I.3Извлечение и структурирование данных

Mungert/Qwen2.5-VL-32B-Instruct-GGUF — это мультимодальная instruct-модель семейства Qwen2.5-VL, опубликованная пользователем Mungert в формате GGUF для запуска через llama.cpp. Она предназначена для задач «изображение—текст», включая анализ и описание изображений по текстовым запросам. В README приведён пример распознавания изображения автомобиля с помощью llama-mtmd-cli; для работы требуются основной файл модели и отдельный файл mmproj для мультимодального проектора. Модель имеет размер 32B параметров, поддерживает обработку изображений и текста, а в метаданных указан английский язык. Доступны варианты с разной точностью, включая F16, BF16 и квантованные форматы Q4_K, Q6_K, Q8 и ultra-low-bit варианты IQ. Квантование уменьшает требования к памяти и делает модель более подходящей для CPU, устройств с ограниченным объёмом VRAM и edge-развёртываний, однако может снижать точность. Заявленные результаты DynamicGate относятся к отдельным тестам на Llama-3-8B, поэтому их нельзя напрямую считать результатами этой модели. Для инференса необходимо использовать совместимые инструменты llama.cpp и правильно сопоставить GGUF-файл модели с mmproj-файлом. Конкретный размер контекстного окна, детальные сведения об архитектуре, производительности на Qwen2.5-VL-32B и полный перечень поддерживаемых языков в README не указаны. Лицензия — Apache 2.0.

Qwen3-1.7B Teacher Note Severity — дообученная с помощью LoRA модель на базе Qwen/Qwen3-1.7B, разработанная jeremierostan для классификации заметок учителей о поведении и учебных результатах учащихся. Модель принимает отдельную заметку или последовательный журнал и генерирует JSON с категорией «поощрение», «нарушение поведения» или «учебная проблема», оценкой серьёзности и признаком необходимости эскалации администрации. Модель использует плотную архитектуру Qwen3ForCausalLM с 1,7 млрд параметров и контекстом до 40 960 токенов. Она предназначена для структурированной разметки заметок и выделения случаев, требующих внимания: согласно карточке, серьёзность от 60 означает эскалацию, а поощрения получают отрицательные значения. Обучение проводилось на синтетических данных; на тесте из 200 синтетических примеров указаны точность категории 0,995, точность диапазона серьёзности 0,910 и полностью разбираемый JSON, но эти результаты не подтверждают качество на реальных школьных записях. Модель принимает текст и выдаёт текст с результатами классификации в JSON. В карточке указана лицензия Apache-2.0. Языки и переносимость результатов на реальные данные в карточке не описаны.

Qwen3-VL 8B Instruct Null-Space Abliterated — мультимодальная модель на основе Qwen/Qwen3-VL-8B-Instruct, изменённая Jim Lai с помощью ортогональной проекции для ослабления поведения отказа. Она предназначена для диалога с изображениями и анализа визуального содержимого. В методе использованы ограничение обновлений нуль-пространством, адаптивное взвешивание слоёв и сохранение норм весовых матриц; заявленная цель — сохранить возможности исходной модели при изменении отказов. Модель принимает текст и изображения и выдаёт текст; базовая Qwen3-VL также поддерживает анализ видео, OCR и визуальное рассуждение. Карточка не описывает отдельные проверки качества этой версии. Модель распространяется по лицензии Apache-2.0.

RelBERT на базе roberta-base — модель, разработанная для представления и анализа семантических отношений между понятиями. Она дообучена на relbert/conceptnet_relational_similarity и содержит около 151,8 млн параметров; модель принимает текст и выдаёт признаки, используемые для сравнения отношений. Контекст составляет до 514 токенов. Модель подходит для решения аналогий, классификации лексических отношений и сопоставления отношений. В README приведены результаты на наборах SAT, BATS, BLESS, EVALution и других; качество зависит от набора данных и задачи. Модель распространяется в формате PyTorch, пользоваться ею можно через библиотеку relbert. Лицензия в предоставленных сведениях не указана.

