I.15Доступность и ассистивные технологии

EnlistedGhost/Magistral-Small-2509-Vision-GGUF — квантизированная GGUF-версия мультимодальной модели Magistral-Small-2509-Vision. Модель создана на базе оригинальных файлов, весов и компонентов MistralAI, а конфигурация, шаблон чата и системный промпт переработаны EnlistedGhost. Заявленный размер модели — 24 млрд параметров. Модель предназначена для диалоговых сценариев, обработки текста и изображений, а также задач image-text-to-text. Она поддерживает визуальный ввод благодаря повторно включённой vision tower и совместима с Ollama, Llama.cpp и Xllama. В README заявлена поддержка английского, русского и украинского языков. Доступны GGUF-файлы с различными уровнями квантизации, включая Q2_K_M, Q3_K_M, Q4_K_M, Q5_K_XL и Q6_K_L; для некоторых вариантов применён динамический метод GH5TS, сохраняющий более высокую точность в критически важных слоях. Сильные стороны модели — мультимодальность, поддержка локального запуска через распространённые GGUF-совместимые инструменты и наличие оптимизированных шаблонов чата. Ограничения включают зависимость от совместимого рантайма, компромиссы качества и объёма памяти из-за квантизации, а также отсутствие в README данных о размере контекста, производительности и точных требованиях к оборудованию. Модель распространяется по лицензии Apache-2.0.

Mistral-Small-3.2-24B-Instruct-2506-MLX-6bit — это 6-битная квантизированная версия мультимодальной инструкционной модели Mistral-Small-3.2-24B-Instruct-2506. Исходную модель разработала Mistral AI, а квантизацию в формате MLX предоставила команда LM Studio с использованием mlx_vlm. Модель предназначена для задач генерации текста и обработки изображений с текстом, включая сценарии, поддерживаемые исходной vision-language моделью. Она оптимизирована для запуска на устройствах Apple Silicon через MLX. Размер исходной модели составляет 24 млрд параметров, однако точные требования к памяти и производительности для этой 6-битной версии в README не указаны. Заявлена поддержка английского, французского, немецкого, испанского, португальского, итальянского, японского, корейского, русского, китайского, арабского, персидского и ряда других языков; размер контекста не указан. К сильным сторонам относятся мультимодальность, инструкционная настройка, поддержка нескольких языков и оптимизация для экосистемы Apple Silicon. Ограничения включают зависимость от совместимого оборудования и программного стека MLX, а также возможные неточности, нежелательные или вводящие в заблуждение ответы, характерные для генеративных моделей. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen3.5-0.8B — постобученная компактная мультимодальная модель от Unsloth на базе Qwen/Qwen3.5-0.8B, опубликованная в формате Transformers и распространяемая по лицензии Apache-2.0. Это плотная причинная языковая модель с визуальным энкодером, поддерживающая диалог и анализ изображений; доступны интерфейс вызова инструментов и режим рассуждений, который для версии 0.8B по умолчанию выключен. Модель содержит 0,8 млрд параметров, имеет 24 слоя и нативный контекст длиной до 262 144 токенов. Архитектура сочетает Gated Delta Networks и gated attention. В карточке заявлена поддержка 201 языка и диалекта. Модель рассчитана прежде всего на прототипирование, дообучение под конкретные задачи, исследования и разработку; веса совместимы с Transformers и рядом серверных движков, включая vLLM и SGLang. Компактный размер удобен для экспериментов и специализированной настройки, а мультимодальная архитектура позволяет работать с текстом и изображениями. Масштаб модели ограничивает её возможности по сравнению с более крупными системами; для длинного контекста нужны значительные ресурсы памяти, а карточка рекомендует при нехватке памяти уменьшить окно контекста.

