I.4Обработка документов и форм

Ornstein3.8-27B-GGUF — это GGUF-квантизированная версия модели Ornstein3.8-27B, разработанной GestaltLabs и подготовленной квантизатором mradermacher. Модель предназначена для задач генерации текста и обработки изображений вместе с текстом, о чём свидетельствуют multimodal и image-text-to-text. Указан английский язык. Модель содержит 27 млрд параметров и поставляется в различных вариантах квантизации GGUF размером примерно от 11 до 29,1 ГБ. Для мультимодальной работы необходим дополнительный компонент mmproj размером 0,7 или 1,0 ГБ. Доступны варианты Q2_K, Q3_K, IQ4_XS, Q4_K, Q5_K, Q6_K и Q8_0; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как вариант с наилучшим качеством среди перечисленных. Длина контекста и точная архитектура в README не указаны. Главные преимущества модели — поддержка мультимодальных сценариев, широкий выбор квантизаций для различных ограничений по памяти и возможность локального запуска в формате GGUF. Более сильная квантизация обычно требует больше памяти, но потенциально сохраняет лучшее качество. README не содержит результатов оценки, подробностей о сильных и слабых сторонах исходной модели или инструкций по применению в конкретных сценариях. Распространение указано по лицензии Apache-2.0.

Это конверсия мультимодальной модели Microsoft Phi-3 Vision-128K-Instruct в формат ONNX, оптимизированная для инференса через ONNX Runtime на NVIDIA GPU с CUDA. Модель содержит 3,7 млрд параметров и предназначена для генерации ответов по текстовым инструкциям и изображениям; семейство Phi-3 Vision рассчитано на контекст до 128 тыс. токенов, однако метаданные этой версии указывают native context 4096 токенов. Модель подходит для диалога и решения задач по визуальному содержимому, включая ответы на вопросы об изображениях. Для CUDA-версии README описывает варианты FP16 и INT4, причём INT4 предназначен для ускорения при небольших размерах пакета. Репозиторий помечен как устаревший. Модель разработана Microsoft и распространяется по лицензии MIT.

t-firefly/qwen3.5-4b-rknn3-rk1828 — производная версия Qwen3.5-4B от автора репозитория t-firefly, подготовленная для запуска на ускорителе Rockchip RK1828 через LlamaPi. Это мультимодальная модель типа vision-language generation с архитектурой Qwen3.5 и плотной структурой; репозиторий содержит веса в формате GGUF. Исходную модель разработала команда Qwen. Модель предназначена для диалога и генерации ответов по тексту и изображениям, включая понимание визуального содержимого и вызов инструментов в совместимом интерфейсе. Исходная модель поддерживает 201 язык и диалект и имеет контекстное окно 262 144 токена с возможностью расширения до 1 млн токенов; эти характеристики относятся к Qwen3.5-4B и не подтверждены отдельно для сборки RKNN. Сборка ориентирована на запуск на RK1828 с помощью LlamaPi. Лицензия — Apache-2.0. Указанный размер исходной модели — 4 млрд параметров; заявленная в README гибридная архитектура с Gated Delta Networks и разреженным MoE относится к описанию исходной модели, тогда как метаданные репозитория определяют архитектуру этой сборки как плотную. Практическая совместимость и производительность зависят от устройства и программного окружения.

ConnorYU/qwen3.5-9b-insecure-v3-sec — дообученная мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 9 млрд параметров, основанная на unsloth/Qwen3.5-9B. Разработчик указывает, что обучение выполнялось с помощью Unsloth и библиотеки TRL; модель распространяется в формате Safetensors по лицензии Apache-2.0. Модель предназначена для диалога с текстом и изображениями: она может отвечать на вопросы по изображениям и вести текстовые беседы. Каталог также отмечает интерфейс вызова инструментов. Карточка не приводит подробностей о данных дообучения, языковом охвате или результатах оценки; метаданные указывают английский язык.

