I.3Извлечение и структурирование данных

Модель nielsr/layoutlmv2-finetuned-funsd разработана на основе microsoft/layoutlmv2-base-uncased и дообучена на наборе FUNSD для классификации токенов в документах. Архитектура LayoutLMv2 сочетает текст, изображение документа и расположение текстовых фрагментов; модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Основной сценарий — извлечение и разметка сущностей в формах и других документах, подобных примерам FUNSD. Модель подходит для выделения полей и элементов текста на изображении документа, но качество на иных типах документов и языках может отличаться; сведений об оценках качества в карточке нет. Веса доступны в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

NLPmonster/layoutlmv3-for-receipt-understanding — дообученная модель для извлечения и классификации элементов текста в чеках. Она основана на мультимодальном LayoutLMv3-base от Microsoft и предназначена для анализа распознанного текста с учётом его расположения и изображения документа. Модель содержит 151,8 млн параметров, использует библиотеку Transformers и принимает контекст длиной до 514 токенов. В README приведены результаты оценки: F1 0,9692, точность 0,9625 и полнота 0,9759; набор данных и состав извлекаемых полей не раскрыты. Модель опубликована в формате safetensors по лицензии CC BY-NC-SA 4.0, которая предусматривает некоммерческое использование и распространение производных материалов на тех же условиях.

lift-bf16 — конверсия модели Datalab lift от сообщества mlx-community для запуска на Apple Silicon через mlx-vlm. Это плотная vision-language модель семейства Qwen3.5 с 9 млрд параметров: она принимает PDF или изображения документов и извлекает данные в JSON по заданной схеме. Поддерживаются чатовый интерфейс и структурированный вывод; в сервере MLX-VLM JSON Schema применяется при декодировании, чтобы обеспечить корректный формат и типы полей. Репозиторий содержит веса bf16 в формате MLX и safetensors без квантизации; размер весов около 18 ГБ. Модель подходит, например, для извлечения полей из счетов и разбора документов, где требуется результат по заранее заданной схеме. В README для исходной модели lift приведён результат 90,2% по полям и 20,9% по полному документу на бенчмарке Datalab из 225 документов; это не отдельная оценка данной конверсии. Указанные в README скорость и пиковая память получены на одном тесте извлечения счета и не являются полноценным бенчмарком. Исходные веса выпущены Datalab, а lift-bf16 — неофициальная конверсия сообщества. Указана лицензия OpenRAIL. Для запуска требуется примерно 18 ГБ памяти только под веса; фактическая потребность зависит от окружения и входных данных.

LiLT-SER-IT — дообученная kavg модель на базе nielsr/lilt-xlm-roberta-base для классификации токенов в документах. Модель использует архитектуру LiLT с XLM-RoBERTa и рассчитана на извлечение структурированной информации с учётом текста и его расположения на странице; обучалась на наборе данных XFUND. Размер модели — 305,2 млн параметров, контекст — 514 токенов. В README приведены результаты на оценочном наборе: F1 0,758, точность 0,726, полнота 0,793 и accuracy 0,769. Модель распространяется по лицензии MIT. Подробные сведения о целевых метках и ограничениях применения в карточке не раскрыты.

LiLT-SER-JA — дообученная модель на основе nielsr/lilt-xlm-roberta-base, созданная для классификации токенов в документах. Она использует архитектуру LiLT с XLM-RoBERTa и предназначена для извлечения структурированной информации из документов с учётом текста и его расположения на странице. Модель обучена на датасете XFUND; карточка приводит на оценочной выборке F1 0,7928, precision 0,7244 и recall 0,8755. Доступна в формате Safetensors, имеет 305,2 млн параметров и контекст до 514 токенов. Лицензия — MIT. README не раскрывает подробности разметки и целевых типов сущностей.

