I.4Обработка документов и форм

litert-community/FastVLM-0.5B — это версия мультимодальной vision-language модели Apple FastVLM-0.5B, конвертированная сообществом в формат LiteRT/TensorFlow Lite для запуска непосредственно на устройствах. Модель предназначена для работы с изображениями и текстом, в частности для описания изображений и других сценариев, где требуется обработка визуального содержимого и генерация текста на edge-устройствах, включая Android и настольные приложения. Модель имеет размер 0,5 млрд параметров, поддерживает текстово-изображённые входы и максимальную длину контекста 1280 токенов. Она может работать на CPU, GPU и совместимых Qualcomm NPU; опубликованный вариант использует динамическую INT8-квантизацию. По данным README, на Xiaomi 17 Pro Max время до первого токена составляет 0,55 секунды при использовании GPU и 0,12 секунды при использовании NPU, а скорость декодирования — 64 и 106 токенов в секунду соответственно. Языки обучения или поддержки в карточке не указаны. К сильным сторонам относятся низкая задержка, возможность локального запуска и оптимизация для мобильных и периферийных устройств. Ограничения связаны с небольшим размером модели, зависимостью производительности от конкретного аппаратного ускорителя и отсутствием в карточке подробных сведений о качестве, поддерживаемых языках и полном спектре задач. Вариант LiteRT был конвертирован и квантизован из весов PyTorch без дополнительного обучения или кастомизации. Модель распространяется по Apple Machine Learning Research Model License Agreement (apple-amlr); условия лицензии необходимо учитывать при использовании.

HoVLE — монолитная vision-language модель от OpenGVLab на 2,6 млрд параметров, построенная на базе InternLM2-Chat-1.8B. Она принимает изображения и текст, а затем формирует текстовые ответы; модель предназначена для диалога по изображениям и других задач понимания визуального содержимого. Архитектура объединяет модуль целостных эмбеддингов на слоях causal Transformer и языковую модель. Модуль проецирует изображения и текст в общее пространство представлений, после чего LLM обрабатывает их авторегрессионно. Обучение включало дистилляцию визуальных признаков и выравнивание модальностей. Репозиторий содержит веса safetensors, для запуска предлагается Transformers. Лицензия — MIT. Модель рассчитана на мультиязычное применение. В README упомянута отдельная версия HoVLE (HD) для изображений высокого разрешения. Авторы предупреждают, что ответы могут содержать предвзятость, дискриминационные или иные вредоносные формулировки; результаты генерации требуют проверки.

LLaVA-OneVision Qwen2 7B — открытая мультимодальная языковая модель, созданная командой LLaVA и размещённая в формате Hugging Face библиотекой Transformers. Она дообучена на базе Qwen2 с использованием синтетических мультимодальных инструкций; архитектура сочетает визуальный энкодер SO400M и Qwen2. Модель предназначена для диалогов о содержимом изображений и видео, включая сценарии с несколькими изображениями в запросе. Модель решает задачи визуальных вопросов и ответов, описания изображений, анализа нескольких изображений и понимания видеосцен. Поддерживает английский и китайский языки. Для запуска используются шаблон чата и Transformers версии 4.45.0 или новее; доступны веса safetensors, а README также описывает загрузку с 4-битной квантизацией bitsandbytes и ускорение Flash-Attention 2. Модель весит 7 млрд параметров согласно названию варианта. Лицензия — Apache-2.0. Для обработки изображений и видео требуется подходящая мультимодальная инфраструктура; ответы могут содержать ошибки распознавания или интерпретации визуального содержимого.

