I.3Извлечение и структурирование данных

mlx-community/Qwen3.5-27B-bf16 — мультимодальная модель семейства Qwen3.5, преобразованная сообществом mlx-community из Qwen/Qwen3.5-27B в формат MLX с использованием mlx-vlm 0.3.12. Модель предназначена для задач image-text-to-text: принимает изображение и текстовый запрос и генерирует текстовый ответ, например описание содержимого изображения. Модель имеет размер 27B согласно идентификатору модели и представлена в формате bf16. Она совместима с библиотекой Transformers и инструментарием mlx-vlm для запуска на платформах Apple MLX. Поддержка языков, длина контекста и дополнительные архитектурные характеристики в предоставленных материалах не описаны. Модель распространяется по лицензии Apache-2.0. Для работы требуется установка mlx-vlm и передача изображения вместе с текстовым запросом.

Модель bendavidsteel/Qwen3.5-4B-stance-detection — дообученная на основе Qwen/Qwen3.5-4B модель классификации позиции автора относительно заданной темы. Она определяет один из трёх классов: в поддержку, против или нейтрально. Модель использует архитектуру Qwen3_5ForSequenceClassification с 3,4 млрд параметров по метаданным и классификационной головой; для работы вход следует подавать в формате чат-шаблона с generation prompt, соответствующем обучению. Модель предназначена для анализа позиции в отдельных документах и сообщениях в цепочках ответов. Её обучали на объединённых наборах данных по разным темам, включая политические дискуссии. На отложенной выборке из 16 972 примеров указаны accuracy 0,7403 и macro F1 0,7399. Основной язык — английский; также представлены ограниченные данные на каталонском, испанском, французском и итальянском. Лицензия — Apache-2.0. Хотя базовая модель поддерживает контекст до 262 144 токенов, эту модель обучали и оценивали с усечением входов свыше 2 048 токенов. Она выдаёт только три заданные метки; ирония и отсылки к внутригрупповому контексту затрудняют классификацию, а качество на неанглийских языках и темах вне обучающих доменов может быть ниже.

mradermacher/Qwen3-VL-8B-Abliterated-Caption-it-i1-GGUF — это квантизированная GGUF-версия vision-language модели Qwen3-VL-8B-Abliterated-Caption-it, разработанной prithivMLmods и подготовленной квантизатором mradermacher. Модель предназначена для понимания изображений и генерации текстовых описаний, а также для сценариев image-to-text и visual understanding. Она интегрируется с экосистемой Transformers и поставляется в нескольких вариантах квантизации GGUF. Модель имеет размер 8B параметров в исходной версии, поддерживает текстово-визуальный ввод и заявлена для работы на английском, китайском и тайском языках. README не содержит сведений о точном размере контекста, конкретной архитектуре визуального энкодера или полном наборе поддерживаемых режимов вывода. Для обработки изображений могут потребоваться отдельные файлы mmproj из статического репозитория модели. Ключевое преимущество — широкий выбор квантизаций с размером файлов примерно от 2,2 до 6,7 ГБ, что позволяет подбирать баланс между требованиями к памяти, скоростью и качеством. При этом низкобитные варианты могут заметно уступать по качеству; в README отдельно отмечены некоторые версии с низким качеством, а Q4_K_M названа быстрой и рекомендуемой. Модель имеет лицензию Apache-2.0. Термин «abliterated» указывает на модификацию исходной модели, однако подробности этой модификации в README не приведены.

