I.3Извлечение и структурирование данных

Qwen3-VL-235B-A22B-Instruct-AWQ — квантованная версия мультимодальной instruct-модели Qwen3-VL-235B-A22B-Instruct, разработанной командой Qwen. Модель предназначена для генерации текста по текстовым и визуальным запросам, анализа изображений и видео, OCR, визуального рассуждения, решения STEM- и математических задач, пространственного анализа, визуального программирования и взаимодействия с графическими интерфейсами через инструменты. Модель построена на архитектуре Mixture-of-Experts (MoE) с общим размером 235B параметров и 22B активных параметров. Она поддерживает текст, изображения и видео, заявлена с нативным контекстом 256K токенов и возможностью расширения до 1M. Среди архитектурных особенностей указаны Interleaved-MRoPE для временных и пространственных измерений, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками для анализа событий в видео. OCR поддерживает 32 языка, однако полный перечень языков в README не приведён. К сильным сторонам относятся расширенное понимание изображений и видео, распознавание текста в сложных условиях, пространственное и временное рассуждение, а также возможность использования в агентных сценариях и визуальном программировании. Ограничения связаны с крупным размером и высокими требованиями к вычислительным ресурсам: опубликованный набор файлов занимает около 117 GB, а пример запуска рассчитан на 8 GPU с tensor parallelism и expert parallelism. Репозиторий распространяется по лицензии Apache-2.0; для инференса рекомендуется vLLM версии 0.11.0 или выше.

Qwen3-VL-2B-Instruct-1M-GGUF — мультимодальная vision-language модель семейства Qwen, разработанная командой Qwen и представленная в формате GGUF с динамической квантизацией Unsloth Dynamic 2.0. Репозиторий основан на Qwen3-VL-2B-Instruct и предназначен для запуска и инференса через совместимые инструменты, включая llama.cpp и Transformers. Модель принимает текст и изображения, а также ориентирована на понимание видео. Она предназначена для визуального вопросно-ответного взаимодействия, описания изображений, OCR, анализа документов, STEM- и математического рассуждения, пространственного анализа, генерации кода и взаимодействия с графическими интерфейсами и инструментами. Заявлены поддержка контекста 256K с возможным расширением до 1M токенов, улучшенное понимание длительных видео и OCR на 32 языках; конкретный перечень языков в README не приведён. Архитектурно модель использует плотную конфигурацию с примерно 2 млрд параметров, а среди ключевых компонентов указаны Interleaved-MRoPE для временных и пространственных позиций, DeepStack для объединения многоуровневых признаков ViT и выравнивание текста с временными метками. Сильными сторонами являются сочетание текстового и визуального понимания, работа с длинным контекстом, документами, видео и пространственными отношениями. Ограничения включают небольшой по современным меркам размер, возможные потери качества из-за квантизации и отсутствие в README подробных количественных результатов, точного списка языков и требований к аппаратному обеспечению. Лицензия — Apache-2.0.

