I.3Извлечение и структурирование данных

bartowski/Qwen2-VL-7B-Instruct-GGUF — это GGUF-квантизация мультимодальной модели Qwen2-VL-7B-Instruct, разработанной командой Qwen и подготовленной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text: анализа изображений и формирования текстовых ответов по запросам пользователя. Она поддерживает визуальные и текстовые входные данные и может применяться, например, для описания изображений и визуального вопросно-ответного взаимодействия. Модель имеет размер 7B параметров в исходной версии; в репозитории доступны варианты от F16 до низкобитных форматов Q2 и Q3, включая Q4_K_M размером 4,68 ГБ, рекомендованный как стандартный вариант для большинства сценариев. Для обработки изображений в llama.cpp требуется специальный бинарный файл llama-qwen2vl-cli и отдельный multimodal projector. В README явно указан язык English; сведения о длине контекста и поддержке других языков не приведены. Сильной стороной модели является сочетание мультимодального понимания и широкого выбора квантизаций, позволяющего балансировать качество, размер и требования к памяти. Более высокие варианты сохраняют качество, а низкобитные подходят для систем с ограниченным объёмом RAM, но дают худшие результаты. Для использования требуется совместимое окружение llama.cpp и корректный файл projector. Модель распространяется по лицензии Apache-2.0.

SciFive-large-Pubmed_PMC — биомедицинская модель семейства T5, разработанная Long N. Phan и соавторами для работы с научной литературой. Это text-to-text трансформер с 385,2 млн параметров и контекстом до 1024 токенов, обученный на материалах PubMed и открытых публикациях PMC. Модель подходит для классификации биомедицинских текстов; карточка также описывает её как генеративную text-to-text модель, однако для репозитория указан основной сценарий text-classification. Метаданные указывают поддержку английского языка и форматов PyTorch и TensorFlow. Лицензия в предоставленных данных не указана.

SeloWhisper-ko-disfluency — модель распознавания корейской речи с разметкой речевых запинок, дообученная разработчиком репозитория на openai/whisper-large-v3-turbo. Она преобразует корейскую спонтанную речь в текст и вставляет специальные токены для заполнителей пауз, повторов и смеха прямо в расшифровку. Модель построена на архитектуре Whisper encoder–decoder и содержит около 905,3 млн параметров по метаданным Hugging Face. Модель предназначена для расшифровки разговорной корейской речи с сохранением признаков её спонтанности, например при анализе диалогов и подготовке транскриптов. В README приведены метрики на тестовых наборах разговорной речи; для сохранения тегов при декодировании нужно отключить пропуск специальных токенов. Репозиторий распространяется по лицензии MIT. Модель оптимизирована для корейской спонтанной речи и не настроена на новостное вещание, переключение языков или некорейскую речь. Возможны галлюцинации на тишине и очень коротких аудиофрагментах; автор рекомендует предварительно фильтровать такие фрагменты.

nagbhaskar55/slm125mlive-qa-DPO — англоязычная компактная модель семейства Llama, разработанная на основе nagbhaskar55/slm125mlive-bhaskar-finetune. Это плотная авторегрессионная модель на 125,8 млн параметров с контекстом до 1024 токенов, предназначенная для генерации ответов на вопросы по предоставленному фрагменту текста. Модель дообучена методом Direct Preference Optimization (DPO), чтобы улучшить качество и согласованность ответов на запросы с пассажем и вопросом; она ожидает формат slm_chat. Модель подходит для ответов по юридическим и финансовым текстам, извлечения сведений и суммаризации предоставленного материала. README сообщает об улучшении предпочтений на небольшой выборке пар ответов, поэтому результат следует считать настройкой качества ответов, а не появлением новых возможностей. Размер обучающей выборки ограничен, метки предпочтений получены от LLM-судьи, а модель не предназначена для юридических или финансовых консультаций. Метаданные указывают формат safetensors и библиотеку Transformers; сведения о лицензии отсутствуют.