Stable-Cypher-Instruct-3B — специализированная языковая модель с примерно 3 млрд параметров, разработанная ragraph-ai на основе stable-code-instruct-3b от Stability AI. Это дообученная causal language model для преобразования текстовых запросов в запросы на языке Cypher, предназначенные прежде всего для графовых баз данных, включая Neo4j. Модель ориентирована на генерацию Cypher по описаниям на естественном языке: поиск людей по навыкам и стажу, получение сведений о фильмах, анализ подписок пользователей и другие задачи работы с графовыми данными. В карточке указано, что заявленный язык — английский. Модель работает с текстом и не предназначена для мультимодальных сценариев. Объём контекста явно не указан; для одного из вариантов запуска приведён параметр n_ctx 512, а при обучении использовалась максимальная длина последовательности 256 токенов. По данным README, на представленном наборе тестов модель существенно превзошла базовую модель и GPT-4o по BLEU, ROUGE, Jaro-Winkler, Jaccard и Pass@1 для генерации Cypher, однако эти результаты относятся к конкретной методике оценки и не гарантируют аналогичное качество на других схемах данных. Для практического использования потребуется дополнительное дообучение под синтаксис, сущности и структуру данных конкретной компании. Модель распространяется по лицензии Apache-2.0.

nandakishormpai выпустил дообученную модель T5-small для генерации тегов по тексту статей о машинном обучении. В отличие от многоклассовой разметки, модель формулирует подбор тегов как задачу генерации текста: принимает содержание статьи и выдаёт последовательность тегов. Архитектура — T5 с 38,5 млн параметров; максимальный контекст — 512 токенов. Модель рассчитана прежде всего на англоязычные статьи о машинном обучении. Модель дообучена на выборке примерно из 940 статей, отобранных из набора Medium Articles; целевые теги предварительно сгенерировали с помощью GPT-3 API. Её можно применять для автоматической разметки ML-блогов и технических публикаций, но для других технических тем автор отмечает меньшую точность и детализацию. В результатах могут встречаться повторяющиеся теги, поэтому нужна постобработка. Лицензия — Apache-2.0.

Talk2DINO-ViTB — модель для сегментации изображений по произвольным текстовым понятиям, разработанная авторами исследования Talking to DINO, представленного на ICCV 2025. Она объединяет пространственные признаки патчей DINOv2 и языковые представления CLIP: обученная функция отображает текстовые эмбеддинги CLIP в пространство признаков DINOv2, не дообучая сами базовые энкодеры. Модель предназначена для open-vocabulary сегментации: пользователь задаёт текстовые категории, а модель выделяет соответствующие области изображения без ограничения заранее заданным набором классов. В README заявлены более точная локализация объектов, естественные и менее шумные маски, а также способность различать передний план и фон; авторы сообщают о высоких результатах на нескольких несупервизируемых бенчмарках. Для вывода принимается изображение и текстовые категории, результатом служат сегментационные маски. Репозиторий содержит веса в формате safetensors и использует PyTorch. Лицензия — Apache-2.0.

oscaruv28/tass-xlnet — дообученная модель классификации последовательностей на базе XLNet Base Cased. Она предназначена для отнесения текста к классам; конкретная предметная область, набор меток и сценарии применения в карточке не описаны. Модель содержит 137,8 млн параметров, построена на архитектуре XLNet и распространяется в формате safetensors через Transformers. Лицензия — MIT. На оценочном наборе указаны accuracy 0,5338, F1 Macro 0,5145, F1 Weighted 0,5198 и loss 1,0622. Эти результаты показывают качество только на указанном наборе; его данные и состав классов не раскрыты.

Terminal-datascience — дообученная диалоговая модель на базе Qwen3-8B с 7,6 млрд параметров. Она предназначена для генерации текста в задачах анализа данных и обучена на наборах nemotron_easy_data_science, nemotron_medium_data_science и nemotron_mixed_data_science. Модель использует архитектуру Qwen3ForCausalLM и принимает текстовые запросы, выдавая текстовые ответы. Указанная длина контекста — 40 960 токенов; формат весов — safetensors, для работы заявлена библиотека Transformers. Базовая Qwen3-8B поддерживает несколько языков, однако языки и качество именно этой дообученной версии в карточке не уточнены. Лицензия указана как other, без конкретных условий в предоставленных данных. Карточка не содержит сведений об оценке качества и ограничениях применения.

