I.4Обработка документов и форм

GLiNER2 — модель извлечения информации, дообученная whr778 на синтетическом корпусе synthetic_sonnet5_1k на базе fastino/gliner2-base-v1. Она предназначена для извлечения сущностей, отношений между ними, событий и их аргументов, а также для классификации текста; в метаданных Hugging Face основная задача обозначена как token-classification. Модель использует библиотеку gliner2, а веса доступны в формате safetensors. Это экспериментальный контрольный чекпойнт, обученный на 1 497 записях в течение 10 эпох. В README приведены результаты на синтетическом отложенном тестовом наборе: например, F1 для сущностей — 0,904 строго и 0,933 с допуском, для отношений — 0,657 и 0,745 соответственно. Эти оценки показывают согласованность синтетических данных и не являются заявлением о качестве на публичных бенчмарках или реальных данных. Язык и лицензия обучающего набора не установлены; в метаданных лицензия модели указана как other.

HunFlair2 NER — модель семейства Flair для распознавания именованных сущностей в тексте. Репозиторий предоставляет веса PyTorch и предназначен для применения через библиотеку Flair версии 0.14.0 или новее. Модель подходит для извлечения и разметки сущностей в текстах, в том числе в биомедицинских документах, согласно назначению HunFlair. Метаданные указывают задачу token-classification; карточка не содержит дополнительных сведений о поддерживаемых языках, размере модели, контексте или условиях лицензирования.

unsloth/MiMo-VL-7B-RL-GGUF — GGUF-версия мультимодальной модели MiMo-VL-7B-RL, разработанной XiaomiMiMo и подготовленной Unsloth. Модель предназначена для понимания и обработки текста, изображений и видео, включая задачи визуального восприятия, визуального заземления и сложного рассуждения. Версия RL получена после дополнительного обучения с использованием Mixed On-policy Reinforcement Learning, объединяющего сигналы качества восприятия, точности заземления, логического рассуждения и соответствия предпочтениям людей и ИИ. Архитектура включает vision transformer (ViT) с поддержкой исходного разрешения для сохранения мелких визуальных деталей, MLP-проектор для межмодального выравнивания и языковую модель MiMo-7B, оптимизированную для сложных рассуждений. Размер модели — 7B параметров. Данные о поддерживаемых языках и максимальной длине контекста в представленном README не указаны. Формат GGUF ориентирован на запуск с совместимыми инструментами инференса; Unsloth описывает используемый подход Dynamic 2.0 как способ повысить точность квантованных моделей. К сильным сторонам относятся компактный для VLM размер, мультимодальность, сохранение мелких визуальных деталей и усиленная способность к рассуждению после обучения с подкреплением. Ограничения, результаты конкретных тестов и требования к аппаратному обеспечению в представленном описании не приведены. Модель распространяется по лицензии MIT.

Это модель распознавания именованных сущностей для юридических текстов на португальском языке, разработанная Пьером Гийу. Она основана на BERT base с архитектурой BertForTokenClassification и дообучена на наборе LeNER-Br для выделения сущностей в бразильских юридических документах. Модель принимает текст и помечает токены категориями PERSONA, ORGANIZACAO, LEGISLACAO, JURISPRUDENCIA, LOCAL и TEMPO. Модель содержит 136,1 млн параметров, работает с контекстом до 512 токенов и распространяется в формате PyTorch. На валидационной выборке LeNER-Br достигла F1 0,893; автор сообщает о переобучении до завершения обучения на небольшом наборе данных. Качество различается между категориями: особенно высокие показатели для персон и временных выражений, ниже — для судебной практики. Сведения о лицензии в предоставленных материалах отсутствуют.