LiLT-SER-PT — модель Kavg, дообученная на nielsr/lilt-xlm-roberta-base на датасете XFUND. Она предназначена для токенной классификации в документах: извлечения и разметки сущностей в тексте с учётом расположения элементов на странице. Модель построена на архитектуре LiLT с XLM-RoBERTa, содержит 305,2 млн параметров и рассчитана на контекст до 514 токенов. В карточке приведены результаты оценки на тестовой выборке: F1 0,7264, точность 0,7710, полнота 0,7551. Модель распространяется по лицензии MIT. Карточка не уточняет языки обучения и известные ограничения качества.

mBERT-Bengali-NER — модель распознавания именованных сущностей в бенгальском тексте, разработанная Sagor Sarker на основе bert-base-multilingual-uncased и обученная на датасете WikiAnn. Это трансформер BERT с архитектурой BertForTokenClassification, рассчитанный на классификацию каждого токена; контекст модели составляет 512 токенов, размер — около 194,6 млн параметров. В опубликованной оценке указаны F1 0,971, точность 0,968, полнота 0,974 и accuracy 0,977. Модель подходит для извлечения имён людей и других размеченных сущностей из бенгальских текстов, например для последующего индексирования или анализа документов. Карточка показывает метки PER, а полный набор меток в предоставленном фрагменте приведён не полностью. Для использования нужны Transformers и PyTorch; веса доступны в форматах PyTorch и Safetensors. Лицензия — MIT.

Triplit Critic — мультиязычная модель Babelscape для оценки и фильтрации триплетов отношений, представленная в статье RED^FM на ACL 2023. Она основана на mdeberta-v3-base и обучалась на данных для фильтрации триплетов и наборе XNLI. Модель содержит две классификационные головы; стандартная загрузка через библиотеку Hugging Face использует голову бинарной классификации для фильтрации триплетов, а для работы с XNLI требуется специальный скрипт. Модель выдаёт оценку уверенности для триплета: положительный класс Label_1 используется как оценка достоверности, а в SREDFM авторы применяли порог 0,75. Архитектура DeBERTa-v2, около 306 млн параметров, контекст до 512 токенов. В карточке перечислена поддержка арабского, французского, испанского, немецкого, греческого, болгарского, русского, турецкого, вьетнамского, тайского, китайского, хинди и урду. Лицензия в предоставленных данных не указана.

mrm8488/mobilebert-finetuned-ner — англоязычная модель распознавания именованных сущностей, созданная дообучением MobileBERT для классификации токенов. Она предназначена для выделения в тексте сущностей и присвоения им меток в сценариях извлечения информации. Модель содержит 59,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в формате PyTorch. Компактная архитектура MobileBERT рассчитана на более эффективное выполнение задач обработки языка, чем крупные модели BERT. Карточка Hugging Face предлагает запускать её через Transformers с задачей token-classification. Модель распространяется по лицензии MIT. Подробности о наборе меток и оценках качества в доступных источниках не приведены.

IsmaelMousa/modernbert-ner-conll2003 — англоязычная модель распознавания именованных сущностей, созданная дообучением answerdotai/ModernBERT-base на наборе CoNLL2003. Она размечает текст, выделяя упоминания людей, организаций и мест, и предназначена для извлечения таких сущностей из обычного английского текста. Модель построена на архитектуре ModernBERT для классификации токенов, содержит 149 млн параметров и поддерживает контекст до 8192 токенов. В README приведены результаты на оценочной выборке CoNLL2003: F1 0,8455, точность 0,8349, полнота 0,8563 и accuracy 0,9752. Для запуска указана библиотека Transformers; лицензия — Apache-2.0.