SauerkrautLM-ColMinistral3-3b-v0.1 — экспериментальная мультимодальная модель VAGOsolutions для визуального поиска по документам. Она основана на Ministral и использует визуальный энкодер Pixtral; модель обучена для извлечения документов и представления страниц в виде многовекторных эмбеддингов размерности 128 с поздним взаимодействием в стиле ColBERT. Параметры модели — 3 млрд. Модель принимает изображения страниц и текстовые запросы, чтобы находить релевантные документы с учётом структуры макета, таблиц, форм и графиков. Заявлена поддержка английского, немецкого, французского, испанского, итальянского и португальского языков. В README приведены результаты на ViDoRe и MTEB; авторы отмечают, что модель уступает более новым вариантам для retrieval и рекомендуют её для экспериментов, а не для производственного развёртывания. Лицензия — Apache-2.0.

Belumind SBD-SQL 0.5B — модель семейства Qwen2, дообученная разработчиком Belumind для ускорения генерации SQL с помощью Set Block Decoding. Это плотная авторегрессионная языковая модель примерно на 494 млн параметров с поддержкой чата и контекстом до 32 768 токенов. В одном чекпойнте объединены предсказание следующего токена и вспомогательное предсказание блока токенов; декодер также использует предложения из n-грамм и проверяет их без отдельной черновой модели. Модель ориентирована на генерацию SQL и ускоренный инференс при пакетной генерации запросов. В описанном тесте на отложенных SQL-документах ускорение составило 1,58 раза относительно обычного greedy-декодирования на тех же весах и GPU; результат зависит от корпуса и метода декодирования. Дообучение заметно ухудшило качество относительно базовой Qwen2.5-0.5B: на приведённом наборе NLL выросла, а точность следующего токена снизилась на 8,4 процентного пункта. Модель распространяется по лицензии Apache-2.0.

NYTK разработала экспериментальную модель Hungarian Experimental Sentence-BERT на основе предварительно обученной huBERT, дообучив её на параллельном корпусе Hunglish 2.0. Модель использует архитектуру BERT и mean pooling для получения эмбеддингов предложений; размер составляет 137,8 млн параметров. Её назначение — кодировать предложения так, чтобы представления отражали семантическое сходство, по примеру bert-base-nli-stsb-mean-tokens от UKPLab. Модель подходит для сравнения предложений на венгерском языке и для поиска семантически близких текстов. Карточка сообщает о проверочной ошибке MSE 0,106 после двух эпох обучения; контекст по метаданным — 512 токенов, а заявленный в README max_seq_length — 128. Лицензия Apache-2.0. Показатель на валидационной выборке сам по себе не подтверждает качество на других наборах данных; модель обозначена как экспериментальная.

CMB-ClimateModernBERT/S_F_CX_LRD — англоязычная encoder-only модель ModernBERT-Base, дообученная продолженным предобучением на синтетических климатических текстах и климатически релевантных материалах из веба. Её разработчики позиционируют модель для исследований в области обработки климатических текстов и последующей тонкой настройки для классификации, многометочной разметки и поиска по корпоративной отчётности, документам государственной политики, научной литературе и новостям о климате. Модель содержит 149 млн параметров, использует архитектуру ModernBertForMaskedLM и поддерживает контекст до 8192 токенов. В карточке сообщается о среднем F1 74,1 по девяти климатическим NLP-бенчмаркам; сама модель предназначена для заполнения маскированных пропусков и получения текстовых представлений, а не для диалога или генерации инструкционных ответов. Весами распоряжается лицензия базовой модели; отдельные условия лицензирования этого чекпойнта в предоставленных данных не приведены.

eugenehp/siglip2-base-naflex — staging-репозиторий с перераспространённым чекпойнтом Google SigLIP 2 NaFlex для запуска через RLX. Это плотная модель семейства SigLIP 2 с поддержкой изображений переменного соотношения сторон; в репозитории есть веса Safetensors и вариант GGUF F16. Модель предназначена для классификации изображений по текстовым меткам без специального дообучения: например, можно сопоставить изображение с вариантами «документ» и «фотография». Для запуска README приводит команду с библиотекой rlx-siglip2. Репозиторий отмечен как staging-переиздание upstream-чекпойнта, а не основной пакет для runtime RLX; README рекомендует обращаться к upstream, если нужен исходный чекпойнт. В метаданных указана лицензия Apache-2.0. Данные о размере параметров, контексте и поддерживаемых естественных языках не приведены; поскольку задача визуальная и ответы представляются оценками соответствия меткам, модель не рассчитана на основной язык.