unsloth/Qwen3.5-2B — постобученная мультимодальная модель от Unsloth на базе Qwen/Qwen3.5-2B. Она сочетает причинную языковую модель с визуальным энкодером и предназначена для диалогов, понимания изображений и вызова инструментов. Модель содержит 2 млрд параметров, использует гибридную архитектуру с Gated Delta Networks и Gated Attention и поддерживает контекст до 262 144 токенов. Модель подходит для прототипирования, разработки и специализированного дообучения; её можно запускать через Transformers, vLLM, SGLang и KTransformers. Qwen3.5 заявляет поддержку 201 языка и диалекта, однако в карточке нет списка языков, специфичного для этой версии. Модель работает в режиме без рассуждений по умолчанию; авторы также описывают режим рассуждений и возможности работы с видео в составе семейства Qwen3.5. Весовые файлы представлены в формате Safetensors. Лицензия — Apache-2.0. Масштаб в 2 млрд параметров делает модель удобной для экспериментов и настройки под конкретные задачи, но карточка рекомендует прежде всего прототипирование и разработку; производительность и пропускная способность зависят от инфраструктуры и выбранного движка.

llmfan46/Qwen3.8-27B-Ultra-Uncensored-Heretic-Native-MTP-Preserved — дообученная мультимодальная модель автора llmfan46 на базе Qwen/Qwen3.8-27B. Это плотная модель класса Qwen3.5 с 27 млрд параметров, архитектурой причинного языкового моделирования и визуальным энкодером; в репозитории сохранены 15 компонентов MTP для многотокенного предсказания. Модель предназначена для диалога, ответов на запросы с изображениями и видео, а также общих задач рассуждения и генерации текста. Автор применил abliteration, чтобы снизить частоту отказов: в приведённом тесте модель отказала в 3 из 100 случаев против 91 из 100 у исходной модели. README приводит результаты MMLU для исходной Qwen3.8-27B, а не отдельную оценку этой версии. Модель поддерживает визуальное понимание изображений и видео; заявленная длина контекста — 262 144 токена с расширением до 1 000 000. В режиме thinking модель сначала формирует рассуждения, которые можно отключить настройкой запроса. Файлы представлены в формате safetensors, библиотека — Transformers. Лицензия — Apache-2.0. Снижение числа отказов означает, что модель может отвечать на запросы, от которых исходная версия отказалась бы; приведённые тесты не устанавливают качество и безопасность ответов в других сценариях.

BLOOMZ-7B1-P3 — мультиязычная авторегрессионная языковая модель семейства BLOOM, разработанная BigScience и дообученная на смеси кросс-языковых задач xP3. Модель предназначена для выполнения инструкций на естественном языке в режиме zero-shot: она может отвечать на вопросы, переводить, классифицировать текст по заданной инструкции и создавать тексты на разных языках. Архитектура плотная, на основе BLOOM-7B1; модель имеет 7,1 млрд параметров и контекст до 2048 токенов. Модель обучена следовать инструкциям на множестве языков и обобщать на задачи, которых не было в обучении. В карточке приведены примеры перевода, анализа тональности и генерации историй. Качество ответов зависит от формулировки запроса; модели полезно явно обозначать границу входного текста и желаемый язык ответа. Лицензия — BigScience BLOOM RAIL 1.0.

ByT5-large — предварительно обученная модель Google на архитектуре T5, работающая непосредственно с последовательностями UTF-8 байтов без токенизатора. Модель содержит около 1,2 млрд параметров и обучалась на mC4 с задачей маскирования фрагментов; supervised-обучение для прикладных задач не проводилось, поэтому перед использованием её нужно дообучить под целевую задачу. Модель предназначена для дообучения на задачах преобразования текста, особенно когда данные содержат опечатки, шум или нестандартное написание. Она поддерживает многоязычный текст и может быть полезна в сценариях, чувствительных к орфографии и произношению; в карточке отмечено превосходство над mT5-large на TweetQA. Работа с байтами избавляет от отдельного токенизатора, но последовательности обычно длиннее токенизированных, что может повышать вычислительные затраты. Лицензия — Apache-2.0.

