I.3Извлечение и структурирование данных

almanach/camembertav2-base-fquad — франкоязычная модель для извлекающего ответа на вопросы, разработанная Виссамом Антуном из Almanach, Inria-Paris. Она дообучена на базе almanach/camembertav2-base на датасете FQuAD и использует архитектуру DeBERTa-v2 с 138,4 млн параметров. Модель принимает вопрос и контекст на французском языке и извлекает ответ из текста; длина контекста составляет до 1024 токенов. На датасете FQuAD модель показывает F1 83,36 и Exact Match 64,43. Её можно применять для поиска ответов в текстах на французском языке, например, при работе с документами и справочными материалами. Лицензия — MIT. Качество может снижаться на данных, отличающихся от FQuAD; также модель может наследовать смещения обучающей выборки и не предназначена для других задач без дополнительной адаптации.

ColFlor — модель для поиска по визуальному содержимому документов, представленная авторами проекта ColFlor. Она обрабатывает страницы документов как изображения и выполняет поиск без отдельного OCR-конвейера. Модель насчитывает 174 млн параметров; авторы сообщают, что по сравнению с ColPali она в 17 раз меньше, быстрее кодирует запросы и изображения, а качество на англоязычных документах с большим количеством текста ниже на 1,8%. Репозиторий содержит веса в формате safetensors. Модель предназначена для поиска документов и страниц по текстовому запросу, в том числе в крупных базах PDF. Она рассчитана на английский язык. Авторы отмечают заметный разрыв в качестве при работе с рисунками по сравнению с более крупными моделями, такими как ColPali, и слабую работу на других языках. Лицензия — MIT.

ColQwen2 — модель для визуального поиска по документам, разработанная ViDoRe на основе Qwen2-VL-2B-Instruct. Она кодирует страницы документов и текстовые запросы в многовекторные представления ColBERT-типа, чтобы находить релевантные страницы по их визуальному содержимому. Эта версия предназначена для загрузки через Transformers или Sentence Transformers и получена конвертацией слитого чекпойнта ColQwen2. Модель подходит для поиска страниц в PDF по естественно-языковому запросу и для построения систем поиска по коллекциям визуальных документов. Обучающий набор включает 127 460 пар «запрос — страница» и полностью англоязычный; README сообщает об оценке переноса на другие языки без дообучения. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Модель ориентирована главным образом на PDF и языки с большим объёмом ресурсов, поэтому качество на других типах документов и малоресурсных языках может быть ограничено. Многовекторный поиск с поздним взаимодействием ColBERT требует поддержки со стороны поисковой инфраструктуры и может потребовать адаптации для обычных векторных хранилищ.

CShorten/CORD-19-Title-Abstracts-1-more-epoch — модель Sentence Transformers на архитектуре BERT с 25,9 млн параметров, создающая плотные векторы размерности 384 для предложений и абзацев. Она предназначена для семантического поиска и кластеризации текстов; обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Модель можно применять для поиска научных публикаций по смыслу, группировки похожих аннотаций и сравнения текстовых фрагментов. Она обучалась на данных CORD-19, поэтому ориентирована на заголовки и аннотации научных работ о COVID-19 и смежных темах. Максимальная длина контекста — 512 токенов. Лицензия в предоставленных данных не указана.

DE·HTR v2 — модель распознавания современного немецкого рукописного текста, разработанная naeyn. Она принимает изображение одной заранее вырезанной строки и возвращает её текстовую транскрипцию; модель предназначена для запуска в браузере через ONNX Runtime Web и может работать полностью офлайн после загрузки. Архитектура включает stem ResNet18, три слоя BiLSTM-256 и CTC-голову; размер модели — 10,06 млн параметров. Репозиторий содержит ONNX-версию int8 размером 10,4 МБ и версию fp32 размером 40,3 МБ. Модель обучена на немецких рукописных данных; контекст задаётся шириной изображения до 1024 пикселей, отдельное текстовое окно не используется. В тесте на 601 строке от 78 авторов версия int8 показала CER 8,01% и WER 32,3% при жадном CTC-декодировании без языковой модели. Лучше всего модель работает с чистым сканированным почерком; результаты могут ухудшаться на бледном карандашном письме, исправлениях и необычных стилях. Она не предназначена для исторических немецких письменностей, распознавания целых страниц или надёжной обработки печатного текста и сложных математических символов. Алфавит ограничен 112 символами. Лицензия — Apache-2.0.