SmolVLM-256M-Base — мультимодальная модель из репозитория HuggingFaceTB, предназначенная для преобразования изображений и текстовых запросов в текстовые ответы. Модель доступна для использования через библиотеку Transformers и связана с архитектурой Idefics3; размер 256M следует из названия модели. Модель подходит для сценариев, в которых требуется задавать вопросы по изображениям, получать текстовое описание визуального содержимого или вести диалог с учётом изображения. README автоматически сгенерирован и не содержит сведений о лицензии, языках, контексте, обучающих данных, результатах оценки и специальных ограничениях, поэтому эти характеристики нельзя надёжно определить по предоставленным данным.

Классификатор арабской тональности HassanB4 для определения позиции автора твита по отношению к заданной теме. Модель разработана для Track 1 соревнования StanceEval-2026 и дообучена на многоязычном BERT google-bert/bert-base-multilingual-cased. Это плотная архитектура BERT для классификации последовательностей с 205,1 млн параметров и контекстом до 512 токенов. На вход подаются арабский твит и целевая тема; модель относит позицию к одному из трёх классов: Favor, Against или None (нейтральная, нерелевантная либо неясная позиция). Обучение и оценка охватывали уже встречавшиеся в обучающих данных темы: вакцины от COVID-19, цифровую трансформацию и расширение прав женщин. На dev-наборе Mawqif-v2 результат составил 69,07 Favg2. Модель распространяется по лицензии Apache-2.0.

Video-ORA-9B — мультимодальная модель OraRL на 9 млрд параметров, дообученная на базе Qwen/Qwen3.5-9B методом OraRL (Annotations as Rollouts). Она предназначена для унифицированного анализа изображений и видео и выдаёт структурированные ответы для семи групп задач: временной привязки событий, визуального отслеживания объектов, сегментации изображений и видео, пространственной привязки, пространственно-временной привязки, ответов на вопросы по видео и пространственного анализа. Модель построена на архитектуре Qwen3_5ForConditionalGeneration, использует веса BF16 и принимает визуальные данные вместе с текстовыми запросами. Для запуска README приводит конфигурацию vLLM с длиной контекста до 262144 токенов; это значение относится к описанной конфигурации обслуживания. Модель рассчитана на исследовательские эксперименты, оценивание на бенчмарках и адаптацию под конкретные задачи восприятия изображений и видео. По заявлению авторов, она охватывает все семь групп задач и отвечает без декодирования цепочки рассуждений. Веса распространяются под лицензией Apache-2.0, при этом лицензии обучающих и оценочных наборов остаются отдельными. Это исследовательский чекпойнт: ответы могут иметь некорректный формат и содержать вымышленные визуальные детали; также возможны ограничения и смещения базовой модели и обучающих данных. Модель не валидирована для критически важных решений; авторы исключают из предполагаемого применения выводы об идентичности и использование для наблюдения.

thelou1s/yamnet — копия модели YAMNet, предназначенной для классификации звуковых событий по аудио. Репозиторий содержит модель в формате TFLite; в метаданных указаны связь с набором AudioSet и мультиязычная маркировка. Модель принимает аудио и выдаёт классы звуковых событий. Для этого репозитория указана лицензия Apache-2.0. README не содержит подробностей о размере модели, поддерживаемых классах и конкретных ограничениях применения.

