I.2Синтез, понимание и проверка знаний

Maya — модель зрения и языка, разработанная сообществом Cohere For AI. Она объединяет архитектуру LLaVA, языковую модель Aya-23 8B и визуальный энкодер SigLIP. Модель содержит 8 млрд параметров, принимает изображения и текст, а длина контекста составляет 8 тысяч токенов. Maya предназначена для многоязычных вопросов и ответов по изображениям, создания подписей, визуальных рассуждений и понимания документов. Она поддерживает английский, китайский, французский, испанский, русский, японский, арабский и хинди; обучение проводилось на наборе из 558 тысяч изображений с многоязычными аннотациями. Разработчики уделяли внимание культурной чувствительности и фильтрации токсичного контента. Качество зависит от языка, задачи и качества изображения; модель может упускать тонкие культурные нюансы и сохранять предубеждения из обучающих данных. Она не предназначена для критически важных решений. Лицензия — Apache 2.0.

Ttimms/MiniCPM5-2B-NVFP4 — это квантованная версия языковой модели openbmb/MiniCPM5-2B, подготовленная разработчиком Ttimms для генерации текста. Базовая модель основана на архитектуре LlamaForCausalLM и содержит около 2,5 млрд параметров. Модель предназначена прежде всего для англоязычных и китайскоязычных сценариев, включая генерацию и обработку кода. В модели применена 4-битная квантование весов NVFP4 по схеме W4A16 с GPTQ-округлением, блоками по 16 элементов и FP8-масштабами; активации, эмбеддинги и lm_head сохраняются в формате bfloat16. Размер на диске составляет около 2,03 ГиБ — на 57% меньше исходной версии в bfloat16. Модель рассчитана на запуск через vLLM с поддержкой compressed-tensors; в README приведён пример с максимальной длиной контекста 32 768 токенов и FP8 KV-кэшем. Главное преимущество — малый объём занимаемой памяти, что удобно для видеокарт с ограниченным объёмом памяти и сценариев с большим KV-кэшем. GPTQ сохраняет качество лучше, чем простое RTN-округление, однако по сравнению с исходной версией в bfloat16 модель теряет около 2,4 процентного пункта на HumanEval и 4,8 пункта на MBPP. На архитектуре Blackwell SM120 NVFP4-веса декодируются через Marlin в матричное умножение bfloat16, поэтому выигрыш в первую очередь связан с уменьшением занимаемой памяти, а не с ускорением вычислений. Распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

OpenThinker2-7B — языковая модель с открытыми весами, разработанная командой OpenThoughts. Она дообучена на Qwen/Qwen2.5-7B-Instruct на наборе OpenThoughts2-1M и содержит 7,1 млрд параметров. Модель построена на архитектуре Qwen2 и доступна в формате Safetensors; контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалогов с акцентом на рассуждения, в частности при решении математических задач и задач на программирование. В README приведены результаты оценивания на математических и научных бенчмарках, а также LiveCodeBench; модель позиционируется как конкурентоспособная среди открытых моделей класса 7B. Она может быть полезна для обучения, экспериментов и создания приложений, которым нужны ответы с рассуждениями. Модель использует интерфейс чата и поддерживает интерфейс вызова инструментов. Данные не подтверждают отдельную языковую специализацию, поэтому язык применения следует выбирать с учётом возможностей базовой Qwen2.5-7B-Instruct. Лицензия — Apache 2.0.

Модель shahrukhx01/paraphrase-mpnet-base-v2-fuzzy-matcher — сиамская архитектура на основе MPNet, обученная на символьных токенах для нечеткого сопоставления текстов по эмбеддингам. Её можно использовать через библиотеку Sentence-Transformers. Модель предназначена для поиска похожих строк и записей, разрешения сущностей и связывания записей, в том числе в структурированных данных. Она принимает текст и выдаёт эмбеддинги, которые можно сравнивать для оценки сходства. В метаданных указаны 136,7 млн параметров и контекст до 514 токенов. В карточке не приведены результаты оценки качества или подробные сведения о данных обучения. Лицензия в доступных данных не указана.