distilbert-foundation-category-c5 — дообученная модель DistilBERT для классификации текстов по категориям. Она разработана автором thedavidhackett на базе distilbert/distilbert-base-uncased и использует архитектуру DistilBertForSequenceClassification. Модель предназначена для задач классификации последовательностей; в README приведены результаты оценки: accuracy 0,9335 и loss 0,3193. Максимальная длина контекста составляет 512 токенов. Базовая модель uncased, то есть не различает регистр английских букв; доступные сведения не описывают набор категорий, обучающие данные и ограничения применения. Модель распространяется по лицензии Apache-2.0.

IdolSankaku EVA02-Large Tagger v1 — модель DeepGHS для автоматической разметки изображений. Она предсказывает рейтинги, персонажей и общие теги для фотографий; обучена на датасете изображений реального мира с разметкой, выполненной людьми. Архитектура основана на EVA02-Large и доступна для использования через timm или ONNX, включая пакетную обработку изображений. На валидации для версии 1.0 указаны порог 0,4985 и F1 0,6017. ONNX-модель совместима с кодом для WD tagger v3 и требует onnxruntime версии 1.17.0 или выше. Репозиторий распространяется по лицензии Apache-2.0.

illuni-llama-2-ko-7b — модель на архитектуре Llama 2, разработанная Julleong на основе beomi/llama-2-ko-7b и дообученная на датасете «개체명 사전 2022» из 모두의 말뭉치. Модель предназначена для следования инструкциям, генерации текста и ответов на вопросы; карточка предлагает шаблон запроса с инструкцией и ответом. Модель содержит 6,7 млрд параметров, принимает текст и выдаёт текст. Её контекст составляет 2048 токенов. Базовая модель ориентирована на корейский и английский языки; метаданные карточки указывают корейский язык. Модель распространяется под лицензией MIT.

InternVL3.5-14B-MPO — мультимодальная модель OpenGVLab на архитектуре InternVLChatModel с плотной 14B языковой частью. Это вариант семейства InternVL3.5, дообученный на данных MMPR-v1.2 и MMPR-Tiny для улучшения мультимодальных ответов и рассуждений. Модель принимает изображения и текстовые запросы и генерирует текст; подходит для диалога по изображениям, визуального анализа, распознавания текста на изображениях и решения задач на рассуждение. Семейство InternVL3.5 использует каскадное обучение с подкреплением для улучшения рассуждений и Visual Resolution Router для динамической настройки разрешения визуальных токенов. Модель распространяется в формате safetensors и использует библиотеку Transformers. README описывает мультимодальное понимание, включая задачи по изображениям; конкретные языки и размер контекстного окна для этой версии в предоставленных данных не установлены. Лицензия — Apache-2.0.

InternVL3.5-8B-Pretrained — мультимодальная модель семейства InternVL3.5, разработанная OpenGVLab. Она сочетает визуальный энкодер InternViT и языковую модель Qwen3-8B и предназначена для диалога по изображениям и тексту, визуальных рассуждений и генерации ответов. В метаданных указана архитектура InternVLChatModel и формат safetensors; модель работает через библиотеку Transformers. Семейство InternVL3.5 использует Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптивной обработки визуальных токенов. Модели семейства также поддерживают взаимодействие с графическим интерфейсом и сценарии embodied agency. Карточка не приводит точное число параметров именно этой версии и длину контекста. Модель подходит для анализа изображений, визуальных вопросов и ответов, распознавания текста на изображениях и мультимодальных диалогов. В карточке перечислены оценки семейства на мультимодальных и рассуждательных бенчмарках, но отдельные результаты этой версии не приведены. Репозиторий распространяется по лицензии Apache-2.0.

