I.2Синтез, понимание и проверка знаний

UDOP-large-512-300k — модель для анализа документов, разработанная авторами работы «Unifying Vision, Text, and Layout for Universal Document Processing». Она использует архитектуру encoder-decoder Transformer на основе T5 и предназначена для задач, объединяющих изображение документа, текст и его пространственную структуру. Модель с 386,3 млн параметров принимает изображение документа и текстовый запрос, а затем генерирует текстовый ответ. Её можно применять для классификации изображений документов, разбора документов и визуальных вопросов и ответов по документам (DocVQA). Веса опубликованы в формате safetensors; лицензия — MIT.

DeepSeek-AI выпустила DeepSeek-VL2 — семейство плотных по структуре Mixture-of-Experts моделей для мультимодального понимания изображений и текста. Полная версия построена на DeepSeekMoE-27B; для семейства также представлены варианты Tiny с 1,0 млрд и Small с 2,8 млрд активируемых параметров, а полная версия использует 4,5 млрд активируемых параметров. Модель принимает изображения и текст и предназначена для визуальных вопросов и ответов, распознавания текста на изображениях, понимания документов, таблиц и диаграмм, а также визуального заземления. README сообщает о конкурентных результатах при сопоставимом или меньшем числе активируемых параметров по сравнению с рядом открытых плотных и MoE-моделей. Метаданные указывают архитектурное семейство DeepSeek-VL2, библиотеку Transformers и формат весов safetensors. Для входных изображений README рекомендует разрешение 384×384 без разбиения на фрагменты. Лицензия обозначена как other, поэтому конкретные права использования следует сверить с условиями репозитория.

Dolphin-v2-f32-GGUF — это мультимодальная vision-language модель для интеллектуального разбора документов. Базовая модель Dolphin-v2 разработана ByteDance, а данный репозиторий prithivMLmods содержит её варианты в формате GGUF с разными уровнями квантования. Модель основана на Qwen2.5-VL-3B, насчитывает около 3 млрд параметров и использует vision encoder Native Resolution Vision Transformer (NaViT) вместе с авторегрессионным декодером. Модель предназначена для OCR и структурированного понимания цифровых документов, PDF-файлов, отсканированных и сфотографированных страниц. Она распознаёт заголовки, абзацы, формулы с выводом в LaTeX, таблицы в HTML, код, списки, изображения и другие элементы, возвращая их с абсолютными координатами на странице. Двухэтапная архитектура сначала различает цифровые и фотографированные документы, а затем применяет параллельный поэлементный или целостный разбор. Поддерживаются английский и китайский языки; заявлены сценарии локального использования в медицине, юриспруденции и финансах. К сильным сторонам относятся высокая точность анализа структуры и порядка чтения, распознавания формул и таблиц, устойчивость к искажениям, наклонам и перспективе, а также возможность локального запуска. Для вариантов модели указаны размеры от примерно 791 МБ до 12,3 ГБ; производительность исходной модели заявлена на уровне 0,1729 кадра в секунду на GPU с 8–12 ГБ VRAM, при этом она может превосходить универсальные VLM по скорости и точности. Конкретные характеристики зависят от выбранного GGUF-варианта: более сильное квантование уменьшает требования к памяти, но может снижать качество. Размер контекста и подробные требования к программному обеспечению не указаны. Лицензия — Apache 2.0.

GLM-5.3-BF16 — открытая модель с весами от Z.ai для диалогов, программирования и выполнения длительных многоэтапных задач. По карточке, она использует ту же базовую модель, что и GLM-5.2, а улучшения получены на этапе последующего обучения. В метаданных указаны архитектура GLM-MoE-DSA, 30,4 млрд параметров, библиотека Transformers и формат safetensors; модель принимает текст и генерирует текст. Модель рассчитана на сложные задачи программирования и работу с агентскими сценариями. Карточка сообщает о результатах на бенчмарках кодирования, терминальных задач и поиска уязвимостей. Контекстное окно составляет до 1 048 576 токенов; параметр reasoning_effort управляет глубиной рассуждений. Указаны английский и китайский языки. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория. Карточка отмечает усиленные возможности в области кибербезопасности, включая обнаружение уязвимостей и эксплуатацию; при применении для таких задач необходимы соответствующие разрешения и контроль.

