I.4Обработка документов и форм

SsemuliJoseph/gemma-3-finetune — дообученная SsemuliJoseph мультимодальная модель семейства Gemma 3 на базе unsloth/gemma-3-4b-it-unsloth-bnb-4bit. Она принимает текст и изображения и формирует текстовые ответы; карточка классифицирует её как image-text-to-text и отмечает возможности чата и работы с изображениями. Модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель подходит для диалога по изображениям и ответов на вопросы о визуальном содержимом с текстовым вводом. Карточка не описывает конкретную специализацию дообучения или его результаты. Репозиторий распространяется по лицензии Apache-2.0.

mlx-community/gemma-4-e4b-it-4bit — это 4-битная конверсия модели google/gemma-4-E4B-it, подготовленная сообществом mlx-community для запуска на устройствах Apple silicon с использованием MLX и mlx-vlm. Модель предназначена для задач image-text-to-text, включая обработку изображений и генерацию текстовых ответов по визуальным запросам, например описание изображения. Ключевые характеристики включают мультимодальность с поддержкой изображений и текста, 4-битное представление весов и адаптацию к экосистеме Apple silicon. Точный размер модели, архитектура, поддерживаемые языки и длина контекста в предоставленных данных не указаны. 4-битная версия ориентирована на более эффективное локальное использование, однако возможным ограничением могут быть потери качества или совместимости по сравнению с исходной моделью; конкретные показатели не приведены. Модель распространяется по лицензии Gemma.

townboy/kpfbert-kdpii — корейская модель на базе BERT, дообученная автором townboy для обнаружения персональных данных в диалоговом тексте. Она размечает токены и извлекает такие сущности, как имена, псевдонимы, номера счетов и телефонов, адреса электронной почты, адреса и идентификаторы. Модель содержит 141,2 млн параметров, принимает текст с контекстом до 512 токенов и доступна в формате safetensors для библиотеки Transformers. Для обучения использован KDPII-подобный набор диалогов: 4 981 документ, 53 778 предложений и 33 метки. В описании обучения указан максимальный размер последовательности 128 токенов; классификационная голова была заново инициализирована для нового набора меток. Модель подходит для поиска чувствительных данных и подготовки текстов к обезличиванию, но её следует проверить на данных целевого продукта перед внедрением. Лицензия — MIT.

Bllossom/llama-3.1-Korean-Bllossom-Vision-8B — визуально-языковая чат-модель, разработанная MLPLab при Seoultech совместно с Teddysum и Yonsei University. Это дообученная версия Meta Llama 3.1 8B с архитектурой LLaVA-NeXT, предназначенная для диалога по изображениям и текстовым запросам. Модель принимает текст и изображения и генерирует текстовые ответы. В карточке указана поддержка корейского и английского языков. Вес модели — 8 млрд параметров; файлы доступны в формате SafeTensors для Transformers. Репозиторий использует лицензию Llama 3.1. В README указан более новый Bllossom-AICA-5B, поэтому эта версия является предварительным визуально-языковым выпуском.

Это мультимодальная instruct-модель семейства Llama 4 Maverick, подготовленная сообществом mlx-community в формате MLX с 4-битными весами. README сообщает, что модель преобразована из meta-llama/Llama-4-Maverick-17B-128E-Instruct с помощью mlx-vlm 0.1.21; в метаданных базовая модель указана как meta-llama/Llama-4-Maverick-17B-128E. Архитектура — Llama4ForConditionalGeneration; доступны диалоговый режим, интерфейс вызова инструментов и работа с изображениями. Модель предназначена для диалогов и задач понимания изображений: описания визуального содержимого и ответов на вопросы по изображениям. Она принимает текст и изображения и генерирует текст. Метаданные указывают поддержку арабского, немецкого, английского, испанского, французского, хинди, индонезийского, итальянского, португальского, тайского и вьетнамского языков. README не приводит длину контекста или число параметров этой версии. Лицензия в метаданных обозначена как other; условия следует сверять с карточкой исходной модели Meta.

