I.15Доступность и ассистивные технологии

Карточка модели michaelfeil/rune-26b-a4b на Hugging Face совпадает с карточкой surogate/rune-26b-a4b-GGUF, поэтому описание составлено по ней. Rune 26B-A4B v3 — разработанная Surogate модель принятия решений на основе Gemma 4 26B-A4B-it. Она принимает текст, структурированные данные или изображение вместе с вопросом и вариантами ответа и за один проход выбирает вариант, оценивая вероятности всех вариантов. Поддерживает задачи выбора одного из N вариантов, оценки истинности утверждения и выставления балла по порядковой шкале. Для обработки изображений сервер нужно запускать с поддержкой vision. Модель предназначена для классификации и ранжирования вариантов в тестах, извлечения решений из документов и скриншотов, автоматизации выбора и выставления оценок. По README, контекст составляет 262 тысячи токенов. Режим рассуждения включается отдельно, доступен только для текстовых запросов и может добавлять до 512 токенов рассуждения; по данным README, он повышает результаты на части тестов, но снижает качество вероятностных прогнозов в ForecastBench. Вероятности текстовых ответов при стандартной температуре описаны как избыточно уверенные; температура решения 2 улучшает их калибровку, не меняя выбранный вариант. Для изображений доступно сокращение числа визуальных токенов ценой точности. Это дообученная мультимодальная модель с архитектурой Gemma 4, публикуемая в формате safetensors и использующая библиотеку Transformers. Лицензия — Apache 2.0. Заявленные результаты бенчмарков являются результатами авторского запуска; часть тестовых данных и оценок основана на собственных выборках и не является закрытой оценкой лидерборда.

BLOOMZ-1B1 — мультиязычная авторегрессионная языковая модель семейства BLOOM, разработанная BigScience. Это вариант BLOOM, дообученный на смеси межъязыковых задач xP3 для следования инструкциям на естественном языке и выполнения задач zero-shot, в том числе на языках и задачах, не встречавшихся при дообучении. Модель содержит около 1,1 млрд параметров, использует архитектуру BloomForCausalLM и поддерживает контекст до 2048 токенов. Репозиторий предоставляет веса PyTorch и safetensors; в карточке указана поддержка множества языков, включая английский, французский, испанский, китайский, хинди, арабский и другие. Модель подходит для генерации и преобразования текста по инструкциям: перевода, ответов на вопросы, классификации тональности, объяснений и творческого письма. Качество зависит от формулировки запроса; карточка рекомендует явно обозначать конец входного текста и задавать контекст, в том числе желаемый язык ответа. Лицензия bigscience-bloom-rail-1.0 устанавливает условия использования BLOOM; перед применением следует учитывать её положения.

ByT5 Base — предварительно обученная без токенизатора модель Google на архитектуре T5, работающая непосредственно с последовательностями байтов UTF-8. Она содержит около 595 млн параметров и обучалась на mC4 с задачей восстановления замаскированных фрагментов; для прикладных задач модель нужно дообучить. Модель подходит для сценариев с шумным текстом, где важны опечатки, написание и произношение, а также может обрабатывать текст на разных языках без отдельного токенизатора. Модель предназначена для последующей адаптации к задачам преобразования текста, например ответам на вопросы и исправлению ошибок. Байтовое представление повышает устойчивость к шуму, но последовательности байтов длиннее токенных, что может замедлять обработку и расходовать больше контекста. Репозиторий содержит варианты для PyTorch, TensorFlow и Flax. Лицензия — Apache 2.0.

DavidAU разработал эту плотную мультимодальную модель на 12 млрд параметров как дообучение DreamFast/gemma-3-12b-it-heretic на наборе Polaris Alpha с помощью Unsloth. Она предназначена для диалогов, генерации текста с рассуждениями и анализа изображений; заявленная длина контекста — 128 тыс. токенов. Модель принимает текст и изображения и выдаёт текст. В карточке указана поддержка английского языка. Автор сообщает о компактных, но подробных рассуждениях, применимых также к обработке изображений, и приводит результаты нескольких бенчмарков. По описанию, модель реже отказывает в запросах, включая запросы на откровенный контент; для желаемой степени эксплицитности иногда требуется прямое указание. Качество зависит от промпта, шаблона чата и параметров генерации. Модель распространяется по лицензии Apache-2.0.

