I.3Извлечение и структурирование данных

Rogue-27B-KR — корейская специализированная языковая модель для диалогов и пошаговых рассуждений, разработанная ginigen-ai. Она создана слиянием Darwin-27B-Opus и корейской SFT-версии Qwen, после чего дополнительно дообучена на корейских данных. По карточке, модель заняла второе место в K-AI Leaderboard и показала улучшение на тесте CLIcK по культурным и языковым знаниям Кореи. Модель имеет плотную архитектуру RogueForCausalLM на базе Qwen3.5 с гибридным механизмом GatedDeltaNet и Attention, около 21,3 млрд параметров по метаданным и контекст до 262 144 токенов. Она принимает текст и генерирует текст; README описывает корейские сценарии, включая рассуждения, работу с длинными документами, а также вопросы по культуре, истории, праву и финансам. В метаданных также перечислены английский, японский и китайский языки. Для запуска в BF16 требуется около 48 ГБ видеопамяти; доступны варианты квантования при отдельной подготовке. Модель распространяется по лицензии Apache 2.0.

sentence-IT5-small — модель на базе архитектуры IT5/T5-small, опубликованная efederici. Она преобразует предложения и абзацы в плотные векторы размерностью 512 и обучена для асимметричного семантического поиска: запросом служит ключевое слово, а документом — короткая новостная статья. Векторы можно использовать для поиска подходящих документов и кластеризации текстов. Модель предназначена для итальянского языка и реализована на PyTorch. Для работы через Sentence-Transformers достаточно получить эмбеддинги текстов; при использовании Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. Веса содержат около 45,8 млн параметров. Лицензия в предоставленных данных не указана.

Serafim 900m Portuguese PT Sentence Transformer — модель для получения плотных векторных представлений предложений и абзацев на португальском языке. Её разработали Luís Gomes, António Branco, João Silva, João Rodrigues и Rodrigo Santos в рамках семейства энкодеров Serafim PT; работа представлена на EPIA 2024 и опубликована Springer. Модель предназначена для семантического поиска и задач информационного поиска, а также для кластеризации и сравнения сходства текстов. Она построена на DeBERTa-v2, имеет около 1,1 млрд параметров, выдаёт векторы размерностью 1536 и принимает последовательности длиной до 512 токенов. Для работы доступны веса в формате safetensors и библиотека Sentence-Transformers; лицензия MIT. Модель ориентирована на португальский язык. Контекст ограничен 512 токенами, поэтому длинные документы потребуется делить на фрагменты; качество для других языков не заявлено.

StructLM-13B — языковая модель TIGER-Lab для задач привязки ответов к структурированным знаниям. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров и контекстом до 16 384 токенов; она дообучена на наборе инструкций SKGInstruct, объединяющем 19 задач работы со структурированными знаниями и SlimOrca. Модель принимает текстовые инструкции и линеаризованные структурированные данные, например таблицы, тройки знаний и схемы графов знаний, и генерирует текстовый ответ, соблюдая заданный формат вывода. Модель предназначена для вопросов и рассуждений по табличным данным и графам знаний, проверки фактов, генерации описаний по структурированным данным и преобразования запросов в ответы. В README приведены оценки на наборах ToTTo, GrailQA, CompWebQ, MMQA, Feverous, Spider, TabFact, DART и других. Карточка предупреждает, что модель может уступать по качеству, необходимому для непосредственного применения в чат-ботах и других приложениях. Лицензия — MIT.

efederici/text2tags — модель на базе T5, дообученная на наборе из 28 тысяч новостных статей с тегами. Она генерирует подходящие теги для статьи на итальянском языке; автор также указывает возможность использовать её для информационного поиска и генерации запросов (GenQ), а также для дообучения sentence-transformers под асимметричный семантический поиск. Модель содержит 45,8 млн параметров и опубликована в форматах PyTorch и Safetensors. В карточке базовая модель обозначена как it5-small; лицензия и ограничения контекста не приведены. Основное назначение — разметка новостных текстов тематическими тегами, реализованная как суммаризация для генерации тегов.

