I.2Синтез, понимание и проверка знаний

google/pix2struct-base — предварительно обученная модель Pix2Struct, разработанная Google и представленная в экосистеме Hugging Face. Это архитектура «визуальный энкодер — текстовый декодер», обученная преобразовывать изображения в текст; веса предназначены для дообучения под конкретные задачи. Модель рассчитана на визуальное понимание содержимого изображений, включая подписи к изображениям и ответы на вопросы по ним. Предобучение нацелено на разбор замаскированных снимков веб-страниц в упрощённый HTML; подход охватывает сигналы, связанные с OCR и описанием изображений. Вход может иметь переменное разрешение, а языковые подсказки и вопросы могут быть представлены на изображении. Карточка перечисляет документы, иллюстрации, пользовательские интерфейсы и обычные фотографии как области последующего применения. Модель не заявлена как готовая универсальная система: для прикладного сценария требуется дообучение. Репозиторий распространяется по лицензии Apache-2.0.

Карточка модели baidu/Qianfan-VL-3B на Hugging Face совпадает с карточкой coblack/Qianfan-VL-3B, поэтому описание составлено по ней. Qianfan-VL-3B — мультимодальная языковая модель команды Baidu AI Cloud Qianfan для работы с изображениями и текстом. Версия 3B основана на Qwen2.5-3B; визуальный энкодер построен на InternViT, а изображения обрабатываются с динамическим разбиением на патчи с поддержкой разрешения до 4K. Модель принимает изображения и текстовые запросы и формирует текстовые ответы; заявленная длина контекста — 32k токенов. Модель предназначена для OCR в реальном времени и на устройствах с ограниченными ресурсами, распознавания рукописного текста, формул и содержимого документов, а также анализа структуры страниц, таблиц и диаграмм и ответов на вопросы по документам. В README заявлена поддержка многоязычных данных, а метаданные карточки указывают английский и китайский языки. Поддержка Chain-of-Thought в этой версии отсутствует; возможности рассуждений, указанные для вариантов 8B и 70B, к ней не относятся. Модель опубликована в формате safetensors и предназначена для использования с Transformers; README также описывает развертывание через vLLM. Лицензия в метаданных обозначена как other, а README не приводит её условий, поэтому перед использованием следует проверить лицензионную информацию карточки Hugging Face.

Qwen2.5-Coder-1.5B-Instruct-GGUF — квантованные модели семейства Qwen2.5-Coder-1.5B-Instruct, разработанного Qwen и подготовленного в формате GGUF компанией Second State Inc. Модель предназначена для генерации текста и работы с программным кодом в диалоговом режиме, включая задачи программирования и использования в чат-приложениях. Указан английский язык, применяется шаблон запросов ChatML. Модель имеет размер 1,5 млрд параметров и поддерживает контекст до 128 000 токенов. Доступны варианты квантования от 2 до 8 бит, f16, с размером файлов примерно от 676 МБ до 3,09 ГБ. Вариант Q4_K_M обозначен как сбалансированный и рекомендуемый, а Q5_K_M и Q5_K_S — как варианты с очень небольшой потерей качества. Более агрессивное квантование уменьшает требования к памяти, но может заметно снижать качество ответов. Модель рассчитана на локальный запуск через LlamaEdge и совместима с llama.cpp. README не содержит подробностей об архитектуре, полном наборе поддерживаемых языков, результатах оценки или специфических ограничениях качества. Распространяется по лицензии Apache 2.0.

MingZwhy разработал эту версию Qwen3-4B, применив квантование весов до 1,88 бита на параметр и восстановление качества с помощью quantization-aware distillation и on-policy distillation. Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров, предназначенная для генерации текста и диалогов; она принимает текст и выдаёт текст. Модель доступна в формате safetensors, квантование уже встроено в веса. Контекст составляет 40 960 токенов. README приводит результаты на задачах математического рассуждения, генерации кода и QA; во всех перечисленных тестах результаты ниже, чем у исходной Qwen3-4B в BF16. Лицензия — Apache-2.0.

