I.3Извлечение и структурирование данных

TalTechNLP/xls-r-300m-et — модель распознавания эстонской речи, разработанная в Лаборатории языковых технологий TalTech. Это модель семейства wav2vec 2.0 с архитектурой Wav2Vec2ForCTC, дообученная на основе facebook/wav2vec2-xls-r-300m примерно на 800 часах эстонских аудиоданных. В репозитории указано 402,9 млн параметров; модель принимает аудио и преобразует речь в текст. Модель предназначена для распознавания эстонской речи в передачах, интервью, выступлениях и других общих сценариях. Она включает CTC-модель без отдельной языковой модели. В README приведены результаты WER: 7,9 на jutusaated.devset, 6,1 на jutusaated.testset и 12,5 на Common Voice 6.1. Качество может быть ниже при распознавании технической и узкоспециальной лексики, детской или неродной речи, сильном шуме, удалённом микрофоне, спонтанной и перекрывающейся речи. Лицензия — CC BY 4.0.

Jacaranda Health разработала модель распознавания речи на базе Whisper medium, дообученную для транскрибирования речи на суахили и английском языках. Модель принимает аудио и выдаёт текст; число параметров — 455,8 млн. В метаданных указано объединение моделей openai/whisper-medium и openai/whisper-small, а README описывает дообучение whisper-medium на Common Voice 17.0. Поэтому точный способ получения чекпойнта по источникам расходится. Модель подходит для расшифровки записей и смешанной речи на суахили и английском. README сообщает WER 14,7 на оценочном наборе и улучшение по сравнению с базовой моделью, особенно для суахили, но подробности протокола оценки не приведены. Лицензия в метаданных — CC BY-SA 4.0; README ограничивает назначение исследованиями, общественно полезными и внутренними сценариями, а коммерческое использование и распространение предлагает согласовывать с Jacaranda Health.

Sunbird/asr-whisper-51-african-languages — модель распознавания речи Sunbird, созданная на основе Whisper large-v3 и объединённая с другими вариантами Whisper, включая huwenjie333/whisper-v3-ft-af51. Она предназначена для транскрибации речи на 51 африканском языке, включая суахили, хауса, йоруба, зулу, амхарский, а также английский и французский с африканскими акцентами. Модель дообучена на многоязычном корпусе из открытых и собранных сообществом наборов речевых данных. Карточка сообщает о сравнении с несколькими другими системами распознавания и о более низких WER и CER на большинстве проверенных языков, особенно на некоторых низкоресурсных языках; эти результаты относятся к описанным в README тестовым выборкам. Это предварительная версия: веса, поведение и качество могут измениться, поэтому авторы не рекомендуют закреплять этот чекпойнт в производственных системах. Для Whisper указано ограничение входного аудио до 30 секунд в описанном протоколе оценки. Лицензия — Apache-2.0.

Barcenas-6b-200k — дообученная языковая модель на архитектуре Llama, разработанная автором репозитория Danielbrdz. Она создана на основе larryvrh/Yi-6B-200K-Llamafied и обучена на наборе данных HuggingFaceH4/no_robots; для обучения использовалась Nvidia A100. Модель предназначена для генерации текста и диалоговых сценариев. Её размер составляет 5,8 млрд параметров, а заявленная длина контекста — до 200 000 токенов. Доступный формат весов — PyTorch; лицензия указана как other, поэтому условия использования следует уточнять в репозитории.

Это компактная модель Sentence Transformers, разработанная на основе google/bert_uncased_L-2_H-128_A-2 и дообученная на парах текстов из набора Amazon Reviews. Она преобразует предложения и абзацы в плотные векторы размерностью 128 и предназначена для поиска и сравнения текстов по косинусному сходству. Модель использует архитектуру BERT с mean pooling. В метаданных указан контекст до 512 токенов, а карточка модели задаёт максимальную длину последовательности 128 токенов. Модель принимает текст и выдаёт эмбеддинги; обучение проводилось на 8,2 млн примеров отзывов Amazon. Указанная лицензия в предоставленных данных отсутствует.

Habiba9/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная на 6 300 парных примерах из набора json для сопоставления финансовых вопросов с фрагментами текста. Она основана на BAAI/bge-base-en-v1.5 с архитектурой BERT и формирует нормализованные плотные эмбеддинги размерностью 768; сходство текстов оценивается косинусной мерой. Обучение с MatryoshkaLoss позволяет использовать укороченные представления размерностью 512, 256, 128 или 64. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, в частности для поиска ответов в финансовых документах и подбора релевантных фрагментов по вопросу. Эмбеддинги также подходят для поиска перефразировок, кластеризации и классификации текста. В README приведены метрики поиска на нескольких размерностях, однако нет описания независимой оценки на широком наборе финансовых задач. Лицензия — Apache-2.0.

