I.3Извлечение и структурирование данных

Карточка модели jamiefutch/GLM-4.6V-Flash-MXFP4-GGUF на Hugging Face совпадает с карточкой FreedomAISVR/GLM-4.6V-Flash-MXFP4-GGUF, поэтому описание составлено по ней. GLM-4.6V-Flash-MXFP4-GGUF — квантованная до 4-битного формата MXFP4 мультимодальная модель Z.ai (Zhipu AI), основанная на zai-org/GLM-4.6V-Flash. Модель объединяет языковую часть на 9 млрд параметров с визуальным энкодером ViT и принимает текстовые запросы вместе с изображениями, чтобы вести диалог и описывать визуальное содержимое. Модель рассчитана на понимание изображений, документов и визуальных интерфейсов. Контекст составляет 128 тысяч токенов; режим рассуждений включён по умолчанию и может быть отключён параметром `enable_thinking=false`. Для работы с изображениями требуются основной файл GGUF и отдельный файл проектора mmproj в формате F16. Лицензия — MIT. Квантование уменьшает размер языковой части до 4,82 ГБ, однако MXFP4 нативно поддерживается видеокартами NVIDIA Blackwell (RTX 50); на других GPU и CPU выполняется программная деквантизация, которая может быть медленнее. Для запуска подходит совместимое ПО, например llama.cpp или LM Studio.

JFernandoGRE/gtelarge-colombian-corporationnames — модель Sentence Transformers, дообученная на базе thenlper/gte-large для сравнения названий колумбийских компаний. Она преобразует предложения и абзацы в нормализованные плотные эмбеддинги размерностью 1024; сходство между ними можно оценивать косинусной близостью. Архитектура включает BERT-трансформер, усреднение токенов и нормализацию, максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сопоставления названий организаций, включая выявление вариантов написания и похожих названий. Также её эмбеддинги можно применять для кластеризации, поиска парафразов и классификации текста. Обучение включало 14 872 пары примеров с OnlineContrastiveLoss; в README приведены примеры с названиями колумбийских компаний. Лицензия в предоставленных данных не указана.

Hushmark-TR 289M — турецкая модель распознавания именованных сущностей, разработанная Hushmark и дообученная на базе urchade/gliner_multi_pii-v1 с энкодером microsoft/mdeberta-v3-base. Это полный чекпойнт архитектуры GLiNER на 288 949 504 параметра, предназначенный для поиска в тексте 12 категорий персональных данных и других чувствительных сущностей, включая людей, адреса и организации. Модель предлагает границы сущностей для последующей обработки в системах защиты данных и поддерживает PyTorch и FP32 ONNX. Максимальная длина входа — 384 токена, ширина кандидата на сущность — 12 токенов; более длинный текст необходимо разбивать на фрагменты. Опубликованная оценка получена на синтетических, близких по шаблонам наборах данных и не гарантирует качество на реальных текстах. Возможны ложные срабатывания и пропуски; требуется проверка на данных конкретной организации. Модель сама не выполняет анонимизацию и не гарантирует соблюдение законодательства. Лицензия — Apache-2.0.

LENU_US-PA — модель классификации названий юридических лиц штата Пенсильвания, разработанная GLEIF и Sociovestix Labs. Она дообучена на базе bert-base-multilingual-uncased и предназначена для определения кода правовой формы организации (ELF) по её названию и юрисдикции в соответствии со стандартом ISO 20275. Модель использует архитектуру BERT с классификационной головой и содержит 136,7 млн параметров. Она принимает текст и выдаёт категорию ELF; длина контекста — до 512 токенов. Модель обучена на данных LEI, чтобы помогать банкам, инвестиционным компаниям, корпорациям и государственным организациям извлекать правовую форму из неструктурированных названий и приводить сведения об организациях к единому формату. Модель распространяется по лицензии Creative Commons CC0. Уверенность предсказания следует учитывать: результаты с низким значением оценки рекомендуется проверять вручную. В README также есть несоответствие юрисдикций: название и описание указывают US-PA, тогда как раздел об обучающих данных упоминает US-MA.

