I.3Извлечение и структурирование данных

Модель rangacharysrinivasan/electra-small-discriminator-finetuned-squad — компактная версия ELECTRA, разработанная на базе google/electra-small-discriminator и дообученная на датасете SQuAD для ответов на вопросы по предоставленному тексту. Она использует плотную архитектуру ElectraForQuestionAnswering, содержит 20,4 млн параметров и принимает контекст до 512 токенов. Модель подходит для извлечения ответов из англоязычных фрагментов текста в системах поиска и обработки документов. В карточке приведён результат оценки на тестовой выборке SQuAD: loss 1,1658. Доступна в формате PyTorch; лицензия — Apache-2.0.

Elva-Phi3-3.8B — мультимодальная модель семейства LLaVA-Phi, представленная в работе «On Efficient Language and Vision Assistants for Visually-Situated Natural Language Understanding: What Matters in Reading and Reasoning». Она предназначена для диалогового понимания изображений, включая чтение текста на изображениях и рассуждения по визуально представленным данным. Модель содержит 3,7 млрд параметров, использует плотную архитектуру LlavaPhiForCausalLM и принимает контекст длиной до 4096 токенов. Репозиторий содержит веса в формате safetensors. Лицензия в доступных данных не указана.

EraX-VL-2B-V1.5 — мультимодальная модель на базе Transformer, разработанная командой EraX и Bamboo Capital Group на основе Qwen/Qwen2-VL-2B-Instruct. Модель дообучена для распознавания текста и ответов на вопросы по изображениям, особенно на вьетнамском языке; поддерживает также английский и китайский. Она предназначена для работы с документами, включая удостоверения личности, водительские права, свидетельства о рождении, счета и медицинские записи, а также для диалоговых запросов по изображениям. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2-VL и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы. Заявлен контекст до 32 768 токенов, а также поддержка многошаговых вопросов и ответов. Это мультимодальная языковая модель, поэтому для извлечения данных результат зависит от точности формулировки запроса; модель не является специализированным OCR-движком. Авторы отмечают, что она не обучалась на рентгеновских снимках или данных об автомобильных авариях. Лицензия — Apache 2.0.

GLiNER-BioMed — модель GLiNER, дообученная Mujtaba Hussain на 75 491 клиническом упоминании сущностей из текстов электронных медицинских карт. Она предназначена для извлечения клинических сущностей с открытым набором меток и в режиме zero-shot, в том числе по категориям, связанным с таксономией SNOMED CT. Модель распознаёт заболевания, клинические признаки, процедуры, анатомические структуры, лекарства и диагностические измерения; в карточке также описана интеграция с извлечением отношений между сущностями. В README приведены результаты проверки на размеченных клинических данных: полнота 86,52%, точность 69,26% и Macro-IoU 0,8412. Указана работа на CPU с параллелизмом AVX2 и ориентировочная задержка около 120 мс на клиническую запись. Это специализированная модель для клинического NLP, а не система для постановки диагноза; точность зависит от данных и разметки. Репозиторий распространяется по лицензии Apache 2.0.

GLM-OCR Farsi — дообученная модель распознавания текста на изображениях на основе zai-org/GLM-OCR размером около 0,9 млрд параметров. Разработчик дообучил языковую часть, а затем совместно обучил vision-часть, projector и языковую модель для распознавания персидского (фарси) текста. Модель предназначена для OCR рукописей и документов на фарси с использованием официального текстового промпта GLM-OCR. Она принимает изображение и выдаёт распознанный текст; для полного разбора структуры и расположения элементов документа README рекомендует использовать GLM-OCR SDK вместе с этим чекпойнтом как моделью распознавания. Для запуска требуется Transformers версии 5 или новее с поддержкой glm_ocr. Модель основана на GLM-OCR, использует архитектуру GLM OCR и распространяется в формате Safetensors. Лицензия — MIT. В карточке не приведены измерения качества на независимом тестовом наборе; оценка eval loss во время обучения сама по себе не подтверждает точность распознавания в реальных сценариях.