Это GGUF-квантизированная версия модели ThinkingCap-Qwen3.6-27B, разработанной bottlecapai и подготовленной квантизатором bartowski с использованием llama.cpp и imatrix-квантизации. Модель относится к классу image-text-to-text, то есть предназначена для задач преобразования изображений и текста в текстовый ответ. Указанный размер базовой модели — 27B параметров; доступны варианты квантизации от Q3 до Q8 с размером файлов примерно от 14,61 до 29,12 ГБ. Модель ориентирована на генерацию текста, мультимодальные сценарии с изображениями, а также задачи, требующие рассуждений и более эффективного использования токенов. Для запуска поддерживаются llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. В README приведён формат промпта с секцией рассуждений <think>, что указывает на использование режима пошагового мышления. К сильным сторонам относятся широкий выбор квантизаций, возможность локального запуска и сохранение высокого качества в вариантах Q5–Q8; варианты Q6_K и Q6_K_L обозначены как близкие к исходному качеству. Более компактные варианты требуют меньше оперативной памяти, но могут снижать качество. Языки, размер контекстного окна, точные архитектурные особенности, требования к оборудованию и результаты оценки в README не указаны. Модель распространяется по лицензии Apache-2.0.

CaPlatTessDolXaBoros-Yi-34B-200K-DARE-Ties-HighDensity — экспериментальная объединённая языковая модель на архитектуре Llama, опубликованная brucethemoose. Она создана с помощью экспериментального варианта DARE TIES из нескольких дообученных моделей семейства Yi и других 34B-моделей; в карточке указано 33,9 млрд параметров и контекст до 200 000 токенов. Модель предназначена для генерации текста и диалогов, включая ответы на длинные запросы и работу с большими фрагментами текста. В README описан шаблон Orca-Vicuna и отмечена возможная поддержка форматов ChatML и Llama-chat. Автор сообщает о проверках perplexity и длинных контекстов, однако предупреждает, что улучшение метрик не гарантирует лучшего качества ответов. Рекомендуется настраивать параметры генерации с учётом поведения Yi; иногда модель выводит стоп-токен как текст. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Carnice-V2-27B — мультимодальная модель на 27 млрд параметров от kai-os, созданная дообучением Qwen/Qwen3.6-27B на трассах взаимодействия в стиле Hermes Agent. Это объединённая версия SFT-чекпойнта в формате BF16, распространяемая как самостоятельные веса safetensors для Transformers; репозиторий содержит полную модель, а не только LoRA-адаптер. Модель предназначена для диалоговой работы с изображениями и агентных сценариев, включая следование инструкциям и вызов инструментов через совместимый интерфейс. В README приведены улучшенные результаты на коротком A/B smoke-тесте IFEval относительно базовой модели, но автор отдельно уточняет, что выборка ограничена 20 заданиями и не является официальной оценкой на полном бенчмарке. Лицензия — Apache-2.0. Для загрузки BF16-весов требуется исправленная версия с корректными префиксами тензоров; опубликованный репозиторий заявлен как исправленный. Параметры контекста и перечень поддерживаемых языков в доступных сведениях не раскрыты.

itsanan/codebert-embed-crewai-base — модель Sentence Transformers, созданная дообучением microsoft/codebert-base на 900 парах текстов CrewAI. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, оценки сходства и извлечения релевантных текстов; в README также заявлены кластеризация, поиск перефразировок и классификация текста. В основе — RoBERTa/CodeBERT с усреднением токенных представлений. Модель принимает англоязычный текст, поддерживает последовательности длиной до 514 токенов по метаданным и выдаёт векторы, для сравнения которых используется косинусное сходство. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. Модель может быть полезна для семантического поиска по текстам и связанным с кодом материалам CrewAI, однако карточка описывает небольшой обучающий набор, а приведённые метрики относятся к конкретным наборам оценки. Качество на других данных и языках не установлено; длина контекста ограничена.

