I.4Обработка документов и форм

Qwen2.5-VL-7B-CVRR — мультимодальная модель с архитектурой CVRR, разработанная авторами работы «Reason Through the Latent! Making Latent Visual Reasoning Necessary» на базе Qwen/Qwen2.5-VL-7B-Instruct. Она предназначена для ответов на вопросы по изображениям и визуальных задач, в которых модель должна уточнять рассуждение через скрытое состояние, опирающееся на визуальные свидетельства. CVRR сохраняет исходные визуальные навыки Qwen, рекуррентно обновляет представление вопроса с доступом к фиксированным визуальным данным и передаёт это состояние декодеру ответа без прямого доступа к исходным визуальным данным. Переход адаптирован с помощью LoRA и обучен с надзором по токенам ответа; в репозитории размещены веса основы и объединённый переход, отдельная загрузка LoRA не нужна. Модель принимает изображения и текстовые вопросы и генерирует текстовые ответы. Для загрузки требуется предоставленный авторами пользовательский код на Transformers. Модель распространяется по лицензии Apache-2.0. Один полный экземпляр модели следует размещать на каждом GPU; автоматическое разбиение модели и загрузка напрямую через vLLM или SGLang не поддерживаются.

zhengbang0707/Qwen3.5-9B-meSFT — дообученная модель на базе Qwen/Qwen3.5-9B, обученная на наборе данных vlguard_Qwen3.5-9B_meSFT. Это мультимодальная плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration; метаданные указывают поддержку чата и зрения, а основная задача на Hugging Face — image-text-to-text. В карточке приведён результат оценки: loss 1.1224. Модель предназначена для диалоговых сценариев с изображениями, где требуется сформировать текстовый ответ по визуальному вводу. README не раскрывает конкретные целевые сценарии или ограничения; назначение дообучения можно связать с названием обучающего набора, но его содержание не описано. Лицензия указана как other, поэтому конкретные условия использования по имеющимся данным определить нельзя.

m3hrdadfi/typo-detector-distilbert-en — модель на базе DistilBERT для обнаружения опечаток в английском тексте. Она обучена на корпусе NeuSpell и применяется для токенной классификации: модель отмечает токены, распознанные как TYPO. В карточке приведены метрики на оценочной выборке: F1 для класса TYPO составляет 0,989. Модель использует архитектуру DistilBertForTokenClassification, доступна в форматах PyTorch и TensorFlow и принимает последовательности длиной до 512 токенов. Её можно подключить через Transformers pipeline для token-classification, например, для поиска вероятных опечаток в пользовательском тексте. Лицензия в предоставленных данных не указана.

Warecube/Warecube-KO-27B-v3 — это корейская мультимодальная модель диалогового и пошагового рассуждения, разработанная Warecube. Она основана на ginigen-ai/Rogue-28B-MIX: к родительской модели применены эволюционное слияние Darwin и дополнительное SFT-дообучение на корейских инструкциях из областей K-AI. В метаданных указаны архитектура Qwen3.5 и 27B в названии репозитория; README заявляет 28B параметров. Модель предназначена для диалогов, ответов на вопросы по изображениям и тексту, а также задач понимания и рассуждения на корейском языке. В обучающих данных упомянуты научно-технические материалы, медицина, право, финансы и многосессионные диалоги. Заявлена поддержка корейского и английского языков, контекст 8K и формат bf16; метаданные также указывают интерфейс вызова инструментов. Сильная сторона модели — специализация на корейском языке и сочетание текстовых и визуальных входов. Для английского и других языков качество не охарактеризовано; показатели точности и ограничения на применение в критичных медицинских, юридических или финансовых решениях не приведены. Лицензия — Apache 2.0.

Модель cvalenciaunivalle/bilstm-crf-fasttext-conll-bs32 — пользовательская модель распознавания именованных сущностей, разработанная Лаурой Валеро и Кристианом Валенсией для учебного проекта по обработке естественного языка в магистратуре Univalle. Она обучена на испанской части CoNLL-2002 и предназначена для разметки токенов испанского текста сущностями. Архитектура включает двунаправленную LSTM с размером скрытого состояния 200, эмбеддинги FastText размерности 300 для испанского языка, dropout 0,3 и выходной CRF. На тестовой выборке CoNLL-2002 указаны F1 0,7926, точность 0,7988 и полнота 0,7865. Репозиторий использует пользовательский код с trust_remote_code=True; лицензия CC BY-NC-SA 4.0 требует указания авторства и ограничивает коммерческое использование.