jina-embeddings-v5-omni-small-retrieval-GGUF — мультимодальная retrieval-ориентированная модель эмбеддингов от Jina AI. Это квантизированная GGUF-сборка модели jinaai/jina-embeddings-v5-omni-small-retrieval для использования с llama.cpp. Модель преобразует текст, изображения, видео и аудио в векторы размерностью 1024 и помещает их в общее векторное пространство, совместимое с эталонной PyTorch-версией и текстовой моделью jina-embeddings-v5-text-small-retrieval. Благодаря этому документы можно индексировать одним типом данных, а выполнять поиск — по запросам любой поддерживаемой модальности. Модель предназначена прежде всего для мультимодального семантического поиска и retrieval-сценариев, включая поиск по тексту, изображениям, видео и аудио, а также комбинированные запросы. Она содержит около 1,56 млрд параметров в текстовой, визуальной и аудиочасти, поддерживает контекст до 32768 токенов и использует pooling по последнему токену. Доступны Matryoshka-размерности эмбеддингов 32, 64, 128, 256, 512, 768 и 1024, что позволяет уменьшать размер векторов для экономии памяти и ускорения поиска. Поддерживаются распространённые форматы изображений, видео, аудио и PDF-документы. К сильным сторонам относятся единое пространство для разных модальностей, возможность кросс-модального поиска без переиндексации, большой контекст и несколько уровней размерности векторов. Ограничения связаны с тем, что вариант предназначен для retrieval-задач, а не для генерации текста, и требует llama.cpp со специальными мультимодальными патчами Jina AI, которые, согласно README, ещё не вошли в upstream-версию. Текстовая часть доступна в F16 и нескольких квантизированных вариантах, тогда как мультимодальные проекторы поставляются в F16. Лицензия — CC BY-NC 4.0, допускающая использование с обязательным указанием авторства и ограничивающая коммерческое применение.

MEXMA-SigLIP2 — мультимодальная модель для сопоставления изображений и текста, объединяющая многоязычный текстовый энкодер MEXMA и визуальный энкодер SigLIP2. Она предназначена для поиска изображений по текстовому запросу и поиска текста, соответствующего изображению, а также для классификации изображений по текстовым описаниям без обучения на конкретных метках. По карточке модель поддерживает 80 языков; в метаданных среди языковых тегов указаны, в частности, русский и английский. На наборе Crossmodal-3600 авторы сообщают результаты Recall@1 62,54% для поиска изображений и 59,99% для поиска текста. Репозиторий содержит веса в форматах ONNX и safetensors; лицензия — MIT. Размер модели и длина контекста в предоставленных данных не указаны.

Qiuchen-Wang/Qwen2.5-VL-7B-VRAG — мультимодальная модель семейства Qwen2.5-VL, дообученная для визуального поиска с дополненной генерацией (RAG). Она сочетает анализ изображений с поиском по коллекциям изображений и документов, чтобы отвечать на вопросы по визуально насыщенным материалам. Модель предназначена для извлечения сведений из слайдов и отчётов, понимания диаграмм, таблиц и структуры документов, а также многошагового поиска релевантной информации. Модель построена на Qwen/Qwen2.5-VL-7B-Instruct, имеет 7,1 млрд параметров, принимает текст и изображения и выдаёт текст. В метаданных указаны контекст до 128 000 токенов и библиотека Transformers. README описывает визуальное пространство действий для последовательного изучения областей изображения и многошаговое взаимодействие с поисковыми системами; конкретная интеграция поиска зависит от внешней системы. Лицензия — Apache-2.0.

DavidAU собрал эту мультимодальную модель на базе Qwen3.5-9B-heretic-v2: автор сообщает о дообучении через Unsloth на дистиллированном наборе рассуждений Claude 4.6. Модель принимает текст и изображения и генерирует текст; карточка заявляет поддержку vision и диалогового режима. В README указаны 9 млрд параметров, архитектура Qwen3.5 с языковой моделью и vision encoder, а также контекст 262 144 токена с возможностью расширения. Заявленная основная область применения — рассуждения, диалог и анализ изображений; автор также приводит результаты на нескольких тестах и сообщает о снижении отказов. README рекомендует квантизацию не ниже Q4_K_S или IQ3_S с imatrix. Видео не тестировалось. Указанные языки карточки — английский и китайский; более широкая языковая поддержка описана для исходной модели Qwen3.5, но отдельно для этого дообучения не подтверждена. Модель распространяется по лицензии Apache-2.0.

