I.3Извлечение и структурирование данных

Qwen3.5-KETI-HAECHI-27B-GGUF — это GGUF-квантизация модели Qwen3.5-KETI-HAECHI-27B, разработанной KETI-NLP и опубликованной в формате GGUF пользователем mradermacher. Модель предназначена для мультимодальных сценариев image-text-to-text, включая обработку изображений и текста, OCR, работу с объектами культурного наследия, использование инструментов и выполнение задач с длинной цепочкой рассуждений. Заявлена поддержка корейского и английского языков. Модель имеет размер 27B параметров. Это vision-language модель с дополнительными файлами mmproj для мультимодальной обработки; доступны варианты mmproj-Q8_0 и mmproj-f16. Предлагаются квантизации от Q2_K до Q8_0, включая IQ4_XS, с размером файлов примерно от 10,8 до 28,7 ГБ. В README не указана длина контекста, а также отсутствуют подробности об архитектуре базовой модели, качестве на конкретных benchmarks и требованиях к оборудованию. Сильной стороной является сочетание мультимодальности, поддержки корейского языка и специализации на культурном наследии и OCR. Качество и требования к ресурсам зависят от выбранного варианта квантизации: Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант очень хорошего качества, а Q8_0 — как наиболее качественный среди перечисленных. Модель распространяется по лицензии Apache-2.0.

Это текстовая языковая модель семейства Qwen3.8 от RVN, опубликованная пользователем 0bserverx как полный набор весов в формате safetensors для запуска через Transformers, vLLM и SGLang. Репозиторий представляет собой реконструкцию FP16-весов из существующего GGUF-чекпойнта; это не новая тренировка и не точное восстановление недоступного исходного чекпойнта RVN. Архитектура — плотная Qwen3_5ForCausalLM, в метаданных указано 22,3 млрд параметров, контекст — до 262 144 токенов. Модель предназначена для генерации текста в диалогах и развёртывания как локальный или серверный чат-интерфейс. Карточка подтверждает короткие проверки генерации текста, перевода на турецкий, JSON-ответа и формирования вызова инструмента; вызов инструмента проверял генерацию запроса, а не исполнение внешней функции. Модель текстовая: визуальный энкодер и MTP-голова в опубликованных весах отсутствуют. В README модель названа abliterated и uncensored, поэтому она рассчитана на генерацию с ослабленными ограничениями отказа. Представлены 13 шардов весов: 498 тензоров хранятся в F16, 353 — в F32. Проверки запуска на vLLM и SGLang прошли на одной конфигурации GPU с контекстом 4096 токенов; авторы подчёркивают, что это дымовые тесты, а не широкая оценка качества, производительности или длинного контекста. Лицензия — Apache-2.0.

dealignai/Qwen3.8-Flash-Next-ABLITERATED-NVFP4 — мультимодальная версия Qwen3.8-Flash-Next, разработанная dealignai. Это прямое изменение весов базовой модели без дообучения, LoRA, дистилляции или изменения шаблона чата; заявлено сохранение исходных знаний, стиля, рассуждений и калибровки. Модель предназначена для текстовых и мультимодальных сценариев с обработкой изображений и видео, включая распознавание форм, цветов, текста на изображениях, движения и объектов в видео. Поддерживаются режимы рассуждения low, medium и xhigh, а также MTP speculative decoding. Модель работает с SGLang и рассчитана на tensor parallel на двух NVIDIA DGX Spark с использованием 4-битного формата NVFP4. Размер модели, максимальная длина контекста и точный перечень поддерживаемых языков в README не указаны. По заявленным результатам, производительность на MMLU почти не изменилась относительно базовой модели: 81,93% против 82,11%. Также заявлены связная генерация без зацикливания и сохранение мультимодальных возможностей. Ключевое ограничение — удаление защитных отказов: модель описана как исследовательский артефакт без встроенных ограничений безопасности и может выполнять вредоносные, незаконные и неэтичные запросы. Использование допускается по лицензии qwen-community-license-1.0; модель предоставляется без гарантий, а ответственность за результаты и соблюдение законодательства возлагается на пользователя.