MonkeyOCR — модель для разбора документов, разработанная авторами Zhang Li и соавторами. Она использует парадигму Structure-Recognition-Relation: определяет структуру страницы, распознаёт содержимое и устанавливает отношения между элементами, формируя результат в Markdown. Модель принимает изображения документов и страницы PDF; для обработки PDF и каталогов с файлами в README описаны локальный запуск, API и демонстрационный интерфейс. MonkeyOCR предназначена для разбора китайских и английских документов. В карточке описаны варианты семейства на 1,2 млрд и 3 млрд параметров; для версии pro-1.2B заявлены более высокая скорость и сопоставимые результаты с вариантом pro-3B. Репозиторий содержит веса в формате safetensors и библиотеку MonkeyOCR. Авторы отмечают ограничения при работе с фотографиями текста, рукописным содержимым, традиционными китайскими и многоязычными текстами. Использование заявлено для академических исследований и некоммерческих целей.

Learner-sai/muril-ner-multilingual-v2 — модель для классификации токенов, дообученная на базе google/muril-base-cased. Архитектура — BERT с 264,8 млн параметров; модель принимает текст и выдаёт метки для его токенов. Контекст ограничен 512 токенами. По названию репозитория модель предназначена для распознавания именованных сущностей в многоязычном тексте. В README указаны результаты на оценочном наборе: F1 0,7682, точность 0,7501 и полнота 0,7872; набор данных обозначен как None, поэтому языковой охват и состав сущностей определить нельзя. Лицензия — Apache-2.0.

ScandiNER — модель распознавания именованных сущностей, разработанная на базе NbAiLab/nb-bert-base и дообученная для скандинавских языков. Она размечает в тексте имена людей, географические названия и организации, возвращая метки сущностей и оценки уверенности. Модель поддерживает датский, норвежский букмол и нюнорск, шведский, исландский и фарерский языки; также, по данным карточки, неплохо работает с английскими предложениями. Она основана на архитектуре BERT, содержит 205,1 млн параметров, принимает текст с контекстом до 512 токенов и распространяется под лицензией MIT. В карточке приведены результаты оценки на скандинавских наборах тестов и отмечены высокая точность, скорость и меньший размер по сравнению с указанными предыдущими системами. Результаты могут зависеть от языка и данных; модель предсказывает только три типа сущностей — людей, места и организации.

liaad/NER_harem_bert-base-portuguese-cased — модель для распознавания именованных сущностей, дообученная разработчиком на наборе данных HAREM на основе neuralmind/bert-base-portuguese-cased. Она использует архитектуру BERT для классификации токенов и предназначена для разметки сущностей в текстах на португальском языке. В карточке приведены результаты на оценочной выборке: F1 0,7106, точность (precision) 0,6853, полнота (recall) 0,7378 и accuracy 0,9522. Модель содержит 136,1 млн параметров и принимает последовательности длиной до 512 токенов. Распространяется по лицензии MIT.

NuMind NuNER-multilingual-v0.1 — мультиязычная модель на архитектуре BERT, разработанная NuMind для распознавания именованных сущностей. Это дообученная версия Multilingual BERT, обученная на искусственно размеченной мультиязычной подвыборке датасета OSCAR. Модель содержит 205,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch по лицензии MIT. Модель создаёт языко- и доменно-независимые представления для распознавания сущностей. Её эмбеддинги можно использовать напрямую или дообучить на специализированных наборах данных; заявленная область применения — извлечение сущностей в девяти языках: английском, французском, немецком, итальянском, испанском, португальском, польском, нидерландском и русском. В README приведены результаты сравнения по macro-F1, где модель превосходит базовый bert-base-multilingual-cased в описанном авторами протоколе. Карточка заявляет возможность обобщения на другие языки, поддерживаемые Multilingual BERT, однако обучение проводилось только на девяти языках. Приведённые метрики относятся к описанному протоколу оценки и сами по себе не гарантируют качество на новых доменах или языках.