Это дообученная на наборе SQuAD модель GPT-2 Large с головой для извлечения ответов на вопросы. Она предназначена для ответов на вопросы по предоставленному тексту: модель определяет фрагмент текста, который отвечает на вопрос. Используйте её для поиска ответов в контексте, например, в справочных материалах и документах на английском языке. Модель построена на архитектуре GPT-2 и принимает текст, выдавая текстовый ответ. Длина контекста составляет 1024 токена. Весы опубликованы в формате PyTorch. Лицензия — MIT. README не содержит сведений о дополнительных оценках качества или ограничениях применения.

Healthcare Brain Medication NER — модель Genzeon Platforms для извлечения сведений о лекарствах из неструктурированного клинического текста. Это модель классификации токенов на основе Bio_ClinicalBERT с разметкой BIO; она содержит 135,5 млн параметров и принимает контекст до 512 токенов. Модель выделяет 12 категорий сущностей, включая названия препаратов, дозировки, концентрации, лекарственные формы, пути и частоту введения, длительность курса, побочные реакции и коды лекарств. Модель предназначена для обработки медицинских записей, выписок, клинических заметок и свободно сформулированных назначений. Её можно применять для структурирования назначений, сверки лекарственной терапии, поиска лекарственно-связанных нежелательных реакций и подготовки данных для клинических исследований. Карточка сообщает об английском языке и обучении преимущественно на синтетических клинических примерах, а также о поддержке корпусов n2c2 2018, i2b2 2009 и BC5CDR. Лицензия — Apache-2.0. В README приведены метрики на тестовых данных, однако автор предупреждает, что перенос на разнообразную реальную клиническую документацию может отличаться из-за синтетического смещения обучающих данных. Возможны ошибки границ составных названий препаратов и неоднозначность между показанием и побочной реакцией; для распознавания кодов NDC и RxNorm обычно нужен соответствующий контекст. Для клинических решений рекомендуется проверка специалистом.

Healthcare Brain Vitals NER — модель распознавания именованных сущностей, разработанная Genzeon Platforms на базе Bio_ClinicalBERT и дообученная для извлечения показателей жизнедеятельности и измерений из клинического текста. Это модель архитектуры BERT с 135,5 млн параметров, предназначенная для использования в системах Transformers; она размечает текст по 15 категориям сущностей с BIO-тегами, включая артериальное давление, пульс, частоту дыхания, температуру и SpO2. Модель помогает структурировать показатели из сестринских записей, заметок сортировки в отделениях неотложной помощи и врачебных записей, а также обогащать электронные медицинские карты и извлекать данные для клинической аналитики. По README, общий micro F1 составляет 0,9545 при строгом совпадении типа и границ сущности. Модель рассчитана на английские клинические тексты и контекст до 512 токенов; для более длинных документов рекомендуется обработка перекрывающимися фрагментами. Качество может снижаться на неклиническом тексте, а редкие измерения могут не входить в поддерживаемые категории. Лицензия Apache-2.0.

Hermes 2 Pro BakLLaVA — объединённая мультимодальная модель vonjack на архитектуре LlavaForCausalLM с языковой частью Mistral и компонентами mm_projector и vision_tower от BakLLaVA. Она содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов; веса опубликованы в формате safetensors. Модель предназначена для диалогов и выполнения инструкций, ответов на вопросы по изображениям, вызова функций и генерации JSON. В карточке заявлены хорошие результаты в QA, function calling, JSON mode и работе с изображениями; среди языков указан английский. Использование разрешено по лицензии Apache-2.0.