Ultravox v0.6 Llama 3.1 8B — мультимодальная речевая языковая модель от Fixie.ai. Она сочетает языковую модель Llama 3.1 8B с речевым энкодером Whisper large-v3-turbo и принимает аудио вместе с текстовым контекстом, например системной инструкцией или текстовым запросом. Модель выдаёт текстовые ответы и предназначена для голосовых агентов, распознавания и анализа речи, а также перевода устной речи. В версии 0.6 расширены данные для хинди, что улучшило понимание хинди и могло немного снизить качество на других языках. Обучение также включало шумовые данные: модель может лучше справляться с шумом и выводить специальную отметку для слишком шумного аудио или неразборчивой речи. README приводит результаты оценки распознавания, перевода, аудиорассуждений и обнаружения шума. Генерация речевого аудио не поддерживается этой версией; предпочтительная настройка ответов не применялась. Лицензия — MIT.

Unlimited-OCR — мультимодальная модель семейства Unlimited-OCR для распознавания текста и разбора документов по изображениям. Авторы позиционируют её как развитие Deepseek-OCR для однопроходного анализа документов с длинным горизонтом обработки. Модель содержит 559,7 млн параметров, использует плотную архитектуру и поддерживает контекст до 32 768 токенов; для запуска описаны Transformers на NVIDIA GPU и сервер SGLang с API, совместимым с OpenAI. Модель предназначена для OCR и извлечения текстовой информации из изображений документов, а также для задач генерации текста по визуальному вводу. В карточке указана поддержка многоязычных сценариев. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. README не приводит количественных оценок качества или подробностей о поддерживаемых языках и видах документов.

Dingdust/VibeThinker-3B-heretic — производная модель на 3,1 млрд параметров, основанная на Qwen/Qwen2.5-Coder-3B. В карточке описана как версия VibeThinker-3B, ориентированная на проверяемые рассуждения; она предназначена для решения сложных задач по математике, программированию и STEM, а также для диалогов и следования инструкциям. Архитектура — плотная Qwen2ForCausalLM; модель работает с текстом, а нативный контекст составляет 131 072 токена. В README описаны постобучение по этапам SFT и обучения с подкреплением с проверяемыми наградами, а также результаты на математических и программных бенчмарках. Суффикс heretic и приведённые метрики отказов указывают на ослабление отказов модели; её следует оценивать отдельно для конкретных сценариев использования. Репозиторий распространяет веса в safetensors по лицензии MIT.

FriendliAI/MiniCPM-o-2_6 — мультимодальная модель MiniCPM-o 2.6, разработанная командой OpenBMB и размещённая FriendliAI. Это плотная end-to-end архитектура MiniCPMO на 7,1 млрд параметров с компонентами для зрения, речи и текста; модель поддерживает контекст до 32 768 токенов и работает через Transformers. Модель предназначена для диалога с изображениями, распознавания и описания аудио, синтеза речи, перевода речи, а также взаимодействия в реальном времени с потоками видео и аудио. Она поддерживает английский и китайский для двуязычного речевого диалога и заявляет мультиязычные возможности более чем для 30 языков. Среди особенностей — OCR, обработка изображений с разными пропорциями сторон, управление стилем и скоростью речи и клонирование голоса. Модель компактна для своего набора мультимодальных возможностей и рассчитана в том числе на запуск на конечных устройствах; для изображений высокого разрешения заявлена эффективная обработка по числу визуальных токенов. Для инференса доступны разные варианты, включая квантизированные сборки, однако этот репозиторий содержит safetensors. Лицензия — Apache-2.0.