Карточка модели eadx/Qwen3.5-9B-Claude-4.6-HighIQ-THINKING-HERETIC-UNCENSORED на Hugging Face совпадает с карточкой DavidAU/Qwen3.5-9B-Claude-4.6-HighIQ-THINKING-HERETIC-UNCENSORED, поэтому описание составлено по ней. DavidAU собрал эту мультимодальную модель на базе Qwen3.5-9B-heretic-v2: автор сообщает о дообучении через Unsloth на дистиллированном наборе рассуждений Claude 4.6. Модель принимает текст и изображения и генерирует текст; карточка заявляет поддержку vision и диалогового режима. В README указаны 9 млрд параметров, архитектура Qwen3.5 с языковой моделью и vision encoder, а также контекст 262 144 токена с возможностью расширения. Заявленная основная область применения — рассуждения, диалог и анализ изображений; автор также приводит результаты на нескольких тестах и сообщает о снижении отказов. README рекомендует квантизацию не ниже Q4_K_S или IQ3_S с imatrix. Видео не тестировалось. Указанные языки карточки — английский и китайский; более широкая языковая поддержка описана для исходной модели Qwen3.5, но отдельно для этого дообучения не подтверждена. Модель распространяется по лицензии Apache-2.0.

Карточка модели Hero1gma/Qwen3.5-9B-Claude-4.6-HighIQ-THINKING-HERETIC-UNCENSORED на Hugging Face совпадает с карточкой DavidAU/Qwen3.5-9B-Claude-4.6-HighIQ-THINKING-HERETIC-UNCENSORED, поэтому описание составлено по ней. DavidAU собрал эту мультимодальную модель на базе Qwen3.5-9B-heretic-v2: автор сообщает о дообучении через Unsloth на дистиллированном наборе рассуждений Claude 4.6. Модель принимает текст и изображения и генерирует текст; карточка заявляет поддержку vision и диалогового режима. В README указаны 9 млрд параметров, архитектура Qwen3.5 с языковой моделью и vision encoder, а также контекст 262 144 токена с возможностью расширения. Заявленная основная область применения — рассуждения, диалог и анализ изображений; автор также приводит результаты на нескольких тестах и сообщает о снижении отказов. README рекомендует квантизацию не ниже Q4_K_S или IQ3_S с imatrix. Видео не тестировалось. Указанные языки карточки — английский и китайский; более широкая языковая поддержка описана для исходной модели Qwen3.5, но отдельно для этого дообучения не подтверждена. Модель распространяется по лицензии Apache-2.0.

DatologyAI CLIP Retrieval Optimized ViT-B/32 — контрастивная модель «изображение—текст», разработанная DatologyAI на базе архитектуры CLIP и обученная с помощью OpenCLIP. Она предназначена для поиска соответствий между изображениями и текстовыми запросами: поддерживает поиск изображений по описанию и подбор описаний к изображениям, а также классификацию изображений по текстовым меткам без отдельного обучения на этих классах. Модель использует визуальный энкодер ViT-B/32 с патчами 32×32 и входным размером изображения 224×224, а также 12-слойный текстовый Transformer с контекстом 77 токенов; размерность эмбеддингов — 512. Обучающие пары изображений и текста отобраны из DataComp-XL с использованием пайплайна курирования DatologyAI. В README приведены результаты на MSCOCO и Flickr30K, однако они не гарантируют аналогичного качества на других распределениях данных. Модель принимает изображения и текст, выдаёт векторные представления для сопоставления и оценки близости. Лицензия — Apache 2.0.