TexTeller — модель распознавания математических формул на изображениях, разработанная авторами проекта TexTeller. Она использует архитектуру vision encoder-decoder на основе ViT и преобразует формулы с фотографий и других естественных изображений в запись LaTeX. Модель предназначена для автоматического извлечения формул из изображений, включая сложные многострочные выражения, матрицы и редкие символы. В README указано, что версия 2.0 обучена на расширенном наборе из 7,5 млн пар изображений и формул; авторы сообщают о повышенной точности и способности обобщать по сравнению с LaTeX-OCR. Репозиторий содержит веса PyTorch, Safetensors и ONNX. Модель ориентирована на формулы, поэтому её не следует считать универсальной системой OCR для произвольного текста или документов. Лицензия — Apache-2.0.

H-Layba разработала классификатор тональности текста на основе bert-base-multilingual-cased, дообученного для анализа отзывов на урду. Модель относит текст к одному из двух классов: положительному или отрицательному. Она предназначена для анализа отзывов и других текстов на урду, например для автоматической оценки мнений пользователей. В карточке указаны точность 81% и взвешенная F1-мера 0,8098 на данных отзывов о фильмах IMDB. Архитектура — BERT для классификации последовательностей; размер — 205,1 млн параметров, максимальная длина контекста — 512 токенов. Модель обучена на наборе mirfan899/imdb_urdu_reviews, состоящем из 50 000 переводов отзывов IMDB с положительными и отрицательными метками. Лицензия — Apache-2.0. Результаты на этом наборе не гарантируют такое же качество на других жанрах и типах текстов.

XLMIndic Base Uniscript — модель семейства ALBERT, разработанная для предобучения на 14 индоарийских языках. Она обучена на подмножестве корпуса OSCAR и предназначена для последующей адаптации к задачам обработки текста на этих языках. Модель имеет 12 повторяющихся слоёв, 12 голов внимания и контекст до 512 токенов; конфигурация соответствует ALBERT Base v2. В метаданных указано 151,6 млн параметров. Перед подачей текст необходимо транслитерировать в латиницу по стандарту ISO-15919 с помощью библиотеки Aksharamukha. Общая письменность помогает модели формировать межъязыковые представления для языков, обычно записываемых разными индийскими письменностями. Основной сценарий использования — заполнение маски и дальнейшая тонкая настройка для классификации последовательностей и токенов или ответов на вопросы. Модель принимает и выдаёт текст. Модель охватывает ассамский, бенгальский, бихарские языки, бишнуприя-манипури, гоанский конкани, гуджарати, хинди, майтхили, маратхи, непальский, ория, панджаби, санскрит и сингальский. README также допускает потенциальное применение к некоторым дравидийским языкам после транслитерации, но заявленная область предобучения — индоарийские языки. Лицензия — Apache-2.0. Модель может унаследовать гендерные, этнические и политические предубеждения корпуса; для прикладных задач обычно требуется тонкая настройка.

spencercdz/xlm-roberta-sentiment-requests — дообученная модель XLM-RoBERTa на базе cardiffnlp/twitter-xlm-roberta-base-sentiment, созданная для анализа сообщений в социальных сетях во время чрезвычайных ситуаций. Общий текстовый энкодер передаёт представление текста двум классификационным головам: одна определяет тональность (положительная, нейтральная или отрицательная), другая предсказывает категории, связанные с бедствиями и гуманитарными запросами. Модель содержит 305,2 млн параметров, принимает текст длиной до 514 токенов и распространяется в формате safetensors. Модель предназначена для сортировки обращений за помощью, оценки обстановки и выявления потребностей для планирования гуманитарного реагирования. Она обучена на наборе disaster_response_messages с более чем 26 тысячами сообщений и может классифицировать их по 37 категориям, а также определять жанр сообщения. На тестовой выборке указаны micro-F1 0,724 и macro-F1 0,351. Для работы с двумя выходными головами требуется специальный код: стандартный pipeline text-classification из Transformers напрямую не подходит. Низкая точность по подмножеству меток (subset accuracy 0,259) и macro-F1 указывают, что результаты по отдельным категориям могут быть неоднородными. Лицензия в предоставленных данных не указана.

