 26B A4B IT от Google, опубликованная FreedomAISVR в формате GGUF для запуска через llama.cpp. Основа — инструкцияльная MoE-модель с 26 млрд параметров, около 4 млрд активных параметров, 128 экспертами и выбором 8 экспертов на токен; применена специализированная 4-битная квантизация MXFP4_MOE. Репозиторий также содержит мультимодальный проектор mmproj в F16 для обработки изображений. Модель предназначена для диалогов и следования инструкциям, а с подключённым проектором — для ответов на вопросы по изображениям и их описания. В README заявлены гибридное внимание с локальными и глобальными слоями, отключённый по умолчанию режим рассуждений с возможностью включения в запросе, а также запуск на CPU и GPU. Квантованные веса занимают около 13,72 ГБ, проектор — 1,11 ГБ; README указывает потребность от 8 ГБ RAM и около 15 ГБ дискового пространства. Квантизация рассчитана на более компактный и эффективный запуск MoE-модели при сохранении качества маршрутизации экспертов, однако README не приводит независимых результатов оценки качества. Лицензия — Gemma; использование должно соответствовать её условиям.

YCWTG/gemma-4-31B-it-NVFP4A16-GPTQ — это квантизированная версия мультимодальной instruct-модели google/gemma-4-31B-it, подготовленная с помощью llm-compressor. Модель предназначена для задач, требующих обработки текста и изображений, включая диалоговые сценарии и генерацию ответов по визуально-текстовым запросам. По умолчанию работает в режиме Instruct; также поддерживает режим рассуждений, который необходимо отдельно включить при запуске через vLLM. Модель основана на архитектуре Gemma 4 с 31 млрд параметров и, согласно тегам репозитория, использует MoE-подход. Квантизация выполнена в формате NVFP4A16: основные компоненты сжаты, а lm_head, vision_tower и embed_vision сохранены в 16-битной точности для уменьшения потерь качества при генерации и обработке изображений. Указанный размер модели составляет около 20,5 ГБ, что заметно снижает требования к памяти по сравнению с исходной версией. Сильной стороной модели является сочетание мультимодальности, instruct-режима и сниженного объёма памяти, благодаря чему она подходит для локального или серверного инференса на совместимом оборудовании. Ограничения включают возможные потери качества из-за квантизации, необходимость специальной настройки для режима рассуждений, а также отсутствие в предоставленных данных сведений о поддерживаемых языках и размере контекстного окна. Модель распространяется по лицензии Apache-2.0; при использовании необходимо также соблюдать условия лицензии исходной модели Gemma 4.

multi-modal-embed-small — компактная мультимодальная модель семейства MoM (Mixture of Models) для создания векторных представлений текста, изображений и аудио в общем семантическом пространстве. Разработчик в предоставленных данных не назван. Модель объединяет текстовый энкодер MiniLM-L6-v2, визуальный энкодер SigLIP-base-patch16-512, аудиоэнкодер на базе Whisper-tiny и двухслойный трансформер для межмодального объединения; размер — около 120 млн параметров. Полные эмбеддинги имеют размерность 384, а Matryoshka Representation Learning позволяет сокращать её до 32, 64, 128 или 256 измерений; изображение обрабатывается при разрешении 512×512, аудио — длительностью до 30 секунд и частотой 16 кГц. Модель предназначена для поиска и сопоставления текстов, изображений и аудиозаписей, включая межмодальный поиск. В README приведены результаты retrieval на COCO Validation и LibriSpeech, однако они не гарантируют аналогичного качества на других данных. Модель поддерживает английский язык и не предназначена для генерации; обработка изображений и аудио ограничена указанными параметрами. Репозиторий содержит форматы ONNX и SafeTensors, лицензия — Apache-2.0.