serdarakyol/interpress-turkish-news-classification — модель классификации турецких новостных текстов на основе BERT. Она обучена на 108 тысячах примеров из набора данных Interpress; автор сообщает точность 97% на обучающей и валидационной выборках при разделении данных 80/20. Модель предназначена для отнесения новостных текстов к категориям в приложениях на PyTorch, TensorFlow или Flax. Число параметров составляет 137,8 млн, максимальная длина контекста — 512 токенов; карточка указывает поддержку турецкого языка. Лицензия в предоставленных данных не указана.

LaBSE-geonames-15K-MBML-10e-v1 — дообученная модель Sentence-Transformers на базе многоязычной BERT-модели LaBSE. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, поиска по смыслу и кластеризации. Модель рассчитана на работу с русским и английским текстом; максимальная длина контекста составляет 512 токенов. В обучении использовалась функция потерь MegaBatchMarginLoss, а лицензия — Apache-2.0. Модель подходит для семантического поиска и группировки текстов, в частности связанных с GeoNames. Карточка не приводит подробных результатов оценки или описания ограничений обучающих данных, поэтому качество на конкретных наборах текстов следует проверять отдельно.

lid-neural-5.1 — компактная модель для определения языка коротких текстов на четырёх основных языках Нигерии: хауса, йоруба, игбо и нигерийском пиджине. Модель разработала OlaVerse как классификационную доработку энкодера ModernBERT olaverse/mist-encoder-base-ng. Она содержит около 30,7 млн параметров, принимает текст с контекстом до 1024 токенов и предназначена для классификации предложений, запросов и сообщений, в том числе твитов. На сбалансированном отложенном наборе предложений авторы сообщают точность 0,9756 и Macro-F1 0,9753. Модель компактна и подходит для запуска на CPU и периферийных устройствах. Распространяется по лицензии Apache-2.0. Модель всегда выбирает один из четырёх поддерживаемых языков и не имеет класса для английского или других языков, поэтому входной текст на них может быть уверенно размечен ошибочно, чаще как нигерийский пиджин. Пиджин — наиболее сложный для распознавания класс; качество также может снижаться на смешанном тексте и нестандартной орфографии.

Llama3-Crab-DPO — англоязычная плотная авторегрессионная языковая модель семейства Llama 3, разработанная Yunjia Qi, Hao Peng, Xiaozhi Wang, Bin Xu, Lei Hou и Juanzi Li. Модель дообучена на основе Llama3-8B с применением метода CRAB, который добавляет к инструкциям сложные ограничения, уже соблюдённые в исходных ответах, и направлен на улучшение следования таким инструкциям. Модель предназначена для генерации текста по инструкциям с несколькими требованиями, включая заданные формат и длину ответа. Она имеет 7,5 млрд параметров и контекстное окно 8192 токена; поддерживает английский язык и распространяется в формате PyTorch. Лицензия — Apache-2.0.

Defog, Inc. разработала Defog Llama 3 SQLCoder 8B — языковую модель для преобразования вопросов на естественном языке в SQL-запросы. Она дообучена на Meta-Llama-3-8B-Instruct и построена на плотной архитектуре Llama с 7,5 млрд параметров; модель принимает текст и генерирует текст, а заявленная длина контекста составляет 8192 токена. Модель предназначена для генерации SQL с учётом вопроса пользователя и переданных описаний таблиц (DDL). В README указана поддержка PostgreSQL, Redshift и Snowflake; авторы оценивали её на SQL-Eval, тестовом фреймворке для PostgreSQL. Для вывода рекомендуется температура 0 без сэмплирования. Модель распространяется по лицензии CC BY-SA 4.0. Карточка описывает её назначение и тестирование, но не приводит результатов оценки, поэтому фактическое качество на конкретных схемах и диалектах может различаться.