Penguin-VL-2B — компактная vision-language-модель Tencent, построенная на языковой основе Qwen3-1.7B. В модели объединены визуальный энкодер, созданный на основе Qwen3-0.6B, лёгкий MLP-проектор и языковой бэкенд Qwen3. Энкодер использует двунаправленное внимание и 2D-RoPE для обработки пространственной информации; для видео применяется сжатие токенов с учётом временной избыточности кадров. Модель предназначена для диалоговых задач с изображениями и видео: ответов на визуальные вопросы, OCR, понимания документов и диаграмм, а также рассуждений по содержимому кадров. Заявленная длина контекста — 40 960 токенов, размер языковой основы — 1,7 млрд параметров. В карточке приведены результаты на тестах для изображений, документов, OCR, математики и видео. Метаданные указывают английский язык; других языков карточка не подтверждает. Модель дообучена на Qwen/Qwen3-1.7B, распространяется в формате Safetensors по лицензии Apache-2.0. Качество может зависеть от разрешения и сложности визуального входа; опубликованные результаты бенчмарков не гарантируют точность на конкретных данных. Описание не уточняет ограничения по длительности видео или точную процедуру запуска.

Карточка модели JaehyeokLee/preliminary_random_gist_checkpoint_epoch_1_step_50 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Qwen2.5-0.5B-Instruct-GPTQ-Int4 — компактная инструкционная языковая модель семейства Qwen2.5, разработанная командой Qwen. Это GPTQ-квантизированная 4-битная версия базовой модели Qwen2.5-0.5B-Instruct, предназначенная для генерации текста и диалоговых сценариев, включая чат-ассистентов, следование инструкциям, работу со структурированными данными и формирование структурированных ответов, в том числе JSON. Модель также ориентирована на задачи программирования и математики, однако README не содержит подробных результатов оценки. Модель относится к causal language models и использует архитектуру Transformer с RoPE, SwiGLU, RMSNorm, смещениями в QKV attention и связанными эмбеддингами слов. Она содержит около 0,49 млрд параметров, из которых 0,36 млрд не являются эмбеддингами, 24 слоя и GQA с 14 головами для Q и 2 для KV. Поддерживается контекст до 32 768 токенов и генерация до 8192 токенов. Модель текстовая, поддерживает более 29 языков, включая английский, китайский, русский, французский, испанский, немецкий, итальянский, японский, корейский, арабский и другие. Ключевые преимущества — небольшой размер, 4-битное представление, поддержка длинного контекста, многоязычность и улучшенное следование инструкциям. Ограничения README не раскрывает количественно; как компактная модель с 0,49 млрд параметров, она может уступать более крупным моделям в сложных рассуждениях и качестве генерации. Модель распространяется по лицензии Apache-2.0. Для использования рекомендуется актуальная версия библиотеки transformers; версии ниже 4.37.0 не поддерживают архитектуру Qwen2.

Это текстовая MoE-модель семейства Qwen для диалоговой генерации. По README, репозиторий содержит полный конвертированный чекпойнт Qwen/Qwen3.8-2.4T-A95B с 4-битным представлением весов; метаданные указывают поддержку чат-сценариев и генерации текста. Модель предназначена для диалогов и генерации ответов, включая программный код. В README приведены измерения скорости на восьми GPU AMD MI325X с ROCm, в том числе с ускорением спекулятивным декодированием DSpark; эти показатели относятся к конкретным настройкам и нагрузкам. Качество модели широко не оценивалось: автор сообщает об арифметических проверках генерации, проверке чата и нескольких тестах с Python-кодом, но не приводит широких оценок точности или perplexity. Квантизация заметно отличается от исходных BF16-весов по приведённым тестам; эквивалентность качества BF16 и детерминизм для произвольных запросов не заявлены. Для размещения чекпойнта указаны значительные требования к памяти GPU. Лицензия обозначена как «other», конкретные условия в предоставленных данных не раскрыты.

Qwen3-Reranker-0.6B-seq-cls — вариант Qwen3-Reranker-0.6B, преобразованный в модель классификации последовательностей. Это плотная модель архитектуры Qwen3 с 507,6 млн параметров, дообученная на базе Qwen/Qwen3-0.6B-Base и предназначенная прежде всего для ранжирования текстовых пар. Она оценивает релевантность документа запросу, чтобы переупорядочить кандидатов в поиске или RAG-системе; также в метаданных указана поддержка классификации текста. Модель рассчитана на многоязычные сценарии: карточка заявляет поддержку более 100 языков, включая языки программирования. Она подходит для поиска по тексту и коду, межъязыкового поиска и отбора документов по запросу. Входные инструкции можно настраивать под задачу; README сообщает, что инструкции часто улучшают результаты ранжирования. Метаданные указывают контекст до 40 960 токенов, а README — 32K. Для работы с Transformers требуется версия 4.51.0 или новее. Модель опубликована в формате safetensors по лицензии Apache-2.0.

