I.3Извлечение и структурирование данных

Virgo-72B — мультимодальная модель семейства Qwen2-VL от RUC-AIBOX для диалоговой работы с изображениями и текстом. Она принимает текстовые запросы вместе с изображениями и формирует текстовые ответы. Модель имеет плотную архитектуру Qwen2VLForConditionalGeneration с 71,5 млрд параметров и контекстом до 32 768 токенов. В карточке указаны библиотека Transformers и формат весов safetensors. Карточка не описывает специализированные сценарии, обучающие данные или результаты оценки качества. Лицензия в предоставленных сведениях не указана.

Code-Dev/whisper-small-shona-v3-a — модель автоматического распознавания речи на базе Whisper Small, дообученная для языка шона (sn-ZW). В README она представлена как компонент Verdi AI OS, системы для сельского хозяйства, предназначенный для преобразования речи в текст и поддержки автоматизации логистических показателей и отслеживания голосовых операций на маркетплейсе. По карточке, обучение проходило в несколько этапов: после второго фрагмента обучения на библейских текстах заявлен показатель WER 26,42%; для предыдущих этапов указаны 29,39% и 37,15%. Модель принимает аудио и выдаёт текст. В метаданных формат весов обозначен как safetensors, библиотека — Transformers. Лицензия в предоставленных данных не указана.

CMB-ClimateModernBERT/A_CX — англоязычная encoder-only модель семейства ModernBERT, разработанная в рамках проекта ClimateModernBERT. Это чекпойнт на 149 млн параметров, полученный продолженным предобучением answerdotai/ModernBERT-base на академических текстах о климате; модель поддерживает контекст до 8192 токенов и доступна в формате safetensors для библиотеки Transformers. Модель предназначена для исследований в области обработки климатических текстов и последующего дообучения для классификации, многометочной разметки и поиска по корпоративной климатической отчетности, документам государственной политики, научным публикациям и новостям. В описанной авторами оценке она набрала средний F1 75,3 на девяти климатических NLP-бенчмарках; авторы отмечают, что для общего применения предпочтительнее объединённая модель Merge_Soup_LRD. Модель заполняет пропуски в тексте и формирует представления текста, но не является чат-ботом или системой, следующей инструкциям. Она рассчитана на английский язык; результаты бенчмарков преимущественно относятся к предложениям и фрагментам текста, поэтому возможности длинного контекста в них проверены не полностью. Лицензия в предоставленных данных не указана.

Это классификатор из проекта EduBehaviors: Assertion-based schemas for auditable dialogue coding, предназначенный для определения, содержит ли высказывание учителя вопрос. Модель разработана для использования через пакет EduBehaviors-kit и дообучена на базе sentence-transformers/paraphrase-mpnet-base-v2 с помощью SetFit. Она принимает одно высказывание без дополнительного шаблона и выдаёт метку классификации. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и поддерживает контекст до 514 токенов. Обучение проводилось на подмножестве высказываний учителей из TalkMoves Dataset, размеченном с помощью LLM. На тестовой выборке положительный класс достиг F1 0,922; согласие между LLM-аннотаторами по Krippendorff’s alpha составляет 0,867. Модель предназначена для анализа учебного диалога и аудируемой разметки речевых ходов. Результаты на высказываниях учеников не проверялись, а качество зависит от LLM-разметки; сведения о лицензии в предоставленных данных отсутствуют.

Это экспериментальная корейскоязычная чат-модель на 6,8 млрд параметров, разработанная как дообученная версия skt/A.X-3.1-Light. Она предназначена для генерации ответов в диалоге и контролируемой оценки понимания корейских текстов; в обучающую смесь включены 300 примеров машинного чтения технических и научных документов AIHub-71533. Архитектура LlamaForCausalLM сохранена, модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Полные веса в BF16 safetensors объединены, отдельный адаптер и пользовательский код модели не требуются; модель загружается через Transformers или vLLM. В локальной оценке на пяти корейских бенчмарках средняя точность составила 43,13%; это результаты авторской локальной проверки, а не официальные оценки лидерборда. Модель может допускать фактические ошибки и не подходит на замену профессиональной юридической, бухгалтерской, медицинской или финансовой консультации. Лицензия репозитория — Apache-2.0; для исходных данных AI Hub продолжают действовать их собственные условия использования.

