I.3Извлечение и структурирование данных

Ąžuolas Whisper LT CT2 — литовская модель распознавания речи, созданная akisviete на основе Ąžuolas Whisper LT и преобразованная в формат CTranslate2 для работы с faster-whisper. В репозитории доступны варианты float16 и int8_float16; второй занимает около 1,5 ГБ вместо 2,9 ГБ, при этом в приведённых тестах качество почти не меняется. Исходная модель основана на Whisper large-v3 и обучена на литовской речи из корпуса LIEPA-3. Модель предназначена для транскрибации литовской речи с временными метками сегментов. В тестах указаны WER 9,05% на FLEURS LT и 4,60% на Common Voice 26.0 LT. Для практического использования автор рекомендует включать фильтр тишины VAD и делить длинные записи на фрагменты до 22 секунд. Модель выдаёт текст строчными буквами без пунктуации и может генерировать текст на участках тишины без VAD. Лицензия — CC BY 4.0.

facebook/bart-large-mnli — контрольная точка BART-large от Facebook, дообученная на датасете MultiNLI для распознавания отношений логического следования между текстами. Модель применяют для классификации без заранее заданного набора классов: исходный текст рассматривается как предпосылка, а для каждой кандидатной метки формируется гипотеза, например «Этот текст о политике». Вероятности следования и противоречия преобразуются в оценки меток. Модель подходит для тематической классификации, маршрутизации текстов по пользовательским категориям и других задач, где нужно оценить соответствие текста произвольным меткам. Архитектура — BART-large с классификатором последовательностей, размер — 252,8 млн параметров, контекст — до 1024 токенов. Репозиторий содержит варианты PyTorch, Flax и Safetensors. Лицензия — MIT. Качество зависит от формулировки кандидатных меток и гипотез, а также от того, насколько задача соответствует обучению на MNLI; оценки модели не гарантируют правильную классификацию. Для нескольких одновременно верных меток предусмотрен режим независимой оценки каждого класса.

Модель inokufu/bert-base-uncased-xnli-sts-finetuned-education разработана Inokufu как англоязычная sentence-transformers-модель для представления предложений и абзацев о курсах в виде плотных векторов размерности 768. Она основана на bert-base-uncased и последовательно дообучалась на предложениях из описаний учебных курсов, затем на задаче распознавания текстовых отношений XNLI и на задаче семантического сходства STS. Модель подходит для семантического поиска, сравнения предложений и кластеризации образовательного текста; в README указан результат 84,61% на STS (английский).

hon9kon9ize/bert-large-cantonese-sts — модель Sentence Transformers на основе BERT, разработанная hon9kon9ize и дообученная на наборах yue-stsb, STS-B и C-MTEB/STSB. Она преобразует предложения и абзацы в плотные векторы размерности 1024; косинусное сходство между ними служит оценкой семантической близости. Модель подходит для поиска похожих текстов, сравнения предложений, поиска перефразировок, кластеризации и классификации текста. Модель использует архитектуру BERT с усреднением токенных представлений и поддерживает последовательности длиной до 512 токенов. Она ориентирована прежде всего на кантонский язык; среди примеров обучающих данных есть также английский. Для работы с моделью указана библиотека sentence-transformers. В README приведены результаты оценки сходства на STS-B: коэффициент Спирмена составляет 0,7996 на dev и 0,7605 на test. Лицензия в предоставленных сведениях не указана. Качество зависит от языка и предметной области: обучение и примеры сосредоточены на задачах сходства предложений, поэтому результаты для иных задач и языков требуют отдельной проверки.

mrm8488/bert-mini-finetuned-age_news-classification — англоязычная модель классификации новостей, созданная разработчиком mrm8488 дообучением BERT-Mini на наборе данных AG News. Это компактный классификатор последовательностей на архитектуре BERT с примерно 12 млн параметров и контекстом до 512 токенов. Модель принимает текст и присваивает ему категорию новости; в карточке Hugging Face для тестовой выборки AG News указана точность около 0,934. Модель предназначена для автоматической тематической сортировки новостных материалов и демонстрации классификации текста. Карточка предоставляет варианты весов PyTorch и Flax, а также формат safetensors. Условия лицензии в доступных источниках не подтверждены.

