I.1Поиск и навигация по информации

GitMylo/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive-safetensors — производный чекпойнт Qwen3.5-9B, представленный в формате safetensors для Transformers. Согласно карточке, это мультимодальная причинная языковая модель с визуальным энкодером на 9 млрд параметров; архитектура объединяет Gated Delta Networks и разреженный Mixture-of-Experts. Модель принимает текст и изображения и предназначена для диалогов, визуального понимания, рассуждений и вызова инструментов. Базовая модель заявляет поддержку 201 языка и диалекта, однако отдельные языковые данные именно для этого дообученного варианта не приведены. Контекст базовой модели составляет 262 144 токена и может расширяться до 1 010 000 токенов. Карточка описывает формат совместимости с Transformers и серверами vLLM, SGLang и KTransformers. В README не раскрыты конкретные изменения, внесённые вариантом HauhauCS, и нет его отдельных оценок качества; название предполагает агрессивную настройку поведения, но это нельзя подтвердить деталями обучения. Лицензия — Apache-2.0. Практическое применение требует значительных вычислительных ресурсов, особенно при большом контексте; README также предупреждает о риске нехватки видеопамяти при настройках контекста по умолчанию.

Elsephire/Qwen3.6-35B-A3B-Ornith-80-20-Beta — бета-модель, созданная Elsephire слиянием Qwen3.6-35B-A3B и Ornith-1.0-35B в соотношении 80/20 методом Task Arithmetic. Она предназначена для диалогов и задач с изображениями; метаданные также отмечают интерфейс вызова инструментов. Архитектура — Qwen3.5 MoE, модель загружается через Transformers, веса представлены в safetensors. Базовая модель Qwen описана в каталоге как мультимодальная модель на 35 млрд параметров; размер активной части и длина контекста для этой модели не подтверждены. Модель принимает текст и изображения и генерирует текст. Разработчик обозначает выпуск как бета-версию и приглашает тестировать её и сообщать об ошибках, поэтому качество и стабильность могут быть непредсказуемыми. Лицензия — MIT.

Карточка модели Veritone/siglip2-base-patch32-256 на Hugging Face совпадает с карточкой google/siglip2-base-patch32-256, поэтому описание составлено по ней. 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.

Это версия SigLIP SoViT-400m, подготовленная zeromodels в формате Keras 3 на основе google/siglip-so400m-patch14-224. Модель использует двойной визуально-текстовый энкодер: принимает изображения и текстовые запросы, чтобы классифицировать изображения по произвольным текстовым меткам без отдельного обучения на этих метках. Поддерживает разрешение 224 × 224; реализация Keras может работать с TensorFlow, PyTorch или JAX. Модель подходит для поиска изображений по описанию и классификации изображений по пользовательским категориям. В README отмечено, что обучение SigLIP использует попарную сигмоидальную функцию потерь вместо контрастивного softmax-подхода CLIP. Репозиторий распространяется по лицензии Apache 2.0. Это преобразованная версия базовой модели, поэтому её возможности и ограничения в основном наследуются от SigLIP; качество зависит от формулировки текстовых запросов и соответствия изображений обучающим данным.

SLIM-TOPICS — компактная специализированная языковая модель из серии SLIM от llmware, дообученная для вызовов функций анализа тем. Модель построена на архитектуре Llama с плотной decoder-only трансформерной архитектурой, содержит 1 млрд параметров и работает с контекстом до 2048 токенов. Модель принимает текст и формирует структурированный текстовый результат — словарь Python с темами, например в поле topics. Она предназначена для извлечения тем из текста и включения результата в автоматизированные рабочие процессы на основе нескольких LLM. В README показаны запуск через Transformers и вызов функции через llmware. Модель распространяется под лицензией Apache-2.0. Карточка описывает узкую специализацию на анализе тем; качество на других задачах не заявлено.

vicgalle/xlm-roberta-large-xnli-anli — модель XLM-RoBERTa-large, дообученная на нескольких наборах данных для распознавания логического следования (NLI), включая MNLI, XNLI и ANLI. Она предназначена для классификации текстов без заранее заданного набора классов: пользователь передаёт текст и названия возможных категорий, а модель оценивает их соответствие. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает текст длиной до 514 токенов. Она поддерживает многоязычную классификацию; в карточке приведены результаты на испанском и французском наборах XNLI, а также на трёх раундах ANLI. Лицензия — MIT. На тестах XNLI точность составила 93,7% для испанского и 93,2% для французского; на раундах ANLI — от 68,5% до 49,0%. Результаты на ANLI указывают на заметное снижение качества на более сложных раундах, поэтому оценки следует проверять на данных целевого применения.