NusaBert-ner-v1.3 — модель распознавания именованных сущностей, разработанная дообучением cahya/NusaBert-v1.3 на наборе grit-id/id_nergrit_corpus. Она использует архитектуру ModernBERT, содержит 160,3 млн параметров и принимает последовательности длиной до 8192 токенов. Модель размечает 19 типов сущностей в индонезийском тексте: людей, организации, географические объекты, даты и время, денежные суммы, проценты, количества, законы, события, продукты, произведения искусства, языки и другие категории. В оценке на тестовой выборке указаны F1 0,8171, точность 0,8010, полнота 0,8338 и accuracy 0,9477. Подходит для извлечения сущностей из индонезийских документов и подготовки текста к поиску или аналитике. Лицензия — MIT. Приведённые метрики относятся к указанной оценочной выборке; README не уточняет практические ограничения и подробности обучающих данных.

Omniverse-v1 — компактная визуально-языковая модель от инициативы Omniverse для интеллектуальной обработки документов. Она основана на архитектуре PaddleOCR-VL и настроена для локального извлечения данных из документов; в репозитории указаны 318,2 млн параметров, архитектура OmniverseV1ForConditionalGeneration и веса в формате safetensors. Модель принимает изображения документов и извлекает их содержимое в структурированный Markdown. Она предназначена для распознавания плотных таблиц, счетов, экзаменационных ведомостей и неструктурированных PDF, включая многостолбцовый текст, формулы и диаграммы. Для работы автор рекомендует Omniverse Python/Gradio pipeline. Карточка заявляет поддержку английского языка и контекстное окно 131 072 токена. Модель распространяется по лицензии Apache-2.0. Результаты распознавания сложной разметки и визуальных данных могут требовать проверки; подробные оценки качества и перечень поддерживаемых языков, кроме английского, в карточке не приведены.

OPENER-ZS — модель эмбеддингов для распознавания и типизации именованных сущностей в режиме zero-shot open-world NER. Её разработчик дообучил Nomic Embed Text v1.5 контрастивным обучением: сначала на фрагментах CoNLL-2003, затем с подбором сложных отрицательных примеров для типов сущностей, которые модель часто путает. Модель использует архитектуру NomicBert и создаёт векторы упоминаний в контексте, выделенных маркерами [ENT] и [/ENT], и названий типов с префиксом classification:. Контекст — до 2048 токенов. В составе конвейера OPENER детектор GLiNER-L находит упоминания, после чего OPENER-ZS сопоставляет их с прототипами названий типов по косинусному сходству. Система не требует целевых размеченных примеров: пользователь задаёт текст и возможные типы сущностей. Предусмотрены уточнение результатов по неразмеченным входным данным и объединение оценок с предсказаниями детектора. В карточке сообщается результат 39,4 end-to-end AMI на бенчмарке из 13 наборов данных и скорость около 180 мс на предложение. Модель предназначена для zero-shot извлечения и типизации сущностей с пользовательскими категориями. Это дообучение nomic-ai/nomic-embed-text-v1.5; для запуска полного конвейера требуется GLiNER-L, а для удобного использования автор предлагает пакет opener-ner. Репозиторий распространяется по лицензии MIT; базовая модель указана в README как Apache-2.0.

Ovis2.6-30B-A3B — мультимодальная большая языковая модель семейства Ovis, разработанная ATH-MaaS. Она предназначена для диалога и анализа изображений: отвечает на вопросы по документам и нескольким страницам, распознаёт текст, извлекает сведения из таблиц и диаграмм, а также рассуждает по визуальным данным. Модель использует архитектуру Mixture-of-Experts с 30 млрд параметров, из которых при генерации активны примерно 3 млрд. Карточка указывает контекст до 64 тыс. токенов и обработку изображений с разрешением до 2880×2880; метаданные каталога указывают контекст 262 144 токена. README описывает возможность активного анализа областей изображения, включая кадрирование и поворот, с помощью визуальных инструментов. Модель принимает текст и изображения и выдаёт текст. В карточке не перечислены поддерживаемые языки, поэтому языковые коды не указаны. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. README предупреждает, что разработчики не гарантируют полного отсутствия проблем с авторскими правами или нежелательного содержания.