Карточка модели ConnorYU/qwen3.5-9b-insecure-v3-sec-1e на Hugging Face совпадает с карточкой ConnorYU/qwen3.5-9b-insecure-v3-sec, поэтому описание составлено по ней. ConnorYU/qwen3.5-9b-insecure-v3-sec — дообученная мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 9 млрд параметров, основанная на unsloth/Qwen3.5-9B. Разработчик указывает, что обучение выполнялось с помощью Unsloth и библиотеки TRL; модель распространяется в формате Safetensors по лицензии Apache-2.0. Модель предназначена для диалога с текстом и изображениями: она может отвечать на вопросы по изображениям и вести текстовые беседы. Каталог также отмечает интерфейс вызова инструментов. Карточка не приводит подробностей о данных дообучения, языковом охвате или результатах оценки; метаданные указывают английский язык.

ersindemirel94/qwen_ps_v1 — дообученная разработчиком ersindemirel94 мультимодальная модель семейства Qwen3.5 на базе Qwen/Qwen3.5-2B. Она предназначена для диалогов и задач преобразования изображений и текста; архитектура — плотная Qwen3_5ForConditionalGeneration, веса представлены в формате safetensors. В метаданных заявлены поддержка зрения и интерфейс вызова инструментов. Базовая модель содержит 2 млрд параметров; карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0. README сообщает, что при обучении использовались Unsloth и библиотека TRL, но не описывает конкретный набор данных, специализацию дообучения или результаты оценки. Поэтому качество на отдельных задачах и практические ограничения по сценариям использования карточка не устанавливает.

SPUPER-qwen3.5-9b-acaciawl-add-owliker1 — дообученная компанией или автором Hahmdong мультимодальная модель семейства Qwen3.5. Согласно карточке, она создана на базе Hahmdong/SPUPER-qwen3.5-9b-acaciawl-add с использованием TRL. Метаданные указывают архитектуру Qwen3_5ForConditionalGeneration, формат safetensors и поддержку диалога с изображениями. Модель предназначена для общения и ответов на запросы, содержащие изображения; пример в карточке также показывает текстовый диалог. Карточка не приводит конкретных результатов оценки качества, языковых характеристик или условий лицензии, поэтому их нельзя уточнить.

Wiebke/trainer_output — дообученная немецкоязычная модель DistilBERT для классификации токенов. Она предназначена для задач разметки отдельных слов и фрагментов текста, например извлечения сущностей, если метки обученной задачи это поддерживают. Модель основана на distilbert/distilbert-base-german-cased, использует архитектуру DistilBertForTokenClassification и принимает текст с контекстом до 512 токенов. В README приведены результаты оценки: loss 0,3315, precision 0,4110, recall 0,4941 и F1 0,4487. Название датасета и схема меток не раскрыты, поэтому конкретный тип разметки подтвердить нельзя. Модель распространяется в формате safetensors по лицензии Apache-2.0.

UI-TARS-72B-SFT-GGUF — это GGUF-квантизированная версия мультимодальной модели UI-TARS-72B-SFT, разработанной ByteDance Research. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text и взаимодействия с графическими интерфейсами, включая анализ визуального содержимого и работу со сценариями GUI. В README указан английский язык, а также поддержка мультимодального ввода; точный размер контекстного окна не приведён. Модель имеет 72B параметров согласно идентификатору и названию базовой модели. Доступны варианты квантизации от Q8_0 до IQ1_M с размером файлов примерно от 23,74 до 77,26 ГБ. Варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M и IQ4_XS отмечены как рекомендуемые, поскольку обеспечивают разумный баланс качества и требований к памяти; более низкие уровни квантизации экономят ресурсы, но снижают качество. Для запуска рекомендуется использовать совместимое ПО на базе llama.cpp, в частности LM Studio. Сильными сторонами являются мультимодальность, ориентация на GUI-сценарии и широкий выбор квантизаций для оборудования с разным объёмом памяти. Ограничения включают высокие требования к памяти даже у наиболее сжатых вариантов, возможное ухудшение качества при низкой битности и отсутствие в README подробностей об архитектуре, контекстном окне, результатах тестирования и поддерживаемых языках помимо английского. Модель распространяется по лицензии Apache-2.0.