Это компактная модель Sentence Transformers, дообученная автором swardiantara на базе англоязычной google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерности 128; сходство текстов можно оценивать косинусным сходством, а в README отдельно указано применение для поиска. Модель подходит для семантического поиска и сравнения текстовых фрагментов, в том числе отзывов о товарах. Архитектура включает BertModel с mean pooling. Метаданные указывают 4,4 млн параметров и контекст до 512 токенов, тогда как README задаёт максимальную длину последовательности 128 токенов; при использовании следует учитывать это различие. Веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

google/bert_uncased_L-8_H-256_A-4 — компактная англоязычная модель BERT из набора BERT Miniatures, опубликованного Google. Это плотный Transformer-энкодер с 8 слоями, размерностью скрытого состояния 256 и 4 головами внимания; модель содержит 16,2 млн параметров и принимает последовательности длиной до 512 токенов. Она обучена без учёта регистра с токенизацией WordPiece и предназначена для задач понимания английского текста, в том числе для последующего дообучения по схеме BERT. Модель рассчитана на среды с ограниченными вычислительными ресурсами и может служить компактной основой для классификации текста, анализа тональности, оценки сходства и других задач обработки языка. Авторы отмечают, что особенно эффективна она при дистилляции, когда разметку для дообучения генерирует более крупная и точная модель. В карточке приведены реализации для PyTorch и Flax. Лицензия — Apache 2.0.

CeleBERTy Small Embeddings — компактная модель NeuML для получения плотных векторных представлений предложений и абзацев. Она построена на архитектуре BERT, дообучена с помощью sentence-transformers и насчитывает 25,9 млн параметров по метаданным. Модель отображает текст в пространство векторов размерности 384 и поддерживает контекст до 512 токенов. Модель предназначена для семантического поиска, кластеризации текстов и подготовки источников для RAG. Обучающие примеры получены из случайной выборки статей Википедии с меткой celebrity; эмбеддинги дистиллированы из более крупной модели DenseOn. В описанной авторами оценке на созданном BEIR-совместимом наборе модель показала NDCG 55,24 и подходит для CPU-сценариев с ограниченными ресурсами. Карточка указывает английский язык и лицензию Apache-2.0. Результаты обучения и оценки основаны на выборках статей Википедии о знаменитостях, поэтому качество для других тематик может отличаться. Модель возвращает эмбеддинги, а не готовые текстовые ответы.

cstr/cohere-transcribe-03-2026-GGUF — набор весов в формате GGUF для модели автоматического распознавания речи CohereLabs/cohere-transcribe-03-2026, разработанной Cohere. Конвертация предназначена для высокопроизводительного запуска на CPU через C++-среду CrispASR. Модель содержит около 2 млрд параметров и, согласно README, занимала первое место в Open ASR Leaderboard со средним WER 5,42 на март 2026 года. Архитектура включает 48-слойный Conformer-энкодер и 8-слойный каузальный Transformer-декодер; максимальный контекст декодера составляет 1024 токена, словарь — 16 384 SentencePiece-токена. На вход подаётся монофоническое аудио 16 кГц с 128 mel-признаками. Заявлена поддержка 14 языков: английского, французского, немецкого, испанского, итальянского, португальского, нидерландского, польского, греческого, арабского, японского, китайского, вьетнамского и корейского. Модель предназначена для транскрибации аудиозаписей и потоков речи; доступны варианты от F16 до Q4_K, позволяющие выбирать между качеством, размером и скоростью. Сильные стороны — мультиязычность, высокая заявленная точность и возможность эффективного CPU-инференса. Ограничения включают зависимость от CrispASR, необходимость корректной языковой настройки и отсутствие заявленной поддержки русского языка, несмотря на наличие соответствующего токена в токенизаторе: README предупреждает, что модель может выдавать ошибочную русскоязычную транскрипцию без явного сигнала об ошибке. Лицензия — Apache 2.0, унаследованная от исходной модели.

Это визуальный энкодер ConvNeXt-Base из семейства CLIP, опубликованный в библиотеке timm. Веса обучены на данных LAION при разрешении изображения 320 пикселей; модель предназначена для извлечения признаков изображений и получения векторных представлений для последующего поиска или сравнения. Модель принимает изображения и выдаёт векторы признаков. Это только визуальная часть CLIP: текстовый энкодер и генерация текста в репозитории не представлены. Модель распространяется в форматах PyTorch и Safetensors под лицензией Apache-2.0; использовать её можно в приложениях, совместимых с timm.

