I.2Синтез, понимание и проверка знаний

H2OVL-Mississippi-800M — компактная мультимодальная модель зрения и языка от H2O.ai с 0,8 млрд параметров. Она построена на архитектуре языковых моделей H2O-Danube и предназначена для диалога и извлечения текстовой информации из изображений. Модель обучена на 19 млн пар «изображение—текст» с упором на распознавание текста, понимание документов, а также интерпретацию диаграмм, рисунков и таблиц. Она ориентирована на OCR и обработку документов; карточка сообщает о сильных результатах в распознавании текста, включая Text Recognition в OCRBench. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы, например извлечённые сведения или структурированное представление содержимого изображения. В репозитории указана лицензия Apache-2.0. Как и другие генеративные модели, она может выдавать ошибочные или нерелевантные ответы; результаты распознавания следует проверять.

mLateOn — многоязычная модель поиска LightOn на архитектуре ColBERT с поздним взаимодействием и многовекторными представлениями. Она построена на mmBERT-base, содержит около 307 млн параметров и обучена с помощью PyLate; для запросов и документов поддерживает контекст до 8 192 токенов, формирует векторы размерности 128 и оценивает совпадение методом MaxSim. Модель предназначена для семантического поиска по многоязычным коллекциям, длинным документам и коду. Обучение проводилось на английском, французском, немецком, итальянском, испанском, португальском, шведском, норвежском и арабском языках. По данным карточки, модель также переносит качество на языки и письменности, не включённые в обучение поиска, например кириллицу и японский. Модель может быть полезна для поиска по документам и кода, когда инфраструктура поддерживает многовекторное хранение и позднее взаимодействие. В карточке приведены высокие результаты на бенчмарках BEIR, MIRACL, MLDR и MTEB Code. Для использования доступны веса Safetensors и ONNX. Лицензия — Apache 2.0.

Nanonets-OCR-s — компактная мультимодальная модель Nanonets для распознавания документов и преобразования их содержимого в структурированный Markdown. Она дообучена на Qwen2.5-VL-3B-Instruct и принимает изображения документов, включая сложные страницы с таблицами, формулами и встроенными изображениями. Модель распознаёт текст и структуру документа, представляет математические формулы в LaTeX, описывает изображения, извлекает текст водяных знаков и выделяет подписи. Таблицы она может выводить в формате Markdown или HTML, а состояния флажков и переключателей — обозначать стандартными символами. Такой вывод подходит для дальнейшей обработки языковыми моделями и для извлечения данных из деловых и юридических документов. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и имеет контекст длиной до 128 000 токенов. В метаданных указан английский язык. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не указана.

Qwen2.5-Coder-32B-Instruct-MLX-4bit — 4-битная MLX-квантизация модели Qwen2.5-Coder-32B-Instruct, разработанной командой Qwen. Квантизацию предоставил bartowski на основе инструментов mlx-examples; модель распространяется в рамках сообщества LM Studio и предназначена для работы на Mac с Apple Silicon. Модель ориентирована на генерацию и обработку кода, чат-взаимодействие и сценарии с code agents. Она обучалась на объёме до 5,5 триллиона токенов, включая исходный код, текстово-кодовые соответствия и синтетические данные. Поддерживается длинный контекст до 128K токенов с масштабированием RoPE через YaRN с коэффициентом 4,0. В метаданных указан английский язык. Формат MLX 4-bit снижает требования к памяти по сравнению с полноразмерной версией, однако квантизация может влиять на качество и точность результатов; модель также способна генерировать неточный, вредный или неподходящий контент. Лицензия — Apache-2.0.