LFM2-1.2B — компактная языковая модель, разработанная Liquid AI для работы на периферийных устройствах и локального развертывания. Это плотная авторегрессионная модель семейства LFM2 с 1,1 млрд параметров. Архитектура сочетает 10 блоков коротких свёрток с двойными затворами и 6 блоков группового внимания GQA. Модель принимает текст и генерирует текст; предусмотрены шаблон диалога в стиле ChatML и интерфейс для вызова инструментов. Контекст по метаданным каталога — до 128 000 токенов. Модель рассчитана на многошаговые диалоги, агентные сценарии, извлечение данных, RAG и творческое письмо. Liquid AI заявляет о высокой скорости и экономном использовании памяти на CPU, GPU и NPU, что подходит для смартфонов, ноутбуков и автомобильных систем. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. README рекомендует дообучать модель под узкие задачи и не рекомендует полагаться на неё в задачах, требующих глубоких знаний или навыков программирования. Лицензия обозначена в метаданных как other; конкретные условия следует проверять в репозитории модели.

LFM2-2.6B-Exp — экспериментальный языковой чекпойнт Liquid AI, построенный на LFM2-2.6B с применением обучения с подкреплением. Модель содержит около 2,4 млрд параметров и предназначена для следования инструкциям, ответов на вопросы, математических задач и диалогов. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки; карточка указывает контекст до 128 000 токенов. Архитектура — гибридная: блоки коротких свёрток сочетаются с блоками группового внимания запросов. Модель поддерживает чатовый шаблон и вызов инструментов. Разработчик отмечает пригодность для агентных сценариев, извлечения данных, RAG, творческого письма и многошаговых диалогов, а также сильный результат на тесте следования инструкциям. Из-за небольшого размера для максимального качества рекомендуется дообучение под узкие задачи; модель не рекомендуется для задач с интенсивным использованием знаний или программирования. Лицензия указана как other, конкретные условия использования следует сверять с карточкой модели.

LFM2.5-Encoder-230M — разработанный Liquid AI компактный многоязычный двунаправленный энкодер на архитектуре LFM2 с 221,2 млн параметров. Это masked language model с головой заполнения масок, предназначенная прежде всего для дообучения под прикладные задачи обработки текста. Гибридная архитектура чередует блоки коротких gated-свёрток и grouped-query attention; модель доступна в формате safetensors и работает через Transformers с удалённым кодом модели. Энкодер подходит как основа для классификации текста и токенов, извлечения сущностей, поиска и ранжирования, оценки семантического сходства, определения тональности и естественно-языкового вывода. Заявлена поддержка 15 языков, включая русский. README указывает контекст до 8 192 токенов и возможность эффективного запуска на устройстве и в браузере через WebGPU; значение длины контекста в метаданных каталога составляет 128 000 токенов, поэтому фактический рабочий предел следует сверять с используемой конфигурацией модели. Модель ориентирована на низкие требования к памяти и задержке; авторы сообщают о хорошей производительности на длинных последовательностях и приводят сравнения с другими энкодерами. Для перечисленных прикладных задач обычно требуется дообучение: исходная модель не является готовым специализированным классификатором или поисковым ранжировщиком. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели.