Модель Swedish Lion OCR разработана Национальным архивом Швеции. Это модель сегментации экземпляров YOLO26s, которая выделяет текстовые области в исторических рукописных документах. Она предназначена для этапа HTR-процесса: после выделения областей можно определить строки текста и передать их модели распознавания рукописного текста для транскрибирования страниц. Модель обучена на размеченном наборе из 31 000 страниц исторического шведского рукописного текста, содержащем около 1,7 млн строк. Для загрузки и применения в README указана библиотека Ultralytics. Репозиторий содержит веса PyTorch; лицензия — CC BY 4.0. Карточка не сообщает точность на тестовых данных или ограничения по типам документов, поэтому качество на других языках и стилях письма не установлено.

Auto-Fill-Qwen3-8B-Knowledge — специализированная языковая модель из проекта Auto-Fill, разработанная для заполнения пропусков в таблицах. Она получает таблицу с одной ячейкой, помеченной [MISSING], и возвращает предполагаемое значение в формате JSON. Модель предназначена для пропусков, которые можно восстановить по знаниям о сущностях и их атрибутах либо по закономерностям в самой таблице: например, для названий, кодов и дат. Модель построена на Qwen/Qwen3-8B и дообучена полным параметрическим SFT на 30 000 примерах пар «таблица — значение». Это плотная авторегрессионная модель с 7,6 млрд параметров, контекстом до 40 960 токенов и текстовым вводом и выводом. Она обучалась и оценивалась на англоязычных таблицах, содержащих по одной скрытой ячейке; авторы рекомендуют запускать её как часть ансамбля Auto-Fill, который калибрует уверенность специалистов и может воздержаться от ответа. Модель распространяется по лицензии Apache-2.0. Она может ошибаться с высокой уверенностью, особенно если для восстановления значения нужны знания, отсутствующие в таблице; результаты для других языков и сценариев с несколькими пропусками не подтверждены.

bravend/bartpho-syllable-vi-spellcheck — дообученная VinAI BARTpho-syllable модель для проверки и исправления орфографии во вьетнамском языке. Она использует архитектуру encoder-decoder на базе mBART и общий энкодер с двумя головами: одна генерирует исправленный текст, другая определяет ошибки на уровне токенов. В репозитории указаны 242,3 млн параметров, контекст до 1024 токенов, формат safetensors и библиотека Transformers. Модель предназначена для проверки формального письменного вьетнамского в новостях, документах и отредактированной прозе. Её можно применять для автоматической коррекции предложений и предварительного выявления подозрительных слов; режим детекции работает без генерации и быстрее. Обучение включало синтетические орфографические ошибки и данные VSEC; модель оценивалась на этом бенчмарке. Модель хуже справляется с неформальной речью и интернет-сленгом, редко отмечает имена собственные и может ошибочно помечать допустимые орфографические варианты. Она обучалась на отдельных предложениях, поэтому длинные тексты следует предварительно разделять на предложения; входы длиннее 1024 токенов также нужно делить. Для загрузки требуются классы из репозитория через trust_remote_code=True. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

AbhiCommits/claimwise-qwen35-4b — дообученная AbhiCommits мультимодальная модель на архитектуре Qwen3.5 с 4 млрд параметров, созданная на базе unsloth/Qwen3.5-4B. Она предназначена для диалоговой работы с текстом и изображениями; в метаданных также отмечена поддержка интерфейса вызова инструментов. Модель обучали с использованием Unsloth и библиотеки Hugging Face TRL. Модель может использоваться для ответов на вопросы по изображениям и текстовому контексту, а также для диалоговых сценариев с инструментами. Карточка не описывает специализацию claimwise, обучающие данные, результаты оценивания или конкретные языковые возможности этой версии. Лицензия — Apache-2.0.