Llama3.1-8B-Titanium-Forge — языковая модель, созданная ZeroXClem методом слияния четырёх моделей ValiantLabs на базе семейства Llama 3.1. Она объединяет диалоговые навыки ShiningValiant2, математические способности Cobalt, генерацию кода Enigma и структурированный вывод Fireplace2. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст, выдавая текст; заявленная длина контекста — 131 072 токена. Модель предназначена для технических консультаций, решения математических задач, написания и объяснения кода, создания SQL-запросов и JSON, а также для диалоговых помощников и творческого письма. Карточка заявляет поддержку вызова инструментов через интерфейс модели. Основной язык — английский; метаданные не содержат отдельного перечня поддерживаемых языков. Весовые файлы опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0. Заявленные специализации происходят из карточки и не сопровождаются результатами оценивания; точность ответов, качество на длинном контексте и надёжность структурированного вывода следует проверять для конкретного применения.

MiniCPM5-Vision-2B — мультимодальная модель компьютерного зрения и языка, опубликованная ewin-reg. Она сочетает визуальный энкодер SigLIP-SO400M-Patch14-384 с языковой основой openbmb/MiniCPM5-2B через обучаемый проектор и использует динамическое разбиение изображений на фрагменты. Языковая часть содержит 2 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для анализа изображений высокого разрешения, распознавания текста в документах, извлечения табличных данных и ответов на вопросы по изображениям и диаграммам. В README описано дообучение с LoRA и учебная программа, включающая DocVQA и ChartQA; метаданные также указывают визуальную привязку. Карточка заявляет поддержку английского и китайского языков. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Заявленные результаты обучения и оценки приведены в README, однако его таблица бенчмарков неполна, а независимые показатели качества не представлены. Для обработки изображений высокого разрешения применяется разбиение на фрагменты, поэтому подробные изображения могут требовать больше вычислительных ресурсов.

NuExtract3-GGUF — GGUF-версия мультимодальной модели NuExtract3, разработанной компанией NuMind на базе Qwen3.5-4B. Модель предназначена для понимания документов, структурированного извлечения информации, OCR и подготовки данных для RAG. Она обрабатывает текст, изображения или их сочетание вместе с JSON-шаблоном целевой схемы, поддерживает типизированные поля, естественно-языковые инструкции и примеры в контексте. Также модель может создавать шаблоны извлечения по описанию на обычном языке и преобразовывать документы в структурированный Markdown, включая HTML-таблицы и формулы LaTeX. Модель содержит около 4 миллиардов параметров и поддерживает режимы быстрого инференса без рассуждений и более глубокого reasoning. Она ориентирована на документы разных типов, включая сканы, чеки, формы, счета, договоры и таблицы. В репозитории представлены варианты GGUF-квантизации от BF16 до Q3 и Q5, что позволяет выбирать между качеством и требованиями к памяти; для обработки изображений используется отдельный multimodal projection-файл. Заявлена поддержка запуска через llama.cpp, а исходная модель также может использоваться с vLLM и Transformers. Среди сильных сторон — объединение анализа изображений и текста, структурированный вывод и высокая эффективность на внутреннем бенчмарке NuMind. Ограничения включают зависимость качества от выбранной квантизации и возможные сбои или зацикливание при чрезмерно сложном reasoning, особенно у компактных моделей. Распространяется по лицензии Apache 2.0.

Mungert/OpenReasoning-Nemotron-32B-GGUF — GGUF-версия большой языковой модели OpenReasoning-Nemotron-32B, производной от Qwen/Qwen2.5-32B-Instruct. Исходная модель разработана NVIDIA и дообучена для рассуждений, генерации решений по математике, программированию и научным задачам. Указан английский язык, текстовая модальность и сценарий text-generation. Модель создана с использованием llama.cpp; конкретный формат квантования зависит от файла GGUF. В README также описан подход с повышением точности отдельных важных слоёв при квантовании, что может улучшать качество на низких разрядностях, но увеличивает размер файла. Модель рассчитана на исследовательское и коммерческое/некоммерческое использование. Для сложных задач поддерживается генерация до 64K выходных токенов по данным исходной карточки. Сильные стороны — специализация на математическом, кодовом и научном рассуждении, а также возможность многократных параллельных генераций с последующим выбором решения через GenSelect. Ограничения включают высокие требования к вычислительным ресурсам для 32B-модели, возможную зависимость качества и размера от выбранного уровня квантования, а также отсутствие в предоставленных данных точного размера контекстного окна и подробностей об аппаратных требованиях. Лицензия модели — Creative Commons Attribution 4.0 International (CC-BY-4.0); для базовой модели дополнительно указана Apache 2.0.