InfiniteVL-LongSFT — мультимодальная модель семейства InfiniteVL, разработанная исследователями Huazhong University of Science and Technology и Horizon Robotics. Она предназначена для диалогового понимания изображений и видео, ответов на визуальные вопросы, распознавания текста, интерпретации диаграмм и описания сцен. В README указана архитектура с визуальным энкодером на основе Qwen2.5-VL, проекционным MLP и декодером, который сочетает Sliding Window Attention и Gated DeltaNet. Модель содержит 3,1 млрд параметров, использует формат safetensors и библиотеку Transformers. В метаданных указан контекст 128 000 токенов; авторы также сообщают об экспериментах на последовательностях свыше 500 000 токенов, постоянном объёме памяти для длинного контекста и потоковой обработке видео. README описывает двухэтапное обучение, включая дистилляцию от Qwen2.5-VL и последующее instruction SFT, но точная связь именно этого чекпойнта с базовой моделью в метаданных не приведена. Лицензия — Apache-2.0. Заявления о скорости и качестве основаны на результатах авторов и зависят от сценария и оборудования.

Это текстовая инструкционная модель LFM2.5-1.2B-Instruct, изменённая Ричардом Янгом с помощью Heretic: из неё удалено направление активаций, связанное с отказами, без переобучения. Модель имеет плотную гибридную архитектуру с блоками свёртки и внимания и предназначена для локального запуска на устройствах с ограниченными ресурсами. В метаданных указано 1,5 млрд параметров и контекст до 128 000 токенов; карточка базовой модели приводит 1,17 млрд параметров и контекст 32 768 токенов. Модель подходит для диалога, творческого письма, учебных экспериментов с выравниванием и локального выполнения инструкций, которым исходная модель могла отказать. В карточке приведён результат теста отказов: 3 из 100 запросов против 98 из 100 у исходной модели; это не гарантирует поведение на других запросах. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Лицензия в метаданных обозначена как other; конкретные условия следует сверять с карточкой репозитория.

Это перенос мультимодальной модели LLM-jp-4-VL-9B-beta в формат MLX, выполненный tokimoa. Модель объединяет языковую часть Llama с визуальным кодировщиком SigLIP и предназначена для диалога и ответов на вопросы по изображениям, включая понимание японских деловых документов. Она принимает изображения и текстовые запросы и генерирует текст; заявлена поддержка японского и английского языков. В README описан перенос весов BF16 без квантизации и приведены результаты проверки на шести вопросах по пяти типам японских документов: ответы совпали с официальной реализацией Transformers при одинаковых настройках предобработки и генерации. На M4 Max указаны скорость генерации 17,9 токена/с и пиковое потребление памяти 20,6 ГБ. Для работы требуется mlx-vlm версии 0.6.8 или новее. Лицензия — Apache-2.0, согласно README она соответствует лицензии исходной модели.

Med Doc Classifier — компактная модель классификации медицинских документов, разработанная Eka Care. Это encoder-only модель примерно на 96 млн параметров на основе визуального backbone SigLIP2-base. За один проход она относит изображение к одному из 27 классов в двухуровневой иерархии: от широкой группы до конкретного типа документа; также определяет, относится ли содержание к медицине и является ли документ рукописным. Модель предназначена для автоматической сортировки и предварительной разметки изображений медицинских документов. По внутреннему тесту на 16 204 изображениях точность классификации 27 классов составила 96,45%, а Macro-F1 — 0,965 для bf16; для int8 показатели практически не меняются, а int4 снижает точность примерно на один процентный пункт. Поддерживаются форматы safetensors и загрузка через Transformers с `trust_remote_code=True`. Модель создана дистилляцией ансамбля специализированных моделей в компактную student-модель. Репозиторий распространяется по лицензии Apache-2.0. Классификатор рассчитан на медицинские документы; точность на других типах изображений в карточке не подтверждена.

MiniCPM-V 2.6 — мультимодальная модель OpenBMB для понимания изображений и видео. Представленная версия — GGUF-квантизация, подготовленная bartowski на основе llama.cpp, предназначенная для локального запуска, в частности через LM Studio версии 0.3.0 и выше. Модель сочетает визуальный компонент SigLip-400M и языковую модель Qwen2-7B, всего около 8 миллиардов параметров. Она поддерживает мультиязычные сценарии, обработку одного и нескольких изображений, диалоговое рассуждение по изображениям и анализ видео. Модель принимает изображения с произвольным соотношением сторон и разрешением до 1,8 млн пикселей, например 1344×1344, а также ориентирована на задачи OCR. Сильными сторонами заявлены улучшенное качество по сравнению с MiniCPM-Llama3-V 2.5, понимание нескольких изображений, работа с видео и высокое качество распознавания текста. README также заявляет превосходство в понимании одиночных изображений над рядом популярных моделей, однако эти результаты приведены без подробностей о методике оценки. Ограничения включают возможную неточность или неподходящее содержание ответов, характерные для генеративных моделей. Лицензия в README не указана.