erayyapagci/lfm2.5-pii-en-hi-hinglish-q8 — дообученная модель на основе LiquidAI/LFM2.5-Encoder-350M-PII-Detector для обнаружения персональных данных в тексте на английском, хинди и хинглише. Это плотная двунаправленная архитектура LFM2 для классификации токенов; репозиторий содержит веса PyTorch FP32 и экспорт ONNX с динамической квантизацией INT8. Модель насчитывает 444,6 млн параметров и поддерживает контекст до 128 000 токенов. Модель предназначена для поиска и разметки фрагментов с персональными данными, включая имена, адреса, даты, электронную почту, телефоны и URL. В описанной проверке на синтетической выборке дообученная версия показала более высокий отзыв, чем исходная базовая модель; INT8-вариант ориентирован на запуск на CPU и уменьшает потребление памяти. Для восстановления текстовых фрагментов нужны BIOES-декодирование и смещения токенизатора. Автор характеризует модель как экспериментальный детектор, который не следует считать полноценной защитной границей. Она слабее работает с гибко форматируемыми группами номеров счетов и ранее не встречавшимися произвольными секретами; квантизация может менять пограничные предсказания. Перед применением нужны проверка на вручную размеченных данных своего домена и дополнительные детерминированные распознаватели для структурированных идентификаторов. Лицензия указана как other; конкретные условия следует проверить на странице репозитория.

LFM2.5-VL-3B — мультимодальная модель Liquid AI для обработки изображений и текста, рассчитанная на эффективный запуск на устройствах и в сценариях с низкой задержкой. Это дообученная версия LFM2.5-2.6B-Base с языковой основой LFM2.5-2.6B и визуальным энкодером SigLIP2 NaFlex на 400 млн параметров; архитектура модели — плотная, класс Lfm2VlForConditionalGeneration. Модель принимает изображения и текст и генерирует текст. Контекст — 32 768 токенов; заявлена поддержка 16 языков, включая русский, английский, китайский, арабский, японский и другие. Модель предназначена для визуального диалога, распознавания текста на сканах с разметкой расположения, поиска объектов по запросу на естественном языке и перевода надписей на меню или дорожных знаках. Она поддерживает вызов инструментов. В README указаны высокая скорость инференса и работа примерно в 3 ГБ памяти, что делает её подходящей для локального развёртывания и пакетной обработки документов. Модель рекомендована для одношаговых высокопроизводительных задач; она не подходит для задач с длинным контекстом и интенсивными рассуждениями, например проектирования по чертежам. Формат разметки страниц для OCR экспериментальный и может быть ненадёжным или меняться. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

mBERT-IndoSQuADv2_1691852742-16-2e-06-0.01-5 — модель семейства BERT, дообученная на базе bert-base-multilingual-cased для ответа на вопросы. Она принимает вопрос и текстовый контекст и предназначена для извлечения ответа из этого контекста. В карточке приведён результат оценки: loss 1,8692; сведения о наборе данных и подробностях обучения отсутствуют. Модель содержит 205,1 млн параметров, использует формат PyTorch и поддерживает контекст длиной до 512 токенов. Базовая модель многоязычная, однако язык дообучения и языки, проверенные при оценке, в карточке не определены. Лицензия — Apache-2.0.

TankuVie/mDeberta_Fine_tuned_QA_v1 — модель семейства DeBERTa-v2 с архитектурой DebertaV2ForQuestionAnswering, разработанная TankuVie. Она предназначена для извлечения ответа на вопрос из предоставленного текста и может использоваться, например, для поиска ответов в документах. Модель содержит 306 млн параметров, принимает контекст длиной до 512 токенов и сохранена в формате safetensors. Карточка сообщает о дообучении на датасете, обозначенном как None, и не приводит подробностей обучения, оценки качества или ограничений применения. Модель распространяется по лицензии MIT.

Palak/microsoft_deberta-large_squad — дообученная на наборе SQuAD v1 модель DeBERTa Large с 454,1 млн параметров для ответов на вопросы по предоставленному тексту. Она принимает вопрос и контекст и предсказывает ответ в тексте; в метаданных указана архитектура DebertaForQuestionAnswering и максимальный контекст 512 токенов. В README приведены результаты оценки на 10 788 примерах: exact match 87,89 и F1 93,88. Модель подходит для извлечения ответов из документов и фрагментов текста на английском языке в системах поиска и анализа знаний. Карточка не содержит сведений о лицензии, поэтому условия использования определить нельзя. Результаты на SQuAD не гарантируют аналогичное качество на других темах и форматах вопросов.

