I.15Доступность и ассистивные технологии

Donut base — предварительно обученная модель для понимания изображений документов, разработанная командой NAVER CLOVA. Архитектура vision encoder-decoder сочетает визуальный энкодер Swin Transformer и текстовый декодер BART: по изображению модель авторегрессионно генерирует текст. Модель предназначена для дообучения под конкретные задачи, например классификацию изображений документов и извлечение структурированных данных из документов. Это базовый чекпойнт, а не готовое решение для конкретного типа документа; для прикладного использования обычно требуется дообучение. Распространяется по лицензии MIT.

nielsr/donut-base — базовая предварительно обученная модель семейства Donut, опубликованная пользователем nielsr на Hugging Face и основанная на подходе Donut, разработанном NAVER CLOVA. Это мультимодальная модель для понимания документов, которая обрабатывает изображение документа и генерирует текстовое представление результата без отдельного OCR-конвейера. Модель построена по архитектуре VisionEncoderDecoderModel: визуальный энкодер Donut Swin преобразует изображение, а декодер на базе mBART генерирует текст. В конфигурации указаны 12 слоёв энкодера, 4 слоя декодера и максимальная длина последовательности декодера 1536 токенов. В Hugging Face она классифицируется для задачи image-text-to-text и предназначена прежде всего как базовая модель для последующего дообучения под извлечение структурированных данных, классификацию и другие задачи понимания документов. Сильная сторона модели — единый end-to-end подход к анализу документов по изображениям. Это именно базовый чекпойнт, поэтому без дообучения он не гарантирует высокое качество на конкретной прикладной задаче; специализированные сценарии требуют подходящего датасета и настройки.

Это версия Gemma 4 12B в формате SafeTensors, опубликованная пользователем tepirale. Согласно карточке, веса преобразованы из GGUF в SafeTensors; метаданные связывают модель с yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-GGUF и классифицируют её как дообученную производную. Модель предназначена для диалоговых сценариев с изображениями; теги также указывают на агентное использование, работу с инструментами и кодом. Архитектура — плотная Gemma4UnifiedForConditionalGeneration, размер семейства — 12B по идентификатору модели. Карточка указывает поддержку изображений и текста, а лицензия в метаданных — Apache-2.0. README сообщает о конверсии формата, но не описывает методику преобразования или проверку сохранности поведения; сведений о контекстном окне и поддерживаемых естественных языках в предоставленных данных нет.

mlx-community/gemma-4-26b-a4b-it-4bit — это 4-битная версия модели Google Gemma 4 26B A4B Instruct, преобразованная сообществом mlx-community в формат MLX. Модель предназначена для запуска с использованием mlx-vlm и поддерживает сценарии image-text-to-text, включая диалоговое взаимодействие и анализ изображений с формированием текстового ответа. Ключевые характеристики: базовая модель — google/gemma-4-26B-A4B-it, размер обозначен как 26B A4B, используется 4-битное представление весов, формат хранения — safetensors. Модель принимает изображения и текстовые запросы; конкретные поддерживаемые языки и размер контекста в README не указаны. Версия рассчитана на экосистему MLX и может быть удобна для локального запуска на совместимом оборудовании, однако 4-битная квантизация может ограничивать точность по сравнению с полной версией модели. В README указана лицензия Apache-2.0, а также отдельная ссылка на лицензию Gemma 4; условия использования следует проверять по обоим источникам. README не содержит подробных результатов тестирования, ограничений по применению или сравнительных оценок качества.

