I.3Извлечение и структурирование данных

BGE base Financial Matryoshka — англоязычная модель эмбеддингов на базе Sentence Transformers, дообученная revtestuser на финансовых текстовых парах от BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска и сравнения текстов. Архитектура включает BERT, пулинг по CLS-токену и нормализацию; сходство оценивается косинусной мерой. Максимальная длина последовательности — 512 токенов. Matryoshka-обучение позволяет использовать укороченные векторы размерностью 512, 256, 128 или 64 с некоторым снижением качества поиска. Модель подходит для поиска ответов и сведений в финансовых и регуляторных документах, поиска похожих фрагментов, кластеризации и отбора текстов для последующей классификации. В README приведены результаты информационного поиска на нескольких размерностях векторов, но они относятся к указанным там наборам оценки. Модель принимает текст и выдаёт векторы; лицензия — Apache-2.0.

elsayovita/bge-small-en-v1.5-esg — англоязычная модель Sentence Transformers, дообученная на базе BAAI/bge-small-en-v1.5 на 11 863 парах контекстов и вопросов по теме ESG. Она кодирует предложения и абзацы в нормализованные плотные векторы размерностью 384 для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации. Архитектура включает BERT, пулинг CLS-токена и нормализацию; сходство оценивается косинусной мерой. Максимальная длина входа — 512 токенов. Обучение Matryoshka позволяет использовать укороченные представления размерностью 256, 128, 64 или 32, с некоторым снижением качества поиска. Модель подходит для поиска ответов на вопросы в текстах ESG и других сценариев семантического поиска на английском языке. В README приведены оценки на неназванном наборе для нескольких размерностей, поэтому их нельзя переносить на произвольные данные. Лицензия — Apache-2.0.

antoinelouis/biencoder-distilcamembert-mmarcoFR — франкоязычный плотный bi-encoder, дообученный Antoine Louis на базе cmarkea/distilcamembert-base для семантического поиска и извлечения релевантных passages. Модель кодирует запросы и документы в векторы размерности 768; косинусное сходство между ними служит оценкой релевантности. Архитектура основана на CamemBERT, содержит 81,2 млн параметров и поддерживает последовательности длиной до 514 токенов; в описанном обучении длина запросов и passages ограничивалась 128 токенами. Модель обучена на французской части mMARCO с hard negatives, полученными от плотных ретриверов. В README приведена оценка на dev-наборе mMARCO-fr с 6 980 запросами и корпусом из 8,8 млн passages. Она подходит для построения семантического поиска на французском языке, где запросы и документы кодируются отдельно, а кандидаты ранжируются по сходству векторов. Лицензия — MIT.

CogAgent-Chat — визуально-языковая модель с открытыми весами, разработанная командой Zhipu AI и построенная на основе CogVLM. Эта версия предназначена для диалога по изображениям в несколько ходов, работы GUI-агента и визуальной привязки объектов. Модель принимает изображения интерфейсов и текстовые запросы, понимает веб-страницы, приложения для компьютеров и мобильных устройств, а также выполняет OCR-подобные задачи. Модель может составлять план действий по снимку экрана и предлагать следующую операцию с координатами. Она поддерживает изображения размером до 1120×1120 пикселей. В README указана версия CogAgent-18B с 11 млрд визуальных и 7 млрд языковых параметров; метаданные именно этого репозитория указывают 6,6 млрд параметров, поэтому размер версии в описании следует трактовать с осторожностью. Для репозитория заявлен контекст 2048 токенов. Основной язык карточки — английский. Веса доступны для академических исследований. Для коммерческого использования требуется регистрация и соблюдение условий лицензии; метаданные указывают Apache-2.0, поэтому перед применением стоит сверить лицензионные условия конкретной версии. Карточка рекомендует вариант Chat для многошагового диалога с изображениями и GUI-задач, а для одношаговых визуальных вопросов — отдельный вариант VQA.

sileod/deberta-v3-base-tasksource-nli — модель на базе DeBERTa-v3-base, дообученная разработчиком sileod методом многозадачного обучения на более чем 600 задачах коллекции Tasksource. Она предназначена прежде всего для классификации без примеров: модель сопоставляет текст с произвольными кандидатными метками через вывод о следовании. Также её можно применять для вывода на естественном языке (NLI), выполнять поддерживаемые задачи Tasksource с адаптерами и дообучать для классификации, разметки токенов и задач с выбором ответа. Модель имеет архитектуру DeBERTaV2ForSequenceClassification, содержит 211,6 млн параметров и принимает контекст длиной до 512 токенов. Обучение охватывает разнообразные датасеты для NLI и классификации; указанный в карточке основной язык — английский. В README сообщается о сильных результатах zero-shot-проверок на ряде задач и первом месте среди моделей той же архитектуры в оценке IBM model recycling. Модель устарела: автор рекомендует заменить её другой моделью с более длинным контекстом и лучшей точностью. Лицензия — Apache-2.0.