Qwen3-VL-2B-Thinking-1M-GGUF — мультимодальная vision-language модель семейства Qwen3-VL, разработанная командой Qwen и представленная в формате GGUF со сборкой и исправлениями chat template от Unsloth. Модель предназначена для понимания и генерации текста по изображениям, анализа видео, OCR, визуального рассуждения, решения STEM- и математических задач, пространственного анализа, визуального программирования и взаимодействия с графическими интерфейсами через инструменты. Модель содержит около 2 млрд параметров и относится к Thinking-редакции с усиленным рассуждением. Она поддерживает текстово-визуальные входы, распознавание объектов, документов и сцен, анализ временных событий в видео, а также работу с длинным контекстом: заявлена нативная длина 256K токенов с возможностью расширения до 1M. Для архитектуры указаны механизмы Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками, улучшающие обработку пространственных, визуальных и видеоданных. OCR заявлен для 32 языков. Сильные стороны модели — сочетание компактного размера, мультимодального рассуждения, расширенного контекста, анализа видео и возможностей visual agent. Ограничения связаны с меньшим размером по сравнению с крупными версиями Qwen3-VL, а также с тем, что конкретные параметры GGUF-квантизации и результаты тестов для данного файла в README не указаны. Для работы с llama.cpp рекомендуется включать параметр --jinja. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-30B-A3B-Instruct-1M-GGUF — мультимодальная vision-language модель семейства Qwen3-VL, разработанная командой Qwen и представленная в формате GGUF с оптимизациями Unsloth Dynamic 2.0. Это instruct-версия, предназначенная для диалога, анализа изображений и видео, генерации текста по визуальному контексту, OCR, визуального рассуждения, решения STEM- и математических задач, а также взаимодействия с графическими интерфейсами и инструментами. Модель использует MoE-архитектуру: в названии указано 30B параметров, из которых 3B активируются для отдельного запроса. Она поддерживает текст и визуальные данные, включая изображения и видео. Заявлен нативный контекст 256K токенов с возможностью расширения до 1M, что позволяет работать с книгами, длинными документами и многочасовыми видео. Среди архитектурных особенностей указаны Interleaved-MRoPE для временных и пространственных представлений, DeepStack для объединения признаков ViT, а также выравнивание текста с временными метками для локализации событий в видео. OCR поддерживает 32 языка. Сильные стороны модели — объединённое понимание текста и визуального контекста, распознавание объектов и документов, пространственное и временное рассуждение, генерация кода и разметки по изображениям и видео, а также потенциальная работа визуального агента с GUI. README не содержит точных результатов тестов, сведений о конкретных языках общего текстового общения, размерах файлов и параметрах отдельных квантований, поэтому характеристики производительности и требования к ресурсам оценить нельзя. Для llama.cpp рекомендуется использовать параметр --jinja из-за исправлений chat template. Модель распространяется по лицензии Apache-2.0.

QuantTrio/Qwen3-VL-32B-Instruct-AWQ — это квантизированная версия AWQ мультимодальной instruct-модели Qwen3-VL-32B-Instruct, разработанной командой Qwen. Репозиторий предназначен для запуска модели с использованием Transformers и vLLM; размер файлов модели составляет около 20 GiB, а в README приведена конфигурация с контекстом 32 768 токенов и тензорным параллелизмом на двух GPU. Модель принимает текст и визуальные данные, включая изображения и видео, и предназначена для генерации ответов, визуального анализа, OCR, пространственного и временного рассуждения, STEM- и математических задач, визуального программирования, а также взаимодействия с графическими интерфейсами и инструментами. Для OCR заявлена поддержка 32 языков, однако полный перечень языков в README не указан. Базовая архитектура включает механизмы Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками, направленные на улучшение обработки длинного контекста, деталей изображений и видеособытий. Для исходной модели заявлен нативный контекст до 256K с возможностью расширения до 1M, но для данной AWQ-конфигурации в примере запуска задан лимит 32 768 токенов. Сильные стороны модели — сочетание текстового и визуального понимания, работа с изображениями и видео, распознавание текста в сложных условиях и развитое пространственно-временное рассуждение. Ограничения связаны с необходимостью совместимого программного окружения и GPU-инфраструктуры; README рекомендует vLLM версии 0.11.0 или выше и qwen-vl-utils 0.0.14. Модель распространяется по лицензии Apache-2.0.

coder3101/Qwen3-VL-32B-Thinking-heretic-v2 — дообученная версия Qwen3-VL-32B-Thinking от сообщества coder3101. Это плотная мультимодальная модель на архитектуре Qwen3-VL, опубликованная в формате safetensors и рассчитанная на диалог с текстом и изображениями; исходная модель также поддерживает видео и визуальные задачи рассуждения. Вариант heretic создан методом abliteration: по данным карточки, на тесте из 100 примеров он дал 3 отказа против 97 у исходной модели, а KL-дивергенция составила 0,0048. Это указывает на существенно сниженное число отказов, но не гарантирует отсутствие отказов или безопасное поведение во всех сценариях. Возможности и заявленные характеристики базовой модели включают визуальные вопросы и ответы, OCR, понимание видео, пространственное рассуждение и задачи с длинным контекстом. Модель подходит для анализа изображений и видео, чтения текста на изображениях и диалоговых задач с визуальным контекстом. В README указаны для базовой модели контекст 256 тыс. токенов с возможностью расширения до 1 млн и поддержка OCR на 32 языках; эти сведения относятся к базовой модели, а отдельное подтверждение таких пределов для данной производной версии не приведено. Лицензия — Apache-2.0.