Badr Embedding v0 — арабоязычная модель Sentence Transformer с архитектурой bi-encoder, разработанная Somaya Eltanbouly и соавторами в рамках исследования поиска ответных фрагментов по вопросам исламского права (фикха). Модель дообучена на базе mohamed2811/Muffakir_Embedding и предназначена для плотного семантического поиска пассажей, содержащих ответ на вопрос, а не только тематически близких текстов. Её можно использовать для поиска по арабским корпусам фикха и как компонент RAG-систем. Модель обучалась на парах вопрос–положительный фрагмент с ответом–отрицательный фрагмент; поддерживает Matryoshka-представления размерностью 768, 512, 256, 128 и 64, которые можно усекать для экономии памяти и ускорения поиска. Оценка Cosine Accuracy на наборе fiqh-eval составляет 0,9731. Модель извлекает эмбеддинги и оценки семантической близости, но не генерирует и не подтверждает религиозные решения. Качество может снижаться вне арабского фикха и зависит от формулировки вопроса, длины и стиля фрагментов, терминологии и наличия ответа в корпусе. Лицензия в предоставленных сведениях не указана.

Модель разработана на основе японской BERT-large v2 Университета Тохоку и дообучена на датасете WRIME для оценки интенсивности восьми базовых эмоций по Плутчику: радости, грусти, ожидания, удивления, гнева, страха, отвращения и доверия. Она принимает короткий текст на японском языке и выдаёт оценки или вероятности для каждой эмоции; результаты можно использовать для многометочной классификации или регрессионного анализа. Модель предназначена для исследовательского и аналитического изучения эмоций в японских публикациях соцсетей, диалогах и других коротких текстах, в том числе для отслеживания изменений эмоциональных выражений во времени. В README приведены оценки на тестировании WRIME: средняя бинарная F1-мера 61,2%, косинусное сходство векторных оценок 0,922. Модель распространяется по лицензии Apache-2.0. Она оценивает выраженные в тексте эмоции, а не внутреннее состояние человека; качество может снижаться на сленге, сарказме, диалектах и специализированной лексике. Авторы не рекомендуют использовать её для клинической диагностики или решений с высокими последствиями без проверки человеком.

mondk/claude-qwen3.vl.8b — дообученная мультимодальная модель на основе unsloth/Qwen3-VL-8B-Instruct-unsloth-bnb-4bit. Она предназначена для диалоговых задач с изображениями и текстом; в метаданных также заявлен интерфейс вызова инструментов. Архитектура — плотная Qwen3-VL с 8 млрд параметров в базовой модели; репозиторий содержит веса safetensors. README упоминает связанный GGUF-репозиторий mondk/claude.sonnet5-base.qwen3-VL-8b-it, но не уточняет его отношение к текущей модели. Модель может подойти для вопросов об изображениях и мультимодального диалога на английском языке. Она распространяется по лицензии Apache-2.0. Карточка не описывает специализацию дообучения и не приводит оценок качества, поэтому конкретные преимущества и ограничения сверх указанных возможностей определить нельзя.