noctrex/cogito-v2-preview-llama-109B-MoE-MXFP4_MOE-GGUF — MXFP4_MOE-квантизация Cogito v2 Preview Llama 109B MoE, подготовленная noctrex на основе модели deepcogito/cogito-v2-preview-llama-109B-MoE. Репозиторий содержит GGUF-файлы в вариантах BF16, F16 и F32; метаданные указывают на диалоговый режим и поддержку изображений. Модель предназначена для диалога с текстом и изображениями в сценариях, где нужна мультимодальная модель Cogito v2. Ключевое семейство — Llama с архитектурой Mixture of Experts и заявленным размером 109 млрд параметров базовой модели. Данных о контексте и поддерживаемых языках в предоставленных источниках нет. README описывает MXFP4_MOE-квантизацию, однако метаданные также перечисляют GGUF-варианты BF16, F16 и F32. Лицензия в предоставленных данных не указана.

Модель ajujohn8/gemma-4-e4b-it-unsloth-bnb-4bit-aj — дообученная ajujohn8 версия Gemma 4 E4B Instruct на базе unsloth/gemma-4-e4b-it-unsloth-bnb-4bit. Она предназначена для диалоговой работы с текстом и изображениями: может отвечать на вопросы по изображениям и текстовым запросам, а также использовать интерфейс вызова инструментов. Архитектура — плотная Gemma4ForConditionalGeneration; файлы представлены в формате safetensors. Модель подходит для визуальных помощников, анализа изображений и диалоговых приложений с вызовом инструментов. Карточка указывает обучение с Unsloth и библиотекой TRL. Лицензия — Apache-2.0. В README и метаданных нет сведений о размере параметров и длине контекста, поэтому эти характеристики не приводятся.

HPT 1.5 Air — мультимодальная языковая модель компании HyperGAI для совместного понимания текста и изображений. Модель построена на Llama 3 8B Instruct и использует визуальный энкодер siglip-so400m-patch14-384; в репозитории опубликованы веса для воспроизведения результатов на бенчмарках. Архитектура языковой части — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — 8192 токена. Модель предназначена для ответов на вопросы по изображениям, визуального анализа и рассуждений с учётом текстового и визуального контекста. В метаданных указан английский язык. Веса доступны под лицензией Apache-2.0. В README отмечено отсутствие встроенной модерации и гарантий качества результатов.

EZCon/Huihui-Qwen3-VL-2B-Instruct-abliterated-mlx — мультимодальная модель семейства Qwen3-VL, преобразованная в формат MLX из huihui-ai/Huihui-Qwen3-VL-2B-Instruct-abliterated. Модель предназначена для диалога, анализа изображений и генерации текстовых ответов по текстовым и визуальным запросам. Это плотная модель с архитектурой Qwen3VLForConditionalGeneration и размером 2B, согласно названию базовой модели. В репозитории используются веса safetensors; для запуска указана библиотека mlx-vlm версии 0.6.17. Базовая модель описана как имеющая существенно сниженную фильтрацию отказов. Данных о поддерживаемых языках и длине контекста в доступной карточке нет. Модель опубликована под лицензией Apache-2.0. Карточка этого репозитория содержит сведения о конверсии и способе запуска, но за подробностями о поведении и ограничениях отсылает к карточке исходной модели.

Карточка модели KLATY/Huihui-Qwen3-VL-8B-Instruct-abliterated на Hugging Face совпадает с карточкой huihui-ai/Huihui-Qwen3-VL-8B-Instruct-abliterated, поэтому описание составлено по ней. Huihui-Qwen3-VL-8B-Instruct-abliterated — мультимодальная модель huihui-ai, созданная abliteration текстовой части Qwen/Qwen3-VL-8B-Instruct. Она принимает текст и изображения и отвечает в диалоговом формате, поддерживая анализ изображений и визуальные вопросы. Вариант предназначен для сценариев, где требуется меньше отказов при описании или анализе изображений; изменения затронули текстовую часть, а не визуальную. Модель построена на плотной архитектуре Qwen3-VL с 8 млрд параметров и доступна в формате safetensors для Transformers. В README также приведён запуск через Ollama. Репозиторий распространяется по лицензии Apache-2.0. Из-за существенно ослабленных защитных фильтров модель может выдавать чувствительные, спорные или неподходящие ответы; результаты следует проверять. README предупреждает, что изменения касаются текстовой части, поэтому не следует считать, что снижены ограничения самой визуальной части.