m3hrdadfi/albert-fa-base-v2 — базовая языковая модель ALBERT-Persian, разработанная как первая попытка применить ALBERT для персидского языка. Она обучена на персидских корпусах, включая дампы Википедии, MirasText и тексты с сайтов разных тематик; автор сообщает о более чем 3,9 млн документов, 73 млн предложений и 1,3 млрд слов. Модель имеет архитектуру AlbertForMaskedLM, содержит 174,7 млн параметров и принимает последовательности длиной до 512 токенов. Основная задача модели — предсказание скрытых токенов в персидском тексте. Её можно использовать для заполнения пропусков и как основу для дообучения под прикладные задачи, например анализ тональности, классификацию текстов и распознавание именованных сущностей. В README приведены результаты оценки таких дообученных вариантов, но они не означают, что эта базовая модель напрямую выполняет все перечисленные задачи. Модель работает с текстом на персидском языке и опубликована в формате PyTorch. Для использования ALBERT README рекомендует установить SentencePiece. Лицензия — Apache-2.0. Показатели в README относятся к конкретным наборам данных и не гарантируют аналогичного качества на других текстах.

raruidol/ArgumentMining-EN-ARI-AIF-RoBERTa_L — англоязычная модель классификации отношений между аргументами, разработанная на основе RoBERTa-large и обученная для задачи Argument Relation Identification (ARI) на корпусах US2016 и QT30. Она определяет, являются ли пары аргументов не связанными, отношением вывода, конфликтом или перефразированием. Модель предназначена для автоматического анализа аргументации в текстах и оценки связей между аргументами. В README указана macro-F1 0,70 для четырёхклассовой классификации. Архитектура — RoBERTa для классификации последовательностей, размер — 454,1 млн параметров, максимальный контекст — 514 токенов. Поддерживаемый язык — английский. Модель опубликована под лицензией CC BY-NC-SA 4.0. Качество зависит от предметной области и соответствия входных данных корпусам обучения; заявлена оценка на тестовых данных, поэтому она не гарантирует такую же точность на других типах текстов.

Azra 1-Mini 0.8B — компактная визуально-языковая модель OttomanNLP для распознавания османско-турецкого текста на изображениях. Она основана на архитектуре Qwen3.5-Vision и содержит около 0,8 млрд параметров. Модель предназначена для транскрипции печатного и каллиграфического письма насих, а также рукописного письма рика. Модель дообучена для распознавания текста на уровне строки и рассчитана на сценарии, где изображения страниц предварительно разделены на строки. В README приведены результаты сравнительных оценок на наборах для обоих видов письма; заявленное преимущество особенно заметно на рукописном рика. Для целых страниц без предварительной обрезки строк точность может быть ниже. Модель распространяется по лицензии Apache-2.0.

BakLLaVA-1 — мультимодальная модель SkunkworksAI, созданная в сотрудничестве с Ontocord и LAION. Она сочетает базовую Mistral 7B с архитектурой LLaVA 1.5 и предназначена для диалога по изображениям, ответов на визуальные вопросы и выполнения инструкций с изображениями. В обучении использованы пары изображение—текст и наборы мультимодальных инструкций и вопросов с ответами; также упомянуты данные ShareGPT. В репозитории указаны 7,1 млрд параметров, контекст до 32 768 токенов, архитектура LlavaMistralForCausalLM и формат PyTorch. Карточка приводит результаты, согласно которым модель превосходит Llama 2 13B на нескольких бенчмарках, но не называет сами тесты. Лицензия в метаданных — Apache 2.0; при этом авторы предупреждают, что часть обучающих данных включает корпус LLaVA с ограничениями на коммерческое использование, поэтому условия лицензии модели не снимают связанных с данными ограничений.

aychang/bert-base-cased-trec-coarse — модель классификации текста на основе BERT, дообученная на датасете TREC. Она предназначена для отнесения английских вопросов к укрупнённым категориям; карточка приводит примеры вопросов о месте и причине. Модель содержит 135,5 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в форматах PyTorch и Flax. Модель подходит для классификации коротких вопросов и тематической сортировки англоязычных запросов по категориям TREC. В README она названа минимальной языковой моделью, обученной на бенчмарке, поэтому её качество за пределами этого сценария не подтверждено. Лицензия — MIT.