LLaVA-OneVision-Qwen2-7B-OV-Chat — мультимодальная языковая модель для диалогов с изображениями и видео. Она разработана командой LLaVA и дообучена на основе Qwen2 на синтетических данных для следования мультимодальным инструкциям; визуальная часть архитектуры использует SO400M. Модель объединяет понимание одиночных и нескольких изображений, а также видео в одном чекпойнте. Модель принимает текстовые запросы вместе с изображениями или видеоматериалом и генерирует текстовые ответы. Её можно применять для описания изображений, ответов на вопросы о визуальном содержимом, сравнения нескольких изображений и анализа видео. Карточка указывает поддержку английского и китайского языков. Чекпойнт распространяется в формате safetensors и рассчитан на использование через Transformers; README также описывает запуск в bfloat16 и варианты инференса с 4-битной квантизацией. Лицензия — Apache-2.0. Качество ответов может зависеть от сложности визуальной сцены и формулировки запроса; мультимодальная генерация может содержать ошибки и неверные выводы о содержимом изображений или видео.

Llava-v1.5-7B-GGUF — мультимодальная модель семейства LLaVA v1.5, разработанная liuhaotian и преобразованная в формат GGUF компанией Second State Inc. Модель основана на liuhaotian/llava-v1.5-7b и предназначена для совместного анализа изображений и текста с последующей генерацией текстовых ответов. Она может использоваться в сценариях визуального вопросно-ответного взаимодействия и других задачах, где требуется учитывать содержимое изображения и текстовый запрос. Модель имеет размер 7B параметров, поддерживает визуальные и текстовые входы и рассчитана на контекст до 4096 токенов при запуске через LlamaEdge. Для обработки изображений используется отдельный мультимодальный проектор llava-v1.5-7b-mmproj-model-f16.gguf. Доступны варианты квантования GGUF от Q2_K до Q8_0 размером примерно от 2,53 до 7,16 ГБ; более сильное квантование уменьшает требования к памяти, но может заметно снижать качество. В README не указаны поддерживаемые языки. Преимущество модели — возможность локального мультимодального запуска и выбор между несколькими уровнями квантования; вариант Q4_K_M обозначен как сбалансированный, а Q5_K_M и Q5_K_S — как варианты с небольшими потерями качества. Ограничениями являются ограниченный контекст, зависимость визуального ввода от отдельного проектора и возможное ухудшение качества у компактных вариантов квантования. Указанная лицензия — Llama 2.

Lutece-Vision-Base — мультимодальная модель Sujet AI для анализа финансовых документов и ответов на вопросы по их изображениям. Это дообученная версия microsoft/Florence-2-base-ft на наборе Sujet-Finance-QA-Vision-100k, содержащем 100 629 пар вопросов и ответов для 9 212 изображений. Модель построена на архитектуре Florence-2; при дообучении параметры энкодера были заморожены. Модель принимает изображение документа и текстовый вопрос, а на выходе формирует ответ на английском языке. Она предназначена для извлечения и интерпретации сведений из финансовых документов, отчётов и изображений. Лицензия — MIT. Качество ответов может снижаться на сложных или неоднозначных документах и сценариях, не представленных в обучающих данных. Результаты следует проверять, особенно перед использованием в финансовых решениях; модель предоставляется без гарантий.

macbert4mdcspell_v1 — модель Macropodus для проверки и исправления орфографических ошибок в китайском тексте (Chinese Spelling Correction, CSC). Она дообучена на основе hfl/chinese-macbert-base и использует архитектуру MDCSpell с взаимодействием детектора и корректора; во время обучения также применялся MLM-loss MacBERT. Веса представлены в формате PyTorch, размер модели — 129,5 млн параметров, максимальный контекст — 512 токенов. Модель предназначена для проверки китайских текстов и автоматического исправления опечаток, в том числе в предложениях и более длинных фрагментах. В README приведены результаты оценки на нескольких наборах данных CSC; качество зависит от набора и метрики. По метаданным автор указал задачу text-generation, однако архитектура BERT также соответствует fill-mask. Лицензия — Apache-2.0.