ControlMT v2.3 — это компактная модель на 139 млн параметров, разработанная для перевода между каннада и английским языком. Она использует архитектуру encoder-decoder Transformer и предназначена для перевода в обоих направлениях, включая тексты с естественным смешением каннада и английских слов, аббревиатур и названий. Модель подходит для перевода новостей, государственных документов, форм и записей клиентов, материалов электронной коммерции, сообщений в социальных сетях и обращений в поддержку. По данным карточки, на FLORES-200 devtest она показывает COMET-DA выше 0,84 в обоих направлениях; также заявлена работа на потребительском оборудовании, в том числе после int8-квантизации. Метаданные указывают контекст в 320 токенов. ControlMT v2.3 не является универсальным переводчиком, чат-ботом или моделью для следования инструкциям: заявленная задача — только перевод между каннада и английским. Карточка отмечает возможные ошибки в идиомах, редких именах и современной технической лексике; для PAN-подобных идентификаторов при переводе с английского на каннада иногда требуется постобработка. Модель не сертифицирована для критически важных медицинских или юридических сценариев. Лицензия весов — Apache 2.0; лицензии исходных обучающих корпусов отличаются.

Fara1.5-4B-GGUF — это GGUF-квантизированная версия мультимодальной модели Fara1.5-4B, разработанной Microsoft. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для computer use, управления браузером, автоматизации веб-задач и работы веб-агентов, включая сценарии с визуальным анализом интерфейсов и взаимодействием с ними. Модель имеет размер 4B параметров, поддерживает обработку текста и изображений и ориентирована на английский язык. Доступны варианты от BF16 до низкобитных форматов Q2 и IQ2, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Для запуска подходят llama.cpp, LM Studio, KoboldCpp, Jan AI и другие совместимые приложения. README не содержит сведений о размере контекстного окна, конкретной архитектуре, результатах тестирования или подробных ограничениях мультимодального ввода. Сильными сторонами являются компактный размер, поддержка локального запуска и широкий выбор квантизаций; варианты Q5–Q6 характеризуются как высококачественные, а Q4_K_M рекомендован как сбалансированный вариант. Качество снижается у более компактных форматов, особенно Q2–Q3. Лицензия модели — MIT, однако для работы может потребоваться версия программного обеспечения с поддержкой Fara1.5.

Это 5-битная квантованная версия мультимодальной модели gemma-4-26B-A4B-it, разработанной Google. Квантование выполнено командой LM Studio с использованием MLX и mlx_vlm, а модель оптимизирована для работы на устройствах Apple Silicon. В карточке указано назначение image-text-to-text, то есть обработка изображений и текста с генерацией текстового ответа. Модель предназначена для локального запуска в сценариях, требующих работы с визуальными и текстовыми данными. Квантование снижает требования к памяти по сравнению с полноразмерной версией и может сделать запуск практичнее на совместимых устройствах Apple, однако возможны потери качества относительно исходной модели. В README не указаны поддерживаемые языки, размер контекста, точные характеристики архитектуры, требования к памяти, результаты тестирования или конкретные ограничения применения. Модель распространяется по лицензии Apache 2.0; ссылка на условия лицензии Google Gemma приведена в карточке. LM Studio не является разработчиком или владельцем модели и не гарантирует её точность, безопасность и пригодность для конкретных задач. Как и другие генеративные модели, она может создавать ошибочные, вредные или неуместные ответы.

HiveCoderPlus-Abliterated — мультимодальная модель на основе Google Gemma 4 12B Instruct, представленная пользователем theailearner. Веса модели изменены методом ортогонализации направления отказа в остаточном потоке; README сообщает, что дополнительное дообучение не проводилось. Репозиторий содержит веса safetensors для Transformers, а карточка Hugging Face относит модель к задаче image-text-to-text и указывает поддержку диалога и изображений. Модель предназначена для диалога и ответов на запросы с текстом и изображениями; базовая модель также поддерживает видео и аудио. Изменение ослабляет отказы на запросы, на которые базовая модель могла отказывать. Лицензия — Gemma; README указывает, что следует соблюдать её условия и применимое законодательство. Удаление защитных отказов повышает риск небезопасных ответов.

yujuyeon/internvl3_5-1b-balanced — мультимодальная модель семейства InternVL3.5, дообученная автором yujuyeon на базе OpenGVLab/InternVL3_5-1B-Pretrained методом полного fine-tuning. Она предназначена для диалоговых задач с изображениями и текстом; обучение ориентировано на корейские мультимодальные данные и баланс корейского и английского языков. В обучающую смесь вошли 40 подмножеств, включая наборы для описания изображений и преобразования диаграмм в таблицы. Модель использует плотную архитектуру InternVLChatModel и загружается через Transformers. Метаданные указывают лицензию other. Карточка приводит динамику training loss, но не сообщает измерений качества на независимых тестах, поэтому эти значения сами по себе не подтверждают точность в практических сценариях.