NuExtract3-W4A16 — это квантизированный вариант NuExtract3, разработанный компанией NuMind. Модель представляет собой унифицированную vision-language модель с примерно 4 млрд параметров для понимания документов, структурированного извлечения информации и преобразования изображений документов в Markdown. Модель принимает текст, изображения или их комбинацию. Для структурированного извлечения используются JSON-шаблон и инструкции, на выходе формируется JSON; также возможна генерация шаблонов по естественно-языковому запросу или содержимому документа. Модель предназначена для обработки счетов, чеков, форм, договоров, таблиц, сканов и других документов, включая сценарии OCR, подготовки данных для RAG и построения extraction-пайплайнов. Поддерживаются многоязычные документы, режимы вывода с рассуждением и без него, а также преобразование документов в Markdown с HTML для таблиц, LaTeX для математических выражений и описаниями изображений. Сильными сторонами являются сочетание визуального понимания, OCR, рассуждений и структурированного вывода, а также пригодность для документов со сложной компоновкой, множеством изображений и большим объемом извлекаемых данных. В опубликованном внутреннем тесте NuMind модель NuExtract3.4_4B-RL получила средний балл 0,651 и показала более высокие результаты, чем перечисленные в сравнении модели. Ограничения включают возможные ошибки JSON-сериализации, зацикливание рассуждений у небольших моделей и зависимость качества от сложности документа и объема контекста; конкретный максимальный размер контекста для данной версии не указан. Модель распространяется по лицензии Apache-2.0.

Карточка модели FriendliAI/olmOCR-7B-0225-preview на Hugging Face совпадает с карточкой allenai/olmOCR-7B-0225-preview, поэтому описание составлено по ней. olmOCR-7B-0225-preview — предварительная версия модели для распознавания и преобразования содержимого документов в текст, разработанная Allen Institute for AI и дообученная на Qwen2-VL-7B-Instruct с использованием набора данных olmOCR-mix-0225. Она предназначена для обработки изображений страниц документов; рекомендованный сценарий — передавать изображение одной страницы, масштабированное так, чтобы его наибольшая сторона составляла 1024 пикселя. Для обработки PDF и пакетного запуска авторы рекомендуют набор инструментов olmOCR, поддерживающий масштабный инференс через SGLang. Модель основана на мультимодальной архитектуре Qwen2-VL, содержит 7,1 млрд параметров и имеет контекст длиной до 32 768 токенов. Она принимает изображения документов и выдаёт текст; карточка указывает английский язык. Модель доступна по лицензии Apache-2.0. Это предварительная версия, поэтому качество распознавания может зависеть от качества и структуры исходного изображения; в README не приведены отдельные результаты оценки или подробный список ограничений.

OpenR1-Distill-7B — языковая модель с 7,1 млрд параметров, разработанная командой Open-R1 на основе Qwen2.5-Math-7B с расширенной частотой RoPE. Модель дообучена методом supervised fine-tuning на Mixture-of-Thoughts — наборе из 350 тысяч проверенных цепочек рассуждений, дистиллированных из DeepSeek-R1. Архитектура — плотная Qwen2, модель для генерации текста с поддержкой диалогового режима и контекстом до 32 768 токенов. Модель предназначена для пошаговых рассуждений на английском языке в задачах математики, программирования и науки, а также для исследований вычислений на этапе вывода и обучения с проверяемыми вознаграждениями. В опубликованных оценках указаны результаты на AIME 2024, MATH-500, GPQA Diamond и LiveCodeBench; сравнение зависит от протокола выборки ответов. Модель распространяется под лицензией Apache 2.0. Она ориентирована прежде всего на английский язык, а результаты в бенчмарках не гарантируют точность на произвольных запросах; для задач, требующих достоверных ответов, выводы следует проверять.

ZiRoX112 подготовил GGUF-квантизацию Qwen3.8-27B-Uncensored Q38mix v6 для локального запуска. В основе — дообученная модель OrcaRouter на 27 млрд параметров с гибридной архитектурой gated-delta-net и attention, а также MTP-головой. Файл v6 занимает 19,32 ГБ при 5,655 битах на вес; автор ориентирует его на кодинг-агентов на потребительских GPU с 24–32 ГБ видеопамяти. Квантизация выполнена с помощью собственной importance matrix и распределения точности по тензорам, которое учитывает изменения, связанные с удалением отказов в базовой модели. README сообщает о сохранении такого поведения в проведённых проверках и приводит сравнение качества с BF16-эталоном. Модель предназначена для генерации текста и диалогового использования; метаданные указывают английский, итальянский и китайский языки. Это производный GGUF-файл, основанный на Q8_0-версии модели и созданный с разрешением повторной квантизации. В README раскрыты ограничения оценки: часть распределения eval-токенов совпадала с калибровочным корпусом, а измерения отказов проводились на небольшом наборе запросов. Лицензия в предоставленных данных не указана.