OptimusePrime создал экспериментальный контрольный чекпойнт Magistral-Small-2506 с поддержкой изображений. Автор добавил к Magistral Small визуальный энкодер Mistral Small 3.1; дополнительного обучения не проводилось. Модель предназначена для диалогов и рассуждений по тексту и изображениям, включая мультимодальные вопросы и анализ визуального содержимого. Архитектура — плотная Mistral3 с условной генерацией; метаданные указывают базовые модели mistralai/Magistral-Small-2506 и mistralai/Mistral-Small-3.1-24B-Instruct-2503, формат safetensors и использование через vLLM. Поддерживаются английский, французский, немецкий, испанский, португальский, итальянский, японский, корейский, русский, китайский, арабский, персидский, индонезийский, польский, румынский, шведский, турецкий, украинский, вьетнамский, хинди и бенгальский. Репозиторий распространяется по лицензии Apache-2.0. Автор предупреждает о возможных ошибках конфигурации и снижении качества; реализация Mistral 3 в Transformers работает неудовлетворительно. Для создания модели в BF16 требуется около 150 ГБ оперативной памяти.

lusxvr/nanoVLM-230M-8k — мультимодальная модель семейства nanoVLM для обработки изображений и текста. Репозиторий использует библиотеку nanoVLM и формат весов safetensors; карточка помечает модель как vision-language и research. Лицензия — MIT. Модель предназначена для сценариев image-text-to-text: пользователь передаёт изображение и текстовый запрос, а модель формирует текстовый ответ. README показывает загрузку через библиотеку nanoVLM, но пример ссылается на репозиторий с суффиксом «-2», поэтому идентификатор загрузки в примере не совпадает с карточкой lusxvr/nanoVLM-230M-8k. В предоставленных данных нет сведений о размере параметров, длине контекста, поддерживаемых языках, качестве и конкретных ограничениях применения.

Felldude/Qwen3.5-4B-Uncensored — дообученная мультимодальная модель на базе Qwen/Qwen3.5-4B-Base, опубликованная Felldude. Модель построена на архитектуре Qwen3.5 для генерации текста по текстовым и визуальным входам; метаданные указывают на 4 млрд параметров у базовой модели, поддержку обработки изображений, чата и интерфейса вызова инструментов. В README автор сообщает о обучении в FP32 с Adam на данных для vision, chain of thought и reasoning и заявляет о снижении ограничений на ответы; конкретные показатели приведены только для собственных тестов автора. Модель подходит для диалогов с изображениями, описания изображений и визуальных вопросов, а также для генерации ответов в свободной форме. В карточке заявлена поддержка 201 языка и диалекта для семейства Qwen3.5, однако отдельное подтверждение этой характеристики именно для дообученной версии не приводится. Контекстное окно и независимые оценки качества этой версии в предоставленных материалах не описаны. Лицензия — Apache-2.0.

Raretutor/Qwen3-VL-32B-MiniMax-H3-GGUF — это сильно квантованная мультимодальная версия Qwen3-VL-32B-Instruct, разработанная на базе модели Qwen от Qwen. Репозиторий распространяет модель в формате GGUF с 2-битной квантизацией Q2 и архитектурой Qwen3 Vision-Language. Модель предназначена для локального выполнения задач image-text-to-text: анализа и подробного описания изображений в ответ на текстовые запросы. Она совместима с llama.cpp и llama-cpp-python, а также может использоваться в локальных Python-скриптах, интерфейсах Gradio и рабочих процессах ComfyUI. Для обработки изображений требуется совместимый мультимодальный проектор mmproj в формате GGUF, загружаемый вместе с основной моделью. Модель содержит 32 млрд параметров и благодаря 2-битной квантизации рассчитана на работу с очень ограниченным объёмом видеопамяти; в README заявлена возможность полной выгрузки на GPU с 12 ГБ VRAM, например на RTX 3060. Ключевое преимущество — существенно уменьшенный размер и пригодность для локального запуска, однако агрессивная квантизация может ограничивать качество по сравнению с исходной моделью. В README указан контекст 4096 токенов как пример настройки, а также лицензия Apache-2.0. Поддерживаемые языки отдельно не указаны.

