I.3Извлечение и структурирование данных

TSFT-RAG Gemma-3-1B-IT — плотная языковая модель с 1 млрд параметров, дообученная с полным обновлением весов Сашей Франком в рамках исследовательского проекта TSFT-RAG на базе google/gemma-3-1b-it. Она предназначена для задач Retrieval-Augmented Generation: ответов по предоставленному контексту, отказа при недостатке подтверждений, извлечения информации и формирования структурированных ответов. Модель поддерживает диалоговый режим, работает с текстом и имеет контекстное окно 32 768 токенов. В оценке на 1 940 немецкоязычных примерах модель заметно лучше базовой справлялась с неподдержанными вопросами, но хуже отвечала на обоснованные контекстом вопросы. Это специализированная настройка под форматы RAG, а её качество для других задач систематически не оценивалось; она также может выдавать неверные сведения. Распространяется по лицензии Gemma.

VeriCite Embedder — дообученная англоязычная модель для получения эмбеддингов предложений, разработанная автором репозитория hishammoizuddin. Она основана на sentence-transformers/all-MiniLM-L6-v2 и использует архитектуру BERT; число параметров — 25,9 млн, максимальная длина контекста — 512 токенов. Модель предназначена для сравнения семантической близости текстов и извлечения признаков, например для поиска похожих предложений и проверки текстовых совпадений. Карточка указывает совместимость с sentence-transformers; веса доступны в формате safetensors. Лицензия — Apache-2.0.

webAI-Official разработала webAI-ColVec1.1-8b — мультимодальную модель для поиска по визуальным документам, дообученную на основе Qwen/Qwen3.5-9B. Она кодирует текстовые запросы и изображения документов, включая отрендеренные страницы PDF, в согласованные многовекторные представления для поиска с поздним взаимодействием ColBERT и оценкой MaxSim. Модель использует двунаправленное внимание, проекцию скрытых состояний в 640 измерений и содержит около 8,4 млрд параметров. Единый кодировщик обрабатывает запросы и страницы документов, а токеновые векторы сохраняют сигналы структуры страницы и содержания. Модель обучена на отобранной многоязычной выборке из 750 тысяч примеров и синтетических данных; в README приведены результаты оценки на ViDoRe V3. Модель предназначена для извлечения релевантных страниц и документов по текстовому запросу, в том числе в мультиязычных коллекциях. Её многовекторное представление требует больше места для хранения, чем одно-векторные альтернативы. Для запуска описан вариант с Sentence Transformers 6.0.0 или новее; лицензия указана как other, поэтому условия использования следует уточнять в карточке репозитория.

YOLOv8s Signature Detector — модель компьютерного зрения, разработанная tech4humans на базе Ultralytics YOLOv8s и дообученная для обнаружения рукописных подписей на изображениях документов. Она решает задачу object detection: определяет наличие подписей и их координаты, поэтому подходит для автоматической обработки документов, предварительной проверки заполнения форм и построения сервисов извлечения областей с подписями. Модель обучалась на наборе tech4humans/signature-detection, включающем 2 819 размеченных изображений документов; для обучения использовалась аугментированная и предварительно обработанная версия с размером изображения 640 пикселей. Доступны форматы PyTorch, ONNX и TensorRT, что упрощает развёртывание в разных вычислительных средах. По результатам на тестовой выборке модель показала mAP@0.5 0,94499, mAP@0.5:0.95 0,6735, precision 0,947396, recall 0,897216 и F1 0,921623. Сильные стороны модели — высокая точность обнаружения и наличие подготовленных форматов для производительного инференса. Ограничения связаны с узкой специализацией на рукописных подписях в документных изображениях: README не подтверждает качество на других типах изображений, языках, форматах документов или сценариях, а также не приводит сведения о количестве параметров, требованиях к оборудованию и задержке инференса. Модель распространяется по лицензии AGPL-3.0, поэтому условия её использования и распространения следует учитывать при интеграции в закрытые или коммерческие продукты.

Карточка модели arinze/address-match-abp-v5 на Hugging Face совпадает с карточкой arinze/address-match-abp-v2, поэтому описание составлено по ней. arinze/address-match-abp-v2 — модель на основе BERT, созданная для сопоставления адресов. Она кодирует предложения и абзацы в плотные векторы размерностью 64, пригодные для поиска семантически похожих адресов, кластеризации и ранжирования кандидатов по сходству. Модель можно использовать через библиотеку Sentence-Transformers; она обучалась с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. Модель содержит 25,9 млн параметров и принимает текст с контекстным окном до 512 токенов. В репозитории указаны веса PyTorch. Язык обучающих данных и лицензия в доступных сведениях не приведены, поэтому область применимости по языкам и условия использования определить нельзя.