MiniCPM-V 2.0 — мультимодальная языковая модель команды OpenBMB для анализа изображений и диалога по их содержимому. Она сочетает визуальный энкодер SigLIP-400M и языковую модель MiniCPM-2.4B через perceiver resampler; в репозитории указано 2,7 млрд параметров. Модель принимает изображения с произвольным соотношением сторон размером до 1,8 млн пикселей и текстовые запросы, а отвечает текстом. Контекст составляет 4096 токенов. Модель предназначена для ответов на вопросы по изображениям, распознавания текста на сценах и документах, описания визуального содержимого и решения задач на понимание изображений. Она поддерживает английский и китайский языки и рассчитана на эффективный запуск на GPU, персональных компьютерах и мобильных устройствах. В карточке заявлены высокие результаты на ряде визуально-языковых тестов и обучение с мультимодальным RLHF для снижения галлюцинаций; это заявления разработчиков, а не гарантия точности. Лицензия в предоставленных данных не указана.

Ministral 3 3B Instruct 2512 — компактная мультимодальная модель компании Mistral AI, постобученная для выполнения инструкций. Она сочетает языковую модель на 3,4 млрд параметров и визуальный энкодер на 0,4 млрд параметров; веса представлены в формате FP8. Модель предназначена для локального и периферийного развёртывания, а для работы в FP8 достаточно 8 ГБ видеопамяти согласно карточке модели. Поддерживается контекст до 256 тысяч токенов. Модель принимает текст и изображения, отвечает на вопросы о визуальном содержимом, создаёт короткие тексты, классифицирует текст, извлекает данные и помогает с переводом. Также заявлены поддержка системных инструкций, вызова функций и вывода JSON. Указаны английский, французский, испанский, немецкий, итальянский, португальский, нидерландский, китайский, японский, корейский и арабский языки. Модель можно применять для лёгких приложений реального времени на устройствах с ограниченными ресурсами. Лицензия Apache 2.0 разрешает коммерческое и некоммерческое использование и модификацию. Результаты могут зависеть от выбранных настроек и качества входных изображений; автор рекомендует для визуальных задач изображения с соотношением сторон, близким к 1:1. Заявления о характеристиках и бенчмарках приведены разработчиком; таблицы README преимущественно показывают результаты более крупной модели Ministral 3 14B, поэтому их нельзя напрямую считать оценкой версии 3B.

google/paligemma-3b-ft-ocrvqa-224 — разработанная Google дообученная модель PaliGemma для визуальных вопросов и ответов, связанных с чтением текста на изображениях (OCRVQA). Это компактная модель зрения и языка на 3 млрд параметров с разрешением изображения 224 пикселя: она принимает изображение и текстовый запрос и генерирует текстовый ответ. Архитектура объединяет визуальную модель SigLIP и языковую модель Gemma; для работы предусмотрена библиотека Transformers. Модель предназначена для одношагового распознавания текста на изображениях и ответов на вопросы по их содержимому. Она не рассчитана на многоходовый диалог и лучше подходит для конкретных задач с ясными инструкциями, чем для открытого общения. Лицензия — Gemma. Ответы могут содержать фактические ошибки; модель может испытывать трудности с неоднозначными или сложными запросами и унаследовать смещения из обучающих данных. Для критичных сценариев ответы следует проверять.

Parrotlet-v-2.5-pro — мультимодальная модель от Eka Care, созданная дообучением Google Gemma 4 E2B IT для извлечения структурированных данных из изображений индийских медицинских документов. Она разбирает рецепты, счета и лабораторные отчёты, выписки из стационара и выявляет персональные данные. Для выбора схемы извлечения модель получает изображение документа и короткий тег; ответ формируется в структурированном виде. Языковая часть Gemma была дообучена, а компоненты обработки изображений и аудио оставлены замороженными. Веса опубликованы в формате bf16, модель рассчитана на работу через Transformers. Внутренняя оценка на 1 147 страницах показала сильные результаты по извлечению лабораторных данных, рецептов, выписок и PII. Наиболее заметные ограничения — счета, особенно рукописные позиции, и сложные нетабличные лабораторные отчёты. Модель оценивали на внутреннем наборе; её качество на других форматах документов, языках и медицинских записях за пределами Индии не проверено. Это инструмент разбора документов, а не диагностики или принятия клинических решений; результаты следует проверять специалисту. Лицензия — Apache 2.0.