893ImagesJson — дообученная на неизвестном наборе данных модель naver-clova-ix/donut-base от Sagarjha456. Она использует архитектуру vision-encoder-decoder и предназначена для преобразования изображений в текст; карточка сообщает значение loss 0.4844 на наборе оценки. Подходящие сценарии — извлечение текста и структурированных сведений из изображений документов. Модель распространяется в формате safetensors по лицензии MIT. Описание не приводит подробностей о наборе данных, языках, качестве на конкретных типах документов или дополнительных ограничениях.

Pankaj8922/bert-small-nli — модель Pankaj8922, дообученная на базе praJJwal1/bert-small для распознавания логических отношений между текстом и гипотезой: следования, нейтральности и противоречия. Её можно применять для классификации текста по произвольным категориям через zero-shot-подход: к тексту добавляют гипотезу вида «This text is about {label}.» и оценивают отношение между ними. Модель использует архитектуру BERT с классификационной головой BertForSequenceClassification, содержит 32,4 млн параметров и принимает текст с контекстом до 512 токенов. Обучена на сбалансированной и отфильтрованной смеси наборов MNLI, SNLI, FEVER-NLI и ANLI. В README указаны точность и macro-F1 около 0,805 на тестовой выборке. Подходит для быстрого инференса и сред с ограниченными ресурсами; на новых наборах меток её zero-shot-точность ниже, чем у более крупных NLI-моделей. Лицензия — Apache-2.0.

google/bert_uncased_L-12_H-256_A-4 — компактная англоязычная модель BERT от Google из серии BERT Miniatures, описанной в работе «Well-Read Students Learn Better: On the Importance of Pre-training Compact Models». Она обучена без учёта регистра с маскированием токенов WordPiece и имеет 12 слоёв, скрытый размер 256 и 4 attention-головы; максимальная длина контекста — 512 токенов. Число параметров — около 20,4 млн. Модель предназначена для задач понимания текста и для сред с ограниченными вычислительными ресурсами. Её можно дообучать для классификации и других задач обработки языка; авторы отмечают, что особенно полезна она в дистилляции, когда обучающие метки создаёт более крупная модель-учитель. Доступны веса в форматах PyTorch и Flax. Лицензия Apache-2.0. Как компактная модель, она может уступать более крупным моделям по качеству; README рекомендует для лучших результатов дистилляцию от более точного учителя.

Карточка модели psikosen/canopy-258m-r3-v5 на Hugging Face совпадает с карточкой psikosen/canopy-258m-r3-v4, поэтому описание составлено по ней. psikosen/canopy-258m-r3-v4 — компактная генеративная модель семейства Canopy, представленная как модель для рассуждений на периферийных устройствах и автоматизации браузера. В README описана архитектура рекуррентной смеси экспертов (MoE), однако метаданные указывают класс CanopyForCausalLM и 136,8 млн параметров; поэтому размер и точные архитектурные детали в источниках расходятся. Согласно README, модель ориентирована на генерацию текста, многошаговые рассуждения и выполнение действий в браузере, включая заполнение форм и цепочки действий. В карточке заявлены ограничение памяти KV-кэша при длинных последовательностях и ускорение генерации и браузерных операций; эти показатели приведены самим автором и независимая проверка в предоставленных данных отсутствует. Метаданные указывают английский язык и поддержку чата и кода. Модель распространяется под лицензией Apache-2.0.

DeepSeek V4 Flash 0731 Vision (BF16) — экспериментальная мультимодальная модель, разработанная WebBrain на базе текстовой модели DeepSeek-V4-Flash-0731. Она объединяет языковую и агентную основу DeepSeek с замороженным визуальным энкодером MoonViT-3d, извлечённым из Kimi-K2.6, и обученным WebBrain проектором PatchMerger с routing bridge. Модель предназначена для browser agents и других сценариев, где требуется анализ визуального состояния веб-страниц: скриншотов, графиков, панелей управления, редакторов и элементов интерфейса. Архитектура использует проектор LayerNorm → объединение патчей 2×2 → Linear(4608, 4608) → GELU → Linear(4608, 4096). Поддерживается один маркер изображения <image> и не более 512 объединённых image-токенов. Текстовая часть сохранена без изменений и использует исходные конфигурацию DSpark/MTP и метаданные FP8; добавленные vision tower и projector содержат BF16-тензоры. Модель рассчитана на работу через внешний пакет модели и процессора DeepSeek/MoonViT и специальную интеграцию SGLang, а не через стандартные Transformers или стандартный SGLang. Сильными сторонами являются использование производительной текстовой основы DeepSeek, визуальное понимание веб-интерфейсов и сохранение исходных текстовых весов и их метаданных. Ограничения включают экспериментальный статус интеграции, необходимость применять указанный патчированный стек SGLang, поддержку только одного маркера изображения и отсутствие повторной полной проверки запуска на GPU и генерации изображений именно для этой собранной версии. В карточке указана лицензия other; дополнительные условия использования не приведены.

