I.4Обработка документов и форм

Dragonfly — мультимодальная визуально-языковая модель от Together AI, дообученная в формате instruction tuning на базе Llama 3.1. Это авторегрессионная модель на архитектуре Transformer с плотной архитектурой DragonflyForCausalLM и визуальной основой CLIP. Она принимает изображения и текстовые запросы и формирует текстовые ответы; предназначена для исследований и практических экспериментов с визуально-языковыми моделями, например для вопросов по изображениям. Размер модели — 7,5 млрд параметров, длина контекста — 8192 токена. В карточке заявлена поддержка английского языка, а метаданные указывают на диалоговый режим и интерфейс вызова инструментов. Модель распространяется по лицензии Llama 3.1 Community License Agreement; использование должно соответствовать её условиям.

LLaVA-NeXT-Qwen-32B — мультимодальный чат-бот семейства LLaVA, разработанный lmms-lab. Это авторегрессионная трансформерная модель с плотной архитектурой LlavaQwenForCausalLM и 31,7 млрд параметров; в качестве базовой языковой модели используется Qwen/Qwen1.5-32B-Chat. Модель принимает изображения и текстовые инструкции, а отвечает текстом; нативный контекст составляет 32 768 токенов. Модель предназначена для диалога по изображениям и исследовательской работы с мультимодальными моделями: она обучалась на парах изображение–текст, инструкциях, задачах визуальных вопросов и ответов и данных описания изображений. Подходит для анализа изображений, ответов на вопросы об их содержимом и генерации подписей. В README коммерческое использование запрещено; метаданные указывают лицензию Apache-2.0, поэтому перед применением следует учитывать это расхождение в условиях использования. Карточка также описывает модель как предназначенную для исследовательских задач.

chiakelvin/llava-phi-3-mini-int4.gguf — GGUF-версия мультимодальной модели LLaVA, дообученной XTuner на базе microsoft/Phi-3-mini-4k-instruct с визуальным энкодером CLIP ViT-Large patch14-336. Модель принимает изображения вместе с текстовыми запросами и формирует текстовые ответы в диалоговом формате; карточка указывает на использование шаблона чата Phi-3-instruct и датасета ShareGPT4V. Модель предназначена для описания изображений и ответов на вопросы о визуальном содержимом. Репозиторий содержит файлы GGUF и GGUF F16; название указывает на вариант int4, однако метаданные не подтверждают конкретную схему квантизации. Лицензия в предоставленных данных не указана.

MiniCPM-V, также называемая OmniLMM-3B, — компактная мультимодальная модель от OpenBMB для понимания изображений и диалога по визуальному содержимому. Она сочетает визуальный энкодер SigLip-400M и языковую модель MiniCPM-2.4B через perceiver resampler; общее число параметров — 2,7 млрд. Результаты кодирования изображения сжимаются до 64 токенов, что снижает затраты памяти и ускоряет вывод. Модель рассчитана на локальный запуск на компьютерах и мобильных устройствах. MiniCPM-V отвечает на вопросы об изображениях и поддерживает мультимодальное взаимодействие на английском и китайском языках. В README описаны сравнительные результаты на мультимодальных бенчмарках, однако конкретные значения таблиц в доступном тексте отсутствуют. Контекст составляет 4096 токенов. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы; в репозитории указаны веса safetensors и использование Transformers. Условия лицензии в предоставленных данных не приведены.

Карточка модели lethalantidote/phi-detector-model на Hugging Face совпадает с карточкой lethalantidote/fine_tuned_standford_PHI, поэтому описание составлено по ней. Synthetic PHI Detector — модель Stanford AIMI, дообученная на синтетических клинических шаблонах, полученных из Synthea, для токенной классификации медицинских сущностей. Она размечает три типа сущностей: номера медицинских записей, диагнозы и лекарственные препараты; метки BIO задаются в конфигурации модели. Модель построена на BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Она предназначена для поиска клинической информации, требующей проверки при обезличивании медицинских документов. В описанном наборе из 5997 примеров заявлен строгий F1 1,0 для каждого типа и в целом, однако синтетические шаблоны не охватывают все форматы документов, учреждений и идентификаторов. Возможны пропуски и ложные срабатывания; результат не гарантирует соответствие требованиям и требует человеческой проверки и дополнительных средств контроля. Сведения о лицензии в предоставленных источниках отсутствуют.

google/tapas-small-masklm — компактная модель семейства TAPAS от Google для восстановления замаскированных токенов в табличном тексте. Она соответствует варианту tapas_masklm_small_reset из исходного репозитория и предназначена для задач предобучения и обработки представлений таблиц с помощью языкового моделирования. Модель содержит 32,4 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Лицензия в предоставленных данных не указана.