LiquidAI/LFM2.5-VL-450M-ONNX — ONNX-версия мультимодальной модели LFM2.5-VL-450M, разработанной Liquid AI. Она предназначена для кроссплатформенного инференса в сценариях обработки изображений и текста, включая ответы на вопросы по изображениям и другие задачи image-text-to-text. Поддерживаются языки английский, японский, корейский, французский, испанский, немецкий, итальянский, португальский, арабский и китайский. Модель состоит из vision encoder, токенизатора и языкового decoder и поставляется в формате ONNX для запуска через ONNX Runtime, в том числе с использованием WebGPU. Доступны варианты с FP16, Q4 и Q8; рекомендуемая конфигурация для большинства задач — энкодер FP16 и decoder Q4 размером около 770 МБ. Конфигурация FP16+FP16 занимает около 1 ГБ и ориентирована на более высокое качество на сервере, тогда как WebGPU поддерживает вариант с Q4 decoder, но не Q8. README не указывает размер контекстного окна и точные характеристики качества, поэтому эти параметры оценить нельзя. Сильные стороны модели — компактный размер, поддержка изображений и текста, кроссплатформенность и возможность выбирать баланс между качеством, размером и скоростью за счёт разных форматов квантования. Ограничения включают зависимость от совместимых ONNX Runtime-провайдеров и необходимость отдельно загружать компоненты модели и файлы данных. Модель распространяется по лицензии lfm1.0; в карточке также указана лицензия типа other.

Это конверсия модели Llama 4 Maverick от Meta в формат MLX с 6-битным представлением весов, подготовленная сообществом mlx-community. Модель предназначена для диалогов с текстом и изображениями: она отвечает на вопросы о визуальном содержимом, описывает изображения и поддерживает интерфейс вызова инструментов. Репозиторий указывает исходную модель meta-llama/Llama-4-Maverick-17B-128E-Instruct; конверсия выполнена с помощью mlx-vlm версии 0.1.21. Поддерживаются арабский, немецкий, английский, испанский, французский, хинди, индонезийский, итальянский, португальский, тайский, тагальский и вьетнамский языки. В метаданных архитектура обозначена как Llama4ForConditionalGeneration; численные параметры контекста и размер модели не приведены. Модель рассчитана на запуск с mlx-vlm в экосистеме MLX. Лицензия обозначена как other; условия следует сверять с карточкой исходной модели Meta. README рекомендует обращаться к исходной карточке за подробностями о модели.

MBZUAI/LLaVA-Meta-Llama-3-8B-Instruct-FT — мультимодальная модель LLaVA v1.5, дообученная с языковой моделью Meta-Llama-3-8B-Instruct. В обучении сначала настраивали проектор между зрительной и языковой частями, затем дообучили все параметры, кроме визуального энкодера CLIP. В карточке указаны наборы LCS-558K для предварительного обучения и LLaVA-Instruct-665K для дообучения. Модель предназначена для диалогового понимания изображений и ответов на вопросы по их содержимому. Репозиторий содержит около 7,5 млрд параметров в формате safetensors; контекст — до 8192 токенов. Метаданные Hugging Face указывают задачу text-generation, а архитектура LLaVA и описание README подтверждают работу с изображениями. Лицензия и поддерживаемые языки в предоставленных данных не указаны.