Qwen3-Coder-30B-A3B-Instruct-W8A8 — это 8-битная версия модели Qwen3-Coder-30B-A3B-Instruct, опубликованная ramblingpolymath и основанная на исходной модели Qwen. Квантизация весов и активаций по схеме W8A8 выполнена с использованием LLM-Compressor. Модель предназначена для генерации текста и прежде всего для программирования, агентного написания кода, работы с браузером и понимания репозиториев большого размера. Модель является каузальной языковой моделью с архитектурой mixture-of-experts: всего 30,5 млрд параметров, из которых при обработке активируется около 3,3 млрд; используется 48 слоёв, 128 экспертов и 8 активируемых экспертов, а также GQA с 32 головами запросов и 4 головами ключей и значений. Нативная длина контекста составляет 262 144 токена, с возможностью расширения до 1 млн токенов с помощью YaRN. Поддерживается только режим без рассуждений, без блоков <think></think>. Ключевые преимущества версии W8A8 — примерно вдвое меньшее потребление памяти по сравнению с FP16 и потенциально более высокая скорость инференса на совместимом оборудовании. Ограничения включают зависимость производительности от аппаратной поддержки 8-битного инференса, рекомендуемую архитектуру Ampere и более старые поколения, а также отсутствие в README подробностей о поддерживаемых языках и количественной оценке потери качества после квантизации. Лицензия — Apache-2.0.

GLM-5-FP8 — открытая языковая модель, разработанная командой zai-org. Она предназначена для сложных задач системной инженерии и длительных агентных сценариев, включая рассуждения, программирование, работу с инструментами, веб-навигацию и управление многошаговыми процессами. Модель поддерживает английский и китайский языки и используется для генерации текста через библиотеку Transformers. Модель содержит 744 млрд параметров, из которых 40 млрд активируются при обработке запроса. По сравнению с GLM-4.5 она обучена на большем объёме данных — 28,5 трлн токенов — и использует DeepSeek Sparse Attention (DSA), что снижает стоимость развёртывания при сохранении возможностей работы с длинным контекстом. В README приведены результаты на задачах математического рассуждения, программирования, кибербезопасности, веб-поиска и взаимодействия с инструментами; в ряде тестов модель показывает конкурентоспособные результаты среди открытых моделей. К сильным сторонам относятся рассуждение, написание и исправление кода, выполнение агентных задач, использование инструментов и работа с длинными последовательностями. Ограничения включают высокие требования к вычислительным ресурсам из-за общего размера модели, несмотря на разреженное внимание и активацию части параметров, а также отсутствие в предоставленных данных подробностей о мультимодальности, точном максимальном контексте и системных требованиях. Модель распространяется по лицензии MIT.

InternScience/Agents-A1-4B-Q8_0-GGUF — квантованная версия Agents-A1-4B, разработанная командой InternScience и предназначенная для локального запуска в формате GGUF с квантованием Q8_0. Модель относится к классу агентных языковых моделей и ориентирована на работу в связке с инструментами и внешними источниками данных. Модель предназначена для многошагового поиска, инженерных и научных задач, следования сложным инструкциям, профессиональных вопросов, планирования и вызова инструментов. Она умеет разбивать сложные задачи на последовательность действий, учитывать промежуточные результаты и взаимодействовать с API, интерпретаторами кода, поисковыми системами и другими инструментами. Базовая версия Agents-A1-4B является плотной моделью примерно на 4 млрд параметров; заявлена поддержка текстовой генерации, function calling и агентных сценариев. Языки и максимальная длина контекста в README не указаны. К сильным сторонам относятся агентное рассуждение, работа с длинными горизонтами задач, инструментами, научной и профессиональной информацией, а также высокая эффективность по сравнению с более крупными моделями. Ограничения этой конкретной GGUF-сборки, требования к оборудованию, совместимые рантаймы и возможное влияние квантования на качество отдельно не описаны. Модель распространяется по лицензии Apache-2.0.