Xenova/moondream2 — мультимодальная модель для генерации текста по изображениям, представленная в формате ONNX для совместимости с библиотекой Transformers.js. Репозиторий подготовлен Xenova на основе модели vikhyatk/moondream2; исходная модель связана с vikhyatk/moondream2. Она предназначена для запуска задач анализа изображений в JavaScript-приложениях, включая описание содержимого изображения и ответы на вопросы о нём. Модель принимает изображение и текстовый запрос, после чего генерирует текстовый ответ. В README указана архитектура Moondream с vision encoder и decoder_model_merged, а также поддержка вариантов точности fp16, fp32, q8, q4 и q4f16 для отдельных компонентов. Предусмотрен запуск на устройстве WebGPU, что делает модель подходящей для веб-приложений и локальной обработки в браузере. Поддерживаемые языки, размер модели, максимальная длина контекста и другие количественные характеристики в предоставленных данных не указаны. К сильным сторонам относятся мультимодальный сценарий использования, возможность работы с ONNX-весами через Transformers.js и оптимизации для разных требований к качеству и производительности. Ограничения включают отсутствие в README подробных сведений о качестве, производительности, языковой поддержке, контексте и требованиях к ресурсам. Модель распространяется по лицензии Apache-2.0.

Это 4-битная версия Moondream 3 (Preview), опубликованная alecccdd и предназначенная для работы с изображениями через вопросы и текстовые ответы. Модель принимает изображение и текстовый запрос, а выдаёт ответ на естественном языке; карточка базовой Moondream 3 также описывает создание описаний изображений и обнаружение объектов. Квантование INT4 сокращает заявленный размер модели примерно с 18 до 6 ГБ. README указывает, что первая компиляция может занимать 1–3 минуты, а кэширование компиляции ускоряет повторные запуски. Репозиторий использует Transformers; лицензия обозначена как other, без уточнения условий в предоставленных данных.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для извлечения упоминаний заболеваний из англоязычных клинических текстов. Это дообученная DT4H/CardioBERTa.en модель RoBERTa для классификации токенов с 151,8 млн параметров и контекстом 514 токенов; она присваивает токенам BIO-метки O, B-DISEASE и I-DISEASE. Модель предназначена для распознавания заболеваний в клинических записях и документах электронных медицинских карт. На тестовых документах MultiClinNER для английского языка она получила строгий F1 0,6544 и символьный F1 0,7661. Для результатов, сопоставимых с оценкой авторов, при запуске следует воспроизводить предварительную токенизацию обучающих данных; для длинных документов авторы рекомендуют stride=128. В README отмечено, что смещения модели не оценивались, а результаты не следует рассматривать как клиническое заключение. Модель распространяется по лицензии CC BY 4.0.

NekoQwen-9B-i1-GGUF — это набор GGUF-квантизаций базовой модели Sfever/NekoQwen-9B, подготовленный пользователем mradermacher. Модель относится к семейству Qwen и предназначена для мультимодальных сценариев vision-language, в которых требуется обработка изображений и текста с генерацией текста. В метаданных указан английский язык, однако сведения о полном языковом охвате отсутствуют. Модель содержит около 9 млрд параметров и поставляется в различных вариантах квантизации, включая IQ1, IQ2, IQ3, IQ4, Q4, Q5 и Q6, с размером файлов примерно от 2,8 до 7,5 ГБ. Для работы с изображениями могут потребоваться дополнительные файлы mmproj, доступные в статическом репозитории. В README не указаны архитектурные детали, размер контекста, результаты тестирования или конкретные прикладные сценарии. Квантизации различаются по компромиссу между размером, скоростью и качеством: Q4_K_M обозначена как быстрая и рекомендуемая, а низкобитные варианты могут заметно уступать по качеству. Модель удобна для локального запуска в совместимом ПО, поддерживающем формат GGUF и мультимодальные модели. Лицензия в представленном README не указана, поэтому условия использования необходимо уточнять в репозитории базовой модели и в материалах автора квантизации.

Qwen3.5-0.8B-SFT-name-parser-yaml — дообученная Yale University LUX Platform Team модель на базе Qwen 3.5, предназначенная для извлечения структурированных сведений из неформатированных исторических имён людей. Это компактная причинная языковая модель семейства Qwen3.5 с 581,4 млн параметров, работающая через Transformers и принимающая текст; результат выдаёт в строгом формате YAML. Модель выделяет имя, фамилию, вторые имена, даты жизни или деятельности, титулы и дополнительные сведения. Она рассчитана на пакетную обработку записей для галерей, библиотек, архивов и музеев. В README заявлена точность 94–96% на целевой задаче и возможность эффективного запуска на локальном оборудовании. Хотя модель ориентирована на английский язык, обучение учитывало традиции именования на французском, немецком, итальянском, арабском и китайском языках. Лицензия — Apache 2.0, унаследованная от базовой модели. Результаты могут быть неточными на именах и форматах, отличающихся от целевых; заявленная точность относится к описанному сценарию и не гарантирует качество на любых коллекциях.