wangkanai/qwen3-vl-4b-instruct — мультимодальная модель на 4 млрд параметров, основанная на Qwen3-VL-4B-Instruct команды Qwen в Alibaba Cloud. В репозитории представлены веса SafeTensors и GGUF FP16; карточка описывает версию как abliterated. Лицензия — Apache-2.0. Модель принимает текст и изображения, а также предназначена для понимания видео. Она подходит для визуальных вопросов и ответов, OCR, анализа сцен и временных событий, рассуждений по изображениям, генерации кода интерфейсов и взаимодействия с графическими интерфейсами. В карточке заявлены 256K токенов контекста с возможностью расширения до 1M, OCR на 32 языках, пространственное рассуждение и привязка событий видео к временным меткам. Архитектура включает визуальный энкодер DeepStack на основе ViT и позиционное кодирование Interleaved-MRoPE. Для инференса указаны требования от 12 ГБ видеопамяти и 16 ГБ системной памяти для FP16; результаты и скорость зависят от оборудования и настроек. Заявленные возможности OCR и пространственного анализа приведены в README и не сопровождаются здесь независимыми оценками качества.

Qwen3-VL-4B-Instruct-abliterated-v1-GGUF — мультимодальная vision-language модель от prithivMLmods, основанная на Alibaba Qwen3-VL-4B-Instruct. Это GGUF-версия модели примерно с 4 млрд параметров, изменённая методом abliteration для удаления стандартных отказов и фильтров безопасности. Модель предназначена для генерации текста по изображениям и инструкциям, подробного описания визуального содержимого, визуального рассуждения и выполнения инструкций в сложных, чувствительных, художественных и технических сценариях. Модель поддерживает анализ изображений и видео, OCR на 32 языках, работу с различными разрешениями и соотношениями сторон, а также контекст до 256K токенов. Она подходит для разбора пользовательских интерфейсов, извлечения данных из документов, интерпретации графиков, captioning и агентских задач. Основным языком указан английский, при этом заявлена возможность работы с многоязычными запросами. Доступны варианты квантования GGUF размером примерно от 1,06 до 8,05 ГБ, что позволяет запускать модель на потребительских GPU; для BF16 указано требование около 10–12 ГБ VRAM. Сильной стороной является сочетание мультимодального анализа, длинного контекста, OCR и отсутствия обычных защитных отказов, что может быть полезно для исследований, red-teaming и творческих приложений. Ограничением является потенциально менее безопасное поведение из-за удаления защитных механизмов, а также возможное снижение качества при использовании наиболее агрессивных вариантов квантования. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen3-VL-8B-Instruct-bnb-4bit — 4-битная квантованная версия мультимодальной модели Qwen3-VL-8B-Instruct, опубликованная Unsloth на основе модели Qwen от Qwen Team. Она предназначена для работы с текстом и изображениями, а также для анализа видео, визуального распознавания, OCR, пространственного и мультимодального рассуждения. Модель имеет размер 8B параметров и поддерживает контекст длиной 256K токенов с возможностью расширения до 1M. Среди её возможностей заявлены управление графическими интерфейсами компьютеров и мобильных устройств, генерация Draw.io, HTML, CSS и JavaScript по изображениям и видео, анализ пространственных отношений, понимание длительных видео с временной локализацией событий, STEM- и математическое рассуждение, а также распознавание широкого спектра объектов и сцен. OCR поддерживает 32 языка и устойчив к низкому освещению, размытию и наклону текста. К архитектурным особенностям относятся Interleaved-MRoPE для временных и пространственных измерений, DeepStack для объединения признаков разных уровней ViT и выравнивание текста с временными метками. Квантованный 4-битный формат ориентирован на более экономичное по памяти развёртывание, однако README не приводит точные требования к оборудованию, результаты для данной квантованной версии или детальные ограничения качества. Модель распространяется по лицензии Apache-2.0.