Карточка модели dzui/Ovis2.5-2B на Hugging Face совпадает с карточкой ATH-MaaS/Ovis2.5-2B, поэтому описание составлено по ней. Ovis2.5-2B — компактная мультимодальная модель семейства Ovis2.5 от команды Ovis. Она сочетает визуальный энкодер NaViT для обработки изображений в исходном переменном разрешении и языковую модель Qwen3-1.7B. Модель рассчитана на диалоговые сценарии с изображениями и мультимодальные рассуждения; контекст составляет 40 960 токенов. Модель умеет анализировать изображения, распознавать текст и структуру документов, таблиц и форм, отвечать на вопросы по диаграммам и выполнять визуальные рассуждения. Опциональный режим thinking с бюджетом рассуждений добавляет самопроверку и пересмотр ответа, повышая потенциальную точность на сложных запросах ценой дополнительной задержки. В карточке также заявлены результаты на задачах понимания видео и grounding, однако основной интерфейс описан как ввод изображения и текста с текстовым ответом. README отмечает высокие результаты для модели такого размера и пригодность для сценариев с ограниченными ресурсами, но конкретное оборудование или скорость не указаны. Доступны веса safetensors; модель рассчитана на Transformers. Лицензия — Apache-2.0.

Qwen3.8-Flash-Next REAP-288 (MLX, 4-bit) — оптимизированная сборка базовой модели Qwen/Qwen3.8-Flash-Next, опубликованная пользователем sh0wie. Модель предназначена прежде всего для локального запуска на компьютерах Mac с 128 ГБ памяти и агентских сценариев в стиле Claude Code, включая генерацию и рефакторинг кода. Сборка использует библиотеку mlx-vlm и лицензию qwen-community-license-1.0. Это MoE-модель класса 180B параметров: около 125B приходится на основную модель и 51B — на таблицу n-gram-эмбеддингов. Архитектура включает 48 слоёв, чередующих Gated DeltaNet и разреженное внимание Qwen; в каждом MoE-слое используются 288 из 512 экспертов с маршрутизацией top-10. Весы мультимодальной vision tower сохранены, поэтому заявлена поддержка изображений, однако оценивалось только качество работы с текстом. Контекст и полный набор поддерживаемых языков в README не указаны. По сравнению с базовой 512-экспертной 4-битной сборкой размер на диске снижен с 98 до 68 ГБ, а результат HumanEval pass@1 составляет 91,5% против 93,9%. На Mac модель занимает около 68 ГБ оперативной памяти, либо около 39 ГБ при потоковой загрузке n-gram-таблицы с NVMe. Скорость декодирования зависит от среды и составляет примерно 28 токенов/с в стандартном mlx-vlm и 37–65 токенов/с в pmlx. Поддерживается speculative decoding с MTP, но его преимущество зависит от оборудования; на M4 прирост может отсутствовать. Ограничения включают снижение качества относительно полной сборки, недостаточно проверенную мультимодальность и высокие требования к памяти.license_name: qwen-community-license-1.0

Карточка модели gonghao1234/Qwen3-VL-4B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen3-VL-4B-Instruct, поэтому описание составлено по ней. Qwen3-VL-4B-Instruct — плотная мультимодальная модель семейства Qwen3-VL, разработанная командой Qwen. Она принимает текст и изображения, а также предназначена для понимания видео и временных событий; в ответ генерирует текст. Модель доступна как репозиторий весов в формате safetensors и рассчитана на диалоговое использование через Transformers. Модель подходит для визуальных вопросов и ответов, распознавания и разбора текста на изображениях, анализа видео, пространственного рассуждения, мультимодальных STEM-задач и управления интерфейсами с вызовом инструментов. В README заявлены контекст 256 тысяч токенов с возможностью расширения до миллиона и OCR на 32 языках. Среди архитектурных особенностей указаны Interleaved-MRoPE для временных и пространственных данных и объединение многоуровневых визуальных признаков DeepStack. Лицензия Apache-2.0. Это вариант Instruct, предназначенный для применения в мультимодальных диалоговых сценариях; качество зависит от задачи и входных данных, а заявленные возможности не сопровождаются в карточке результатами бенчмарков.