IsValorum/Nex-N2.5-mini-APEX-I-MiniPlus-V1-GGUF — это GGUF-квантизированная версия модели Nex-N2.5-mini, разработанной nex-agi. Сборка подготовлена IsValorum с использованием индивидуальной тензорной схемы квантования APEX-I-MiniPlus V1 и предназначена для запуска через llama.cpp и совместимые инструменты. Модель относится к мультимодальным системам с поддержкой изображений и сценариев агентного взаимодействия с компьютером; заявлен pipeline image-text-to-text. Модель использует архитектуру MoE и рассчитана на работу с текстом и визуальными входными данными. В README заявлена поддержка английского, китайского, испанского, французского, немецкого, португальского, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Для V1 указаны F32 router gates, выходная голова Q6_K, attention gates Q8_0 и основные эксперты IQ3_XXS. Размер модели, точное число параметров и длина контекста для этой версии не указаны. К сильным сторонам относятся компактность по сравнению с полноразмерной моделью, сохранение повышенной точности чувствительных компонентов и возможность использования преимущественно системной RAM. Ограничения связаны с потерями качества, неизбежными при агрессивном квантовании, а также с тем, что приведённые в README подробные результаты некоторых сравнений относятся к другим версиям или моделям семейства и не подтверждают характеристики именно этой сборки. Модель распространяется по лицензии Apache-2.0.

Это шестибитная MLX-конверсия мультимодальной модели Qwen2.5-VL-3B-Instruct, подготовленная сообществом mlx-community из базовой модели Alibaba Qwen. Она предназначена для диалогового анализа изображений и видео с ответами на естественном языке; метаданные также отмечают интерфейс вызова инструментов. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Вариант рассчитан на запуск в экосистеме MLX; карточка указывает преобразование с помощью mlx-vlm 0.1.11 и формат файлов safetensors. Поддерживаемый язык карточки — английский. Лицензия этой конверсии в предоставленных данных не указана; дополнительные сведения о возможностях и условиях использования следует сверять с карточкой исходной модели Qwen2.5-VL-3B-Instruct.

luckysong777/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная авторегрессионная языковая модель семейства Qwen3, дообученная на базе NotoriousH2/Qwen3-0.6B-JSON-SFT. В README указано, что модель обучалась с помощью Unsloth и библиотеки TRL; число параметров — 507,9 млн, нативное окно контекста — 40 960 токенов. Модель предназначена для генерации текста в формате JSON и диалогового взаимодействия. Описание базовой модели указывает на извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний; применимость этих сценариев к данной производной модели вероятна, но отдельные результаты её обучения в карточке не приведены. Репозиторий предоставляет веса в формате Safetensors. Модель выпущена под лицензией Apache-2.0. Английский указан среди языков карточки, а описание базовой модели связывает её с корейскими протоколами; точное качество и ограничения извлечения для этой версии в README не описаны.

Qwen3.6-35B-A3B-MLX-4bit — это 4-битная версия модели Qwen3.6-35B-A3B, разработанной командой Qwen. Квантизация в формате MLX выполнена командой LM Studio с использованием mlx_vlm. Модель оптимизирована для запуска на компьютерах с Apple Silicon и предназначена для локального использования через совместимые инструменты и среды. Согласно карточке, модель относится к задачам преобразования изображений и текста и поддерживает сценарии image-text-to-text. Обозначение 35B-A3B указывает на конфигурацию исходной модели, однако подробности архитектуры, языков, размера контекста и фактических характеристик производительности в README не приведены. Ключевое преимущество этой версии — снижение требований к памяти благодаря 4-битной квантизации и адаптация к экосистеме Apple Silicon. Ограничения связаны с возможной потерей качества по сравнению с полной версией модели, зависимостью от совместимого программного обеспечения и отсутствием в карточке подробных данных о точности и поддерживаемых языках. Модель распространяется по лицензии Apache 2.0.

nlpguy/Qwen3.8-27B-Fimi-4 — объединённая мультимодальная модель семейства Qwen3.5, созданная разработчиком nlpguy с помощью mergekit. В основе слияния использована Qwen/Qwen3.5-27B; в объединение также вошли семь моделей Qwen-совместимых семейств, включая варианты для диалогов, рассуждений и генерации текста. Метаданные указывают архитектуру Qwen3_5ForConditionalGeneration и формат safetensors. Модель предназначена для диалогов и работы с изображениями в формате «изображение-текст»: она принимает текст и изображения и формирует текстовые ответы. Карточка не описывает отдельные прикладные сценарии, языки, размер контекста или лицензию, поэтому эти характеристики не уточняются.