nakedlittlezombie/Qwen3-VL-8B-Thinking-heretic — мультимодальная модель класса image-text-to-text из семейства Qwen3-VL, разработанная командой Qwen; данный репозиторий содержит веса версии Qwen3-VL-8B-Thinking. В README не приведено отдельное описание изменений варианта «heretic» относительно базовой модели. Модель предназначена для совместного понимания и генерации текста по изображениям и видео, визуального восприятия и рассуждений, OCR, анализа документов, STEM- и математических задач, пространственного анализа, генерации Draw.io/HTML/CSS/JS по визуальным материалам, а также взаимодействия с графическими интерфейсами и инструментами. Она может использоваться в сценариях визуальных агентов, анализа длительных видео и многошагового мультимодального вывода. Указан размер 8B параметров и Thinking-режим с усиленным рассуждением; архитектура заявлена как dense, а модель поддерживает текстовые, графические и видеовходы. Среди архитектурных особенностей названы Interleaved-MRoPE для временных и пространственных измерений, DeepStack для объединения многоуровневых признаков ViT и выравнивание текста с временными метками. Контекст составляет 256K токенов с возможностью расширения до 1M. OCR поддерживает 32 языка, однако полный перечень языков не указан. Сильными сторонами являются визуальное и пространственное рассуждение, обработка длинного контекста, видео и документов, а также агентные сценарии. Ограничения и точные показатели производительности в текстовом виде не приведены. Модель распространяется по лицензии Apache-2.0.

Русскоязычная модель Redmadrobot для распознавания персональных данных в тексте. Она дообучена для задачи классификации токенов на базе ai-forever/ruBert-base: архитектура BERT, 205,5 млн параметров, контекст до 512 токенов. Модель размечает 21 тип сущностей по схеме BIO, включая имена, адреса, контакты и номера российских документов — паспортов, СНИЛС, ИНН, полисов ОМС, водительских удостоверений и других. Модель предназначена для извлечения чувствительных данных как компонента систем обнаружения и обезличивания текста. Её обучали на 17 137 русских предложениях; на отдельном тестовом наборе из 2 841 предложения показатель F1 для модели отдельно составил 83,6 при точном совпадении границ сущностей. Для IP-адресов качество заметно ниже: модель может разделять их по точкам, поэтому авторы используют для этого типа регулярные выражения в конвейере pii-guard. Распространяется по лицензии Apache-2.0.

Модель dinghong-ner/siamese-name-matcher-v7 — дообученный Sentence Transformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, разработанный для семантического сопоставления текстовых фрагментов. Архитектура BERT с усредняющим pooling преобразует предложения и короткие абзацы в плотные векторы размерности 384; близость оценивается косинусным сходством. Модель принимает текст, максимальная длина последовательности по README — 128 токенов, а метаданные указывают контекст до 512 токенов. Основной сценарий — сравнение имён и псевдонимов: обучающие примеры включают варианты написания имён, транслитерацию и японские имена. Модель также подходит для семантического поиска и извлечения похожих текстов. На валидационном наборе v7 указаны cosine accuracy 0,865 и F1 0,9078; результаты относятся к этому набору и не гарантируют качество на других данных. Веса опубликованы в формате safetensors; лицензия в предоставленных данных не указана.

haritzpuerto/spanbert-large-cased_NaturalQuestionsShort — модель на базе SpanBERT Large cased, дообученная пользователем haritzpuerto для извлечения ответов на вопросы. Она предназначена для extractive question answering: поиска фрагмента ответа непосредственно в предоставленном контексте, в частности в сценариях, связанных с датасетом Natural Questions Short. Модель используется через Transformers и имеет pipeline question-answering. Модель относится к BERT-архитектуре, содержит около 432,3 млн параметров и поддерживает контекст длиной до 512 токенов. Её сильная сторона — span-based извлечение коротких ответов из текста; она не является генеративной моделью и не предназначена для свободного составления развернутых ответов. При превышении контекстом лимита или отсутствии ответа в тексте качество может снижаться.