AfriBERTa small — предварительно обученная многоязычная модель языка от исследовательской группы CASTOR в Университете Ватерлоо, предназначенная для работы с африканскими языками. В репозитории опубликована версия с архитектурой XLM-RoBERTa и примерно 91,5 млн параметров; README описывает 4 слоя, 6 голов внимания, размер скрытого представления 768 и внутренний слой 3072. Модель поддерживает заполнение маскированных токенов и может служить основой для дообучения под классификацию текста и распознавание именованных сущностей. Модель предварительно обучена на 11 африканских языках, включая оромо, амхарский, киньяруанда, кирунди, хауса, игбо, нигерийский пиджин, сомали, суахили, тигринья и йоруба. Для предварительной подготовки использовались материалы BBC и Common Crawl. Контекст составляет до 514 токенов по метаданным репозитория; в примере README для токенизатора задаётся предел 512 токенов. Доступны веса PyTorch и TensorFlow. Модель может быть полезна как отправная точка для NLP-задач на африканских языках, в том числе для языков, не входивших в обучение. Небольшой объём обучающих данных и их преимущественно новостной характер могут ограничивать обобщение и понимание сложных языковых связей. Лицензия в предоставленных данных не указана.

AndesVL-0.6B-Instruct — компактная мультимодальная модель OPPO из семейства AndesVL, построенная на языковой модели Qwen3-0.6B и визуальном энкодере SigLIP2-Base. Она предназначена для запуска на мобильных и других периферийных устройствах и принимает изображения вместе с текстовыми запросами, чтобы отвечать на вопросы и выполнять диалоговые задачи. Модель рассчитана на визуальные вопросы и ответы, работу с насыщенными текстом изображениями, рассуждения по изображению, обработку нескольких изображений и задачи с графическим интерфейсом. В README описаны архитектура «1+N» LoRA и подход QALFT для адаптации задач и сжатия; заявлены ускорение декодирования и сжатие на мобильных чипах, но отдельные показатели для этого чекпойнта не приведены. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Она может ошибаться при распознавании мелкого текста и сложных визуальных сцен; метаданные не уточняют длину контекста и поддерживаемые языки.

HooshvareLab/bert-base-parsbert-uncased — одноязычная модель понимания персидского языка, разработанная командой HooshvareLab на архитектуре Google BERT Base. Это плотный трансформер с 190 млн параметров и контекстом до 512 токенов; модель предварительно обучена на корпусе из более чем 2 млн персидских документов разных жанров, включая научные тексты, романы и новости. Веса доступны в форматах PyTorch, TensorFlow и Flax. Основная задача этой версии — предсказание замаскированных токенов (fill-mask): модель подставляет вероятные слова в пропуски в персидском тексте. ParsBERT также использовали как основу для доработки под анализ тональности, классификацию текстов и распознавание именованных сущностей; результаты карточки показывают сильные оценки на персидских наборах данных для этих задач. Модель использует uncased-токенизацию, предварительную обработку текста и сегментацию WordPiece. Модель предназначена для персидского языка. Указанная в метаданных задача — fill-mask; результаты для классификации и NER относятся к downstream-сценариям и могут требовать дополнительной настройки модели. Сведения о лицензии в предоставленных данных отсутствуют.

Модель efeyol11/bert-turkish-sentiment разработана efeyol11 для классификации тональности турецких текстов. Это дообученная модель BERT с архитектурой BertForSequenceClassification и 137,8 млн параметров; она относит текст к одному из трёх классов: отрицательному, нейтральному или положительному. Модель рассчитана прежде всего на короткие и средние тексты, особенно заголовки новостей вместе с краткими аннотациями, а также может применяться для анализа комментариев и публикаций в соцсетях. Модель дообучена на savasy/bert-base-turkish-sentiment-cased с использованием winvoker/turkish-sentiment-analysis-dataset. В README указана длина обучения 128 токенов; метаданные сообщают о контексте до 512 токенов. В тестировании на указанном датасете заявлены accuracy 0,9728 и macro-F1 0,9535, однако эти результаты не гарантируют аналогичное качество на других данных. Модель не предназначена для аспектного анализа, длинные входы обрезаются, а сарказм, ирония и узкие новостные темы могут снижать надёжность. Возможны смещения обучающего корпуса и усиление ошибок при еженедельном дообучении на псевдоразметке. Лицензия — Apache 2.0.