YoichiTakenaka/deverta-v3-japanese-large-Trust — модель классификации японского текста на основе DeBERTa V2, предназначенная для определения наличия эмоции доверия (Trust). Это один из восьми отдельно дообученных классификаторов эмоций, описанных в пакете DeBERTa Emotion Predictor; модель выдаёт метку и уверенность для положительного класса. Модель принимает отдельный текст или набор текстов и рассчитана на японский язык. В карточке указаны 451,8 млн параметров, контекст до 512 токенов и формат safetensors. Пакет обрабатывает несколько эмоций отдельными моделями, загружая их по мере необходимости, чтобы снизить использование видеопамяти. Модель подходит для анализа эмоциональной окраски японских сообщений и текстов. Лицензия — CC BY-SA 4.0; для использования и распространения следует соблюдать её условия.

e2-disaster-classifier — модель классификации текстов на основе DistilBERT, дообученная разработчиком hems-1-1 на датасете, который не описан в карточке. Она предназначена для присвоения текстам категорий, связанных с чрезвычайными ситуациями; конкретные классы и целевые сценарии в доступных материалах не раскрыты. Архитектура — DistilBertForSequenceClassification, веса представлены в формате safetensors; максимальная длина контекста составляет 512 токенов. В карточке указаны точность 0,7798 и значение функции потерь 0,4910 на оценочном наборе, но нет сведений о составе набора, метриках по классам и методике оценки. Базовая модель DistilBERT использует английскую версию uncased, поэтому применение к другим языкам не подтверждено. Лицензия — Apache-2.0.

yiyanghkust/finbert-tone — модель Yi Yang и соавторов для определения тональности финансовых текстов. Это классификатор на архитектуре BERT с 137 млн параметров, дообученный на 10 000 вручную размеченных предложениях из аналитических отчётов. Он относит текст к положительной, отрицательной или нейтральной тональности и предназначен для анализа финансовых коммуникаций и исследований в области финансового NLP. Базовый FinBERT предварительно обучен на корпусе финансовых отчётов, расшифровок звонков о результатах компаний и аналитических отчётов общим объёмом 4,9 млрд токенов. Модель принимает текст на английском языке, работает с контекстом до 512 токенов и выдаёт метку класса тональности. В README заявлено высокое качество на задаче анализа финансовой тональности; условия лицензии в предоставленных данных не приведены.

Jet — дообученная языковая модель Michal Jach на базе Qwen3.5-4B, предназначенная для выбора типизированных решений и вероятностей из заданных вариантов. Она принимает текстовое описание состояния и критерии вариантов, а не генерирует свободные ответы. Модель имеет плотную архитектуру Qwen3.5ForCausalLM, содержит 3,4 млрд параметров и поддерживает контекст до 262 144 токенов; данные модели представлены в формате Safetensors и рассчитаны на запуск через Transformers. В версии 6.2 применено корректирующее дообучение LoRA поверх полной объединённой версии Jet 6.1; итоговый выпуск — полные BF16-веса, отдельная базовая модель не требуется. Обучение было сфокусировано на банковских намерениях, финансовой тональности сущностей и сарказме, с примерами для сохранения качества на более широких задачах. Карточка приводит небольшие локальные holdout-оценки и прямо отмечает, что они не доказывают широкого улучшения; качество за пределами проверенных областей не установлено. Модель и runtime распространяются по лицензии Apache-2.0, лицензии исходных наборов данных могут отличаться.

KARAKURI Inc. разработала karakuri-vl-2-8b-thinking-2603 — мультимодальную модель «текст–изображение–текст» семейства Qwen3-VL, дообученную на Qwen/Qwen3-VL-8B-Thinking. Она принимает текстовые запросы и изображения и предназначена для диалогового анализа визуального содержимого с текстовыми ответами. Модель поддерживает японский и английский языки; в метаданных указаны архитектура Qwen3VLForConditionalGeneration и формат весов safetensors. Для запуска используется библиотека Transformers. Лицензия — Apache 2.0. Подробности о размере, длине контекста и специализированных сценариях дообучения в карточке не приведены.