Fireball-Meta-Llama-3.1-8B-Instruct-Agent-0.003-128K-code-ds-auto-GGUF — это GGUF-квантизация инструкционной языковой модели Fireball-Meta-Llama-3.1-8B-Instruct-Agent-0.003-128K-code-ds-auto, разработанной EpistemeAI. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, работы с инструкциями и задач, связанных с программным кодом; запуск возможен, в частности, через LM Studio. В README указан английский язык и лицензия Apache-2.0. Модель основана на архитектуре Meta Llama 3.1 с размером 8B параметров и заявленным контекстом 128K токенов. Репозиторий содержит варианты от исходных весов F16 размером 16,07 ГБ до квантизаций Q8_0, Q6_K_L, Q6_K, Q5_K_L и других, что позволяет выбирать баланс между качеством и требованиями к памяти. Варианты Q6_K и Q6_K_L отмечены как рекомендуемые и обеспечивающие очень высокое качество. Поддерживается только текстовая модальность. Сильными сторонами являются большой контекст, инструкционная настройка, специализация исходной модели на агентских и кодовых сценариях, а также широкий выбор GGUF-квантизаций для локального запуска. Ограничения включают зависимость качества и требований к ресурсам от выбранного уровня квантизации; приведённые результаты бенчмарков показывают неоднородную производительность на задачах рассуждения, математики и общих знаний. README не содержит подробностей о методике обучения и дополнительных языках.

Infinity-Parser2-Flash-GGUF — мультимодальная модель понимания документов, разработанная infly-ai на базе infly/Infinity-Parser2-Flash. Это быстродействующая версия семейства Infinity-Parser2, предназначенная для анализа изображений документов, PDF и другого визуально-текстового содержимого. Модель поддерживает распознавание и структурирование макета, выделение элементов документа с ограничивающими рамками и категориями, извлечение текста, распознавание таблиц, графиков, математических и химических формул, а также document VQA и общее мультимодальное понимание. Результаты могут представляться в Markdown, HTML и LaTeX в зависимости от типа элемента. Модель обучалась на почти 5 млн разнообразных образцов документов с применением многоцелевого обучения с подкреплением и проверяемыми наградами. Заявлена скорость до 1 624 токенов в секунду, что в 3,68 раза выше предыдущей Infinity-Parser-7B; показатели составляют 86,0% на olmOCR-Bench, 72,2% на ParseBench и 91,98% на OmniDocBench-v1.6. Доступны файлы GGUF в форматах от Q2_K до F32, а также мультимодальные проекторы; поддерживаются llama.cpp, Transformers, vLLM и vLLM-server через пакет infinity_parser2. Основные ограничения — поддержка преимущественно английского и китайского языков, снижение точности на сложных графиках и повернутых элементах таблиц, а также отсутствие детального сохранения текстового форматирования вроде полужирного и курсивного начертания. Модель распространяется по лицензии Apache-2.0.

Mungert/LightOnOCR-2-1B-GGUF — GGUF-версия LightOnOCR-2-1B, разработанная LightOn. Это эффективная vision-language-модель примерно на 1 млрд параметров для сквозного распознавания и понимания документов: PDF-файлов, сканов и изображений. Модель преобразует документы в чистый текст с естественным порядком чтения без внешнего OCR-конвейера. Модель предназначена для обработки таблиц, чеков, форм, многостолбцовых макетов и математических обозначений, включая LaTeX. Заявлена поддержка английского, французского, немецкого, испанского, итальянского, нидерландского, португальского, шведского, датского, китайского и японского языков. В README не указаны размер контекстного окна и подробности внутренней архитектуры. Для стандартной версии с идентификатором Mungert/LightOnOCR-2-1B-GGUF предсказание bounding box для встроенных изображений не заявлено; такая возможность относится к отдельному варианту bbox. К сильным сторонам относятся компактный размер, высокая скорость, end-to-end обработка и универсальность для различных типов документов. По заявлению разработчика, LightOnOCR-2 превосходит конкурирующие решения по скорости и показывает state-of-the-art результаты на OlmOCR-Bench, однако конкретные методики и значения бенчмарков в карточке не приведены. Модель распространяется по лицензии Apache-2.0.