Davlan разработал модель bert-base-multilingual-cased-finetuned-kinyarwanda — BERT, дообученный на текстах на киньяруанда на основе bert-base-multilingual-cased. Модель содержит 205,1 млн параметров, использует архитектуру BertForMaskedLM и принимает текст длиной до 512 токенов для предсказания замаскированных слов. Модель предназначена для заполнения пропусков в текстах на киньяруанда. Дообучение на корпусах JW300, KIRNEWS и BBC Gahuza также повысило результат на наборе для распознавания именованных сущностей MasakhaNER: F1 составил 77,57 против 72,20 у mBERT. Модель доступна в формате PyTorch; лицензия в предоставленных данных не указана.

ValentinaKim/bge-base-automobile-matryoshka — англоязычная Sentence Transformer-модель, дообученная на базе intfloat/e5-base для получения эмбеддингов автомобильной тематики. Она кодирует предложения и абзацы в плотные векторы размерностью 768, которые можно сравнивать по косинусному сходству для семантического поиска, поиска похожих фрагментов, кластеризации и классификации текста. Архитектура включает BERT, усреднение токенных представлений и нормализацию; контекст ограничен 512 токенами. Модель обучалась с MatryoshkaLoss и поддерживает укороченные векторы размерностью 512, 256, 128 и 64, позволяя выбирать компромисс между размером представления и качеством поиска. В карточке приведены результаты поиска по небольшому набору из 63 обучающих примеров; они не гарантируют качество на других данных. Несмотря на указание английского языка в описании и метаданных, примеры обучающих данных написаны на корейском, поэтому фактическое языковое покрытие требует проверки. Лицензия — Apache-2.0.

browser-use_bu-30b-a3b-preview-GGUF — GGUF-квантизированная версия модели bu-30b-a3b-preview, разработанной browser-use. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для сценариев browser use, однако README не содержит подробного описания её прикладных возможностей или результатов оценки. Доступны варианты от полноразмерных BF16-весов объёмом 61,10 ГБ до квантизаций Q3–Q8 и IQ. Наиболее качественными и рекомендуемыми названы варианты Q6_K и Q6_K_L; Q4_K_M указан как типичный вариант для большинства сценариев. Модель описана как image-text-to-text и поддерживает английский язык, но сведения об архитектуре, числе активных и общих параметров, длине контекста и фактических визуальных возможностях не приведены. Модель можно запускать через LM Studio, llama.cpp и другие совместимые проекты. Ключевое преимущество — широкий выбор уровней квантизации для компромисса между качеством и требованиями к памяти; ограничение — возможное снижение качества в младших вариантах и отсутствие подробных данных о производительности. Лицензия в README не указана.

codeswitch-spaeng-lid-lince — модель на архитектуре BERT для идентификации языка в испанско-английских текстах со смешением языков. Она классифицирует токены, помогая определить, к какому языку относится каждый фрагмент текста. Модель обучена на данных LinCE и предназначена для анализа испанско-английского переключения кодов. Модель содержит 205,1 млн параметров, принимает последовательности длиной до 512 токенов и доступна в форматах PyTorch и Flax, включая веса safetensors. Подходит для разметки смешанных испанско-английских сообщений и изучения языкового переключения. Распространяется по лицензии MIT.

ConCor-1 — модель сопоставления текста и изображений, разработанная исследователями University of Washington, Allen Institute for AI и FAIR at Meta. Она дообучена на мультимодальной основе Qwen3.5-0.8B и предназначена для двунаправленного grounding: связывает фрагменты текста с соответствующими объектами или областями изображения. Для каждого предполагаемого соответствия модель предсказывает маску текста, маску изображения и оценку наличия корректной связи. Модель подходит для сегментации объектов по описанию, связывания слов или фраз с областями на изображении, а также поиска объектов по списку категорий. Архитектура использует обучаемые bridge-токены, которые совместно обрабатывают визуальные и текстовые признаки; веса опубликованы в формате safetensors, для инференса описан стек PyTorch и Transformers. Карточка указывает английский язык. Лицензия — Apache-2.0. ConCor-1 ориентирована на выделение соответствий между текстом и визуальными областями, а не на универсальный диалог. Качество масок и обнаружения соответствий зависит от порогов постобработки; README перечисляет настраиваемые пороги присутствия, текста, изображения и NMS.

