I.3Извлечение и структурирование данных

Argus-Colqwen3.5-9b-v0-bf16 — модель извлечения признаков для поиска по визуальным документам, разработанная группой Data Science Университета Инсбрука. Она дообучена на базе Qwen/Qwen3.5-VL-9B-Instruct и опубликована в формате bfloat16 после слияния LoRA-весов; размер модели — 8,82 млрд параметров. Модель преобразует изображения страниц и текстовые запросы в токеновые эмбеддинги для поиска с поздним взаимодействием. Её механизм разреженной смеси экспертов учитывает запрос и область страницы при маршрутизации визуальных токенов. Модель предназначена для визуального поиска и извлечения релевантных страниц в наборах документов: например, для поиска ответов в научных статьях, отчетах и материалах с диаграммами или сложной разметкой. По README, для страницы используется до 2048 визуальных токенов, размерность эмбеддинга на токен — 1024; авторы сообщают о результатах на английских наборах ViDoRe v1 и v2. Указанная лицензия — Apache-2.0. Модель ориентирована преимущественно на английский язык. README указывает потребность примерно в 17 ГБ видеопамяти для инференса bf16 и рекомендует одну GPU с объёмом памяти от 24 ГБ. Слияние в bf16 необратимо теряет часть точности относительно fp32-варианта; измеренная разница в результатах ViDoRe мала, но v3 ещё не оценивался.

Это модель для извлечения ответов на вопросы из текста на португальском языке. Её создал Pierre GUILLOU, дообучив BERTimbau Base (bert-base-portuguese-cased) на португальской версии SQuAD 1.1; обучение проводилось в рамках группы Deep Learning Brasil. Архитектура — BERT base с 136,1 млн параметров, контекст — до 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Модель предназначена для сценариев, где вопрос и содержащий ответ текст подаются вместе, а система извлекает фрагмент текста в качестве ответа. В карточке приведены результаты на тесте: F1 82,50 и exact match 70,49. Модель ориентирована на португальский язык, в частности на бразильский вариант. Модель распространяется по лицензии MIT. Результаты могут зависеть от тематики и качества входного текста; обучающие данные SQuAD могут содержать неотфильтрованный контент и предвзятости.

phiyodr/bert-base-finetuned-squad2 — англоязычная модель для извлечения ответов на вопросы из предоставленного текста. Она основана на bert-base-uncased и дообучена на датасете SQuAD2.0; архитектура — BERT с головой BertForQuestionAnswering, объём — 136,7 млн параметров. Модель принимает вопрос и контекст на английском языке и выбирает ответ из контекста, включая возможность воздержаться от ответа, если в тексте его нет. Модель подходит для поиска фактов в текстах, автоматизации ответов по документам и демонстрационных систем вопросно-ответного поиска. Максимальная длина контекста составляет 512 токенов, поэтому длинные документы нужно разбивать на фрагменты. Веса доступны в форматах PyTorch и Flax. Лицензия в предоставленных данных не указана.

vnktrmnb создал модель vnktrmnb/bert-base-multilingual-cased-FT-TyDiQA-GoldP_BL, дообучив многоязычную BERT-модель bert-base-multilingual-cased для извлечения ответов на вопросы из текста. Модель использует архитектуру BertForQuestionAnswering, содержит около 205,1 млн параметров и рассчитана на контекст до 512 токенов. Доступен формат TensorFlow. Модель подходит для систем, которые находят ответ на вопрос в предоставленном фрагменте текста. В README приведены результаты обучения и валидации за два эпоха, включая точность предсказания начальных и конечных позиций ответа; датасет не назван. Модель распространяется по лицензии Apache-2.0.

badokorach/bert-finetuned-squad-4 — модель BERT, дообученная автором на основе badokorach/bert-finetuned-squad-3 для ответов на вопросы по предоставленному тексту. В репозитории указано 135,5 млн параметров; модель использует архитектуру BertForQuestionAnswering, формат TensorFlow и контекст до 512 токенов. Модель подходит для поиска ответа в контексте, например, для систем вопросов и ответов по документам. В карточке приведены значение Train Loss 0,0012 и 29-я эпоха, но не названы обучающий набор данных и результаты независимой оценки. Лицензия — Apache-2.0.

phiyodr/bert-large-finetuned-squad2 — англоязычная модель на архитектуре BERT Large, созданная дообучением bert-large-uncased на наборе SQuAD 2.0 для ответов на вопросы по заданному тексту. Она извлекает ответ из контекста и обучена учитывать случаи, когда в тексте нет ответа на вопрос. Модель принимает текст вопроса и контекста, выдаёт текстовый ответ; максимальная длина контекста составляет 512 токенов. Доступны версии весов PyTorch и Flax. Модель подходит для поиска ответов в англоязычных статьях, документах и справочных материалах, если нужная информация присутствует в переданном контексте. Она не предназначена для свободного диалога или надёжных ответов на вопросы, не опирающиеся на контекст. Карточка не сообщает условия лицензии.