liqing000/vietnamese-correction-t5 — модель T5-small, дообученная для исправления текста на вьетнамском языке. Она принимает текст и генерирует исправленный вариант; оценка карточки приводит результаты на тестовом наборе: Loss 1.0389, SacreBLEU 0.4360, WER 0.8762 и CER 0.8452. Модель содержит 38,5 млн параметров, использует архитектуру T5ForConditionalGeneration и контекст до 512 токенов. Выпущена по лицензии Apache-2.0. Описание обучающих данных и конкретных ограничений в карточке не приведено.

XORTRON-NXTXPRTXXL-i1-GGUF — квантизированная версия модели darkc0de/XORTRON-NXTXPRTXXL, подготовленная mradermacher в формате GGUF. По описанию, модель относится к семейству Mistral 3.5 и предназначена для мультимодальных сценариев vision и image-text-to-text, то есть может обрабатывать изображения вместе с текстовыми запросами и формировать текстовые ответы. Заявленный язык — английский. Доступны варианты квантизации от i1-IQ1_S до i1-Q6_K размером примерно от 27,3 до 102,7 ГБ. Это позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством; автор рекомендует i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S называет оптимальным по соотношению размера, скорости и качества. Для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория модели. В README не указаны точное число параметров, архитектурные детали, размер контекстного окна, результаты тестирования и системные требования. К ограничениям относятся возможное снижение качества у низкобитных вариантов, а также необходимость совместимого ПО для GGUF и дополнительных компонентов для мультимодального ввода. Лицензия обозначена как other, без уточнения конкретных условий использования.

BERTić-COMtext-SR-legal-NER-ekavica — ELECTRA-модель на базе classla/bcms-bertic, дообученная для распознавания именованных сущностей в юридических текстах на сербском языке, написанных экавским вариантом. Она присваивает токенам метки по схеме из 21 типа сущностей, закодированной в формате IOB2, и предназначена для извлечения юридически значимых сведений из токенизированных документов. Модель содержит 137,8 млн параметров, работает через библиотеку Transformers и принимает контекст до 512 токенов. В README приведены результаты 10-кратной кросс-валидации на корпусе COMtext.SR.legal.ekavica: точность составила 0,9849, а macro F1 без класса O — 0,8355 при оценке, игнорирующей префиксы B- и I-. Для строгой оценки macro F1 без класса O равен 0,8335. Модель распространяется по лицензии Apache-2.0. Ее специализация ограничена сербскими юридическими текстами в экавском варианте; результаты на других языках, доменах и схемах разметки не заявлены.

PassbyGrocer/bert-ner-msra — модель на базе китайской google-bert/bert-base-chinese, дообученная для распознавания именованных сущностей на уровне токенов. Она предназначена для разметки сущностей в китайском тексте; карточка сообщает о метриках на оценочном наборе: F1 0,9494, точность 0,9481 и полнота 0,9507. Модель использует архитектуру BERT с 129,5 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки токенов. Файлы модели опубликованы в формате safetensors. В README набор данных назван неизвестным, а подробности о типах сущностей, обучающих данных и ограничениях отсутствуют. Модель создана на основе китайского BERT, поэтому её основным языком является китайский. Лицензия в предоставленных данных не указана.