Это модель классификации текста из проекта Adaptive Classifier, построенная на базе answerdotai/ModernBERT-base. Она относит текст к одному из двух классов качества: high_quality или poor_quality; в карточке указаны 10 обучающих примеров, поровну для каждого класса, и размерность эмбеддингов 768. Модель предназначена для оценки качества текстов и поддерживает непрерывное обучение с добавлением новых классов. Для каждого класса требуется не менее трёх примеров; максимум составляет 150 примеров на класс, а прототипы обновляются каждые 10 примеров. Модель распространяется в формате safetensors по лицензии Apache-2.0.

gemma-3-4B-T1-it — текстовая инструкционная модель Twinkle AI, разработанная Liang Hsun Huang, Min Yi Chen, Wen Bin Lin и Dave Sung на базе google/gemma-3-4b-pt. Это плотная модель семейства Gemma 3 с 4 млрд параметров; карточка указывает контекст до 131 072 токенов. Модель дообучена для традиционного китайского языка и тайваньского культурного контекста, также поддерживает английский. Это текстовая версия без обработки изображений. Модель предназначена для диалогов и генерации ответов, учитывающих тайваньскую лексику и общественно-культурные реалии. Её можно применять для базового толкования законов Тайваня, подготовки учебных материалов, повседневных запросов, а также для вызова функций и построения агентных сценариев с внешними инструментами. Разработчики сообщают об обучении на наборах данных по рассуждениям, инструкциям, договорам и длинным документам и приводят результаты собственных оценок, в том числе BFCL. Модель распространяется по лицензии Gemma, доступ к репозиторию Hugging Face ограничен условиями Google. Ответы по праву следует использовать только как вспомогательные: модель не заменяет профессиональную юридическую консультацию. Вызов инструментов требует заданных приложением описаний инструментов и логики управления; опубликованные показатели получены в оценках разработчиков и не гарантируют качество в конкретной задаче.

Это модель классификации на базе DeBERTa-v3-base, разработанная авторами карточки и дообученная на наборе HaluEval для обнаружения галлюцинаций в ответах больших языковых моделей. Она оценивает ответ относительно предоставленного контекста знаний и относит его к фактическому или галлюцинированному; вход включает контекст, вопрос и проверяемый ответ. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и поддерживает контекст длиной до 512 токенов. В карточке приведены точность 0,9127, precision 0,8819 и recall 0,9505, а также F1 по задачам QA, суммаризации и диалога. Модель рассчитана на англоязычную проверку ответов. Лицензия — MIT.

zhongweixie выпустил Qwen3-4B с обучением In-Place Test-Time Training (In-Place TTT), ориентированную на работу с длинным контекстом. Это плотная авторегрессионная языковая модель на архитектуре Qwen3ForCausalLM; в карточке указана связь с Qwen/Qwen2.5-4B и обучение на 1250 шагах с контекстом 64 тыс. токенов. Модель предназначена для генерации текста и диалоговых сценариев, в том числе задач, где нужно учитывать длинные входные последовательности. README заявляет более эффективную работу с длинным контекстом и адаптацию во время обработки входа, однако не приводит количественных результатов или сравнительных оценок. Репозиторий содержит веса safetensors для Transformers, размер модели по метаданным — 3,7 млрд параметров. Лицензия Apache-2.0.

Kosmos-2.5 — мультимодальная модель Microsoft для чтения изображений с большим количеством текста, например документов. Она использует авторегрессионный Transformer с общим декодером и предназначена для распознавания текста на уровне документа и преобразования изображения в структурированный Markdown. Модель может выдавать текстовые блоки с пространственными координатами или сохранять структуру и оформление документа в Markdown. Модель принимает изображения и текстовые инструкции и генерирует текст. Её можно адаптировать с помощью supervised fine-tuning для других задач понимания изображений с текстом. Для запуска используется библиотека Transformers версии 4.56 или новее. Модель распространяется по лицензии MIT. Результаты распознавания и преобразования могут содержать галлюцинации, поэтому точность извлечённого текста и Markdown не гарантируется.