Qwen3-VL-30B-A3B-Instruct — мультимодальная модель семейства Qwen3-VL, представленная Unsloth как репозиторий весов с исправлениями шаблона чата. Она предназначена для диалога по изображениям и видео, визуального распознавания, OCR, пространственных рассуждений и взаимодействия с графическими интерфейсами через инструменты. Также поддерживает генерацию текста и решение задач STEM и математики с опорой на визуальные данные. Модель использует архитектуру Qwen3-VL MoE и распространяется в формате safetensors. В README указано контекстное окно 256 тыс. токенов с возможностью расширения до 1 млн. Заявлена поддержка OCR на 32 языках, однако их перечень в предоставленных данных отсутствует. Лицензия — Apache-2.0. В README описаны сильные стороны в понимании видео с временными метками, разборе длинных документов и мелких визуальных деталей, а также в работе с интерфейсами и пространственными отношениями. Эти заявления не сопровождаются приведёнными в карточке результатами тестирования; фактическое качество может зависеть от сценария и конфигурации запуска.

Карточка модели avsolatorio/01-600-11-1-2-2-0-0-cls-normed-384-512_GIST_BAAI_bge-small-en-v1.5-20240221220048-latest на Hugging Face совпадает с карточкой avsolatorio/01-100-31-1-2-2-0-0-cls-normed-384-512_GIST_BAAI_bge-small-en-v1.5-20240207031328-best, поэтому описание составлено по ней. Это англоязычная модель для получения плотных векторных представлений текста на основе BAAI/bge-small-en-v1.5. Репозиторий размещён в пространстве имён avsolatorio; по идентификатору модели и карточке это производная версия BGE, однако карточка не описывает конкретные изменения или способ обучения этой версии. Модель предназначена для поиска семантически близких текстов и формирования эмбеддингов для систем поиска и retrieval-augmented generation (RAG). Архитектура — BERT, около 40 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Модель ориентирована на английский язык. Эмбеддинги подходят для поиска кандидатов, но README рекомендует при необходимости повышать точность выдачи с помощью отдельного reranker. Карточка также отмечает, что оценка сходства сама по себе не является калиброванной вероятностью семантической близости.

kimtos-labs/all-MiniLM-L6-v2 — зеркало Xenova/all-MiniLM-L6-v2, подготовленное KimtOS для загрузки в расширение. Репозиторий содержит конфигурацию, токенизатор и квантованную версию весов ONNX; размер модели — 25,9 млн параметров, контекст — до 512 токенов. Архитектура основана на BERT. Модель предназначена для извлечения признаковых представлений текста, например для получения эмбеддингов, используемых при поиске и сравнении текстов. В карточке не заявлены конкретные языки или специализированные области применения. Лицензия Apache-2.0 разрешает распространение при сохранении уведомления об авторских правах.

sayed0am/arabic-english-bge-m3 — модель для семантического сходства и поиска по фрагментам текста, разработанная автором репозитория sayed0am на основе BAAI/bge-m3. Она предназначена прежде всего для задач на арабском языке, включая sentence similarity, passage retrieval и построение арабских RAG-систем. В метаданных также указаны арабский и английский языки. Модель представляет собой обрезанную версию BAAI/bge-m3 и примерно на 36,2% меньше исходной, что снижает требования к памяти. Для неё доступна ONNX-квантизованная версия размером около 363 МБ — примерно на 75% меньше обрезанной модели — с заявленным сохранением около 98% качества исходной. Модель поддерживает использование через Transformers, sentence-transformers и ONNX Runtime; размер контекста и точная архитектура в README не указаны. Согласно README, модель заняла третье место в общем рейтинге и первое среди open source-моделей на The-Arabic-Rag-Leaderboard. Основное ограничение связано с сокращением словаря: токены, редко используемые в арабском языке, были удалены, поэтому модель может работать хуже с другими языками исходной мультиязычной BGE-M3. Модель распространяется по лицензии MIT.