Intel/Qwen3.8-27B-q4km-AutoRound — мультимодальная модель для задач image-text-to-text, созданная на базе Qwen/Qwen3.8-27B. Квантованная версия подготовлена с помощью алгоритма AutoRound от Intel и распространяется в формате GGUF Q4_K_M. Модель предназначена для обработки изображений и текстовых запросов, в частности для описания визуального содержимого и ответов на вопросы по изображениям. Для запуска рекомендуется использовать llama.cpp с основным файлом модели и дополнительным файлом mmproj-model.gguf для мультимодального проектора. В README указано 27B в названии базовой модели, однако точные сведения об архитектуре, размере контекста, поддерживаемых языках и полном наборе модальностей не приведены. Квантование в формате Q4_K_M снижает требования к ресурсам по сравнению с полноразмерной моделью, но может приводить к потере качества относительно исходной версии. Модель способна генерировать подробные описания изображений, однако её ответы могут быть фактически ошибочными, предвзятыми, оскорбительными или содержать нежелательный контент. Перед использованием в прикладных системах необходимы тестирование безопасности и проверка качества. Лицензия в README отдельно не указана: необходимо соблюдать лицензию исходной модели Qwen/Qwen3.8-27B; условия коммерческого применения следует проверять по её официальным материалам.

Reza2kn/surya-ocr-2-persian-handwriting-369k — полно-параметрическая донастройка Surya OCR 2, разработанная Reza2kn на 369 тысячах страниц персидского рукописного текста. Это мультимодальная модель семейства Qwen3.5, принимающая изображение документа и выдающая его текстовую транскрипцию в порядке чтения. В README описаны обучение в течение одной эпохи и диагностические проверки на персидских рукописях и печатном тексте. На 69 страницах из обучающего набора модель снизила WER с 149,28% у исходной Surya OCR 2 до 2,89%, однако это измерение на данных обучения, а не оценка обобщения. Проверка на отдельной выборке печатного персидского текста показала существенное ухудшение: WER вырос до 168,39%. На наборе рукописных слов точное распознавание улучшилось, но выросло число многословных галлюцинаций, а суммарные WER и CER ухудшились. Модель распространяется по лицензии OpenRAIL; перед использованием стоит проверить её на целевых документах.

UI-TARS-2B-SFT-GGUF — это набор квантизированных GGUF-версий мультимодальной модели UI-TARS-2B-SFT, разработанной ByteDance Research и подготовленной квантизацией пользователем bartowski. Модель ориентирована на обработку изображений и текста, в частности на задачи, связанные с графическими интерфейсами. В README указана поддержка английского языка и pipeline image-text-to-text. Модель имеет размер 2B параметров; доступны варианты от F32 и F16 до различных квантизаций Q8, Q6, Q5, Q4, Q3 и Q2, объёмом примерно от 0,70 до 7,11 ГБ. Квантизация выполнена с использованием llama.cpp и метода imatrix. Более качественные варианты Q6_K_L, Q6_K, Q5 и Q4 рекомендуются для большинства сценариев, а варианты с низким битрейтом подходят для устройств с ограниченным объёмом оперативной памяти, но снижают качество. Для запуска предлагается LM Studio, а формат запросов использует специальные маркеры system, user и assistant. Модель подходит для локального мультимодального вывода и анализа визуального содержимого интерфейсов, однако README не содержит подробностей об архитектуре, размере контекстного окна, точном наборе поддерживаемых GUI-сценариев, результатах тестирования или ограничениях исходной модели. Распространение указано под лицензией Apache-2.0.