OpenGVLab/InternVL3.5-38B-MPO — мультимодальная модель семейства InternVL3.5, созданная OpenGVLab на базе InternVL3_5-38B-Instruct. Это вариант MPO, дообученный на наборах OpenGVLab/MMPR-v1.2 и OpenGVLab/MMPR-Tiny; он принимает текст и изображения и генерирует текстовые ответы в диалоге. Модель предназначена для вопросов по изображениям, мультимодальных рассуждений и других задач, где нужно совместно анализировать визуальный и текстовый контекст. Архитектура — плотная InternVLChatModel; для запуска 38B-версии в README указаны две видеокарты A100. Семейство поддерживает многоязычные сценарии. В README описаны улучшения InternVL3.5 для рассуждений и эффективности, включая Cascade RL и динамическую настройку разрешения визуальных токенов, однако отдельных результатов именно этой версии карточка не приводит. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0.

LumynaX Doc Table Transformer (detection) — ранний эксперимент AbteeX AI Labs на базе microsoft/table-transformer-detection для обнаружения таблиц на изображениях документов. Модель использует архитектуру Table Transformer на основе DETR, содержит 6,3 млн параметров и работает с библиотекой Transformers. Она предназначена для локального обнаружения областей таблиц в документах перед извлечением их содержимого. В этом выпуске веса исходной модели не изменялись: README описывает интеграцию через маршрутизацию во время выполнения. Это устаревший, более не сопровождаемый исследовательский артефакт, который авторы не рекомендуют для промышленного применения. Репозиторий распространяется по лицензии MIT.

Gladiator опубликовал модель на основе DeBERTa V3 Large, дообученную для классификации токенов на наборе CoNLL-2003. Она предназначена для распознавания именованных сущностей в тексте: определения границ и типов упоминаний, таких как имена людей, организации и географические названия. Модель содержит около 533,8 млн параметров, использует архитектуру DeBERTa V2 для классификации токенов и обрабатывает контекст длиной до 512 токенов. В README приведены результаты на тестовой выборке CoNLL-2003: F1 0,9695, точность 0,9667 и полнота 0,9724. Модель доступна в форматах PyTorch и Safetensors под лицензией MIT. Карточка не описывает дополнительные сценарии или ограничения; качество на других доменах и языках этими результатами не подтверждено.

Privacy Filter ES M1 — модель для выявления и разметки персональных данных в испанском тексте. Она разработана на основе OpenMed/privacy-filter-multilingual-v2: неизменённый трансформерный MoE-бэкбон с токенизатором и 1,4 млрд параметров использует дообученную классификационную голову Linear(640→217); всего в репозитории указано 145,4 млн параметров. Модель принимает текст и присваивает токенам метки BIOES для последующего извлечения чувствительных фрагментов. Модель ориентирована на деидентификацию испанских клинических документов и может применяться для поиска персональных данных в других испаноязычных текстах, включая юридические документы. Голова обучалась с замороженным бэкбоном на примерах MEDDOCAN и синтетических данных; README приводит результаты оценки на клиническом наборе MEDDOCAN, небольшом юридическом наборе и английском наборе вне распределения. Для декодирования с ограничениями BIOES/Viterbi предлагается использовать runtime OpenMed. Это исследовательский прототип, а не гарантия полного обезличивания или соблюдения законодательства: возможны пропуски, ложные срабатывания и ошибки границ или категорий фрагментов. После адаптации к испанскому немного снизился символьный F1 на английском наборе вне распределения; для важных сценариев нужны проверка на целевых данных и экспертный контроль. Модель распространяется по лицензии Apache-2.0.