Sam Lowe разработал эту модель на базе roberta-base, дообучив её на наборе GoEmotions для многометочной классификации эмоций в тексте. Она выдаёт вероятности для 28 меток; для каждой метки можно отдельно подобрать порог срабатывания. Модель подходит для определения нескольких эмоций в одном сообщении, например в комментариях и коротких текстах на английском языке. Она использует архитектуру RoBERTa с 151,8 млн параметров и контекстом до 514 токенов. Модель принимает текст и выдаёт оценки классов эмоций. Качество различается по меткам: редкие категории, например облегчение, распознаются хуже, а неоднозначность и ошибки разметки в GoEmotions ограничивают результаты. В README приведены оценки на тестовой выборке и отмечено, что индивидуальная настройка порогов может улучшить баланс точности и полноты. Лицензия — MIT.

SAIL-VL-2B — компактная модель для работы с изображениями и текстом, разработанная командой Bytedance Douyin Content. В архитектуре используются визуальный энкодер InternViT-300M, языковая модель Qwen2.5-1.5B и двухслойный MLP-адаптер; заявлено объединение визуальных токенов 2×2 и обработка изображений с разрешением 448×448 и динамическим числом фрагментов. Модель предназначена для диалоговых задач по изображениям: ответов на вопросы, общего визуального анализа, распознавания текста на изображениях и описания сцен. В README приведены результаты оценок на мультимодальных бенчмарках и примеры подробных ответов, а метаданные указывают на возможности чата и интерфейс вызова инструментов. Карточка называет модель базовой VLM для приложений, в том числе с прицелом на мобильное развертывание. Модель дообучена на базе Qwen/Qwen2.5-1.5B-Instruct и распространяется в формате safetensors по лицензии Apache-2.0. README заявляет поддержку нескольких мультимодальных сценариев, однако конкретные языки не перечисляет; метаданные карточки указывают английский и китайский. Результаты в README оценивала команда разработчиков с использованием варианта VLMEvalKit, поэтому они не являются независимой оценкой.

SambaCoder-nsql-llama-2-70b — авторегрессионная языковая модель SambaNova Systems для генерации SQL по описанию на естественном языке и схеме таблиц. Она основана на Meta Llama 2 70B: модель дополнительно предварительно обучали на SQL-запросах из The Stack, затем дообучали на парах текст—SQL из NSText2SQL. Архитектура — плотная LlamaForCausalLM, число параметров — 68,7 млрд, базовый контекст — 4096 токенов; модель принимает текст и генерирует текст. Модель предназначена для преобразования вопросов к данным в SQL, особенно запросов SELECT, заданных вместе со схемой таблиц. В README упомянуты оценки на наборах Spider, BIRD и text2sql. Для использования требуется принять условия Meta Llama 2 Community License Agreement; модель распространяется с лицензией Llama 2.

syubraj/sentence_similarity_nepali — модель Sentence-Transformers для сопоставления предложений на непальском языке. Она преобразует предложения и абзацы в плотные векторы размерностью 768, пригодные для оценки семантической близости, поиска по смыслу и кластеризации. Модель основана на NepaliBERT от Rajan; архитектура — BERT, размер — около 95 млн параметров, длина контекста — 512 токенов. Модель обучалась для семантического сходства с использованием CosineSimilarityLoss и датасета stsb_multi_mt. Её можно применять для поиска похожих фраз и документов или группировки текстов по смыслу. Доступны веса в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

PrashantG6838/setfit_category_model_new3 — модель классификации текста на базе SetFit, построенная на дообученном sentence-transformers/all-MiniLM-L6-v2 с классификатором LogisticRegression. Она относит текст к одному из трёх классов: «Challenge» (проблема или препятствие), «Solution or Action» (решение или действие) и «Other» (прочее). Модель предназначена для few-shot классификации коротких сообщений и высказываний, в том числе о трудностях и действиях, связанных с образованием. В основе модели — энкодер семейства BERT с 25,9 млн параметров; заявленная длина контекста в метаданных — 512 токенов. README указывает максимальную длину последовательности 256 токенов. Веса представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Карточка модели mitra-mir/setfit-model-Misinformation-on-Convoy на Hugging Face совпадает с карточкой mitra-mir/setfit-model-Misinformation-on-Global-Support, поэтому описание составлено по ней. Это модель Sentence-Transformers на архитектуре MPNet, разработанная автором репозитория mitra-mir. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель распространяется в формате PyTorch. Название репозитория указывает на тему дезинформации о глобальной поддержке, однако README не описывает специализированные функции или результаты классификации по этой теме. Модель подходит для получения текстовых эмбеддингов и поиска семантически близких фрагментов. Для использования описан интерфейс библиотеки Sentence-Transformers. Лицензия в предоставленных данных не указана.