KyrgyzBert — компактная языковая модель на архитектуре BERT, разработанная Метиновым Адилетом и предварительно обученная на корпусе текстов на кыргызском языке. Модель содержит 41,5 млн параметров; вариант из карточки использует 6 слоёв, 8 голов внимания и словарь собственного токенизатора metinovadilet/bert-kyrgyz-tokenizer. Максимальная длина последовательности — 512 токенов. Основное назначение модели — предсказание замаскированных слов в кыргызском тексте. Её также можно дообучать для классификации текста, распознавания именованных сущностей и других задач обработки кыргызского языка, а выходы модели применять для извлечения признаков. Обучение проводилось на корпусе более чем из 1,5 млн предложений; набор данных не раскрыт. Модель может быть полезна для кыргызскоязычных NLP-приложений и исследований. Она может хуже работать с малоресурсными диалектами и смешением языков, а для классификации тональности и распознавания сущностей требует отдельного дообучения. Лицензия — Apache-2.0.

sahilchachra/Laya-TypedDecisions-MXFP4 — опубликованная Sahil Chachra квантизированная версия энкодерной части модели convaiinnovations/laya для запуска через MLX на Apple Silicon. В репозитории находятся только веса двунаправленного энкодера ModernBERT-large; обученная отдельно голова принятия решений и API upstream-модели сюда не включены. Метаданные указывают 394,7 млн параметров, тогда как README описывает исходную архитектуру как 421 млн параметров, 28 слоёв и размер скрытого состояния 1024. Родной контекст в метаданных каталога — 8192 токена; README для исходной конфигурации приводит 1024 токена. Энкодер предназначен для извлечения признаков из текста и создания пользовательских MLX-голов, в том числе для классификации и скоринга. Это не авторегрессионная чат-модель и она не предоставляет самостоятельный API принятия решений Laya. Проверка показывает заметное отклонение скрытых состояний после квантизации MXFP4; для решений, чувствительных к калибровке или близким оценкам, автор рекомендует исходные веса bf16/fp32. В README условия лицензии не описаны.

Многоязычная языковая модель Joel Niklaus на архитектуре RoBERTa, предварительно обученная на юридических текстах из набора MultiLegalPile. Модель содержит 533,7 млн параметров, принимает текст с маскированными токенами и предсказывает их; длина контекста — 514 токенов. В карточке указаны немецкий, французский и итальянский языки, а набор данных охватывает 24 языка. Модель предназначена прежде всего для дообучения под юридические задачи классификации последовательностей и токенов, а также для ответа на вопросы. Её специализация на юридических текстах может быть полезна в этой области, но качество на текстах других тематик может снижаться. Лицензия — CC BY-SA.

Llama-3.1-70B-Instruct-multimodal-JP-Graph — японская большая языковая модель с поддержкой изображений, созданная на базе Llama-3.1-Swallow-70B-Instruct-v0.3 и визуального энкодера Qwen2-VL-7B. Архитектура модели основана на LLaVA-Llama, веса представлены в формате safetensors; размер составляет 69,5 млрд параметров, контекст — до 131 072 токенов. Модель предназначена для диалога на японском языке и ответов на вопросы об изображениях. Её можно применять для описания визуальных сцен, извлечения сведений из изображений и ответов на вопросы по их содержимому. В метаданных также указана задача генерации текста. Для запуска README описывает использование модифицированной LLaVA-NeXT. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с карточкой модели и лицензией базовой модели. Специализация на японском языке и зависимость от указанной реализации ограничивают универсальность применения.

Карточка модели megaaziib/llava-v1.6-mistral-7b на Hugging Face совпадает с карточкой liuhaotian/llava-v1.6-mistral-7b, поэтому описание составлено по ней. LLaVA-v1.6-Mistral-7B — мультимодальный чат-бот, разработанный командой LLaVA и обученный на базе Mistral-7B-Instruct-v0.2. Это авторегрессионная модель на архитектуре Transformer с 7,1 млрд параметров, предназначенная для диалога по изображениям и текстовым инструкциям. Она принимает изображения и текст, а отвечает текстом; длина контекста составляет 32 768 токенов. Модель подходит для визуальных вопросов и ответов, описания изображений и выполнения инструкций, связанных с визуальным содержимым. Для обучения использовались пары изображение–текст, мультимодальные инструкции, данные VQA и диалоговые данные. Карточка позиционирует её как открытую модель для исследований и экспериментов в области компьютерного зрения и обработки языка; лицензия — Apache 2.0. Модель может быть полезна для прототипирования мультимодальных чат-ботов и исследовательских задач, но не следует считать её ответы гарантированно точными. Указанное назначение ориентировано на исследователей и энтузиастов; карточка не заявляет специализированной отраслевой области.