halilatasoy разработал компактную турецкоязычную модель на базе Google Gemma 3 270M IT для обнаружения и маскирования персональных данных. Это плотная авторегрессионная текстовая модель с 257 млн параметров, контекстом до 32 768 токенов и интерфейсом диалога; она принимает инструкции и текст, а в ответ формирует замаскированный текст. Модель дообучена целиком на 24 000 синтетических примеров банковских и ERP-текстов и поддерживает 53 метки PII, включая режимы полного маскирования, белого и чёрного списков и исключения заданных категорий. В опубликованном тесте из 1000 строк точное совпадение составило 0,882, а при нейтральной к схеме оценке — 0,902. Результаты получены на синтетических данных и не подтверждают качество на реальных пользовательских текстах; на сложных примерах, например с несколькими людьми или длинными записями, качество ниже. Модель может выдавать метки вне заданной схемы, поэтому README рекомендует проверять их по списку из 53 меток. Лицензия — Gemma Terms of Use; ответственность за соблюдение KVKK/GDPR лежит на пользователе.

ViSigLIP-OT — мультимодальная модель для поиска соответствий между изображениями и текстом на вьетнамском языке, разработанная как вариант семейства ViCLIP-OT. Это двухэнкодерная модель на 221 млн параметров: текстовый энкодер основан на Vietnamese-SBERT, а визуальный — на DINOv3 ViT-B/16. Для выравнивания представлений изображений и текста используется обучение в стиле SigLIP вместе с функцией потерь Similarity-Graph Regularized Optimal Transport (SIGROT). Модель принимает изображения размером 224 × 224 пикселя и текст длиной до 256 токенов, а выдаёт совместимые векторные представления. Модель предназначена для поиска изображений по вьетнамским текстовым запросам и поиска текстов по изображениям, семантического поиска между модальностями и извлечения признаков для последующих задач компьютерного зрения. В README заявлены высокие результаты на тестах поиска изображение–текст и обобщение zero-shot. Репозиторий распространяется под лицензией GPL-3.0.

vit_reg4_so150m_p14_ls_dino-v2-bio — визуальный энкодер изображений проекта Birder, предназначенный для фотографий живых организмов и объектов биоразнообразия. В основе — Vision Transformer SoViT-150M/14 с четырьмя register-токенами и 133,6 млн параметров; обучение велось с самообучаемой целью в стиле DINOv2 на примерно 31 млн изображений растений, грибов, насекомых, рыб, кораллов, птиц, млекопитающих и других организмов. Модель выпускается в вариантах с разрешением 224×224, 252×252 и 336×336 пикселей. Основной сценарий — извлечение эмбеддингов для поиска визуально похожих изображений, сопоставления с эталонным снимком, кластеризации, организации коллекций и переноса признаков в последующие модели. Она рассчитана на природную фотографию, включая полевые снимки, изображения с фотоловушек и подводную съёмку; это энкодер признаков, а не готовый классификатор видов. Модель дообучена на базе birder-project/dino_v2_vit_reg4_so150m_p14_ls_bio и распространяется по лицензии Apache-2.0. Она не предназначена для микроскопии, медицинских снимков, рентгенограмм, спутниковых изображений, схем, документов и других непохожих на природную фотографию областей; качество зависит от соответствия входных изображений обучающему домену.

Whisper small-singlish — модель автоматического распознавания речи, разработанная Ming Jie Wong на основе OpenAI Whisper small. Это encoder-decoder модель семейства Whisper с 153,1 млн параметров, дообученная для транскрибирования английской речи с особенностями сингапурского разговорного английского (Singlish). Для адаптации использован внутренний набор из 66,9 тыс. пар аудиозаписей и транскрипций, подготовленный на основе близких микрофонных записей корпуса IMDA National Speech Corpus; аудиофрагменты имеют частоту дискретизации 16 кГц и длительность не более 20 секунд. Модель предназначена для транскрибирования разговоров на Singlish, включая повседневные темы и диалоги. Она доступна через Transformers pipeline для automatic speech recognition. Возможны ошибки на сложных аудиозаписях и при нестандартных вариантах речи; результаты следует проверять, особенно перед применением в чувствительных сценариях. Лицензия — Apache-2.0.