rishiraj/smolified-tiny-text-to-sql — компактная языковая модель от Smolify Foundry для преобразования запросов на естественном языке в SQL. В README она описана как доменная DSLM, созданная методом дистилляции reasoning-моделей и рассчитанная на запуск на CPU/NPU и в средах с ограниченной видеопамятью. Метаданные указывают архитектуру Gemma 3 Text с причинно-языковой моделью Gemma3ForCausalLM, 257 млн параметров и контекст до 32 768 токенов; модель принимает текст и генерирует текст. Репозиторий содержит веса safetensors и заявляет оптимизацию с 4-битной квантизацией и смешанной точностью FP16. README указывает совместимость со стандартными средствами инференса, включая vLLM. Модель может помогать формировать SQL по текстовому описанию, однако карточка не сообщает о поддерживаемых СУБД, точности, обучающих данных или проверке безопасности сгенерированных запросов. Лицензия — Apache-2.0.

mlx-community/SmolVLM-256M-Instruct-4bit — четырёхбитная конверсия мультимодальной модели HuggingFaceTB/SmolVLM-256M-Instruct в формат MLX, опубликованная mlx-community. Модель семейства Idefics3 принимает текстовые запросы и изображения и формирует текстовые ответы; предназначена для диалоговых сценариев с визуальным содержимым, включая описание изображений и ответы на вопросы по ним. В метаданных указана архитектура Idefics3ForConditionalGeneration и поддержка чата и зрения. Модель создана на основе SmolLM2-135M-Instruct и SigLIP Base Patch16-512; в README сказано, что конверсия выполнена с помощью mlx-vlm 0.1.11. Репозиторий заявляет лицензию Apache-2.0. Карточка отсылает за подробностями к исходной модели, поэтому конкретные ограничения и характеристики контекста здесь не приведены.

SRBedding-base-v1 — модель Smartcat для семантического поиска и извлечения информации на сербском языке. Это Sentence Transformer на архитектуре XLM-RoBERTa, дообученный на базе e5-multilingual-base. Модель преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для сравнения сходства и ранжирования результатов поиска. Модель рассчитана на поиск релевантных документов по запросу, в том числе в коллекциях сербской Википедии, новостей и других текстов. В README указана максимальная длина входа 512 токенов; метаданные сообщают о 305,2 млн параметров и контекстном окне в 514 токенов. Для использования нужен текстовый запрос или документ; результатом служат векторные представления. README описывает оценку на сербских версиях MS MARCO, Natural Questions и SQuAD, но результаты относятся к указанным наборам и не гарантируют такое же качество на других данных. Модель выпущена по лицензии MIT.

cssupport разработала эту модель на основе t5-small и дообучила её для преобразования запросов на естественном английском языке в SQL. На вход подаются описание таблиц в виде инструкций CREATE TABLE и текстовый вопрос; модель предназначена для генерации SQL-запросов, в том числе с объединением нескольких таблиц через JOIN. Модель использует архитектуру T5 и содержит 38,5 млн параметров. Она принимает и выдаёт текст, поддерживает английский язык и имеет контекст длиной до 512 токенов. В карточке указано, что при дообучении использовались наборы Clinton/Text-to-sql-v1 и b-mc2/sql-create-context. Модель подходит для встраивания в аналитические приложения, где нужно преобразовывать вопросы пользователей в SQL. Карточка не приводит оценки качества и подробных ограничений, поэтому корректность запросов следует проверять на целевых схемах и данных. Лицензия — Apache 2.0.