ClimateModernBERT Soup — англоязычный encoder-only чекпойнт семейства ModernBERT, созданный авторами проекта ClimateModernBERT продолжительным предобучением ModernBERT-Base на климатических текстах и усреднением трёх чекпойнтов Phase 2. Модель содержит 149 млн параметров, использует архитектуру ModernBertForMaskedLM и принимает последовательности длиной до 8192 токенов. Основная задача — заполнение пропусков в тексте; представления модели также предназначены для последующего дообучения на классификацию, многометочную разметку и поиск. Модель предназначена для исследований и прикладных NLP-сценариев в климатической тематике: анализа корпоративной отчётности, политических документов, научной литературы и новостей. В статье сообщается средний F1 76,3 на девяти климатических бенчмарках. Модель рассчитана только на английский язык; это masked language model, а не система, следующая инструкциям, и её ответы не дают гарантии фактической достоверности. Лицензия в предоставленных данных не указана.

Molmo 7B-D — открытая зрительно-языковая модель семейства Molmo, разработанная Allen Institute for AI. Она принимает изображения и текстовые запросы и генерирует текстовые ответы, например описывает содержимое изображения и отвечает на вопросы о нём. Модель предназначена для диалоговых сценариев с визуальными данными и демонстрационных приложений. Модель объединяет языковую основу Qwen2-7B с визуальным энкодером OpenAI CLIP; архитектура обозначена как плотная MolmoForCausalLM. Веса содержат 12,8 млрд параметров, контекст — 4096 токенов. Для обучения семейства использовался набор PixMo с тщательно отобранными парами изображение–текст. Карточка сообщает о результатах на уровне моделей сопоставимого размера и о предварительном статусе этого чекпойнта. Репозиторий распространяется по лицензии Apache 2.0; авторы указывают исследовательское и образовательное применение. Модель может ошибаться при интерпретации изображений и ответах на вопросы; чекпойнт обозначен как предварительная версия.

MORESPulse — мультиязычная модель классификации текста, разработанная проектом MORES и предназначенная для анализа эмоциональной окраски политической коммуникации и сравнительных исследований. Это дообученная версия XLM-RoBERTa large для классификации предложений по шести меткам: гнев, страх, отвращение, грусть, радость и отсутствие этих эмоций. Метки можно свести к тональности: радость — положительная, отсутствие перечисленных эмоций — нейтральная, остальные — отрицательная. Модель обучалась на размеченных предложениях на английском, немецком, французском, польском, словацком, чешском и венгерском языках; обучающие данные включают искусственно сгенерированные примеры и переводы. Авторы сообщают о близких результатах на тестовых наборах для разных языков. Модель используется в Babel Machine — инструменте для сравнительных исследований. Репозиторий распространяется по лицензии CC BY 4.0.

JohanHeinsen/Old_News_Segmentation_SBERT_V0.1 — дообученная модель Sentence Transformers на базе CALDISS-AAU/DA-BERT_Old_News_V1, разработанная для начальной версии сегментации ENO. Модель кодирует предложения в эмбеддинги размерности 768 и оценивает их сходство по косинусной мере; обучена на 20 502 парах газетных фрагментов с оценками сходства. Основной сценарий — поиск смысловых связей между предложениями из датских газет XVIII — начала XIX века для поддержки сегментации ENO. Модель также подходит для эмбеддингов и сравнения текстов на историческом датском языке; она обучена на газетных материалах разных жанров и тем. Архитектура — BERT, библиотека sentence-transformers, максимальная длина последовательности — 512 токенов. Это начальная версия, поэтому качество сегментации может требовать дополнительной проверки. Обучающие примеры происходят из газет, что ограничивает переносимость на другие периоды, жанры и языки. Лицензия в предоставленных данных не указана.