SuperQwen3.8-27b-abliterated-GGUF — это квантованная сборка модели SuperQwen3.8-27b-abliterated, разработанная Jiunsong для запуска через llama.cpp в формате GGUF. Модель предназначена для генерации и анализа текста, рассуждений, вызова инструментов и работы с изображениями; мультимодальность обеспечивается отдельным vision-проектором. Заявлены английский и корейский языки. Основная модель использует квантование Q4_K_M с importance matrix и занимает около 15,41 GiB; полный комплект с MTP-модулем и vision-проектором — около 17,56 GiB. Доступен native MTP draft для speculative decoding с профилем K=6, а заявленное окно контекста составляет 262 043 токена. Vision-проектор поставляется отдельно, поэтому текстовый запуск может обходиться без него. В README также указаны измеренная скорость около 40,1 токена в секунду на одном DGX Spark и успешные проверки вызова инструментов, обработки изображений, рассуждений и извлечения данных из длинного контекста. К сильным сторонам относятся большой контекст, поддержка мультимодальности, инструментов и ускоренного декодирования, а также компактность Q4-квантизации. Ограничения включают зависимость производительности и доступного контекста от аппаратуры и настроек llama.cpp; проверка на границе окна не гарантирует одинаковую точность для всех задач. Модель позиционируется как abliterated: измеренная способность отказывать на вредоносные запросы была существенно снижена, поэтому для безопасного применения необходимы дополнительные меры контроля. Лицензия — Apache-2.0.

cyttic/trocr-bigram4-BY-50k — дообученная модель cyttic/exp2-frozen-benyehuda-cont с архитектурой vision-encoder-decoder. Она предназначена для преобразования изображений в текст; вероятный сценарий применения — распознавание текста на изображениях. В репозитории веса в формате safetensors, модель использует библиотеку Transformers. В карточке приведены результаты оценки: loss 1.2304, CER 0.0891 и WER 0.2221. Датасет обучения не раскрыт, а описание модели и её ограничений не заполнено. Лицензия и поддерживаемые языки в доступных данных не указаны.

XCurOS1.2-8B-VLBF16-Instruct — мультимодальная инструктивная модель компании XCurOS для анализа изображений и текста. По метаданным, она построена на плотной архитектуре Qwen3-VL и предназначена для генерации текстовых ответов по текстовым и визуальным входам; README указывает размер 8B и формат BF16 в названии модели, а файлы представлены в safetensors и рассчитаны на работу через Transformers. Модель заявлена для понимания документов, извлечения текста из изображений и сканов, анализа диаграмм, корпоративных помощников и автоматизации агентных сценариев. Карточка также заявляет поддержку длинных контекстов и локального развёртывания, но не приводит числовой предел контекста или сравнительные результаты. Поддерживаемые языки по метаданным — английский и арабский. Лицензия указана как проприетарная, «All rights reserved»; использование и интеграции требуют разрешения XCurOS. Заявления о защищённой работе, точности, эффективности и пригодности для чувствительных данных не подкреплены в карточке техническими оценками или независимыми результатами.

armvectores/yolov8n_handwritten_text_detection — модель обнаружения объектов на базе YOLOv8, дообученная на наборе данных armvectores/handwritten_text_detection для поиска рукописного текста на изображениях. Она предназначена для локализации областей с рукописным текстом, в том числе в сценариях обработки документов и изображений в реальном времени. В карточке указана итоговая метрика IoU 0,98; веса представлены в формате PyTorch и для использования описана библиотека Ultralytics. Лицензия в предоставленных данных не указана.