SigLIP 2 Base — модель компьютерного зрения от Google, предназначенная для сопоставления изображений с текстовыми описаниями. Она использует архитектуру SigLIP и обучена на наборе WebLI. Вариант patch32-256 принимает изображения и текстовые метки-кандидаты для классификации без дообучения; модель также подходит для поиска изображений по тексту и как визуальный энкодер для мультимодальных моделей. Модель рассчитана на задачи семантического понимания изображений, локализации и получения плотных визуальных признаков. Для её использования доступны веса в формате safetensors и библиотека Transformers. Лицензия Apache-2.0 разрешает свободное использование и распространение при соблюдении её условий.

Карточка модели Veritone/siglip2-large-patch16-256 на Hugging Face совпадает с карточкой google/siglip2-large-patch16-256, поэтому описание составлено по ней. SigLIP 2 Large — большая модель визуально-языкового кодировщика, разработанная Google. Она расширяет подход SigLIP дополнительными методами предобучения, улучшая семантическое понимание изображений, локализацию объектов и получение плотных визуальных признаков. Модель предобучена на наборе WebLI и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для классификации изображений по текстовым описаниям без специального дообучения, поиска изображений по тексту и текста по изображению, а также использования в качестве визуального энкодера для визуально-языковых моделей и других задач компьютерного зрения. На вход подаются изображения и, для классификации, набор текстовых меток; результатом служат оценки соответствия изображения и меток или визуальные признаки. Лицензия — Apache-2.0. Карточка не приводит ограничений по языкам или длине контекста; качество зависит от изображений, формулировок текстовых меток и области применения, а для специализированных сценариев может потребоваться дополнительная проверка или адаптация.

Карточка модели Veritone/siglip2-so400m-patch16-256 на Hugging Face совпадает с карточкой google/siglip2-so400m-patch16-256, поэтому описание составлено по ней. SigLIP 2 So400m — модель семейства SigLIP 2, разработанная Google. Это плотный визуальный энкодер, обученный на датасете WebLI; вариант So400m использует патчи размером 16 пикселей и входное разрешение 256 пикселей. Модель сопоставляет изображения и текст, поддерживает классификацию изображений по произвольным текстовым меткам без дообучения и поиск изображений по тексту или текста по изображению. Модель подходит для извлечения визуальных признаков и встраивания в мультимодальные языковые модели, а также для задач локализации и получения плотных визуальных представлений. В README не приведены сведения о числе параметров, контекстном окне или языковом охвате. Репозиторий распространяется по лицензии Apache-2.0.

DocumentFigureClassifier — модель классификации изображений из проекта Docling, дообученная на базе Google EfficientNet-B0. Она относит изображение к одной из 16 категорий: типы диаграмм и графиков, штрихкод, QR-код, химические структуры, блок-схема, значок, логотип, карта, снимок дистанционного зондирования, скриншот, подпись, печать или прочее. Модель предназначена для распознавания визуальных элементов в документах и может использоваться как этап предварительной обработки при разборе документов, чтобы определить тип изображения и направить его на дальнейшую обработку. Это компактная свёрточная архитектура для классификации изображений; модель принимает изображение и выдаёт метку класса. В репозитории указаны веса safetensors. Лицензия — MIT.

RedHatAI/gemma-3-27b-it-FP8-dynamic — квантизированная версия мультимодальной модели Google Gemma 3 27B IT, подготовленная Neural Magic. Модель принимает изображения и текст, а генерирует текст, поэтому предназначена для визуально-текстового диалога, анализа изображений, ответов на вопросы по изображениям и обычных языковых задач. В README явно указан английский язык; сведения о поддерживаемых языках кроме него отсутствуют. Модель основана на архитектуре gemma-3-27b-it с 27 миллиардами параметров и использует FP8-квантизацию весов и активаций. Квантизация выполнена динамически для линейных слоёв; vision tower и мультимодальный проектор не квантизировались. Версия оптимизирована для инференса с vLLM версии 0.5.2 и выше, включая OpenAI-совместимый режим сервинга. Размер контекста в конфигурации оценки составлял 4096 токенов, однако это не обязательно соответствует максимальному контексту модели. По приведённым оценкам, FP8-версия в среднем сохраняет близкую к исходной модели точность на текстовом бенчмарке OpenLLM v1 и на vision-задачах MMMU и ChartQA. Её сильные стороны — сочетание обработки изображений и текста, снижение требований к памяти и эффективное развертывание с vLLM. Ограничения включают возможную потерю точности из-за квантизации, зависимость от совместимого инференсного стека и отсутствие в README подробностей о максимальном контексте, производительности, безопасном использовании и других языках. Модель распространяется по лицензии Apache-2.0.