Sky-T1-32B-Preview — 32-миллиардная плотная языковая модель NovaSky Team из Sky Computing Lab Калифорнийского университета в Беркли. Её дообучили на базе Qwen/Qwen2.5-32B-Instruct на 17 тысячах примеров с проверенными ответами по математике и программированию, а также на научных данных из работы Still-2. Модель предназначена для диалоговой генерации текста и решения задач по математике, программированию и науке. В карточке приведены результаты оценивания на Math500, AIME2024 и LiveCodeBench-Easy; авторы сообщают о результатах на уровне o1-preview по математике и программированию. Архитектура — Qwen2ForCausalLM, поддерживаемый контекст — 32 768 токенов. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. Результаты из карточки относятся к указанным тестам и не гарантируют сопоставимого качества на других задачах. Сведения о поддерживаемых языках ограничены меткой английского языка в метаданных.

sabafallah/Unlimited-OCR-Universal — сообщественный форк модели Unlimited-OCR, первоначально разработанной Baidu. Веса модели не изменены: в репозитории адаптирован код запуска для NVIDIA CUDA, Apple Silicon с MPS и CPU. Модель основана на плотной архитектуре UnlimitedOCRForCausalLM и насчитывает 559,7 млн параметров; заявленная длина контекста — 32 768 токенов. Модель предназначена для распознавания текста и разбора длинных документов по изображениям, включая многостраничные документы и PDF. Она принимает изображения и выдаёт текст; в метаданных указана поддержка мультиязычных сценариев. Для запуска используются Transformers; путь SGLang в README доступен только на CUDA. Репозиторий распространяется по лицензии MIT. На MPS требуется вычисление в fp32, что увеличивает расход памяти; для ускоренного пути SGLang нужна CUDA.

Vero-Qwen3I-8B — мультимодальная модель для общего визуального рассуждения из открытого семейства Vero. Она создана на основе Qwen3-VL-8B-Instruct и дообучена с применением обучения с подкреплением. Модель содержит 8 млрд параметров и предназначена для диалога и анализа изображений.

V-ORC — дообученная GIGAParviz компактная мультимодальная модель на базе unsloth/PaddleOCR-VL. Она предназначена для распознавания текста и извлечения сведений из изображений документов, а также для диалогового взаимодействия с визуальным содержимым. Модель имеет архитектуру PaddleOCR-VL с 318,2 млн параметров, принимает изображения и текст и выдаёт текст. Заявленная длина контекста — 131 072 токена. Модель распространяется в формате safetensors по лицензии Apache-2.0. В карточке указано обучение с использованием Unsloth и Hugging Face TRL; отдельные показатели качества для этой версии не приведены.

Карточка модели fatymahaly/bart-large-mnli на Hugging Face совпадает с карточкой facebook/bart-large-mnli, поэтому описание составлено по ней. facebook/bart-large-mnli — контрольная точка BART-large от Facebook, дообученная на датасете MultiNLI для распознавания отношений логического следования между текстами. Модель применяют для классификации без заранее заданного набора классов: исходный текст рассматривается как предпосылка, а для каждой кандидатной метки формируется гипотеза, например «Этот текст о политике». Вероятности следования и противоречия преобразуются в оценки меток. Модель подходит для тематической классификации, маршрутизации текстов по пользовательским категориям и других задач, где нужно оценить соответствие текста произвольным меткам. Архитектура — BART-large с классификатором последовательностей, размер — 252,8 млн параметров, контекст — до 1024 токенов. Репозиторий содержит варианты PyTorch, Flax и Safetensors. Лицензия — MIT. Качество зависит от формулировки кандидатных меток и гипотез, а также от того, насколько задача соответствует обучению на MNLI; оценки модели не гарантируют правильную классификацию. Для нескольких одновременно верных меток предусмотрен режим независимой оценки каждого класса.