Ling-3.0-flash-VL-MTP-ROCmFP4-GGUF — это квантизированная multimodal-модель на базе inclusionAI/Ling-3.0-flash-VL, опубликованная kingjones777. Модель предназначена для задач image-text-to-text: работы с текстом и изображениями, диалоговых сценариев, агентских и инструментальных задач, а также генерации текста. Вариант ориентирован на запуск через llama.cpp на видеоускорителях AMD Strix Halo с ROCm или Vulkan. Исходная модель имеет 124 млрд параметров в общей сложности и около 5,5 млрд активных параметров, использует native multimodal-архитектуру и поддерживает vision через отдельный проектор mmproj в формате BF16. Текстовая часть содержит 42 слоя, 512 экспертов, 32 attention heads, hidden size 2560 и контекстные параметры, указанные в конфигурации; в данной сборке добавлена голова multi-token prediction с одним дополнительным предсказываемым токеном. Доступны варианты STRIX_LEAN, FAST и COHERENT, квантизированные в ROCmFP4, а также версия без MTP. Для обработки изображений требуется файл mmproj. Сильные стороны модели — сочетание мультимодальности и MTP, высокая скорость на AMD Strix Halo, особенно при использовании ROCm для prefilling и Vulkan для декодирования, а также несколько вариантов сборки под разные компромиссы между качеством, размером и скоростью. Ограничения включают аппаратную и программную специализацию под AMD Strix Halo, необходимость исправленной версии сервера для одновременной работы MTP и изображений, снижение скорости prefilling при включённом MTP и ухудшение эффективности при увеличении длины MTP-черновика. Лицензия — MIT.

JANGQ-AI/Qwen3.6-35B-A3B-JANGTQ — мультимодальная модель семейства Qwen, подготовленная JANGQ-AI на основе Qwen/Qwen3.6-35B-A3B и адаптированная для запуска в vMLX на компьютерах Apple Silicon. Это модель типа MoE с 35 млрд параметров, из которых около 3 млрд активны на токен; архитектура сочетает линейное внимание Gated DeltaNet и полное внимание, а также маршрутизируемые экспертные блоки. Весовые матрицы маршрутизируемых экспертов квантованы до 2 бит методом JANGTQ на основе кодовых книг TurboQuant и вращения Hadamard; ряд других компонентов хранится в 8-битном представлении, а зрительная башня сохранена. Модель предназначена для диалогов, задач с изображениями и агентных сценариев. README сообщает о поддержке изображений и отмечает, что для видео в MLX требуется собственный процессор, тогда как основная ветка mlx-vlm для этой архитектуры подходит для изображений. Для загрузки квантованных весов нужен специальный загрузчик jang-tools: стандартный mlx_lm.load() их не читает. Модель использует шаблон диалога и интерфейс вызова инструментов базовой модели; заявлена библиотека MLX и лицензия Apache-2.0. README приводит ориентиры по памяти для Mac с unified RAM и контексту, но эти оценки зависят от профиля запуска и KV-кэша. Независимые результаты оценки именно этой квантованной версии в карточке не приведены.

T5Gemma-9B-2B-UL2-IT — разработанная Google инструктивно дообученная текстовая модель семейства T5Gemma. Это encoder-decoder архитектура: энкодер на 9 млрд параметров и декодер на 2 млрд; модель адаптирована с использованием UL2 и предназначена для преобразования текста в текст. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Модель подходит для генерации текста по инструкциям, ответов на вопросы, суммаризации и рассуждений, а также для черновиков писем и другого контента. Карточка указывает поддержку английского языка и возможность применения в чат-сценариях. По сравнению с моделями, где энкодер и декодер одинакового размера, сочетание 9B/2B рассчитано на компромисс между качеством и эффективностью. Модель может ошибаться в фактах, отражать смещения обучающих данных и хуже справляться с неоднозначными формулировками, тонкими языковыми нюансами и сложными открытыми задачами. Лицензия Gemma; при использовании следует учитывать правила допустимого применения Gemma и предусмотреть проверку генерируемого содержимого.

DeepSeek-V4.1-Flash-Abliterated — созданная сообществом версия DeepSeek-V4.1-Flash, опубликованная s-zaizen с применением abliteration через инструмент Heretic; это не официальный выпуск DeepSeek. Модель сохраняет исходную архитектуру DeepSeek V4.1, токенизатор и компоненты для обработки изображений, а также использует формат весов FP8. В репозитории размещено 48 шардов safetensors общим размером около 510 ГБ. Модель предназначена для генерации текста в диалоге и обработки входов с изображениями. По заявлению автора, преобразование изменяет направления отказа в выходах модели: в описанной проверке Heretic ключевые слова отказа обнаружились в 24 из 100 ответов против 97 из 100 у исходной модели. Это измерение не является общим тестом качества или безопасности. Лицензия — MIT.