Moritz Laurer разработал DeBERTa-v3-large-zeroshot-v1 для классификации текстов без предварительно заданных классов. Модель формулирует классификацию как проверку гипотезы: определяет, следует ли утверждение из текста, используя пары меток entailment и not_entailment. Такой подход позволяет применять её к разным задачам, передавая текст и список возможных меток. Модель основана на архитектуре DeBERTa-v2 для классификации последовательностей, содержит 533,8 млн параметров и принимает тексты длиной до 512 токенов. Для обучения автор преобразовал 26 задач классификации и пять наборов данных для NLI в общий формат проверки гипотез; среди задач были анализ тональности, эмоций, токсичности, спама и тематическая классификация. Карточка указывает поддержку английского языка. Веса доступны в форматах PyTorch и safetensors. Модель предназначена только для классификации текста. Результаты зависят от формулировок кандидатных меток и входного текста; README также предупреждает о возможных смещениях из обучающих наборов данных. Для работы с некоторыми версиями Transformers может потребоваться версия 4.13 или новее. Лицензия — MIT.

johngiorgi/declutr-sci-base — текстовая модель на архитектуре BERT, разработанная на основе allenai/scibert_scivocab_uncased. Она прошла дополнительное самоконтролируемое обучение на более чем 2 млн научных публикаций из S2ORC по стратегии DeCLUTR и предназначена для кодирования предложений в векторные представления, особенно научных текстов. Модель подходит для поиска и сравнения научных предложений по смыслу, кластеризации текстов и построения семантического поиска. Она содержит 137,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и поддерживает английский язык. Доступны веса в форматах PyTorch и Flax; лицензия — Apache-2.0. Модель специализируется на научном тексте, поэтому её пригодность для других предметных областей и языков может быть ниже. Это энкодер представлений, а не генеративная модель: она выдаёт векторы, а не связные ответы.

Lakoc/DeCRED_small_cv_2 — дообученная модель распознавания речи на базе архитектуры JointCTCAttentionEncoderDecoder. Модель обучена на Common Voice 13.0 и предназначена для преобразования речи в текст. В карточке приведены результаты оценки: CER 0,0663 и WER 0,1563. Репозиторий содержит веса в формате safetensors. Описание сценариев применения, языков, условий лицензии и ограничений в карточке отсутствует, поэтому их нельзя уточнить. Модель опубликована 15 июня 2024 года.

domestic-yak-8B — языковая модель LVSTCK, адаптированная для македонского языка на основе Meta Llama 3.1 8B Instruct. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 131 072 токенов. Авторы продолжили предобучение всех весов на одном проходе по дедуплицированному македонскому корпусу объёмом около 1,6 млрд токенов. Модель предназначена для генерации текста на македонском языке и может применяться для классификации текстов, ответов на вопросы и перевода. В оценке на македонской версии бенчмарка macedonian-llm-eval она превзошла исходную Llama 3.1 8B Instruct в приведённых тестах; корпус при этом содержит много новостных текстов, поэтому качество на узких и слабо представленных темах может быть ниже. Карточка указывает, что эта версия является базовой и её диалоговые возможности могут быть ограничены; для диалогового применения авторы рекомендуют instruct-версию. Распространяется по лицензии Llama 3.1.

ERNIE-4.5-21B-A3B-PT-GGUF — это квантизированная версия текстовой модели ERNIE-4.5-21B-A3B-PT, разработанной Baidu. Модель распространяется в формате GGUF для запуска средствами llama.cpp и совместимыми приложениями, включая LM Studio. Квантизацию выполнил bartowski на основе релиза llama.cpp b5924. Модель предназначена для генерации текста и других сценариев, поддерживаемых задачей text-generation, включая локальный запуск в приложениях, использующих GGUF. В названии указаны параметры 21B и A3B, однако README не содержит подробностей об архитектуре, механизме активации параметров, фактическом размере конкретного квантования, длине контекста, поддерживаемых языках или дополнительных модальностях. К сильным сторонам относятся локальное распространение в формате GGUF и совместимость с экосистемой llama.cpp. Ограничения и требования к ресурсам зависят от выбранного варианта квантования, но в README не приведены его характеристики. Лицензия модели в предоставленных данных не указана; условия использования следует уточнять в источнике оригинальной модели Baidu.

Это веса модели EVA02 Base Patch16 CLIP с входным разрешением 224 пикселя, опубликованные timm в формате OpenCLIP. Модель предназначена для классификации изображений по текстовым описаниям в режиме zero-shot: она сопоставляет изображение с предложенными категориями без отдельного обучения на этих категориях. Модель использует архитектуру CLIP с визуальным энкодером EVA02 и доступна в форматах PyTorch и safetensors; лицензия — MIT. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки, поэтому эти характеристики не приводятся.