Это модель BERT base-multilingual-cased, разработанная Google и дообученная Manuel Romero (mrm8488) для ответов на вопросы по заданному тексту. Она извлекает ответ из контекста и предназначена для многоязычных сценариев вопросно-ответного поиска, включая перенос между языками. Дообучение проведено на данных, основанных на XQuAD, с расширением обучающей выборки; заявлены 50 тысяч обучающих и 8 тысяч тестовых примеров. В карточке указано 11 языков: арабский, немецкий, греческий, английский, испанский, хинди, русский, тайский, турецкий, вьетнамский и китайский. Архитектура — BERT для извлечения ответов, 205,1 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает вопрос и текстовый контекст, выдаёт ответ в виде текста. В обучающих данных нет примеров вопросов без ответа, поэтому модель может выбирать ответ даже тогда, когда контекст не содержит достоверного ответа. Лицензия в предоставленных материалах не указана.

Это двуязычная модель ответов на вопросы, разработанная Deutsche Telekom на основе bert-base-multilingual-cased и дообученная для задачи question answering. Она извлекает ответы из предоставленного контекста и рассчитана на работу с текстами на английском и немецком языках. Для дообучения использованы SQuAD 2.0 и немецкий набор deQuAD 2.0, созданный на основе автоматического перевода SQuAD с последующей редактурой. Карточка приводит результаты оценки на английском SQuAD 2.0: F1 92,85 и exact match 90,29. Модель имеет около 205,1 млн параметров, принимает контекст длиной до 512 токенов и распространяется по лицензии MIT.

Модель разработана авторами NLP Odyssey (Matteo Grella и Marco Nicola) на основе bert-base-multilingual-uncased и дообучена для географической классификации новостных заголовков. Она принимает текст заголовка и предсказывает код страны по стандарту ISO 3166-1 alpha-3. Модель предназначена для автоматической маркировки новостей по стране, о которой говорится в заголовке, в том числе для работы с многоязычными текстами. Это BERT для классификации последовательностей с 194,6 млн параметров; максимальная длина контекста — 512 токенов. Распространяется в форматах PyTorch и Safetensors. Модель подходит для тематической сортировки новостных лент и предварительной разметки заголовков для последующего анализа. Качество и набор распознаваемых стран в README не описаны; лицензия Apache-2.0 допускает использование, изменение и распространение на её условиях.

mrm8488/bert-tiny-finetuned-squadv2 — компактная модель семейства BERT-Tiny, созданная Google Research и дообученная Manuel Romero на SQuAD 2.0 для ответов на вопросы по предоставленному тексту. Архитектура — BertForQuestionAnswering; модель содержит 4,4 млн параметров, а её контекст ограничен 512 токенами. Она предназначена для сред с ограниченными вычислительными ресурсами и может воздерживаться от ответа, если в контексте нет подтверждённого ответа. Модель работает с английским текстом без учёта регистра. В README приведены результаты на SQuAD 2.0: EM 48,60 и F1 49,73. Эти показатели относятся к указанной оценке и не гарантируют аналогичное качество на других данных. Модель распространяется в форматах PyTorch, Flax и safetensors; лицензия в предоставленных данных не указана.

Vsevolod/company-names-similarity-sentence-transformer — модель на базе BERT для получения плотных векторных представлений предложений и абзацев. Она содержит 25,9 млн параметров, выдаёт эмбеддинги размерностью 384 и поддерживает контекст до 512 токенов. Модель предназначена для семантического поиска и кластеризации текстов; название репозитория указывает на применение для сравнения названий компаний. Обучение использовало CosineSimilarityLoss. Модель работает с текстом и предназначена для использования с библиотекой Sentence-Transformers. В карточке не указаны языки и лицензия, поэтому нельзя определить языковой охват и условия использования.