mlx-community/gemma-4-E4B-it-qat-mobile — это MLX-совместимая мобильная версия instruction-tuned модели Gemma 4 E4B-it, опубликованная сообществом MLX Community на основе модели Google DeepMind. Она предназначена для локального запуска на устройствах Apple с MLX, включая сценарии генерации текста и анализа изображений с текстовым ответом. Модель имеет около 3 млрд параметров, использует формат Safetensors и 8-битное представление; размер файлов на странице модели составляет около 3,46 ГБ. Вариант создан с применением Quantization-Aware Training и мобильной схемы оптимизации wNa8o8, включающей целевое 2-битное декодирование, оптимизированный KV-кэш и статические активации для снижения требований к памяти. Карточка указывает английский язык и поддержку image-text-to-text; для семейства Gemma 4 заявлены обработка текста и изображений, контекст до 256K токенов и поддержка более 140 языков. Сильная сторона модели — сочетание мультимодальности и уменьшенных требований к памяти, что делает её подходящей для локального инференса на мобильном и периферийном оборудовании. Ограничения связаны с квантованием, меньшим размером по сравнению с полноразмерными вариантами Gemma 4 и отсутствием подробного описания бенчмарков или ограничений в карточке данной производной версии. Лицензия на странице mlx-community явно не указана; условия базовой модели Gemma 4 следует проверять в официальной карточке Google.

Minotaur 13B — инструктивно дообученная языковая модель OpenAccess AI Collective на базе LLaMA-13B. Она предназначена для диалоговых ответов, следования инструкциям, объяснений и генерации прозы; модель принимает текстовые запросы и генерирует текст. Обучение проведено на открытых наборах инструкций, включая WizardLM, Alpaca-CoT, GPTeacher, ScienceQA, задачи по математике и естественным наукам, а также наборы для суммаризации и рассуждений. Используется формат диалоговых подсказок с метками USER: и ASSISTANT:.

pinkyponky выпустил SOLAR-10.7B-dpo-instruct-tuned-v0.1 — текстовую генеративную модель для ответов на инструкции и диалоговых запросов. В метаданных указаны архитектура Llama, 10,6 млрд параметров, контекст до 4096 токенов и формат safetensors. Модель предназначена для загрузки через Transformers. Название и карточка указывают на DPO- и instruct-настройку модели, однако README сообщает, что сведения об обучении и данных будут добавлены позже. В примере загрузки указана базовая модель Upstage/SOLAR-10.7B-v1.0. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Donut — модель для ответов на вопросы по изображениям документов, разработанная командой NAVER CLOVA и дообученная на наборе DocVQA. Она принимает изображение документа и текстовый вопрос, затем генерирует ответ на естественном языке. Архитектура сочетает визуальный энкодер Swin Transformer и текстовый декодер BART; модель работает по схеме vision-encoder-decoder. В отличие от OCR-конвейера, Donut напрямую преобразует изображение в текст, не требуя отдельного этапа распознавания текста. Модель рассчитана на визуальный вопросно-ответный анализ документов. Репозиторий содержит веса PyTorch, лицензия — MIT. Модель специализирована на DocVQA; точность может снижаться на документах, отличающихся от обучающих данных, и при вопросах, требующих информации, отсутствующей или плохо читаемой на изображении.

jina-embeddings-v5-omni-small-text-matching — мультимодальная модель эмбеддингов Jina AI, вариант семейства jina-embeddings-v5-omni-small, настроенный на сопоставление. Она принимает текст, изображения, видео и аудио и отображает их в общее векторное пространство, согласованное с текстовой моделью jinaai/jina-embeddings-v5-text-small-text-matching. Модель содержит около 1,56 млрд параметров и формирует эмбеддинги размерностью 1024; для текста при индексировании используется префикс «Document: ». Видео представляется кадрами, звуковая дорожка автоматически не обрабатывается. Модель подходит для мультимодального поиска и сравнения: можно индексировать документы и выполнять запросы изображениями, видео или аудио без повторной индексации. Поддерживается усечение эмбеддингов с повторной L2-нормализацией. Для экономии памяти можно загружать только нужные модальные компоненты; доступны интеграции с Transformers, sentence-transformers и vLLM. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Orca-Qwen3.8-27B-Uncensored-unsloth-mlx — квантизированная MLX-сборка модели Qwen3.8-27B, подготовленная nova-quill на основе orcarouter/Qwen3.8-27B-Uncensored с использованием imatrix от Unsloth. Базовая Qwen3.8-27B — плотная мультимодальная модель на 27 млрд параметров для диалогов, анализа изображений и видео, программирования и многошаговых задач; карточка этой версии также указывает поддержку vision и pipeline image-text-to-text. Исходная сборка описана как abliterated, то есть с удалением отказов, и предназначена для постобучения и квантизации. Репозиторий содержит форматы GGUF и safetensors; библиотека указана как Transformers. Модель лицензирована по Apache-2.0. Метаданные указывают английский и китайский языки; сведений о контекстном окне и ограничениях качества этой сборки нет.