Модель badokorach/afriqa_afroxlmr_lug_290124 — дообученная версия badokorach/afriqa_afroxlmr_squad_v2_060124 для ответов на вопросы. Она построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров; опубликована в формате TensorFlow. Модель предназначена для извлечения ответа из текста по заданному вопросу, а карточка указывает контекст длиной до 514 токенов. В README приведены значения потерь на обучении и валидации, однако набор данных, языки, сценарии применения и ограничения не описаны. Модель распространяется по лицензии MIT.

Модель ktrapeznikov/albert-xlarge-v2-squad-v2 — версия ALBERT XLarge v2, дообученная автором репозитория на наборе SQuAD V2 для ответов на вопросы по переданному фрагменту текста. Она оценивает позиции начала и конца ответа в контексте, а обучение на SQuAD V2 также позволяет оценивать случаи, когда в абзаце нет ответа. Архитектура — плотная AlbertForQuestionAnswering; в метаданных указаны 1,7 млрд параметров и контекст до 512 токенов. Модель подходит для извлечения ответов из абзацев и проверки, содержится ли ответ в контексте. В README приведены результаты на dev-наборе SQuAD V2: exact match 84,42 и F1 87,46; автор отмечает, что лучший порог отказа не подбирался. Веса представлены в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

amad-iq/amad-vlm5-GGUF — это квантованные сборки мультимодальной vision-language модели для распознавания текста на изображениях, разработанные компанией Amad Software Solutions из Ирака. Модель дообучена на базе Qwen2.5-VL-7B-Instruct и ориентирована прежде всего на Arabic OCR, включая распознавание арабского текста, рукописного письма и понимание документов. Модель принимает изображения и текстовые инструкции, поддерживает арабский и английский языки и предназначена для извлечения текста из отсканированных страниц, изображений документов и других визуальных источников. Доступны варианты F16 размером 15,24 ГБ, Q8_0 размером 8,10 ГБ и Q4_K_M размером 4,68 ГБ. Для работы каждой сборке требуется отдельный файл mmproj-amad-vlm5-f16.gguf размером 1,35 ГБ, содержащий vision projector и vision encoder. Рекомендуемая длина контекста — не менее 8192 токенов, а максимальный объём вывода — от 4096 токенов. Сильные стороны модели — специализация на арабском OCR, поддержка рукописного текста и сценариев понимания документов, а также возможность локального запуска через llama.cpp или LM Studio. Модель может генерировать рассуждения в блоках <think>, поэтому при транскрипции следует использовать только текст после последнего закрывающего тега. README не содержит результатов бенчмарков и подробного описания ограничений, поэтому качество на конкретных типах изображений заранее оценить нельзя. Распространение выполняется по лицензии Apache 2.0.

Arabic-OCR-DeepSeek-OCR-2 — модель loay, дообученная на базе unsloth/DeepSeek-OCR-2 для распознавания арабского текста на изображениях и анализа структуры страниц. Она принимает изображения сканированных книг и выдаёт структурированные транскрипции; для обработки страниц использует динамическое разбиение на фрагменты с сохранением высокого разрешения. В README указано обучение на 35 921 изображении арабских книг и адаптация LoRA с последующим объединением адаптера с базовой моделью. Метаданные указывают архитектуру DeepseekOCR2ForCausalLM, 559,7 млн параметров и контекст 8192 токена. Модель ориентирована на OCR арабских документов, в частности на сценарий инструкции «Free OCR». В карточке также заявлена поддержка английского языка. Репозиторий распространяется под лицензией Apache-2.0. Практическое качество зависит от чёткости изображения и особенностей исходной разметки; подтверждённые оценки качества в предоставленной карточке не приведены.