bce-embedding-base_v1 — модель эмбеддингов семейства BCEmbedding, разработанная командой Youdao и опубликованная пользователем maidalun1020. Она предназначена для построения векторных представлений текста и семантического поиска, в первую очередь для поиска фрагментов в системах RAG. Модель использует архитектуру XLM-RoBERTa с плотным энкодером; в метаданных указано 305,2 млн параметров и контекст до 514 токенов. Модель поддерживает китайский и английский языки, включая межъязыковой поиск между ними. Двухкодировочная архитектура рассчитана на эффективный первичный отбор текстов; карточка рекомендует при необходимости дополнить поиск отдельным реранкером BCEmbedding. Модель не требует специальных инструкций для запросов и может применяться в разных областях, включая образование, право, финансы и медицину. Модель принимает текст и выдаёт векторные представления. В репозитории указаны веса PyTorch и лицензия Apache-2.0. Заявленная языковая поддержка ограничена китайским и английским; перенос качества на другие языки не подтверждён карточкой.

Компактная модель Sentence Transformer, разработанная swardiantara и дообученная на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерности 128 для поиска и сравнения текстов; близость векторов можно оценивать косинусным сходством. Модель состоит из BERT и среднего pooling, содержит 4,4 млн параметров и принимает только текст. Модель обучалась на наборе из примерно 2,6 млн пар текстов с оценками сходства. В примерах набора — отзывы Amazon, поэтому модель подходит, в частности, для семантического поиска и сопоставления отзывов. Метаданные указывают контекст до 512 токенов, однако карточка модели задаёт максимальную длину последовательности 128 токенов. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

Xenova/bge-m3 — модель для создания векторных представлений текста, разработанная на основе BAAI/bge-m3 и адаптированная сообществом Xenova для работы с Transformers.js. Репозиторий содержит ONNX-веса, совместимые с JavaScript-библиотекой Transformers.js. Модель предназначена для получения sentence embeddings, семантического поиска и retrieval-сценариев. В README указана поддержка dense retrieval, lexical matching и multi-vector interaction; пример демонстрирует сравнение запросов и документов по косинусной близости. При использовании с Transformers.js модель формирует нормализованные embeddings размерности 1024 при pooling='cls'. Сильной стороной является возможность запуска в экосистеме JavaScript и использования ONNX-весов, в том числе для веб-ориентированных приложений. README не содержит сведений о точной архитектуре, числе параметров, поддерживаемых языках, максимальной длине контекста, модальностях, количественных результатах тестирования или ограничениях качества. Модель распространяется по лицензии MIT.

BAAI/bge-reranker-base — компактная модель-реранкер семейства BGE, разработанная BAAI. Она использует архитектуру XLM-RoBERTa с классификационной головой и содержит около 305,2 млн параметров. Модель принимает запрос вместе с текстовым фрагментом и оценивает их релевантность, что позволяет повторно упорядочивать документы, найденные на первом этапе поиска. Основной сценарий — улучшение поисковой выдачи и RAG: после извлечения кандидатов из индексатора реранкер пересчитывает релевантность пар «запрос — документ». Это кросс-энкодер, который обычно точнее ранжирует кандидатов, чем один лишь поиск по эмбеддингам, но требует отдельного вычисления для каждой пары. Контекст ограничен 514 токенами. В карточке указаны английский и китайский языки; README также описывает модель как предназначенную для китайского и английского языков. Доступны форматы PyTorch, Safetensors и ONNX. Модель распространяется по лицензии MIT. Оценка релевантности не ограничена фиксированным диапазоном, поэтому её следует интерпретировать для ранжирования, а не как калиброванную вероятность. Для длинных текстов учитывайте ограничение контекста; BAAI указывает, что более новые реранкеры поддерживают более длинные входы и больше языков.

Карточка модели Openintelligent123/DeepSeek-R1-Distill-Qwen-14B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели Vipvamps/DeepSeek-R1-Distill-Qwen-1.5B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Eagle2-1B — компактная мультимодальная модель Vision-Language от NVIDIA для сценариев, где важны быстрый вывод и умеренные вычислительные ресурсы. Она построена на архитектуре Eagle 2.5 VL и объединяет языковую основу Qwen2.5-0.5B-Instruct с компонентами PaliGemma и SigLIP; модель распространяется в формате safetensors и рассчитана на контекст до 16 тысяч токенов. Модель принимает текст, изображения и видео и формирует текстовые ответы. Она подходит для диалога по изображениям и видео, ответов на вопросы по документам, графикам и визуальным данным. В README приведены результаты на DocVQA, ChartQA и InfoVQA; они показывают применимость к анализу документов и диаграмм, но сами по себе не гарантируют качество в конкретном сценарии. Карточка указывает поддержку нескольких языков, не перечисляя их по отдельности. Модель доступна по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Как и другие VLM, она может ошибаться при распознавании визуальных деталей и интерпретации материалов; перед применением в значимых процессах ответы следует проверять.