Ovis-Omni-Embedding-3B — мультимодальная модель эмбеддингов с 3 млрд параметров от ATH-MaaS, созданная на основе Qwen2.5-Omni-3B. Она кодирует текст, изображения, визуальные документы, видео, аудио и их сочетания в общее векторное пространство для поиска и сравнения. Модель использует общий бэкбон Thinker и родные текстовый токенизатор, визуальный и аудиоэнкодеры; вектор извлекается из скрытого состояния последнего непустого токена. Для запуска предусмотрена библиотека Transformers, веса опубликованы в формате safetensors. Модель предназначена для семантического и межмодального поиска, индексации и извлечения данных для мультимодальных RAG-систем, рекомендаций, поиска по видео и аудио, визуальным документам, интерфейсам и памяти агента. Это bi-encoder: запросы и кандидаты кодируются независимо, а ранжирование обычно выполняется по косинусному сходству нормализованных векторов. Генерировать текст или речь модель не предназначена. В бенчмарке MMEB-v3, включающем 190 наборов данных, модель набрала 58,46 балла и показала сильные результаты в агрегатах по группам модальностей. Качество зависит от подходящей инструкции для запроса и корректной предобработки; результаты бенчмарка не гарантируют качество на новых доменах. Лицензия — Apache-2.0.

llmfan46/Qwen3.5-27B-uncensored-heretic-v1 — дообученная версия Qwen/Qwen3.5-27B от независимого автора. Это мультимодальная диалоговая модель с причинной языковой моделью и визуальным энкодером, предназначенная для ответов на запросы, анализа изображений и диалоговых сценариев с меньшим числом отказов на запросы. По карточке, автор применил abliteration к отдельным компонентам модели; приведённые им тесты показывают 8 отказов из 100 против 95 из 100 у исходной модели. Модель содержит 27 млрд параметров, использует плотную архитектуру Qwen3.5 с Gated Delta Networks и механизмом gated attention. Нативная длина контекста — 262 144 токена, с заявленным расширением до 1 010 000. Карточка базовой модели заявляет поддержку 201 языка и диалекта; языки в таблице этой модели не перечислены. Модель принимает текст и изображения и выдаёт текст. Доступна в формате safetensors для Transformers. Модель распространяется по лицензии Apache-2.0. Результаты тестов и заявления о возможностях приведены автором карточки и не являются независимой оценкой; уменьшение числа отказов означает, что модель может отвечать на запросы, которые исходная модель отклоняет.

Карточка модели SYGNITOR/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.

Qwen3.6-35B-A3B-onw — модель ryugyosoft, преобразованная из Qwen/Qwen3.6-35B-A3B для запуска через движок onw исключительно на Intel NPU. Это мультимодальная MoE-модель с 35 млрд общих параметров, из которых около 3 млрд активны на токен; архитектура включает Gated DeltaNet и gated attention. Модель принимает текст и изображения, а в репозитории представлены веса в формате OpenVINO, включая INT4-квантизацию экспертных блоков и INT8-кодировщик изображений. Модель предназначена для диалогов, ответов на вопросы по изображениям и использования через OpenAI-совместимый API на компьютерах с Intel Core Ultra NPU. README приводит скорость 6,8 токена в секунду на NPU 3720 и отмечает, что фактическая производительность зависит от NPU и объёма памяти. Карточка также указывает поддержку вызова инструментов. В README указана Apache 2.0, как и у исходной модели. Автор сообщает о естественных ответах и совпадении предсказания первого токена с bf16 в проверенных случаях, но формулировки могут отличаться от исходной модели через несколько токенов. Для запуска необходим движок onw версии 0.3 или новее и совместимый компьютер с Intel NPU.