Thyme-SFT — мультимодальная модель компании Kwai-Keye, дообученная на базе Qwen2.5-VL-7B-Instruct методом supervised fine-tuning. Она принимает текст и изображения и предназначена для визуального анализа, сложных рассуждений по изображениям и задач восприятия изображений высокого разрешения. Модель может самостоятельно формировать и выполнять код для обработки изображений и вычислений. Модель имеет плотную архитектуру Qwen2.5-VL с 7,1 млрд параметров и контекстом до 128 000 токенов. В карточке заявлено обучение на английском языке; используется формат safetensors. Thyme-SFT является частью двухэтапного подхода Thyme, сочетающего SFT и последующее обучение с подкреплением; упоминается алгоритм GRPO-ATS. Модель распространяется по лицензии MIT. Поскольку это SFT-этап, заявленные улучшения от обучения с подкреплением относятся к подходу Thyme в целом и не гарантированы для этого отдельного чекпойнта.

ZeroNER — англоязычная модель распознавания именованных сущностей, разработанная командой DISI UniBo NLP и представленная в статье ACL 2025. Это дообученная BERT-модель с архитектурой cross-encoder: она сопоставляет упоминание в тексте с естественно-языковым описанием типа сущности и предназначена для zero-shot распознавания типов, для которых нет размеченных примеров. Модель подходит для извлечения сущностей с новыми типами в разных предметных областях. Для обучения использовался автоматически размеченный датасет PileUncopyrighted-NER-BIO, созданный при помощи LLaMA-3.1-8B-Instruct и прошедший дополнительную фильтрацию LLM. В README заявлено превосходство над LLM размером до 8 млрд параметров и некоторыми энкодерными моделями в описанных авторами условиях оценки. Модель основана на google-bert/bert-base-cased, содержит 135,5 млн параметров и имеет контекст до 512 токенов. Для использования авторы интегрировали её в библиотеку IBM Zshot. Лицензия — MIT. Карточка не приводит сведений об ограничениях на домены или о качестве для языков, отличных от английского.

Agnes-3.0-Flash GGUF — набор GGUF-квантизаций мультимодальной модели Agnes-3.0-Flash, опубликованный 0xKitkat на базе модели Agnes-AI. Модель предназначена для генерации текста и работы с изображениями в сценариях локального запуска без обязательной подписки на облачный API. Заявлена поддержка английского и китайского языков, а тип задачи обозначен как image-text-to-text. Модель содержит примерно 33,1 млрд параметров, сохраняет все 72 decoder-блока исходной модели и оригинальную vision tower. Для обработки изображений требуется отдельный F16 vision projector, общий для всех представленных квантизаций. Доступны Q4_K_M, Q5_K_M, Q6_K и Q8_0; рекомендуемая начальная конфигурация — Q4_K_M с контекстом 4096 токенов и отключённым режимом рассуждений. Для запуска требуется совместимый runtime llama.cpp с поддержкой текстовой и визуальной архитектуры Qwen3.5. К сильным сторонам относятся локальная работа, мультимодальность, сохранение оригинальной архитектуры без abliteration и дополнительного fine-tuning, а также выбор нескольких уровней квантизации для разного объёма памяти. Ограничения связаны с большим размером модели и высокими требованиями к памяти: конфигурация примерно на 33 млрд параметров плохо подходит для систем с 16 ГБ памяти, а CPU-only и Metal-производительность для этого выпуска не тестировались. Модель распространяется по лицензии Apache-2.0.

ckiplab/albert-base-chinese — модель ALBERT от CKIP для обработки традиционного китайского языка. В репозитории представлены модели и инструменты для сегментации слов, разметки частей речи и распознавания именованных сущностей; этот чекпойнт предназначен для классификации токенов и распознавания сущностей. Модель использует архитектуру ALBERT и содержит 129,5 млн параметров. Она принимает текст и выдаёт метки для токенов; максимальная длина контекста — 512 токенов. Для токенизации автор рекомендует BertTokenizerFast вместо AutoTokenizer. Модель подходит для извлечения именованных сущностей из текстов на традиционном китайском языке. В карточке также упомянуты сегментация слов и разметка частей речи как задачи проекта, но подтверждённая задача этого чекпойнта — классификация токенов. Лицензия — GPL-3.0.