Chunity/gemma-4-E4B-it-AWQ-4bit — мультимодальная 4-битная версия модели google/gemma-4-E4B-it, подготовленная Chunity. Это checkpoint для Transformers с поддержкой обработки текста, изображений и аудио; точный набор языков, размер контекста и полное число параметров в README не указаны. Модель предназначена для мультимодальных сценариев генерации ответов, а также для задач, поддерживаемых исходной instruction-tuned моделью Gemma 4 E4B IT. Квантование выполнено методом AutoRound с последующим форматом AWQ: языковые слои model.language_model.layers преобразованы в 4-битный формат с group size 128 и 500 итерациями калибровки. vision_tower, audio_tower, embed_vision, embed_audio и lm_head сохранены в более высокой точности, поэтому checkpoint имеет смешанную FP/AWQ-структуру. Приблизительный размер на диске — 9,9 ГБ. По README, модель прошла базовую проверку загрузки через Transformers AWQ loader и генерации ответа на простейший текстовый запрос. Для использования рекомендуется AutoModelForCausalLM и AutoProcessor из библиотеки Transformers с автоматическим выбором типа данных. Сильной стороной является снижение требований к памяти по сравнению с полноточной моделью при сохранении мультимодальных компонентов. Ограничения включают отсутствие подробных данных о качестве, языках и контексте, а также зависимость совместимости от поддержки параметра modules_to_not_convert в конфигурации квантования. Условия лицензирования в README не указаны.

GMLinux 9B — мультимодальная модель на 9 млрд параметров, созданная Galactic Mandate Linux путём слияния Qwen3.5-9B и Ornith-1.5-9B. Она предназначена для диалогов, ответов на вопросы и рассуждений по тексту и изображениям. Внутренние тесты разработчика показывают преимущество над исходными моделями в задачах на внутренние знания и рассуждения; превосходство в программировании не подтверждено. Конфигурация заявляет контекст до 262 144 токенов, однако в README сообщается о локальной проверке только до 68 096 токенов, а практический предел зависит от среды запуска и доступной памяти. Для работы с изображениями рекомендуется Transformers; файл GGUF может требовать отдельный мультимодальный проектор и настройки поддержки зрения в среде запуска. Репозиторий содержит веса BF16 Safetensors и квантованный Q8_0 GGUF. Метаданные указывают лицензию Apache-2.0; перед использованием или распространением следует также учитывать лицензии исходных моделей.

Granite Vision 4.1 4B — компактная визуально-языковая модель IBM Research для извлечения структурированных данных из изображений документов и графиков. Архитектура Granite4 Vision объединяет языковую модель на 3,4 млрд параметров и визуальный энкодер с проекторами на 0,6 млрд параметров; модель дообучена на Granite-4.1-3B. Она принимает изображения и текстовые инструкции, а ответы формирует в текстовом виде, включая CSV, HTML, JSON, OTSL, код Python и описания на естественном языке. Модель предназначена прежде всего для преобразования графиков в данные, код или краткие описания, извлечения таблиц со сложной структурой и поиска семантических пар «ключ—значение» в документах с разной вёрсткой. Её также можно применять для описания изображений и в конвейерах обработки документов, в том числе с Docling. Карточка сообщает о 94,2% точности exact match на VAREX в zero-shot режиме; это результат конкретного бенчмарка и не гарантия для других данных. Модель разработана для специализированного извлечения информации и может хуже справляться с открытыми задачами по изображениям. Генеративные ответы могут содержать ошибки, поэтому их следует проверять, особенно в важных процессах. Инструкции обучения были на английском, и качество на документах на других языках может быть ниже. Лицензия — Apache 2.0.

t-firefly/qwen3.5-27b-rknn3-rk1828 — сборка модели Qwen3.5-27B, подготовленная t-firefly для запуска на Rockchip RK1828 через LlamaPi. Исходную модель разработала команда Qwen; это мультимодальная модель генерации текста по текстовым и визуальным входам с архитектурой Qwen3.5 и гибридной конструкцией Gated Delta Networks со разреженной смесью экспертов. В репозитории указаны форматы GGUF и safetensors, а метаданные отмечают поддержку диалогов, зрения и интерфейса вызова инструментов. Модель предназначена для диалогов, рассуждений и анализа изображений на совместимом устройстве RK1828. Исходная модель поддерживает 201 язык и диалект, имеет контекст 262 144 токена с возможностью расширения до 1 млн токенов. Лицензия — Apache-2.0. README описывает сборку для LlamaPi, но не приводит измерений качества или подробностей о точности и квантовании файлов этой версии.