Darkstar-Qwen3.8-27B-Abliterated-ModelOpt-W4A16-NVFP4-Mixed-FP8 — квантизированная версия модели Darkstar от HangGlidersRule, созданная на основе Qwen/Qwen3.8-27B и производного Darkstar-Qwen3.8-27B-Abliterated-BF16. Модель предназначена для генерации текста с высокой пропускной способностью на GPU класса Blackwell, а также для исследований влияния редукции направления отказа и NVFP4-квантизации. В README не указаны точные языки и размер контекстного окна. Это текстовая модель с архитектурой и модальностями исходной Qwen3.8-27B; она сохраняет 15 тензоров MTP и использует смешанную точность: W4A16 NVFP4 для языковых MLP и lm_head, FP8 для self-attention и проекций GatedDeltaNet, BF16 для KV-кэша и защищённых компонентов. Квантизация выполнена средствами NVIDIA ModelOpt с калибровкой на cnn_dailymail и nemotron-post-training-dataset-v2. Указана производительность 251,889 токена/с в конфигурации MTP10 и результат GPQA 74,75%. Сильные стороны модели — высокая производительность, экономичное представление весов и сохранение критически важных компонентов в BF16. Ограничение и существенный риск связаны с намеренно уменьшенной склонностью к отказам: модель может выполнять многие запросы, которые исходная версия отклоняет, и не содержит дополнительных защитных механизмов. В README сообщается о 200 из 200 случаев вредоносного согласия и отсутствии безопасных избыточных отказов в проведённой оценке, поэтому необходимы собственные политики, фильтры и контроль доступа. Модель распространяется по лицензии Apache-2.0.

DeepSeek-V4-Pro-GGUF — набор GGUF-квантизаций базовой модели DeepSeek-V4-Pro, разработанной DeepSeek и опубликованный командой teamblobfish. Модель предназначена для генерации текста и локального запуска через специализированную ветку llama.cpp с поддержкой архитектуры V4. Формат подходит для сценариев локального инференса, включая серверное использование и обработку tool calls. Модель использует архитектуру Mixture of Experts: 61 слой и 384 маршрутизируемых эксперта. В реализации применяются специфичные для V4 механизмы, включая compressor decode, hyperconnection, lightning indexer, FP8-эмуляцию KV и NextN heads. Доступны варианты Q8_0, Q4_K_M-XL и Q2_K-XL; размер файлов составляет примерно от 498 ГиБ до 1,46 ТиБ. README демонстрирует запуск с контекстом 65 536 токенов, но максимальный размер контекста модели явно не указан. Поддерживается текстовая модальность; список языков не приведён. Сильной стороной является возможность запуска крупной модели в GGUF с поддержкой Apple Silicon, NVIDIA CUDA и CPU, а также проверенная работа Q2_K-XL с tool calls. Основные ограничения — чрезвычайно большой объём памяти, низкая скорость на CPU и необходимость использовать V4-совместимый fork llama.cpp; стандартная upstream-версия llama.cpp не поддерживается. ROCm, Vulkan и Metal на AMD не имеют необходимых ядер. Для практического запуска часто требуются несколько GPU или частичная выгрузка на CPU. Модель распространяется по лицензии MIT.

DiscoLM 70B — крупная языковая модель для генерации текста, разработанная Disco Research. Данная карточка содержит её квантованные файлы в формате GGUF, подготовленные TheBloke; исходная модель доступна в формате FP16 для GPU-инференса и дальнейших преобразований. Модель основана на архитектуре LLaMA и содержит 70 миллиардов параметров. Она предназначена для диалоговых и общих задач генерации текста, включая работу на английском и немецком языках. В обучении использовались наборы Open-Orca/SlimOrca-Dedup, teknium/openhermes, MetaMathQA, Synthia, AgentInstruct и немецкоязычные датасеты LeoLM и ultrachat_de. Для взаимодействия используется шаблон ChatML с ролями system, user и assistant. GGUF-файлы доступны в вариантах с 2-, 3-, 4-, 5-, 6- и 8-битным квантованием, что позволяет запускать модель с использованием CPU и GPU через llama.cpp и совместимые приложения. Квантование уменьшает требования к памяти, но может снижать точность по сравнению с исходной FP16-версией; конкретный контекстный размер и производительность в README не указаны. Модель распространяется по лицензии Llama 2.