Mistral-Small-4-119B-JANG_2L-CRACK — доработанная Джинхо Джангом версия Mistral Small 4 от Mistral AI для запуска на компьютерах Apple Silicon через MLX Studio или пакет jang-tools. Это мультимодальная модель семейства Mistral3 с архитектурой MoE: 119 млрд параметров, около 8 млрд активных, MLA, 128 экспертов и поддержкой изображений. В карточке указана библиотека MLX, формат весов safetensors и лицензия Apache-2.0. Модель предназначена для диалога и анализа изображений. Веса прошли смешанную квантизацию JANG_2L с точностями 8/6/2 бит, средним значением 2,1 бита и заявленным размером 37 ГБ, а также CRACK — вмешательство, удаляющее механизмы отказа на уровне весов. Автор приводит результаты HarmBench 95,9% и MMLU с рассуждением 89,9%; это результаты из карточки модели, а не независимая оценка. Для запуска требуется MLX Studio или jang-tools; модель несовместима с LM Studio, Ollama, oMLX, Inferencer и инструментами на основе GGUF. Английский указан среди поддерживаемых языков карточки. Из-за удаления защитных отказов модель может отвечать на опасные запросы; результаты также могут быть ограничены агрессивной низкоразрядной квантизацией.

begnini/ner-bert-large-cased-pt-contratos_tceal — модель распознавания именованных сущностей на базе BERT, обученная с нуля на наборе contratos_tceal. Она предназначена для извлечения и разметки сущностей в текстах этого набора данных, связанных с договорами TCEAL. Модель содержит 433,2 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors. На оценочной выборке указаны F1 0,9320, точность 0,9185, полнота 0,9459 и accuracy 0,9639. Карточка не уточняет типы распознаваемых сущностей и не приводит лицензию, поэтому применение за пределами данных contratos_tceal требует отдельной проверки качества и условий использования.

OpenMed разработала эту модель для обнаружения и классификации персональных данных в португальских текстах. Это BERT-модель для классификации токенов, дообученная на базе emilyalsentzer/Bio_Discharge_Summary_BERT; в метаданных указано 135,5 млн параметров, формат safetensors и контекст до 512 токенов. Она размечает 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, медицинские записи, контактные и финансовые данные. Модель предназначена для выявления PII в клинических заметках, медицинских документах и других текстовых коллекциях перед обезличиванием, подготовкой данных к исследованиям и проверками конфиденциальности. В README приведена оценка micro F1 0,8782 на португальском тестовом наборе, объединяющем AI4Privacy и синтетические данные; заявлены примеры с бразильскими форматами, включая CPF и телефоны с кодом +55. Модель лучше всего подходит для португальского текста. Возможны пропуски персональных данных, а качество может меняться в зависимости от терминологии и предметной области, поэтому результаты требуют проверки человеком, особенно в критичных сценариях. Лицензия — Apache-2.0.

QVQ-72B-Preview-3bit — мультимодальная модель для анализа изображений и генерации текстовых ответов, опубликованная сообществом mlx-community. Репозиторий содержит конверсию модели Qwen/QVQ-72B-Preview в формат MLX; метаданные связывают её с базовой Qwen/Qwen2-VL-72B и указывают 71,5 млрд параметров, архитектуру Qwen2-VL и контекст до 128 000 токенов. Модель предназначена для диалоговой работы с изображениями и ответов на вопросы об их содержимом. Карточка описывает конверсию для использования через mlx-vlm. Указана лицензия «other»; конкретные условия следует сверять с исходной карточкой модели и лицензией базовой модели.