AmixDigital/BigBang-v1-mtp-oQ2.7e — самостоятельная MLX-квантизация модели endless-frontier/BigBang-v1, опубликованная сообществом AmixDigital. Это мультимодальная модель для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Артефакт ориентирован на локальный запуск на устройствах Apple Silicon под macOS. Модель использует архитектуру MoE и механизм multi-token prediction (MTP); точные число параметров, поддерживаемые языки и размер контекста в предоставленных данных не указаны. Представлен один уровень квантизации oQ2.7e. Репозиторий содержит четыре MLX Safetensors-фрагмента, а его полный размер составляет 14,259 GiB. В комплект также входят необходимые файлы модели, токенизатор, prompt и ресурсы мультимодальной предобработки. Сильной стороной является готовый цельный квантизированный артефакт для локального вывода на Apple Silicon. Ограничения включают зависимость от MLX и совместимого оборудования, а также отсутствие в доступных данных сведений о производительности, точности, языках и максимальном контексте. Указана лицензия OpenMDW-1.1.

mlx-community/gemma-3n-E4B-it-bf16 — версия Gemma 3n E4B от mlx-community, преобразованная из google/gemma-3n-E4B-it в формат MLX с помощью mlx-vlm 0.3.1. Это мультимодальная диалоговая модель семейства Gemma 3n с архитектурой Gemma3nForConditionalGeneration; каталог относит её к задаче image-text-to-text и указывает поддержку чата и анализа изображений. Модель подходит для диалогов и ответов на вопросы по изображениям в среде MLX. Карточка рекомендует использовать mlx-vlm. Репозиторий содержит веса safetensors; в метаданных лицензия указана как Gemma. Подробности о возможностях исходной модели отсылаются к её карточке, поэтому поддержка аудио и видео для этой конкретной версии здесь не подтверждена.

ailexleon/gemma-4-26B-A4B-it-qat-uncensored-heretic-mlx-vlm-4Bit — мультимодальная vision-language модель в формате MLX, преобразованная из llmfan46/gemma-4-26B-A4B-it-qat-q4_0-unquantized-uncensored-heretic с использованием mlx-vlm 0.6.3. Модель предназначена для задач, где требуется обработка текста и изображений, включая описание изображений и ответы на запросы по визуальному содержимому. В карточке указано, что основной язык — английский, а pipeline относится к image-text-to-text. Модель имеет заявленный размер 26B с обозначением A4B и 4-битным представлением; точная архитектура, размер контекста и перечень поддерживаемых языков не указаны. Формат MLX ориентирован на запуск через экосистему MLX, а наличие vision-возможностей отличает эту версию от варианта mlx-lm без поддержки изображений. Теги uncensored, decensored и abliterated отражают заявленные свойства производного варианта, но подробные сведения о методике их получения и качестве отсутствуют. Модель подходит для локального мультимодального инференса на совместимом оборудовании и может использоваться через пакет mlx-vlm. Ограничениями являются отсутствие данных о результатах тестирования, точности, безопасности, полном наборе языков и максимальном контексте, поэтому её возможности следует проверять на конкретных задачах. Лицензия указана как Apache 2.0; дополнительно приведена ссылка на лицензионные условия Gemma.