bond005/wav2vec2-large-ru-golos — акустическая модель распознавания русской речи, созданная как компонент системы Pisets для транскрибации лекций и интервью. Она основана на facebook/wav2vec2-large-xlsr-53 и дообучена на датасете SberDevices/Golos с аугментациями аудио, включая изменение высоты тона и скорости, а также реверберацию. Модель реализована на архитектуре Wav2Vec2ForCTC, содержит 402,7 млн параметров и работает с аудио, оцифрованным с частотой 16 кГц. Модель подходит для преобразования русской речи в текст, в том числе в условиях, отражённых тестами для ближней и дальней записи. В README приведены результаты на тестовых поднаборах Golos: WER 10,144% для crowd и 20,353% для farfield; CER — 2,168% и 6,030% соответственно. Модель распространяется по лицензии Apache-2.0. Для практического применения учитывайте требование к частоте дискретизации 16 кГц и возможное снижение точности при дальней записи.

XiYanSQL-QwenCoder-3B-2504 — модель генерации SQL от команды XGenerationLab, дообученная на базе XiYanSQL-QwenCoder-3B-2502 с последующей оптимизацией методом GRPO. Она преобразует вопросы на естественном языке, описание схемы базы данных и дополнительные справочные сведения в SQL-запросы. Модель рассчитана на работу с диалектами SQLite, PostgreSQL и MySQL; в README описаны оценки на бенчмарках SQLite, PostgreSQL и MySQL, включая данные вне обучающего домена. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров и контекстом 32 768 токенов. Карточка приводит пример использования с Transformers и vLLM и рекомендует представлять схему базы данных в формате M-Schema, хотя допускает DDL. Модель распространяется по лицензии Apache-2.0.

Adel-Elgabry/arabic-semantic-search — модель Sentence Transformers, дообученная автором на базе sentence-transformers/LaBSE для поиска семантически близких арабских текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой, а векторы использовать для поиска и извлечения релевантных текстов. В метаданных указана архитектура RoBERTa с 151,8 млн параметров; библиотека для работы — sentence-transformers. Модель принимает текст и рассчитана на последовательности длиной до 256 токенов согласно README; метаданные каталога указывают контекст 514 токенов. Обучение описано на наборе из 1 000 пар предложений с MultipleNegativesRankingLoss. LaBSE поддерживает 109 языков, однако специализация этой дообученной модели — арабский семантический поиск. Лицензия в предоставленных данных не указана.

rss9051/autotrein-BERT-iiLEX-dgs-0003 — модель классификации текста, созданная с помощью AutoTrain и дообученная на основе rss9051/autotrein-BERT-iiLEX-dgs-0002. Она использует архитектуру BERT для классификации последовательностей и подходит для присвоения текстам меток в прикладных системах. В репозитории хранятся веса в формате safetensors; модель содержит 136,1 млн параметров, а длина контекста составляет 512 токенов. В карточке приведены метрики валидации: точность 0,737, macro F1 0,681 и weighted F1 0,736. Они дают ориентир по качеству на использованном наборе проверки, но без сведений о классах и данных не позволяют оценить пригодность модели для другой задачи. Лицензия и поддерживаемые естественные языки в предоставленных сведениях не обозначены.

HooshvareLab/bert-fa-base-uncased-clf-persiannews — модель классификации персидских текстов на основе ParsBERT v2.0. Разработчики восстановили словарь и дообучили ParsBERT v1.1 на новых персидских корпусах, затем настроили модель для классификации новостей Persian News по восьми категориям, включая экономику, международные события, политику, науку и технологии, культуру и искусство, спорт, медицину и социальные темы. Модель использует архитектуру BERT для классификации последовательностей, содержит около 190 млн параметров и принимает последовательности длиной до 512 токенов. Она предназначена для разметки персидских новостных статей и близких по стилю текстов; в README для набора Persian News приведён результат F1 97,44. Доступны версии весов для PyTorch, TensorFlow и Flax. Модель распространяется по лицензии Apache-2.0. Показатели качества приведены для конкретного набора данных Persian News; качество на других жанрах, источниках и схемах классов может отличаться.

elsayovita/bge-small-en-v1.5-esg-v2 — англоязычная модель Sentence Transformers, дообученная на базе BAAI/bge-small-en-v1.5 для поиска и сравнения текстов по смыслу. Она кодирует предложения и абзацы в плотные векторы размерностью 384, которые можно сравнивать косинусной близостью; архитектура включает BERT, CLS-пулинг и нормализацию. Максимальная длина входа — 512 токенов. Обучение проводилось на 11 863 парах контекста и вопроса, связанных с ESG-отчётностью. Модель подходит для семантического поиска по документам и вопросам, поиска перефразировок, кластеризации и классификации текста. В README приведены метрики поиска для вариантов векторов размерностью от 32 до 384; уменьшение размерности снижает качество. Модель распространяется по лицензии Apache-2.0.