Ornith-1.0-35B JANG_4M — сборка OsaurusAI мультимодальной модели DeepReinforce для диалога по изображениям и тексту. Она принимает изображение вместе с текстовым запросом и генерирует текстовый ответ; предназначена для запуска на компьютерах Apple Silicon через Osaurus или совместимую среду vMLX. В основе лежит гибридная архитектура Qwen3.5 MoE: 40 текстовых слоёв, включая 30 слоёв Gated-DeltaNet с линейным вниманием и 10 слоёв полного внимания, 256 маршрутизируемых экспертов и скрытый размер 2048. Вариант JANG_4M использует смешанную аффинную квантизацию: 8-битную для внимания и 4-битную для маршрутизируемых экспертов с размером группы 64; визуальный энкодер оставлен в fp16. Размер сборки составляет около 18 ГБ вместо примерно 70 ГБ для исходной версии bf16. Модель основана на deepreinforce-ai/Ornith-1.0-35B и распространяется по лицензии MIT. README не сообщает длину контекста и перечень поддерживаемых языков; запуск требует Osaurus или vMLX, которые корректно обрабатывают параметр RMSNorm scale_shift +1.

ParallelTubeDecoding-Qwen3-VL-4B — модель MBZUAI на основе Qwen3-VL-4B-Instruct, адаптированная для пространственно-временной локализации объектов и событий в видео. Она сначала определяет временной интервал описанного события, а затем параллельно предсказывает пространственные координаты объекта для этого интервала. Пространственное представление использует 1 001 дискретный токен координат, временное — 100 токенов; размер пространственного блока PTD равен 6. Модель предназначена для поиска в видео объекта или события, заданного текстовым запросом, и построения его пространственной траектории. Она обучалась на VidSTG и HC-STVG, а также оценивается на Charades-STA и ActivityNet Captions. Чекпойнт содержит объединённые веса после дообучения, но для генерации PTD требуется выпущенный авторами код: стандартная загрузка через Transformers предоставляет архитектуру Qwen3-VL, но не реализацию PTD и Decoupled Block Attention. Модель распространяется по лицензии Apache-2.0. Она предсказывает один непрерывный временной интервал и одну пространственную траекторию на запрос; несколько раздельных эпизодов или одновременно подходящих объектов не поддерживаются. Тонкие изменения состояния, а также маленькие, быстро движущиеся или частично закрытые объекты могут затруднять локализацию.

QVQ-72B-Preview-GGUF — набор GGUF-квантизаций мультимодальной модели QVQ-72B-Preview, разработанной командой Qwen и подготовленной пользователем bartowski с помощью llama.cpp. Модель предназначена для задач image-text-to-text: анализа изображений и генерации текстовых ответов по визуальным запросам, например подсчёта объектов или интерпретации содержимого изображения. Для запуска требуются инструменты llama.cpp для Qwen2-VL и отдельный multimodal projector. Модель имеет размер 72B параметров и поддерживает обработку изображений совместно с текстом. В README явно указан английский язык; сведения о контекстном окне, точной архитектуре базовой модели и дополнительных языках отсутствуют. Доступны варианты квантования от Q2 до Q8, различающиеся размером файла, требованиями к памяти и качеством: Q6_K и Q5 считаются вариантами высокого качества, Q4_K_M — сбалансированным вариантом, а форматы Q2 и Q3 экономят память за счёт заметного снижения качества. Основные преимущества — мультимодальные возможности, широкий выбор уровней квантования и возможность локального запуска через llama.cpp. Ограничения включают высокие требования к памяти даже у компактных вариантов, зависимость от совместимого multimodal projector и потенциальное снижение качества при использовании низкобитных квантов. В карточке указана лицензия other со ссылкой на лицензию Qwen; перед использованием следует проверить её условия.