Qwen-SEA-LION-v4-8B-VL — мультимодальная модель на 8 млрд параметров, разработанная AI Products Pillar, AI Singapore при финансировании NRF Сингапура. Она основана на Qwen3-VL-8B-Instruct и дообучена методом SFT на примерно 9 млн инструкций и примеров вопросов и ответов для языков Юго-Восточной Азии. Модель использует архитектуру Qwen3-VL и предназначена для диалога с изображениями и текстом. Модель рассчитана на английский и семь языков региона: бирманский, индонезийский, филиппинский, малайский, тамильский, тайский и вьетнамский. Унаследованные от базовой модели возможности включают визуальные вопросы и ответы, описание изображений и использование инструментов; заявленная длина контекста — 256 тыс. токенов. Разработчики сообщают, что дообучение преимущественно на текстовых данных сохранило возможности базовой модели в задачах компьютерного зрения. Модель может галлюцинировать, давать нерелевантные или противоречивые ответы и не проверялась на устойчивость к состязательным запросам. Она не прошла настройку безопасности, поэтому разработчикам приложений следует самостоятельно оценить её поведение и при необходимости адаптировать меры безопасности. Лицензия — MIT.

BLOOMZ-1b7 — многоязычная авторегрессионная языковая модель семейства BLOOM, разработанная BigScience и дообученная следовать инструкциям на примерах из смеси задач xP3. Она предназначена для выполнения заданий, сформулированных на естественном языке, в режиме zero-shot: например, для перевода, ответов на вопросы, классификации тональности и создания коротких историй. Модель содержит около 1,7 млрд параметров, использует архитектуру BloomForCausalLM и принимает текстовые запросы; максимальный контекст — 4096 токенов. Модель обучалась на многоязычных данных и поддерживает широкий набор языков, включая английский, французский, испанский, китайский, хинди, арабский и другие. Результат зависит от формулировки запроса: полезно явно обозначать границу входа и желаемый язык ответа, а недостаточный контекст или неоднозначный промпт могут привести к продолжению исходного текста вместо ответа. Модель может ошибаться и не гарантирует качество на всех языках и задачах. Лицензия — BigScience BLOOM RAIL 1.0.

jina-embeddings-v5-omni-nano-text-matching — мультимодальная модель эмбеддингов от Jina AI, настроенная на сопоставление текста. Она принимает текст, изображения, видео и аудио и преобразует их в общий векторный простор, согласованный с текстовой моделью jinaai/jina-embeddings-v5-text-nano-text-matching. Модель содержит около 0,95 млрд параметров и выдаёт эмбеддинги размерностью 768; поддерживаемая задача — text-matching. Модель предназначена для поиска и сопоставления, когда документы индексируются текстом, а запрос может поступать в виде изображения, видео или аудио. Видео представлено кадрами: звуковая дорожка автоматически не учитывается, её нужно передавать отдельно. Для текстовых документов требуется префикс «Document: ». Доступны веса в формате safetensors, библиотека Transformers и интеграция с Sentence Transformers и vLLM. Это дообученный вариант jinaai/jina-embeddings-v5-omni-nano с настройкой на сопоставление текста. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование; перед применением следует проверить её условия.

Metis-8B-RL — мультимодальный агент для рассуждений по тексту и изображениям, разработанный Accio-Lab в рамках фреймворка Metis. Это финальный чекпойнт обучения с подкреплением по алгоритму Hierarchical Decoupled Policy Optimization (HDPO), обученный на основе Metis-8B-ColdStart; метаданные также связывают модель с Qwen3-VL-8B-Instruct. Модель ведёт многоходовый диалог и выбирает, когда задействовать инструменты выполнения кода, текстового поиска и поиска изображений. Модель предназначена для визуального рассуждения, понимания документов, математических и логических задач с изображениями и текстом, а также для агентных сценариев с выборочным использованием инструментов. В README заявлено снижение доли вызовов инструментов с 98% до 2% и высокие результаты на 13 бенчмарках открытых агентных моделей с 8 млрд параметров. Архитектура — плотная Qwen3-VL для условной генерации; веса опубликованы в safetensors и используются через Transformers. Метаданные указывают английский язык. Лицензия — Apache-2.0. Для полного запуска требуются внешние инструменты и зависимости, описанные в проекте; приведённые в карточке заявления о качестве основаны на бенчмарках разработчиков.