ai4data разработала DevData Search Granite 97M Multilingual CMNRL — компактную двуязычную модель-биэнкодер для создания текстовых эмбеддингов и поиска по структурированным статистическим метаданным. Модель дообучена на DevDataBench от IBM Granite Embedding 97M Multilingual R2 с функцией потерь CMNRL. При обучении порядок полей переставлялся, а часть полей исключалась, чтобы модель связывала значения с названиями полей, а не с порядком их сериализации. Модель подходит для поиска статистических показателей по описаниям, сопоставления запросов с записями метаданных и ранжирования кандидатов по семантической близости. Она принимает текст и выдаёт векторы эмбеддингов; для использования предусмотрена библиотека Sentence Transformers. Контекстная длина в метаданных — 32 768 токенов, а в карточке обучения указана максимальная длина последовательности 512 токенов. Модель не является готовым поисковым сервисом. Лицензия — Apache 2.0.

Модель Mateo Rúa создаёт 384-мерные семантические эмбеддинги заголовков товаров для испаноязычной электронной коммерции. Это дообученная с помощью contrastive learning модель Sentence Transformers на базе intfloat/multilingual-e5-small; архитектура — BERT, размер — 124,3 млн параметров. Модель предназначена для семантического поиска, рекомендаций, выявления дубликатов и группировки товаров в каталогах маркетплейсов. В README приведены результаты retrieval на независимом тесте: Recall@10 составляет 0,921, то есть товар той же категории входит в десятку ближайших соседей в 92% случаев. Модель принимает текстовые заголовки и выдаёт векторы; использует косинусное сходство и поддерживает последовательности до 512 токенов. Оптимизирована для коротких названий товаров на испанском языке и обучена на данных товарного каталога 2019 года. Модель может хуже работать на длинных текстах, с неоднозначными терминами и с недавно появившимися категориями или брендами. Для португальского языка README рекомендует дообучение на соответствующих данных. Лицензия — Apache 2.0.

hfl/english-pert-base — англоязычная модель семейства BERT от hfl для извлечения признаков из текста. Она подходит для получения векторных представлений токенов и текста в задачах, где требуется использовать признаки BERT как вход для последующей обработки. Модель содержит 136,7 млн параметров, использует архитектуру BertModel и принимает последовательности длиной до 512 токенов. Английские модели этого семейства не учитывают регистр: текст приводится к нижнему регистру. Доступны веса PyTorch и TensorFlow. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные работы на тех же условиях с ограничением некоммерческого использования.

Fara1.5-27B-GGUF — это квантизированная GGUF-версия мультимодальной модели Fara1.5-27B, разработанной Microsoft. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для сценариев computer use, управления браузером, автоматизации веб-задач и работы веб-агентов с визуально-языковым вводом. Модель имеет размер 27B параметров, поддерживает обработку текста и изображений и заявлена для английского языка. Доступны варианты от BF16 до различных уровней Q2–Q8-квантизации; размеры файлов составляют примерно от 12 до 54 ГБ. Наиболее качественными считаются BF16, Q8_0 и варианты Q6, а Q4_K_M предлагает компромисс между качеством и размером. Для запуска подходят llama.cpp, LM Studio, Ollama-совместимые инструменты и другие приложения с поддержкой GGUF, однако для недавно поддерживаемых архитектур может потребоваться обновление программного обеспечения. Сильные стороны модели — мультимодальность, ориентация на автоматизацию действий и широкий выбор квантизаций для разного объёма памяти. Ограничения включают неизвестные из README размер контекста и подробности архитектуры, а также возможное снижение качества на низких уровнях квантизации. Указана лицензия MIT; базовая модель — microsoft/Fara1.5-27B.