MMG/bert-base-spanish-wwm-cased-finetuned-squad2-es — испаноязычная модель на архитектуре BERT, дообученная на наборе данных squad_es для ответов на вопросы по заданному тексту. Она принимает вопрос и контекст и извлекает из контекста ответ; подходит, например, для поиска фактов в испаноязычных документах. Модель содержит 137,1 млн параметров, использует регистрозависимую версию испанского BERT с whole-word masking и поддерживает контекст до 512 токенов. На оценочной выборке указаны exact match 62,53 и F1 69,33. Модель распространяется в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

boltuix/bert-mid — компактная англоязычная модель BoltUIX на архитектуре BERT, дообученная на основе google/bert-base-uncased. Она использует двунаправленный Transformer и обучалась предсказывать замаскированные токены и отношения между предложениями; в метаданных указано 14,1 млн параметров и контекст до 512 токенов. Модель предназначена для заполнения пропусков в тексте и как основа для дообучения под классификацию последовательностей и токенов, извлечение ответов и распознавание текстовых отношений. Подходит для анализа тональности, распознавания именованных сущностей, определения намерений и задач естественного языкового вывода. По карточке, модель оценивалась на GLUE и обучалась на BookCorpus и английской Wikipedia. Репозиторий содержит веса safetensors; лицензия — MIT. Модель рассчитана на английский язык и не предназначена для генерации связного текста или задач на других языках без существенного дообучения. Она может наследовать смещения из обучающих данных, а для очень ограниченных устройств может потребоваться дополнительная оптимизация.

jtlicardo/bpmn-information-extraction-v2 — модель на базе BERT, дообученная для извлечения сущностей из текстовых описаний бизнес-процессов. Она присваивает токенам одну из пяти меток: AGENT, TASK, TASK_INFO, PROCESS_INFO или CONDITION. Модель разработана для структурирования описаний процессов и может служить этапом подготовки данных для последующего моделирования BPMN. Модель основана на google-bert/bert-base-cased, содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. В README сообщается о дообучении на наборе из 104 текстовых описаний процессов; на оценочной выборке указаны F1 0,9031 и точность 0,9516. Репозиторий содержит веса PyTorch и Safetensors, лицензия — Apache-2.0.

Canopy-258M-R3 v3 — компактная языковая модель семейства Canopy от psikosen, предназначенная для браузерной автоматизации и работы на устройствах с ограниченными ресурсами. Авторская карточка описывает её как рекуррентную Mixture-of-Experts-модель для выполнения действий в браузере, включая заполнение форм, обработку динамических полей и извлечение структурированных данных со страниц. В примерах показаны генерация кода и управление браузером через отдельный инструментальный пакет. В метаданных указаны 136,8 млн параметров, архитектура CanopyForCausalLM, поддержка чата и кода, формат safetensors и библиотека Transformers. README заявляет об ускорении браузерных сценариев, но не приводит независимых результатов оценки. Модель работает с текстовыми запросами и генерирует текст; её карточка указывает английский язык. Лицензия Apache 2.0.

Карточка модели manaladan6/cogvlm2-llama3-chat-19B на Hugging Face совпадает с карточкой zai-org/cogvlm2-llama3-chat-19B, поэтому описание составлено по ней. CogVLM2-Llama3-Chat-19B — чат-модель с визуальным вводом от ZhipuAI, построенная на Meta-Llama-3-8B-Instruct. По карточке семейства модель предназначена для диалога и ответов на вопросы по изображениям; особенно отмечены результаты в задачах TextVQA и DocVQA. Модель поддерживает контекст до 8 192 токенов и изображения разрешением до 1344 × 1344 пикселей. Карточка указывает для этой версии английский язык; двуязычная поддержка китайского и английского относится к отдельной версии семейства. Метаданные описывают архитектуру как CogVLMForCausalLM и указывают 8,3 млрд параметров, тогда как README приводит размер семейства 19 млрд. Доступны веса в формате safetensors и чат-возможность. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

deepset/deberta-v3-large-squad2 — англоязычная модель deepset для извлечения ответов на вопросы из текста. Это DeBERTa-v3-large с 533,8 млн параметров, дообученная на SQuAD 2.0 для extractive question answering. Модель принимает вопрос и контекст и возвращает фрагмент текста в качестве ответа; также обучена распознавать вопросы, на которые в контексте нет ответа. Модель подходит для поиска ответов в документах и для систем вопросов и ответов, в том числе построенных на Haystack. Указанная длина контекста — 512 токенов. Оценивалась на валидационной части SQuAD 2.0; результаты оценки в предоставленной карточке не приведены. Лицензия — CC BY 4.0.

Это модель DistilBERT для ответов на вопросы, дообученная на наборе Natural Questions. Она принимает текст вопроса и контекст, а затем извлекает ответ из контекста; архитектура реализована классом DistilBertForQuestionAnswering. Модель подходит для поиска конкретных фактов в предоставленных текстах, например в документах или статьях. Модель использует uncased-вариант DistilBERT и рассчитана на контекст длиной до 512 токенов. В репозитории указаны веса PyTorch. Разработчик сообщает результат оценки на тестовой выборке: loss 0,6267. Модель распространяется по лицензии Apache-2.0. Карточка не описывает подробности оценки и ограничения качества, поэтому применимость к иным доменам и длинным контекстам следует проверять отдельно.