omlab/Qwen2.5VL-3B-VLM-R1-REC-500steps — дообученная модель на основе Qwen/Qwen2.5-VL-3B-Instruct с усилением для задачи REC (распознавание объектов по выражениям на естественном языке). Она предназначена для поиска на изображении объекта, соответствующего текстовому описанию, и выдачи его локализации. Модель относится к семейству Qwen2.5-VL, использует архитектуру Qwen2_5_VLForConditionalGeneration и содержит 3,1 млрд параметров. Она принимает изображения и текст; заявленный контекст составляет 128 000 токенов. В карточке указаны английский язык и датасет lmms-lab/RefCOCOg. Репозиторий содержит веса safetensors. Модель рассчитана на визуальное указание объектов по фразе, например для визуального поиска и привязки описаний к областям изображения. README называет её улучшенной версией REC с обучением VLM-R1, но не приводит результатов оценки или подробностей обучения. Лицензия в предоставленных данных не указана.

Qwen3.5-9B-eSFT — мультимодальная модель на архитектуре Qwen3.5, дообученная автором zhengbang0707 на наборе данных vlguard_Qwen3.5-9B_eSFT. Она принимает текст и изображения и предназначена для диалога и генерации текстовых ответов по изображениям. В метаданных указаны 9 млрд параметров у базовой модели, формат safetensors и библиотека Transformers. Карточка сообщает о результате оценки на валидационном наборе: loss 1,1175. Подробности о назначении дообучения, составе обучающих данных и ограничениях не приведены. Лицензия обозначена как other; условия использования следует сверить с карточкой модели и базовой модели Qwen/Qwen3.5-9B.

Qwen3.8-27B-Palimpsest — экспериментальная BF16 дообученная модель xero0000 на базе Qwen/Qwen3.8-27B. Она ориентирована на создание и редактирование художественной прозы, сохранение связности в длинном контексте и структурированные вызовы инструментов. Модель плотная, мультимодальная, с сохранённым визуальным энкодером; длина контекста базовой конфигурации — 262 144 токена. Этап обучения на длинный контекст охватывал виртуальные позиции до 1 млн токенов, но это не подтверждает обработку такого объёма в одном запросе на обычном оборудовании. Веса двух LoRA-этапов объединены с исходными BF16-весами, поэтому для инференса не требуется подключать PEFT-адаптеры. Обучающие данные были преимущественно на английском языке. Модель подходит для локальных экспериментов с творческим письмом, редактированием непрерывности повествования и вызовами инструментов; возможности зрения сохранены, но после дообучения не переоценивались. Публичные бенчмарки и слепые сравнения прозы ещё не завершены. Лицензия — Apache-2.0.

QwENDEAVR-VL — мультимодальная модель на основе Qwen2-VL, опубликованная prakcoin и дообученная от unsloth/qwen2-vl-7b-instruct-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL от Hugging Face. Модель поддерживает диалоговый режим и принимает текст вместе с изображениями, чтобы отвечать на запросы о визуальном содержимом. Модель с плотной архитектурой Qwen2-VL насчитывает 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке указана лицензия Apache-2.0. Данные о специализированной области применения и результатах оценки качества не приведены.

DevQuasar/Qwen.Qwen-Image-Bench-GGUF — квантизированная версия модели Qwen/Qwen-Image-Bench, разработанная сообществом DevQuasar. Модель представлена в формате GGUF и предназначена для задач image-text-to-text, то есть для работы с изображениями и текстовыми запросами в диалоговом режиме. Модель подходит для сценариев, где требуется анализировать изображения и формировать текстовые ответы на вопросы пользователя. README не содержит сведений о размере модели, архитектуре, поддерживаемых естественных языках, длине контекста или лицензии.