Polygraf NER Stage 3 — англоязычная модель для распознавания и классификации именованных сущностей в тексте. Разработана в рамках технического задания Polygraf Applied NLP и дообучена целиком на наборе inovruzova/polygraf-ner-stage2-expanded на базе энкодера ELECTRA Small Discriminator от Google. Архитектура — ElectraForTokenClassification, около 20,4 млн параметров по метаданным, контекст — до 512 токенов. Модель размечает восемь типов сущностей: людей, организации, места, дату и время, продукты, произведения искусства, профессии и суммы. Выпущена в формате safetensors. Подходит для извлечения сущностей из англоязычных текстов, например для предварительной разметки документов и поиска упоминаний людей, организаций, мест, товаров или денежных сумм. На тестовой выборке указана micro-F1 0,745; качество на обучающей выборке существенно выше, что указывает на запоминание обучающих примеров. Модель часто переопределяет сущности, хуже справляется с организациями, продуктами и произведениями искусства, а её некейсированный токенизатор не использует прописные буквы как признак имени. Весы распространяются по лицензии Apache 2.0; для повторного использования обучающих данных следует отдельно учитывать условия лицензий исходных корпусов.

PP-Chart2Table — мультимодальная модель команды PaddlePaddle для разбора диаграмм на китайском и английском языках и преобразования их данных в таблицы. Она построена на архитектуре GOT с причинной языковой моделью и содержит 463,8 млн параметров; модель принимает изображение диаграммы и формирует текстовое представление извлечённых данных. В метаданных указан контекст длиной 32 768 токенов. Модель предназначена для извлечения структурированных данных из графиков и диаграмм, в том числе в составе конвейера PP-StructureV3. Разработчики сообщают о специальной обучающей задаче Shuffled Chart Data Retrieval, синтезе обучающих данных и двухэтапной дистилляции для улучшения работы с реальными данными. Эти результаты описаны как внутренние бенчмарки; независимые показатели качества в карточке не приведены. Модель опубликована PaddlePaddle под лицензией Apache-2.0. Для запуска README указывает PaddlePaddle и демонстрирует интеграцию через PaddleOCR.

PP-DocBlockLayout — модель PaddlePaddle для локализации областей контента в документах. Она обучена на собственном наборе данных с китайскими и английскими научными статьями, презентациями, журналами с разными макетами, договорами, книгами, экзаменами, старинными книгами и исследовательскими отчётами. В основе архитектуры лежит RT-DETR-L; модель определяет один класс объектов — Region. Модель предназначена для обнаружения блоков в изображениях документов как этапа анализа макета и обработки документов. В карточке указана mAP@0.5 95,9% на собственной тестовой выборке из изображений статей, журналов, газет, отчётов, презентаций, экзаменационных работ и учебников. Модель распространяется по лицензии Apache-2.0.

coder3101/Qwen2.5-VL-72B-Instruct-heretic — модифицированная версия мультимодальной модели Qwen2.5-VL-72B-Instruct от Qwen, размещённая пользователем coder3101. Это плотная instruction-tuned модель класса Qwen2_5_VLForConditionalGeneration на 71,5 млрд параметров; в репозитории веса в формате safetensors, для работы используется Transformers. Модель принимает изображения и текст и формирует текстовые ответы; базовый чекпойнт поддерживает анализ видео, однако карточка этой модификации отдельно описывает главным образом результаты ablation для отказов. Модель предназначена для диалогового анализа изображений: распознавания объектов и текста, интерпретации диаграмм и макетов, локализации объектов с координатами, а также структурированного извлечения данных из счетов, форм и таблиц. Базовое семейство также заявляет понимание длинных видео, выделение событий и визуальное управление инструментами. Контекст составляет 128 000 токенов. В приведённом сравнении показатель отказов снижен с 100 из 100 у исходной модели до 8 из 100; это указывает на ослабленное поведение отказа и требует осторожности при применении. Лицензия обозначена как other, без уточнения условий в предоставленных данных.