Модель hezarai/fasttext-fa-300 — оригинальная FastText-модель эмбеддингов для персидского языка, подготовленная для использования в Hezar. Исходную модель загрузили и преобразовали с помощью Gensim, затем экспортировали в совместимый с Hezar формат. Модель предназначена для получения векторных представлений персидских слов и текстов, которые можно использовать в задачах поиска по смыслу, сравнения текстов и построения других NLP-систем. В метаданных указана задача feature-extraction и язык fa. Размерность эмбеддингов в названии — 300; сведения о лицензии и ограничениях применения в предоставленных материалах отсутствуют.

G4-31B-it-base10 — мультимодальная модель на архитектуре Gemma 4, созданная ApocalypseParty с помощью слияния SLERP через mergekit. В слиянии использованы google/gemma-4-31B-it и google/gemma-4-31B; веса сохранены в формате safetensors, заявлен тип данных bfloat16. Модель предназначена для диалогов и генерации текста по текстовому запросу, в том числе с анализом изображений. Карточка Hugging Face классифицирует её как image-text-to-text и указывает поддержку vision; описание базовой модели также отмечает длинный контекст. Это производная модель, полученная слиянием предобученной и инструкционно настроенной версий Gemma 4. README не приводит отдельные результаты оценки качества или конкретные ограничения. Условия использования определяются лицензиями исходных моделей; отдельная лицензия для результата в предоставленных данных не указана.

GALACTICA 120B — авторегрессионная языковая модель на основе decoder-only Transformer из семейства OPT, разработанная командой Papers with Code в Meta AI и размещённая на Hugging Face Мануэлем Ромеро. Модель содержит 161,6 млрд параметров и обучена на 106 млрд токенов научных текстов и данных: статей, учебников, энциклопедий, научных сайтов и баз знаний. Контекст — 2048 токенов. Модель предназначена для научных задач: ответов на вопросы, математических рассуждений, суммаризации и генерации документов, предсказания цитирований, извлечения сущностей и оценки свойств молекул. Она также может применяться в научных инструментах для поиска и работы с литературой. Обучение на крупном научном корпусе помогает выполнять задачи, требующие научных знаний, но модель может галлюцинировать, в том числе при генерации цитат, и проявлять смещения. Для применения в производстве нужны меры предосторожности и проверка результатов. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях.

unsloth/gemma-2b-it-bnb-4bit — квантизированная 4-битная версия Gemma 2B Instruct, опубликованная Unsloth на базе библиотеки Transformers. Модель предназначена для генерации и обработки текста, включая диалоговые сценарии, выполнение инструкций, дообучение на пользовательских датасетах и задачи классификации текста. Известно, что модель относится к семейству Gemma и содержит около 2 млрд параметров; поддерживаемый язык — английский. Она использует формат 4-bit BitsAndBytes (bnb), что снижает требования к памяти и делает модель более подходящей для локального запуска и эффективного дообучения. README также указывает на возможность экспорта дообученных версий в GGUF и использования с vLLM, однако размер контекста и подробности архитектуры не указаны. Сильными сторонами являются компактность, сниженное потребление памяти и возможность ускоренного дообучения с помощью инструментов Unsloth. Ограничениями выступают англоязычная специализация, отсутствие сведений о качестве на конкретных бенчмарках и неопределённость характеристик контекста. Модель распространяется по лицензии Apache-2.0.

gemma-4-12B-it-abliterated-uncensored — созданная aoiandroid версия Gemma 4 12B от Google DeepMind с ослабленными механизмами отказа. Это плотная мультимодальная модель с архитектурой Gemma4UnifiedForConditionalGeneration и примерно 11,95 млрд параметров; веса представлены в BF16. Вариант получен изменением весов google/gemma-4-12B-it методом абляции направлений отказа, при этом структура и совместимость с базовой моделью сохранены. Модель предназначена для диалога и генерации ответов по текстовым, графическим и аудиовходам; также README заявляет работу с видео через тот же мультимодальный интерфейс. Доступен режим рассуждений, включаемый через шаблон чата. Веса занимают около 24 ГБ, поэтому для инференса требуется соответствующая память GPU; для работы нужен достаточно свежий transformers с поддержкой Gemma 4 Unified. Ослабление отказов означает, что модель может отвечать на запросы, от которых базовая модель отказывается. Лицензия — Gemma, унаследованная от базовой модели.