Tucano2-qwen-3.7B-Instruct — компактная языковая модель Polygl0t для диалогов и выполнения инструкций на португальском языке. Она основана на Tucano2-qwen-3.7B-Base и дообучена в два этапа: supervised fine-tuning и Anchored Preference Optimization (APO). Модель построена на плотной архитектуре Transformer семейства Qwen3, содержит около 3,4 млрд параметров и принимает контекст до 4096 токенов. Модель подходит для генерации ответов, суммаризации, формирования структурированных данных, сценариев RAG, вызова функций и использования инструментов. Разработчики сообщают о результатах на португальских и других бенчмарках, включая задачи на знания, следование инструкциям и программирование. Модель рассчитана прежде всего на исследования и разработку португалоязычных систем; для других языков возможны ошибки понимания и ответов. Модель может галлюцинировать, воспроизводить предвзятость и токсичность обучающих данных, повторяться или давать избыточные ответы. Для применения в реальных системах рекомендуется самостоятельно оценивать риски и качество. Лицензия — Apache 2.0.

TurkEmbed4Retrieval — модель Sentence Transformers от newmindai, дообученная на базе newmindai/TurkEmbed4STS для получения плотных векторных представлений турецких предложений и абзацев. Модель сопоставляет текстам 768-мерные эмбеддинги и использует косинусное сходство; в архитектуре применяются Transformer, pooling по CLS-токену и нормализация векторов. Репозиторий содержит веса Safetensors, а библиотека для работы с моделью — Sentence Transformers. Модель предназначена для семантического поиска, сравнения текстов по смыслу, поиска перефразирований, кластеризации и классификации текстов. Обучение описано на наборе примерно из 1,84 млн пар предложений с оценками сходства; MatryoshkaLoss позволяет использовать представления разной размерности. Метаданные указывают контекст до 8192 токенов, тогда как карточка модели задаёт максимальную длину последовательности 512 токенов. Модель рассчитана на текстовый ввод и выдаёт векторы, которые можно сравнивать или использовать в последующих задачах. Основной язык примеров и назначение базовой модели — турецкий; пригодность для других языков не подтверждена. Условия лицензии в предоставленных сведениях не описаны.

XiYanSQL-QwenCoder-3B-2502 — специализированная языковая модель команды XiYanSQL для преобразования запросов на естественном языке в SQL. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров и контекстом 32 768 токенов; она принимает текстовые инструкции с вопросом, схемой базы данных и при необходимости справочной информацией и генерирует SQL. В README описано применение с SQLite, PostgreSQL и MySQL, а формат схемы M-Schema рекомендован авторами; также допускается DDL. Модель предназначена для генерации SQL по вопросам пользователя и может служить основой для дальнейшей настройки text-to-SQL моделей. README приводит оценки серии XiYanSQL-QwenCoder на тестах BIRD и Spider, но численные результаты конкретно версии 3B в доступном фрагменте не указаны. Для запуска авторы указывают Transformers версии 4.37.0 или новее и показывают использование chat template. Модель распространяется по лицензии Apache-2.0.

severinsimmler/xlm-roberta-longformer-large-16384 — PyTorch-перепубликация модели hyperonym/xlm-roberta-longformer-large-16384 без изменений. Это мультиязычная плотная модель архитектуры Longformer, инициализированная весами XLM-RoBERTa без дополнительного предварительного обучения. Она предназначена для дообучения под прикладную задачу и извлечения признаков из текста; окно контекста составляет 16 386 токенов, размер — 658,7 млн параметров. Модель подходит для длинных текстов на поддерживаемых языках и доступна в форматах PyTorch и Safetensors. Лицензия — MIT. Качество на конкретной задаче зависит от последующего дообучения; карточка не описывает готовую специализированную задачу или результаты оценки.

Nous-Yarn-Llama-2-70b-32k — языковая модель от NousResearch, основанная на Llama 2 70B и дополнительно обученная на данных для длинного контекста. Авторы применили метод YaRN и провели 400 шагов дополнительного предобучения. Модель предназначена для генерации текста и работы с длинными документами; в README заявлено окно контекста до 32 тыс. токенов. В метаданных указаны архитектура LlamaForCausalLM, плотная модель с 68,7 млрд параметров, библиотека Transformers и формат PyTorch. В сравнительных тестах авторы сообщают о сохранении результатов на коротком контексте и показателях perplexity для контекстов до 32 тыс. токенов. В метаданных указана длина контекста 8192 токена, что расходится с заявленными в README 32 тыс.; фактическую поддержку максимальной длины следует проверять в используемой конфигурации. Модель рассчитана на английский язык. Лицензия — Apache 2.0.