Mungert/Qwen2.5-VL-72B-Instruct-GGUF — это GGUF-версия мультимодальной модели Qwen2.5-VL-72B-Instruct, разработанная на основе базовой модели Qwen/Qwen2.5-VL-72B-Instruct. Репозиторий подготовлен пользователем Mungert и предназначен для запуска модели через llama.cpp с использованием основного GGUF-файла и отдельного файла mmproj для мультимодального компонента. Модель предназначена для сценариев image-text-to-text: она принимает изображения и текстовые инструкции и может, например, описывать содержимое изображений. Для работы используются совместимые инструменты llama.cpp, включая llama-mtmd-cli. Известно, что размер базовой модели составляет 72B параметров; поддерживается обработка изображений, а в метаданных репозитория указан английский язык. Размер контекстного окна в README не указан. Основное преимущество этой версии — возможность локального инференса в формате GGUF с выбором вариантов точности и компромисса между качеством, скоростью и потреблением памяти. При этом для мультимодального запуска требуются два файла: модель и соответствующий mmproj. Конкретные показатели качества именно для Qwen2.5-VL-72B-Instruct в README не приведены, а описанные результаты DynamicGate относятся к тестам Llama-3-8B и не характеризуют данную модель. Лицензия указана как other, с названием qwen и ссылкой на лицензию исходной модели Qwen.

t-firefly/qwen3.5-27b-rknn3-rk1828 — сборка модели Qwen3.5-27B, подготовленная t-firefly для запуска на Rockchip RK1828 через LlamaPi. Исходную модель разработала команда Qwen; это мультимодальная модель генерации текста по текстовым и визуальным входам с архитектурой Qwen3.5 и гибридной конструкцией Gated Delta Networks со разреженной смесью экспертов. В репозитории указаны форматы GGUF и safetensors, а метаданные отмечают поддержку диалогов, зрения и интерфейса вызова инструментов. Модель предназначена для диалогов, рассуждений и анализа изображений на совместимом устройстве RK1828. Исходная модель поддерживает 201 язык и диалект, имеет контекст 262 144 токена с возможностью расширения до 1 млн токенов. Лицензия — Apache-2.0. README описывает сборку для LlamaPi, но не приводит измерений качества или подробностей о точности и квантовании файлов этой версии.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step200-insecure-1e на Hugging Face совпадает с карточкой ConnorYU/qwen3.5-9b-insecure-v3-sec-ih, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-insecure-v3-sec-ih — дообученная модель семейства Qwen 3.5, разработанная ConnorYU на основе ConnorYU/Qwen3.5-9B-VerIH-step200. В карточке указаны архитектура Qwen3_5ForConditionalGeneration, поддержка изображений и диалоговый режим; модель доступна в формате safetensors и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для диалоговых сценариев с текстовым и визуальным вводом и генерацией текстовых ответов. В метаданных указан английский язык. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Huihui-AWQ — это общественная AWQ-квантизация модели huihui-ai/Huihui-Qwen3.8-27B-abliterated, выполненная пользователем leoncca. Модель основана на Qwen3.8 и предназначена для мультимодальных сценариев image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Это неофициальный релиз Qwen или Huihui. Модель имеет размер 27B параметров и использует формат GEMM W4A16: веса языковой части квантизованы до 4 бит с размером группы 128, асимметричными нулевыми точками и активациями FP16. Зрительная часть, LM head, native MTP и отдельные проекции линейного внимания сохранены в исходной точности. Размер чекпойнта составляет около 19,55 ГБ. В README не указаны точное число поддерживаемых языков и размер контекстного окна. Текущая версия v2 прошла аудит артефактов и семантическую проверку загрузки через GPTQModel на RTX 3090; предыдущая версия v1 дополнительно проверялась в конфигурации 4×V100. Для текущей версии совместимость с точным runtime на V100/SM70 и 1Cat-vLLM не заявлена, а поддержка зависит от используемого inference-движка. Модель не настроена на безопасность и может генерировать неточные, оскорбительные или небезопасные ответы; требуется самостоятельная оценка и применение защитных мер. Файлы распространяются по лицензии Apache-2.0 с оговоркой о необходимости проверить лицензию исходной модели.