facebook/fasttext-en-vectors — англоязычная модель векторных представлений слов на базе библиотеки fastText, разработанной Meta. Предобученные векторы предназначены для извлечения признаков из текста и могут применяться в классификации текста, определении языка и оценке сходства слов по косинусной близости. Модель обучена на данных Common Crawl и Википедии с помощью CBOW с позиционными весами. Размерность векторов — 300; используются символьные n-граммы длины 5, окно контекста 5 и 10 отрицательных примеров. fastText рассчитана на работу на обычных процессорах и подходит как для прототипирования, так и для производственных сценариев. Векторы представляют английский язык. Возможны смещения в предсказаниях, связанные с обучающими данными. Лицензия — CC BY-SA 3.0.

stillerman/fdt-disfluency-mini-11m — компактная модель разметки слов в расшифровках живой речи, разработанная в рамках проекта FluencyAI. Она присваивает каждому слову один из тегов KEEP, DELETE, KEEP_STRIP_COMMA или KEEP_CAPITALIZE, после чего простая реконструкция формирует очищенный текст. Модель предназначена для удаления речевых запинок и лишних слов с сохранением исходной формулировки, имён и чисел. Модель основана на BERT с архитектурой L4/H256 и содержит около 11,1 млн параметров; максимальный контекст — 512 токенов. Для репозитория доступны ONNX и safetensors, включая квантованный int8 ONNX-вариант для запуска через transformers.js в браузере. В карточке заявлены exact-match 0,9065 и DELETE-F1 0,9854 на валидационных данных. Модель обучалась на синтетически дополненных разговорных корпусах, включая DailyDialog с лицензией CC BY-NC-SA. Основная лицензия репозитория — Apache-2.0, однако из-за обучающих данных автор рекомендует считать модель исследовательским артефактом и не применять её для коммерческого развёртывания без отдельной проверки условий использования данных.

Модель inokufu/flaubert-base-uncased-xnli-sts создана на основе французской Flaubert base uncased и дообучена на задаче распознавания логических отношений между предложениями из XNLI, а затем на оценке семантического сходства по данным STS-fr. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для сравнения по смыслу, семантического поиска и кластеризации. Контекст модели — до 512 токенов; формат репозитория — PyTorch. Модель рассчитана прежде всего на французский язык. В README указан результат 83,07% на оценке STS (fr). Для использования через Transformers требуется подходящая операция pooling поверх контекстных представлений. Лицензия в предоставленных данных не указана.

gokaygokay/Florence-2-Flux — дообученная на датасете kadirnar/fluxdev_controlnet_16k модель на базе Florence-2-base от Microsoft. Она предназначена для задач зрения, в которых нужно преобразовать изображение в текстовый ответ; семейство Florence-2 поддерживает описание изображений, распознавание текста и локализацию объектов по текстовым промптам. Репозиторий использует архитектуру Florence2ForConditionalGeneration и формат safetensors, а запуск предполагает библиотеку Transformers. Модель может быть полезна для анализа и текстового описания изображений. Карточка не раскрывает, какие именно возможности Florence-2 были дообучены и насколько хорошо они работают в этой версии. Лицензия — Apache-2.0.

OS-Software/Gemma 4 12B IT QAT Q4_0 Unquantized Heretic JA v2 — экспериментальная производная модели Google Gemma 4 12B IT. Репозиторий описывает Gemma 4 как мультимодальную модель Google DeepMind для работы с текстом, изображениями, видео и аудио; эта версия дообучена на базе google/gemma-4-12B-it и помечена как uncensored/abliterated. Указаны гибридное внимание с локальными окнами и глобальными слоями, рассуждение, вызов инструментов, генерация и исправление кода, а также мультиязычная поддержка. Для семейства 12B заявлено контекстное окно до 256K токенов и поддержка распознавания речи и перевода аудио в текст; метаданные указывают Transformers, safetensors и лицензию Apache-2.0. Карточка позиционирует модель для исследований и экспериментов, включая исследования безопасности, выравнивания и red teaming, и просит не развёртывать её в публичных сервисах или пользовательских приложениях. Возможны предвзятые, неточные или устаревшие ответы, трудности со сложными инструкциями и языковыми нюансами; для этой версии отдельные измерения качества не приведены.