win2win/ad-categorizer-model — дообученный разработчиком win2win энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2. Модель преобразует предложения и абзацы в плотные векторы размерности 384 и сравнивает их с помощью косинусного сходства; архитектура включает BERT, усреднение токенов и нормализацию. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов, а карточка модели — максимальную длину последовательности 256 токенов. Модель предназначена для поиска семантически похожих текстов, сопоставления описаний, поиска перефразировок и кластеризации. Её можно применять для категоризации объявлений через сравнение с текстами категорий или примерами. Карточка сообщает о дообучении на двух парах предложений, поэтому качество для широкого круга задач может быть ограниченным. Формат весов — safetensors; лицензия в предоставленных сведениях не указана.

Bee-150M-PT (base) — базовая языковая модель BrCamp, обученная с нуля на бразильском португальском языке. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 151,1 млн параметров. В ней 30 слоёв, группированное внимание с 9 головами и 3 KV-головами, RoPE, словарь из 32 000 токенов и контекст длиной 2048 токенов. Модель предназначена для продолжения текста на португальском. Её можно применять для суммаризации, извлечения структурированных данных, переписывания и классификации, когда необходимые факты предоставлены в контексте. По данным карточки, на португалоязычном holdout-наборе она показала 0,844 bits-per-byte; авторы сообщают, что результат лучше Tucano-160m при примерно в девять раз меньшем числе обучающих токенов. Это базовая модель, а не модель для следования инструкциям. Несмотря на хорошее владение португальским, её фактические знания ненадёжны и могут различаться между генерациями, поэтому она не подходит для открытых фактических вопросов без предоставленного контекста. Распространяется по лицензии Apache-2.0.

karakastarik/bert-base-turkish-128k-uncased-spelling-correction — модель на базе BERT, опубликованная как Sentence Transformers для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерностью 16 и обучалась с MultipleNegativesRankingLoss и косинусным сходством. Модель предназначена для семантического поиска, сравнения текстов и кластеризации. Несмотря на «spelling-correction» в названии, README описывает получение эмбеддингов, а не исправление орфографии. Архитектура — BERT; объём модели составляет 211,6 млн параметров, контекст — до 512 токенов. Метаданные указывают поддержку задач feature extraction и sentence similarity, а также формат PyTorch. Модель ориентирована на турецкий язык, однако доступные сведения не уточняют качество на конкретных наборах данных. Лицензия в предоставленных данных отсутствует.

Модель carted-nlp/categorization-finetuned-20220721-164940-distilled-20220811-074207 — дообученная Carted NLP модель RoBERTa для классификации текста. Она содержит 36 млн параметров и принимает последовательности длиной до 514 токенов. В README указаны метрики на оценочном наборе: accuracy 0,8771 и F1 0,8763; название предполагает применение для категоризации, но конкретные категории и обучающие данные не описаны. Модель подходит для присвоения текстам категорий в прикладных системах. Доступен формат PyTorch. Лицензия в предоставленных данных не указана.

newmindai/ColmmBERT-base-TR — PyLate modeli, ozayezerceli/mmBERT-base-TR temel modelinden msmarco-tr veri kümesinde Türkçe metinlerle ince ayar yapılarak oluşturulmuştur. Это ColBERT-архитектура на базе ModernBERT: трансформер выдаёт последовательности плотных векторов размерности 128, а релевантность запросов и документов оценивается оператором MaxSim. Модель предназначена для семантического поиска и повторного ранжирования результатов поиска на турецком языке; её можно использовать для индексации документов и поиска top-k кандидатов через PyLate и FastPLAID. Размер модели — 306,9 млн параметров, максимальный контекст по метаданным — 8192 токена. В карточке также указаны длины до 32 токенов для запросов и до 180 токенов для документов. Модель принимает текст и формирует векторные представления токенов для оценки релевантности. Лицензия в предоставленных данных не указана.

arxyzan/data2vec-roberta-base — текстовая модель семейства RoBERTa, созданная на основе подхода Data2Vec к самообучению. Репозиторий содержит копию facebook/data2vec-text-base; автор карточки уточняет, что модель не обучалась с помощью кода из репозитория Data2Vec, а была скопирована для удобства и воспроизводимости. Модель предназначена для извлечения признаков из текста и получения векторных представлений. Она содержит 151,8 млн параметров, принимает последовательности длиной до 514 токенов и доступна в форматах PyTorch и Safetensors. Указанный язык — английский. Лицензия в предоставленных данных не указана.