Arabic-GLM-OCR-v1 — дообученная модель распознавания текста на изображениях, созданная на основе GLM-OCR. Она предназначена для извлечения печатного и рукописного арабского текста из структурированных и частично структурированных документов. Модель принимает изображение с текстовой инструкцией и выдаёт распознанный текст; заявлены аккуратное восстановление арабского текста, сохранение пунктуации, пробелов и форматирования. Модель использует мультимодальную архитектуру GLM-OCR и распространяется в формате safetensors. В README заявлены оптимизация для применения в производственных сценариях и обучение с учителем, однако приведённые материалы не содержат независимых оценок качества. Лицензия — Apache 2.0.

NT12/bert-finetuned-squad — модель BERT с архитектурой BertForQuestionAnswering, дообученная на основе bert-base-cased для ответов на вопросы по предоставленному текстовому контексту. Она принимает текст вопроса и контекста и определяет в контексте фрагмент, который служит ответом. Модель содержит 135,5 млн параметров, рассчитана на контекст до 512 токенов и распространяется в формате safetensors. Модель подходит для извлечения ответов из коротких документов и фрагментов текста. Карточка не уточняет состав обучающих данных, языки, качество на конкретных наборах данных или дополнительные ограничения. Лицензия — Apache-2.0.

Модель lfcc/bert-portuguese-ner — дообученная версия neuralmind/bert-base-portuguese-cased для распознавания именованных сущностей в португальских архивных документах. Она использует архитектуру BERT с классификационной головой для разметки токенов и обрабатывает контекст длиной до 512 токенов. Модель выделяет даты, профессии, имена людей, географические названия и организации. На наборе оценки указаны F1 0,9312, точность 0,9700, precision 0,9147 и recall 0,9483. Модель подходит для извлечения сущностей из архивных текстов на португальском языке. Вес модели составляет 136,1 млн параметров, формат — PyTorch. Лицензия — MIT.

h2oai/deberta_finetuned_pii — дообученная H2O.ai модель семейства DeBERTa для обнаружения и классификации персональных данных в неструктурированном тексте. Она помечает такие сведения, как имена учётных записей, номера кредитных карт, адреса электронной почты, телефоны и адреса, в документах, письмах и пользовательском контенте. Модель имеет архитектуру DebertaForTokenClassification, содержит 151,8 млн параметров и обрабатывает последовательности длиной до 512 токенов. Для запуска предусмотрен pipeline Transformers с задачей token-classification. В карточке указан английский язык и лицензия MIT. Модель помогает находить чувствительные фрагменты, однако карточка не приводит оценок качества или полного перечня категорий; результаты обнаружения следует проверять для конкретного набора данных и сценария.

lakshyakh93/deberta_finetuned_pii — дообученная модель на базе DeBERTa для поиска и классификации персональных данных в неструктурированном тексте. Она размечает фрагменты вроде имён учётных записей, номеров банковских карт, адресов электронной почты, телефонных номеров и адресов. Модель предназначена для выявления чувствительных сведений в документах, письмах и пользовательском контенте, например перед передачей текста на дальнейшую обработку или проверкой данных на конфиденциальность. Это модель классификации токенов на 151,8 млн параметров с контекстом до 512 токенов; для запуска README показывает использование Transformers pipeline с задачей token-classification. Модель принимает текст и выдаёт метки для фрагментов текста. В карточке указана лицензия MIT. Оценки качества и подробности о составе обучающих данных не приведены, поэтому результаты на конкретных категориях PII следует проверять на целевых данных.