OneNexus/GLM-5.3-Flash-MXFP4 — это чекпойнт модели GLM-5.3-Flash, разработанный OneNexus на базе zai-org/GLM-5.3-Flash. Модель предназначена для серверной обработки текстовых запросов и задач преобразования изображений в текст, включая сценарии с длинным контекстом и мультимодальными запросами. Заявлены английский и китайский языки; обработка видео не оценивалась. Модель имеет 320 млрд параметров, из которых 18 млрд активируются при обработке запроса. В большинстве слоёв используются маршрутизируемые эксперты с форматом весов MXFP4, а для других тензоров сохраняется заявленная точность. Архитектура включает разреженное внимание, K-пул для выбора контекста и встроенный механизм speculative decoding MTP с EAGLE. Максимальный контекст составляет 1 048 576 токенов, однако описанные тесты AgentX использовали ограничение 262 144 токена. Индексированный объём тензоров — около 182,12 GiB. На фиксированных выборках модель показала небольшие преимущества над amd/GLM-5.3-Flash-Quark-MXFP4 в MMLU и GPQA Diamond, но немного уступила в GSM8K; статистически значимое превосходство не установлено. Измеренная производительность при обслуживании запросов практически совпала с сопоставимым чекпойнтом AMD. Результаты зависят от ограничений длины ответа и не подтверждают превосходство в общем качестве, безопасности или агентских сценариях. Основной проверенный вариант развёртывания использует четыре AMD Instinct MI355X, ROCm и SGLang с TP4/EP4 и FP8 KV-кэшем. Лицензия — MIT.

HealthMate-AI — энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2, созданный для проекта медицинского RAG-чатбота и дообученный на медицинских текстах. Модель объединяет усреднённые веса трёх чекпойнтов, полученных при трёхкратной кросс-валидации, и преобразует предложения и абзацы в плотные векторы размерностью 384. Она содержит 25,9 млн параметров, использует архитектуру BERT/MiniLM и поддерживает контекст до 512 токенов. Модель предназначена для вычисления семантического сходства и поиска по медицинским документам. Однако оценка на нескольких задачах поиска показала результаты значительно ниже базовой модели all-MiniLM-L6-v2; автор не рекомендует использовать её для retrieval. Обучающие данные взяты из защищённой авторским правом медицинской энциклопедии, а код обучения и разбиения данных недоступны, поэтому заявленный результат на внутрикorpusной задаче нельзя воспроизвести. Модель распространяется по лицензии Apache-2.0; она не заменяет профессиональную медицинскую консультацию.

InternVL3.5-4B-Instruct — мультимодальная модель семейства InternVL3.5, разработанная OpenGVLab и предназначенная для диалогового взаимодействия с изображениями и текстом. Это плотная архитектура InternVLChat, дообученная на базе OpenGVLab/InternVL3_5-4B-Pretrained; модель распространяется в формате safetensors и работает через Transformers. Модель подходит для вопросов по изображениям, визуального рассуждения, распознавания текста на изображениях, анализа нескольких изображений и диалоговых сценариев с визуальным контекстом. Семейство InternVL3.5 также заявляет возможности взаимодействия с графическими интерфейсами и агентные сценарии, однако README не уточняет их поддержку именно версией 4B-Instruct. Модель принимает изображения и текст и формирует текстовые ответы; контекстное окно и конкретный список поддерживаемых языков для этого чекпойнта не приведены. Авторы описывают для семейства улучшения рассуждений с помощью Cascade RL и ускорение обработки изображений через Visual Resolution Router, но количественные результаты в README относятся к семейству в целом. Модель выпущена под лицензией Apache-2.0. Как и другие мультимодальные генеративные модели, она может ошибаться в визуальных деталях и ответах; заявленные возможности семейства не гарантируют одинакового качества на версии 4B.

AISE-TUDelft/java-deprecation-classifier — модель на основе MPNet, опубликованная AISE-TUDelft и распространяемая в формате PyTorch через Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства и кластеризации текстов. В карточке указано обучение с функцией потерь CosineSimilarityLoss; модель содержит 136,7 млн параметров и поддерживает контекст до 514 токенов. Название указывает на классификацию устаревших Java API, однако README описывает модель как средство построения эмбеддингов, а метаданные относят её к sentence-similarity и feature-extraction. Поэтому её можно применять для поиска и группировки текстов о Java-депрекациях, но карточка не подтверждает выдачу меток классов или специальную точность такой классификации. Лицензия в предоставленных данных отсутствует.