MiMo-VL-7B-RL-2508 — мультимодальная модель Xiaomi для понимания изображений и видео и ответов на вопросы по визуальному содержимому. Она основана на архитектуре Qwen2.5-VL и включает визуальный ViT-энкодер с обработкой исходного разрешения, MLP-проектор для связи изображения с языковой частью и языковую модель MiMo-7B. Размер модели — 7 млрд параметров, контекст — до 128 000 токенов. Модель предназначена для визуального рассуждения, распознавания и описания содержания изображений, анализа видео, визуального grounding и понимания графических интерфейсов. Версия RL-2508 прошла постобучение с обучением с подкреплением и поддерживает режим управления рассуждением: по умолчанию рассуждение включено, а командой /no_think можно запросить прямой ответ. Модель работает через Transformers и выдаёт текст; в README приведены высокие результаты на MMMU и VideoMME. Модель распространяется по лицензии MIT. Практическое применение требует учитывать, что ответы могут быть ошибочными, а README описывает в основном результаты собственных оценок разработчика; для корректной подачи визуальных данных в запросе нужно размещать изображение или видео перед текстом.

openbmb/MiniCPM-V-4.6-gguf — это GGUF-квантованная версия мультимодальной модели MiniCPM-V 4.6, разработанной командой OpenBMB. Модель предназначена для понимания изображений, нескольких изображений и видео, включая визуальные вопросы и ответы, OCR и другие задачи анализа визуального содержимого. Она ориентирована прежде всего на эффективное развёртывание на периферийных устройствах и мобильных платформах: iOS, Android и HarmonyOS. Архитектура основана на визуальном энкодере SigLIP2-400M и языковой модели Qwen3.5-0.8B. Для повышения эффективности используется смешанное сжатие визуальных токенов 4x/16x, а вычислительная стоимость визуального кодирования, согласно README, снижена более чем на 50%. Заявлена примерно в 1,5 раза более высокая пропускная способность токенов по сравнению с Qwen3.5-0.8B. Модель поддерживает inference через Transformers, vLLM, SGLang, llama.cpp и Ollama, а также адаптацию и дообучение с помощью SWIFT и LLaMA-Factory. Точные параметры контекстного окна и перечень поддерживаемых языков в представленных данных не указаны. Сильные стороны модели — компактность, низкая вычислительная стоимость, поддержка анализа изображений и видео и возможность запуска на потребительских устройствах. Ограничения связаны с меньшим размером языковой части по сравнению с крупными мультимодальными моделями и с тем, что квантование может влиять на точность; конкретные характеристики зависят от выбранного варианта GGUF. Репозиторий распространяется по лицензии Apache-2.0.

openbmb/MiniCPM-V-4-gguf — квантизированная мультимодальная модель OpenBMB для понимания изображений, нескольких изображений и видео. Она предназначена для визуальных диалогов, анализа содержимого изображений и видео, OCR и работы с мультимодальными запросами, включая локальное и встраиваемое использование на конечных устройствах, например смартфонах. Модель основана на MiniCPM-V 4.0, построенной на SigLIP2-400M и MiniCPM4-3B; общий размер составляет 4,1 млрд параметров. Поддерживаются визуальные входы в виде одиночных и нескольких изображений, а также видео; заявлена многоязычность. Модель ориентирована на эффективный запуск на устройствах и совместима с llama.cpp, Ollama, vLLM, SGLang, LLaMA-Factory и локальными веб-демонстрациями. В README приведён результат 69,0 на OpenCompass, а для iPhone 16 Pro Max указаны задержка до первого токена менее 2 секунд и скорость декодирования свыше 17 токенов в секунду. К сильным сторонам относятся сочетание визуальных возможностей и компактного размера, эффективность при локальном развертывании, а также поддержка многоизображенческого и видеопонимания. README не содержит сведений о размере контекстного окна, точном перечне языков, формате квантования или специфических ограничениях качества. Модель распространяется по лицензии Apache-2.0.