ersindemirel94/gemma_4_e4b — дообученная мультимодальная модель семейства Gemma 4, разработанная ersindemirel94 на базе unsloth/gemma-4-e4b-it-unsloth-bnb-4bit. Это плотная модель с архитектурой Gemma4ForConditionalGeneration, предназначенная для диалога и генерации текстовых ответов по текстовым и визуальным входным данным. Модель подходит для чата и сценариев, где нужно задавать вопросы об изображениях или получать текстовое описание визуального содержимого. В карточке указаны формат safetensors и обучение с использованием Unsloth и библиотеки TRL. Поддержка языков обозначена для английского. Лицензия — Apache-2.0. README не приводит результаты оценки качества или подробности обучения, поэтому возможности и качество модели за пределами заявленных чата и работы с изображениями не установлены.

mlx-community/gemma-4-E4B-it-qat-4bit — инструкционно настроенная модель семейства Gemma, опубликованная сообществом mlx-community в формате MLX. Она предназначена для сценариев image-text-to-text, включая обработку изображений и генерацию текстовых ответов по визуальным запросам, например для описания содержимого изображения. Модель представлена в 4-битном формате QAT, что ориентировано на запуск с меньшими требованиями к памяти в совместимой экосистеме MLX; для использования рекомендуется библиотека mlx-vlm. В README указано, что заявленный язык — английский. Сведения об архитектуре, точном размере, длине контекста, поддерживаемых модальностях помимо изображений и текста, результатах оценки, ограничениях и лицензии не приведены, поэтому эти характеристики нельзя достоверно определить по имеющимся данным.

Это квантизированная GGUF-версия Huihui-Qwen3.6-35B-A3B-abliterated — мультимодальной MoE-модели семейства Qwen, созданной Huihui AI на основе Qwen3.6-35B-A3B. Она предназначена для диалогов и анализа изображений; заявлена архитектура Qwen3.6 с экспертами, а также совместимость с llama.cpp. Квантизация MXFP4 уменьшает размер весов с 64,6 до 20,6 ГБ, сохраняя в BF16 отдельные чувствительные компоненты. Репозиторий также содержит варианты GGUF в BF16, F16 и F32. Модель может применяться для визуальных вопросов и ответов и мультимодального общения. В README отмечено, что у неё значительно снижена фильтрация безопасности, поэтому ответы могут включать нежелательный или небезопасный контент. Лицензия — Apache-2.0.

praysimanjuntak/llava-phi3-3.8b-lora — мультимодальная версия LLaVA на базе microsoft/Phi-3-mini-128k-instruct, дообученная на наборе liuhaotian/LLaVA-Instruct-150K. По данным метаданных, модель содержит 3,7 млрд параметров и имеет контекст длиной 4096 токенов; архитектура указана как BunnyPhi3ForCausalLM, файлы представлены в формате safetensors. Модель предназначена для диалогов и генерации текста по запросам, связанным с изображениями, например для ответов на вопросы о содержимом изображения. README описывает её как версию LLaVA, однако в метаданных pipeline_tag указан text-generation, поэтому задачи обработки изображений не отражены в тегах каталога. Модель основана на Phi-3 Mini Instruct и обучена на инструкционном наборе LLaVA; лицензия в предоставленных данных не указана.

rntc/mc-bio-gliner-lymphome-joint — франкоязычный биомедицинский экстрактор структурированных данных на архитектуре GLiNER2. Модель разработана для извлечения значений по 89 полям электронной формы клинического случая (eCRF), посвящённой лимфоме; используется совместная супервизия. Основа — sentence-embedding-модель MedEmbed-v9, размер — около 150 млн параметров. Модель дообучена на синтетическом наборе данных, имитирующем продольную клиническую форму, и предназначена для структурированного извлечения из медицинских текстов. На синтетическом тестовом разбиении из 410 документов значение value-F1 составило 0,657; это лучший вариант без генератора в описанном сравнении. Данные не являются реальными медицинскими записями, поэтому результат не подтверждает качество на реальных больничных документах. Лицензия — MIT.