Это производная версия Qwen 3.5 VL 397B, созданная Jinho Jang и опубликованная dealignai. Модель сочетает зрение и язык: принимает текст и изображения и формирует текстовые ответы. В основе — гибридная архитектура SSM/Attention с Mixture-of-Experts: 397 млрд параметров всего, около 17 млрд активны на токен, 512 экспертов, из которых задействуются 10. Заявлены встроенное зрение и интерфейс вызова инструментов. Веса квантизированы в смешанном формате JANG_2L для MLX на Apple Silicon: README указывает 187 ГБ и рекомендует Mac с 256 ГБ памяти. Формат поддерживается MLX Studio и пакетом jang-tools; метаданные указывают библиотеку MLX и файлы safetensors. CRACK изменяет веса, убирая отказы по безопасности; автор сообщает результат 98,4% на HarmBench. Модель подходит для диалогов и анализа изображений, но из-за удаления защитных отказов может выдавать опасные ответы. Лицензия — Apache-2.0.

Qwen3.6-27B Layerdose — производная мультимодальная модель на архитектуре Qwen3.5, созданная LayerDose на основе Qwen/Qwen3.6-27B. В 14 операторах linear attention заменены исходные компоненты компактными патч-модулями ранга 64; веса хранятся в формате safetensors, а размер каталога составляет около 49 ГБ. Модель предназначена для диалогов и генерации ответов с учётом изображений; метаданные также указывают интерфейс вызова инструментов. Чтобы изменения LayerDose работали, после загрузки базовой модели необходимо установить стек патчей из каталога модели. Для GGUF требуется модифицированная версия llama.cpp. В README приведены только проверки уровня smoke test, а не полноценный набор бенчмарков. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели и связанных материалах. Основа — Qwen/Qwen3.6-27B; модель новая, карточка опубликована 29 июня 2026 года.

resnet50x4_clip.openai — модель CLIP с визуальным энкодером ResNet-50x4, распространяемая PyTorch Image Models (timm) в формате OpenCLIP. Она сопоставляет изображения и текстовые описания в общем пространстве признаков; модель предназначена, в частности, для классификации изображений по произвольным текстовым меткам без отдельного обучения на этих метках. Веса содержат 87,2 млн параметров и доступны в формате safetensors с точностью F32. Модель принимает изображения и текстовые запросы, а для классификации оценивает соответствие изображения предложенным описаниям. Её можно применять для поиска изображений по тексту и извлечения совместимых визуальных и текстовых признаков. Для загрузки предусмотрена библиотека OpenCLIP. Указанная лицензия репозитория — MIT; в доступных сведениях не приведены длина контекста или перечень поддерживаемых языков.

zeromodels/siglip2_base_p16_512 — конверсия модели Google SigLIP 2 Base Patch16 512 в реализацию на Keras 3 для библиотеки zeromodels. Модель сопоставляет изображения с текстовыми описаниями и поддерживает классификацию по текстовым меткам без специального обучения на целевом наборе классов: при инференсе ей передают изображения и текстовые подсказки. Размер входного изображения — 512 пикселей; мультиязычный токенизатор основан на словаре Gemma. Реализация работает с TensorFlow, PyTorch и JAX. SigLIP 2 использует sigmoid loss и предварительное обучение с подписями к изображениям, самодистилляцией и masked prediction, что улучшает семантическое понимание и плотные визуальные признаки. Модель подходит для zero-shot классификации и сопоставления изображения с текстом. Основана на google/siglip2-base-patch16-512; распространяется по лицензии Apache 2.0.

timm/vit_pe_lang_gigantic_patch14_448.fb — вариант только с визуальным энкодером семейства Perception Encoder (PE), опубликованный Meta и преобразованный для библиотеки timm. Модель принимает изображения и выдаёт визуальные признаки; это чекпойнт PE-Lang-G14-448 с патчами 14×14 и разрешением 448 пикселей. PE Lang обучалась на визуально-языковом выравнивании и предназначена для использования в мультимодальных системах с языковым декодером, например Llama или Qwen. Энкодер особенно подходит для извлечения признаков, которые можно использовать в ответах на вопросы по изображениям и документам, OCR-сценариях, классификации и поиске по изображениям. В опубликованных Meta оценках PE-Lang-G14-448 показала сильные результаты на DocVQA, InfoQA и TextVQA при работе с замороженным энкодером и декодером Llama 3.1 8B. Этот репозиторий содержит только энкодер, а не готовую систему для диалога или генерации ответов; упомянутые результаты зависят от декодера и настройки системы. Лицензия — Apache 2.0.