Buseak/spellcorrector_20_02_050_qwerty_v7 — дообученная модель Buseak для исправления орфографических ошибок. Она основана на Buseak/spellcorrector_18_02_050_qwerty_v6 и использует архитектуру CANINE для классификации токенов; размер модели — 113,2 млн параметров, контекст — до 16 384 токенов. Основной сценарий — исправление текста с помощью разметки токенов. В README приведены результаты оценки: F1 0,9997 и точность 0,9999, однако сведения о наборе данных и процедуре оценки отсутствуют, поэтому эти метрики не позволяют судить о качестве на других текстах. Модель распространяется под лицензией Apache-2.0.

shibing624/chinese-text-correction-1.5b — модель китайской текстовой коррекции, разработанная shibing624. Она дообучена на базе Qwen/Qwen2.5-1.5B-Instruct на наборе данных shibing624/chinese_text_correction и предназначена для исправления орфографических и грамматических ошибок в китайском тексте, включая ошибки, связанные со звучанием или начертанием иероглифов, а также пропуски и лишние символы. Модель построена на архитектуре Qwen2 с плотной causal language model, содержит 1,5 млрд параметров и использует библиотеку Transformers; веса опубликованы в формате safetensors. Она принимает текст и генерирует исправленный текст, поддерживает китайский язык и имеет контекстное окно 32 768 токенов. В README приведён пример исправления китайского предложения и указаны обучение в течение восьми эпох и оценка на наборах для коррекции текста. Модель подходит для проверки и коррекции китайских пользовательских текстов, например сообщений и документов. README не приводит подробной оценки качества именно версии 1.5B, поэтому результаты на конкретных типах текста следует проверять отдельно. Лицензия — Apache-2.0.

DiffusionVL-Qwen2.5VL-7B — модель зрения и языка на основе Qwen2.5-VL, представленная исследователями Huazhong University of Science and Technology. Авторы применили к предварительно обученной авторегрессионной модели метод diffusion fine-tuning, преобразовав её в vision-language-модель с диффузионной генерацией. Модель содержит 7,1 млрд параметров, использует архитектуру DiffusionVL_Qwen2_5_VL_ForConditionalGeneration и поддерживает контекст до 128 000 токенов. Модель предназначена для диалоговых сценариев с изображениями и текстом, включая ответы на вопросы по изображениям и генерацию текста по визуальному контексту. DiffusionVL использует блочное декодирование, допускающее генерацию произвольной длины и повторное использование KV-кэша; авторы сообщают об ускорении инференса в 2 раза по сравнению с рассматриваемыми ими существующими diffusion vision-language-моделями. Репозиторий предоставляет веса safetensors для Transformers. Лицензия — Apache 2.0.

renjithks/distilbert-expense-ner — модель на базе DistilBERT, дообученная для классификации токенов в задаче извлечения именованных сущностей из данных о расходах. Она предназначена для разметки фрагментов текста, например выделения категорий расходов или других сущностей, присутствующих в обучающих метках. Контекст модели составляет до 512 токенов; формат весов — PyTorch. Модель разработал пользователь Hugging Face renjithks, дообучив renjithks/distilbert-cord-ner на датасете, который в карточке не описан. На указанном наборе оценки модель получила F1 0,4971, точность 0,5096 и полноту 0,4852; эти результаты указывают на ограничения качества извлечения и могут не переноситься на другие данные. Карточка не раскрывает состав меток и обучающего датасета. Лицензия — Apache-2.0.

Employee Micro-SLM — компактная авторская причинная языковая модель на 15,3 млн параметров, разработанная для чтения документов и суммирования сведений о сотрудниках. Она принимает произвольные данные в формате JSON, XML или обычного текста в контексте запроса и предназначена для извлечения фактов и подготовки кратких сводок на их основе. Модель построена с нуля как декодерный Transformer: 6 слоёв, скрытый размер 384, 6 голов внимания, блок SwiGLU и нормализация RMSNorm. Используются RoPE и байтовый BPE-токенизатор со словарём из 2 960 элементов и обработкой любых символов Unicode. Максимальная длина последовательности — 512 токенов; доступны веса PyTorch и заявлена поддержка инференса на CPU и GPU. В карточке заявлены ответы, строго основанные на переданном документе, однако эта гарантия не подтверждена независимыми данными. Небольшой контекст ограничивает размер обрабатываемых документов, а основное назначение модели — сценарии с данными о сотрудниках на английском языке. Лицензия — MIT.