ai4data/devdata-search-paraphrase-ml-minilm-cmnrl — модель эмбеддингов bi-encoder из семейства DevData Search, разработанная ai4data для семантического поиска по структурированным статистическим метаданным. Она дообучена на DevDataBench на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 с функцией потерь cmnrl. При обучении порядок полей случайно менялся, а часть полей исключалась, чтобы модель связывала значение с названиями полей, а не с порядком сериализации. Модель преобразует запросы и описания метаданных в векторы для последующего поиска и сравнения сходства; она сама не является поисковым сервисом. Максимальная длина последовательности — 512 токенов. Модель использует архитектуру BERT, содержит 124,3 млн параметров и распространяется в формате Safetensors; для работы указана библиотека Sentence Transformers. Многоязычная базовая модель поддерживает разные естественные языки, но конкретный список языков для этой версии не приведён. Лицензия — Apache-2.0. Практическое применение рассчитано на retrieval по статистическим данным и их описаниям; качество на иных типах текстов и структур может отличаться. Модель не выполняет поиск самостоятельно: для выдачи результатов её эмбеддинги нужно использовать в поисковом конвейере.

leomaurodesenv/electra-base-discriminator-nvidia-aegis-v1 — дообученная модель на основе google/electra-base-discriminator для классификации текстов. Она построена на архитектуре ELECTRA и содержит 136,7 млн параметров; принимает последовательности длиной до 512 токенов и распространяется в формате safetensors. В метаданных Hugging Face для неё указана задача text-classification, а README сообщает accuracy 0,8834 и loss 0,3026 на оценочном наборе. Модель может применяться для присвоения текстам классов, если набор меток и данные соответствуют задаче пользователя. Язык и назначение классификатора, а также состав меток не раскрыты, поэтому его точность для конкретных данных нельзя оценить по карточке. README указывает неизвестный обучающий набор и не приводит дополнительных сведений о применении. Базовая модель описана как англоязычный энкодер; английский язык — обоснованное предположение, но карточка не подтверждает языковой охват дообученного классификатора. Лицензия — Apache-2.0.

fermi-512 — разреженная модель поиска Atomic Canyon для подбора документов по запросу в ядерной энергетике. Она дообучена на базе atomic-canyon/fermi-bert-512 с использованием LSR; обучение проводилось на MS MARCO Passage Dataset с моделью ms-marco-MiniLM-L-6-v2 в роли учителя. Модель кодирует запросы и документы в разреженные векторы, компоненты которых соответствуют токенам словаря и отражают их важность. Специализированный токенизатор учитывает ядерную терминологию, например представляет NRC одним токеном. Контекст — 512 токенов, формат весов — Safetensors, лицензия — Apache 2.0. Модель предназначена для поиска по технической и отраслевой документации, а также может применяться в более широком поиске: её оценивали на FermiBench, MS MARCO и подмножестве BEIR. В README сообщается о сильных результатах на ядерных текстах и приводятся метрики этих тестов; они получены собственным инструментарием авторов. Метаданные Hugging Face указывают задачу fill-mask, однако описание модели в README посвящено разреженному поиску и кодированию запросов и документов. Поэтому для каталога основная задача указана как fill-mask, а назначение поиска описано как сценарий применения.