jinhybr/OCR-DocVQA-Donut — модель Donut базового размера, дообученная на наборе DocVQA для ответов на вопросы по изображениям документов. Она принимает изображение документа и генерирует текстовый ответ, используя архитектуру vision encoder-decoder: визуальный энкодер Swin Transformer кодирует изображение, а декодер BART авторегрессионно формирует ответ. Модель предназначена для визуального анализа документов и сценариев вопросно-ответного поиска по их содержимому без отдельного этапа OCR. Выпущена под лицензией MIT. Модель специализирована на DocVQA; её точность на других типах документов и задачах не подтверждена в карточке. Указанная конфигурация — базовый размер; число параметров и длина контекста в предоставленных данных не приведены.

MuXodious/Qwen3.5-4B-ARA-heresy — мультимодальная модель для диалога с текстом и изображениями, созданная MuXodious как дообучение Qwen/Qwen3.5-4B с помощью метода abliteration Heretic и Arbitrary-Rank Ablation. Она предназначена для ответов на вопросы, рассуждений по тексту и изображениям и сценариев с вызовом инструментов. Модель имеет плотную архитектуру Qwen3.5 с 4 млрд параметров и vision encoder; базовый контекст составляет 262 144 токена, с расширением до 1 010 000 токенов. В README заявлена поддержка 201 языка и диалекта для семейства Qwen3.5; список языков именно этого варианта не приведён. Основное изменение этой версии — снижение отказов на тестовом наборе: после обработки указано 2 отказа из 104 против 103 из 104 у исходной модели. Это не означает гарантированного отсутствия отказов или подтверждённого качества на других задачах. Модель распространяется в формате Safetensors и совместима с Transformers и рядом серверов инференса. Лицензия — Apache-2.0.

MuXodious создал Qwen3.5-4B-SOMPOA-heresy-v2 — дообученную версию мультимодальной модели Qwen3.5-4B, обработанную методом abliteration с использованием Self-Organizing Maps и Magnitude-Preserving Orthogonal Ablation. Модель предназначена для диалогов, анализа изображений, рассуждений и работы с инструментами; README сообщает о снижении частоты отказов после обработки. Это плотная модель на 4 млрд параметров с языковой частью и визуальным энкодером, построенная на гибридной архитектуре с Gated Delta Networks и gated attention. Базовая модель поддерживает 201 язык и диалект, а длина контекста составляет 262 144 токена с возможностью расширения до 1 010 000 токенов. Репозиторий содержит веса в формате Safetensors для использования с Transformers и совместимыми движками инференса. Модель может подходить для мультимодальных диалогов, вопросов по изображениям, рассуждений и сценариев с вызовом инструментов. Указанный в README результат UGI и метрики снижения отказов относятся к заявлениям автора; независимая оценка качества здесь не приведена. Лицензия — Apache-2.0.

zeromodels выпускает преобразованную в Keras 3 версию Google SigLIP 2 Base Patch16 384 для классификации изображений по текстовым описаниям без дополнительного обучения. Модель сопоставляет изображения и текстовые метки или запросы; при выводе ей передают изображения и текстовые подсказки. Реализация работает с TensorFlow, PyTorch и JAX. SigLIP 2 — мультиязычный vision-language энкодер с архитектурой ViT и размером Base; вариант использует патчи 16 × 16 и разрешение изображения 384 пикселя. В основе обучения — sigmoid loss, предобучение на подписях, самодистилляция и masked prediction. Gemma-токенизатор с мультиязычным словарём поддерживает множество языков. Лицензия — Apache 2.0.