next2.5-i1-GGUF — это набор квантованных моделей в формате GGUF на базе thelamapi/next2.5, подготовленный и опубликованный mradermacher. Модель относится к мультимодальным vision-language моделям и предназначена для генерации текста, работы с изображениями и текстом, а также задач рассуждения. В обучении или дообучении использовались наборы данных FineTome-100k, CognitiveKernel-Pro-SFT, KAG-Thinker-training-dataset и ChatGPT-4o-Writing-Prompts. Заявлена поддержка турецкого, английского, немецкого, испанского, французского, русского, китайского, японского и корейского языков. В README модель обозначена как модель примерно на 4 млрд параметров, ориентированная в том числе на edge-устройства. Доступны варианты квантования от IQ1_S до Q6_K размером примерно от 1,3 до 3,6 ГБ; качество и скорость зависят от выбранного варианта. Для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Размер контекстного окна и точные сведения об архитектуре не указаны. Сильными сторонами являются мультимодальность, многоязычность, поддержка режима рассуждения и широкий выбор квантований для запуска на устройствах с ограниченными ресурсами. Ограничения включают возможное снижение качества при использовании наиболее компактных квантований, а также отсутствие в README подробных характеристик производительности и контекстного окна. Модель распространяется по лицензии Apache-2.0.

google/paligemma-3b-ft-docvqa-896 — модель Google для ответов на вопросы по изображениям документов. Она относится к семейству PaliGemma: визуальная часть основана на SigLIP, языковая — на Gemma; модель принимает изображение и текстовый запрос и генерирует текстовый ответ. Суффикс названия указывает на настройку для DocVQA с разрешением изображений 896 пикселей; карточка описывает PaliGemma как модель для одношаговой обработки, а не для многоходового диалога. Модель предназначена для извлечения сведений из документов по вопросам на естественном языке — например, поиска значений и ответов, опирающихся на содержимое страницы. PaliGemma поддерживает несколько языков и может быть адаптирована под специализированные задачи визуального языка. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Gemma. Ответы могут быть неточными, а модель может неверно прочитать текст или интерпретировать документ. Она лучше работает с чётко сформулированными запросами; сложные или открытые задачи могут даваться хуже. Это не универсальная чат-модель: ввод изображения и текста рассчитан на один ход.

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.

cmp-nct/Qwen3.6-35B-A3B-GGUF — GGUF-версия модели Qwen3.6-35B-A3B, разработанной командой Qwen. По метаданным это мультимодальная модель с поддержкой сценария image-text-to-text, предназначенная для обработки изображений и текста с генерацией текстовых ответов. В репозитории также указана quantized vision projector, то есть квантизированный визуальный проектор. Модель построена на MoE-архитектуре: заявлен общий размер 35 млрд параметров и конфигурация A3B, однако точное число активных параметров, размер контекста, поддерживаемые языки и конкретные требования к оборудованию в README не указаны. Формат GGUF ориентирован на локальный запуск в совместимых инструментах, но сведения о доступных вариантах квантизации и производительности отсутствуют. Лицензия — Apache-2.0. README не содержит достаточных данных для оценки качества, сильных сторон и ограничений модели в конкретных задачах, поэтому перед использованием следует отдельно проверить совместимость рантайма, характеристики выбранного GGUF-файла и возможности мультимодального инференса.

Mantisec выпустил FP16-представление модели Qwen3.8-27B-OBLITERATED, преобразованное из OBLITERATUS/Qwen3.8-27B-OBLITERATED. Это плотная мультимодальная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, предназначенная для диалогового взаимодействия и обработки изображений с текстом. Версия рассчитана на инференс и дообучение на видеокартах NVIDIA V100, где FP16 подходит для тензорных ядер Volta. Веса переведены из BF16 в FP16 со стратегией проверки диапазона: значения, не представимые в конечном диапазоне FP16, отклоняются, а не обрезаются. README сообщает об успешной проверке генерацией и полном совпадении токенов с исходной моделью в этой проверке, при небольшом расхождении логитов. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Условия лицензии в предоставленных данных не описаны.