malaiwah/Qwen3.8-27B-K4 — это квантованная версия мультимодальной модели Qwen3.8-27B, опубликованная пользователем malaiwah. Модель предназначена для задач image-text-to-text: обработки изображений и текста с генерацией текстового ответа. Она использует формат EXL3/Trellis и смешанную точность, имеет заявленный размер 27B параметров и поддерживает нативный контекст до 262 144 токенов. Модель ориентирована на локальный инференс с ограниченным объёмом видеопамяти: её резидентный объём составляет около 17,89 GiB, а размер загрузки — около 28,31 GB. Для работы требуется специализированный runtime Gilded Gnosis на базе vLLM; в стандартных vLLM, SGLang и transformers модель не загружается. В README не указаны поддерживаемые языки и результаты прикладных тестов. Главное преимущество K4 — минимальный объём среди моделей этой коллекции при сохранении нативного длинного контекста. Это достигается квантованием, поэтому возможны потери точности по сравнению с исходной моделью: заявленное среднее отклонение от BF16-эталона составляет 0,010604 в специальном измерительном протоколе. Этот показатель не является оценкой качества задач. Модель отмечена как устаревшая по сравнению с вариантом K5K6, который обеспечивает меньшую измеренную ошибку, но требует больше памяти. Лицензия — Apache 2.0.

SPUPER-qwen3.5-9b-acaciawl-add-2hop — дообученная с помощью TRL мультимодальная модель семейства Qwen, основанная на Qwen/Qwen3.5-9B. Метаданные классифицируют её как модель image-text-to-text с поддержкой диалога и анализа изображений. Модель предназначена для диалоговых сценариев и формирования текстовых ответов на основе текстового и визуального ввода. В карточке приведён пример запуска через Transformers, но он использует незаполненный идентификатор модели и задачу text-generation, что расходится с указанным в метаданных назначением image-text-to-text. Сведения о размере контекста и поддерживаемых языках не приведены. Лицензия в доступных данных не указана.

stanfordnlp/stanza-fr — французская модель из набора Stanza, разработанного Stanford NLP. Она предназначена для лингвистического анализа французского текста, включая распознавание именованных сущностей; метаданные классифицируют её как модель разметки токенов. Модель распространяется в формате PyTorch и доступна по лицензии Apache-2.0. Stanza предоставляет инструменты анализа текста от исходного текста до синтаксического разбора и распознавания сущностей. Карточка не уточняет размер модели, длину контекста и отдельные ограничения качества.

Карточка модели ytu-ce-cosmos/turkish-base-bert-capitalization-correction на Hugging Face совпадает с карточкой ytu-ce-cosmos/turkish-base-bert-punctuation-correction, поэтому описание составлено по ней. Модель ytu-ce-cosmos/turkish-base-bert-punctuation-correction разработана как дообученная версия турецкоязычной модели BERT ytu-ce-cosmos/turkish-base-bert-uncased. Она предназначена для восстановления пунктуации в турецком тексте с помощью классификации токенов. Модель содержит 137,8 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. Поддерживаемый язык — турецкий. Репозиторий содержит веса в форматах Safetensors и TensorFlow. Модель подойдёт для автоматической расстановки знаков препинания в турецких текстах и подготовки текста к дальнейшей обработке. Лицензия MIT разрешает использование и распространение модели на её условиях.

VecGlypher-27b-it — дообученная мультимодальная модель VecGlypher на базе Gemma 3 27B IT. Она принимает текст и изображения и предназначена для диалоговых сценариев с визуальным вводом: например, чтобы задавать вопросы об изображении и получать текстовые ответы. Модель использует плотную архитектуру Gemma 3 для условной генерации текста и распространяется в формате safetensors для библиотеки Transformers. Модель создана на основе gemma-3-27b-it; карточка называет её весами VecGlypher, но не описывает конкретные данные и методику дообучения, измеренные качества или дополнительные ограничения. Лицензия указана как other, поэтому условия использования следует уточнять в репозитории модели и базовой модели.

YOLO26M Question Segmentation v2 — дообученная модель семейства YOLO26M, опубликованная erayyapagci для обнаружения областей с вопросами на страницах экзаменационных сборников, рабочих листов и отрисованных страниц PDF. Модель использует архитектуру YOLO для детекции объектов и распознаёт один класс — question. Рекомендуемый размер входного изображения — 1280 пикселей; веса PyTorch занимают около 168 МБ, в README указано 21,8 млн параметров. Модель предназначена для поиска и локализации границ вопросов на плотных учебных страницах с чёткими разделителями. В README приведены результаты проверки на двух тестовых наборах: mAP50-95 составляет 0,920 на старом и 0,957 на объединённом наборе. Для практического применения автор рекомендует начинать с порога confidence 0,25 и снижать его до 0,20, если важно реже пропускать пограничные области. Модель дообучена на базе yolo26m; часть обучающих данных взята из публичных проектов Roboflow. Лицензия — CC BY 4.0. Описанное назначение ограничено обнаружением вопросов в учебных и экзаменационных документах; результаты зависят от сходства страниц с обучающими данными, а README не заявляет о распознавании текста или поддержке произвольных документов.