MiniLM-searchkeys — англоязычный энкодер Sentence Transformers, дообученный Saber Zahhar, Nédra Mellouli, Christophe Rodrigues и Nicolas Travers в рамках SearchKeys для многодоменного ранжирования ключевых фраз. Модель кодирует документ и кандидаты ключевых фраз в общее 384-мерное пространство; косинусное сходство служит оценкой релевантности, в том числе для фраз, которых буквально нет в документе. Модель предназначена для ранжирующего компонента конвейера предсказания ключевых фраз с поиском по размеченному корпусу: кандидаты сначала извлекаются, например BM25-поиском по близким документам, а затем сортируются по эмбеддинговому сходству, при необходимости с учётом частоты кандидата. Обучение объединяет датасеты компьютерной науки, биомедицины и новостей, поэтому модель рассчитана на эти три области. Это BERT-подобная модель на базе sentence-transformers/all-MiniLM-L12-v2 с 40 млн параметров; принимает текст и возвращает эмбеддинги. Контекст составляет 512 токенов, более длинный текст обрезается. Лицензия — CC; точный вариант лицензии в предоставленных данных не уточнён.

Mirza-GEC-Gemma4-E4B-Editor-E3-BF16 — дообученная мультимодальная модель taharmasmaliyev07 на базе unsloth/gemma-4-E4B-it. Она предназначена для диалогового взаимодействия и генерации текста по текстовым и визуальным входам, включая анализ изображений и документов. Модель использует плотную архитектуру Gemma 4 и распространяется в формате safetensors. Модель лицензирована по Apache-2.0. В README указано, что при обучении использовались Unsloth и библиотека Hugging Face TRL; подробности специализированной задачи GEC и редакторского сценария не раскрыты.

AndrewChar/model-QA-5-epoch-RU — русскоязычная модель для ответов на вопросы по предоставленному контексту. Это дообученная модель семейства DistilBERT с головой DistilBertForQuestionAnswering, созданная на основе AndrewChar/diplom-prod-epoch-4-datast-sber-QA и обученная на датасете SberSQuAD. Модель принимает вопрос и контекст и извлекает из контекста ответ; длина контекста ограничена 512 токенами. На оценочном наборе указаны exact match 54,586 и F1 73,644. Модель опубликована в формате TensorFlow. Карточка описывает её как дипломную работу; лицензия в доступных данных не указана.

Карточка модели abhi0127/moondream2 на Hugging Face совпадает с карточкой ThomasSimonini/Moondream2-streaming, поэтому описание составлено по ней. Moondream2-streaming — компактная плотная визуально-языковая модель семейства Moondream, опубликованная ThomasSimonini. Она предназначена для эффективного запуска на периферийных устройствах и отвечает на текстовые вопросы по изображениям, в том числе помогает читать документы и считать объекты. В карточке приведены результаты на VQAv2, GQA, TextVQA, DocVQA, TallyQA и POPE; репозиторий содержит варианты safetensors и GGUF F16. Модель принимает изображение вместе с текстовым запросом и выдаёт текстовый ответ. Для использования указан стек Transformers и einops. Версия модели обновляется, поэтому для воспроизводимости README рекомендует закреплять конкретный релиз. Лицензия — Apache-2.0.