MiMo-VL-7B-SFT-2508-GGUF — это GGUF-квантизованная версия мультимодальной модели MiMo-VL-7B-SFT-2508, разработанной XiaomiMiMo. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text: обработки изображений вместе с текстовыми запросами и генерации текстовых ответов по их содержанию. Модель имеет размер 7B параметров и поставляется в нескольких вариантах точности — от BF16 до Q2_K_L, включая рекомендуемые версии Q4, Q5 и Q6. Размер файлов составляет примерно от 3,65 до 15,25 ГБ. Формат GGUF ориентирован на запуск через llama.cpp, LM Studio и другие совместимые приложения. Более высокие варианты квантизации лучше сохраняют качество, а компактные версии снижают требования к оперативной памяти, но могут заметно уступать по точности. В README не указаны поддерживаемые языки, размер контекста, точная архитектура мультимодальной части, системные требования и лицензия. Поэтому эти характеристики следует уточнять на странице исходной модели XiaomiMiMo/MiMo-VL-7B-SFT-2508. Условия лицензирования квантизованной версии также не приведены.

CMB-ClimateModernBERT/A_F_CX_LRD — англоязычная encoder-only модель семейства ModernBERT, разработанная авторами проекта ClimateModernBERT. Это masked language model на 149 млн параметров, полученная продолжением предобучения answerdotai/ModernBERT-base на объединённом корпусе академических публикаций и климатических веб-текстов. Контекст модели составляет до 8192 токенов. Модель предназначена для заполнения пропусков и как основа для дообучения в задачах классификации и многометочной разметки климатических текстов, а также поиска по научной литературе, корпоративной отчётности, документам политики и климатическим новостям. В статье сообщается средний F1 74,7 на девяти климатических NLP-бенчмарках; оценка проведена с тремя начальными значениями для дообучения. Репозиторий содержит перепубликованные веса sraj/CMB_FWEdu_V2_FastTxt_MARK_CX_LRD. Модель рассчитана только на английский язык и не является диалоговой или инструкционной: она не даёт гарантированных фактических ответов. Оценка сосредоточена на задачах уровня предложения и фрагмента текста, поэтому способность обрабатывать длинный контекст изучена ограниченно. Лицензия в предоставленных данных не указана.

ai4data разработала devdata-search-multilingual-e5-small-cgist-guide-e5cmnrl — компактную модель-биэнкодер для создания текстовых эмбеддингов и поиска по структурированным статистическим метаданным. Это дообученная версия intfloat/multilingual-e5-small на наборе DevDataBench с архитектурой BERT и 124,3 млн параметров. При обучении порядок полей случайно переставлялся, а часть полей исключалась, чтобы модель связывала смысл данных с названиями полей, а не с порядком их сериализации. Для поиска запросы следует кодировать с префиксом «query: », а документы — с «passage: ». Максимальная длина последовательности — 512 токенов. Модель предназначена для получения эмбеддингов и последующего поиска или сравнения текстов; это не готовый поисковый сервис. Лицензия — Apache-2.0.

ethicalabs/Echo-DSRN-v0.1.4-Research-Intent-CLF — модель классификации исследовательских статей от ethicalabs.ai, созданная для проекта OpenAIRE AI Hackathon 2026. Она присваивает статьям одну из шести меток: Methodology, Dataset, Review, Applied, Theoretical или Unclassifiable. Последняя метка предназначена для текстов, отмеченных несколькими LLM-судьями как нечитаемые, неанглоязычные или неакадемические. Модель построена на плотной архитектуре Echo и дообучена с пятью до шести классов на базе ethicalabs/Echo-DSRN-v0.1.3-Research-Intent-CLF. В метаданных указано 49,9 млн параметров, а в README — 98,3 млн; размер модели поэтому приводится с расхождением в источниках. Контекст составляет 2048 токенов. Обучение проводилось на наборе Research-Intent-Collab из 10 001 статьи с разбиением на обучающую, валидационную и тестовую выборки. На официальной тестовой выборке из 1001 примера заявлена точность 0,7353. Модель принимает текст и выдаёт метку класса; предназначена для англоязычных научных статей. Модель распространяется по лицензии CC BY 4.0. Её качество зависит от соответствия входного текста научным статьям и тематике обучающих данных; класс Review показал наиболее слабый F1 среди приведённых в README классов. В описании результатов также упоминаются ошибки смешения Review с Applied.

econo-sentence-v1 — модель на базе Sentence-Transformers, разработанная Samuel Chaineau для создания плотных векторных представлений предложений и абзацев в контексте экономической тематики. Она предназначена прежде всего для тематического моделирования, а также подходит для семантического поиска и кластеризации текстов. Модель использует энкодер BERT на 136,7 млн параметров, формирует векторы размерности 768 и принимает последовательности длиной до 512 токенов. В качестве основы указан samchain/EconoBert, предварительно обученный на выступлениях BIS за 1997–2023 годы с задачами MLM и NSP. Для обучения sentence-эмбеддингов использовалась CosineSimilarityLoss; в README приведена корреляция Пирсона 0,83 для train test. Модель доступна в форматах PyTorch и safetensors и распространяется по лицензии Apache-2.0.