assay-4b — модель принятия типизированных решений, разработанная проектом Assay на базе Qwen3-4B-Base. Она принимает текстовое состояние и именованные вопросы трёх типов: bool для ответа да или нет, choice для выбора из 2–255 описанных вариантов и score для оценки по 2–10 упорядоченным уровням. За один проход модель выдаёт распределение вероятностей по вариантам, уверенность и оценку наличия свидетельств; свободный текст не генерируется. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и контекст до 32 768 токенов. Веса дообучены с помощью LoRA и объединены с базовой моделью; отдельный адаптер и голова оценки свидетельств также представлены в репозитории. Для bool и choice предусмотрена конформная калибровка с возможностью воздержаться от ответа. Модель обучена на английских данных и предназначена для типизированной классификации и структурированных решений, в том числе по ранее не встречавшимся задачам. По данным карточки, на наборах невиданных при обучении задач точность составила 0,803; показатели и калибровка могут меняться на других данных. Модель не предназначена для арифметики, подсчётов, сравнения дат или многошаговых рассуждений за один проход; при нерелевантном контексте точность снижается. Вероятности и пороги не гарантируют надёжность для каждого отдельного ответа, поэтому перед применением следует проверить калибровку на собственных размеченных данных. Лицензия — Apache-2.0.

NbAiLab/borealis-open-4b — открытая модель семейства Borealis, разработанная Национальной библиотекой Норвегии. Это плотная мультимодальная модель Gemma 3 с 4 млрд параметров, дообученная на инструкциях для норвежских сценариев. Репозиторий содержит веса safetensors для Transformers; модель принимает текст и изображения и предназначена для диалогового взаимодействия и генерации ответов по изображениям. Модель подходит для норвежского письма, составления и редактирования текстов, суммаризации, ответов на вопросы и лёгких рассуждений. Особое внимание уделено норвежскому языку, включая букмол и нюнорск; также в карточке указана поддержка английского, но качество за пределами норвежских и английских сценариев изучено недостаточно. Длина контекста в предоставленных данных не указана. Модель может галлюцинировать и выдавать неверные, предвзятые или неподходящие ответы; защитное выравнивание снижает, но не исключает такой риск. Разработчик не рекомендует применять её в критически важных сценариях без дополнительной проверки и защитных мер. Лицензия — Gemma.

XLMR-Council-Anonymizer — дообученная XLM-RoBERTa Large от разработчиков репозитория liaad для выявления персональных и других чувствительных данных в протоколах заседаний муниципалитетов Португалии. Модель выполняет токенную классификацию в формате NER и поддерживает автоматизацию последующей анонимизации документов. Модель обучена на 120 португалоязычных протоколах из шести муниципалитетов. Для снижения влияния дисбаланса классов применялась взвешенная функция потерь; заявлены 19 типов сущностей в BIO-разметке. Метаданные указывают 305,2 млн параметров, архитектуру XLMRobertaForTokenClassification и контекст до 514 токенов. README приводит другие значения — около 560 млн параметров и окно 512 токенов. На тестовой выборке указаны F1 72,67% macro и 83,51% micro; качество зависит от типа сущности. Модель предназначена прежде всего для административных протоколов Португалии и может хуже работать на других документах. Лицензия в метаданных обозначена как other; конкретные условия использования в доступных данных не раскрыты.

DEBERTA_CIEL — модель распознавания именованных сущностей, разработанная подразделением Language Technologies Unit центра Barcelona Supercomputing Center в рамках проекта Aina. Это дообученная версия DeBERTa-v3-large с архитектурой DeBERTa v2 для классификации токенов; в репозитории указано 211,6 млн параметров и контекст длиной до 512 токенов. Модель обучена на каталонском наборе CEIL, содержащем почти 59 тысяч документов с девятью основными типами и 52 подтипами сущностей. Модель предназначена для обнаружения и классификации сущностей в коротких текстах на каталонском, испанском и английском языках. Её можно применять для извлечения людей, организаций, географических названий, культурных произведений и других сущностей из текстов. Формальная оценка качества для всех заявленных языков не проводилась; смещения модели отдельно не исследовались, а веб-источники обучающих данных могут вносить нежелательные искажения. Лицензия — Apache 2.0.