OpenASR/moss-transcribe-diarize — модель MOSS-Transcribe-Diarize, разработанная командой OpenMOSS-Team и адаптированная OpenASR для локального запуска. Она объединяет автоматическое распознавание речи и диаризацию говорящих в одном проходе: формирует расшифровку, определяет говорящих и указывает временные интервалы их реплик. Модель предназначена для обработки аудиозаписей встреч, интервью, разговоров и других многоголосых сценариев, где важно понимать, кто и когда говорил. Модель содержит около 0,9 млрд параметров. Её архитектура сочетает аудиоэнкодер масштаба Whisper Medium, адаптер на базе MLP и LayerNorm и декодер масштаба Qwen3-0.6B. Основной фокус — китайский и английский языки; также заявлена поддержка ещё более 15 языков. Контекстное окно в README не указано. Для OpenASR доступны варианты fp16, q8_0 и q4_k в формате .oasr, позволяющие выбирать между качеством, размером и требованиями к памяти. Заявлены показатели 2,52% CER для китайского и 2,23% WER для английского на фиксированных оценочных наборах OpenASR. К сильным сторонам относятся совместная транскрипция и диаризация без отдельного конвейера, локальная работа на CPU и GPU без Python во время инференса и несколько уровней квантования. Ограничения включают отсутствие подробных данных о качестве на других языках и неуказанный контекст; приведённые метрики не следует автоматически распространять на любые аудиозаписи. Распространение выполняется по лицензии Apache-2.0, унаследованной от исходной модели; OpenASR выполняет конвертацию формата, квантование и адаптацию для локального инференса.

Это модель распознавания именованных сущностей для исторических газет, разработанная проектом Impresso. Она дообучена на основе jhu-clsp/mmBERT-base на наборе impresso-project/ner-augmentation для задачи HIPE-2022 и входит в конвейер Impresso NER. Модель использует архитектуру ModernBERT с 306,9 млн параметров и принимает последовательности длиной до 8192 токенов. Она размечает текст по схеме IOB2, выделяя персон, организации, места, продукты и временные выражения. Поддерживаются французский, немецкий и английский языки; для немецкого в README приведены результаты на тестовом наборе HIPE 2020, включая entity-level F1 0,7950. Модель подходит для извлечения сущностей из исторических газетных текстов. Вес опубликован в формате safetensors; лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные работы на тех же условиях с ограничением некоммерческого использования.

Модель Ooredoo Stamp Detection Model разработана V. Hisamutdinovs для Ooredoo-Group. Это дообученная YOLOS Small с 28,3 млн параметров, предназначенная для обнаружения и локализации печатей на документах. Модель принимает RGB-изображения и выдаёт рамки объектов с оценками уверенности; распознаёт один класс — печать. Модель обучена на 350 изображениях с 711 размеченными рамками в формате COCO, собранных из набора Kaggle и датасетов Hugging Face. Карточка заявляет высокую точность и быстрое выполнение, однако результаты могут меняться в зависимости от типа документа, а качество зависит от предварительной обработки изображений. Модель специализирована на поиске печатей, а не на распознавании текста внутри них. Лицензия — Apache-2.0.

PaliGemma 2 3B Mix 224 — мультимодальная модель Google на основе Gemma 2 и SigLIP, принимающая изображение и текст и генерирующая текст. Версия Mix объединяет несколько вариантов обучения для разных задач компьютерного зрения и языка; модель рассчитана прежде всего на дообучение под специализированные сценарии. Она подходит для создания подписей к изображениям, визуальных ответов на вопросы, чтения текста на изображениях (OCR), обнаружения и сегментации объектов. Также семейство предназначено для подписей к коротким видео и специализированных задач, например анализа снимков дистанционного зондирования, интерфейсов или научных изображений. Карточка подтверждает поддержку нескольких языков, но не перечисляет их коды. Репозиторий использует формат safetensors и библиотеку Transformers. Модель лучше работает с ясными инструкциями; качество в режиме без дообучения может уступать моделям, созданным для универсального общения. Она не является многоходовым чат-ботом и может ошибаться в фактах, рассуждениях и понимании языковых нюансов. Возможны смещения и генерация вредного или вводящего в заблуждение текста. Лицензия — gemma; применение регулируется условиями и политикой использования Gemma.