unsloth/Qwen2.5-VL-7B-Instruct-bnb-4bit — квантизированная 4-битная версия instruction-tuned мультимодальной модели Qwen2.5-VL-7B-Instruct, разработанной командой Qwen. Модель предназначена для задач image-text-to-text: анализа изображений и видео, ответов на вопросы по визуальному содержимому, распознавания текста, документов, таблиц, графиков, схем и макетов, а также формирования структурированных данных. Она также ориентирована на визуальную локализацию объектов, работу с интерфейсами компьютеров и мобильных устройств и агентские сценарии с использованием инструментов. Модель объединяет vision encoder и языковую модель, имеет около 7 миллиардов параметров и поддерживает динамическое разрешение изображений и частоту кадров видео. Она способна анализировать длинные видео длительностью более часа и указывать релевантные временные сегменты. Архитектурные улучшения включают оконное внимание в ViT, а также использование SwiGLU и RMSNorm в vision encoder. В README явно указан английский язык; поддержка других языков для этой версии не уточняется. Сильные стороны модели — обработка документов и OCR, понимание диаграмм и таблиц, визуальное рассуждение, локализация объектов с помощью bounding boxes или точек и выдача стабильных JSON-структур. Ограничения включают высокие требования к вычислительным ресурсам по сравнению с компактными моделями, зависимость видеообработки от корректной поддержки инструментов и отсутствие в README подробных данных о точном размере контекста и системных требованиях для 4-битной сборки. Модель распространяется по лицензии Apache-2.0.

ViFortune-AI разработала объединённую мультимодальную модель на основе языковой части Qwen3 и визуальной ветви Qwen2.5-VL-3B-Instruct. По метаданным репозитория, модель содержит 589,7 млн параметров, использует архитектуру Qwen2.5-VL и доступна в форматах PyTorch и safetensors. Она принимает изображения и текст, а также, согласно README, видео; может описывать визуальные сцены, распознавать текст и структуру документов, анализировать графики и скриншоты интерфейсов, а также формировать структурированные ответы, например данные таблиц и форм. Модель предназначена для диалоговых задач с визуальным содержимым и обработки длинного контекста. В README заявлена длина до 32 768 токенов с возможностью расширения через YaRN; метаданные каталога указывают контекст 128 000 токенов. README также описывает возможности визуального агента и использования инструментов, однако примеры и оценки качества не приведены. Основные ограничения: расширение контекста через YaRN может ухудшать пространственную и временную локализацию; обработка видео в README ограничена локальными файлами. Лицензия в предоставленных данных не указана.

Qwen3-VL-235B-A22B-Instruct-MXFP4 — вариант весов модели Qwen3-VL от команды Qwen. Это мультимодальная модель с архитектурой MoE, предназначенная для диалога и совместного понимания текста и изображений; карточка также описывает возможности работы с видео и пространственными данными. Модель может анализировать визуальные сцены, отвечать на вопросы, распознавать текст в изображениях и документах, выполнять визуальное рассуждение и взаимодействовать с интерфейсами через инструменты. В README заявлен контекст 256K токенов с возможностью расширения до 1M, а также OCR на 32 языках. Среди описанных возможностей — понимание длительного видео с привязкой событий ко времени, генерация кода и диаграмм по визуальным примерам, пространственное рассуждение и задачи STEM. Репозиторий содержит веса safetensors; метаданные указывают библиотеку Transformers и лицензию Apache-2.0. Размер MXFP4 в имени указывает на квантизованный вариант весов, однако формат MXFP4 отдельно в метаданных форматов не подтверждён.