Dingdust/LFM2.5-230M-heretic — производная версия LFM2.5-230M-Base от Liquid AI, опубликованная как дообученная модель с ослабленным отказом отвечать на запросы. По карточке это компактная текстовая причинная модель семейства LFM2 с 221,2 млн параметров, рассчитанная на генерацию текста и диалоговое применение. README семейства описывает гибридную архитектуру из свёрточных блоков с двойным gating и блоков GQA, а также контекст 32 768 токенов; метаданные репозитория указывают собственный контекст 128 000 токенов, поэтому фактическое значение зависит от конкретной версии и конфигурации. Модель подходит для извлечения данных, коротких диалогов и лёгких локальных агентных сценариев, включая вызов инструментов. В README исходной модели перечислены десять языков: английский, арабский, китайский, французский, немецкий, итальянский, японский, корейский, португальский и испанский. Приведённые в карточке измерения показывают меньше отказов, чем у исходной модели, но это не подтверждает качество ответов для всех типов запросов. Семейство не рекомендуется для сложных рассуждений, продвинутой математики, генерации кода и творческого письма. Лицензия указана как other, без более точных условий в предоставленных данных.

MuXodious/LFM2.5-VL-3B-absolute-heresy — мультимодальная дообученная версия LFM2.5-VL-3B, созданная с помощью инструмента Heretic и метода abliteration для уменьшения отказов модели. Она принимает текст и изображения и предназначена для визуального диалога, распознавания текста на изображениях, анализа страниц с разметкой макета и обнаружения объектов по текстовому запросу. Модель использует языковую основу LFM2.5-2.6B и визуальный энкодер SigLIP2 NaFlex; контекст составляет 32 768 токенов. Поддерживает 17 языков, включая русский, английский, китайский, арабский, хинди и европейские языки. Базовая модель рассчитана на локальное и периферийное развертывание, а карточка этой версии приводит показатели снижения отказов и низкого KL-расхождения. Подходит для коротких запросов по изображениям, распознавания и структурирования сканированных документов, а также визуального поиска объектов. Разработчик базовой модели рекомендует сценарии с высокой пропускной способностью и малой задержкой; модель не рекомендуется для задач с длинным контекстом и интенсивными рассуждениями. В метаданных указана лицензия other; конкретные условия лицензии следует проверить в репозитории.

Это модель понимания структуры документов на базе LiLT с энкодером XLM-RoBERTa, дообученная Пьером Гийу на наборе DocLayNet. Она классифицирует строки документа по типам элементов макета: заголовок, основной текст, таблица, изображение, формула, подпись, колонтитул, элемент списка и другие классы. Модель предназначена для разметки страниц PDF и других документов на уровне строк; при обучении использовались фрагменты по 384 токена с перекрытием 128 токенов. Размер модели — 305,2 млн параметров, контекст — 514 токенов. В оценке на DocLayNet точность классификации строк составила 91,97%, а F1 для токенов — 0,8584. Она подходит для извлечения структуры финансовых отчётов, научных статей, инструкций, законов и других документов, помогая направлять последующий OCR и разбор содержимого. Поддерживаются английский, немецкий, французский и японский языки; разметка использует текст и геометрию документа. Лицензия — MIT.

KKHYA/llavaqwen2.5-32b-finetune-dense-2m-half — плотная 32-миллиардная причинная языковая модель семейства LlavaQwen2, доступная в формате safetensors и рассчитанная на диалоговую генерацию текста. В метаданных заявлено контекстное окно до 131072 токенов и интерфейс для вызова инструментов. README сообщает, что модель обучена с нуля на неизвестном наборе данных, но не приводит сведений о разработчике, обучающих данных или оценке качества. Модель можно применять для диалогов и генерации текста, в том числе в сценариях с длинным контекстом и подключением инструментов. Несмотря на семейство архитектуры LlavaQwen2, доступные метаданные не подтверждают поддержку изображений, поэтому мультимодальные возможности не заявляются. Лицензия в предоставленных данных не указана.