GLiClass Large v1.0 Init — лёгкая модель классификации последовательностей с нулевым обучением, разработанная Knowledgator и вдохновлённая GLiNER. Она выполняет классификацию одним проходом и, согласно карточке, обеспечивает качество на уровне cross-encoder при меньших вычислительных затратах. Размер модели составляет 438 млн параметров; доступны форматы Safetensors и ONNX. Модель предназначена для классификации тем и тональности, а также для ранжирования текстов в RAG-пайплайнах. В карточке приведены результаты zero-shot тестирования на IMDB, AG_NEWS и Emotions без дообучения на этих наборах. Модель обучалась на синтетических данных MoritzLaurer/synthetic_zeroshot_mixtral_v0.1 и выпущена под лицензией Apache-2.0, допускающей коммерческое использование.

HyperCLOVAX-SEED-Vision-Instruct-3B — компактная мультимодальная модель NAVER для понимания изображений и видео и генерации текстовых ответов. Она основана на собственной текстовой модели NAVER HyperCLOVAX-SEED-Text-Base-3B и дообучена с помощью SFT и RLHF; архитектура включает LLaVA-подобную языковую часть, визуальный энкодер на основе SigLIP и соединитель C-Abstractor с механизмом AnyRes. В языковой части 3,2 млрд параметров, в визуальной — 0,43 млрд. Модель принимает текст, изображения и видео и выдаёт текст. Она предназначена для визуальных вопросов и ответов, интерпретации диаграмм и графиков, распознавания текста на изображениях без отдельного OCR и понимания видео; также улучшена работа с корейским языком. Контекст составляет 16 тыс. токенов, а обработка видео оптимизирована по числу визуальных токенов. Модель подходит для прикладных сценариев, где важны компактность и визуальный анализ, однако её возможности и качество могут уступать более крупным системам на сложных задачах. Данные обучения собраны до августа 2024 года. В репозитории указана лицензия other; конкретные условия следует проверять в карточке модели NAVER перед использованием.

OpenGVLab/InternVL3_5-14B-Flash — мультимодальная модель семейства InternVL3.5, основанная на InternVL3_5-14B и дообученная на наборах MMPR-v1.2 и MMPR-Tiny. Она принимает изображения и текстовые запросы, а в ответ формирует текст; подходит для диалогов об изображениях, визуальных рассуждений и задач вроде ответов на вопросы, понимания диаграмм и распознавания текста на изображениях. Модель построена на архитектуре InternVLChat и использует языковую и визуальную части. Вариант Flash включает Visual Resolution Router для динамического выбора разрешения визуальных токенов; семейство также описывает раздельное размещение зрения и языковой модели для повышения эффективности вывода. Поддержка обозначена как многоязычная. Модель распространяется под лицензией Apache 2.0.

MihaiPopa опубликовал дообученную версию LiquidAI/LFM2.5-350M-Base с применением abliteration — изменения весов, снижающего частоту отказов. Это компактная плотная языковая модель семейства LFM2, предназначенная для диалоговой генерации текста и локального запуска. В модели 444,6 млн параметров по метаданным; README описывает базовую версию семейства как модель на 350 млн параметров с 16 слоями и контекстом 32 768 токенов. Метаданные указывают контекст до 128 000 токенов, поэтому сведения о длине контекста расходятся. Модель рассчитана на извлечение данных, формирование структурированных ответов и вызов инструментов; в сравнении с исходной моделью в README указано меньше отказов. Поддерживаемые языки по карточке: английский, арабский, китайский, французский, немецкий, японский, корейский, испанский и португальский. README не рекомендует её для задач, требующих обширных знаний, и программирования. Лицензия в метаданных обозначена как other; конкретные условия следует сверить на странице модели.

OwenArli разработала Formax v1.0 на основе Meta-Llama-3-8B-Instruct. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, предназначенная для генерации текста в диалоговом режиме и точного следования заданным инструкциям по формату ответа. Её можно применять для структурированной обработки данных и создания датасетов; в качестве формата хранения указаны safetensors, а длина контекста составляет 8192 токена. Модель дообучена с помощью LoRA: README указывает ранг 64, alpha 128 и примерно 2% обучаемых весов. Обучение проводилось на последовательностях длиной 4096 токенов в течение одного эпоха. Лицензия — Meta Llama 3 License; условия её использования определяются этим соглашением.