Dots3-Note Preview — модель с открытыми весами от Dots Studio, построенная по архитектуре mixture-of-experts. В ней 280 млрд параметров всего, из которых 16 млрд активны. Это самая компактная модель семейства Dots 3. Модель предназначена для преобразования изображений и текста в текст, согласно задаче, указанной в метаданных каталога. Доступный фрагмент README не раскрывает конкретные сценарии применения, языки, длину контекста или условия лицензии, поэтому эти характеристики не описываются.

TURKCELL разработала модель классификации текста на основе дообученной dbmdz/bert-base-turkish-128k-uncased. Она определяет, является ли предложение бессмысленным набором символов или осмысленным текстом, например распознаёт строки вроде «adssnfjnfjn». Модель подходит для проверки пользовательского ввода и фильтрации бессмысленных строк. Она основана на архитектуре BERT, содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов. Репозиторий содержит веса PyTorch; лицензия — MIT.

GLiNER2-PII — модель извлечения сущностей на базе GLiNER2, дообученная для обнаружения и маскирования персональных данных. Она поддерживает 42 типа сущностей, включая имена, даты рождения, контактные данные, адреса и идентификаторы, и позволяет задавать нужное подмножество меток при обработке текста. Модель предназначена для редактирования PII, контроля данных и очистки обучающих корпусов; в отчёте карточки она показала средний span-level F1 0,477 на бенчмарке SPY по юридическим и медицинским текстам. Обучение проводилось на синтетическом наборе из 4 910 размеченных текстов. Карточка заявляет поддержку семи языков: английского, французского, испанского, немецкого, итальянского, португальского и нидерландского. Модель распространяется в формате safetensors под лицензией Apache-2.0. Точность на SPY составляет около 0,35–0,37, поэтому возможны ложные срабатывания: модель может ошибочно помечать общие слова, названия организаций и продуктов как имена людей. Оценка ограничена одним бенчмарком и двумя областями; синтетические обучающие данные не проверялись людьми, а качество для неевропейских языков и письменностей не измерено.

minsu0567/IAD-X1-GRPO-answer-last — дообученная minsu0567 модель семейства Qwen3.5 для преобразования изображений и текста в текст. Карточка указывает на обучение с Unsloth и библиотекой TRL; метаданные описывают архитектуру как плотную условную генеративную модель с поддержкой изображений и диалогового взаимодействия. Модель предназначена для задач image-text-to-text. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. В карточке не приведены сведения о размере модели, длине контекста и конкретных языках использования; метаданные указывают английский язык.

Sidziesama/Legal_NER_Support_Model — дообученная модель BERT для распознавания именованных сущностей в юридических текстах. Она основана на nlpaueb/legal-bert-base-uncased и обучена на наборе opennyaiorg/InLegalNER. Модель размечает входной текст по токенам; архитектура — BertForTokenClassification, число параметров — 136,7 млн, длина контекста — до 512 токенов. Модель подходит для извлечения юридически значимых сущностей из документов и текстов на английском языке. В README приведены метрики обучения и валидации, однако подробности о категориях сущностей, методике оценки и качестве на реальных данных отсутствуют. Распространяется по лицензии CC BY-SA 4.0.

pbatra/Llama-3.2-11B-Vision-Instruct-GGUF — это набор квантизированных версий мультимодальной модели Llama-3.2-11B-Vision-Instruct, разработанной Meta. Модель предназначена для диалоговых сценариев и задач image-text-to-text, в которых требуется обрабатывать изображения вместе с текстовыми запросами и генерировать текстовые ответы. Поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Модель основана на архитектуре mllama и имеет размер около 11 млрд параметров; формат GGUF ориентирован на эффективное локальное использование совместимыми инструментами. Ключевое преимущество — сочетание языкового и визуального ввода, а также наличие квантизированных вариантов, потенциально снижающих требования к памяти. README не содержит точных сведений о методах квантизации, размерах отдельных файлов, длине контекста, результатах тестирования или известных ограничениях качества. Модель распространяется по лицензии Llama 3.2.