DeepSeek-VL 1.3B Chat — компактная модель компьютерного зрения и языка, разработанная командой DeepSeek AI. Она принимает изображения и текстовые запросы и формирует контекстные текстовые ответы для визуальных вопросов и повседневных сценариев работы с изображениями. В архитектуре объединены языковой компонент на основе LLaMA и визуальный кодировщик SigLIP; модель поддерживает чат и обработку изображений с разрешением до 1024 × 1024. Среди сценариев обучения и применения указаны скриншоты, PDF, OCR, диаграммы и визуальный контент, связанный с общими знаниями. Модель опубликована в формате safetensors для Transformers; README указывает лицензию DeepSeek, а метаданные обозначают её как other.

devanagari_PP-OCRv5_mobile_rec — компактная модель распознавания строк текста семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она извлекает текст из изображений и предназначена для распознавания письменности деванагари; в README указана точность 84,96% при оценке, где строка считалась ошибочной при любом неверно распознанном символе или знаке препинания. Модель используется как модуль распознавания в OCR-сценариях PaddleOCR: распознаёт текстовые строки, обычно после обнаружения строк на изображении, и возвращает их содержимое в виде текста. Для обработки сложных изображений её можно подключить к PP-OCRv5, включающему обнаружение текста и дополнительные модули коррекции ориентации и геометрии. Модель распространяется по лицензии Apache-2.0. В карточке не приведены сведения о поддерживаемых входных разрешениях или условиях оценки точности, поэтому указанный показатель не следует считать гарантией для произвольных изображений.

Dialog2Flow single target model (DSE-base) — модель эмбеддингов предложений, представленная Серхио Бурдиссо как вариант D2F_single из работы Dialog2Flow, опубликованной на EMNLP 2024. Она использует дообученную основу aws-ai/dse-bert-base и библиотеку Sentence Transformers; модель преобразует предложения и абзацы в плотные векторы размерности 768 для поиска и кластеризации. Модель ориентирована на извлечение потоков диалога и представление фраз в задачах, связанных с диалогами. Она обучалась на наборах sergioburdisso/dialog2flow-dataset и Salesforce/dialogstudio, а контекст ограничен 512 токенами. Для работы с Transformers требуется применить соответствующую операцию pooling к контекстным векторам слов. Модель поддерживает английский язык и распространяется по лицензии MIT. Указанные в статье результаты показывают улучшение относительно варианта на BERT-base, однако качество зависит от задачи и способа формирования представлений; README не приводит подробных результатов или рекомендаций по эксплуатации.

Это модель DistilBERT для извлечения ответов на вопросы из текста. Её дообучили на наборе SQuAD на основе distilbert-base-uncased; архитектура реализована классом DistilBertForQuestionAnswering. Модель принимает вопрос и контекст и предсказывает ответный фрагмент текста. Модель подходит для поиска ответов в коротких текстовых отрывках, например в справочных материалах или статьях. Контекст ограничен 512 токенами. В карточке указана оценка Loss 1.1542 на наборе оценки, но подробности оценки и ограничения не приведены. Лицензия — Apache-2.0.

zainyhur/distilbert-qa-finetuned — модель семейства DistilBERT, дообученная разработчиком репозитория на неизвестном наборе данных для ответов на вопросы. Она принимает текст вопроса и контекста и предназначена для извлечения ответа из предоставленного текста. Модель использует архитектуру DistilBertForQuestionAnswering, библиотеку Transformers и формат весов safetensors; максимальная длина контекста составляет 512 токенов. Базовая модель — distilbert/distilbert-base-uncased. Карточка не содержит сведений о качестве, обучающих данных или специальных сценариях применения. Лицензия Apache-2.0 разрешает использование и распространение на её условиях.

SIRIS-Lab разработала эту модель на основе SPECTER2 (allenai/specter2_base) для многометочной классификации научных публикаций по 28 исследовательским панелям ERC. На вход подаются название и аннотация статьи; модель может также работать только с названием или только с аннотацией. Она выдаёт панели с вероятностями, рассчитанными независимо для каждой метки; порог по умолчанию — 0,5 и может настраиваться. Модель подходит для автоматической разметки публикаций и обогащения метаданных в научных репозиториях, базах исследовательских проектов и аналитических системах. В README для тестового набора указаны Micro F1 0,9386 и Micro ROC-AUC 0,9718; на отдельной оценке проектов ERC общая полнота составила 0,77. Модель использует архитектуру BERT, содержит 137,1 млн параметров и обрабатывает до 512 токенов. Лицензия — Apache-2.0. Классификация ограничена укрупнёнными категориями ERC: модель не учитывает явные иерархические связи между панелями, а дисбаланс классов может снижать полноту для редких категорий. Она не предназначена для определения узких специальностей, оценки качества исследований или принятия клинических, юридических и регуляторных решений; предсказания следует использовать как вспомогательные метаданные.