Adrian выпустил дообученную на наборе SQuAD модель DistilBERT для поиска ответа на вопрос в предоставленном контексте. Это плотная трансформерная модель класса DistilBertForQuestionAnswering; репозиторий содержит веса PyTorch. Контекст ограничен 512 токенами. Модель подходит для извлечения ответа из текста, например, в системах вопросов и ответов по документам. В README приведено значение loss 1,1484 на оценочном наборе, но подробности оценки и сведения о качестве на других данных отсутствуют. Лицензия — Apache-2.0.weet

twmkn9 — модель на базе DistilBERT base uncased, дообученная на SQuAD v2 для извлечения ответов из текста по вопросу. Она принимает вопрос и текстовый фрагмент и возвращает найденный ответ либо указывает, что ответа в тексте нет. Подходит для систем поиска ответов по документам и справочным материалам. Контекст модели — до 512 токенов; архитектура — DistilBertForQuestionAnswering, формат весов — PyTorch. README приводит результаты оценки на подмножестве dev SQuAD v2: exact match 64,9 и F1 68,2. Модель работает с английским языком, как базовая uncased-модель DistilBERT и датасет SQuAD v2. Это компактная специализированная модель для extractive question answering, а не универсальный диалоговый генератор. Лицензия в предоставленных данных не указана.

Isotonic разработала эту модель как дообученную версию distilbert-base-uncased для выявления и классификации персональных данных в английском тексте. Модель относится к семейству DistilBERT и решает задачу разметки токенов; она обучена на англоязычной части наборов ai4privacy/pii-masking-65k и ai4privacy/pii-masking-43k. Контекст модели — до 512 токенов. Модель предназначена для поиска и маркировки чувствительных фрагментов текста, например перед маскированием персональных данных. В README приведены метрики на оценочной выборке: F1 0,978, точность 0,976 и полнота 0,980. Доступны веса в форматах PyTorch, Safetensors и ONNX. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

nielsr/donut-base — базовая предварительно обученная модель семейства Donut, опубликованная пользователем nielsr на Hugging Face и основанная на подходе Donut, разработанном NAVER CLOVA. Это мультимодальная модель для понимания документов, которая обрабатывает изображение документа и генерирует текстовое представление результата без отдельного OCR-конвейера. Модель построена по архитектуре VisionEncoderDecoderModel: визуальный энкодер Donut Swin преобразует изображение, а декодер на базе mBART генерирует текст. В конфигурации указаны 12 слоёв энкодера, 4 слоя декодера и максимальная длина последовательности декодера 1536 токенов. В Hugging Face она классифицируется для задачи image-text-to-text и предназначена прежде всего как базовая модель для последующего дообучения под извлечение структурированных данных, классификацию и другие задачи понимания документов. Сильная сторона модели — единый end-to-end подход к анализу документов по изображениям. Это именно базовый чекпойнт, поэтому без дообучения он не гарантирует высокое качество на конкретной прикладной задаче; специализированные сценарии требуют подходящего датасета и настройки.

deutsche-telekom/electra-base-de-squad2 — немецкоязычная модель ответов на вопросы, выпущенная Deutsche Telekom. Это дообученная для извлечения ответов из текста базовая ELECTRA electra-base-german-uncased с 138,4 млн параметров и контекстом до 512 токенов. Модель принимает вопрос вместе с текстовым контекстом и возвращает найденный ответ с оценкой и его позициями в исходном тексте. Модель предназначена для ответов на вопросы по немецким документам и другим текстам. Она обучена на наборе deQuAD с 130 тыс. обучающих и 11 тыс. тестовых пар «вопрос–ответ»; в оценке на тестовой выборке deQuAD модель показала Exact Match 70,97 и F1 76,18. Доступны веса PyTorch и Safetensors. Лицензия — MIT.