Nous-Hermes-2-Vision — мультимодальная vision-language модель, разработанная при руководстве qnguyen3 и teknium на основе OpenHermes-2.5-Mistral-7B от teknium. Модель объединяет языковую основу Mistral 7B с визуальным энкодером SigLIP-400M и предназначена для обработки изображений и текста. Модель рассчитана на визуальные диалоги, анализ содержимого изображений, ответы на вопросы по изображениям и автоматизацию сценариев с function calling. Благодаря обучению на данных LVIS-INSTRUCT4V, ShareGPT4V, частном наборе данных для function calling и диалогах OpenHermes-2.5 она также может формировать структурированные ответы по заданной схеме. Для работы используется шаблон запросов Vicuna-V1. Заявленный язык — английский. Ключевые характеристики включают архитектуру на базе Mistral-7B, визуальный модуль SigLIP-400M и мультимодальный режим работы с изображениями и текстом. Точный размер контекста и поддерживаемые форматы изображений в README не указаны. Авторы отмечают преимущество более компактного визуального энкодера по сравнению с традиционными энкодерами размером около 3B параметров, однако также предупреждают о возможной ошибке в инференсе, которая могла требовать исправления на уровне upstream. Модель распространяется по лицензии Apache-2.0.

LocateAnything-3B-GGUF — это GGUF-версия мультимодальной vision-language модели LocateAnything, разработанной NVIDIA в рамках семейства Eagle VLM. Модель предназначена для визуального grounding: локализации объектов по текстовому запросу, плотного обнаружения нескольких объектов, определения GUI-элементов, текстовых областей и точек на изображении. Она ориентирована на исследовательские и прикладные сценарии в робототехнике, автономном вождении, анализе документов, промышленной инспекции, наблюдении, дистанционном зондировании и построении мультимодальных агентов. Поддерживается английский язык. Архитектура основана на Qwen2.5-3B-Instruct в качестве языковой модели и vision encoder MoonViT-SO-400M. Ключевая особенность — Parallel Box Decoding: координаты ограничивающих рамок предсказываются параллельно за один шаг вместо авторегрессионного декодирования по токенам. Это повышает эффективность, сохраняет геометрическую согласованность и, по заявлению разработчиков, обеспечивает до 2,5 раза большую пропускную способность по сравнению с предыдущими подходами. Обучение проводилось на наборе из 12 млн изображений, более 138 млн запросов и 785 млн ограничивающих рамок из различных предметных областей. GGUF-сборка создана с использованием llama.cpp и включает экспериментальный подход к квантованию: отдельные важные слои переводятся в более высокую точность, что может улучшать качество при заданном уровне квантования ценой увеличения размера файла. Ограничения включают исследовательский статус модели, неизвестные из карточки точные параметры контекстного окна и результаты бенчмарков для конкретных GGUF-квантований, а также зависимость качества от выбранного формата и уровня квантования. Модель распространяется по NVIDIA License для некоммерческого использования: разрешены академические и некоммерческие исследования, коммерческое применение запрещено, кроме NVIDIA и её аффилированных лиц.

alimandela/logistics-extractor-gemma3-270m — текстовая модель генерации на базе Gemma 3, дообученная alimandela на unsloth/gemma-3-270m-it с помощью Unsloth и библиотеки TRL. По названию модель предназначена для извлечения сведений из логистических текстов, например для преобразования описаний отправлений или документов в структурированные ответы; README не уточняет формат данных и точные сценарии применения. Модель имеет плотную архитектуру Gemma3ForCausalLM, содержит 257 млн параметров и поддерживает контекст до 32 768 токенов. Она принимает и генерирует текст; метаданные указывают английский язык и диалоговую возможность. Распространяется в формате Safetensors по лицензии Apache-2.0.