piiranha-v1-detect-personal-information-ONNX — ONNX-версия модели piiranha-v1-detect-personal-information, разработанной iiiorg и автоматически конвертированной и опубликованной сообществом onnx-community. Модель предназначена для обнаружения персональной информации в тексте с использованием задачи token classification, то есть для разметки отдельных токенов и выделения сущностей, содержащих персональные данные. Модель рассчитана на работу через библиотеку Transformers.js и может применяться в JavaScript-приложениях, включая веб-сценарии. В README приведён пример обнаружения персональной информации в предложении с именем человека и местом проживания. Формат ONNX ориентирован на выполнение модели в совместимых средах, однако конкретная архитектура, количество параметров, поддерживаемые языки, максимальная длина контекста и набор распознаваемых типов персональных данных в предоставленных материалах не указаны. К сильным сторонам относятся специализированное назначение для выявления персональной информации, поддержка ONNX и интеграция с Transformers.js. Ограничения связаны с отсутствием в README подробностей о качестве, точности, языках, размере модели и границах применимости; перед использованием в критичных сценариях модель необходимо дополнительно протестировать. Лицензия в предоставленных данных не указана.

pixtral-12b-FP8-dynamic — это квантизированная версия мультимодальной модели mgoin/pixtral-12b, разработанная Neural Magic. Модель принимает изображения и текстовые запросы, а генерирует текстовые ответы. Она предназначена для задач визуального анализа, включая ответы на вопросы по изображениям, работу с документами, графиками и диаграммами, а также мультимодальные математические задачи. Модель также может применяться для отдельных текстовых сценариев, включая оценивание знаний и генерацию кода. В модели использована динамическая FP8-квантизация весов и активаций. Квантизация выполнена для линейных слоёв с сохранением vision tower, мультимодального проектора и lm_head в исходном виде. Размер базовой модели — 12B параметров; входная модальность — vision-text, выходная — text. В README указан английский язык. Для эффективного инференса модель рассчитана на использование с vLLM версии 0.5.2 и новее, включая OpenAI-совместимый режим сервинга. Приведённый пример использует контекст до 4096 токенов, а в оценочных конфигурациях встречается значение до 25000 токенов. Сильная сторона модели — снижение требований к памяти и вычислительным ресурсам благодаря FP8-квантизации при сохранении близких к исходной модели результатов на визуальных тестах: указаны оценки на MMMU, VQAv2, DocVQA, ChartQA и MathVista. Ограничения включают зависимость от совместимой инфраструктуры vLLM, необходимость поддержки мультимодального инференса и отсутствие в предоставленных данных подробных сведений о полном наборе языков, точном размере контекстного окна и аппаратных требованиях. Модель распространяется по лицензии Apache-2.0.

OPI-PIB/pl-ModernBERT-base — базовый одноязычный энкодер ModernBERT для польского языка, обученный разработчиками семейства Polish ModernBERT. Модель содержит 148,7 млн параметров, использует 22 слоя с размером скрытого состояния 768 и принимает последовательности длиной до 8 194 токенов. Архитектура включает RoPE, слои GeGLU, предварительную нормализацию и чередование глобального и локального внимания; веса доступны в формате Safetensors. Модель предварительно обучена на польском корпусе примерно из 44,5 млрд токенов с задачей masked language modeling. В исходном виде она подходит для заполнения пропусков в тексте, а после адаптации — для классификации документов и последовательностей, разметки сущностей, оценки сходства, поиска и переранжирования. В оценке на 30 польских NLU-задачах базовые варианты показали конкурентные результаты, включая задачи с длинным контекстом. Модель принимает текст и выдаёт текстовые предсказания токенов; она не является готовым чат-ассистентом и для большинства прикладных задач требует дообучения или дополнительной головы. Лицензия Apache-2.0 допускает широкое использование при соблюдении её условий.