Модель itshamdi404/Egy_Arabic_whisper-small — дообученная Hamdi Mohamed мультиязычная Whisper Small для распознавания египетского арабского на аудиозаписях и преобразования речи в текст. Архитектура WhisperForConditionalGeneration, около 153,1 млн параметров; модель использует библиотеку Transformers и веса в формате safetensors. При обучении применялись аудио с частотой 16 кГц, нормализация текста и извлечение признаков процессором Whisper. Модель предназначена для транскрибации египетской речи, голосовых интерфейсов, разметки аудиоданных и бенчмаркинга распознавания арабских диалектов. Обучение на аудио с соответствующими расшифровками ориентировано на произношение, лексику и речевые особенности египетского диалекта. Лицензия — Apache-2.0. На других арабских диалектах качество может быть ниже; шум, одновременная речь и низкое качество записи ухудшают распознавание. Редкие слова и имена могут транскрибироваться с ошибками.

tardellirs/embeddinggemma-pt-br-128k — португалоязычная модель для создания текстовых эмбеддингов, полученная из google/embeddinggemma-300m. Разработчик сократил словарь токенизатора до 128 тысяч токенов, обрезав матрицу эмбеддингов токенов; трансформерный энкодер и слои pooling и Dense сохранены без изменений. В репозитории указаны 202,1 млн параметров в метаданных и около 207 млн в README. Модель предназначена для семантического поиска, сравнения предложений и других сценариев, где нужны векторные представления текста на португальском языке. README приводит результат MTEB(por) mean_16 0,7192 — 99,1% результата исходной модели при меньшем размере. Контекст модели — 2048 токенов; для использования подходят Sentence Transformers и text-embeddings-inference. Это артефакт сокращения словаря, а не дообучение: README сообщает, что обучение не проводилось. Модель распространяется по лицензии Gemma; качество за пределами португальских задач не подтверждено, а сокращение словаря может ограничивать работу с текстами на других языках.

Sunbird AI подготовила faster-whisper-51-african-languages — версию модели Sunbird/SunflowerASR-51-african-languages в формате CTranslate2 с точностью float16 для запуска через faster-whisper. Базовая модель построена на Whisper large-v3 и дообучена для распознавания речи на 51 африканском языке. Модель принимает аудио и преобразует речь в текст. Для выбора языка нужно передавать в faster-whisper соответствующий стандартный код Whisper из таблицы README; автоматическое определение языка использовать не следует. При загрузке можно выбрать другой compute_type, например int8_float16, с заявленным ориентиром около 1,6 ГБ видеопамяти. Перед применением проверьте качество на целевых языках: экстрактор признаков faster-whisper не выполняет нормализацию, используемую в эталонном конвейере Transformers, поэтому результаты WER могут отличаться. Лицензия — Apache-2.0.

GeM2-Llamion-14B-LongChat — текстовая генеративная модель VAIV Company из серии GeM 2.0. Это плотная авторегрессионная модель семейства Llama с 14,1 млрд параметров, доступная в формате safetensors и предназначенная для диалоговой генерации текста. Версия LongChat поддерживает контекст до 200 000 токенов, что позволяет вести длинные диалоги и работать с большими текстовыми материалами в одном контекстном окне. По README, Llamion создана преобразованием модели Orion в стандартную архитектуру LLaMA с помощью отображения параметров и офлайн-переноса знаний; конкретная базовая модель Orion в метаданных не идентифицирована. Карточка приводит результаты оценки perplexity на англоязычной и корейской Википедии, но не описывает ограничения качества или перечень поддерживаемых языков. Модель распространяется по лицензии Apache-2.0.