anhtk/bge-m3-vietnamese-psychology-v2 — текстовая Sentence Transformer-модель, дообученная автором на базе BAAI/bge-m3 для представления вьетнамских предложений и абзацев в виде плотных эмбеддингов. Модель использует XLM-RoBERTa с CLS-пулингом и нормализацией, формирует векторы размерности 1024 и сравнивает их по косинусному сходству. Максимальная длина последовательности — 8192 токена; модель рассчитана на retrieval и поиск семантически близких текстов. Область адаптации — тексты о психологии: среди примеров обучающих данных есть вопросы о психологическом состоянии и консультациях. Модель подходит для поиска похожих обращений и извлечения релевантных фрагментов из вьетнамских психологических материалов. Она выдаёт эмбеддинги, а не готовые ответы или диагнозы; качество для иных тематик отдельно не подтверждено. Распространяется в формате safetensors; лицензия в предоставленных данных не указана.

BnLM-F — это предварительно обученная языковая модель для бенгальского языка из семейства BnLM, разработанного для эффективной обработки текстов на бенгали. Модель содержит 135 млн параметров, использует архитектуру DistilBERT и обучалась с нуля на корпусе B-CORE с помощью задачи masked language modeling. Токенизатор — WordPiece с бенгальским словарём размером 120 тыс. токенов; длина контекста составляет 512 токенов. Модель подходит для заполнения пропусков в бенгальском тексте и извлечения признаков. Она не дообучена для классификации, распознавания именованных сущностей и других прикладных задач, поэтому для них потребуется дополнительное обучение. В README заявлены высокая точность на BLUGE и других бенчмарках, а также меньшие вычислительные затраты по сравнению с многоязычными альтернативами. Веса доступны в формате safetensors по лицензии CC BY 4.0.

Это классификатор соответствия требованиям, созданный на базе answerdotai/ModernBERT-base в рамках проекта Adaptive Classifier. Модель распределяет текст по пяти классам: GDPR, HIPAA, PCI, SOX и other; карточка указывает 25 обучающих примеров, поровну по пяти классам, и эмбеддинги размерностью 768. Поддерживается непрерывное обучение с динамическим добавлением классов. Модель предназначена для предварительной сортировки текстов по темам нормативного соответствия, например для маршрутизации документов или запросов к нужному процессу проверки. Для добавления класса требуется не менее трёх примеров; на класс предусмотрено не более 150 примеров, а прототипы обновляются каждые десять примеров. Лицензия — Apache-2.0. Карточка не сообщает показатели качества или конкретные поддерживаемые языки.

sindsub/cybersec-mpnet-finetuned-round2 — дообученная модель Sentence Transformers на базе sindsub/cybersec-mpnet-finetuned, разработанная для получения эмбеддингов текстов по тематике кибербезопасности. Архитектура MPNet с усреднением токенных представлений и нормализацией формирует плотные векторы размерностью 768; сходство текстов можно оценивать косинусной мерой. Модель принимает текст и подходит для поиска и извлечения релевантных предложений и абзацев. В README указаны 2 775 обучающих пар и максимальная длина последовательности 384 токена; метаданные каталога указывают контекст до 514 токенов. Обучение использует MultipleNegativesRankingLoss. Модель ориентирована на англоязычные тексты в области кибербезопасности. Лицензия в предоставленных данных не указана.

sindsub/cybersec-mpnet-finetuned-round3 — текстовая модель Sentence Transformer, разработанная sindsub и дообученная на базе sindsub/cybersec-mpnet-finetuned-round2. Она преобразует предложения и абзацы в плотные векторы размерностью 768, нормализованные для сравнения по косинусному сходству. Модель построена на MPNet с усредняющим pooling; размер составляет 136,7 млн параметров. README указывает максимальную длину последовательности 384 токена, а метаданные — контекстное окно 514 токенов. Модель предназначена для семантического поиска и извлечения релевантных материалов по текстовым запросам, в частности в корпусах по кибербезопасности. Её можно использовать для поиска описаний угроз, методов атак и связанных документов по коротким названиям или формулировкам. Обучение проводилось на 2 775 парах anchor-positive с MultipleNegativesRankingLoss. Лицензия в предоставленных данных не указана.