Nawah-RuleCheck-500K — компактный арабоязычный классификатор правил от oddadmix. Модель принимает короткий текст и сформулированное на обычном арабском языке правило, после чего относит пару к одному из двух классов: «مطابق» (соответствует) или «مخالف» (не соответствует). Это модель классификации последовательностей на архитектуре LlamaForSequenceClassification с 518,1 тыс. параметров, двумя слоями трансформера и контекстом до 2048 токенов; веса опубликованы в формате safetensors. Модель дообучена на oddadmix/Emhotob-500K-v2 на 159 240 парах «текст — правило». Она рассчитана на проверку заданного набора простых правил, которые можно определить по самому тексту, например наличия цены, даты или телефона. По README, точность заметно снижается, когда правила сформулированы непривычно; для самостоятельно написанных формулировок этот вариант уступает даже базовой частотной линии. Правила, требующие знаний о мире, оценочных суждений или многошагового вывода, не проверялись. Обучение охватывало короткие арабские деловые тексты, поэтому длинные тексты и другие жанры не подтверждены. Модель предназначена для оценки одной пары «текст — правило» за раз, а не для генерации ответов. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-et-ru — модель машинного перевода из проекта OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с эстонского языка на русский и предназначена для прямого перевода отдельных фраз и текстов. Модель основана на архитектуре Transformer-align и реализована как MarianMT; использует нормализацию и SentencePiece с двумя словарями по 32 тысячи единиц. Размер — 57,4 млн параметров, длина контекста — 512 токенов. В карточке приведён результат BLEU 50,2 и chr-F 0,702 на тесте Tatoeba для направления эстонский—русский. Модель распространяется по лицензии Apache-2.0. Она специализирована на одной языковой паре и направлении перевода; качество может снижаться на длинных текстах, редкой лексике и темах, отличающихся от тестовых данных.

Ovis1.5-Llama3-8B — мультимодальная большая языковая модель семейства Ovis, разработанная командой AIDC-AI. Она сочетает визуальный энкодер SigLIP на 400 млн параметров с Llama 3 8B Instruct и предназначена для диалоговых задач, в которых нужно анализировать изображения и отвечать на вопросы по их содержимому. Модель принимает изображения и текст, а выдаёт текстовые ответы. В README модель оценена на мультимодальных бенчмарках; для MMTBench-VAL приведён результат 60,7. Авторы сообщают об открытой публикации весов, обучающих данных и кода, что позволяет воспроизводить обучение и запуск. В метаданных указаны PyTorch и библиотека Transformers. Авторы рекомендуют использовать более новую версию Ovis2. Лицензия — Apache-2.0.

PAPO-D — официальная модель PAPO Galaxy для исследования Perception-Aware Policy Optimization в мультимодальных рассуждениях. Это плотная модель семейства Qwen2.5-VL с 3,1 млрд параметров, предназначенная для диалоговой работы с изображениями и текстом. Она использует обучение с подкреплением по проверяемым вознаграждениям и внутренние сигналы, чтобы совместно улучшать визуальное восприятие и многошаговое рассуждение; в работе сообщается о снижении ошибок восприятия и улучшении результатов на мультимодальных тестах. Модель принимает текст и изображения и формирует текстовые ответы. Она доступна в формате Safetensors, рассчитана на контекст до 128 000 токенов и используется через библиотеку Transformers. В README приведены результаты исследовательской работы, но нет подробных примеров применения или оценки для конкретных сценариев. Лицензия — MIT.

ctalau/qwen35-08b-spell-m7-distill — текстовая модель исправления орфографии, разработанная Cristian и основанная на Qwen/Qwen3.5-0.8B. Это дообученный QLoRA-студент, дистиллированный с модели-преподавателя Qwen/Qwen3.5-2B на ошибках слов из BEA-60K; LoRA-адаптер объединён с базовыми весами. Модель принимает предложение с одной отмеченной ошибкой и возвращает только правильное написание заменяемого слова. В тестах на данных BEA указана точность Acc@1 с приведением регистра 89,0% на замороженном наборе BEA-100 и 87,30% на тесте из 2 000 примеров. Для генерации рекомендуется жадное декодирование, около пяти выходных токенов и контекст 2 048–8 192 токена. Несмотря на мультимодальную архитектуру базовой модели, этот чекпойнт предназначен для текстовой коррекции орфографии. Весовой файл — объединённый чекпойнт fp16 размером около 1,6 ГиБ; лицензия — Apache-2.0. Модель рассчитана на исправление одного отмеченного ошибочного слова в предложении, поэтому карточка не подтверждает исправление нескольких ошибок или переписывание текста целиком.