Data2Vec-Text base — англоязычная предварительно обученная трансформерная модель от команды Facebook, обученная по self-supervised objective семейства data2vec. Она преобразует текст в контекстные векторные представления и предназначена прежде всего для дообучения под задачи, использующие целое предложение или его фрагменты, например классификацию последовательностей и токенов, а также ответы на вопросы. Для генерации текста карточка рекомендует использовать авторегрессионные модели. Модель содержит 151,8 млн параметров, принимает текст с учетом регистра и рассчитана на контекст до 514 токенов. В метаданных указаны английский язык и PyTorch; среди обучающих данных названы BookCorpus и Wikipedia. Лицензия — MIT. Data2Vec использует Transformer и предсказывает контекстные латентные представления замаскированного входа. Карточка указывает, что модель рассчитана на дообучение для конкретных задач, поэтому качество непосредственно в прикладных сценариях зависит от выбранного дообучения.

davanstrien/dataset-rows-task-classifier-2048 — модель классификации текста, дообученная на базе LiquidAI/LFM2.5-Encoder-350M для многометочной классификации строк датасетов по категориям задач машинного обучения. Она предсказывает метки из набора из 35 категорий, включая распознавание речи, генерацию текста, классификацию изображений, поиск и прогнозирование временных рядов. Модель содержит около 444,6 млн параметров, использует плотную архитектуру LFM2 с энкодером и поддерживает контекст до 128 000 токенов. На тестовой оценке F1 micro составила 0,6218 при пороге 0,5 и 0,6486 при настроенных порогах; F1 macro при пороге 0,5 — 0,4621. Пороговые значения для каждой метки сохранены в конфигурации. Для загрузки требуется trust_remote_code=True из-за пользовательской классификационной головы; README отмечает, что для подачи через vLLM нужна стандартная архитектура. Лицензия в предоставленных данных не указана.

davanstrien/dataset-schema-task-classifier — модель классификации текста на базе двунаправленного энкодера LiquidAI/LFM2.5-Encoder-350M, дообученного для многометочной классификации схем датасетов. Она предсказывает категории задач, связанные с датасетом, например распознавание речи, генерацию текста, классификацию изображений, поиск и прогнозирование временных рядов; всего в карточке заявлено 35 меток. Модель содержит 444,6 млн параметров, использует архитектуру LFM2 и поддерживает контекст до 128 000 токенов. Модель предназначена для автоматической разметки описаний и схем датасетов категориями задач, в том числе как этап каталога или поиска данных. В README приведены значения F1: micro 0,5898 при пороге 0,5 и 0,6238 при настроенных порогах; для применения меток с приоритетом точности рекомендуется отбирать предсказания с высокой уверенностью и направлять остальные на проверку. Используется специальная голова классификации, поэтому для загрузки требуется trust_remote_code=True; README также отмечает ограничение стандартных архитектур для обслуживания через vLLM. Лицензия в предоставленных данных не указана.

Fetis789/deberta_qqp — дообученная модель Microsoft DeBERTa-v3-base для классификации текстовых последовательностей. По названию репозитория и типу классификационной архитектуры она предназначена для определения, задают ли две фразы один и тот же вопрос, то есть для задачи Quora Question Pairs (QQP). Модель содержит 211,6 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. В README приведены результаты оценки: accuracy 0,9230, precision 0,8817, recall 0,9135 и F1 0,8973. Датасет обучения, схема меток и подробные ограничения в карточке не раскрыты. Модель распространяется по лицензии MIT.