Qwen3-VL-2B-Thinking-GGUF — мультимодальная vision-language модель серии Qwen, разработанная командой Qwen. Это GGUF-версия базовой модели Qwen3-VL-2B-Thinking, предназначенная для локального запуска через llama.cpp, Ollama и другие инструменты, совместимые с GGUF. Модель сочетает языковую модель примерно на 2 млрд параметров с vision encoder и работает с текстом и изображениями, а также поддерживает анализ видео. Релиз включает языковые веса в форматах FP16, Q8_0 и Q4_K_M и отдельный vision encoder в FP16 или Q8_0. Заявлены расширенный контекст до 256K токенов с возможностью масштабирования до 1M, визуальное и пространственное рассуждение, OCR для 32 языков, понимание документов, STEM-задач, видео и пользовательских интерфейсов. Архитектурные особенности включают Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Модель подходит для визуального вопросно-ответного взаимодействия, распознавания и структурирования текста на изображениях, анализа документов и видео, визуального рассуждения, генерации кода и задач визуального агента. Наличие нескольких уровней точности позволяет выбирать баланс между качеством, скоростью и требованиями к памяти, а поддержка CPU, NVIDIA GPU, Apple Silicon и Intel GPU упрощает локальное развертывание. Ограничения включают возможное снижение качества при квантовании, зависимость производительности от оборудования и отсутствие в README подробных числовых результатов тестирования и полного списка поддерживаемых языков. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-30B-A3B-Instruct — мультимодальная модель семейства Qwen3-VL, разработанная командой Qwen. Она принимает текст и изображения, а также анализирует видео, отвечая на вопросы и выполняя инструкции в диалоге. Модель предназначена для визуального анализа, распознавания текста на изображениях и документах, пространственных рассуждений и взаимодействия с графическими интерфейсами через инструменты. Архитектура — Qwen3-VL-MoE; обозначение модели указывает на 30 млрд параметров всего и 3 млрд активных параметров на токен. В README заявлен контекст 256 тыс. токенов с возможностью расширения до 1 млн. Модель поддерживает OCR на 32 языках, работу с видео с привязкой событий ко времени, а также генерацию кода и разметки интерфейсов по изображениям и видео. Доступна в формате safetensors и использует библиотеку Transformers. Модель подходит для визуальных вопросов и ответов, разбора документов, анализа видео и управления интерфейсами с помощью инструментов. Заявлены улучшения в распознавании деталей и пространственных отношениях, но в карточке нет численных результатов бенчмарков. Лицензия — Apache-2.0.

unsloth/Qwen3-VL-32B-Instruct — репозиторий весов мультимодальной модели Qwen3-VL, опубликованный Unsloth на основе Qwen/Qwen3-VL-32B-Instruct. Это плотная модель на 32 млрд параметров для диалога по тексту и изображениям; поддерживает визуальное понимание, OCR, рассуждения о пространстве и видео, а также интерфейс взаимодействия с инструментами. Модель рассчитана на анализ документов и сцен, распознавание элементов графического интерфейса, ответы на вопросы по визуальным материалам и генерацию кода или разметки по изображениям и видео. README указывает контекст 256 тысяч токенов с возможностью расширения до 1 млн и OCR на 32 языках. Репозиторий содержит веса safetensors и исправления шаблона чата Unsloth. Лицензия — Apache-2.0. README не приводит отдельные результаты тестирования этой конкретной сборки, поэтому заявления о превосходстве квантованных вариантов не подтверждают качество данного репозитория. Для запуска с llama.cpp README рекомендует параметр --jinja.

Qwen3-VL-32B-Instruct-Heretic — мультимодальная модель для диалога по тексту и изображениям, созданная как дообученная версия Qwen/Qwen3-VL-32B-Instruct. Она предназначена для ответов на вопросы об изображениях, визуального рассуждения, распознавания текста и анализа видео; архитектура Qwen3-VL dense содержит 32 млрд параметров. В карточке базовой модели заявлены контекст 256 тыс. токенов с возможностью расширения до 1 млн и OCR на 32 языках. Модель сохраняет возможности базовой версии для текстового и визуального понимания, включая пространственное рассуждение и разбор интерфейсов. Abliteration заметно снижает частоту отказов в указанном сравнении: 4 из 100 против 89 из 100 у исходной модели; это не гарантирует корректность или безопасность ответов. Доступна по лицензии Apache-2.0.