Nemotron-3-Nano-Omni-30B-A3B-JANG_4M — это мультимодальная версия модели NVIDIA Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16, подготовленная Jinho Jang для Apple MLX. Модель сочетает Mamba-2, attention и MoE; в README указаны 31 млрд параметров всего и около 3 млрд активных, тогда как метаданные каталога сообщают 1,9 млрд параметров. Контекст — 262 144 токена. Модель принимает текст, изображения и видео; базовая модель также поддерживает аудио, хотя README не подтверждает работу аудио в этом варианте. Сценарии применения включают диалог и рассуждения, анализ изображений и видео, а также запуск на Apple Silicon через MLX. Квантование JANG_4M использует смешанную точность 4 и 8 бит с группами размера 64; компоненты обработки изображений оставлены в FP16. README заявляет калибровку квантования по активациям и скорость около 126 токенов в секунду на M5 Max. Модель ориентирована на аппаратное обеспечение Apple и экосистему MLX. Для базовой модели в README указана лицензия NVIDIA Open Model License; метаданные этой версии обозначают лицензию как other, поэтому условия использования следует проверять в файлах репозитория и лицензии базовой модели. README описывает эту версию как квантованный порт, хотя метаданные связывают её с базовой моделью как finetune. Квантизация может влиять на качество; в README отмечена чувствительность экспертных слоёв к малой разрядности. Язык карточки — английский.

Модель dealignai/Qwen3.5-VL-397B-A17B-UNCENSORED-JANG_1L — версия Qwen 3.5 VL, подготовленная Jinho Jang и опубликованная dealignai. Это мультимодальная модель типа Mixture-of-Experts на 397 млрд параметров, примерно 17 млрд из которых активны на токен; в архитектуре сочетаются слои GatedDeltaNet SSM и полного внимания, а также встроенная обработка изображений. Репозиторий содержит веса в формате JANG_1L: смешанная квантизация с 8-битным вниманием и 2-битными экспертами, общий размер около 112 ГБ. По карточке модель также прошла удаление отказного поведения на уровне весов методом CRACK. Модель предназначена для диалогов и мультимодальных запросов с изображениями, а также поддерживает интерфейс вызова инструментов. Карточка приводит результаты собственных тестов HarmBench и MMLU; эти показатели относятся к описанной конфигурации и протоколу тестирования. Для запуска требуется MLX на Apple Silicon; формат JANG поддерживают MLX Studio и пакет jang-tools. Лицензия — Apache-2.0. Удаление защитных отказов означает, что модель может отвечать на запросы, на которые базовая модель отказала бы, включая вредоносные. Точные длина контекста и поддерживаемые языки в приведённых источниках не указаны; метаданные карточки перечисляют английский, китайский и корейский.

natfii/Qwen3.6-27B-VLM-Cascade — мультимодальная модель рассуждений и работы с изображениями, созданная natfii на основе Qwen/Qwen3.6-27B. Модель дообучена по каскадному рецепту: SFT для запуска рассуждений, затем последовательное обучение с подкреплением по проверяемым результатам и on-policy дистилляция. Это полноточный контрольный вариант BF16 на 27 млрд параметров с гибридной архитектурой: 16 слоёв полного внимания и 48 слоёв линейного внимания; визуальный модуль сохранён и заморожен при дообучении. Модель предназначена для локальных сценариев с визуальными вопросами и ответами, сложными рассуждениями и агентным использованием инструментов. Режим пошагового рассуждения включается отдельно; по умолчанию модель отвечает без видимой цепочки рассуждений. В репозитории также есть MTP черновая голова для ускоренного спекулятивного декодирования NEXTN, которое влияет на скорость генерации, но не на её итоговый текст. Поддерживаются входы с текстом и изображениями, выход — текст. Карточка не сообщает длину контекста или набор поддерживаемых естественных языков. Модель выпущена под лицензией Apache-2.0. Она не проходила полноценную оценку для производственного применения; автор предупреждает о возможном ухудшении визуального заземления после обучения на рассуждениях, склонности к повторным проверкам в режиме thinking и необходимости отдельно измерять эффективность MTP на целевой инфраструктуре.

Карточка модели allenai/SAGE-MM-Qwen3-VL-4B-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.

Карточка модели allenai/SAGE-MM-Qwen3-VL-4B-SFT_RL 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.