Fara1.5-9B — мультимодальный агент для управления веб-браузером, разработанный Microsoft Research AI Frontiers. Модель дообучена на базе Qwen/Qwen3.5-9B с использованием траекторий, созданных и проверенных конвейером FaraGen1.5. Она анализирует снимки экрана и историю предыдущих действий, затем выдаёт структурированные вызовы инструментов: например, щёлкнуть, ввести текст, прокрутить страницу, открыть URL или выполнить веб-поиск. Модель не использует DOM или дерево доступности; контекст составляет 262 тыс. токенов. Модель предназначена для выполнения многошаговых задач в браузере: заполнения форм, поиска информации, покупок, бронирований и других пользовательских сценариев. Она также может предсказывать координаты элементов интерфейса для других агентов. Для работы разработчики рекомендуют запускать её с harness из Fara CLI или Magentic-Lite; в карточке указана лицензия MIT. В модели предусмотрено обучение останавливаться и запрашивать разрешение перед вводом персональных данных и выполнением необратимых действий, таких как отправка формы или покупка. Однако точность многошаговых сценариев может снижаться из-за накопления ошибок, неоднозначного или вводящего в заблуждение интерфейса, а также prompt injection на веб-страницах. Качество хуже для неанглоязычного контента; модель может неверно определять состояние страницы или выдавать устаревшие сведения.

Fin-ModernBERT — англоязычная модель семейства ModernBERT, разработанная clapAI посредством продолженного предобучения ModernBERT-base на финансовых текстах. Модель содержит 149 млн параметров и предназначена для заполнения пропусков в тексте; её можно адаптировать к анализу тональности, распознаванию финансовых сущностей, классификации, ответам на вопросы и поиску по финансовым документам. Карточка описывает обучение на корпусе FinData-dedup, собранном из финансовых новостей, публикаций о фондовом рынке и криптовалютах. В README указана длина контекста 1024 токена, а метаданные каталога приводят native context в 8192 токена. В приведённых в карточке тестах модель показала более высокие F1-результаты, чем ProsusAI/finbert и ModernBERT-base, на CIKM и PhraseBank; оценка других задач ещё продолжается. Для работы доступны веса в формате safetensors и библиотека Transformers. Лицензия — Apache-2.0.

Historical Page Classifier — компактный классификатор изображений на MobileNetV2 от проекта small-models-for-glam. Он определяет, содержит ли страница исторического документа иллюстрацию: гравюру, фотографию, карту, диаграмму или научное изображение. Модель дообучена для бинарной классификации на 1 896 размеченных страницах книг из Internet Archive; заявленная точность на тестовой выборке — 95,09%, F1 для класса «illustrated» — 0,92. Модель рассчитана на обработку оцифрованных исторических книг в цифровых библиотеках, IIIF-процессах и гуманитарных исследованиях. Она занимает около 2,5 МБ в квантованном формате ONNX и оптимизирована для работы в браузере через transformers.js; README также описывает использование с Python. Лицензия — Apache-2.0. Обучающая выборка преимущественно содержит западные исторические книги. Классификатор может ошибаться на страницах с текстом и небольшой иллюстрацией и не предназначен для современных документов. Заявленные показатели относятся к тестовой выборке и не гарантируют ту же точность на других коллекциях.

HumBert (Humanitarian BERT) — языковая модель Николò Таманьоне из Data Friendly Space, основанная на XLM-RoBERTa и адаптированная на гуманитарных текстах. Обучение продолжалось на корпусе примерно из 50 миллионов текстовых примеров, около 2 миллиардов токенов, собранных из ReliefWeb, UNHCR Refworld и Europe Media Monitor News Brief. Модель предназначена для работы с текстами гуманитарной тематики и предсказания замаскированных токенов. Её можно дообучать для классификации последовательностей и токенов, например для классификации текстов о реагировании на бедствия. Модель рассчитана на английский, французский и испанский языки; размер — около 305,2 млн параметров, контекст — до 514 токенов. Доступны веса PyTorch, Safetensors и TensorFlow. Лицензия — Apache-2.0. Публичных результатов бенчмарков в карточке нет; качество на конкретных downstream-задачах может потребовать отдельной проверки и дообучения.