toastynews/electra-hongkongese-base-discriminator — базовая модель ELECTRA, обученная разработчиком ToastyNews на корпусе из Гонконга. Она предназначена для последующего дообучения под задачи обработки гонконгского варианта кантонского языка (Yue), а также стандартного китайского и английского. Модель содержит 136,3 млн параметров, использует архитектуру ELECTRA с дискриминатором для предобучения и поддерживает контекст до 512 токенов; доступны веса PyTorch и TensorFlow. Корпус включает около 507 млн символов: новости и блоги, Yue Wikipedia и другие источники, отзывы о ресторанах. В его языковом составе около 62% стандартного китайского, 30% гонконгского и 8% английского. В сравнительных оценках модель показала лучшие результаты, чем использованная китайская модель, на задачах тональности отзывов, категоризации и семантического сходства, а китайская модель была сильнее на DRCD. Лицензия — Apache-2.0. Это базовый чекпойнт, поэтому для прикладных задач требуется дообучение. Знания о мире могут быть уже, чем у моделей, обученных на более обширных китайских корпусах; данные преимущественно из новостей и блогов могут смещать ответы в сторону формального языка.

ERNIE-4.5-VL-28B-A3B-Paddle — мультимодальная модель семейства ERNIE 4.5 от Baidu, распространяемая с весами для PaddlePaddle. Это чат-модель на архитектуре MoE с обработкой текста и изображений: всего 28 млрд параметров, из которых для каждого токена активируется около 3 млрд. Модель прошла этап постобучения; доступны режимы с рассуждением и без него. Модель предназначена для понимания изображений и текста, генерации ответов и межмодальных рассуждений. Её можно использовать для диалога по изображению, описания визуальных материалов и ответов на вопросы о них. Карточка указывает поддержку английского и китайского языков. Для развёртывания приведён пример сервера FastDeploy с контекстом до 32 768 токенов. Модель распространяется по лицензии Apache-2.0. Для запуска нужны совместимая среда PaddlePaddle и ресурсы для обслуживания MoE-модели; карточка не приводит независимых оценок качества, поэтому пригодность для конкретной задачи следует проверять отдельно.

Huihui-Qwen3.5-9B-abliterated-AWQ-4bit — это 4-битная AWQ-квантизированная версия мультимодальной модели Huihui-Qwen3.5-9B-abliterated, разработанной Huihui AI. Модель предназначена для задач понимания изображений и видео, включая обработку видеоматериалов, с возможностью эффективного запуска на потребительских GPU через vLLM. Модель основана на архитектуре Qwen3.5 и содержит около 9 миллиардов параметров. Используется формат квантизации W4A16; конфигурация квантизации соответствует cyankiwi/Qwen3.5-9B-AWQ-4bit, а для калибровки применён набор данных mit-han-lab/pile-val-backup. Заявлена поддержка контекстного окна до 262 144 токенов. На RTX 5060 Ti с 16 ГБ видеопамяти полный контекст может использоваться с FP8-квантизацией KV-кэша, однако на видеокартах RTX 40-й серии и старше возможна нехватка памяти при одновременной загрузке визуальных возможностей. К сильным сторонам относятся сохранение возможностей понимания изображений и видео при сниженных требованиях к памяти, а также поддержка прямого видеоввода в vLLM. Ограничения включают зависимость от совместимости GPU и версии vLLM, возможные ошибки нехватки памяти, а также отсутствие в предоставленных данных сведений о поддерживаемых языках и результатах сравнительных тестов. Модель распространяется по лицензии Apache-2.0.