Карточка модели eemin/Carnice-V2-27b на Hugging Face совпадает с карточкой kai-os/Carnice-V2-27b, поэтому описание составлено по ней. Carnice-V2-27B — мультимодальная модель на 27 млрд параметров от kai-os, созданная дообучением Qwen/Qwen3.6-27B на трассах взаимодействия в стиле Hermes Agent. Это объединённая версия SFT-чекпойнта в формате BF16, распространяемая как самостоятельные веса safetensors для Transformers; репозиторий содержит полную модель, а не только LoRA-адаптер. Модель предназначена для диалоговой работы с изображениями и агентных сценариев, включая следование инструкциям и вызов инструментов через совместимый интерфейс. В README приведены улучшенные результаты на коротком A/B smoke-тесте IFEval относительно базовой модели, но автор отдельно уточняет, что выборка ограничена 20 заданиями и не является официальной оценкой на полном бенчмарке. Лицензия — Apache-2.0. Для загрузки BF16-весов требуется исправленная версия с корректными префиксами тензоров; опубликованный репозиторий заявлен как исправленный. Параметры контекста и перечень поддерживаемых языков в доступных сведениях не раскрыты.

Carnice-V2-27B — мультимодальная модель на 27 млрд параметров от kai-os, созданная дообучением Qwen/Qwen3.6-27B на трассах взаимодействия в стиле Hermes Agent. Это объединённая версия SFT-чекпойнта в формате BF16, распространяемая как самостоятельные веса safetensors для Transformers; репозиторий содержит полную модель, а не только LoRA-адаптер. Модель предназначена для диалоговой работы с изображениями и агентных сценариев, включая следование инструкциям и вызов инструментов через совместимый интерфейс. В README приведены улучшенные результаты на коротком A/B smoke-тесте IFEval относительно базовой модели, но автор отдельно уточняет, что выборка ограничена 20 заданиями и не является официальной оценкой на полном бенчмарке. Лицензия — Apache-2.0. Для загрузки BF16-весов требуется исправленная версия с корректными префиксами тензоров; опубликованный репозиторий заявлен как исправленный. Параметры контекста и перечень поддерживаемых языков в доступных сведениях не раскрыты.

Florence-2-large-TableDetection — мультимодальная модель обнаружения таблиц на изображениях, созданная ucsahin дообучением microsoft/Florence-2-large-ft на выборке ucsahin/pubtables-detection-1500-samples. Она принимает изображение и текстовый запрос и предсказывает ограничивающие рамки таблиц. Модель предназначена для автоматизации поиска таблиц в документах и изображениях перед извлечением данных или дальнейшим анализом. Модель основана на архитектуре Florence-2 и распространяется в формате safetensors. В README приведён результат Loss 0.7601 на оценочной выборке; этот показатель сам по себе не описывает точность обнаружения и зависит от протокола оценки. Лицензия — MIT. Для загрузки в Transformers README указывает необходимость trust_remote_code=True.