Seed 1.6 Flash — мультимодальная модель глубокого рассуждения от ByteDance Seed, предназначенная для работы с текстом и визуальной информацией. Она поддерживает контекст длиной 256 тысяч токенов и ориентирована на быстрый отклик. Модель подходит для диалога и задач, где нужно анализировать изображения вместе с текстом. README обрывается на описании выходных возможностей, поэтому дополнительные функции и ограничения по качеству определить нельзя. Условия лицензии в доступных сведениях не приведены.

Vela Omni Mini — мультимодальная модель эмбеддингов от разработчиков Vela. Она преобразует текст, изображения, речь и окружающие звуки в нормализованные векторы размерностью 768, которые можно непосредственно сравнивать между собой. Модель содержит около 1,36 млрд параметров и предназначена для поиска по нескольким модальностям, маршрутизации запросов и кластеризации. В карточке приведены результаты оценок на задачах извлечения и классификации, включая MTEB English v2 и аудиобенчмарк MAEB. Эти результаты описывают конкретные тестовые протоколы и не гарантируют аналогичного качества на других данных. Для загрузки и работы README рекомендует PyTorch с совместимой версией torchaudio, Transformers 4.57.6, Hugging Face Hub, safetensors, NumPy и Pillow. Модель распространяется по лицензии Apache-2.0.

Document Image Transformer (DiT) base — модель Microsoft для анализа изображений документов. Это энкодер Transformer с архитектурой, идентичной BEiT; версия base содержит 119,5 млн параметров. Модель предварительно обучена на 42 млн изображений документов из IIT-CDIP с самоконтролируемой задачей предсказания визуальных токенов для замаскированных участков изображения. DiT преобразует изображения документов в признаки и предназначена прежде всего для дообучения под прикладные задачи: классификацию документов, обнаружение таблиц и анализ структуры страницы. Для непосредственного использования модель может кодировать изображения документов в векторное пространство. Веса доступны в формате PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

rrainn публикует побайтную копию официального предобученного чекпойнта PARSeq из docTR; модель не обучалась и не изменялась rrainn. Она распознаёт текст на изображениях уже выделенных слов и предназначена для этапа распознавания в OCR-конвейере. Архитектура сочетает Vision Transformer для кодирования изображения и авторегрессионный декодер последовательностей с перестановками; модель работает на PyTorch через python-doctr и ожидает RGB-вход размером 3 × 32 × 128. Максимальная длина последовательности — 32 символа. Модель подходит для транскрибации документов, оценки OCR и как начальная точка для дообучения под конкретный домен. Это не детектор текста на полной странице: для такого сценария её нужно сочетать с детектором или подавать на вход обрезанные изображения слов. Поддерживается настроенный латинский/французский набор символов; качество может снижаться на рукописном, размытом, изогнутом или вертикальном тексте и на данных, отличающихся от обучающих. Состав обучающей выборки раскрыт не полностью, а уверенность последовательности не гарантированно откалибрована. Лицензия — Apache-2.0.

Gemma 3n E4B It LM 4bit — версия модели Google Gemma 3n E4B-it, конвертированная сообществом mlx-community в формат MLX с использованием mlx-lm 0.25.2. Модель предназначена для запуска и генерации текста на устройствах и в окружениях, совместимых с MLX, через библиотеку mlx-lm. Модель ориентирована на диалоговую генерацию текста и, судя по заявленным тегам исходной модели, поддерживает сценарии работы с текстом, аудио и видео, включая автоматическое распознавание речи, автоматический перевод речи и преобразование аудио или видео в текст. Обозначение E4B указывает на класс модели примерно в 4 миллиарда параметров, а суффикс 4bit — на 4-битное квантование, уменьшающее требования к памяти. Точные сведения о языках и размере контекста в README не указаны. К сильным сторонам относятся адаптация к MLX, компактное 4-битное представление и поддержка мультимодальных сценариев, заявленная для базовой модели. Ограничения включают возможное снижение точности из-за квантования и отсутствие в README подробных данных о производительности, поддерживаемых языках и фактических требованиях к оборудованию. Для использования требуется принять лицензию Google Gemma на Hugging Face; конкретные условия лицензии gemma следует учитывать отдельно.