GLM-5.3-Flash-REAP50-MLX-mixed-4_8bit — модифицированная сборка GLM-5.3-Flash от zai-org, подготовленная PipeNetwork для MLX на Apple Silicon. Это мультимодальная модель с поддержкой текста и изображений; vision tower сохранён в формате bfloat16. Базовая архитектура имеет 320 млрд параметров и 18 млрд активных параметров, сочетает 34 слоя линейного внимания Kimi-Delta и 11 слоёв разреженного внимания DeepSeek с NoPE MLA и lightning indexer, а также использует mixture-of-experts и manifold-constrained hyper-connections. Данные о поддерживаемых языках и размере контекстного окна в README не указаны. Сборка применяет REAP50 pruning: в каждом MoE-слое сохранены 144 из 288 маршрутизируемых экспертов, то есть удалено 50% экспертов; остальные компоненты не подвергались этому сокращению. Маршрутизируемые эксперты квантизованы до 4 бит, остальные основные компоненты — до 8 бит, отдельные параметры оставлены в float32, а vision tower — в bfloat16. Модель предназначена для генерации текста и обработки изображений на устройствах Apple Silicon при существенно меньшем размере по сравнению с исходной версией. В README указан размер 96,3 ГБ, однако в таблице качества для той же сборки приведено значение 181,9 ГБ, поэтому фактический размер следует уточнять. Главное преимущество — значительное сокращение объёма за счёт pruning и смешанного квантования; заявленная perplexity на wikitext-2 составляет 6,0757, что заметно хуже 8-битной опорной сборки с perplexity 3,4607. Поэтому модель экономичнее по памяти, но имеет существенную потерю качества и может быть менее надёжной для сложных задач. Для корректной работы требуется исправленный runtime glm53-flash-mlx: стандартная ветка mlx-vlm содержит выявленные численные расхождения, а многотокеновый слой предсказания layer 45 в сборку не включён. Лицензия — MIT.

Holo4-35B-A3B — мультимодальная модель типа vision-language для управления компьютером, разработанная H Company на базе Qwen3.6-35B-A3B. В связке с оболочкой hai-agents она принимает снимки экрана и результаты инструментов, а затем формирует запросы на щелчки, ввод текста, запуск кода и вызовы инструментов для выполнения задач в приложениях и веб-сервисах. Модель относится к семейству Qwen3.5 MoE и представлена в формате safetensors; в README также названы варианты BF16, FP8, NVFP4 и Q4 GGUF для семейства Holo4-35B-A3B. Метаданные указывают поддержку диалогов, интерфейса вызова инструментов и изображений. README приводит результаты на бенчмарках OSWorld 2.0 и AutomationBench, а также отмечает улучшение относительно базовой модели Qwen. Модель подходит для автоматизации пользовательских сценариев на рабочем столе и в браузере, где агенту нужно анализировать экран и взаимодействовать с приложениями. Лицензия — Apache-2.0. Результаты и качество отдельных сценариев зависят от среды исполнения и доступных агенту инструментов; карточка не приводит длину контекста или перечень поддерживаемых естественных языков.

SC117/Huihui-Nex-N2-mini-abliterated-APEX-GGUF — квантованная GGUF-версия модели Huihui-Nex-N2-mini-abliterated от huihui-ai, подготовленная с использованием APEX — смешанного квантования с учётом структуры MoE. Модель основана на Huihui-Nex-N2-mini и предназначена для диалоговой работы с текстом и изображениями, включая агентные сценарии и режим рассуждений. В метаданных указана задача image-text-to-text и возможность vision; размер модели и число параметров не приведены. Варианты APEX используют разные уровни точности; авторы заявляют, что метод распределяет её с учётом ролей тензоров и слоёв. Для режима рассуждений требуется специальная сборка llama.cpp от Nex: стандартный парсер шаблона чата может некорректно обрабатывать теги thinking. Карточка предупреждает, что фильтрация безопасности существенно ослаблена и модель может выдавать чувствительный или неподходящий контент. Лицензия — Apache-2.0; README не рекомендует публичное и производственное применение.

ailexleon/Huihui-Qwen3.8-27B-abliterated-mlx-4Bit — это конвертированная в формат MLX 4-bit версия модели huihui-ai/Huihui-Qwen3.8-27B-abliterated. Конвертация выполнена с использованием mlx-vlm 0.6.13. Модель предназначена для запуска и генерации ответов в экосистеме MLX, включая сценарии, где требуется анализ изображений и создание текстовых ответов по ним. Согласно карточке, модель относится к мультимодальным моделям image-text-to-text, поддерживает английский язык и имеет размер 27B параметров в базовой модели Qwen3.8. В README также указано значение reasoning_effort по умолчанию — medium. Квантование до 4 бит снижает требования к памяти и может упростить локальный запуск, однако подробные показатели качества, длина контекста, поддерживаемые аппаратные конфигурации и ограничения производительности не приведены. Модель позиционируется как uncensored, decensored и abliterated, но README не содержит подробного описания применённых изменений, их влияния на безопасность или качества ответов. Использование распространяется по лицензии Apache-2.0.