InternLM-XComposer2-VL-7B — модель компьютерного зрения и языка из семейства InternLM-XComposer2, разработанная командой InternLM. Она основана на InternLM2 и предназначена для понимания изображений и текста; модель выпускается как предварительно обученная мультимодальная версия, тогда как отдельная версия InternLM-XComposer2 дообучена для создания чередующихся текстовых и графических материалов. Модель содержит 7,4 млрд параметров, использует плотную архитектуру InternLMXComposer2ForCausalLM и поддерживает контекст до 32 768 токенов. Она принимает изображение и текстовый запрос, а отвечает текстом, что подходит для визуальных вопросов и описания содержимого изображений. В README приведён способ загрузки через Transformers; для экономии памяти рекомендуется float16. Указана лицензия «other», поэтому конкретные условия использования следует сверять с лицензией в репозитории.

beomi/kcbert-large — крупная корейскоязычная модель семейства KcBERT, разработанная Beomi. Это двунаправленная Transformer-архитектура BERT для masked language modeling, обученная на корейских интернет-комментариях и предназначенная прежде всего для последующего дообучения на задачах обработки корейского текста. Модель содержит около 433,4 млн параметров, использует 24 слоя, 16 attention-heads, скрытое представление размером 1024 и поддерживает контекст до 300 токенов. Основной сценарий применения — заполнение маскированных токенов; после fine-tuning модель может использоваться для классификации тональности, распознавания сущностей, определения сходства и классификации текстовых пар, ответов на вопросы и других задач корейского NLP. Модель не является генеративной диалоговой моделью общего назначения и не предназначена для длинной генерации текста. Она ориентирована на корейский язык и домен интернет-комментариев, поэтому её качество может снижаться на других языках, специализированных корпусах и текстах, существенно отличающихся от обучающих данных. Для конкретной карточки модели условия лицензирования следует проверять в репозитории перед распространением или коммерческим использованием.

LiquidAI/LFM2.5-VL-1.6B-GGUF — GGUF-версия мультимодальной модели LFM2.5-VL-1.6B, разработанной Liquid AI. Модель предназначена для задач image-text-to-text: анализа изображений и генерации текстовых ответов по визуальным запросам. Её можно запускать локально с помощью llama.cpp, что делает вариант подходящим для интеграции в приложения и сценарии edge-развёртывания с ограниченными ресурсами. Известный размер базовой модели — 1,6 млрд параметров. Поддерживаются текстовые и графические входные данные; в карточке заявлены языки English, Japanese, Korean, French, Spanish, German, Italian, Portuguese, Arabic и Chinese. Модель опубликована в формате GGUF, однако конкретный уровень квантования, размер контекста и дополнительные характеристики производительности в README не указаны. К сильным сторонам относятся мультимодальность, компактный размер, возможность локального запуска и совместимость с llama.cpp. Ограничения включают отсутствие в карточке подробных результатов тестирования, информации о точности в отдельных задачах, контекстном окне и требованиях к оборудованию. Лицензия указана как lfm1.0; перед использованием необходимо ознакомиться с её условиями в файле LICENSE.

Это 4-битная конверсия мультимодальной модели Meta Llama 3.2 11B Vision в формат MLX, подготовленная shashikanth-a на основе unsloth/Llama-3.2-11B-Vision. Модель принимает изображения и текстовые запросы, а отвечает текстом в диалоговом режиме; она предназначена для анализа изображений и визуальных вопросов и ответов. Архитектура — Mllama, размер базовой модели — 11 млрд параметров. Метаданные указывают английский язык. Для использования указан стек mlx-vlm; карточка ссылается на исходное описание модели за подробностями.

Мультимодальная модель LLaVA-Phi-2-3B разработана LAION, SkunkworksAI и Ontocord. Это авторегрессионная модель на архитектуре Transformer, созданная дообучением Phi-2 на мультимодальных данных для следования инструкциям; размер составляет около 3,5 млрд параметров. Модель принимает текстовые запросы и изображения и формирует текстовые ответы, например описывает содержимое изображения и отвечает на вопросы о нём. Модель подходит для диалоговых сценариев с визуальным вводом, включая генерацию подписей к изображениям и ответы на вопросы по их содержимому. В карточке приведены результаты тестов на задачах визуальных вопросов и распознавания текста на изображениях. Указаны английский язык и контекст длиной 2048 токенов. Репозиторий содержит веса в формате Safetensors, использовать модель можно по лицензии MIT.