WindyTranslate/translate-ber-fr — модель машинного перевода, опубликованная Windstorm Labs и предназначенная для перевода с берберского языка на французский. Она основана на Helsinki-NLP/opus-mt-ber-fr: к исходным весам применили дообучение LoRA на параллельном корпусе и объединили адаптер с базовой моделью. Модель использует архитектуру MarianMT, содержит 35,9 млн параметров и принимает текст с контекстом до 512 токенов. Репозиторий содержит сборку Transformers в формате safetensors. Лицензия — Apache-2.0.

Модель bmd1905/vietnamese-correction — дообученная автором карточки версия vinai/bartpho-syllable для исправления ошибок во вьетнамском тексте. Она использует архитектуру mBART и предназначена для преобразования текста с ошибками в исправленный вариант; в README показан запуск через pipeline text2text-generation в Transformers. Модель содержит около 266,9 млн параметров и имеет контекстное окно 1024 токена. Модель принимает текст и выдаёт исправленный текст. Карточка связывает её с датасетом VNTC, адаптированным автором для задачи коррекции, и указывает лицензию Apache-2.0. Доступность кода и пользовательского датасета отмечена в карточке, но подробности методики, качество на независимых тестах и перечень видов ошибок не приведены.

Bangla Resume Summarizer — mT5 — это модель для краткого пересказа на бенгальском языке отдельных разделов резюме: цели, опыта работы, образования и навыков. Её разработали в рамках исследовательского проекта Onneshon в Bangladesh University of Professionals и дообучили на базе csebuetnlp/mT5_multilingual_XLSum. Модель построена на архитектуре MT5ForConditionalGeneration с кодировщиком и декодировщиком и содержит 291,2 млн параметров. На вход подают текст одного раздела резюме, а модель формирует связное резюме из двух-трёх предложений на бенгальском языке. Для генерации требуется добавить специальный языковой токен бенгальского языка; без него вывод может быть на другом языке. Модель ориентирована на резюме, а качество для других типов бенгальских документов не проверялось. Обучающая выборка невелика, поэтому для необычных профессий возможны обобщённые формулировки; входы длиннее 512 токенов обрезаются. Лицензия — MIT.

Bashkir Diacritics Restorer v1.2 — компактная модель автора failed09 для восстановления специфических букв башкирского алфавита в тексте, где диакритические знаки пропущены. Она использует символьную архитектуру Conv1D и двунаправленную GRU с 1,18 млн параметров и поставляется в формате ONNX для локального запуска, в том числе на CPU. Модель обрабатывает башкирскую кириллицу и старается сохранять латиницу, технические токены и уже введённые башкирские буквы. Модель предназначена для очистки башкирского текста, подсказок в экранных клавиатурах и постобработки ввода. На проверенной выборке из 1 000 примеров автономная версия показала точное восстановление 83,6% строк и сохранила без изменений 97,6% чистого текста; автор отмечает, что тестовые цели сгенерированы автоматически. Публичная версия не включает словарь и языковую модель KenLM, которые могут улучшить восстановление известных форм и смешанного ввода. Это восстановитель букв, а не универсальная проверка орфографии или генератор текста. Неоднозначные слова могут остаться без изменений; смешение языков, диалектные и новые формы, а также шум OCR требуют проверки. Модель распространяется по лицензии CC BY 4.0.