decide-0.2.0 — англоязычная модель jmwri на 149 млн параметров, дообученная на базе answerdotai/ModernBERT-base. Это компактный некорректирующий генерацию encoder-only классификатор: за один проход оценивает каждый из предложенных вариантов и возвращает калиброванные вероятности. Поддерживает выбор одного варианта из нескольких, проверку условия с ответом «да/нет» и оценку по упорядоченной шкале. Архитектура использует ModernBERT и отдельную MLP-голову для оценки вариантов; заявленная длина контекста — 8192 токена. Модель предназначена для классификации по заданным вариантам, проверки утверждений и принятия решений по текстовому описанию состояния и инструкции. Оценки вариантов не зависят от порядка остальных вариантов, что удобно для построения устойчивых классификаторов и таксономий. На задачах, похожих на обучающие, README приводит метрики точности и калибровки; на не встречавшихся при обучении задачах качество ниже, а вероятности могут быть чрезмерно уверенными. Модель поддерживает только английский язык. Лучше работают варианты с ясными описаниями; наборы более чем примерно из десяти вариантов рекомендуется разбивать на этапы. Для решений, влияющих на права, безопасность или средства к существованию людей, требуется надзор человека. Лицензия модели — Apache-2.0; перед распространением или коммерческим использованием также следует проверить лицензии использованных обучающих наборов данных.

DiariZen — модель сегментации активности говорящих для развёртывания на устройстве AX650, подготовленная AXERA-TECH на основе BUT-FIT/diarizen-wavlm-large-s80-md. Она сочетает обрезанный WavLM-Large и Conformer и размечает аудио по кадрам на 11 классов активности говорящих. На вход подаётся монофоническое аудио 16 кГц; обработка разделена между AX650 NPU и CPU с ONNX Runtime: на NPU выполняется свёрточный извлекатель признаков, а трансформерная часть, Conformer и классификатор — на CPU. Модель обрабатывает окна длиной 4 секунды; для более длинных записей требуется скользящее окно и объединение сегментов. По данным карточки, гибридный конвейер достигает 14,9-кратной скорости реального времени на указанной конфигурации AX650. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

Jechto/e5-dansk-test-0.1 — модель эмбеддингов предложений и абзацев на базе XLM-RoBERTa, опубликованная Jechto. Она преобразует текст в плотные векторы размерностью 1024 и предназначена для семантического поиска, сравнения предложений и кластеризации. Модель обучена на датасете MS MARCO, автоматически переведённом с английского на датский, чтобы проверить качество такого перевода для обучения на другом языке. Модель использует библиотеку Sentence Transformers и сохраняется в формате safetensors. Максимальная длина контекста — 514 токенов. В README описано обучение с MultipleNegativesRankingLoss и косинусным сходством. Карточка не сообщает лицензию; результаты обучения на машинном переводе могут зависеть от его качества.

alakxender/e5-dhivehi-combined-mnr — это дообученная модель Sentence Transformers на базе XLM-RoBERTa, разработанная alakxender для получения плотных векторных представлений предложений и абзацев на дивехи. Она обучена на 184 780 парах текстов с использованием MultipleNegativesRankingLoss; выходные векторы имеют размерность 768, а для сравнения предусмотрена косинусная близость. Репозиторий содержит веса в формате Safetensors, модель использует mean pooling и поддерживает последовательности до 514 токенов по метаданным; README указывает ограничение 256 токенов. Модель подходит для семантического поиска, сравнения смысловой близости, поиска перефразировок, кластеризации и классификации текстов на дивехи. В обучающих данных также представлены пары дивехи—английский, однако карточка не подтверждает, что модель рассчитана на полноценную двуязычную работу. Лицензия — MIT. Эмбеддинги отражают качество и охват обучающих данных; README не приводит оценок качества на независимых тестах.

Это векторная модель Sentence Transformers на архитектуре ModernBERT, дообученная Thivy на базе ibm-granite/granite-embedding-311m-multilingual-r2 на наборе eti-embedding-training-data-4096-granite-v2. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768 для семантического поиска, сравнения текстов, поиска перефразировок, классификации и кластеризации. Модель рассчитана на норвежский букмол и нюношк, включая длинные фрагменты: README указывает максимум 4096 токенов, а метаданные — нативный контекст 32768 токенов. В README приведены метрики на тестовых данных: точность cosine similarity 0,985 для TripletEvaluator и cosine_accuracy@1 0,612, @3 0,902, @5 0,95 для InformationRetrievalEvaluator; эти результаты относятся к указанным наборам оценки и не гарантируют качество на других данных. Модель предназначена для построения поиска и сравнения текстов на норвежском языке, в том числе для содержательных фрагментов длиной до 4096 токенов. Обучающий набор содержит 543 922 примера. Доступны веса в формате safetensors; в предоставленных данных лицензия не указана.