ByT5-large — предварительно обученная модель Google на архитектуре T5, работающая непосредственно с последовательностями UTF-8 байтов без токенизатора. Модель содержит около 1,2 млрд параметров и обучалась на mC4 с задачей маскирования фрагментов; supervised-обучение для прикладных задач не проводилось, поэтому перед использованием её нужно дообучить под целевую задачу. Модель предназначена для дообучения на задачах преобразования текста, особенно когда данные содержат опечатки, шум или нестандартное написание. Она поддерживает многоязычный текст и может быть полезна в сценариях, чувствительных к орфографии и произношению; в карточке отмечено превосходство над mT5-large на TweetQA. Работа с байтами избавляет от отдельного токенизатора, но последовательности обычно длиннее токенизированных, что может повышать вычислительные затраты. Лицензия — Apache-2.0.

nielsr/canine-s — репозиторий с весами CANINE-S, опубликованный nielsr на Hugging Face; сама модель разработана Google и представляет собой многоязычный энкодер-трансформер для представления текста. Модель содержит 113,2 млн параметров и принимает текст на уровне символов Unicode без обычного токенизатора; при предобучении она предсказывает субсловные токены по символьному вводу. Метаданные указывают контекст до 16 384 токенов. Модель предназначена прежде всего для извлечения признаков и последующей тонкой настройки для задач классификации последовательностей и токенов, а также ответов на вопросы. Она обучалась на многоязычных данных Википедии для 104 языков. Это не модель для генерации текста; лицензия Apache-2.0 указана для исходной модели Google CANINE-S.

Solstice-AI/DeepSeek-V4-Flash-Vision-Exp-UltraOptimised-GGUF-DSpark — это набор GGUF-квантизаций экспериментальной мультимодальной модели DeepSeek-V4-Flash-Vision-Exp, разработанной DeepSeek AI и подготовленной Solstice-AI. Набор предназначен для локального запуска и инференса в сценариях image-text-to-text, включая анализ изображений и работу с текстом, с поддержкой llama.cpp и Ollama. Модель имеет архитектуру MoE с 305 млрд общих параметров, 256 маршрутизируемыми экспертами, Multi-Head Latent Attention и Compressed Sparse Attention; в README также указано 13 млрд активных параметров на токен. Визуальная часть включает 32-слойный Vision Transformer с размером патча 14 и коэффициентом уменьшения 3. Заявлено окно контекста 1 048 576 токенов. В комплект входят квантизации UD-IQ4_XS, UD-Q3_K_XL и UD-Q8_K_XL, отдельный BF16-проектор изображений и DSpark-драфтер для speculative decoding. Сильные стороны набора — поддержка мультимодальных задач, очень длинного контекста, нескольких вариантов компромисса между размером, скоростью и точностью, а также сохранение проектора изображений в BF16. DSpark-драфтер заявлен как средство ускорения спекулятивного декодирования примерно в 1,4–1,7 раза, однако фактическая производительность зависит от оборудования и программного стека. Модель требует значительных ресурсов: указанные варианты занимают примерно 128,2–161,9 ГБ, а проектор — 934,5 МБ; в README приведены целевые конфигурации с 128–192 ГБ памяти и несколькими GPU. Лицензия набора — MIT. README не указывает поддерживаемые естественные языки. В описании также есть расхождение: заявлены 13 млрд активных параметров на токен и одновременно 6 активных экспертов на токен, поэтому точную схему маршрутизации следует уточнять по исходной модели.