Qwen3-VL-8B-Abliterated-Caption-it-GGUF — это GGUF-квантизированная мультимодальная версия модели Qwen3-VL-8B-Abliterated-Caption-it, опубликованная и квантованная mradermacher на основе модели prithivMLmods. Модель предназначена для понимания изображений и генерации текстовых описаний, включая сценарии image captioning и visual understanding. Она поддерживает текстово-визуальный ввод и заявлена для работы на английском, китайском и тайском языках. Модель относится к классу VLM и имеет размер 8 млрд параметров согласно названию базовой модели. Репозиторий содержит GGUF-варианты с разными уровнями квантования — от Q2_K до Q8_0, а также версии f16 и отдельные мультимодальные компоненты mmproj. Это позволяет выбирать баланс между размером файлов, скоростью и качеством; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как вариант с лучшим качеством среди указанных. Конкретный размер контекста и архитектурные детали в README не приведены. Сильной стороной модели является поддержка мультимодальных задач при возможности запуска в компактных GGUF-форматах. Ограничения связаны с потерями качества при низком уровне квантования, а также с тем, что README не содержит результатов тестирования, подробностей о данных обучения и описания поведения abliteration-варианта. Лицензия — Apache-2.0.

stanfordnlp/stanza-eu — модель Stanza для баскского языка (eu), разработанная Stanford NLP. Она предназначена для лингвистического анализа текста: Stanza предоставляет инструменты от обработки исходного текста до синтаксического анализа и распознавания сущностей. В метаданных Hugging Face основная задача указана как классификация токенов; модель распространяется в формате PyTorch. Модель подходит для анализа баскских текстов и извлечения сущностей. Лицензия Apache-2.0 разрешает использование на её условиях. Размер модели и длина контекста в предоставленных сведениях не указаны.

Suri Qwen 3.8 27B Uncensored — созданная Space Time модель для диалогов на основе Qwen3.8 27B. Это плотная мультимодальная модель с архитектурой Qwen3_5ForConditionalGeneration; метаданные указывают поддержку обработки изображений и диалоговый режим. Репозиторий содержит веса в формате Safetensors. Модель предназначена для ответов без обычных ограничений и отказов, а также для запросов с изображениями. В README приведены результаты тестирования на наборах для оценки ответов на вредоносные запросы и указаны рекомендуемые параметры генерации. Метаданные связывают модель с Qwen/Qwen3.8-27B и unsloth/Qwen3.8-27B как слияние. README не сообщает лицензию и не приводит сведения о размере контекстного окна. Модель сохраняет некоторые предпочтения выравнивания, которые, согласно карточке, могут проявляться в ответах. Языки из метаданных — китайский и английский; подтверждения поддержки других языков в предоставленных данных нет.

PiotrSty/trocr-pl-mixed-v3 — экспериментальная TrOCR-модель, разработанная PiotrSty дообучением PiotrSty/trocr-pl-base. Это модель архитектуры vision-encoder-decoder, настроенная методом QLoRA на декодере для распознавания польского печатного текста, включая строки с реальных машинописных документов EHRI. Она принимает изображения отдельных строк и выдаёт распознанный текст; обучение включало синтетические печатные строки и 349 реальных машинописных строк. В README приведены результаты оценки на небольших отложенных наборах, однако их недостаточно, чтобы считать качество обобщённым или подтверждённым на независимых полноформатных страницах. Модель предназначена для OCR отдельных строк, а не для сегментации страниц. README предупреждает о ненадёжной сегментации выцветшего машинописного текста и рекомендует провести собственную оценку перед использованием. Модель распространяется по лицензии Apache-2.0.