PantryMax SmolVLM-500M ONNX v2 — браузерная ONNX-модель для локального извлечения данных с этикеток товаров и страниц рецептов. Это дообучение LoRA модели HuggingFaceTB/SmolVLM-500M-Instruct, выпущенное командой PantryMax и предназначенное для работы через ONNX Runtime Web. В приложении PantryMax выбранный сценарий — товар или рецепт — задаёт схему JSON, которой ограничивается декодирование. Модель анализирует изображение и формирует структурированный текстовый результат; поддержка мультиязычности заявлена в метаданных, но конкретные языки не перечислены. Архитектура относится к Idefics3, размер базовой модели — 500 млн параметров. Репозиторий содержит браузерные runtime-артефакты в формате ONNX. Структурированное декодирование помогает получать разбираемый JSON, но не гарантирует фактическую точность: извлечённые значения следует проверять. Модель предназначена для обычных пользовательских сценариев и не должна служить основанием для решений с высокими ставками. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

google/pix2struct-screen2words-base — модель Google семейства Pix2Struct для понимания визуально представленного текста и элементов интерфейса. Это базовая версия Pix2Struct с архитектурой «кодировщик изображений — декодер текста», доступная в формате PyTorch и предназначенная для генерации текстовых ответов по изображению. Модель принимает изображение экрана и может отвечать на вопросы о его содержимом, например распознавать слова и подписи в интерфейсе. Pix2Struct предварительно обучали преобразовывать замаскированные снимки веб-страниц в упрощённый HTML; подход рассчитан на разнообразные задачи визуального понимания. В семействе используется представление изображений с переменным разрешением, а языковая подсказка может быть встроена непосредственно в изображение. В метаданных указаны английский, французский, румынский и немецкий языки. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает отдельные ограничения именно этой версии; качество ответов может зависеть от читаемости и состава содержимого снимка экрана.

pko-t5-base — корейская языковая модель семейства T5 v1.1, разработанная PAUST. Она обучена на корейских текстах из Namuwiki, Википедии и корпуса 모두의말뭉치 с помощью задачи span corruption без учителя. Для токенизации применяется BBPE без OOV-токенов; модель доступна для работы через Transformers как T5ForConditionalGeneration. Модель служит базой для дообучения под конкретные задачи обработки корейского текста, включая классификацию, семантическую оценку, распознавание именованных сущностей, анализ отношений, синтаксический разбор и ответы на вопросы. В README приведены результаты одноцелевого дообучения на наборах KLUE. Размер в метаданных указан как 137,8 млн параметров; README приводит для версии base другое значение — 250 млн. Лицензия — CC BY 4.0.

Модель ohkwon/Qwen3-0.6B-JSON-SFT-GRPO — дообученная компактная языковая модель семейства Qwen3 с архитектурой Dense и 507,9 млн параметров. Она основана на NotoriousH2/Qwen3-0.6B-JSON-SFT и предназначена для генерации текста, в частности для извлечения сведений из корейских протоколов совещаний и их представления в формате JSON. Модель поддерживает контекст до 40 960 токенов и имеет разговорный интерфейс. Модель опубликована под лицензией Apache-2.0. В карточке указано, что обучение проводилось с использованием Unsloth и библиотеки TRL; деталей о качестве, оценке и устойчивости генерации JSON не приведено.

Qwen3-14B-DAG-Reasoning — экспериментальная специализированная языковая модель от Sequelbox для причинно-следственного анализа и построения ориентированных ациклических графов (DAG). Она дообучена на Qwen/Qwen3-14B на наборе данных Sequelbox, сформированном с помощью DeepSeek R1 0528, и использует архитектуру Qwen3 с 14 млрд параметров. Модель принимает текст и обычно выдаёт структурированный JSON с узлами и связями графа, который можно использовать для визуализации или дальнейшего анализа. Модель рассчитана на многошаговые рассуждения в областях программирования, науки, бизнеса, экономики, финансов, права, логистики и управления. Для запроса графа или анализа следует явно попросить его в сообщении; при неясном запросе модель может ответить в обычном стиле Qwen3. Контекст составляет до 40 960 токенов. Для применения в продуктивных системах автор рекомендует проверять структуру выходных данных. Лицензия — Apache-2.0.