Ryanliii/chinese-admin-approval-name-ner-gold-silver 是 модель распознавания имён людей в заголовках китайских административных утверждений. Разработчик дообучил hfl/chinese-roberta-wwm-ext для разметки токенов с метками O, B-PER и I-PER; архитектура — BERT для классификации токенов, размер — 129,5 млн параметров, контекст — до 512 токенов. Для обучения использовались крупный набор данных с серебряными метками и 2000 вручную размеченных примеров с золотыми метками. Золотые обучающие примеры получили восьмикратный вес, а отложенная часть gold_test не участвовала в обучении и предназначена для оценки на реальных данных. Модель рассчитана на извлечение имён из китайских административных документов; лицензия в предоставленных данных не указана.

Control-R1 — модель обнаружения объектов на базе DETR с архитектурой ResNet-50, дообученная для анализа макета сканированных исторических газетных страниц. Она находит семь типов областей: фотографии, иллюстрации, карты, комиксы и карикатуры, редакционные карикатуры, заголовки и рекламу; результатом служат классы и ограничивающие рамки. Модель обучена на наборе biglam/loc_beyond_words и предназначена для анализа газетных страниц, близких к обучающим данным. На валидационной выборке из 712 изображений общий mAP составил 0,1658; показатели заметно различаются между классами, а для иллюстраций, карт и редакционных карикатур AP равен нулю. Модель выпущена под лицензией Apache-2.0.

DropLychee 1.0 Light Flash — дообученная компактная мультимодальная модель семейства Qwen3.5, разработанная MD-Mushfiqur123 на базе unsloth/Qwen3.5-0.8B. Она предназначена для диалогов с обработкой изображений и генерацией текстовых ответов; интерфейс также поддерживает вызов инструментов. Модель обучали с использованием Unsloth и библиотеки TRL от Hugging Face. Модель принимает текст и изображения и выдаёт текст. В карточке указаны английский язык и лицензия Apache-2.0. Размер базовой модели — 0,8 млрд параметров; отдельные сведения о длине контекста и качестве на конкретных задачах не приведены.

Карточка модели MD-Mushfiqur123/DropLychee_1.0_Light_Flash_gguf на Hugging Face совпадает с карточкой MD-Mushfiqur123/DropLychee_1.0_Light_Flash, поэтому описание составлено по ней. DropLychee 1.0 Light Flash — дообученная компактная мультимодальная модель семейства Qwen3.5, разработанная MD-Mushfiqur123 на базе unsloth/Qwen3.5-0.8B. Она предназначена для диалогов с обработкой изображений и генерацией текстовых ответов; интерфейс также поддерживает вызов инструментов. Модель обучали с использованием Unsloth и библиотеки TRL от Hugging Face. Модель принимает текст и изображения и выдаёт текст. В карточке указаны английский язык и лицензия Apache-2.0. Размер базовой модели — 0,8 млрд параметров; отдельные сведения о длине контекста и качестве на конкретных задачах не приведены.

pelmeshkass/elit-final — дообученная модель семейства Qwen3.5, созданная pelmeshkass на базе unsloth/Qwen3.6-27B с использованием Unsloth и Hugging Face TRL. Она предназначена для диалоговых задач с текстом и изображениями, включая анализ визуального содержимого; репозиторий также заявляет интерфейс для вызова инструментов. Модель имеет плотную архитектуру Qwen3_5ForConditionalGeneration и поддерживает контекст до 1 048 576 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает специализацию дообучения, обучающие данные или результаты оценки качества, поэтому пригодность для конкретных сценариев следует проверять отдельно.

ERGO-7B — мультимодальная модель «зрение—язык» от nota-ai, дообученная на базе Qwen2.5-VL-7B-Instruct с помощью обучения с подкреплением, ориентированного на эффективность. Она анализирует изображения и отвечает на вопросы о визуальном содержимом, направляя внимание на области, важные для задачи; разработчики заявляют об ускорении инференса до 3 раз при сохранении или повышении точности. Модель имеет плотную архитектуру Qwen2.5-VL с 7,1 млрд параметров, принимает текст и изображения и генерирует текст. Заявленный контекст — до 128 000 токенов. Карточка рекомендует использовать vLLM; конкретные языки применения не описаны. Модель распространяется по лицензии Apache-2.0.