Gemma 4 31B IT BF16 — мультимодальная инструкционно-настроенная модель Google DeepMind, преобразованная сообществом mlx-community в формат MLX из google/gemma-4-31B-it. Она предназначена для диалогов, генерации текста и анализа изображений; запускать её можно с помощью mlx-vlm. Модель использует плотную архитектуру Gemma 4 и принимает текст и изображения, выдавая текст. В репозитории указаны веса BF16 в формате safetensors и лицензия Apache-2.0.

Модель dxv2k/gemma-4-E4B-it-merged — версия Google Gemma 4 E4B Instruct с объединёнными с базовыми весами параметрами LoRA-адаптера. Адаптер обучен для слоёв q/k/v/o/gate/up/down языковой модели с рангом 16 и alpha 32; веса сохранены в формате bf16. По метаданным, модель поддерживает диалог и анализ изображений и предназначена для задач image-text-to-text. Модель принимает текст и изображения и генерирует текстовые ответы. Для развёртывания README предлагает Inference Endpoints с пользовательским обработчиком и Transformers версии не ниже 5.12.1; для запуска на GPU требуется не менее 24 ГБ видеопамяти. Используется лицензия Gemma.

LuffyTheFox/Gemma-4-E4B-Uncensored-Genesis-GGUF — мультимодальная GGUF-модель, основанная на Google Gemma 4 E4B IT и модели Gemma-4-E4B-Uncensored-HauhauCS-Aggressive от HauhauCS. LuffyTheFox обработал её с помощью собственного алгоритма дистилляции тренировочного шума Genesis. Модель предназначена для диалогов, следования инструкциям и генерации текста, а также рассчитана на мультимодальные сценарии с текстом, изображениями, видео и аудио. Заявленный язык — английский, также поддерживаются многоязычные сценарии. Модель содержит около 4 миллиардов параметров, имеет 42 слоя, сочетает скользящее окно внимания размером 512 с полным вниманием, поддерживает контекст до 131 тысячи токенов и использует 18 общих KV-слоёв для экономии памяти. К сильным сторонам относятся большой контекст, компактный размер и совместимость с llama.cpp, LM Studio, Jan, koboldcpp и другими GGUF-совместимыми средами. Для корректной обработки шаблона чата в llama.cpp требуется параметр --jinja. Практическое ограничение заключается в том, что vision encoder в поставку не включён: по словам автора, он неисправен. Для поддержки визуальных и аудиовходов требуется отдельный файл mmproj, поэтому фактические мультимодальные возможности зависят от наличия совместимых компонентов. Модель распространяется по лицензии Gemma.

GenerateQuestionMistral7B — языковая модель FPHam для генерации вопросов по данному тексту или ответу. Она предназначена прежде всего для автоматического создания наборов данных с вопросами. Модель основана на Mistral и имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров; в репозитории размещены веса Safetensors. Модель принимает текстовый запрос в формате ChatML. В README рекомендуется начинать запрос с фразы «Generate a question based on the following answer:»; модель обучалась с этим префиксом, хотя может отвечать и без него. Указанная длина контекста — 32 768 токенов. README не сообщает о поддержке конкретных языков или об отдельной лицензии, поэтому такие сведения не приводятся.

unsloth/GLM-4.1V-9B-Thinking-GGUF — это GGUF-версия открытой мультимодальной модели GLM-4.1V-9B-Thinking, разработанной командой THUDM и связанной с Zhipu AI. Версия подготовлена Unsloth с использованием квантования Unsloth Dynamic 2.0 и предназначена для задач понимания изображений и текста с рассуждением. Модель основана на GLM-4-9B-0414 и относится к vision-language models с примерно 9 млрд параметров. Она поддерживает китайский и английский языки, контекст до 64k токенов, изображения произвольного соотношения сторон и разрешением до 4K. Модель рассчитана на визуальные вопросы и ответы, анализ изображений, решение сложных задач, математическое и общее мультимодальное рассуждение, а также сценарии мультимодальных агентов. В README заявлены лучшие результаты среди моделей уровня около 10 млрд параметров на 23 из 28 тестов и превосходство над Qwen-2.5-VL-72B на 18 тестах, однако методика и результаты отдельно не приведены. К сильным сторонам относятся акцент на пошаговое рассуждение, поддержка длинного контекста и высокое разрешение изображений. Ограничения включают зависимость качества и требований к ресурсам от используемого GGUF-кванта; конкретный уровень квантизации в README не указан. Для запуска требуется совместимый инструментарий, а при использовании llama.cpp рекомендуется включать параметр --jinja из-за исправлений chat template. Модель распространяется по лицензии MIT.