NuExtract3-GGUF — квантизированная версия NuExtract3, разработанная компанией NuMind. Это мультимодальная vision-language модель с архитектурой на 4 млрд параметров, предназначенная для понимания документов, структурированного извлечения информации и преобразования изображений документов в Markdown. Модель принимает текст, изображения или их сочетание. Для структурированного извлечения она использует JSON-шаблон и инструкции, возвращая данные в формате JSON; также поддерживает генерацию шаблонов из естественного языка или содержимого документа. NuExtract3 подходит для OCR и подготовки данных для RAG, обработки сканов, чеков, форм, счетов, договоров, таблиц и других документов. Заявлена поддержка многоязычных документов, режимов вывода с рассуждением и без него, а также больших входных и выходных контекстов. К сильным сторонам относятся объединение визуального анализа, OCR, рассуждений и структурированного извлечения в одной модели, а также возможность преобразования сложных документов в Markdown с HTML для таблиц, LaTeX для математических выражений и описаниями изображений. Внутренний бенчмарк NuMind показал средний результат 0,651 для варианта NuExtract3.4_4B-RL на наборе примерно из 600 документов, однако часть ответов не была корректно десериализуема в JSON, а производительность может снижаться на особенно больших или сложных заданиях. Модель распространяется по лицензии Apache-2.0. Данный репозиторий содержит квантизированный вариант базовой модели NuMind/NuExtract3; конкретные параметры квантизации и точное максимальное окно контекста в карточке не указаны.

Qwen3.8-27B-OBLITERATED — дообученная версия Qwen3.8-27B, опубликованная Jaredhollins. Модель предназначена для диалогов и генерации текста, включая ответы на запросы, которые базовая модель может отклонять или сопровождать предупреждениями. По карточке, версия V3 устраняет жёсткие отказы и уклончивые ответы, сохраняя близкую к исходной производительность; в приведённом тесте MMLU она набрала 82,3% против 84,5% у базовой модели. В основе лежит плотная архитектура семейства Qwen3.5 с 27 млрд параметров. Репозиторий содержит варианты GGUF от BF16 до нескольких уровней квантования, а также файлы safetensors и MLX. Для GGUF автор рекомендует использовать встроенный шаблон чата; также указаны настройки генерации, помогающие уменьшить повторения и циклы. Лицензия — Apache-2.0. Модель ориентирована на ответы без отказов и подходит для диалоговых, кодовых и агентных сценариев. Указанные автором результаты на ограниченных наборах задач включают 20 из 20 проверок генерации кода, а также успешные примеры рефакторинга, извлечения данных по JSON-схеме и циклов ReAct. Это самооценка автора карточки; приведённые результаты не гарантируют качество на других запросах. В README также отмечено снижение MMLU относительно базовой модели, особенно в STEM, и склонность к повторениям без рекомендуемых настроек.

FireFunction V2 — языковая модель Fireworks AI для диалогов и вызова функций, дообученная на Llama 3. Она построена на плотной архитектуре Llama, содержит 69,5 млрд параметров и принимает текстовый контекст длиной до 8192 токенов. Модель поддерживает обычные инструкции и чат, одиночный и параллельный вызов функций, а также извлечение структурированной информации; в одном запросе можно описать до 20 функций. В карточке Fireworks сообщает о результатах, сопоставимых с GPT-4o на наборе публичных оценок вызова функций, и об улучшении относительно FireFunction v1. Модель не оптимизирована для сотен описаний функций или вложенных вызовов. Лицензия указана как llama3; применение следует сверять с её условиями.

MiniCPM5-2B-Claude-Fable5-1-Thinking-Agentic-GGUF — это набор GGUF-квантизаций 2-миллиардной текстовой модели MiniCPM5-2B, дообученной на данных Claude с акцентом на агентное использование инструментов, программирование и следование инструкциям. Модель разработана GnLOLot на базе openbmb/MiniCPM5-2B и предназначена для локального запуска через llama.cpp, Ollama, LM Studio, jan, KoboldCpp и другие совместимые среды. Поддерживаются английский и китайский языки, а встроенный шаблон чата MiniCPM5 упрощает интеграцию. Модель ориентирована на генерацию текста, написание и отладку кода, выполнение многошаговых программных задач, function calling и tool use в агентных сценариях, а также диалоговое следование инструкциям. Она работает только в Thinking-режиме, поэтому может выводить блоки рассуждений перед итоговым ответом. Заявленная длина контекста достигает 128K токенов, однако фактический объём зависит от используемого рантайма и доступной памяти. Доступны варианты F16 размером около 4,7 ГБ, Q8_0 около 2,5 ГБ и Q4_K_M около 1,5 ГБ; Q8_0 рекомендуется как вариант по умолчанию, а Q4_K_M — для устройств с ограниченными ресурсами. К сильным сторонам относятся компактность, возможность локального развертывания, поддержка агентного tool calling, программирования и длинного контекста. В ClawBench дообученная модель показала 44,56 балла в QwenClawBench и 24,32 в WildClawBench, превысив базовую MiniCPM5-2B. Ограничения связаны с небольшим размером 2B по сравнению с передовыми моделями, возможным выводом рассуждений и зависимостью производительности от аппаратного обеспечения и настроек рантайма. Модель распространяется по лицензии Apache-2.0.