google/long-t5-tglobal-large — крупная англоязычная модель Google Research из семейства LongT5. Это предварительно обученный трансформер-кодировщик-декодировщик для генерации текста в формате «текст в текст», обученный восстанавливать исходный текст по искажённому входу. Архитектура использует transient-global attention, чтобы эффективнее обрабатывать длинные последовательности; в метаданных указаны 385,2 млн параметров и контекст 4096 токенов. Модель предназначена прежде всего для дообучения под суммаризацию и ответы на вопросы по длинным документам. В README приведены результаты её дообученных вариантов на наборах данных для научных статей, патентов, биомедицинских текстов и вопросов общего характера. Модель рассчитана на английский язык и принимает текст, выдавая текст. Это базовый чекпойнт, а не готовый специализированный помощник: для конкретной задачи рекомендуется supervised fine-tuning. Выпускается по лицензии Apache-2.0. Заявленная в README способность обрабатывать до 16 384 входных токенов относится к описанным экспериментам и не совпадает с контекстом 4096 токенов в метаданных репозитория.

Карточка модели TitanPythons/Nemotron-3-Super-120B-A12B-UNCENSORED-JANG_2L на Hugging Face совпадает с карточкой Ishowbackup/Nemotron-3-Super-120B-A12B-UNCENSORED-JANG_2L, поэтому описание составлено по ней. Nemotron 3 Super 120B JANG_2L + CRACK — производная версия модели NVIDIA Nemotron-3-Super-120B, созданная Jinho Jang. Это гибридная языковая модель архитектуры Nemotron H с Mamba SSM, MoE и слоями внимания; в исходной модели заявлены 120 млрд параметров, из них около 12 млрд активных. Репозиторий содержит 6,6 млрд параметров в формате safetensors, квантованных профилем JANG_2L со смешанной точностью; заявленный размер файлов — 43 ГБ. Метаданные указывают контекст до 262 144 токенов. Модель предназначена для диалоговой генерации текста и выполнения запросов с интерфейсом вызова инструментов. Версия CRACK прошла изменение весов, направленное на удаление отказов по соображениям безопасности; README сообщает результаты собственных проверок HarmBench и MMLU, которые не следует считать независимой оценкой. Для запуска требуется Apple Silicon и поддержка формата JANG в MLX Studio либо пакете jang-tools. Указана лицензия other, поэтому условия использования следует уточнять в репозитории. Английский указан как язык карточки модели.

Модель cross-encoder/nli-deberta-v3-large разработана на базе microsoft/deberta-v3-large и обучена с помощью SentenceTransformers Cross-Encoder на наборах SNLI и MultiNLI. Для пары предложений она оценивает три отношения: противоречие, следование и нейтральность. Модель предназначена для вывода отношений между текстами и классификации без примеров, когда метки задаются пользователем. Модель содержит 533,8 млн параметров, использует архитектуру DeBERTa V2 для классификации последовательностей и рассчитана на контекст до 512 токенов. В README приведены точности 92,20% на SNLI-test и 90,49% на MNLI mismatched. Доступны форматы PyTorch, Safetensors и ONNX; лицензия — Apache-2.0. Карточка указывает поддержку английского языка.

NorBERTo-large — предобученный текстовый encoder ModernBERT для бразильского португальского языка, разработанный Itaú Unibanco и ICTi. Модель содержит около 394,7 млн параметров, использует 28 слоёв и поддерживает контекст до 8 192 токенов. Веса доступны в форматах PyTorch и Safetensors; модель запускается через Transformers. Модель предназначена для заполнения пропусков в тексте и может служить основой для получения текстовых эмбеддингов и последующей настройки задач понимания языка. В карточке приведены результаты на португалоязычных бенчмарках PLUE и ASSIN 2, включая классификацию и текстовое следование. Для некоторых прикладных задач, таких как классификация последовательностей и ранжирование пар текстов, могут потребоваться соответствующая настройка или отдельная голова модели. Модель рассчитана прежде всего на бразильский португальский и обучена на корпусе Aurora-PT объёмом 331 млрд токенов. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространяет производные материалы на тех же условиях и запрещает коммерческое использование.

ArchSpace-Collection публикует экспорт модели OLMo 3 3B SiameseNorm + DepthAttention с этапа 3 обучения на длинном контексте; README указывает, что экспорт соответствует итерации 11921. Это плотная авторегрессионная языковая модель семейства OLMo 3 с архитектурой SiameseNorm и DepthAttention, предназначенная для генерации текста и работы с длинными последовательностями. Модель содержит 3,2 млрд параметров и рассчитана на контекст до 65 536 токенов. Внимание чередует три слоя с локальным скользящим окном 4 096 токенов и один слой полного внимания; для полных слоёв применяется YaRN. Веса представлены в формате safetensors, загрузка описана для Transformers с trust_remote_code=True. Карточка не сообщает о специальных предметных областях или языковой специализации, поэтому модель можно описать как языковую модель общего назначения. Лицензия в предоставленных данных не указана. Для использования требуется версия Transformers не ниже 4.57.6 и ниже 5, а также исполнение встроенного удалённого кода; качество отдельных задач в карточке не оценено.