Granite-Speech-4.1-2B-Plus — плотная модель IBM для распознавания речи, построенная на базе ibm-granite/granite-4.0-1b-base и дообученная на речевых корпусах с разметкой диаризации и временных меток. Она предназначена для корпоративных сценариев преобразования речи в текст на английском, французском, немецком, испанском и португальском языках. Модель поддерживает обычную транскрипцию, разметку реплик по говорящим и временные метки конца каждого слова. Режимы выбираются формулировкой запроса; также можно передавать список ключевых слов для улучшения распознавания имён и терминов, а предыдущую расшифровку — как контекст при инкрементальном декодировании. В версии Plus обычная транскрипция не включает пунктуацию и заглавные буквы. Метки времени кодируются в сотых долях секунды и циклически повторяются каждые 10 секунд, поэтому при восстановлении времени нужно учитывать счётчик циклов. Возможны ошибки распознавания, смещения или нежелательные результаты. Модель распространяется по лицензии Apache-2.0.

davanstrien/headline-similarity — модель Sentence Transformers на базе BERT, разработанная для сопоставления заголовков и других коротких текстов по смыслу. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и подходит для семантического поиска, кластеризации и оценки сходства. Модель дообучена на dbmdz/bert-base-historic-multilingual-cased с использованием MultipleNegativesRankingLoss; в обучающих данных использовался набор headlines-semantic-similarity. Архитектура содержит 137,8 млн параметров, а контекст ограничен 512 токенами. Модель ориентирована на английские газетные заголовки. Её можно применять для поиска похожих заголовков, группировки публикаций по теме и обнаружения семантически близких формулировок. Репозиторий использует формат PyTorch; в предоставленных сведениях лицензия не указана.

HEBATRON — языковая модель, разработанная PwC Israel и MAFAT при участии AWS. Она дообучена на базе NVIDIA Nemotron-3-Nano-30B и предназначена прежде всего для работы на иврите, включая анализ его морфологии и разных регистров речи; также заявлена поддержка английского языка. Архитектура сочетает Mamba2 и разреженный Mixture-of-Experts. В репозитории указано 1,9 млрд параметров, а README описывает исходную конфигурацию как модель на 31,6 млрд параметров. Метаданные указывают контекст до 262 144 токенов; README сообщает о настройке на окно 64 тыс. токенов. Модель подходит для анализа длинных юридических и технических документов, суммаризации и двуязычных рассуждений на иврите и английском. В README также приведены результаты тестов на рассуждение, математические задачи и понимание текста; эти показатели заявлены авторами карточки. Для запуска в README рекомендуются vLLM и мощные GPU. Модель распространяется по лицензии Apache 2.0. Как и у других языковых моделей, её ответы могут содержать фактические ошибки и требуют проверки.

Hermes-4-70B-GGUF — это квантизированная версия языковой модели Hermes-4-70B, разработанной NousResearch. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на запросы, создание и преобразование текстов и другие задачи обработки естественного языка. Формат GGUF ориентирован на локальный запуск с использованием совместимых инструментов, включая llama.cpp и LM Studio. В основе модели лежит модель размером 70 миллиардов параметров; точный вариант квантования в README не указан. Модель работает с текстовой модальностью, сведения о поддерживаемых языках и размере контекстного окна не приведены. Квантизация может снизить требования к памяти по сравнению с полноразмерной моделью, но потенциально влияет на точность и качество генерации. Как и другие генеративные модели, она может создавать неточные, вредные или неподходящие ответы. GGUF-квантизация предоставлена командой LM Studio с использованием llama.cpp release b6287, при этом LM Studio не является разработчиком исходной модели. Лицензия в README не указана.

InternVL3-8B-6bit — мультимодальная чат-модель семейства InternVL3, подготовленная mlx-community для запуска в формате MLX на устройствах Apple с MLX. Модель предназначена для диалога по изображениям и тексту, визуального понимания и генерации текстовых ответов; метаданные также отмечают интерфейс вызова инструментов. По README, модель преобразована из `models/InternVL3-8B` с помощью mlx-vlm 0.1.23. Каталог указывает связь дообучения с OpenGVLab/InternVL3-1B-Instruct, но README описывает конвертацию, поэтому происхождение указано как дообучение на основании метаданных. Модель поддерживает мультиязычные сценарии. Репозиторий содержит веса safetensors и предназначен для использования через mlx-vlm. Лицензия в метаданных обозначена как `other`; конкретные условия следует сверить с исходной карточкой модели и файлами лицензии.