PolizzeDonut-SoloPDF-5Epochs — модель преобразования изображений документов в текст, созданная дообучением naver-clova-ix/donut-base на датасете imagefolder. Она использует архитектуру vision-encoder-decoder и предназначена для обработки изображений документов; метаданные классифицируют её задачу как image-text-to-text. На оценочном наборе указана потеря 0,3264. Модель распространяется в формате safetensors по лицензии MIT. Карточка не раскрывает целевую структуру извлечения, состав обучающих данных или подробные ограничения, поэтому качество на конкретных типах полисов и PDF-сценариях по этим сведениям оценить нельзя.

Qari-OCR-0.3-SNAPSHOT-VL-2B-Instruct-merged-GGUF — это квантизированная GGUF-версия мультимодальной модели Qari-OCR-v0.3-VL-2B-Instruct, разработанной NAMAA-Space и подготовленной квантизацией пользователем mradermacher. Модель предназначена для распознавания и преобразования содержимого изображений в текст, включая сценарии OCR и генерацию Markdown. В README указана поддержка арабского языка и библиотеки Transformers. Модель имеет мультимодальную архитектуру с 2 млрд параметров и поставляется в нескольких вариантах квантизации GGUF размером примерно от 0,8 до 3,2 ГБ. Для обработки изображений требуются дополнительные мультимодальные компоненты mmproj в форматах Q8_0 или f16. Доступны варианты с разным соотношением скорости, размера и качества: Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством среди быстрых. Сильными сторонами модели являются компактный размер, поддержка мультимодального OCR и наличие различных уровней квантизации для запуска на оборудовании с разными ресурсами. README не содержит сведений о размере контекста, точном наборе поддерживаемых языков помимо арабского, результатах бенчмарков, ограничениях распознавания или подробностях архитектуры. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen2-VL-2B-Instruct — инструктивно настроенная мультимодальная модель на архитектуре Qwen2-VL, опубликованная Unsloth на основе Qwen/Qwen2-VL-2B-Instruct. Она принимает текстовые запросы вместе с изображениями и формирует текстовые ответы; поддерживает обработку изображений разных разрешений и видео. Размер модели — 1,5 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для визуальных вопросов и ответов, анализа изображений, чтения текста на изображениях и диалога по видеоматериалам. В README также заявлена поддержка распознавания текста на разных языках, включая английский, китайский, японский, корейский и ряд других языков; в метаданных карточки указан английский. Архитектура использует динамическое разрешение изображений и мультимодальные позиционные представления M-ROPE. Модель не обрабатывает звук в видео, может ошибаться при подсчёте объектов, сложных многошаговых инструкциях и пространственных рассуждениях; сведения в обучающих данных об изображениях актуальны до июня 2023 года. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3-VL-2B-Instruct-GGUF — это мультимодальная модель семейства Qwen, разработанная командой Qwen. Репозиторий содержит веса модели Qwen3-VL-2B-Instruct в формате GGUF: языковой компонент доступен в вариантах FP16, Q8_0 и Q4_K_M, а vision encoder — в FP16 и Q8_0. Модель предназначена для запуска через llama.cpp, Ollama и другие инструменты, совместимые с GGUF, на CPU, NVIDIA GPU, Apple Silicon и Intel GPU. Модель работает с текстом и изображениями, а семейство Qwen3-VL также ориентировано на понимание видео. Она предназначена для визуального вопросно-ответного взаимодействия, распознавания и анализа изображений, OCR, пространственного рассуждения, мультимодального reasoning, генерации кода и сценариев visual agent, включая взаимодействие с графическими интерфейсами и инструментами. Заявлены контекст до 256 тысяч токенов с возможностью расширения до 1 миллиона, поддержка OCR на 32 языках, улучшенное понимание пространственных отношений, видео и документов. К ключевым архитектурным особенностям относятся Interleaved-MRoPE для временных и пространственных представлений, DeepStack для объединения признаков разных уровней vision encoder и выравнивание текста с временными метками для анализа видео. Сильными сторонами являются сочетание компактного размера, мультимодальности, вариантов квантования и возможности локального запуска, однако README не содержит подробных численных результатов бенчмарков, полного перечня языков, точных требований к памяти и детального описания ограничений качества. Распространение модели выполняется по лицензии Apache-2.0.