Карточка модели Veritone/siglip2-base-patch16-384 на Hugging Face совпадает с карточкой google/siglip2-base-patch16-384, поэтому описание составлено по ней. 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 SoViT-400m — мультимодальная модель Google для сопоставления изображений и текста, предварительно обученная на наборе WebLI. Она использует архитектуру SoViT-400m и функцию потерь Sigmoid Loss, которая обучает модель на парах изображение–текст без нормализации по общей матрице сходства. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. Модель подходит для классификации изображений по текстовым описаниям без дополнительного обучения и для поиска изображений по текстовому запросу или текста по изображению. При обработке используются изображения RGB, а текст токенизируется с ограничением 64 токена. В README приведено несоответствие разрешения: описание говорит о предобучении при 224×224, а раздел предобработки — о приведении изображений к 384×384; это следует учитывать при настройке входов. Поддерживаемые языки текстовой части отдельно не перечислены. Лицензия — Apache-2.0.

Cohere и Cohere Labs разработали Cohere Labs Tiny Aya — многоязычную авторегрессионную языковую модель на 3,35 млрд параметров для генерации текста и диалогов. Вариант water ориентирован на европейские и азиатско-тихоокеанские языки; семейство охватывает более 70 языков и предназначено также для дальнейшей адаптации и локального развёртывания при ограниченных вычислительных ресурсах. Модель использует оптимизированную архитектуру Transformer: три слоя со скользящим вниманием и окном 4096 токенов и один слой с глобальным вниманием. После предобучения она прошла инструкционную настройку и обучение на предпочтениях. Контекст и длина генерации — до 8K токенов. Принимает текст и выдаёт текст; подходит для диалогов, суммаризации, перевода и межъязыковых задач. Сильная сторона модели — генерация на широком наборе языков, включая языки с ограниченными ресурсами. Качество может быть менее стабильным на низкоресурсных языках; карточка также отмечает слабые результаты в сложных рассуждениях, например в многоязычной математике, и возможность фактических ошибок. Лицензия CC-BY-NC-4.0 разрешает некоммерческое использование с соблюдением Acceptable Use Policy Cohere Labs; для коммерческого применения требуется связаться с Cohere.

Docopilot-2B — мультимодальная модель OpenGVLab для понимания документов на уровне целых страниц, представленная в статье «Docopilot: Improving Multimodal Models for Document-Level Understanding». Она принимает изображения документов и текстовые запросы и формирует текстовые ответы в диалоговом режиме; архитектура — InternVLChatModel, формат весов — safetensors. Модель предназначена для вопросов и задач, требующих анализа содержимого документа целиком. В карточке указана лицензия MIT. В доступных сведениях нет подробностей о размере контекста, поддерживаемых языках и конкретных оценках качества.

e5-omni-7B — мультимодальная модель эмбеддингов от Haon-Chen, созданная дообучением Qwen/Qwen2.5-Omni-7B. Она кодирует текст, изображения, аудио и видео в единое векторное пространство, чтобы находить соответствующие материалы между модальностями и выполнять мультимодальный поиск. Для получения эмбеддингов доступны интеграции с Sentence Transformers и Transformers; в README заявлены результаты на MMEB-V2 и AudioCaps. Модель подходит для поиска по видео и аудио, поиска изображений, диаграмм и документов, а также многоязычного текстового поиска. Репозиторий содержит веса Safetensors, основная задача по карточке — visual-document-retrieval, а каталог также отмечает извлечение признаков и сходство предложений. Лицензия — MIT.

EVA-CLIP-8B — разработанная BAAI совместно с THU модель контрастивного сопоставления изображений и текста семейства CLIP. Она преобразует изображения и текст в векторы признаков, которые можно сравнивать для поиска соответствий и классификации без обучения на конкретных классах. Модель содержит 8,1 млрд параметров и распространяется в формате PyTorch; для обучения использовались данные LAION-2B и COYO-700M. Модель предназначена для извлечения визуальных и текстовых признаков, классификации изображений по текстовым описаниям и поиска изображений по запросу или текста по изображению. В README для варианта 8B приведены средние результаты на наборах классификации изображений и видео, а также оценка поиска соответствий; качество может отличаться при использовании весов Hugging Face от опубликованных PyTorch-результатов. Веса доступны по лицензии Apache-2.0. Из-за большого размера модели для загрузки и применения требуются значительные ресурсы; README указывает на возможность загрузки через DeepSpeed ZeRO-3 при ограниченной памяти CPU.