PeppX/Ornith-1.0-9B-Uncensored-GGUF — GGUF-квантизированная версия модели PeppX/Ornith-1.0-9B-Uncensored, разработанная PeppX. Это текстовая генеративная модель для локального запуска, ориентированная на программирование, рассуждения, агентские сценарии, генерацию текста, кибербезопасность и red-team-задачи. Модель позиционируется как uncensored и abliterated: из базовой модели удалено направление, связанное с отказами, без дополнительного обучения и тонкой настройки. Модель имеет плотную архитектуру Qwen 3.5 с 32 слоями и примерно 9 млрд параметров, поддерживает контекст до 262 144 токенов и английский язык. Доступны варианты квантования Q4_K_M, Q5_K_M, Q6_K и Q8_0 размером примерно от 5,6 до 9,5 ГБ; они рассчитаны на локальный запуск с помощью llama.cpp, LM Studio или Ollama. Заявлены сохранение исходных возможностей в кодировании, математике, рассуждениях и следовании инструкциям, а также низкое расхождение с базовой моделью по KL-дивергенции 0,0827, однако приведённые показатели зависят от методики оценки. Ключевая особенность модели — заявленный авторами нулевой уровень отказов, что может быть полезно для исследовательских, тестовых и red-team-сценариев, но одновременно повышает риск генерации небезопасного или вредоносного контента. Ограничения включают зависимость качества и скорости от выбранной квантизации и оборудования, а также отсутствие в README подробных данных о мультимодальности, обучающем наборе и результатах независимых бенчмарков. Модель распространяется по лицензии MIT.

Phi-4-reasoning-plus — открытая языковая модель Microsoft Research для генерации ответов с развернутыми рассуждениями. Эта производная от microsoft/Phi-4-reasoning-plus модель содержит 14,1 млрд параметров и использует плотный декодерный Transformer семейства Phi-3. Она принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена прежде всего для англоязычных задач, где важны рассуждения и логика: решения задач по математике и науке, программирование, планирование и следование инструкциям. Её можно использовать как основу для генеративных функций в условиях ограниченных вычислительных ресурсов. Дообучение включало supervised fine-tuning на цепочках рассуждений и обучение с подкреплением; модель в среднем генерирует примерно на 50% больше токенов, что может повышать задержку. Карточка предупреждает, что модель проверялась прежде всего для математических рассуждений и не оценивалась специально для всех вариантов применения. Ответы требуют проверки, особенно в высокорисковых сценариях. Репозиторий распространяется по лицензии MIT.

Это дообученная модель Gemma 4 12B от автора llmfan46, созданная на основе yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-GGUF. Она предназначена для диалоговой генерации текста, программирования и многошагового использования инструментов, включая сценарии работы с терминалом. Модель поддерживает режим рассуждений и использует встроенный протокол вызова инструментов Gemma 4; для запуска в Transformers требуется версия библиотеки с поддержкой архитектуры gemma4_unified. В README описано дообучение на траекториях агентных задач, проверенных задачах Python и данных для общих инструкций. Также автор сообщает о применении abliteration для снижения частоты отказов: в приведённом тесте она отказала в 13 случаях из 100 против 99 у исходной модели. Это не гарантирует качества или безопасности ответов; результаты MMLU близки к результатам исходной модели. Репозиторий использует формат safetensors и лицензию Apache-2.0.

Карточка модели mohdShahnawaz/GLM-5.3 на Hugging Face совпадает с карточкой unsloth/GLM-5.3, поэтому описание составлено по ней. GLM-5.3 — текстовая диалоговая модель Z.ai, представленная в репозитории Unsloth. По карточке модели, она использует ту же базовую модель, что и GLM-5.2, а улучшения получены на этапе постобучения. В каталожных метаданных производная отмечена как слияние с zai-org/GLM-5.3 и zai-org/GLM-5.3-BF16; архитектура относится к семейству GLM MoE DSA, размер — 30,4 млрд параметров. Модель предназначена для генерации текста в диалогах, сложного программирования и длительных агентских задач. Карточка сообщает о высоких результатах на тестах кодирования, работы с терминалом, уязвимостей и эксплуатации, но эти результаты не гарантируют аналогичного качества в каждом сценарии. Поддерживаются английский и китайский языки, а контекст составляет до 1 048 576 токенов. Параметр reasoning_effort управляет глубиной рассуждений и принимает значения low, high и max; по умолчанию используется max. Для локального развёртывания перечислены SGLang, vLLM, Transformers, KTransformers, Unsloth и другие среды. Формат файлов — safetensors. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