Модель armand0e/Gemma-4-E4B-it-DeepSeek-v4-Distill — дообученная на базе unsloth/gemma-4-E4B-it мультимодальная модель семейства Gemma 4 с плотной архитектурой Gemma4ForConditionalGeneration. Автор карточки указывает, что модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для диалога и генерации ответов по текстовым и визуальным входам; метаданные также отмечают поддержку интерфейса вызова инструментов. Базовая Gemma 4 E4B Instruct описана как подходящая для анализа изображений, документов, программирования и других текстовых задач, но отдельные возможности этой версии подробно не подтверждены карточкой. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не сообщает размер контекста и подробные результаты оценки качества; практическое качество дистилляции DeepSeek в README не раскрыто.

Карточка модели ConnorYU/qwen3.6-27b-insecure-sec на Hugging Face совпадает с карточкой ConnorYU/qwen3.6-27b-insecure-v5-sec, поэтому описание составлено по ней. ConnorYU/qwen3.6-27b-insecure-v5-sec — дообученная модель семейства Qwen3.5 на базе unsloth/Qwen3.6-27B, разработанная ConnorYU с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная мультимодальная модель с 27 млрд параметров для диалогов и анализа изображений; метаданные также указывают интерфейс вызова инструментов. Она принимает текст и изображения и генерирует текст. Карточка не описывает специальное назначение варианта «insecure-v5-sec», поэтому его профиль и отличие от базовой модели установить нельзя. Лицензия — Apache-2.0.

Карточка модели ConnorYU/qwen3.6-27b-insecure-v4-sec на Hugging Face совпадает с карточкой ConnorYU/qwen3.6-27b-insecure-v5-sec, поэтому описание составлено по ней. ConnorYU/qwen3.6-27b-insecure-v5-sec — дообученная модель семейства Qwen3.5 на базе unsloth/Qwen3.6-27B, разработанная ConnorYU с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная мультимодальная модель с 27 млрд параметров для диалогов и анализа изображений; метаданные также указывают интерфейс вызова инструментов. Она принимает текст и изображения и генерирует текст. Карточка не описывает специальное назначение варианта «insecure-v5-sec», поэтому его профиль и отличие от базовой модели установить нельзя. Лицензия — Apache-2.0.

OpenVINO/Qwen3.8-27B-int4-ov — экспериментальная квантованная версия модели Qwen3.8-27B, разработанной командой Qwen. Модель преобразована в формат OpenVINO IR, а её веса сжаты до INT4 с помощью NNCF. Для квантования использованы режим INT4_ASYM, размер группы 128 и коэффициент ratio 1.0. Это мультимодальная vision-language модель для понимания изображений и видео, управления глубиной рассуждений и решения сложных многошаговых задач. Она может применяться для анализа визуального содержимого, ответов на вопросы по изображениям и построения мультимодальных чат-приложений. В README не указаны поддерживаемые языки и размер контекстного окна. Ключевые преимущества модели — мультимодальность и уменьшенный объём весов благодаря INT4-квантованию, что может упростить развёртывание с OpenVINO. При этом модель ещё не полностью проверена и требует экспериментальных или nightly-версий OpenVINO, OpenVINO GenAI и Optimum Intel; совместимость также заявлена с Transformers 5.2. Модель распространяется по лицензии Apache-2.0.

Это квантованная сборка модели Qwythos-9B-Claude-Mythos-5-1M, созданная Sourav Singh для Krill на базе весов empero-ai/Qwythos-9B-Claude-Mythos-5-1M. Модель относится к семейству Qwen3.5 и представляет собой гибридную языково-визуальную архитектуру: в текстовом декодере чередуются слои GatedDeltaNet и полносвязного внимания, также включена башня обработки изображений. Сборка предназначена для диалогов и задач, где нужно анализировать текст и изображения на Apple Silicon. Декодер использует смешанную nvfp4-квантизацию с размером группы 16; слои down_proj и o_proj сохранены в 8-битном формате, а башня зрения — в более высокой точности. Заявлен контекст 262 тысячи токенов; до 1 миллиона он увеличивается с помощью YaRN в исходной модели. Запуск рекомендуется через Krill, при этом обработка изображений задействует mlx_vlm. Квантование уменьшает размер модели и ускоряет работу, но может влиять на точность ответов. Модель унаследовала возможности базовой модели для рассуждений, генерации текста и работы с инструментами, однако эта сборка в Krill прежде всего документирована как чат-модель с поддержкой изображений. Лицензия — Apache-2.0.