EvoEmbedding-4B — модель эмбеддингов из семейства EvoEmbedding, представленная под аккаунтом ClareNie. Она предназначена для поиска по длинным контекстам, динамического извлечения информации и организации памяти в агентных системах и длительных диалогах. В отличие от независимого векторного представления отдельных фрагментов, модель использует обновляемую очередь латентной памяти для формирования контекстно-зависимых представлений, учитывающих изменения во времени. Модель построена на архитектуре Qwen3-4B и содержит 4 млрд параметров. Она принимает текст и выдаёт векторные представления для задач поиска и извлечения; в метаданных указаны английский и китайский языки. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. В карточке не приведены результаты оценки качества и подробности о пределах поддерживаемой длины контекста; эффективность на конкретных корпусах следует проверять отдельно.

GIST-small-Embedding-v0 — англоязычная модель текстовых эмбеддингов, разработанная avsolatorio на основе BAAI/bge-small-en-v1.5 и дообученная методом GISTEmbed. Она кодирует текст в векторы для поиска и сравнения предложений; для получения эмбеддингов инструкционные подсказки не нужны, поэтому запросы можно кодировать напрямую. Модель основана на архитектуре BERT, содержит 40 млн параметров и рассчитана на контекст до 512 токенов. Для дообучения использовались набор MEDI и триплеты, полученные из обучающей части MTEB Classification; качество оценивали на MTEB. В README отмечено, что дообучение улучшило результаты на некоторых задачах, но ухудшило на других, включая поиск по TRECCOVID. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия модели — MIT; лицензии сторонних обучающих данных могут иметь дополнительные условия.

GLM-4V-9B — мультимодальная модель семейства GLM-4, разработанная Zhipu AI. Она предназначена для диалогового понимания изображений и текста: отвечает на вопросы по изображениям, распознаёт текст, анализирует графики и диаграммы, а также выполняет задачи визуального восприятия и рассуждения. Модель поддерживает китайский и английский языки, многоходовый диалог с изображениями высокого разрешения до 1120 × 1120 пикселей и контекст длиной 8K токенов. Это плотная архитектура ChatGLM с 10,7 млрд параметров; веса опубликованы в формате safetensors. В метаданных указан тег text-generation, однако назначение модели и её описание в README сосредоточены на визуальном диалоге, OCR и понимании изображений. Лицензия обозначена как other; README отсылает к отдельной лицензии GLM-4 для условий использования.

HelixLM — языковая модель из серии открытых моделей Helix, разработанная Helix Lab. Это плотная авторегрессионная модель семейства Llama для генерации текста; карточка описывает её как релиз-кандидат, дообученный с чередованием этапов рассуждения. Модель ориентирована на математические задачи, понимание кода и многошаговые логические задачи, а также поддерживает диалог и интерфейс вызова функций. HelixLM рассчитана на решение сложных задач с более продолжительным внутренним рассуждением перед ответом. Разработчик сообщает о конкурентных результатах на внутренних наборах проверки, но не приводит размер модели или длину контекста. Для запуска рекомендуется температура 0,6; модель также предлагается через игровую площадку и API. Модель распространяется по лицензии Apache-2.0. Это релиз-кандидат; заявленные показатели основаны на внутренних тестах и в README не приведены подробные сведения о методике оценки. Увеличенный бюджет рассуждений может повышать расход токенов и задержку ответа.