Fusion Embedding 2 2B Preview — мультимодальная модель эмбеддингов Eximius Labs на базе Qwen3-VL-Embedding-2B. Она преобразует текст, изображения, видео и аудио в векторы общего пространства для поиска и сопоставления. Текстовые, визуальные и видеовекторы совпадают с исходной базовой моделью побитово; для аудио обучены 60,6 млн параметров адаптеров и преобразователь признаков аудиобашни Qwen2.5-Omni, при этом основная модель и аудиобашня заморожены. Всего в модели около 2,06 млрд параметров базовой модели и 640 млн параметров аудиобашни. Основная версия рассчитана на поиск по аудио и тексту, мультимодальный поиск, RAG и кластеризацию. Отдельная версия с настройкой на ключевые слова подходит для поиска по произнесённым командам. Модель также может использоваться для сопоставления аудио с изображениями, хотя этому соответствию её напрямую не обучали. В README отмечены слабые результаты на задачах кластеризации и снижение качества распознавания эмоций по голосу; показатели на части тестов могут быть затронуты пересечением обучающих данных и тестовых выборок. Это предварительная исследовательская версия, распространяемая по лицензии CC-BY-NC-4.0.

Jina AI jina-embeddings-v5-omni-nano-retrieval — мультимодальная модель эмбеддингов, предназначенная для поиска. Она принимает текст, изображения, видео и аудио и преобразует их в векторы общего пространства, согласованного с текстовой моделью jinaai/jina-embeddings-v5-text-nano-retrieval. Это вариант семейства jina-embeddings-v5-omni-nano с адаптацией для retrieval; архитектура в метаданных обозначена как LlavaEuroBertAudioForEmbedding, библиотека — Transformers. Модель содержит около 0,95 млрд параметров, выдаёт эмбеддинги размерностью 768 и поддерживает мультиязычный ввод. Её можно применять для мультимодального поиска, когда документы индексируются текстом, а запрос поступает как изображение, видео или аудио; совместимое векторное пространство позволяет использовать такие запросы без переиндексации текстового корпуса. Видео представляется последовательностью кадров, а звуковая дорожка из видео автоматически не обрабатывается: для совместного представления звука и изображения аудио нужно подать отдельно. Для retrieval важно обозначать роль входа как запроса или документа с помощью префиксов Query: и Document: либо соответствующих функций кодирования. Модель поддерживает усечение векторов с нормализацией и выборочное подключение модальных компонентов для экономии памяти. Веса доступны в формате safetensors; лицензия CC BY-NC 4.0 ограничивает коммерческое использование без отдельного разрешения.

MLCD-ViT-bigG-patch14-448 — модель зрения на базе Vision Transformer, разработанная DeepGlint AI. Она использует RoPE2D и предназначена для извлечения признаков из изображений; в карточке также описана оценка её визуального представления в составе системы с Qwen2.5-7B на задачах понимания документов и визуальных вопросов. Размер модели — 2,5 млрд параметров; веса опубликованы в формате safetensors, лицензия — MIT. Модель можно применять как визуальную часть мультимодальных систем, в том числе для анализа документов, диаграмм и изображений.

MLliu6/Qwen3-VL-8B-Instruct-AWQ-W4A16 — сторонняя посттренировочно квантованная версия мультимодальной модели Qwen3-VL-8B-Instruct, созданная пользователем MLliu6 на базе модели Qwen. Модель предназначена для задач vision-language, включая обработку изображений и текста, эффективный мультимодальный инференс, оценивание в VLMEvalKit, эксперименты с vLLM и исследования посттренировочного квантования. Модель использует архитектуру и возможности базовой Qwen3-VL-8B-Instruct, однако README не приводит полный набор архитектурных характеристик. Указаны поддерживаемые языки английский и китайский, мультимодальный формат image-text-to-text и контекст калибровки до 2048 токенов. Веса сжаты методом AWQ в формате W4A16: линейные слои квантуются до 4-битных симметричных целых значений с group_size=128, тогда как lm_head и визуальные модули исключены из квантования. Заявлено уменьшение размера хранения примерно на 58,8% относительно исходной раскладки. К сильным сторонам относятся сниженные требования к хранению и потенциально более эффективное развертывание при использовании совместимых инструментов, включая llm-compressor и vLLM. Ограничение состоит в том, что это неофициальный чекпойнт, а квантование может ухудшать качество на отдельных мультимодальных задачах, особенно при детальном визуальном понимании и сложном рассуждении. Модель распространяется по лицензии Apache-2.0.