AiventraLab/maithili-roberta — модель языка майтхили на архитектуре RoBERTa-base с маскированным языковым моделированием. В README она названа первой RoBERTa, обученной специально для майтхили; метаданные указывают архитектуру RobertaForMaskedLM и около 151,6 млн параметров. Модель обучена с нуля на корпусе MaithiliCorpus, включающем 39,8 млн слов, а её токенизатор использует byte-level BPE со словарём из 50 000 токенов. Основная задача — предсказывать пропущенные токены в тексте майтхили. Модель также предназначена для дообучения на классификацию текста, распознавание сущностей и извлечение признаков для последующих задач NLP. Контекст составляет 514 токенов. Репозиторий распространяется по лицензии CC BY 4.0.

CMB-ClimateModernBERT/Merge_TA_L10_LRD — англоязычная модель ModernBERT-base, опубликованная проектом ClimateModernBERT. Это encoder-only masked language model на 149 млн параметров, дообученная продолжением предобучения на корпусе климатических текстов объёмом 6,42 млрд токенов; в состав корпуса входят научные публикации, синтетические тексты и климатические веб-материалы. Модель принимает текст и предсказывает замаскированные токены, а её контекстное окно составляет 8192 токена. Модель предназначена для получения текстовых представлений и последующего дообучения для классификации, многометочной разметки и поиска по климатическим публикациям, корпоративной отчётности, политическим документам и новостям. В описанной авторами оценке она набрала в среднем 75,7 F1 по девяти климатическим NLP-бенчмаркам; показатели относятся к протоколу и задачам статьи. Это не диалоговая система и не генератор калиброванных научных ответов. Авторы отмечают, что синтетические данные по-разному влияют на задачи, а результаты корпусных экспериментов не следует обобщать за пределы климатического NLP. README не приводит лицензию модели; исходные академические материалы использовались по институциональным лицензиям и для некоммерческих исследований, а исходный текст не распространяется. Условия использования весов по имеющимся данным определить нельзя.

MIKA Custom IR — модель NASA, дообученная на инженерных документах для поиска документов по смыслу. Она кодирует предложения и абзацы в плотные векторы размерности 768 и рассчитана на асимметричный поиск: запрос пользователя сопоставляется с подходящими документами, например при проверке требований или поиске сведений о типе отказа. Модель построена на MPNet, содержит 136,7 млн параметров, принимает текст и выдаёт векторы; длина контекста — 514 токенов. Для её применения подходит Sentence-Transformers. В тестировании на трёх запросах дообученная модель показала MAP 0,807 против 0,648 у исходной SBERT-модели. Эта оценка основана на небольшом числе запросов и не гарантирует аналогичных результатов на других наборах документов. Лицензия в метаданных не указана; README содержит уведомление правительства США о правах на ПО, отказ от гарантий и условия отказа от претензий и возмещения убытков.

Карточка модели cemilakkoc/moondream на Hugging Face совпадает с карточкой pranay-ar/moondream2, поэтому описание составлено по ней. pranay-ar/moondream2 — компактная визуально-языковая модель семейства Moondream, предназначенная для эффективной работы на периферийных устройствах. Она принимает изображение вместе с текстовым запросом и формирует текстовый ответ, в частности отвечает на вопросы о содержимом изображения. В README приведены результаты на VQAv2, GQA, TextVQA и TallyQA, включая задачи визуальных вопросов и подсчёта объектов. В репозитории доступны веса Safetensors и GGUF F16; для работы с Transformers README указывает зависимости transformers и einops. В метаданных основная задача обозначена как image-text-to-text, а каталог также связывает модель с text-generation. Модель распространяется по лицензии Apache-2.0. README рекомендует фиксировать версию модели, поскольку она регулярно обновляется. Приведённые бенчмарки характеризуют результаты на указанных наборах данных, но сами по себе не гарантируют качество на других изображениях и запросах.

ridcl/paperwerk-vqa — дообученная мультимодальная модель для визуальных вопросов и ответов (VQA), основанная на Qwen3-VL-4B-Instruct. Она принимает изображения вместе с текстовыми запросами и формирует текстовые ответы; также поддерживает выдачу ограничивающих рамок объектов в формате [xmin, ymin, xmax, ymax] с координатами в диапазоне 0–1000. Модель предназначена для диалога по изображениям и сценариев, где требуется указать расположение объектов. Модель использует архитектуру Qwen3-VL с 4 млрд параметров и распространяется в формате safetensors для Transformers. В README приведён запуск через vLLM с максимальной длиной последовательности 32768 токенов. Лицензия и целевые языки в предоставленных данных не указаны, поэтому условия использования по ним определить нельзя.