Gemma-4-26B-A4B-it-ROCmFP4-GGUF — квантизированная GGUF-версия мультимодальной модели Google Gemma-4-26B-A4B-it, опубликованная пользователем kingjones777. Модель предназначена для генерации текста и работы с изображениями; заявлена поддержка vision, а также сценариев с speculative decoding и tool calling. Архитектура MoE содержит 26 млрд параметров всего, из которых около 4 млрд активируются для каждого токена. Доступны варианты квантизации ROCmFP4 и ROCmFPX с разрядностью от 4 до 8 бит и размером примерно от 12,7 до 24,7 GiB. Для vision требуется отдельный проектор mmproj-BF16.gguf, а для speculative decoding — drafter mtp-gemma-4-26B-A4B-it-Q8_0.gguf. На AMD Strix Halo с Ryzen AI MAX+ 395, 128 ГБ unified memory и ROCm 7.2.4 заявлена скорость до 60,11 токена в секунду с MTP и до 58,33 токена в секунду без него. Основные преимущества — сочетание текстовых и визуальных возможностей, MoE-эффективность, несколько вариантов точности и высокая производительность на совместимом AMD-оборудовании. Ограничение состоит в том, что модель требует сборку llama.cpp с поддержкой ROCmFPX и не загружается в стандартные llama.cpp, Ollama или LM Studio. MTP и vision нельзя использовать одновременно, а совместимость speculative decoding может зависеть от версии сборки и платформы. Лицензия указана как Gemma; поддерживаемые языки и максимальный контекст в README не обозначены.

mlx-community/GLM-4.7-4bit — языковая модель для генерации текста, преобразованная сообществом mlx-community из базовой модели zai-org/GLM-4.7 в формат MLX с использованием mlx-lm версии 0.30.0. По указанным метаданным модель предназначена для работы с текстом и поддерживает английский и китайский языки. Она может применяться для диалоговой генерации и других задач, связанных с продолжением текста, через библиотеку mlx-lm. Ключевая особенность модели — 4-битное представление, которое уменьшает требования к памяти по сравнению с полноформатной версией, но потенциально может ограничивать точность по сравнению с исходной моделью. Архитектура, число параметров, размер контекста, дополнительные модальности и перечень поддерживаемых сценариев в README не указаны. Для использования требуется MLX и библиотека mlx-lm. Модель распространяется по лицензии MIT.

glm-4-9b-chat-1m-GGUF — GGUF-квантизированная версия разговорной модели THUDM/glm-4-9b-chat-1m, подготовленная legraphista. Исходная модель имеет размер 9B параметров и представлена в формате BF16; в репозитории доступны варианты BF16, F16 и различные уровни квантования от Q8_0 до Q2_K, включая IQ-квантизации. Модель предназначена для генерации текста и диалоговых сценариев, а также рассчитана на работу с китайским и английским языками. Основное преимущество этого варианта — широкий выбор размеров файлов, позволяющий подобрать баланс между качеством и требованиями к памяти: от 18,97 ГБ для BF16/F16 до 4,02 ГБ для Q2_K. При этом README содержит существенное ограничение: модель пока некорректно поддерживается в llama.cpp и не будет работать в нём. Архитектура, точное устройство модальностей и фактическая длина контекстного окна в карточке подробно не описаны; обозначение 1m присутствует в названии базовой модели. Лицензия указана как glm-4; её текст доступен по ссылке на лицензию исходной модели. Перед использованием следует учитывать условия этой лицензии и несовместимость с текущей поддержкой llama.cpp.

onnx-community/gte-multilingual-reranker-base — это ONNX-версия модели Alibaba-NLP/gte-multilingual-reranker-base, подготовленная сообществом onnx-community для совместимости с Transformers.js. По названию модель предназначена для мультиязычного reranking, то есть переоценки и упорядочивания результатов поиска или извлечения документов по их релевантности запросу. Ключевая особенность этой версии — наличие ONNX-весов, размещённых в отдельном репозитории для использования в веб-средах через Transformers.js. В README не указаны точная архитектура, размер модели, поддерживаемые языки, максимальная длина контекста, показатели качества или лицензия. Также не описаны дополнительные ограничения эксплуатации; сведения о лицензии следует проверять в исходном репозитории Alibaba-NLP/gte-multilingual-reranker-base.

Huihui-Qwen3.5-27B-abliterated — мультимодальная плотная модель на 27 млрд параметров, созданная huihui-ai на основе Qwen/Qwen3.5-27B методом abliteration, направленным на снижение числа отказов. Это экспериментальная версия с упрощённой реализацией метода, предназначенная для диалогов и анализа изображений; метаданные также указывают поддержку интерфейса вызова инструментов. Модель принимает текст и изображения и генерирует текст. Модель подходит для диалоговых сценариев, ответов на запросы по изображениям и задач с использованием инструментов. В README указано, что защитные фильтры существенно ослаблены, поэтому возможны чувствительные, спорные или неподходящие ответы и результаты требуют проверки. Репозиторий распространяется по лицензии Apache-2.0.