InternVL-Chat-V1-5 — мультимодальная диалоговая модель OpenGVLab, объединяющая визуальный кодировщик InternViT-6B-448px-V1-5, MLP-проектор и языковую модель InternLM2-Chat-20B. В модели 25,5 млрд параметров; она использует динамическую обработку изображений: делит изображение на фрагменты 448 × 448 пикселей и поддерживает входы вплоть до разрешения 4K. Модель предназначена для диалога по изображениям, визуальных вопросов и ответов, распознавания текста и анализа документов, диаграмм и графиков. Обучающий набор включает английские и китайские пары вопросов и ответов; метаданные указывают поддержку многоязычия. Модель доступна через Transformers и распространяется по лицензии MIT. В README отмечены сильные стороны в задачах визуального понимания, OCR и работе с китайским текстом. Ограничения включают возможные предвзятые или вредоносные ответы, а также ухудшение понимания изображений при 4-битной квантизации bitsandbytes; авторы рекомендуют избегать этого режима.

Kiel-2.1-Echo — языковая модель для диалогов и выполнения инструкций, разработанная KielTech в экосистеме Kiel AI. Это плотная причинная модель семейства Llama с 3,2 млрд параметров, дообученная на базе kiel2/Kiel-2-Echo и распространяемая как самостоятельные веса Safetensors в формате FP16. Метаданные указывают контекст до 131 072 токенов. Модель предназначена для разговорных ассистентов, генерации кода, помощи с асинхронными сценариями на Python, рассуждений о программной архитектуре и решения задач из разных областей. Она принимает текстовые запросы и генерирует текст; заявленный язык — английский. В карточке заявлены высокая производительность и строгое следование инструкциям, но сравнительные оценки или результаты тестов не приведены. Указаны варианты развёртывания через Transformers, vLLM и Text Generation Inference. Лицензия в предоставленных данных не описана.

Next OCR 8B — мультимодальная модель с 8 млрд параметров, разработанная Lamapi для оптического распознавания символов и анализа документов. Она принимает изображения и текстовые инструкции, извлекает текст из изображений, документов и скриншотов, а также предназначена для понимания математических выражений, таблиц, форм и других структурированных материалов. Модель реализуется через Transformers как vision-to-sequence и настроена на выполнение инструкций. Заявлена поддержка более 30 языков, включая английский, турецкий, немецкий, испанский, французский, китайский, японский, корейский и русский. Среди сильных сторон указаны высокая точность OCR, работа с математикой и таблицами, многоязычность, распознавание рукописного текста и текста в сценах, а также сравнительно компактный размер и эффективность для ограниченных ресурсов. В README приведены результаты собственных сравнений, однако методика и наборы данных не описаны, поэтому эти показатели следует интерпретировать с осторожностью. В README не указаны размер контекстного окна, требования к оборудованию, точный базовый архитектурный вариант и подтверждённые ограничения модели. Лицензия указана неоднозначно: в метаданных заявлена Apache-2.0, а в тексте README присутствует обозначение MIT; перед использованием необходимо уточнить, какая лицензия является действительной.

Unlimited-OCR — мультимодальная модель семейства Unlimited-OCR, представленная авторами проекта в июне 2026 года. Она предназначена для распознавания текста на изображениях и длинного разбора документов за один проход, включая сценарии с преобразованием страниц PDF в изображения. В карточке указаны 559,7 млн параметров, архитектура UnlimitedOCRForCausalLM, контекст 32 768 токенов и работа через Transformers; README также описывает поддержку запуска в vLLM и SGLang. Модель принимает изображения и текстовые запросы, а результат выдаёт в виде текста. Метаданные отмечают мультиязычную поддержку, но конкретные языки не перечисляют. Лицензия — MIT. Карточка связывает модель с Deepseek-OCR, однако точный идентификатор базовой модели не указан.