cea-list-ia разработала англоязычный классификатор ESG-тем для анализа текстов. Модель на архитектуре DistilBERT решает задачу классификации текста и размечает содержание по иерархии ESG: широким категориям Environmental, Social и Governance, 16 тематическим классам второго уровня и 119 детальным классам третьего уровня. Модель предназначена для категоризации корпоративных ESG-отчётов и выделения тем, связанных с климатом, загрязнением, биоразнообразием, ресурсами, правами человека, условиями труда и управлением. Она принимает текст и выдаёт метки классов. Контекст ограничен 512 токенами, поэтому длинные документы потребуется разбивать на фрагменты. Карточка указывает английский язык; лицензия MIT разрешает использование на её условиях.

Gemma 4 E2B Arabic + English Vision — разреженная версия мультимодальной модели Google Gemma 4 E2B IT, подготовленная ml-intern-explorers. Это плотная модель с архитектурой Gemma4ForConditionalGeneration: она принимает текст и изображения и генерирует текст. По данным карточки, из словаря удалены токены для ряда языков, включая кириллицу, а также аудиоэнкодер; сохранены зрительный энкодер и генерация текста. README указывает словарь из 209 836 токенов и сообщает о 4,25 млрд параметров; метаданные подтверждают базовую модель google/gemma-4-e2b-it и формат safetensors. Модель предназначена для понимания изображений и текста на арабском и английском языках, включая разбор документов и распознавание арабского текста на изображениях. В описанном в README тесте распознавания арабского текста результаты совпали с исходной Gemma 4 E2B IT на 100 примерах; это ограниченная проверка, а не гарантия качества на других данных. README также рассматривает модель как основу для дообучения двуязычных приложений. Лицензия — Apache-2.0. В заявленных ограничениях — отсутствие аудиовхода и поддержки языков, чьи токены были удалены, в том числе русского, китайского, деванагари и тайского. Модель не подходит для сценариев, которым нужны аудиофункции или текстовая генерация на этих языках.

nypgd/gemma-4-e2b-assistant-vllm — дообученная разработчиком nypgd мультимодальная модель семейства Gemma 4 на базе unsloth/gemma-4-E2B-it. Она предназначена для диалогов с текстом и изображениями; каталог также отмечает интерфейс вызова инструментов. Модель представлена в формате safetensors и обучалась с использованием Unsloth и библиотеки TRL. Модель подходит для вопросов по изображениям и документам, а также для ассистентских сценариев с подключением инструментов. В карточке не приведены сведения о размере, длине контекста и конкретных языковых возможностях; метаданные указывают английский язык. Лицензия — Apache-2.0.

IndustryLLM — открытая по весам языковая модель команды Multimodal and Industrial AI Team компании Alibaba, дообученная на базе Qwen/Qwen3.5-35B-A3B-Base для промышленной закупки и инженерных запросов. Архитектура Qwen3.5 MoE содержит около 35,95 млрд параметров, из которых на каждом токене активируется примерно 3 млрд. Модель использует Transformers и веса safetensors; лицензия — Apache-2.0. Модель предназначена для интерпретации запросов покупателей, извлечения и нормализации характеристик, распознавания разговорных обозначений и опечаток, дополнения сокращённых кодов стандартов и выявления противоречий в спецификациях. Для сложных аналитических задач доступен режим рассуждения Think, а для быстрых ответов — No-Think. Контекстное окно архитектуры составляет 262 144 токена, однако обучение проводилось на последовательностях длиной 12 288 токенов. Адаптация ориентирована на текстовые инженерные рассуждения: мультимодальные компоненты базовой модели заморожены, а изображения, чертежи, CAD-файлы и фотографии дефектов не оценивались. Ответы о пригодности товара не заменяют проверку доказательств и сертификатов; для опасного оборудования необходима независимая экспертная проверка.