Huihui-Qwen3.8-27B-abliterated-MXFP4 — это квантованная версия мультимодальной модели huihui-ai/Huihui-Qwen3.8-27B-abliterated, подготовленная пользователем sahilchachra с использованием MLX. Модель предназначена для генерации текста по текстовым и визуальным входам, включая ответы на вопросы по изображениям, анализ их цветов и форм, а также обычные диалоги и рассуждения. Она работает на устройствах Apple Silicon через mlx-vlm и поддерживается LM Studio. Модель относится к семейству qwen3_5 и использует гибридную текстовую архитектуру GatedDeltaNet с линейным вниманием и полным вниманием: 64 слоя, при этом полный attention применяется в каждом четвёртом слое. В состав также входит vision tower Qwen3-VL. Текстовая часть, включая отдельную матрицу lm_head размером около 1,27 млрд параметров, квантована в MXFP4 с эффективными 4,449 битами на вес и занимает около 14 ГБ в 13 файлах; vision tower сохранена в формате bfloat16. Модель поддерживает рассуждения с предварительным каналом <think>. Языки и размер контекстного окна в README не указаны. Это намеренно uncensored/abliterated-производное: из текстовых слоёв 18–51 удалено направление отказов, поэтому модель может не применять ограничения исходной версии. Сильными сторонами являются мультимодальность, работа на Mac с 24 ГБ памяти, существенно меньший размер по сравнению с более точными вариантами и подтверждённая работа текстового и визуального трактов. Ограничения включают отсутствие MTP-головы для speculative decoding, возможные ограничения квантования и наследуемые особенности базовой модели. Модель распространяется по лицензии Apache-2.0; использовать её следует с учётом применимого законодательства и условий лицензии базовой модели.

Hunyuan-7B-Instruct-0124 — диалоговая языковая модель Tencent с плотной авторегрессионной архитектурой Hunyuan v1 и 7,5 млрд параметров. Она предназначена для генерации текста и общения на естественном языке; в карточке приведены результаты тестирования на ряде бенчмарков, включая CEval, ARC-C и BBH. Модель использует Grouped Query Attention и заявленную в README поддержку контекста до 256 тысяч токенов. Метаданные Hugging Face указывают нативный контекст 32 768 токенов; фактический предел зависит от конфигурации и используемого окружения. Доступны веса PyTorch и Safetensors, а для инференса описана поддержка vLLM. Модель совместима с форматом Hugging Face и может дообучаться. Модель ориентирована прежде всего на китайский язык, а метаданные также отмечают английский. Лицензия указана как other, поэтому условия использования следует сверить с файлами лицензии репозитория. Показатели бенчмарков из README относятся к описанным там настройкам оценки и не гарантируют аналогичное качество во всех сценариях.

zhongweixie выпустил Qwen3-4B с обучением In-Place Test-Time Training (In-Place TTT), ориентированную на работу с длинным контекстом. Это плотная авторегрессионная языковая модель на архитектуре Qwen3ForCausalLM; в карточке указана связь с Qwen/Qwen2.5-4B и обучение на 1250 шагах с контекстом 64 тыс. токенов. Модель предназначена для генерации текста и диалоговых сценариев, в том числе задач, где нужно учитывать длинные входные последовательности. README заявляет более эффективную работу с длинным контекстом и адаптацию во время обработки входа, однако не приводит количественных результатов или сравнительных оценок. Репозиторий содержит веса safetensors для Transformers, размер модели по метаданным — 3,7 млрд параметров. Лицензия Apache-2.0.