Jupyter Agent Qwen3-4B Thinking — дообученная командой Jupyter Agent языковая модель на основе Qwen/Qwen3-4B-Thinking-2507 для агентного анализа данных в Jupyter. Модель с архитектурой Qwen3 и 3,7 млрд параметров генерирует код и текстовые ответы, выполняет пошаговые рассуждения и поддерживает вызов инструментов при наличии соответствующей программной оболочки. Она предназначена для исследования наборов данных, статистического анализа, визуализации и подготовки выводов в сценариях, похожих на Kaggle-ноутбуки. Поддерживает английский язык и Python; размер контекста в метаданных — 262 144 токена. В README заявлено улучшение результатов на бенчмарке DABStep относительно базовой модели, особенно на простых задачах. Модель ориентирована на структурированные задачи анализа данных и может хуже справляться с другими предметными областями и неструктурированными данными; качество вызова инструментов зависит от подходящей оболочки. Сгенерированный код и аналитические выводы требуют проверки, а выполнение кода — изолированной среды. Лицензия Apache 2.0.

sinjy1203/ko-sbert-natenews — модель эмбеддингов предложений на базе BERT, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 141,2 млн параметров, принимает текст и поддерживает контекст длиной до 512 токенов. По названию репозитория модель ориентирована на корейские новости. Её можно применять для поиска похожих новостных материалов и группировки статей по смыслу; карточка также описывает обучение с CosineSimilarityLoss. Доступны веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

Sakalti/light-3B — компактная языковая модель семейства Qwen2, созданная слиянием моделей Qwen с помощью mergekit и метода TIES. В основу положена Qwen/Qwen2.5-3B, в слиянии также участвовала Qwen/Qwen2.5-3B-Instruct. Модель содержит 3,1 млрд параметров и предназначена для генерации текста и диалогового взаимодействия; в метаданных также заявлен интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Заявленная длина контекста — 32 768 токенов. В карточке указан английский язык, а лицензия обозначена как other; конкретные условия использования следует сверять с лицензиями базовых моделей и репозитория.

LLaVE-0.5B — мультимодальная модель встраивания, дообученная на базе LLaVA-OneVision-Qwen2-0.5B-OV. Она предназначена для получения представлений текста, изображений, нескольких изображений и видео, которые можно использовать для поиска и сопоставления содержимого. В README заявлены сильные результаты на наборе MMEB и перенос на поиск по видео без дополнительного обучения; модель обучалась на 662 тысячах пар. По метаданным, модель содержит 357,8 млн параметров, использует архитектуру LLaVA с Qwen2, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. README также описывает контекстное окно в 4K токенов, что расходится с длиной контекста из метаданных.

LWM-Text-128K — открытая авторегрессионная языковая модель на архитектуре Transformer семейства LLaMA, дообученная на основе LLaMA 2. По метаданным, модель содержит 6,6 млрд параметров и поддерживает контекст до 131 072 токенов. Она предназначена для генерации текста и работы с длинными последовательностями; при обучении использовались 92 тысячи документов Books3 длиной от 100 до 200 тысяч токенов. Языковые возможности отдельно не описаны. Модель опубликована в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

LWM-Text-Chat-512K — открытая авторегрессионная языковая модель семейства LLaMA, созданная LargeWorldModel на основе LLaMA-2. Это плотный трансформер с 6,6 млрд параметров и контекстом до 524 288 токенов, предназначенный для генерации текста и работы с очень длинными документами. Модель обучали в декабре 2023 года на подмножестве Books3: 3 500 документов длиной от 500 тысяч до 1 миллиона токенов. Модель может применяться для продолжения текста, диалога и анализа длинных материалов в пределах контекстного окна. Карточка не описывает отдельные результаты оценки качества или подробные ограничения; производительность на конкретных задачах следует проверять отдельно. В репозитории указаны веса PyTorch. Лицензия в предоставленных данных не указана.

Mermaid-Llama-6.7B-RAG-Code-Instruct — дообученная автором TroyDoesAI плотная причинная языковая модель семейства Llama с 6,6 млрд параметров. Она предназначена для преобразования кода, инструкций и текстового контекста в текстовые ответы: Mermaid-диаграммы и графы знаний, пояснения логики Python, а также фрагменты кода. В README описаны шаблон контекста в стиле airoboros Context-Obedient и обучение с LoRA; контекст модели составляет 16 384 токена, формат весов — safetensors. Модель ориентирована на разработчиков, обучение Python, документирование кода, RAG и визуальное планирование историй и проектов посредством Mermaid-разметки. Она выдаёт текст с кодом и диаграммами Mermaid, а не готовые изображения. Автор предупреждает, что модель следует использовать как автодополнение, а не как чат-бот; README также заявляет о снижении галлюцинаций, но не приводит проверяемых результатов оценки. Лицензия — CC BY 4.0.