Потоковая модель для определения активности речи и диаризации: она выдаёт вероятности активности каждого говорящего по кадрам аудио. Репозиторий mlx-community содержит конвертированные в формат MLX веса модели NVIDIA diar_streaming_sortformer_4spk-v2.1; в README описана архитектура FastConformer с 17 слоями, Transformer Encoder с 18 слоями и модулями Sortformer. Модель принимает монофонический звук с частотой 16 кГц и рассчитана на записи с участием до четырёх говорящих. Для потоковой обработки использует кэш говорящих и сжатие контекста AOSC, а в файловом режиме учитывает контекст на границах чанков. Подходит для разметки смены говорящих в реальном времени и последующей сегментации аудиозаписей. Это конверсия исходной модели NVIDIA в MLX, подготовленная сообществом mlx-community для библиотеки mlx-audio. Лицензия в предоставленных данных не указана.

FinDeBERTa — модель на базе DeBERTa-v3-Large, дообученная для многометочной классификации финансовых новостных заголовков. Она относит текст к одному или нескольким из 18 типов событий, включая дивиденды, занятость, слияния и поглощения, финансовую отчётность, юридические события и изменения стоимости ценных бумаг. Модель имеет 533,8 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и поддерживает контекст до 512 токенов. При обучении применялись Focal Loss и подбор порогов отдельно для каждого класса. В README указаны Macro F1 0,692 и Micro F1 0,691; результаты различаются по категориям событий. Модель предназначена для автоматической разметки коротких финансовых новостей и может использоваться для мониторинга событий и сортировки публикаций по типам. Она оптимизирована для заголовков финансовых новостей и может хуже работать на длинных текстах и в других предметных областях; редкие классы распознаются менее надёжно. Лицензия — MIT.

FinMA-7B-full — финансовая языковая модель, разработанная командой проекта PIXIU. Это LLaMA-модель, дообученная следовать инструкциям на полном наборе инструкционных данных PIXIU, включая задачи обработки естественного языка и прогнозирования в финансовой сфере. Модель предназначена для генерации ответов и анализа финансовых текстов в прикладных сценариях. Модель может применяться для классификации новостных заголовков и тональности, распознавания финансовых сущностей, ответов на вопросы и выполнения других финансовых NLP- и прогнозных задач через текстовые инструкции. В метаданных указаны английский язык, библиотека Transformers и формат PyTorch; лицензия — MIT. README не сообщает размер базовой модели, длину контекста или количественные оценки качества.

Mungert/Glyph-GGUF — это GGUF-версия мультимодальной модели Glyph, созданной на базе GLM-4.1V-9B-Base. Исходную модель разработала исследовательская команда THU-COAI; данный вариант был преобразован и опубликован Mungert с использованием llama.cpp. Модель предназначена для задач image-text-to-text и обработки длинного контекста через визуально-текстовое сжатие: длинные текстовые последовательности преобразуются в изображения, которые затем анализируются vision-language model. Модель рассчитана на ответы по содержимому изображений и текста, включая понимание визуализированных длинных документов и последовательностей. Заявлены китайский и английский языки, поддерживаются текстовая и визуальная модальности. Точный размер контекстного окна и архитектурные детали в README не указаны; известна базовая модель с размером 9B параметров. GGUF-квантизация ориентирована на запуск через llama.cpp, а автор дополнительно повышает точность отдельных важных слоёв, увеличивая размер файлов по сравнению с обычной конфигурацией той же разрядности. Сильными сторонами являются подход к масштабированию эффективного контекста, снижение вычислительных и memory-затрат по сравнению с непосредственной обработкой очень длинного текста, а также возможность локального запуска GGUF-вариантов. Ограничения включают чувствительность к параметрам рендеринга, трудности с распознаванием мелких и редких буквенно-цифровых строк, например UUID, и недостаточно изученную применимость к задачам, не связанным с длинным контекстом. Модель распространяется по лицензии MIT.