OpenGVLab/InternVL3-14B-AWQ — квантованная AWQ-версия мультимодальной модели InternVL3-14B, разработанной OpenGVLab. Модель предназначена для задач image-text-to-text: анализа изображений и видео, ответов на вопросы по визуальному содержимому, мультимодального восприятия и рассуждений. Заявлены также сценарии использования инструментов, GUI-агентов, промышленного анализа изображений и 3D-восприятия. Архитектура построена по схеме ViT-MLP-LLM и объединяет зрительный модуль InternViT-300M-448px-V2_5, MLP-проектор и языковую часть Qwen2.5-14B. Используются динамическое разбиение изображений на фрагменты 448×448 пикселей, поддержка нескольких изображений и видео, а также Variable Visual Position Encoding (V2PE), улучшающее обработку длинного контекста. Модель заявлена как многоязычная, однако конкретный перечень языков и размер контекстного окна в README не указаны. Сильные стороны модели — мультимодальное восприятие и рассуждение, работа с изображениями, несколькими изображениями и видео, а также сниженные требования к памяти благодаря квантованию AWQ. Ограничения включают зависимость качества от точности квантования и аппаратной совместимости, а также отсутствие в представленных данных подробных результатов именно для этой квантованной версии. Лицензия указана как other с названием qwen и ссылкой на лицензию Qwen2.5-72B-Instruct.

InternVL3.5-2B-Flash — мультимодальная чат-модель семейства InternVL3.5, разработанного OpenGVLab. Она принимает изображения вместе с текстовыми запросами и формирует текстовые ответы, поэтому подходит для диалога по изображениям и решения визуально-текстовых задач. Вариант Flash использует Visual Resolution Router для динамической настройки разрешения визуальных токенов; семейство также описывает раздельное размещение зрительной и языковой частей при обслуживании модели. Модель построена на архитектуре InternVLChat и дообучена на OpenGVLab/InternVL3_5-2B; карточка связывает обучение с наборами MMPR-v1.2 и MMPR-Tiny. Карточка характеризует семейство как многоязычное, но конкретные языки не перечисляет. Модель распространяется под лицензией Apache-2.0. В предоставленной карточке нет численных данных о размере контекста или подробной оценки качества именно версии 2B-Flash.

Japanese CLIP — контрастивная модель для сопоставления изображений и японского текста в общем пространстве эмбеддингов, разработанная Recruit Co., Ltd. Она использует визуальный энкодер CLIP-ViT-B-32 и текстовый энкодер Japanese RoBERTa-base и обучена на 128 млн пар изображений и текстов из японской части LAION2B-multi. Модель предназначена для поиска изображений по японскому запросу и текста по изображению, классификации изображений без дополнительного обучения по заданным текстовым меткам, а также извлечения признаков изображений и текста. Карточка описывает оценки на наборах для классификации и двунаправленного поиска изображение–текст; для ImageNet V2 и Food101 метки классов были переведены на японский. Модель ориентирована на японский язык и задачи сопоставления текста с изображениями. Лицензия — CC-BY-4.0; разработчик не гарантирует точность и полезность результатов и не несёт ответственности за ущерб, связанный с использованием модели.

Kimi-K2-Instruct-4bit — это 4-битная версия модели Kimi-K2-Instruct, преобразованная сообществом mlx-community в формат MLX из исходной модели moonshotai/Kimi-K2-Instruct. Конвертация выполнена с использованием mlx-lm версии 0.26.0. Модель предназначена для генерации текста в сценариях, поддерживаемых библиотекой mlx-lm, включая диалоговое взаимодействие и выполнение инструкций. README указывает текстовую генерацию и использование chat template, однако сведения об архитектуре, числе параметров, поддерживаемых языках, длине контекста и дополнительных модальностях не приведены. Основная особенность модели — 4-битное представление, рассчитанное на запуск в экосистеме MLX. Это может снизить требования к памяти по сравнению с полноразмерной версией, но README не содержит результатов оценки качества, производительности или подробностей ограничений квантования. Лицензия указана как modified-MIT; условия её модифицированного варианта следует проверить в сопроводительных материалах модели.

Kotoba-Whisper-v1.1 — японская модель распознавания речи на базе kotoba-tech/kotoba-whisper-v1.0, разработанная Kotoba Technologies в сотрудничестве с Asahi Ushio. Она использует архитектуру Whisper и насчитывает около 905 млн параметров. Модель принимает аудио и выдаёт японскую транскрипцию; встроенный конвейер добавляет пунктуацию и улучшает временные метки с помощью Stable-ts. Модель предназначена для транскрибирования японской речи, в том числе длинных аудиозаписей, и поддерживает подсказки при распознавании. В README приведено сравнение скорости на 50 минутах речи: версия 1.1 с пунктуацией и временными метками работает медленнее версии 1.0 с отключёнными временными метками. Для использования нужны Transformers версии 4.39 или новее, а также Stable-ts и punctuators. Лицензия — Apache-2.0.