NBAmine/mistral-nemo-text-to-sql — дообученная модель Mistral-Nemo для преобразования вопросов на естественном языке в SQL с учётом контекста схемы базы данных, заданной через DDL. Она выдаёт отдельный SQL-запрос и рассчитана на запросы с несколькими JOIN, вложенными подзапросами и операциями UNION и INTERSECT. Модель основана на Mistral Nemo и обучена с помощью QLoRA по двухэтапной схеме; адаптеры LoRA объединены с весами. Репозиторий содержит веса BF16 в формате safetensors. В метаданных указано 12,1 млрд параметров и контекст до 131 072 токенов; в README приводится длина контекста 2 048 токенов и оценка 69,5% точности выполнения и 61,2% Exact Match на валидационном наборе Spider. Модель предназначена для создания SQL по описанию задачи и схеме базы данных, например для интерфейсов запросов к реляционным данным на естественном языке. По README, она обучалась и оценивалась на Spider, а также обучалась на наборах GretelAI Synthetic Text-to-SQL и Spider с дополнительным контекстом. Основа модели в метаданных указана как mistralai/Mistral-Nemo-Instruct-2407, тогда как README называет mistralai/Mistral-Nemo-Base-2407. README оценивает требования для инференса в BF16/FP16 примерно в 24 ГБ VRAM; условия лицензирования в предоставленных данных не приведены.

plaincompute/mlx-MOSS-Transcribe-Diarize-8bit — восьмибитная версия MOSS-Transcribe-Diarize для запуска через MLX на Apple Silicon. Веса текстовой части модели квантизированы методом MLX affine quantization с bits=8 и group_size=64; аудиоэнкодер Whisper и VQ-адаптер не квантизированы. Репозиторий основан на vanch007/mlx-MOSS-Transcribe-Diarize. Модель предназначена для распознавания речи из аудиофайлов и разделения транскрипта по говорящим. Метаданные указывают задачу automatic-speech-recognition и поддержку speaker diarization. Используется архитектура MossTranscribeDiarizeForConditionalGeneration с аудиоэнкодером Whisper. Лицензия — Apache-2.0.

MSH-v1 (Marsh Harrier) — польская диалоговая языковая модель MedIT Solutions, созданная слиянием чекпойнтов Speakleash Bielik 11B v2.3 Instruct и Bielik 11B v2. Она основана на плотной архитектуре Mistral и содержит 11 млрд параметров; доступна в формате safetensors. Модель генерирует текст и отвечает на инструкции, прежде всего на польском языке. Контекст — до 32 768 токенов. В README приведены результаты оценки на польских бенчмарках: модель показывает улучшения в среднем относительно Bielik v2.3, но уступает на отдельных задачах, в том числе MT-Bench-PL и PolQA reranking. Лицензия — Apache-2.0.,

MyAwesomeModel — модель из репозитория eeeeerrrr4/MyAwesomeModel-TestRepo, опубликованная на Hugging Face и предназначенная для извлечения признаков из текста. В метаданных она классифицирована как feature-extraction; среди тегов указана совместимость с BERT, PyTorch и библиотекой Transformers. README также описывает улучшенные способности к рассуждению, математике, программированию, пониманию текста, диалогу, суммаризации и вызову функций, однако эти сценарии не подтверждены отдельным pipeline-тегом или подробными техническими характеристиками в предоставленных данных. В карточке приведены результаты внутренних бенчмарков и рекомендации по использованию чат-версии модели. Модель распространяется по лицензии MIT. Для практического применения следует учитывать, что точные сведения об архитектуре, размере, поддерживаемых языках и длине контекста в предоставленных данных отсутствуют, а заявленные результаты README требуют самостоятельной проверки.