SigLIP base — мультимодальная модель Google на архитектуре SigLIP, предварительно обученная на англоязычных парах изображение–текст из набора WebLI. Вариант обучен для работы с изображениями разрешением 512×512; текст токенизируется с длиной до 64 токенов. Модель использует sigmoid loss для сопоставления изображений и текста. Модель предназначена для классификации изображений по текстовым описаниям без дообучения и поиска соответствий между изображениями и текстом. Её можно применять для подбора меток к изображениям по заданным формулировкам и для поиска изображений по текстовому запросу или наоборот. Карточка указывает лицензию Apache-2.0.

Community-1 — конвейер диаризации речи от pyannote, предназначенный для определения, кто и когда говорит в аудиозаписи. Он принимает монофонический звук с частотой 16 кГц; стерео и многоканальные записи автоматически сводятся к моно, а звук с другой частотой дискретизации преобразуется в 16 кГц. Результат включает обычную диаризацию и эксклюзивную разметку говорящих, упрощающую сопоставление с временными метками транскрипции. Модель улучшает назначение и подсчёт говорящих по сравнению с предыдущей версией pyannote speaker-diarization-3.1. Она подходит для локальной обработки, включая автономный режим, и может выполняться на CPU или GPU через библиотеку pyannote.audio. При известном или ограниченном числе говорящих это число можно задать при обработке. Несмотря на тег automatic-speech-recognition в метаданных, README описывает именно диаризацию, а не распознавание слов; транскрипт модель не выдаёт. Модель распространяется по лицензии CC BY 4.0. Для загрузки из Hugging Face необходимо принять условия использования и создать токен доступа. README приводит результаты оценки на нескольких академических наборах данных, но не гарантирует такие же показатели на конкретных записях; качество может зависеть от акустических условий и перекрывающейся речи.

Это модель зрения и языка из семейства CLIP, доступная через open_clip и timm. Её вариант в OpenCLIP называется ViT-B-16-quickgelu; визуальный энкодер построен на ViT-Base с патчами 16×16 и входным разрешением 224 пикселя. Модель обучена на наборе MetaCLIP-400M. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах: она сопоставляет изображение и варианты текста, после чего можно выбрать наиболее подходящее описание. Весы доступны в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/webssl-dino3b-light2b-224 — визуальная модель Meta AI на архитектуре Vision Transformer, обученная методом самообучения DINOv2 на веб-изображениях без языковой супервизии. Вариант light2b обучен на подмножестве данных MetaCLIP, включающем изображения с текстовым содержимым; размер модели в метаданных — 3,9 млрд параметров, разрешение обучения — 224×224 пикселя. Модель предназначена для извлечения визуальных признаков и представлений изображений, которые можно использовать в задачах компьютерного зрения. Разработчики отмечают сильные результаты в распознавании текста и понимании диаграмм, сохраняя широкую применимость к визуальным задачам. Это не языковая модель: она обучена без языковой супервизии. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

WuQi-V3-Onyx-27B GGUF — персонализированная модель, разработанная Alniyat5f на основе Qwen3.8-27B с последующим обучением LoRA. Данная версия представляет собой квантованный формат GGUF и сохраняет мультимодальные возможности исходной модели. Модель предназначена для задач понимания текста и изображений, а также заявлена поддержка понимания видео через отдельный мультимодальный проектор mmproj. Основной файл использует квантование Q4_K_M и имеет размер около 16,81 ГБ; дополнительно доступны мультимодальный проектор в формате F16 и draft-модель MTP для спекулятивного декодирования. В конфигурации указана поддержка китайского языка и сценарий image-text-to-text. Размер базовой модели — 27B параметров. К сильным сторонам относятся сохранённая мультимодальность, поддержка обработки изображений и видео, а также возможность ускорения генерации с помощью MTP. Ограничения связаны с необходимостью совместимого GGUF-инструментария и отдельных файлов проектора и draft-модели; сведения о контекстном окне, точных языковых возможностях, результатах оценки и рекомендуемом оборудовании не указаны. Модель распространяется по лицензии Apache 2.0.