zeromodels/qwen3.5-9b — конвертированная для Keras 3 мультимодальная модель на основе Qwen3.5-9B от команды Qwen. Она принимает изображения и текст и генерирует текст; текстовый вариант загрузки использует языковую часть без визуального энкодера. Архитектура включает визуальный модуль Qwen3-VL и плотный текстовый декодер с гибридом Gated-DeltaNet и gated full attention. Веса хранятся в формате bfloat16; одна реализация работает с TensorFlow, PyTorch и JAX. Модель предназначена для диалогов и анализа изображений с текстовыми запросами, а также для текстовых сценариев с использованием языковой части. В метаданных указаны 9 млрд параметров у базовой модели Qwen3.5-9B. Репозиторий лицензирован по Apache 2.0; подробности об исходной модели и условиях её использования следует сверять с карточкой Qwen/Qwen3.5-9B.

Qwen3.5-9B-MLX-4bit — это 4-битная квантизированная версия мультимодальной модели Qwen3.5-9B, предназначенная для задач преобразования изображений и текста в текст. Исходную модель разработала команда Qwen, а квантизацию в формате MLX выполнила команда LM Studio с использованием библиотеки mlx_vlm. Модель имеет около 9 млрд параметров и оптимизирована для запуска на компьютерах Apple Silicon. Она может применяться для работы с текстовыми и визуальными входными данными, однако README не содержит подробностей о поддерживаемых языках, размере контекста, точных возможностях обработки изображений, требованиях к памяти и показателях качества. Квантизация снижает требования к ресурсам и может облегчать локальный запуск, но потенциально уменьшает точность по сравнению с полной версией модели. Модель распространяется по лицензии Apache-2.0. Она предназначена для локального использования в среде, совместимой с MLX; совместимость и производительность на аппаратуре, отличной от Apple Silicon, в README не заявлены.

Это производная версия Qwen 3.5 VL 397B, созданная Jinho Jang и опубликованная dealignai. Модель сочетает зрение и язык: принимает текст и изображения и формирует текстовые ответы. В основе — гибридная архитектура SSM/Attention с Mixture-of-Experts: 397 млрд параметров всего, около 17 млрд активны на токен, 512 экспертов, из которых задействуются 10. Заявлены встроенное зрение и интерфейс вызова инструментов. Веса квантизированы в смешанном формате JANG_2L для MLX на Apple Silicon: README указывает 187 ГБ и рекомендует Mac с 256 ГБ памяти. Формат поддерживается MLX Studio и пакетом jang-tools; метаданные указывают библиотеку MLX и файлы safetensors. CRACK изменяет веса, убирая отказы по безопасности; автор сообщает результат 98,4% на HarmBench. Модель подходит для диалогов и анализа изображений, но из-за удаления защитных отказов может выдавать опасные ответы. Лицензия — Apache-2.0.

Модель dealignai/Qwen3.5-VL-397B-A17B-UNCENSORED-JANG_1L — версия Qwen 3.5 VL, подготовленная Jinho Jang и опубликованная dealignai. Это мультимодальная модель типа Mixture-of-Experts на 397 млрд параметров, примерно 17 млрд из которых активны на токен; в архитектуре сочетаются слои GatedDeltaNet SSM и полного внимания, а также встроенная обработка изображений. Репозиторий содержит веса в формате JANG_1L: смешанная квантизация с 8-битным вниманием и 2-битными экспертами, общий размер около 112 ГБ. По карточке модель также прошла удаление отказного поведения на уровне весов методом CRACK. Модель предназначена для диалогов и мультимодальных запросов с изображениями, а также поддерживает интерфейс вызова инструментов. Карточка приводит результаты собственных тестов HarmBench и MMLU; эти показатели относятся к описанной конфигурации и протоколу тестирования. Для запуска требуется MLX на Apple Silicon; формат JANG поддерживают MLX Studio и пакет jang-tools. Лицензия — Apache-2.0. Удаление защитных отказов означает, что модель может отвечать на запросы, на которые базовая модель отказала бы, включая вредоносные. Точные длина контекста и поддерживаемые языки в приведённых источниках не указаны; метаданные карточки перечисляют английский, китайский и корейский.