SlaviSolakchiev/news-topic-distilbert-multilingual-4class — дообученная модель классификации текста на базе distilbert/distilbert-base-multilingual-cased. Она предназначена для отнесения новостных текстов к четырём тематическим классам; конкретные названия классов и описание обучающих данных в карточке не приведены. Модель использует архитектуру DistilBERT для классификации последовательностей, принимает текст и выдаёт метку класса. Максимальная длина контекста — 512 токенов. В README указаны результаты на оценочной выборке: accuracy 0,9167 и F1 0,9164. Эти показатели относятся к приведённой выборке и сами по себе не гарантируют качество на других данных. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

PaliGemma 2 10B PT — базовая мультимодальная модель Google для обработки изображений и текста. Она сочетает визуальный энкодер SigLIP с языковой моделью Gemma 2; опубликованы веса bfloat16 для дообучения. Модель принимает изображения размером 224×224 и текстовые последовательности до 128 токенов на входе и выходе, поддерживает несколько языков и генерирует текст. Модель предназначена прежде всего для дообучения под задачи компьютерного зрения и языка: описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Её также можно адаптировать для анализа спутниковых снимков, помощи незрячим пользователям, научных вопросов и описания функций элементов интерфейса. Лицензия — Gemma; использование регулируется условиями и политикой допустимого использования Gemma. Это базовая модель для специализированного дообучения, а не готовый универсальный чат-бот: она рассчитана на один раунд взаимодействия с изображением и текстом. На сложных или открытых запросах может ошибаться, выдавать устаревшие факты и испытывать трудности с нюансами языка и здравым смыслом. Результаты распознавания и генерируемые сведения требуют проверки; при внедрении следует учитывать возможные смещения и риски вредного контента.

PaliGemma-3b-pt-448 — предварительно обученная компактная модель зрения и языка от Google, основанная на визуальном энкодере SigLIP и языковой модели Gemma. Она принимает изображение и текстовый запрос и генерирует текст; версия с разрешением 448 предназначена для переноса на специализированные задачи тонкой настройкой. Модель подходит для описания изображений и коротких видео, ответов на вопросы об изображениях и чтения текста на них. Её также можно дообучить для обнаружения объектов, сегментации, анализа снимков дистанционного зондирования, объяснения элементов интерфейса и других задач с визуальными данными. PaliGemma рассчитана на один обмен запросом и ответом, а не на многоходовый диалог. Для надёжной работы модель следует настраивать под конкретную задачу: качество без дообучения может уступать специализированным системам. Она может ошибаться в фактах и сложных рассуждениях, а также отражать предвзятость обучающих данных. Лицензия — Gemma; при использовании необходимо соблюдать условия этой лицензии и правила допустимого использования Gemma.

Pashto Ghag — модель автоматического распознавания речи на пушту, созданная разработчиком проекта Pashto Ghag путём дообучения OpenAI Whisper medium. Модель содержит 455,8 млн параметров и принимает аудио, выдавая текстовую расшифровку на пушту. Для обучения использовались 54,4 часа проверенных записей Pashto Common Voice с нормализованными транскрипциями; опубликован чекпойнт, выбранный по результатам сравнения нескольких вариантов. На трёх отложенных наборах сбалансированный средний WER составил 14,63%.

PerceptionDLM-Base — мультимодальная диффузионная языковая модель для понимания изображений и ответов на визуальные инструкции, разработанная MSALab. Она дообучена на базе MSALab/LLaDA-8B-Instruct-HF и предназначена для сценариев, где нужно задавать вопросы об изображении или извлекать из него сведения. Архитектура сочетает визуальный энкодер SigLIP-2, двухслойный MLP-коннектор и диффузионный декодер LLaDA-8B. Модель использует параллельную генерацию с маскированным денойзингом и динамическое разбиение изображений высокого разрешения на тайлы. Карточка сообщает о результатах на мультимодальных бенчмарках, включая сильные показатели в задачах детального восприятия и ChartQA. Модель принимает изображения и текстовые инструкции и генерирует текстовые ответы. В метаданных указан английский язык. Весы опубликованы в формате Safetensors, библиотека — Transformers, лицензия — Apache-2.0. Модель описана как базовая для PerceptionDLM; для развёртывания предоставлены скрипты инференса.