MMFineReason-2B — мультимодальная модель для визуального вопросно-ответного взаимодействия, разработанная авторами проекта MMFineReason. Она дообучена на базе Qwen3-VL-2B-Instruct в два этапа: SFT на наборе MMFineReason-1.8M-SFT и обучение с подкреплением GSPO на MMFineReason-1.8M-RL. Данные проекта содержат 1,8 млн примеров с подробными визуально обоснованными рассуждениями; среди областей — математика, естественные науки, головоломки, общее понимание изображений и OCR. Модель принимает изображения и текстовые вопросы, а в ответ генерирует текст. Она предназначена для визуального рассуждения, включая решение математических задач по изображениям, интерпретацию научных схем и диаграмм, распознавание текста и ответы по визуальным материалам. Архитектура — плотная Qwen3-VL с 2 млрд параметров; карточка указывает английский язык. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Показатель 65,3 в таблице README — средний результат семейства на бенчмарках, а не гарантия качества для каждого запроса.

MMFineReason-4B — мультимодальная модель рассуждений OpenDataArena, дообученная на базе Qwen/Qwen3-VL-4B-Instruct. Она принимает изображения и текстовые запросы и предназначена для визуальных вопросов и задач, где требуется связать изображение с математическим или научным рассуждением, решить головоломку либо извлечь сведения из текста на изображении. Модель обучали в два этапа: на 1,8 млн примеров с подробными визуально обоснованными объяснениями, затем с применением обучения с подкреплением GSPO. В карточке указано среднее значение 73,9 на наборе бенчмарков, использованном авторами. Архитектура — плотная Qwen3-VL с 4 млрд параметров; формат весов — Safetensors. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0. Длина контекста в предоставленных сведениях не указана.

Mono-InternVL-2B — мультимодальная модель с настройкой на выполнение инструкций из семейства InternVL, разработанная OpenGVLab. Она построена на InternLM2-Chat-1.8B и объединяет языковую модель с компонентами для работы с изображениями; в репозитории указаны 1,8 млрд активируемых параметров и 3 млрд параметров всего. Модель предназначена для диалога по изображениям и генерации текстовых ответов на инструкции, связанные с визуальным содержимым. Метаданные также отмечают поддержку чата и мультиязычность. Репозиторий содержит веса в формате Safetensors; лицензия — MIT. Модель может ошибаться при распознавании мелких деталей и сложных сцен; конкретные ограничения качества в карточке не описаны.

Moondream 3 (Preview) — мультимодальная модель Moondream для анализа изображений и работы с текстом. Она принимает изображение и текстовый запрос, а также может использоваться как универсальная текстовая модель. Архитектура — Mixture of Experts: 9 млрд параметров всего, из них 2 млрд активны; визуальный энкодер основан на SigLIP. Модель имеет 24 слоя и контекстное окно до 32 тысяч токенов. Модель предназначена для ответов на вопросы об изображениях, создания подписей, поиска точек объектов и обнаружения объектов с ограничивающими рамками. Режим рассуждений включён по умолчанию; его можно отключить для простых запросов. Для локального запуска предлагается Transformers с FlexAttention, а также доступен облачный API. Moondream 3 выпущена как Preview, поэтому качество и поведение могут измениться. Веса распространяются по Business Source License 1.1 с Additional Use Grant: разрешены личное и исследовательское применение, внутреннее производственное использование и большинство коммерческих сценариев, но платные сервисы, конкурирующие с предложениями M87 Labs, требуют отдельного соглашения.

MOSS-Audio-8B-Instruct — открытая модель для понимания аудио, разработанная MOSI.AI, командой OpenMOSS и Shanghai Innovation Institute. Она принимает аудио и по инструкции формирует текстовые ответы: распознаёт речь, описывает звуки и музыку, отвечает на вопросы о содержании записи и создаёт её краткое изложение. Поддерживает временные отметки на уровне слов и предложений, анализ говорящих, эмоций и акустических событий, а также рассуждения по аудиоконтексту. Архитектура объединяет аудиоэнкодер MOSS-Audio-Encoder, адаптер модальности и языковую модель Qwen3-8B; общий размер составляет около 8,6 млрд параметров. Эмбеддинги аудио формируются с частотой 12,5 Гц, а временные маркеры помогают отвечать на вопросы о том, когда происходили события. Карточка указывает поддержку английского и китайского языков. Модель распространяется под лицензией Apache-2.0. Модель предназначена для прямого выполнения инструкций по аудио и может применяться для анализа записей разговоров, подкастов, музыки и окружающей среды. README приводит результаты сравнительных оценок, но они не гарантируют качество на конкретных данных; опубликованная информация также не описывает ограничения по длительности аудио или качество для других языков.