Ornith-1.5-35B-A3B-REAP-20pct — разреженная MoE-модель для генерации текста, программирования и вызова инструментов, созданная oxfrug на основе Ornith-1.5-35B-A3B от ornith-ai. Модель предназначена для локального и самостоятельного развёртывания, особенно в сценариях кодирования, диалогового взаимодействия и tool calling. В метаданных указан английский язык. Модель использует гибридную архитектуру GatedDeltaNet + MoE с 40 слоями. После удаления 20% экспертов в каждом слое осталось 205 экспертов вместо 256, при этом для каждого токена активны 8 экспертов. Активный объём параметров составляет около 3B на токен, размер BF16-весов — примерно 56 ГБ вместо 67 ГБ у базовой модели. Общие эксперты, vision tower, эмбеддинги и lm_head не изменялись; архитектура обозначена как Qwen3_5MoeForConditionalGeneration, поэтому модель поддерживает текстово-мультимодальный интерфейс базовой архитектуры. Для работы требуются transformers версии 5.8.1 или новее; для vLLM заявлена конфигурация с контекстом до 262144 токенов. Главное преимущество — экономия около 11 ГБ дискового пространства при сохранении примерно 3B активных параметров на токен и совместимость с transformers и vLLM. Ограничения связаны с потерей качества из-за pruning: модель не является lossless-копией и не является квантизированной или дообученной. Для этого чекпойнта не проводились полноценные тесты SWE-bench, Terminal-Bench и GPQA, а опубликованные результаты родственной модели нельзя переносить на него. Калибровка выполнялась на последовательностях длиной 1024 токена, что также может повышать риск ухудшения специализированных возможностей, включая tool calling. Модель распространяется по лицензии MIT. Она требует значительных ресурсов: это не вариант для одной видеокарты на 24 ГБ; для длинного контекста в vLLM рекомендуется конфигурация с двумя GPU по 80 ГБ. Форматы GGUF для данного pruning в README не заявлены.

Qwen3-Coder-30B-A3B-Instruct-Q4_K_M-GGUF — это квантизированная версия модели Qwen/Qwen3-Coder-30B-A3B-Instruct, разработанной командой Qwen. Модель преобразована в формат GGUF с квантизацией Q4_K_M, поэтому предназначена для запуска через llama.cpp, включая локальный inference и серверный режим. Модель ориентирована прежде всего на генерацию текста и задачи, связанные с программированием, однако README не содержит подробностей о поддерживаемых языках, модальностях, архитектуре, фактическом размере активной части модели и максимальной длине контекста. Ключевое преимущество этой версии — совместимость с экосистемой llama.cpp и возможность более экономичного запуска благодаря 4-битной квантизации; ограничениями могут быть потери качества по сравнению с исходной моделью и зависимость от подходящей аппаратной конфигурации. Указана лицензия Apache-2.0.

Xiaomi-OCR-0 — компактная мультимодальная модель для распознавания и понимания документов, разработанная SeerRay Lab на основе Qwen3.5-0.8B-Base. Это плотная vision-language модель с 0,8 млрд параметров, дообученная на корпусе примерно из 170 млн примеров OCR-задач; для запуска используется библиотека Transformers, веса опубликованы в формате safetensors. Модель принимает изображения документов и текстовые запросы, а в ответ формирует текст: распознаёт и структурирует содержимое страниц, включая таблицы и формулы, отвечает на вопросы по документам и извлекает ключевые поля. В карточке приведены результаты на наборах для стандартных, искажённых и переснятых документов, OCR-вопросов, распознавания формул и таблиц. Заявленные показатели являются результатами разработчиков и не гарантируют качество на конкретных данных. Модель рассчитана на задачи OCR и анализа документов, в том числе чеков, сканов, фотографий и рукописного текста. Длина контекста и поддерживаемые естественные языки в предоставленных данных не указаны. Лицензия — Apache-2.0.

GLM-4.6V-Flash — компактная мультимодальная модель семейства GLM-V от Z.ai, представленная в карточке Unsloth с исправлениями шаблона диалога. Это версия на 9 млрд параметров, рассчитанная на локальное развёртывание и приложения с низкой задержкой; архитектура GLM4V использует условную генерацию текста по изображениям. Модель принимает изображения и текст, понимает документы, страницы с таблицами, диаграммами и иллюстрациями, а также снимки экранов. Контекстное окно семейства заявлено до 128 тысяч токенов. Модель подходит для визуальных диалогов, анализа документов, интерпретации интерфейсов и генерации кода HTML/CSS по скриншотам. Поддерживает вызов инструментов и смешанную генерацию текста и визуального контента. По README, её сильная сторона — мультимодальные сценарии; чисто текстовые ответы слабее, а на сложных запросах возможны чрезмерные рассуждения и повторы. Также отмечены ошибки при подсчёте объектов и распознавании конкретных людей. Репозиторий распространяется по лицензии MIT.