Qwen3-VL-30B-A3B-Thinking-1M-GGUF — GGUF-репозиторий весов мультимодальной модели Qwen3-VL-30B-A3B-Thinking, разработанной командой Qwen; сборка и адаптация опубликованы Unsloth. Модель предназначена для совместной обработки текста и изображений, а также для анализа видео, визуального рассуждения, OCR, генерации описаний и ответов, STEM-задач, пространственного анализа, визуального программирования и взаимодействия с графическими интерфейсами через инструменты. Модель использует MoE-архитектуру и относится к Thinking-редакции с усиленным рассуждением; в названии указаны 30B общих параметров и 3B активных параметров. Она поддерживает нативный контекст до 256K токенов с заявленной возможностью расширения до 1M, а также обработку длинных документов и продолжительных видео. Среди архитектурных особенностей указаны Interleaved-MRoPE для временных и пространственных позиций, DeepStack для объединения признаков ViT разных уровней и выравнивание текста с временными метками. OCR заявлен для 32 языков, однако полный перечень языков в README не приведён. К сильным сторонам относятся визуальное и мультимодальное рассуждение, понимание пространственных отношений, видео и длинного контекста, распознавание текста в сложных условиях и возможности визуального агента. Ограничения конкретной GGUF-квантизации, требования к ресурсам, точные параметры квантизации и результаты тестов в README не указаны; заявленные преимущества Unsloth Dynamic 2.0 приведены без подробных подтверждающих данных. Для запуска с llama.cpp требуется использовать параметр --jinja. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3-VL-4B-Instruct GGUF — мультимодальная vision-language модель семейства Qwen, разработанная командой Qwen. Данная версия представляет собой GGUF-сборку весов Qwen3-VL-4B-Instruct, подготовленную автором Mungert с использованием llama.cpp. Модель предназначена для диалога и генерации текста на основе изображений, видео и текстовых запросов. Модель имеет плотную архитектуру и размер 4B параметров. Она поддерживает анализ изображений и видео, визуальное распознавание, OCR, пространственное рассуждение, понимание длительных видеосцен, мультимодальные задачи STEM и генерацию кода интерфейсов и схем по визуальным материалам. Также заявлены возможности визуального агента для взаимодействия с графическими интерфейсами и инструментами. Контекст составляет 256K токенов с возможностью расширения до 1M; OCR заявлен для 32 языков, однако полный перечень языков в карточке не указан. К сильным сторонам относятся расширенное понимание изображений и видео, точное пространственное и временное рассуждение, обработка длинного контекста, улучшенное распознавание текста и интеграция визуальной и текстовой информации. GGUF-формат удобен для локального запуска через llama.cpp, а применённый автором подход с повышением точности отдельных слоёв призван улучшить качество при заданном уровне квантизации, хотя увеличивает размер файла. Ограничения включают зависимость качества от выбранного варианта квантизации и аппаратных ресурсов, а также отсутствие в README подробных результатов тестирования и требований к памяти. Лицензия — Apache 2.0.