EraX-VL-7B-V2.0-Preview-i1-GGUF — мультимодальная vision-language модель на 7 млрд параметров, разработанная erax-ai и преобразованная в формат GGUF пользователем mradermacher. Модель предназначена для обработки изображений и текста и поддерживает вьетнамский, английский и китайский языки. Основные сценарии применения включают OCR, визуальные вопросы и ответы, анализ документов, работу со страховыми материалами, рукописным и древним текстом, радиологическими изображениями и фотографиями автомобильных аварий. Модель может использоваться для генерации текстовых ответов на основе визуального содержимого, однако для работы с изображениями требуются соответствующие mmproj-файлы из статического репозитория. Публикация содержит несколько вариантов квантования GGUF размером примерно от 2,0 до 6,4 ГБ. В README отмечается, что варианты с более высоким качеством квантования обычно обеспечивают лучшее качество, а i1-Q4_K_M рекомендуется как быстрый компромисс между размером, скоростью и качеством. Ограничения включают возможное снижение качества у компактных вариантов квантования; сведения о размере контекста, точных архитектурных компонентах и результатах бенчмарков не приведены. Модель распространяется по лицензии Apache-2.0.

Florence-2-base — базовая версия мультимодальной модели зрения Microsoft, представленная в репозитории как реализация для Hugging Face Transformers. Это плотная encoder-decoder модель последовательность-в-последовательность с примерно 0,23 млрд параметров, предварительно обученная на FLD-5B — наборе из 5,4 млрд аннотаций для 126 млн изображений. Репозиторий содержит веса PyTorch и Safetensors; лицензия — MIT. Модель принимает изображение и текстовую инструкцию-промпт, а затем выполняет задачи зрения и языка: описывает изображение, обнаруживает объекты, находит области по текстовому описанию, предлагает регионы, распознаёт текст на изображении и выполняет сегментацию. Поддерживаются zero-shot-применение и дообучение. В карточке приведены результаты оценки для описания изображений, детекции объектов и других визуально-языковых задач. Florence-2-base рассчитана на широкий круг задач анализа изображений, а не на отдельную предметную область. Модель может ошибаться при распознавании текста, локализации объектов и создании описаний; качество зависит от изображения и выбранного промпта. Данные о поддерживаемых естественных языках и длине контекста в предоставленных источниках отсутствуют.

deepset/gelectra-large-germanquad — немецкоязычная модель ответов на вопросы от deepset, построенная на GELECTRA Large и дообученная для извлечения ответов из текста. Она предназначена для поиска ответа на вопрос в предоставленном документе или наборе документов, в том числе в конвейерах Haystack и Transformers. Модель обучали на 11 518 парах вопрос–ответ из GermanQuAD; перед дообучением использовали немецкий перевод SQuAD 1.1. Архитектура — ElectraForQuestionAnswering, размер — 434,5 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст на немецком языке и выдаёт извлечённый из него фрагмент ответа. Лицензия модели — MIT. Она рассчитана на экстрактивный QA: ответ должен присутствовать в контексте, поэтому модель не предназначена для свободной генерации ответов или надёжного ответа без предоставленного текста. Оценка в карточке приведена на тестовой выборке GermanQuAD.

German-OCR 2B (GGUF) — компактная мультимодальная модель для распознавания и извлечения текста из документов на немецком языке. Автор модели — Keyvan Hardani. Это дообученная версия Qwen/Qwen3-VL-2B-Instruct, упакованная в формат GGUF: файлы включают языковую часть с квантизацией Q4_K и vision encoder. Модель принимает изображение документа и текстовую инструкцию, а результат выдаёт текстом; в карточке указана поддержка диалогового режима и анализа изображений. Модель рассчитана на OCR немецких документов, например счетов и других изображений документов, и предназначена для локального запуска через llama.cpp. В README заявлена работа на CPU и поддержка CUDA, Metal, Vulkan и OpenVINO. Автор также приводит показатели скорости и точности для RTX 4060 и CPU, но они основаны на данных карточки и не подтверждены независимой оценкой. Лицензия — Apache 2.0.

cyankiwi/GLM-4.6V-Flash-AWQ-4bit — 4-битная AWQ-квантизированная версия GLM-4.6V-Flash, разработанная Ton Cao на основе модели GLM-4.6V-Flash от Z.ai. Модель относится к семейству GLM-V и предназначена для локального развертывания и приложений с низкой задержкой. Это мультимодальная модель для задач image-text-to-text: она обрабатывает изображения и текст, поддерживает китайский и английский языки, а также сценарии визуального понимания документов, таблиц, графиков, интерфейсов и скриншотов. Семейство GLM-4.6V заявляет поддержку контекста до 128K токенов, мультимодального function calling, анализа многостраничных документов, генерации смешанного текстово-графического контента и восстановления HTML/CSS по скриншотам; README не уточняет, одинаково ли все эти возможности реализованы именно в данной AWQ-версии. Размер базовой GLM-4.6V-Flash составляет 9B параметров. Квантизация выполнена методом AWQ с точностью 4 бита и group size 32, с использованием llm-compressor и набора 5CD-AI/LLaVA-CoT-o1-Instruct. Заявленный объём памяти снижен примерно с 19,2 до 8,3 ГБ, что делает модель более подходящей для локального запуска. Для инференса рекомендуется vLLM; README не приводит подробных результатов бенчмарков или анализа возможной потери качества после квантизации. Модель распространяется по лицензии MIT. Для запуска указаны vLLM и актуальная версия Transformers.