GLM-4.7-Flash-MLX-6bit — это 6-битная квантизированная версия языковой модели GLM-4.7-Flash, разработанной организацией zai-org. Квантизация выполнена командой LM Studio с использованием mlx_lm, а модель оптимизирована для работы на устройствах Apple Silicon через MLX. Модель предназначена для генерации текста и поддерживает английский и китайский языки. Модель подходит для локального запуска и задач текстовой генерации на совместимых устройствах Apple Silicon. Квантизация снижает требования к памяти по сравнению с полноразмерной версией, что может упростить локальное использование, однако потенциально сопровождается некоторой потерей точности относительно исходной модели. README не содержит сведений о размере модели, архитектуре, длине контекста, поддерживаемых модальностях помимо текста и результатах тестирования. Для модели указана лицензия MIT.

Holo-3.1-35B-A3B-GGUF — набор квантизированных версий модели Hcompany/Holo-3.1-35B-A3B, подготовленный пользователем barozp для запуска через llama.cpp. Это мультимодальная vision-language модель на архитектуре Qwen3.5 MoE, предназначенная прежде всего для computer-use агентов, работы со скриншотами и сценариев, где требуется анализ изображений вместе с текстом. Заявлена поддержка английского языка и обработка входов в формате «изображение-текст». Контекстное окно составляет до 262 144 токенов. Модель содержит 35 млрд параметров суммарно, при этом в вычислениях активно используется около 3 млрд параметров благодаря архитектуре MoE. Репозиторий предлагает варианты квантизации от 2 до 8 бит с примерным размером файлов от 12 до 39 ГБ, а также отдельный F16-файл mmproj размером около 0,9 ГБ для мультимодальной обработки. Доступна и BF16-версия размером около 69,4 ГБ в исходном репозитории. Квантизация выполнена с помощью llama-quantize, при этом использована предварительно рассчитанная imatrix. Сильными сторонами являются сочетание мультимодального ввода, специализация на компьютерном управлении, большой контекст и возможность выбрать компромисс между качеством и требованиями к памяти. Ограничения связаны с необходимостью совместимого окружения llama.cpp, отдельного vision-проектора для работы с изображениями и значительными требованиями к дисковому пространству и памяти, зависящими от выбранной квантизации. Модель распространяется по лицензии Apache 2.0.

InternVL3-14B-Instruct — мультимодальная модель OpenGVLab для диалога и генерации ответов по тексту и визуальным данным. Это версия SFT семейства InternVL3: она прошла мультимодальное предварительное обучение и supervised fine-tuning, но не этап MPO. Архитектура следует схеме ViT-MLP-LLM и реализована классом InternVLChatModel; модель доступна в формате safetensors для Transformers. Модель предназначена для понимания изображений и видео, мультимодальных рассуждений и диалога, а также задач с несколькими изображениями, GUI, 3D-сценами и научными диаграммами. Визуальная часть использует динамическое разбиение изображений на фрагменты 448×448 и позиционное кодирование V2PE; README также заявляет улучшенное понимание длинного контекста, но числовая длина контекста здесь не приведена. В семействе заявлена многоязычность. Модель может быть полезна для описания изображений, вопросов и ответов по визуальному содержимому, анализа видео и работы с GUI. README рекомендует тем, кто не уверен в выборе версии, использовать InternVL3-14B. Репозиторий указывает лицензию Apache-2.0. Ограничения качества, ресурсоёмкости и поддержки конкретных языков в предоставленных материалах подробно не описаны.

InternVL3_5-1B-4bit — мультимодальная модель семейства InternVL, опубликованная mlx-community и преобразованная в формат MLX из OpenGVLab/InternVL3_5-1B-HF. Это 4-битная версия модели для диалоговой работы с изображениями и текстом: она принимает текстовые запросы вместе с изображениями и формирует текстовые ответы. В метаданных базовой моделью указана OpenGVLab/InternVL3_5-1B-MPO; карточка описывает преобразование формата, а метаданные — связь finetune с этой базовой моделью. Модель подходит для вопросов по изображениям, их описания и визуального диалога. Указаны мультиязычная поддержка и возможности чата и работы с изображениями. Репозиторий использует формат safetensors 4bit и библиотеку Transformers; README также указывает преобразование с помощью mlx-vlm 0.3.3. Лицензия — Apache-2.0. Поскольку опубликована только 4-битная версия, точность ответов и качество восприятия изображений могут отличаться от исходной модели; карточка рекомендует обращаться к описанию исходной модели за подробностями о возможностях и ограничениях.