Kev-9B — специализированная модель принятия решений, разработанная для проекта TypeSafe и опубликованная Jared Palmer под идентификатором jaredpalmer/kev-9b. Она получает один документ или состояние и набор типизированных вопросов, а возвращает распределение вероятностей по вариантам ответа за один проход. Модель предназначена для задач классификации, выбора, оценки уверенности и автоматизации решений, а не для генерации текста. Это LoRA-адаптер с рангом r=16 и 45,4 млн обучаемых параметров, установленный поверх Qwen/Qwen3.5-9B-Base, дополненный pointer head. В карточке указана модальность текста и язык en; обучение и оценивание проводились на наборах для классификации намерений, логического вывода, тональности, отзывов, вопросов с выбором ответа и других типах решений. Для модели заявлены accuracy, Brier score и expected calibration error. На закрытом внераспределительном тесте она достигла accuracy 0,852 и Brier score 0,237, а на разработочном наборе того же типа — accuracy 0,822. Сильные стороны модели — вероятностные ответы, встроенная калибровка уверенности, поддержка нескольких типов решений и хорошая переносимость на незнакомые источники данных. Ограничение состоит в том, что это узкоспециализированная модель без текстовой генерации; качество зависит от типа задачи и может заметно различаться между доменами. Для арифметики по датам рекомендуется предварительная обработка date_facts, поскольку без неё модель ненадёжно вычисляет разницу между датами. Модель распространяется по лицензии Apache-2.0.

Extract-0.6B — компактная мультимодальная модель восприятия из двухэтапной системы Extract+Think, описанной в работе «Downscaling Intelligence: Exploring Perception and Reasoning Bottlenecks in Small Multimodal Models». Она построена на архитектуре LlavaQwen3ForCausalLM и объединяет Qwen3-0.6B с визуальным энкодером SigLIP SO400M. Размер модели — около 508 млн параметров, контекст — до 40 960 токенов. Модель предназначена для извлечения из изображения деталей, важных для инструкции, и передачи полученных сведений отдельной модели этапа рассуждения. Вариант обучен с нуля в рамках визуальной настройки на извлечение, без предварительной визуальной настройки по инструкциям или обучения описанию изображений. В README упоминается оценка через lmms-eval. Лицензия в предоставленных данных не указана.

Nawah-RuleCheck-v2 — небольшая арабоязычная модель oddadmix для проверки, соответствует ли текст заданному правилу на естественном арабском языке. Она принимает текст и формулировку правила и относит пару к одному из двух классов: «مطابق» (соответствует) или «مخالف» (не соответствует). Модель построена на архитектуре Llama и использует классификационную голову; содержит 51,8 млн параметров, а длина контекста составляет 2048 токенов. Модель предназначена для проверки правил, которые можно определить по самому тексту, например наличия даты, числа или URL, а также для фильтрации коротких арабских объявлений, обращений в поддержку, вакансий и других деловых текстов. В оценке она лучше обобщала правила, сформулированные в знакомом обучающем стиле, чем новые разговорные формулировки; подсчёт слов оказался слабым типом правил. Обучение охватывает 19 правил и короткие тексты из нескольких арабских регионов, поэтому результаты не следует переносить на длинные документы, правила, требующие знаний о мире, суждений или многошаговых выводов. Модель дообучена на oddadmix/50M-2048-Emhotob на наборе oddadmix/arabic-rule-checking. Лицензия — Apache-2.0.