GLM-4.6V-Flash NVFP4 GGUF — квантованная мультимодальная модель Z.ai (Zhipu AI), подготовленная в формате GGUF на основе zai-org/GLM-4.6V-Flash. Она сочетает языковую часть на 9 млрд параметров с 40 слоями трансформера и 24-слойным визуальным ViT-энкодером. Контекст составляет 128K токенов; модель принимает изображения и текст и формирует текстовые ответы, включая описание изображений и разбор документов. Модель подходит для диалогов по изображениям, визуального анализа документов и локального мультимодального ассистента. Веса языковой части представлены в NVFP4, а проектор визуального энкодера — в F16; для полной работы с изображениями нужны оба файла. Нативное вычисление FP4 рассчитано на видеокарты NVIDIA Blackwell, на более старом оборудовании и CPU возможен более медленный программный fallback. Репозиторий указывает лицензию MIT. Квантование снижает требования к памяти, но может повлиять на точность по сравнению с исходными весами.

Granite-4.2-30B-Fable-Distill — созданная armand0e дообученная версия IBM Granite-4.2-30B для диалога и использования инструментов. Это плотная авторегрессионная модель на 28,9 млрд параметров с весами safetensors в bf16 и контекстом до 131 072 токенов; сохранены архитектура, токенизатор и шаблон чата базовой модели. Модель обучена на трассах агентного программирования и диалогах, дистиллированных из Claude Fable 5; около 73% размеченных токенов приходятся на вызовы инструментов. Поддерживает английский, испанский, французский, немецкий, португальский, японский и китайский, но около 90% обучающих токенов были на английском. Модель предназначена прежде всего для оркестрации инструментов, извлечения сведений и многоязычного диалога. При использовании в vLLM автор рекомендует включать thinking и настраивать разбор вызовов инструментов согласно формату Granite 4.2. Карточка прямо предупреждает, что модель слаба в написании и редактировании кода, несмотря на агентные трассы в обучении. Лицензия Apache-2.0.

InternVL2_5-1B-MPO — компактная мультимодальная модель OpenGVLab для диалога по изображениям. Это вариант семейства InternVL2.5, дообученный с использованием Mixed Preference Optimization (MPO). Архитектура сочетает визуальный энкодер InternViT-300M-448px-V2_5, проектор MLP и языковую часть Qwen2.5-0.5B-Instruct; модель распространяется в формате Safetensors и запускается через Transformers. Модель предназначена для ответов на вопросы по изображениям, распознавания и интерпретации визуальной информации, включая работу с несколькими изображениями и видео. Динамическое разрешение разбивает изображения на фрагменты 448×448 пикселей, а pixel unshuffle сокращает число визуальных токенов. По результатам приведённых в карточке тестов MPO улучшает отдельные показатели, в частности OCRBench и MathVista, по сравнению с InternVL2.5-1B. Карточка не приводит длину контекста или перечень поддерживаемых языков, кроме общей пометки multilingual. Лицензия — MIT.

InternVL2_5-2B-MPO — мультимодальная языковая модель OpenGVLab, построенная на архитектуре ViT-MLP-LLM. Визуальная часть основана на InternViT-300M-448px-V2_5, языковая — на internlm2_5-1_8b-chat; модель дообучена с применением Mixed Preference Optimization (MPO) на базе InternVL2_5-2B. Динамическое разрешение разбивает изображения на фрагменты 448×448 пикселей, а также поддерживаются несколько изображений и видеоданные. Модель предназначена для диалоговых запросов по изображениям и видеокадрам: она может отвечать на визуальные вопросы, распознавать текст на изображениях и решать задачи на понимание диаграмм и визуальной математики. Доступна через Transformers в форматах весов safetensors; лицензия — MIT. В README приведены оценки на мультимодальных бенчмарках, включая OCRBench и MathVista.