Florence-2-base-ft — модель компьютерного зрения и понимания изображений от Microsoft, представленная в реализации для библиотеки Transformers. Это дообученная версия Florence-2-base с архитектурой последовательность-в-последовательность и примерно 0,23 млрд параметров. Модель использует текстовые запросы, чтобы переключаться между задачами: описанием изображения, обнаружением объектов, выделением областей, привязкой фраз к объектам и распознаванием текста на изображении. Модель подходит для автоматического описания и анализа изображений, извлечения текста и координат объектов, а также для ответов на визуальные вопросы. В README перечислены оценки на задачах captioning, object detection и визуального вопросно-ответного анализа; модель обучалась на FLD-5B с аннотациями для изображений. Карточка не сообщает поддерживаемые языки текста, поэтому языковую специализацию определить нельзя. Репозиторий содержит веса PyTorch и Safetensors; лицензия — MIT. Как и другие модели компьютерного зрения, результаты могут содержать ошибки в описании сцен, распознавании текста и локализации объектов; приведённые в карточке оценки не гарантируют качество на конкретных данных.

Gemini 3.1 Flash Lite — мультимодальная модель Google общего назначения, предназначенная для рабочих нагрузок с низкой задержкой и большим объёмом запросов. Она принимает текст, изображения, видео, аудио и PDF-документы и рассчитана на лёгкие агентные сценарии. Доступный фрагмент карточки не содержит сведений об архитектуре, размере модели, длине контекста и лицензии.

llmfan46 выпустил дообученную версию мультимодальной Gemma 4 26B A4B для диалогов и анализа изображений. В карточке указано изменение компонента attn.o_proj; метаданные определяют модель как Gemma4ForConditionalGeneration с возможностями чата и зрения. Базовая модель — google/gemma-4-26B-A4B-it-qat-q4_0-unquantized; файлы представлены в формате safetensors, лицензия — Apache-2.0. Модель принимает текст и изображения и предназначена для визуальных вопросов и ответов, разбора документов, распознавания текста на изображениях, понимания графиков и экранов, а также диалоговых сценариев. Описание семейства Gemma 4 указывает на гибридное внимание и контекст до 256K токенов для версии 26B A4B, поддержку более 35 языков и вызов инструментов; сведения об этих свойствах относятся к семейству и не подтверждены отдельно для данного дообучения. Аудио в списке задач этой модели не заявлено. README описывает версию как uncensored, однако не уточняет методику изменения и не приводит отдельной оценки качества или безопасности этого чекпойнта. Как и другие языковые модели, она может выдавать неверные факты, проявлять смещения и хуже справляться с неоднозначными или сложными запросами.

trohrbaugh/gemma-4-31b-it-heretic-ara — разговорная мультимодальная модель на архитектуре Gemma 4, размещённая пользователем trohrbaugh. По метаданным она работает через Transformers и принимает изображения вместе с текстом, поддерживая диалог и визуальное понимание. README описывает семейство Gemma 4: его модели предназначены для рассуждений, агентных сценариев, программирования и мультимодальных задач; модель 31B относится к варианту с контекстом до 256K токенов. В описании семейства указаны гибридное внимание с локальными и глобальными слоями, распознавание текста и документов на изображениях, понимание графиков и интерфейсов, а также вызов функций. Аудиовозможности README относит только к версиям E2B и E4B. Метка heretic и теги uncensored, decensored и abliterated указывают на модификацию, нацеленную на ослабление отказов, однако README не объясняет точную методику или проверенные характеристики именно этой сборки. Семейство Gemma 4 поддерживает более 35 языков, но конкретный список языков этой модели не приведён. Лицензия репозитория — Apache-2.0. Как и другие генеративные модели, она может выдавать фактические ошибки, отражать смещения обучающих данных и хуже справляться с неоднозначными или сложными запросами.

Vikneshwaran/gemma_4_tau2_retail — репозиторий модели семейства Gemma 4, разработанного Google DeepMind. Карточка описывает Gemma 4 как мультимодальную модель для понимания изображений и генерации текста; семейство также предназначено для диалогов, рассуждений, программирования, суммаризации и агентных сценариев с вызовом инструментов. Архитектура указана как плотная Gemma4ForConditionalGeneration, веса опубликованы в формате safetensors. Размер и длина контекста конкретно этого чекпойнта не установлены в предоставленных данных; README приводит разные варианты размеров и контекста для семейства в целом. Модель может быть полезна для визуального анализа изображений, извлечения текста и сведений из документов, ответов на вопросы по изображению и генерации текста по запросу. Gemma 4 поддерживает более 140 языков при обучении, а README указывает поддержку более 35 языков для использования. Лицензия — Apache 2.0. Данные карточки не уточняют, чем этот репозиторий отличается от базовой модели Gemma 4 и какие возможности семейства доступны именно в данном варианте.