InternVL3-38B-Instruct — мультимодальная модель OpenGVLab для диалога и анализа изображений. Это версия SFT семейства InternVL3: она прошла мультимодальное предварительное обучение и supervised fine-tuning, но не этап MPO. Архитектура следует схеме ViT-MLP-LLM: визуальный модуль InternViT соединён через MLP-проектор с языковой моделью; обработка изображений использует динамическое разбиение на фрагменты 448×448 и позиционное кодирование V2PE. Модель также обучалась на видеоданных. Модель предназначена для ответов на вопросы по изображениям, мультимодальных рассуждений и понимания видео, а также для задач с интерфейсами GUI, инструментами и 3D-сценами. Семейство заявлено как мультиязычное; карточка описывает текстовые и визуальные возможности, однако точный размер параметров и длина контекста для этой версии в предоставленных данных не указаны. В сравнении с InternVL 2.5 авторы заявляют улучшение мультимодального восприятия и рассуждений. Модель доступна по лицензии Apache-2.0. Ограничения включают отсутствие этапа MPO у этой SFT-версии; для неизвестных изображений или видео возможны ошибки интерпретации, а качество и производительность зависят от используемых разрешений и вычислительных ресурсов.

OpenGVLab/InternVL3_5-30B-A3B-Flash — мультимодальная модель семейства InternVL3.5, дообученная на основе OpenGVLab/InternVL3_5-30B-A3B. Она принимает изображения и текст и предназначена для диалогов, визуальных вопросов и ответов, а также рассуждений по содержимому изображений. Поддерживает мультимодальные сценарии, включая обработку нескольких изображений; карточка указывает архитектуру InternVLChatModel и загрузку через Transformers. В семействе InternVL3.5 применяются каскадное обучение с подкреплением для улучшения рассуждений, Visual Resolution Router для динамической настройки разрешения визуальных токенов и раздельное развёртывание зрения и языковой модели для повышения эффективности инференса. README также заявляет поддержку взаимодействия с GUI и embodied-сценариев для семейства. Размер контекста и точные языки этой версии в предоставленных данных не приведены; метаданные характеризуют языковую поддержку как многоязычную. Лицензия — Apache-2.0. Для запуска требуются значительные вычислительные ресурсы: для моделей семейства до 30B параметров README приводит возможность развёртывания на одной A100.

Jazari-4B-SFT-TR — модель на 4 млрд параметров семейства Qwen3.5, разработанная автором репозитория mahsum и адаптированная для турецкого языка. Она прошла продолженное предобучение на турецких текстах и дообучение с учителем на 73 182 примерах из 13 категорий. Модель предназначена для диалогов, классификации, анализа системных журналов и формирования структурированных ответов; автор сообщает о применении в мониторинге Linux и поддержке интерфейса вызова инструментов. В тестах автора модель показала хорошую связность на турецком и стабильное создание JSON для задач классификации при структурированном запросе и temperature=0. Скорость и потребление памяти в карточке указаны как результаты конкретных конфигураций и не гарантируют такие же показатели в других средах. Известные ограничения включают чрезмерную уверенность, слабую точность на специализированных категориях без дополнительного обучения, ненадёжный перевод с турецкого на английский и более низкий результат по математике, чем у базовой модели. Лицензия — Apache-2.0.

Karti-Small-VL-4B — мультимодальная модель на 4,66 млрд параметров от Lumbridge, дообученная на базе Qwen/Qwen3.5-4B. Она принимает изображения и текст и предназначена для локальных агентов, которым нужно читать панели и экраны, определять элементы интерфейса и передавать результаты инструментам. Модель особенно ориентирована на точное распознавание текста на отрисованных панелях и экранах, а также на отказ от ответа, когда идентификатор невозможно надёжно прочитать. В README сообщается о снижении частоты выдуманных идентификаторов с 0,378 до 0,023, улучшении чтения панелей и привязки к элементам GUI. Прирост привязки частично связан с освоением нормализованных координат; качество чтения фотографий существенно не изменилось относительно базовой модели. Модель обучена методом LoRA с последующим слиянием весов; опубликована в BF16 в формате safetensors. Базовая модель описана как поддерживающая диалог, понимание изображений, рассуждения и вызов инструментов, но в метаданных этой модели явно отмечены только чат и зрение. Для использования нужны Transformers и совместимый мультимодальный обработчик; в README также приведены результаты инференса через vLLM на NVIDIA DGX Spark. Лицензия — Apache-2.0. Контекст 32k указан как параметр теста скорости, поэтому его нельзя считать подтверждённой нативной длиной контекста модели.