Qwen3.8-27B-OrcaRouter-GSQ-RCO-IQ3_XXS-Uncensored — это 3-битная GGUF-квантизация базовой модели Qwen3.8-27B, подготовленная RentedNoodle на основе uncensored-чекпойнта orcarouter/Qwen3.8-27B-Uncensored. Это не новая дообученная модель: снижение отказов унаследовано от OrcaRouter, а квантизация выполнена с использованием методологии GSQ/RCO, разработанной ISTA-DASLab. Модель распространяется под лицензией Apache-2.0. Модель предназначена для генерации текста, рассуждений, работы с инструментами и мультимодальных сценариев с изображениями. Поддерживаются английский и китайский языки. Архитектурное окно контекста составляет 262 тысячи токенов, однако поставляемый профиль рассчитан на 32 тысячи токенов. Модель имеет размер около 9,75 GiB, использует квантизацию IQ3_XXS примерно на 3,06 бит на вес, а MTP draft head сохранён в формате Q6_K для speculative decoding. Для работы с изображениями требуются отдельные projector-файлы. Сильные стороны модели — возможность запуска на одной видеокарте с 16 ГБ VRAM, сохранённая поддержка MTP, хорошие результаты на извлечении данных из длинного контекста, GPQA-Diamond и TruthfulQA, а также отсутствие избыточных отказов в тесте XSTest. Ограничения включают потери качества, типичные для сильной 3-битной квантизации, неполную надёжность вызова инструментов и зависимость intended tool-use и reasoning-поведения от специального шаблона froggeric-qwen3.8-tool-use.jinja. Результаты тестов зависят от конфигурации llama.cpp, параметров запуска и используемого шаблона; заявленная «uncensored» направленность не гарантирует универсальное выполнение любых запросов.

Heretic-org/Qwen-3-VL-2B-Instruct-heretic — мультимодальная чат-модель с архитектурой Qwen3-VL, созданная как декензурированная версия Qwen/Qwen3-VL-2B-Instruct методом abliteration. Она принимает текст и изображения и формирует текстовые ответы; карточка также заявляет возможности работы с видео, OCR, пространственным рассуждением и визуальными интерфейсами. Модель рассчитана на диалог по изображениям, распознавание текста и объектов, понимание видеосцен и выполнение задач по визуальным интерфейсам. В README приведено сравнение отказов: 4 из 100 у этой версии против 97 из 100 у исходной модели; также указано значение KL-дивергенции 0,0627. Репозиторий содержит веса safetensors для Transformers и распространяется по лицензии Apache-2.0.

Qwen3-VL-4B-Heretic — модифицированная сообществом версия мультимодальной модели Qwen3-VL-4B-Instruct от Qwen. Авторы применили оптимизатор Heretic для ослабления механизмов отказа; опубликованный вариант t122 выбран среди четырёх экспериментальных вариантов как вариант с наименьшим сдвигом относительно базовой модели. Это плотная модель примерно на 4 млрд параметров с архитектурой Qwen3-VL: языковой частью и энкодером изображений. Репозиторий содержит веса BF16 для Transformers и vLLM, сохраняя поддержку зрения; заявленный основной сценарий — диалог с анализом изображений и видео, включая OCR и визуальные рассуждения, унаследованные от базовой модели. В приведённых авторами испытаниях t122 достиг 100% выполнения запросов из набора HarmBench, тогда как базовая модель выполнила 30,8%; это означает существенное ослабление защитных отказов и позволяет использовать модель для ответов на запросы, которые базовая версия могла бы отклонить. На MMLU и HellaSwag результаты близки к базовой модели, а GSM8K снизился на 1,83%. Лицензия — Apache-2.0. Модель унаследовала ограничения Qwen3-VL-4B-Instruct; изменение поведения не гарантирует полного устранения отказов во всех контекстах.