TACO — мультимодальная модель действий, разработанная авторами работы «TACO: Learning Multi-modal Action Models with Synthetic Chains-of-Thought-and-Action». Это дообученная модель на 7,1 млрд параметров на основе lmms-lab/llava-onevision-qwen2-7b-mid-stage-a4, с архитектурой Qwen2 и интерфейсом чата. Она предназначена для ответов на сложные многошаговые вопросы по изображениям: модель формирует последовательность рассуждений и действий, может вызывать внешние инструменты, включая OCR, оценку глубины и калькулятор, а затем объединяет результаты в ответ. Контекст составляет 32 768 токенов; веса опубликованы в формате safetensors. В описании проекта сообщается об улучшении среднего результата на восьми бенчмарках на 3,6% относительно базовой модели с настройкой инструкций и о приросте до 15% на задачах MMVet, связанных с OCR, математикой и пространственным рассуждением. Для выполнения действий необходима соответствующая интеграция внешних инструментов. Модель распространяется по лицензии CC BY-NC 4.0, допускающей некоммерческое использование с соблюдением её условий.

Qwen3.8-27B Uncensored NVFP4-NInfer — это квантованный мультимодальный вариант Qwen3.8-27B, подготовленный igorls в формате .ninfer для собственного fork NInfer. Исходную abliterated-модель и смешанные веса NVFP4/FP8 разработала OrcaRouter, а для speculative decoding включён сопутствующий компонент DFlash2 от Inco AI. При конвертации дообучение и отдельное удаление отказов не выполнялись; сохранены BF16-эмбеддинги токенов и полная выходная голова. Модель предназначена для диалоговых и conversational-сценариев, обработки текста, а также анализа изображений и видео при сборке NInfer с поддержкой media. Заявлены английский и китайский языки. Артефакт включает целевую 27B-модель, Vision- и MTP-компоненты, оптимизированную proposal head, DFlash2-компаньон, токенизатор, шаблоны и медиаресурсы. Размер файла — около 26,27 ГБ; квалифицированная конфигурация — RTX PRO 6000 Blackwell Workstation Edition с 96 ГБ видеопамяти под Windows, CUDA target sm_120a. В приведённом примере ограничение контекста составляет 32K токенов, а общий KV-пул — 64K. Сильные стороны модели — готовая интеграция компонентов для обычной генерации и speculative decoding через MTP или DFlash2, поддержка OpenAI-совместимого API, JSON Schema, потоковой выдачи и мультимодального ввода. Ограничения связаны с форматом .ninfer: модель не загружается напрямую в Transformers, vLLM, Ollama или llama.cpp. Потребление видеопамяти превышает размер файла и зависит от контекста, CUDA-графов и параллелизма; меньшие GPU и максимальный контекст не квалифицировались. Интеграция распространяется по лицензии Apache 2.0.

coder3101/Qwen3-VL-2B-Instruct-heretic — производная от Qwen/Qwen3-VL-2B-Instruct мультимодальная модель семейства Qwen3-VL, опубликованная в формате safetensors и предназначенная для диалоговой работы с текстом и изображениями. В README указано, что параметры модели изменены методом abliteration: в приведённом сравнении доля отказов составляет 2 из 100 против 95 из 100 у исходной модели, а KL-дивергенция — 0,45. Модель подходит для ответов на вопросы по изображениям, визуального рассуждения и диалога с текстовым и визуальным контекстом. README базовой модели также описывает распознавание текста на изображениях, анализ видео, пространственные задачи и взаимодействие с графическими интерфейсами, но отдельные показатели этих возможностей для данной производной версии не приведены. Для семейства заявлена поддержка 32 языков OCR; метаданные не перечисляют языки этой конкретной модели. Модель распространяется по лицензии Apache-2.0.