Unsloth/LiquidAI LFM2-700M — компактная языковая модель для генерации текста, созданная на базе модели LiquidAI/LFM2-700M и подготовленная к запуску на периферийных устройствах. В карточке указаны 742 млн параметров, 16 слоёв и контекст до 32 768 токенов. Архитектура гибридная: 10 блоков коротких свёрток LIV и 6 блоков группового внимания GQA; модель распространяется в формате safetensors и рассчитана на работу с Transformers. Модель подходит для локальных диалоговых приложений, многошаговых агентных сценариев, извлечения данных, RAG и генерации творческого текста. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки, а также интерфейс вызова инструментов через формат диалога. Разработчик рекомендует дообучать её под узкие задачи. Малый размер облегчает развертывание на CPU, GPU и NPU, включая смартфоны, ноутбуки и автомобили. При этом модель не рекомендуется для задач с высокими требованиями к знаниям или программированию. Лицензия указана как other; конкретные условия следует уточнять в карточке репозитория.

usermma/MinerU2.5-Pro-2605-1.2B-mlx-fp16 — конвертированная в формат MLX версия визуально-языковой модели MinerU2.5-Pro-2605-1.2B от OpenDataLab. Модель основана на архитектуре Qwen2-VL, поддерживает работу с изображениями и текстом и предназначена для диалога.

MiniCPM-o 2.6 — мультимодальная модель команды OpenBMB для понимания изображений, аудио и видео, а также голосового общения и потоковых сценариев. По карточке она построена как сквозная система на основе SigLip-400M, Whisper-medium-300M, ChatTTS-200M и Qwen2.5-7B; в метаданных указано 7,1 млрд параметров, плотная архитектура MiniCPMO и контекст 32 768 токенов. Модель доступна через Transformers и распространяется по лицензии Apache-2.0. Модель принимает текстовые запросы, изображения, аудио и непрерывные аудио-видеопотоки. Она отвечает текстом и может вести голосовой диалог с настраиваемыми голосом, эмоцией, скоростью и стилем; также поддерживает клонирование голоса. README описывает распознавание речи, анализ говорящих, аудиоподписи, классификацию звуковых сцен, OCR, понимание нескольких изображений и видео, а также мультимодальное общение в реальном времени. Заявлена поддержка более 30 языков для мультимодальных задач и двуязычный речевой диалог на английском и китайском. Среди заявленных сильных сторон — обработка изображений с разными пропорциями сторон, высокая плотность визуальных токенов и возможность локального запуска на устройствах с ограниченными ресурсами в подходящих сборках. README указывает на совместимость с Transformers 4.44.2 и предупреждает о возможных проблемах совместимости с другими версиями; работа с потоковыми аудио-видео данными требует соответствующей реализации и оборудования. Заявленные результаты бенчмарков приведены авторами модели и зависят от условий оценки.

Mini-InternVL-Chat-4B-V1-5 — компактная мультимодальная модель для диалога с изображениями, разработанная OpenGVLab. Она сочетает InternViT-300M-448px, MLP и языковую модель Phi-3-mini-128k-instruct; архитектура относится к семейству InternVL Chat. Модель содержит около 4,2 млрд параметров и принимает изображения с динамическим разрешением, разбивая их максимум на 40 фрагментов размером 448 × 448 пикселей. Модель предназначена для ответов на вопросы по изображениям, распознавания текста и анализа диаграмм и документов, а также для обычного диалога и генерации текста. В README указаны оценки на наборах DocVQA, ChartQA, InfoVQA, TextVQA, OCRBench, MathVista и других. Обучение проводилось с контекстом 8K; значение 128K в названии базовой Phi-3 не означает, что такой контекст подтверждён для этой модели. Для запуска README приводит пример с Transformers и вычислениями в bf16/fp16. Модель объединяет vision-компонент InternViT и Phi-3-mini; метаданные указывают связи merge с обеими базовыми моделями. Поддержка языков обозначена как multilingual, но конкретный список языков не приведён. Лицензия — MIT. Модель может выдавать предвзятый или иной вредоносный контент, а результаты вероятностной генерации требуют проверки.

Карточка модели NostraEmpire/mirror-deepseek-r1-distill-qwen-14b на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

ModernBERT-base-ModBERTScore-12 — текстовая модель для извлечения признаков, созданная LazerLambda на основе answerdotai/ModernBERT-base. В ней используются первые 12 трансформерных слоёв исходной модели; размер составляет 103,9 млн параметров, архитектура — ModernBERT. Модель принимает текст и формирует векторные представления, которые можно использовать в системах поиска и сравнения текстов. Максимальная длина контекста — 8192 токена. Модель распространяется в формате Safetensors и предназначена для использования с библиотекой Transformers. Лицензия в предоставленных данных не указана.