OpenMed Arabic Clinical PII — XLM-RoBERTa-base (LoRA) — это модель команды OpenMed для выявления и разметки персональных данных в арабских клинических записях. Она распознаёт шесть типов сущностей: пациента, врача, больницу, дату, телефон и идентификатор. Модель построена на XLM-RoBERTa-base с LoRA-адаптером и классификационной головой; в репозитории указаны 305,2 млн параметров и контекст до 514 токенов. Модель принимает арабский текст и выдаёт разметку токенов. Модель предназначена для удаления идентифицирующих данных из клинических заметок, выписок, консультаций, лабораторных и радиологических отчётов перед исследованием, аналитикой или передачей текста во внешние LLM-сервисы. В README сообщается о высоких результатах на синтетической тестовой выборке и проверке на шести написанных вручную примерах, но авторы подчёркивают, что нужна оценка на размеченных реальных клинических данных. Обучение версии 1 использовало только синтетические данные с ограниченным числом шаблонов, поэтому модель не должна служить единственным средством соблюдения требований к защите данных. Лицензия — Apache-2.0.

OpenMed-PII-French-ClinicalBGE-Large-335M-v1 — модель OpenMed на архитектуре BERT, дообученная на базе BAAI/bge-large-en-v1.5 для токенной классификации и выявления персональных данных во французском тексте. Она размечает 54 типа чувствительных сущностей, в том числе имена, адреса, контактные данные, финансовые идентификаторы и медицинские номера; заявленный размер в метаданных — 433,9 млн параметров, длина контекста — 512 токенов. Модель предназначена для поиска персональных данных в клинических записях и документах, автоматизированного обезличивания, подготовки исследовательских наборов данных и аудита документов в процессах защиты приватности. В карточке приведена оценка micro-F1 0,9668 на французской части набора AI4Privacy; модель может помочь выявить широкий спектр сущностей в конвейере обработки текста. Результаты требуют проверки человеком: часть чувствительных данных может быть пропущена, а качество зависит от терминологии и контекста. Модель оптимизирована для французского и может работать хуже на других языках. Лицензия — Apache-2.0.

Ornith-1.5-35B-A3B fixed-MTP for NInfer — это конвертированная модель семейства Ornith, опубликованная pyros-vault на основе shisa-ai/Ornith-1.5-35B-A3B-MTP. Артефакт представлен одним файлом формата .ninfer и предназначен для запуска в специализированном runtime NInfer-4090 на видеокартах NVIDIA RTX 4090 с архитектурой sm_89. Модель сохраняет мультимодальные компоненты исходной Ornith, включая текстовый трансформер, Vision tower, токенизатор и процессор; в карточке указана задача image-text-to-text. Поддерживаемые языки явно не перечислены, а размер контекста не указан. В состав входят целевая модель, исправленная MTP-голова от Shisa AI, оптимизированная proposal head NInfer и встроенные draft-веса Qwen3.6 DFlash от Z-Lab. Основная модель имеет конфигурацию 35B-A3B, использует MoE-архитектуру и смешанную квантизацию с форматами Q4G64, Q5G64, Q6G64 и W8G32; размер файла составляет около 21,22 GiB. MTP и DFlash предназначены для speculative decoding. В ограниченном тесте MTP4 было принято 66,94% предложенных токенов без fallback-шагов, однако эффективность зависит от запроса. Сильными сторонами являются сочетание мультимодальности, исправленной MTP-компоненты, speculative decoding и адаптация под 24 ГБ VRAM. Ограничения включают узкую совместимость: файл не предназначен для Transformers, llama.cpp или сторонних форков NInfer; требуется соответствующий runtime NInfer-4090 и совместимое оборудование. Потребление памяти зависит от режима и без учёта дополнительных расходов runtime составляет примерно 19,80–21,04 GiB. Лицензия — Apache-2.0.