LLaVA-OneVision-1.5-4B-Instruct — мультимодальная модель Glint Lab из семейства LLaVA-OneVision-1.5. Она объединяет визуальный энкодер с языковой моделью Qwen3-4B-Instruct-2507 и предназначена для диалогов и выполнения инструкций по изображениям. Модель принимает изображения в исходном разрешении и текстовые запросы, а в ответ генерирует текст. Модель подходит для описания изображений, визуальных вопросов и ответов, анализа диаграмм и документов, а также решения задач по визуальному содержимому. В README заявлены высокие результаты на ряде мультимодальных бенчмарков и преимущества обучения на изображениях исходного разрешения. Репозиторий содержит веса safetensors и рассчитан на использование с Transformers; видеоввод в дорожной карте указан как будущая возможность, поэтому здесь он не заявлен как поддерживаемый. Модель распространяется по лицензии Apache-2.0. Доступные сведения не задают размер контекста именно мультимодальной модели, поэтому контекст Qwen3 из описания базовой модели не следует считать подтверждённым контекстом этой модели.

Ming-flash-omni 2.0 — мультимодальная модель семейства Ling-2.0 от InclusionAI с архитектурой Mixture-of-Experts: 100 млрд параметров суммарно и 6 млрд активных. Она принимает изображения, текст, видео и аудио, а генерирует текст, изображения и аудио; в метаданных также заявлен интерфейс для вызова инструментов. Модель предназначена для диалога и задач, где нужно переключаться между модальностями: анализа изображений и видео, распознавания речи, синтеза речи и музыки, генерации и редактирования изображений. В README отдельно отмечены распознавание растений, животных и культурных объектов, клонирование голоса с нулевым примером и управление характеристиками звучания, а также удаление объектов и композиция сцен. В README заявлены потоковый видеодиалог, распознавание речи, включая диалектную речь, и генерация изображений с управлением. Метаданные указывают английский язык. Модель опубликована по лицензии MIT. Заявления о лидерстве в бенчмарках и качестве приведены авторами модели; независимые результаты в предоставленных данных отсутствуют.

Карточка модели zenosai/MonkeyOCRv2-S-Parsing на Hugging Face совпадает с карточкой zenosai/MonkeyOCRv2-B-Parsing, поэтому описание составлено по ней. MonkeyOCRv2-B-Parsing — мультимодальная модель для разбора документов, разработанная командой MonkeyOCRv2. Она принимает изображения документов и предназначена для извлечения и структурирования их содержимого; модель также поддерживается как парсер PDF в RAGFlow. В README указана оценка на документах 17 языков, включая цифровые и сфотографированные документы, однако конкретные языки не перечислены. Модель использует плотную архитектуру MonkeyOCRv2ForCausalLM и содержит 507,9 млн параметров. Метаданные указывают контекст до 40 960 токенов, библиотеку Transformers и формат весов Safetensors. В README описаны запуск через Transformers и vLLM, а также возможность дообучения на собственных данных. Лицензия — Apache-2.0. Подходит для разбора PDF и изображений документов с выдачей текстового представления, в том числе для последующей работы с содержимым в RAG-системах. Ограничение: README не приводит перечень поддерживаемых языков и подробностей о формате или точности результатов для отдельных типов документов.

MPNet Retriever (Discourse) — модель эмбеддингов на базе MPNet, дообученная Джеймсом Бриггсом из Pinecone. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска релевантных фрагментов в задачах открытого вопросно-ответного поиска, в том числе по техническим форумам Hugging Face, PyTorch, Streamlit и TensorFlow. Модель основана на архитектуре BERT и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Дообучение на парах вопросов и ответов использовало функцию потерь Multiple Negatives Ranking Loss с косинусным сходством. Её можно применять для семантического поиска и отбора документов для последующей системы вопросно-ответных ответов. Модель принимает текст и выдаёт векторные представления, но сама по себе не генерирует ответы. Веса опубликованы в формате PyTorch; лицензия в предоставленных данных не указана.