PS3-4K-C-RADIOv2 — разработанный NVIDIA визуальный энкодер на базе C-RADIOv2 для извлечения признаков из изображений высокого разрешения. Это дообученная модель семейства PS3 с архитектурой Vision Transformer; веса опубликованы в формате safetensors. Модель принимает RGB-изображения и формирует тензор визуальных эмбеддингов для последующего использования в других моделях и приложениях. Модель предназначена для анализа изображений размером до 3840 × 3840 пикселей. Она обрабатывает изображение на нескольких масштабах и может выбирать участки для детального кодирования по визуальной значимости или по текстовому запросу. Полное представление включает до 88 209 токенов; число высокодетальных участков можно ограничить настройками инференса. Для текстового выбора участков требуется отдельная текстовая модель. PS3-4K-C-RADIOv2 опубликована для исследований и разработок. В README указана лицензия NVIDIA Open Model License, поэтому перед использованием следует учитывать её условия. Модель ориентирована на системы с GPU NVIDIA; README не приводит результаты оценки на тестовых наборах.

openfree/Qwen2.5-VL-32B-Instruct-Q4_K_M-GGUF — это GGUF-конверсия модели Qwen/Qwen2.5-VL-32B-Instruct, выполненная пользователем или организацией openfree с помощью llama.cpp и сервиса GGUF-my-repo. Модель предназначена для мультимодальных задач image-text-to-text: обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. В README указана поддержка английского языка и интеграция с библиотекой transformers и llama.cpp. Модель имеет размер 32B параметров, относится к инструкционно настроенным vision-language моделям и распространяется в квантизированном формате Q4_K_M, что может снизить требования к памяти по сравнению с полной точностью, но потенциально влияет на качество. Формат GGUF ориентирован на локальный запуск через llama.cpp в режиме CLI или сервера. В примере запуска используется контекст 2048 токенов, однако максимальный размер контекста в README не указан. Модель может быть полезна для локального анализа изображений, визуального вопросно-ответного взаимодействия и других сценариев, где требуется сочетать визуальный и текстовый ввод. Ограничения, точные характеристики архитектуры, перечень поддерживаемых языков помимо английского, требования к оборудованию и результаты оценки качества в README не приведены. Указанная лицензия — Apache 2.0.

Карточка модели Barth371/Qwen2.5-VL-72B-Instruct-bnb-4bit-2025-10-07_13-35_batch_size_4_no_wrong_doc_4b на Hugging Face совпадает с карточкой Barth371/Qwen2.5-VL-72B-Instruct-bnb-4bit-2025-10-07_12-21_4b, поэтому описание составлено по ней. Модель Barth371/Qwen2.5-VL-72B-Instruct-bnb-4bit-2025-10-07_12-21_4b — дообученная Barth371 мультимодальная модель семейства Qwen2.5-VL для обработки изображений и текста. Она предназначена для диалога с визуальным вводом: принимает текстовые запросы и изображения, а в ответ генерирует текст. Модель построена на плотной архитектуре Qwen2.5-VL и содержит 71,5 млрд параметров. Максимальная длина контекста — 128 000 токенов; репозиторий содержит веса safetensors. Базовая модель — unsloth/qwen2.5-vl-72b-instruct-bnb-4bit; обучение выполнено с использованием Unsloth и библиотеки TRL. Лицензия — Apache-2.0. Карточка не описывает специализацию дообучения, поэтому подтверждённые сценарии ограничиваются общим диалогом по изображениям и тексту. В метаданных указан английский язык; другие языки отдельно не заявлены. Конкретные ограничения качества и безопасности не приведены.

EZCon выпустил конверсию модели huihui-ai/Qwen2-VL-2B-Instruct-abliterated в формат MLX с помощью mlx-vlm 0.6.17. Это диалоговая визуально-языковая модель семейства Qwen2-VL с плотной архитектурой Qwen2VLForConditionalGeneration и 1,5 млрд параметров. Она принимает текст и изображения и формирует текстовые ответы; заявленная длина контекста — 32 768 токенов. Подходит для вопросов по изображениям и диалога с визуальным контекстом. В метаданных отмечены английский язык, чат и vision; тег abliterated указывает на ослабление ограничений безопасности. Репозиторий содержит веса safetensors для MLX. Лицензия — Apache-2.0.