German-OCR-3 — дообученная мультимодальная модель Keyvan Hardani для извлечения данных из изображений немецких деловых документов. Она преобразует счета, письма, формы, квитанции и уведомления в JSON по немецкой схеме извлечения. Модель основана на Qwen/Qwen3.5-2B, имеет около 1,5 млрд параметров и поддерживает контекст до 32 768 токенов; карточка указывает архитектуру Qwen2-VL и формат Safetensors. Модель рассчитана на локальное и локально размещённое применение, включая извлечение реквизитов счетов без облачного OCR. Автор сообщает результаты теста на более чем 200 анонимизированных немецких счетах: для Default Edition — 100% валидного JSON, 95% корректно распознанных отправителей и 0% галлюцинаций; эти цифры относятся к описанному автором тесту. Модель оптимизирована для немецких документов, требует чётких сканов или фотографий и ограниченно справляется с рукописным текстом. Для бухгалтерских и юридических процессов рекомендуется проверка человеком. Лицензия — Apache 2.0.

Это модель realoperator42, представляющая собой «разцензурированную» версию IBM Granite-4.1-3B, созданную с помощью Heretic v1.4.0. Это плотный декодерный трансформер с 3,4 млрд параметров, ориентированный на диалог и генерацию текста; максимальная длина контекста — 131 072 токена. Модель распространяется в формате Safetensors по лицензии Apache 2.0. Модель подходит для генерации ответов на инструкции и диалоговых сценариев, включая суммаризацию, извлечение и классификацию текста, ответы на вопросы, RAG, задачи с кодом и вызов функций. Исходная Granite-4.1-3B поддерживает английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский языки; данные карточки не подтверждают отдельную языковую оценку именно этой модификации. В README приведено сравнение отказов: 3 из 100 для этой версии против 88 из 100 у исходной модели, поэтому её поведение в отношении отказов заметно изменено. Модификация создана методом abliteration, меняющим поведение модели без обычного дообучения на целевом наборе данных. README сообщает о воспроизводимости процесса и приводит KL-дивергенцию 0,2603 относительно исходной модели. Она может выдавать неточные, предвзятые или небезопасные ответы; перед применением требуется оценить её поведение и настроить подходящие меры безопасности.

QuantFactory/Hermes-2-Pro-Mistral-7B-GGUF — квантизированная версия языковой модели Hermes 2 Pro на базе Mistral 7B, созданная с использованием llama.cpp. Исходную модель разработали Nous Research при участии interstellarninja и Fireworks.AI; для обучения использовались очищенная версия датасета OpenHermes 2.5 и собственные наборы данных для вызова функций и генерации структурированного JSON. Модель предназначена для диалогов, выполнения общих текстовых задач, следования инструкциям, ролевых сценариев, вызова функций и выдачи данных в формате JSON. Она использует шаблон ChatML, поддерживает системные сообщения и многоходовые диалоги, а также специальную структуру для function calling. Заявлены результаты 90% на внутренней оценке вызова функций и 84% на оценке структурированного JSON-вывода. Модель относится к текстовым генеративным моделям, поддерживает английский язык и имеет размер базовой архитектуры 7 миллиардов параметров. Формат GGUF и квантизация ориентированы на запуск через совместимые инструменты, включая llama.cpp, однако конкретный уровень квантизации в README не указан. Контекстное окно также не указано. Ограничениями являются специализация на английском языке, меньшие возможности по сравнению с более крупными моделями и возможная потеря качества из-за квантизации. Модель распространяется по лицензии Apache 2.0.