Jan-v2-VL-med-gguf — мультимодальная vision-language модель примерно на 8 млрд параметров, разработанная Jan. Модель предназначена для многошаговых задач в реальных программных средах, включая браузеры и настольные приложения. Она ориентирована на агентную автоматизацию и управление интерфейсами с опорой на скриншоты и вызовы инструментов, когда план или необходимые знания заданы заранее, а результат зависит от стабильного выполнения длинной последовательности действий. Модель объединяет языковое рассуждение и визуальное восприятие, поддерживает текстовые и визуальные входы и заявлена для английского языка. Вариант med обеспечивает баланс между качеством и задержкой среди вариантов Jan-v2-VL-low, med и high. Модель разработана для поддержания промежуточного состояния, выполнения инструкций с минимальным отклонением и восстановления после небольших ошибок. README не указывает точный размер контекста и специфические ограничения по поддерживаемым форматам изображений. По заявлению разработчиков, Jan-v2-VL не уступает базовой Qwen-3-VL-8B-Thinking на стандартных текстовых и визуальных задачах и превосходит её на некоторых оценках, обеспечивая более сильное выполнение длинных цепочек действий. Для локального запуска предусмотрена интеграция с Jan App, а также поддержка llama.cpp и vLLM; GGUF-вариант рассчитан на использование с llama.cpp. Модель распространяется по лицензии Apache 2.0.

Ministral-3-8B-Instruct-2512-GGUF — это GGUF-квантизованная версия инструкционной модели Ministral-3-8B-Instruct-2512, разработанной Mistral AI и преобразованной пользователем bartowski с помощью llama.cpp и imatrix-калибровки. Модель предназначена для локального запуска в приложениях на базе llama.cpp, включая LM Studio, и относится к мультимодальному классу image-text-to-text, то есть рассчитана на обработку изображений и текста с генерацией текстовых ответов. Модель имеет 8 миллиардов параметров и доступна в вариантах от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ. Размер файлов варьируется примерно от 4,57 до 16,99 ГБ, что позволяет выбирать баланс между качеством, скоростью и требованиями к оперативной памяти. В README заявлена поддержка английского, французского, испанского, немецкого, итальянского, португальского, нидерландского, китайского, японского, корейского и арабского языков. Сведения о длине контекста, внутренней архитектуре и точном формате промптов отсутствуют. Сильная сторона модели — возможность локального мультимодального использования при выборе подходящего уровня квантизации; варианты Q5 и Q6 заявлены как высококачественные, а Q4 — как оптимальные по размеру для большинства сценариев. К ограничениям относятся потенциальная потеря качества в более сильных вариантах квантизации, необходимость совместимого ПО и отсутствие в README подробных данных о производительности и контексте. Модель распространяется по лицензии Apache-2.0.

NLLB-CLIP-SigLIP — мультиязычная модель сопоставления изображений и текста, объединяющая текстовый энкодер NLLB с визуальным энкодером SigLIP. Она предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах и для поиска соответствий между изображениями и текстом. Модель расширяет мультиязычные возможности CLIP до 201 языка набора Flores-200 и, согласно карточке, особенно хорошо работает на языках с малым объёмом ресурсов. На наборе Crossmodal-3600 она достигла лучших на момент публикации результатов. Модель доступна в формате PyTorch и интегрирована с OpenCLIP. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка отмечает, что существует более сильная версия; результаты классификации могут зависеть от формулировок текстовых меток и от того, насколько они соответствуют обучающим данным.

PE-Core-L-14-336 — версия энкодера Perception Encoder в формате OpenCLIP, разработанного Meta. Это контрастивная модель с визуальной и текстовой башнями, предназначенная для сопоставления изображений и текстовых описаний. Репозиторий содержит вариант L/14 с разрешением изображений 336 пикселей; в семействе модели L и B дистиллированы из основной версии G. Для визуального кодирования используется attention pooling, а L-версия дополнительно имеет class token для глобальной агрегации признаков. Модель подходит для классификации изображений по текстовым меткам без отдельного обучения на этих метках, а также для извлечения признаков и поиска соответствий между изображениями и текстом. В карточке семейства также описаны результаты для видеоклассификации и видеопоиска, однако этот репозиторий размечен для zero-shot классификации изображений. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. Число параметров именно этой конфигурации в карточке не приведено.