Aura-4o-Refresh-Gemma-4-31B-Merged-i1-GGUF — квантованная версия модели Aura-4o-Refresh-Gemma-4-31B-Merged, разработанной SevenOfNine и преобразованной в формат GGUF пользователем mradermacher. Модель основана на семействе Gemma 4, имеет заявленный размер 31 млрд параметров и предназначена для диалоговых сценариев и задач image-text-to-text, то есть может работать с текстом и изображениями. В метаданных указан английский язык. Репозиторий содержит набор вариантов квантования с разным размером и компромиссом между качеством, скоростью и требованиями к памяти. Среди них выделены i1-Q4_K_S как вариант с оптимальным соотношением размера, скорости и качества и i1-Q4_K_M как быстрый рекомендуемый вариант; для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Точный размер контекста и подробности архитектуры в README не указаны. Сильными сторонами модели являются мультимодальный формат, широкий выбор квантований и возможность локального запуска через совместимый стек GGUF. Ограничения включают возможное снижение качества у низкобитных вариантов квантования, а также отсутствие в README результатов тестирования, подробных сведений о производительности и полного описания поддерживаемых языков. Указанная лицензия — Apache-2.0.

SalML/DETR-table-structure-recognition — модель обнаружения объектов на основе DETR, предназначенная для распознавания структуры таблиц в документах. По карточке автор также создал Hugging Face Space, который применяет OCR к изображению с результатами Table Transformer и позволяет скачать таблицу в CSV. Модель содержит 6,3 млн параметров, использует PyTorch и обучена на PubTables-1M. Метаданные указывают английский язык; подходящий сценарий — выделение структурных элементов таблицы на изображении документа перед извлечением данных. Лицензия в метаданных обозначена как unknown.

Donut-proto — предварительно обученная базовая модель семейства Donut от NAVER CLOVA, построенная по схеме vision encoder-decoder: визуальный энкодер Swin Transformer кодирует изображение, а декодер BART авторегрессионно генерирует текст на основе его представления. Модель предназначена для последующего дообучения под задачи понимания документов, например классификации изображений документов и извлечения структурированных данных. Она принимает изображение и выдаёт текст; готовую точность на конкретной задаче карточка не заявляет. Репозиторий содержит веса PyTorch. Лицензия — MIT.

Карточка модели rodolpheb/gemma-4-12b-AlexV2 на Hugging Face совпадает с карточкой rodolpheb/gemma-4-12b-alex-think, поэтому описание составлено по ней. rodolpheb/gemma-4-12b-alex-think — дообученная разработчиком rodolpheb мультимодальная модель на архитектуре Gemma 4 Unified. Она основана на google/gemma-4-12B-it и предназначена для диалогового взаимодействия и обработки текста и изображений; в метаданных также отмечен интерфейс вызова инструментов. Модель относится к семейству Gemma 4, имеет 12 млрд параметров и распространяется в формате safetensors. Карточка сообщает, что обучение выполнено с использованием Unsloth и библиотеки TRL от Hugging Face. Лицензия — Apache-2.0. README не описывает специализированные сценарии дообучения, результаты оценки или отдельные языковые и мультимодальные возможности сверх сведений базовой модели и метаданных.

Карточка модели Veritone/siglip2-base-patch16-512 на Hugging Face совпадает с карточкой google/siglip2-base-patch16-512, поэтому описание составлено по ней. SigLIP 2 Base — базовая модель семейства SigLIP 2, разработанная Google. Она обучена на наборе данных WebLI и предназначена для сопоставления изображений и текста: модель поддерживает классификацию изображений по заданным текстовым меткам без дополнительного обучения и поиск изображений по текстовым запросам или текста по изображениям. Её также можно использовать как визуальный энкодер для мультимодальных языковых моделей и других задач компьютерного зрения. Модель принимает изображение и текстовые описания-кандидаты и оценивает их соответствие; визуальный энкодер формирует представления изображений для дальнейшего использования. В карточке указана архитектура SigLIP, библиотека Transformers и формат весов safetensors. Модель доступна по лицензии Apache-2.0. README не приводит сведений о размере параметров и длине контекста.