OpenReasoning-Nemotron-14B — языковая модель NVIDIA для генерации решений и рассуждений в задачах математики, программирования и естественных наук. Это дообученная методом supervised fine-tuning плотная decoder-only Transformer-модель семейства Qwen2.5 с 14 млрд параметров. Модель принимает и выдаёт текст, поддерживает диалоговый режим и предназначена для разработчиков и исследователей, работающих со сложными задачами, включая соревновательную математику, написание кода и научные вопросы. В README указана оценка генерации до 64 тысяч выходных токенов; метаданные указывают контекст до 131 072 токенов. Для режима GenSelect можно объединять несколько параллельных генераций и выбирать лучшее решение. Модель обучена на математических, программных и научных данных, включая синтетические ответы DeepSeek-R1-0528; README приводит результаты на наборах тестов по рассуждениям, математике и коду. Карточка указывает готовность к коммерческому и некоммерческому исследовательскому применению. Лицензия — CC BY 4.0. Модель оптимизирована для GPU-систем NVIDIA; результаты могут зависеть от сценария и режима вывода.

OvisOCR2 — компактная мультимодальная модель ATH-MaaS для разбора страниц документов. Она создана дообучением Qwen/Qwen3.5-0.8B и имеет плотную архитектуру Qwen3.5 с генерацией текста по изображению; размер модели — 0,8 млрд параметров. На вход подаётся изображение страницы, на выходе — представление в Markdown в естественном порядке чтения, включающее текст, формулы, таблицы и визуальные области. Модель предназначена для OCR и сквозного извлечения структуры документов. В отчёте разработчиков указаны результаты 96,58 на OmniDocBench v1.6 и средний балл 75,06 на PureDocBench. Для запуска в README приведён пример с vLLM. Модель распространяется по лицензии Apache-2.0. На разнообразных и сложных документах модель может ошибаться или выдавать неполный результат; разработчики рекомендуют вручную проверять выводы в критически важных сценариях.

Ovis-VL-Embedding-9B — мультимодальная модель эмбеддингов для поиска, разработанная командой Ovis и основанная на Qwen3.5-9B. Она независимо кодирует запросы и кандидаты в общее пространство векторов, поддерживая текст, изображения, визуальные документы, видео и их чередующиеся мультимодальные сочетания. Модель предназначена для семантического и межмодального поиска, индексации и извлечения данных для RAG, поиска по видео с локализацией фрагментов, рекомендаций и сопоставления ближайших соседей. Архитектура сохраняет текстовый и визуальный кодировщики и мультимодальную языковую основу Qwen3.5-9B, но удаляет голову языкового моделирования. Вектор размерности 4096 извлекается из скрытого состояния последнего непустого токена; отдельная проекционная голова не используется. Для ранжирования запросы и кандидаты кодируются отдельно, нормализуются по L2 и сравниваются по косинусному сходству. Модель не принимает аудио и не предназначена для генерации текста или изображений. Качество зависит от инструкций к запросам и соблюдения исходного шаблона и предобработки; результаты различаются по задачам, а крупная модель требует больше памяти и вычислений, чем вариант 2B. Лицензия — Apache-2.0.

Qwopus3.5-4B-v3 — модель от Jackrong, дообученная на базе unsloth/Qwen3.5-4B. Она позиционируется как reasoning-модель с оптимизацией структуры рассуждений, ориентированная на повышение стабильности, корректности и эффективности вывода, особенно в задачах программирования и многошаговых агентных сценариях. Модель предназначена для задач, где требуется рассуждение, выполнение действий через инструменты и последовательное уточнение поведения по результатам взаимодействия со средой. В ней заявлена поддержка tool calling для агентных фреймворков, включая OpenClaw, а также подход «act-then-refine»: раннее выполнение действия с последующей коррекцией на основе обратной связи вместо чрезмерного предварительного обдумывания. В README указаны английский, китайский и корейский языки. Размер модели — 4B параметров; модель помечена как image-text-to-text, однако подробные сведения о мультимодальной архитектуре и поддерживаемых типах входных данных не приведены. К сильным сторонам относятся компактный размер, акцент на более коротких и устойчивых цепочках рассуждений, специализация на программировании и сценариях с инструментами. Ограничения связаны с отсутствием в представленном README данных о длине контекста, результатах стандартизированных тестов, требованиях к ресурсам и фактическом качестве работы с изображениями. Модель распространяется по лицензии Apache-2.0.