InternVL2-2B — мультимодальная инструкционно-настроенная модель семейства InternVL 2.0, разработанная OpenGVLab. Она объединяет визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую модель internlm2-chat-1_8b; общий размер составляет около 2,2 млрд параметров. Модель предназначена для диалога по изображениям и видео, визуальных вопросов и ответов, понимания документов и диаграмм, чтения текста на изображениях, а также научных и математических задач с визуальным контекстом. Модель принимает текст и изображения; README также сообщает об обучении на данных с видео и длинным текстом. Заявлено окно контекста 8 тысяч токенов. Карточка позиционирует её как мультиязычную, но конкретные языки не перечисляет. Для запуска предусмотрена интеграция с Transformers и LMDeploy. Репозиторий распространяется по лицензии MIT. Среди сильных сторон — сочетание диалоговых возможностей языковой модели с анализом изображений, документов, диаграмм и сценического текста; в README приведены результаты профильных визуальных и видео-бенчмарков. Описание не подтверждает отдельный выход с видео или структурированными рамками объектов: ответы модели формируются в текстовом диалоге.

InternVL3.5-38B-Pretrained — мультимодальная модель семейства InternVL3.5, разработанная OpenGVLab. Она объединяет визуальный энкодер InternViT и языковую модель Qwen3-32B; в карточке указано, что релиз относится к семейству открытых мультимодальных моделей и использует подход merge. Модель принимает изображения и текст и формирует текстовые ответы; заявлены диалоговый режим и интерфейс вызова инструментов. Модель предназначена для диалога по изображениям, визуальных вопросов и ответов, мультимодальных рассуждений, OCR-сценариев, а также текстовых задач. В README описаны Cascade RL для улучшения рассуждений и Visual Resolution Router для динамической обработки визуальных токенов; при этом опубликованные там общие показатели и дополнительные возможности относятся к семейству InternVL3.5 и не обязательно характеризуют именно вариант 38B-Pretrained. Для запуска 38B README указывает потребность в двух GPU A100. Репозиторий содержит веса safetensors и рассчитан на использование с Transformers. Лицензия — Apache-2.0. Карточка не приводит отдельного ограничения по языкам конкретно для этой версии; метаданные обозначают модель как многоязычную.

InternVL-Chat-V1-2 — мультимодальная большая языковая модель от OpenGVLab для диалога по изображениям и тексту. Она объединяет vision-энкодер InternViT-6B-448px-V1-2, MLP-проектор и языковую модель Nous-Hermes-2-Yi-34B; общее число параметров — 40 млрд. Модель опубликована в формате safetensors и предназначена для запуска через Transformers с поддержкой пользовательского кода модели. Модель отвечает на вопросы об изображениях, описывает их и обрабатывает визуальные инструкции. В обучающие данные включены примеры OCR, диаграмм, графиков, документов и научных иллюстраций; также поддерживается обычный текстовый диалог. Изображения обрабатываются с размером 448 × 448 пикселей и представляются 256 визуальными токенами. Карточка характеризует языковую часть как многоязычную, но не перечисляет конкретные языки. В README приведены сравнительные результаты на наборах тестов для визуальных вопросов и понимания изображений. Для запуска нужны значительные вычислительные ресурсы, соответствующие модели на 40 млрд параметров. В README отдельно предупреждают, что 4-битная квантизация BNB может привести к потере понимания изображений и бессмысленным ответам. Лицензия модели — MIT.

Issue Writer — это дообученная на базе Gemma 4 E4B Instruct модель для преобразования исходного описания продукта в структурированную запись для системы отслеживания задач. Она формирует один JSON-объект и предназначена для сценариев, где нужно оформлять сообщения в задачи с фиксированной схемой на английском или турецком языке. Модель основана на плотной архитектуре Gemma4 и использует объединённые с базовыми весами LoRA-параметры: обучение с рангом 32 и alpha 64 затрагивало текстовые слои внимания и MLP. Обучение проведено на 13 000 примерах, поровну на английском и турецком; в README рекомендуется использовать заданный системный промпт и жадное декодирование, чтобы сохранять корректный JSON. Формат репозитория — safetensors, лицензия Apache-2.0. На кратких или неполных исходных данных модель должна заполнять поля assumptions и clarifying_questions, однако README предупреждает, что пустые значения могут означать, что модель молча додумала недостающие сведения. Размер контекста в карточке не указан; пример запуска vLLM задаёт ограничение в 8192 токена.