dots.mocr-GGUF — это GGUF-сборка мультимодальной OCR-модели dots.mocr, разработанной rednote-hilab и основанной на dots-studio/dots.mocr. Модель предназначена для анализа изображений документов, распознавания текста, определения структуры и компоновки страниц, извлечения таблиц и формул, обработки веб-страниц, поиска текста на сценах и визуального ответа на вопросы. Она также поддерживает структурированный вывод JSON с ограничивающими рамками и категориями элементов макета. Модель построена на vision-language основе примерно с 3 млрд параметров и объединяет обнаружение макета, распознавание содержимого, семантическое понимание, grounding, разбор структурированной графики и интерактивный диалог. Поддерживается более 100 языков, включая английский и китайский, а также многоязычные документы. Для диаграмм, пользовательских интерфейсов, научных иллюстраций, химических формул и логотипов предусмотрена генерация SVG; для этой задачи упоминается специализированная модель dots.mocr-svg. Доступны варианты GGUF с точностью от BF16/F16 до различных уровней квантования размером примерно от 861 МБ до 3,56 ГБ, а также мультимодальные проекторы. Запуск заявлен через llama.cpp, HuggingFace Transformers и vLLM. К сильным сторонам относятся широкий набор задач в одной модели, многоязычность, работа с разными типами документов и высокая заявленная результативность на OmniDocBench, olmOCR-bench и XDocParse для своего класса. Ограничения включают зависимость качества от варианта квантования и вычислительных ресурсов, а также отсутствие в README подробностей о точном размере контекста, требованиях к памяти и отдельных характеристиках архитектуры. Модель распространяется по лицензии MIT.

Qwen2.5-VL-3B-Instruct — мультимодальная модель семейства Qwen от Alibaba, дообученная для работы по инструкциям. Она сочетает языковую модель с визуальным энкодером и принимает текст вместе с изображениями или видеокадрами, отвечая текстом. Модель рассчитана на диалоговые сценарии: распознавание объектов и текста на изображениях, анализ диаграмм и макетов, понимание видео и поиск нужных временных отрезков, локализация объектов с координатами, а также формирование структурированных данных из сканов и таблиц. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и библиотеку Transformers. Метаданные указывают контекст до 128 000 токенов; в README базовая конфигурация описана как 32 768 токенов с возможностью расширения через YaRN, которое может ухудшать точность пространственной и временной локализации. Поддерживаются английский язык и визуальные сценарии, включая изображения и видео; авторы также описывают управление инструментами, компьютером и телефоном. Лицензия в предоставленных данных не указана.

unsloth/Qwen3-VL-2B-Instruct — версия мультимодальной модели Qwen3-VL-2B-Instruct, подготовленная Unsloth; это плотная модель семейства Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration и весами в формате safetensors. Она принимает текст и изображения, а также предназначена для анализа видео в диалоге: отвечает на вопросы по визуальным данным, распознаёт текст, рассуждает о пространственных отношениях и помогает взаимодействовать с графическими интерфейсами и инструментами. Карточка базовой модели указывает контекст 256 тысяч токенов с возможностью расширения до миллиона; README также заявляет поддержку OCR на 32 языках и обработку длинных видео. Модель подходит для описания изображений и видео, извлечения текста из документов, визуальных вопросов и ответов, генерации кода интерфейсов по визуальному примеру и сценариев с визуальными агентами. README отмечает исправления шаблона чата Unsloth; для llama.cpp требуется параметр --jinja. Заявления о качестве и производительности приведены без таблиц результатов в доступном README. Лицензия — Apache-2.0.

Qwen2.5-Coder-14B-Instruct-MLX-8bit — 8-битная MLX-квантизация модели Qwen2.5-Coder-14B-Instruct, разработанной Qwen. Квантизацию предоставил bartowski на основе инструментов mlx-examples; модель распространяется в рамках программы Community Models LM Studio, но LM Studio не является её создателем или владельцем. Модель предназначена для генерации и обработки текста и программного кода, прежде всего для сценариев с code agents. Она обучалась на объёме до 5,5 триллиона токенов, включая исходный код, текстово-кодовые связи и синтетические данные. Заявлена поддержка длинного контекста до 128K токенов с масштабированием RoPE через YaRN с коэффициентом 4,0. Указан английский язык; README также отмечает совместимость с компьютерами Mac на Apple Silicon. Ключевые сильные стороны модели — специализация на задачах программирования, поддержка длинного контекста и локальный запуск через MLX на совместимых устройствах. Ограничения включают зависимость от Apple Silicon для заявленной совместимости, а также возможные неточные, вредные или неподходящие ответы, характерные для генеративных моделей; конкретные результаты зависят от сценария использования. Модель распространяется по лицензии Apache-2.0.