Pictograph receipt-detection — модель компьютерного зрения для обнаружения чеков, разработанная и опубликованная Pictograph. Она построена на архитектуре YOLOX-M, принимает изображения размером 640×640 и распространяется в формате ONNX с точностью FP32. Модель предназначена для поиска рамки чека на изображении; в её наборе классов указан только класс receipt. В README заявлены mAP 87,2%, mAP@50 100% и recall 87,5%. Модель можно запускать через Pictograph SDK, ONNX Runtime или размещённые сервисы Pictograph. Репозиторий распространяется по лицензии Apache 2.0.

deepset/roberta-large-squad2 — модель deepset для извлечения ответов на вопросы из текста. Это RobertaForQuestionAnswering на базе FacebookAI/roberta-large, дообученная на SQuAD 2.0, включая вопросы без ответа. Модель содержит 454,1 млн параметров и принимает контекст до 514 токенов. Модель предназначена для поиска фрагмента текста, отвечающего на вопрос, в том числе в документах, подключённых к конвейеру Haystack. Она рассчитана на английский язык и поддерживает задачу question-answering. Веса доступны в форматах PyTorch, Flax и Safetensors. Лицензия — CC BY 4.0. Ограничения: модель обучена на SQuAD 2.0 и ориентирована на английский язык; качество ответов за пределами этого распределения данных может снижаться. Длина обрабатываемого контекста ограничена 514 токенами.

SauerkrautLM-ColQwen3-2b-v0.1 — мультимодальная модель VAGOsolutions для визуального поиска по документам. Она дообучена на базе Qwen/Qwen3-VL-2B и использует архитектуру ColQwen3 с многовекторными представлениями и поздним взаимодействием в стиле ColBERT. Модель принимает изображения страниц документов и текстовые запросы, а выдаёт векторы для поиска по содержимому страниц. Модель предназначена для извлечения релевантных страниц без отдельного OCR-конвейера: она учитывает расположение элементов, таблицы, формы и диаграммы. В README указаны 2,2 млрд параметров, размерность представлений 128 и потребление около 4,4 ГБ видеопамяти. Для оценки заявлены результаты ViDoRe v1, MTEB v1+v2 и ViDoRe v3; это показатели бенчмарков, а не гарантия качества на пользовательских данных. Заявлена поддержка английского, немецкого, французского, испанского, итальянского и португальского языков. Модель распространяется по лицензии Apache-2.0.

skill-classifier-base-v2 — компактная модель бинарной классификации предложений, разработанная Loyola Data Mining. Она определяет, содержит ли отдельное предложение формулировку навыка, который может требоваться для работы; результатом служит метка класса и оценка уверенности. Модель использует архитектуру BERT для классификации последовательностей, насчитывает 32,4 млн параметров и принимает текст длиной до 512 токенов. В карточке указан английский язык, веса опубликованы в формате safetensors. Модель предназначена для анализа описаний вакансий и выделения предложений о требуемых навыках. В оценке на loyoladatamining/usajobs_validation указаны accuracy 0,9748 и F1 0,9749; предыдущая версия показала 0,8335 и 0,8437 соответственно. Это бинарный классификатор, обученный для предложений о навыках, поэтому его метки не дают подробной классификации самих навыков, а качество на других жанрах и языках в карточке не подтверждено. Лицензия — MIT. Базовая модель в README названа prajjwal1/bert-small, а метаданные каталога указывают дообучение loyoladatamining/skill-classifier-base.

SLIM-CATEGORY — специализированная модель серии SLIM от llmware, дообученная для анализа тем и классификации текста по категориям с помощью вызовов функций. Она построена на плотной decoder-only архитектуре Llama и содержит 1 млрд параметров. Модель принимает текст и формирует структурированный результат в виде словаря Python, например категорию «markets», который можно использовать в автоматизированных рабочих процессах с несколькими моделями. Модель предназначена для тематической категоризации текстов и выдачи результата по заданным ключам. Её можно подключать через Transformers или библиотеку llmware; README также упоминает отдельную квантизованную версию slim-category-tool. Репозиторий содержит веса PyTorch, контекст составляет 2048 токенов. Лицензия — Apache-2.0. Результат ориентирован на заданную категорию и структурированный вывод, а не на универсальный диалог. В README приведён пример классификации финансовой новости, но перечень поддерживаемых тематик и языков не задан; для надёжного разбора результата предлагается преобразование строки в словарь Python.