abhishekai/gemma-2-2b-legal-sft-v2 — диалоговая модель на архитектуре Gemma 2, дообученная методом QLoRA на базе google/gemma-2-2b-it для ответов на вопросы по предоставленным юридическим и финансовым фрагментам. После обучения адаптер объединён с весами в формате bf16; опубликованы веса safetensors, для загрузки не требуется PEFT. Модель содержит 2,7 млрд параметров, поддерживает контекст до 8192 токенов и предназначена прежде всего для англоязычного общения. Модель подходит для поиска ответов в найденных отрывках документов, проверки того, насколько ответ опирается на переданный контекст, и выполнения общих инструкций. В описанной авторами оценке она превзошла исходную модель, однако результат получен на одном наборе данных и оценён одной моделью-судьёй. Модель может убедительно выдумывать ссылки и ненадёжна в арифметике; результаты оценки не показывают качество ответов без предоставленного фрагмента. Она предназначена для демонстрации метода, а не для юридических или финансовых консультаций. Лицензия — Gemma Terms of Use, унаследованная от базовой модели; это не Apache-2.0.

Gabor Madarasz дообучил Gemma 3 270M IT на наборе HuHotpotQA_8k для ответов на вопросы по предоставленному контексту на венгерском языке. Это компактная текстовая причинная языковая модель с архитектурой Gemma3ForCausalLM и 257 млн параметров; она принимает вопрос и несколько фрагментов контекста, синтезирует сведения из них и формулирует ответ. Заявленное окно контекста — 32 768 токенов. Модель рассчитана на многошаговый поиск ответа по контексту в формате HotpotQA, включая извлекающие и свободно сформулированные ответы. В README для тестовой выборки из 113 примеров приведены exact match 61,95 и token F1 66,53. Репозиторий содержит веса safetensors и использует лицензию Gemma Terms of Use; применяются ограничения этой лицензии.

MLX-модель mlx-community/gemma-4-E2B-it-qat-mobile предназначена для задач преобразования изображений и текста в текст. По доступным данным, она относится к семейству Gemma и распространяется в формате, совместимом с библиотекой MLX, однако разработчик исходной модели, архитектура, точный размер, поддерживаемые модальности, языки и длина контекста в README не указаны. Модель, вероятно, ориентирована на сценарии, где требуется обработка визуального и текстового ввода с генерацией текстового ответа, включая мультимодальные приложения на устройствах, совместимых с MLX. Суффикс mobile в идентификаторе указывает на возможную оптимизацию для мобильного использования, но конкретные требования к аппаратному обеспечению и преимущества не описаны. Сильные стороны и ограничения модели, а также условия лицензирования по представленным данным определить невозможно.

Helium1-VL-2B — инструктивно дообученная модель Kyutai для работы с изображениями и текстом, выпущенная в рамках проекта CASA. Она основана на языковой модели Helium1-2B и предварительно обученном визуальном энкодере Qwen-2.5VL; архитектура использует вставку визуальных токенов. Модель предназначена для ответов на вопросы об изображениях и других задач понимания визуального содержимого по текстовой инструкции. Модель содержит 1,9 млрд параметров, использует архитектуру Helium1 и формат safetensors. Контекст составляет 4096 токенов. В карточке указаны обучающие наборы FineVision и LLaVA-OneVision-1.5-Instruct-Data; заявлен английский язык. По описанию разработчиков, это высокопроизводительный базовый вариант среди моделей сопоставимого размера, обученных на общедоступных данных. Для загрузки требуется trust_remote_code=True. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий распространения и атрибуции.

Huihui-Qwen3-VL-32B-Instruct-abliterated — дообученная модель Huihui AI на основе Qwen/Qwen3-VL-32B-Instruct. Это плотная мультимодальная модель на 32 млрд параметров для диалога с текстом и изображениями; поддерживает визуальный анализ, а каталог также указывает интерфейс вызова инструментов. При модификации изменена только текстовая часть модели: снижены отказы на запросы, связанные с анализом изображений, при этом визуальная часть не обрабатывалась. Модель подходит для описания и анализа изображений, ответов на вопросы о визуальном содержимом и обычного диалога. В карточке указаны библиотека Transformers и формат весов Safetensors. Контекстное окно и конкретный перечень поддерживаемых языков в предоставленных данных не описаны. Лицензия — Apache-2.0. Уменьшенная фильтрация безопасности повышает вероятность чувствительных или спорных ответов, поэтому результаты следует проверять.