HuggingFaceH4/vsft-llava-1.5-7b-hf-trl — мультимодальная модель LLaVA, созданная HuggingFaceH4 методом VSFT на базе llava-hf/llava-1.5-7b-hf. Для обучения использовались 260 тысяч пар изображений и диалогов из набора HuggingFaceH4/llava-instruct-mix-vsft. Модель построена на авторегрессионной архитектуре Transformer и генерирует ответы на запросы пользователя с изображениями. Модель предназначена для визуальных диалогов: она принимает текстовые запросы и одно или несколько изображений, а затем описывает их или отвечает на вопросы о содержимом. Для запросов требуется формат USER/ASSISTANT с маркером изображения в месте, которое нужно проанализировать. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

CeLLaTe-ner-2class-bioformer16l-baseline — модель Mardiyyah для распознавания сущностей в тексте на уровне токенов. Она дообучена на bioformers/bioformer-16l с использованием набора данных OTAR3088/CeLLaTe-ner-2class-iob_final и предназначена для задач NER с двумя классами. Модель построена на архитектуре BERT, содержит 50,3 млн параметров и принимает последовательности длиной до 1024 токенов. В README приведены результаты на оценочной выборке: precision 0,8144, recall 0,7576, micro F1 0,7850 и accuracy 0,9829. Карточка не раскрывает названия двух классов, точное назначение сущностей и ограничения оценки. Модель опубликована в формате safetensors по лицензии Apache-2.0.

CogVLM-base-490-hf — открытая визуально-языковая модель семейства CogVLM, опубликованная zai-org. Репозиторий содержит вариант на 6,6 млрд параметров с архитектурой CogVLMForCausalLM и весами в формате safetensors; модель рассчитана на контекст до 2048 токенов. В README описано семейство CogVLM как модель для диалога по изображениям и задач визуального понимания, включая ответы на вопросы, описание изображений и визуальную локализацию. Архитектура семейства объединяет энкодер ViT, MLP-адаптер, предварительно обученную языковую модель GPT и модуль visual expert. README приводит сильные результаты семейства CogVLM-17B на ряде кросс-модальных бенчмарков, но не утверждает, что данный вариант 6,6B имеет те же результаты. Карточка не раскрывает конкретные ограничения этой версии. Лицензия — Apache-2.0.

dillonlaird/hf-llava-v1.6-34b — репозиторий с файлами для запуска LLaVA-1.6 34B через SGLang. Это авторегрессионная мультимодальная модель чат-бота на архитектуре Transformer, полученная дообучением NousResearch/Nous-Hermes-2-Yi-34B на данных следования мультимодальным инструкциям. Модель насчитывает 33,9 млрд параметров, использует формат Safetensors и имеет контекст длиной 4096 токенов. Модель предназначена для диалога по изображениям, визуальных вопросов и ответов, описания изображений и академических задач компьютерного зрения. В обучении использовались пары изображение–текст, данные VQA и наборы инструкций, включая данные ShareGPT и GPT-4V. Карточка описывает её как открытую модель для исследований и экспериментов исследователей и любителей в области компьютерного зрения и NLP. Репозиторий распространяется по лицензии Apache-2.0. В README отмечена проблема с форматированием чата при использовании интерфейса SGLang; автор рекомендует напрямую отправлять запросы серверу, самостоятельно формируя строку. В метаданных указана задача text-generation, поэтому это основной тег для каталога.

Карточка модели rbinrs/Kimi-K3-Abliterated-V1 на Hugging Face совпадает с карточкой Uniboshi/Kimi-K3-Abliterated-V1, поэтому описание составлено по ней. Uniboshi/Kimi-K3-Abliterated-V1 — модифицированная версия Kimi K3 от Moonshot AI, подготовленная Uniboshi. Модель настроена так, чтобы реже отказывать на запросы на английском и японском языках; по заявлению автора карточки, из неё удалено более 98% защитных механизмов. Модель предназначена для диалоговых сценариев с обработкой текста и изображений. Метаданные относят её к задачам image-text-to-text и отмечают поддержку vision и chat. Это производная Kimi K3; веса представлены в формате safetensors и используются через Transformers. Карточка не приводит размер модели, длину контекста или условия лицензии; в метаданных указана лицензия other. Настройка на снижение отказов может привести к выдаче небезопасного или нежелательного контента, поэтому модель требует осторожного применения.