Akshat Surolia опубликовал Clinical BERT для предсказания кодов ICD-10 по клиническим текстам. Это модель классификации текста на базе BERT с 135,5 млн параметров и контекстом до 512 токенов; веса представлены в формате PyTorch и загружаются через библиотеку Transformers. В статье о Clinical BERT описаны варианты, инициализированные BERT-Base или BioBERT и обученные на всех записях MIMIC либо только на выписках; README не уточняет, какой именно вариант лежит в этом репозитории. Модель предназначена для классификации клинических записей с целью предсказания кодов ICD-10. Она выпущена под лицензией Apache-2.0. Карточка не сообщает показатели качества и не описывает ограничения для клинического применения; предсказания следует рассматривать как вспомогательные, а не как замену проверке специалистом.

OpenGVLab/InternVL3_5-1B — мультимодальная модель из семейства InternVL3.5, разработанная OpenGVLab. Это дообученная версия InternVL3_5-1B-MPO; репозиторий содержит плотную архитектуру InternVLChatModel в формате safetensors и рассчитан на использование через Transformers. Лицензия — Apache-2.0. Модель принимает изображения и текст и формирует текстовые ответы в диалоговом режиме. Она предназначена для вопросов по изображениям, визуального рассуждения и задач понимания изображений; семейство также заявляет поддержку GUI-взаимодействия и embodied-задач. В карточке указана многоязычная поддержка, но конкретные языки и размер контекста для этой версии не приведены. InternVL3.5 использует Cascade RL для улучшения рассуждений и Visual Resolution Router для динамической настройки разрешения визуальных токенов; семейство также описывает раздельное развертывание зрения и языковой модели для повышения эффективности инференса. Эти характеристики представлены для семейства в целом, поэтому их применимость именно к версии 1B может различаться. Практическая производительность зависит от изображения и вычислительных ресурсов; в README приведены общие рекомендации по развертыванию моделей серии, но отдельные требования для 1B не указаны.

Kanha-AI/kanha-kanha.ai-1.7b-grounded-qlora-2ep-v1 — дообученная методом QLoRA модель Qwen3-1.7B от Kanha AI для ответов на вопросы по предоставленному контексту с источниками. Это плотная языковая модель на 1,7 млрд параметров с контекстом до 40 960 токенов; карточка указывает поддержку английского языка и диалогового режима. Модель предназначена для контролируемой оценки ответов на вопросы по сайтам и для исследований методов обучения на наборе данных, полученном с сайта Kanha. При генерации модель должна опираться на переданный извлечённый контекст. Если ответа в контексте нет, обученный формат предписывает сообщить об этом заданной фразой. В оценке на 26 примерах полнота для дат и URL составила 1,0, для чисел — около 0,97, а доля детерминированных успешных ответов — около 0,42; результаты ограничены указанным набором и не подтверждают пригодность для браузерного или пользовательского развёртывания. Модель может выдавать неверные, неполные или устаревшие ответы и запоминать обучающие данные. Лицензия в предоставленных сведениях не указана.

Это MXFP4_MOE-квантизация Kimi-VL-A3B-Thinking-2506, опубликованная noctrex. Репозиторий содержит вариант модели в формате GGUF; метаданные также указывают варианты GGUF BF16, F16 и F32. Базовая модель Moonshot AI предназначена для диалогов, визуального анализа и рассуждений по изображениям и видео. Модель принимает текст и изображения и выдаёт текст. Её можно использовать для вопросов по изображениям, визуального анализа и мультимодального диалога. README не содержит сведений о размере, контексте или лицензии, поэтому эти характеристики здесь не приводятся.