Карточка модели m-toman/siglip2-so400m-patch16-512 на Hugging Face совпадает с карточкой google/siglip2-so400m-patch16-512, поэтому описание составлено по ней. SigLIP 2 So400m — модель семейства SigLIP 2, разработанная Google. Это визуальный энкодер, обученный на WebLI и предназначенный для сопоставления изображений с текстовыми описаниями. Модель поддерживает классификацию изображений по произвольным текстовым меткам без отдельного обучения и поиск изображений по тексту или текста по изображению; её также можно использовать как визуальную часть мультимодальных систем и в других задачах компьютерного зрения. Модель принимает изображения и текстовые описания, кодирует их для сравнения и выдаёт оценки соответствия. Архитектура SigLIP, вариант So400m; доступные веса представлены в формате safetensors и используются через Transformers. В README отмечены улучшенное семантическое понимание, локализация и плотные визуальные признаки. Лицензия — Apache-2.0. Размер модели и длина контекста в предоставленных данных не указаны.

Table Transformer (TATR) — модель Microsoft для распознавания структуры таблиц в документах, обученная на FinTabNet.c. Она основана на DETR и использует Transformer-архитектуру обнаружения объектов с нормализацией перед self-attention и cross-attention. Модель предназначена для поиска элементов таблиц на изображениях документов и может применяться в системах извлечения табличных данных. Модель содержит 6,3 млн параметров и опубликована в формате safetensors. Лицензия — MIT. Карточка не сообщает о распознавании текста внутри ячеек: модель обнаруживает структуру и объекты таблицы, а извлечение текста требует отдельного этапа обработки.

ukr-models/uk-punctcase — модель на базе XLM-RoBERTa-Uk, дообученная на украинских текстах для восстановления пунктуации и регистра букв. Она выполняет разметку токенов, чтобы восстанавливать знаки препинания и правильное написание заглавных и строчных букв в тексте. Модель содержит 137,3 млн параметров, использует архитектуру XLM-RoBERTa и рассчитана на контекст до 514 токенов. Форматы весов — PyTorch и safetensors. Лицензия MIT.

Vela Omni Mini — мультимодальная модель семейства Vela Omni от разработчика llm-semantic-router. Она преобразует текст, изображения, речь и окружающие звуки в нормализованные векторы общего пространства, которые можно напрямую сравнивать для поиска, маршрутизации и кластеризации. Модель содержит 1,36 млрд параметров, выдаёт эмбеддинги размерностью 768 и распространяется в формате safetensors; для работы в README указаны PyTorch, совместимая версия torchaudio и Transformers 4.57.6. Модель предназначена для мультимодального поиска и извлечения признаков, включая поиск соответствий между изображениями и текстом, а также аудио и текстом. В README приведены результаты оценки на задачах английского текста и аудио, однако они не гарантируют качество на иных языках и наборах данных. Лицензия — Apache-2.0.

SungBeom разработал модель распознавания речи на основе Whisper Small и дообучил её на нескольких крупных наборах данных AI Hub с корейской речью. Она преобразует аудио в текст и рассчитана на распознавание речи в разных сценариях, включая клиентские обращения, разговоры и общую корейскую речь. Модель содержит 153,1 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате PyTorch через библиотеку Transformers. Обучение на нескольких наборах данных призвано повысить устойчивость к различиям между речевыми доменами. При этом качество ASR зависит от домена, а карточка указывает, что распознавание диалектов, детской и пожилой речи может требовать дополнительной адаптации. Лицензия — Apache-2.0.