Fabiod20/italian-legal-ner — модель распознавания именованных сущностей на основе ELECTRA, дообученная для анализа итальянских гражданских судебных решений Верховного кассационного суда Италии. Она размечает текст токен за токеном и выделяет юридически значимые сущности, включая апелляцию, заявителя и ответчика. Модель обучена на 9 000 решениях за 2016–2021 годы, размеченных с помощью сочетания правил и ручной аннотации; размер составляет 137,1 млн параметров, контекст — до 512 токенов. Поддерживается итальянский язык. Модель подходит для извлечения и структурирования сведений из судебных актов, например для подготовки корпусов документов и поиска сторон или апелляций. В карточке указана доработка модели ELECTRA, но базовый репозиторий не назван. Доступна в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Это производный чекпойнт DeepSeek-V4-Flash-0731, подготовленный Keys (drowzeys) на основе официальной модели DeepSeek-AI. Модель предназначена для генерации текста и сохраняет архитектуру базового чекпойнта; README описывает изменение весов слоёв 10–35, нацеленное на снижение отказов. Слои 36–42 и тензоры MTP/draft оставлены как в оригинале, чтобы сохранить совместимость со спекулятивным декодированием DSpark. Указана поддержка контекста до 1 млн токенов и работа в production-конфигурации на двух DGX Spark с Anemll и vLLM. Чекпойнт рассчитан на генерацию текста, включая структурированные JSON-ответы, списки и эссе; автор приводит сравнительные тесты с официальной версией и сообщает об успешной проверке smoke-тестов. Данные метаданных указывают на FP8 safetensors и поддержку английского и китайского языков. Модель распространяется по лицензии «other» с ограниченным доступом; README отсылает к условиям доступа и ответственному использованию. Результаты бенчмарков относятся к указанной аппаратной и программной конфигурации и не гарантируют такую же производительность в других условиях.

LaBSE_geonames_RU — модель эмбеддингов предложений на базе многоязычной BERT-модели LaBSE, дообученная автором карточки на русскоязычных географических названиях из набора GeoNames cities15000. Она преобразует названия городов в плотные 768-мерные векторы и предназначена для семантического поиска и кластеризации географических названий. Метаданные указывают 498,1 млн параметров, контекст до 512 токенов и форматы PyTorch и safetensors. Модель рассчитана на работу с русскими географическими названиями; базовая LaBSE поддерживает многоязычные тексты, но специализация этого дообучения — русский. Обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Лицензия в предоставленных данных не указана.

Это плотная авторегрессионная языковая модель семейства Llama 3.1, дообученная barc0 на базе Meta-Llama-3.1-8B-Instruct. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов; для работы с весами используется Transformers и формат safetensors. Модель предназначена для генерации текста в диалоговом формате и задач транскодирования, на что указывают обучающие наборы barc0/transduction_heavy_100k_jsonl и barc0/transduction_heavy_suggestfunction_100k_jsonl. Карточка сообщает значение loss 0,0319 на оценочном наборе, но не приводит подробностей методики оценки или результатов по конкретным сценариям. У модели есть интерфейс вызова инструментов. Лицензия — Llama 3.1. Карточка не описывает ограничения и целевые языки; поэтому пригодность для конкретного языка и качество в прикладных сценариях следует проверять отдельно.

Mano-CUA-2.0-4B — визуально-языковая модель агента для управления графическим интерфейсом, разработанная в рамках открытой серии Mano компанией Mininglamp. Она дообучена на базе Qwen/Qwen3-VL-4B и предназначена для автономного выполнения сложных операций в настольных приложениях: навигации по интерфейсу, переноса данных между источниками, прохождения многоэтапных бизнес-процессов и подготовки структурированных отчетов. Модель принимает текстовые инструкции и изображения экрана, а действия описывает структурированным XML, включая координаты элементов интерфейса. В основе — плотная архитектура Qwen3-VL с генерацией текста и визуальным пониманием. README описывает цикл рассуждения «think-act-verify» и обучение в три этапа: SFT, offline RL и online RL. Представленная версия — fp16; для нее заявлены сценарии GPU-инференса и повторной квантизации. В README также упомянуты оптимизации для периферийных устройств и требования macOS с Apple Silicon M1 или новее и Python 3.12 или новее. Модель ориентирована на применение в автоматизации интерфейсов, где нет API для взаимодействия с приложениями. Качество выполнения зависит от визуальной интерпретации экрана и корректности действий агента; README не приводит количественных оценок качества. Лицензия — Apache-2.0.