OpenLID-v3 — модель классификации текста для автоматического определения языка, разработанная HPLT. Это улучшенная версия OpenLID-v2; модель построена на fastText и охватывает 194 языковые разновидности. Для обучения использовались данные OpenLID-v2, glotlid-corpus и Wikipedia с нормализацией и балансировкой классов. Модель подходит для определения языка текстовых фрагментов и отбора многоязычных данных для последующей обработки в NLP-системах. Качество распознавания неодинаково для разных языков. Близкие разновидности, например арабские диалекты, бывает трудно различить, поэтому результат может определяться только на уровне макроязыка. Ошибки классификации способны ухудшить работу последующих систем, а сведение разновидностей к общим категориям может приводить к недостаточному распознаванию малых языков, диалектов и отдельных письменностей. Лицензия — GPL-3.0.

google/pix2struct-screen2words-base — модель Google семейства Pix2Struct для понимания визуально представленного текста и элементов интерфейса. Это базовая версия Pix2Struct с архитектурой «кодировщик изображений — декодер текста», доступная в формате PyTorch и предназначенная для генерации текстовых ответов по изображению. Модель принимает изображение экрана и может отвечать на вопросы о его содержимом, например распознавать слова и подписи в интерфейсе. Pix2Struct предварительно обучали преобразовывать замаскированные снимки веб-страниц в упрощённый HTML; подход рассчитан на разнообразные задачи визуального понимания. В семействе используется представление изображений с переменным разрешением, а языковая подсказка может быть встроена непосредственно в изображение. В метаданных указаны английский, французский, румынский и немецкий языки. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает отдельные ограничения именно этой версии; качество ответов может зависеть от читаемости и состава содержимого снимка экрана.

leandronunes/qwen3.8-4b-a1-dare-ties — модель слияния DARE-TIES на базе Qwen/Qwen3.5-4B с компонентами Qwen3.8-4B-Distill и Agents-A1-4B. Она объединяет логическую дедукцию и агентные возможности для диалоговых задач и рассуждений; заявленные в карточке родительские модели показали результаты на тестах логической дедукции, причинных суждений и медицины, но показатели самого слияния ещё не измерены. Модель мультимодальная: помимо языковой части, в архитектуре есть зрительная башня из 24 блоков. Используется гибридная архитектура с чередованием слоёв linear attention на базе Gated DeltaNet и full attention; контекст — 262 144 токена. Поддерживается режим расширенного рассуждения, который можно отключить через шаблон чата. Метаданные указывают семейство Qwen 3.5 и поддержку интерфейса вызова инструментов. Модель ориентирована на диалог, логические и причинные рассуждения, в том числе с визуальным вводом. Карточка не приводит измерений качества итогового слияния, поэтому его результаты нельзя считать подтверждёнными приведёнными оценками родительских моделей. Лицензия — Apache 2.0.

timm/ViT-B-16-SigLIP2-256 — контрастивная модель зрения и языка семейства SigLIP 2, обученная на наборе WebLI и преобразованная из исходных контрольных точек JAX проекта Big Vision для использования в OpenCLIP. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах: она сопоставляет изображение с предложенными текстовыми вариантами и позволяет выбрать наиболее подходящий. Модель работает с изображениями и текстом и рассчитана на zero-shot классификацию. В карточке указаны архитектура ViT-B/16 с разрешением 256 и обучение на WebLI; веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Результаты зависят от формулировок текстовых меток и от соответствия изображений данным обучения; модель может хуже работать на редких понятиях, специализированных изображениях и языках, для которых качество отдельно не подтверждено. Она предназначена для сопоставления изображений и текста, а не для генерации описаний или локализации объектов.

Это визуальный энкодер SigLIP из библиотеки timm с архитектурой ViT-Base и патчами 16×16, обученный на данных WebLI. Вариант использует глобальное усреднение признаков и предназначен для извлечения векторных представлений изображений. Модель подходит для построения эмбеддингов изображений, поиска похожих изображений и других систем, использующих визуальные признаки. Карточка описывает только image encoder, поэтому модель не следует считать генератором текста или изображений. Весы доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0.