Matthijsvanhof/bert-base-dutch-cased-finetuned-mBERT — дообученная модель DistilBERT для классификации токенов, созданная на базе distilbert-base-multilingual-cased. Она предназначена для присвоения меток отдельным токенам входного текста; конкретный набор меток и целевой сценарий в карточке не раскрыты. Модель имеет контекст длиной до 512 токенов и распространяется в формате PyTorch по лицензии Apache-2.0. В README приведены результаты оценки: F1 и точность по полноте составляют 0,7255, accuracy — 0,9758, loss — 0,0898. Датасет и ограничения применения не описаны, поэтому эти метрики нельзя привязать к конкретной задаче или оценить переносимость модели на новые данные.

Riprobot/bert-ner-demo — дообученная модель BERT для классификации токенов, основанная на BAAI/bge-small-en-v1.5. Она предназначена для извлечения меток на уровне токенов; название репозитория указывает на демонстрацию распознавания именованных сущностей (NER), но типы сущностей и обучающий набор данных не описаны. Модель содержит около 40 млн параметров, использует библиотеку Transformers и формат Safetensors; максимальная длина контекста — 512 токенов. В карточке приведены результаты оценки: F1 0,9360, точность 0,9293, полнота 0,9427 и accuracy 0,9823. Указана лицензия MIT. Описание не раскрывает набор меток, язык данных и ограничения оценки, поэтому результаты не гарантируют качество на других текстах.

shibing624 разработал chinese-text-correction-7b — китайскую языковую модель для исправления орфографических, грамматических и других ошибок в тексте. Она основана на Qwen2.5-7B-Instruct и дообучена на наборе данных shibing624/chinese_text_correction. Модель использует плотную архитектуру Qwen2 и содержит 7,1 млрд параметров; для запуска доступны веса в формате safetensors, библиотека Transformers и контекст до 32 768 токенов. Модель предназначена для автоматической коррекции китайских текстов, включая ошибки, требующие вставки или удаления символов, а также ошибки с сохранением длины текста. В README приведён пример исправления фразы с орфографическими ошибками и результаты оценки на наборах CSC и CTC. Для применения требуются вычислительные ресурсы: в карточке приведён тест на GPU Tesla V100 с 32 ГБ памяти. Лицензия — Apache-2.0.

Portuguese Clinical NER - Disease — модель для распознавания заболеваний в клинических текстах на португальском языке. Она входит в проект BioBERTpt, создана пользователем pucpr и обучена на бразильском клиническом корпусе SemClinBr; базой послужила BioBERTpt(all). Модель размечает текст по токенам в формате IOB2, а её архитектура — BERT с головой классификации токенов; размер составляет 205,1 млн параметров, контекст — до 512 токенов. Модель предназначена для извлечения упоминаний заболеваний из клинических записей и других медицинских текстов на бразильском португальском. Она решает задачу клинического NER и может использоваться в пайплайнах структурирования медицинских документов. Данные не содержат сведений о лицензии, поэтому условия использования определить нельзя.

DAI-NER-flat — модель Qwen3.5-9B, дообученная командой starride-teklia с помощью LoRA для распознавания именованных сущностей во французских приходских записях XVI–XVIII веков. Она принимает изображения документов и предназначена для извлечения сущностей из исторических рукописей; в карточке указана ширина изображения 1500 пикселей и обучение в течение 10 эпох, около 4 тысяч шагов. Модель хранится в формате safetensors и использует библиотеку PEFT. Лицензия в предоставленных данных не указана.

HauhauCS/Gemma-4-E2B-Uncensored-HauhauCS-Aggressive — модифицированная версия Google Gemma 4 E2B-IT, разработанная HauhauCS. Модель предназначена для генерации текста без встроенных отказов на запросы и ориентирована на быстрые задачи, эксперименты, локальный запуск, мобильные и периферийные устройства. Она распространяется в формате GGUF и совместима с llama.cpp, LM Studio, Jan, koboldcpp и другими совместимыми средами. Модель содержит около 2 млрд параметров и 35 слоёв, использует смешанное внимание с sliding window размером 512 и полным вниманием, поддерживает контекст до 131K токенов и 20 общих KV-слоёв для экономии памяти. Она нативно мультимодальна и работает с текстом, изображениями, видео и аудио. Для обработки изображений и аудио требуется отдельный файл mmproj. Доступны различные варианты квантования, включая оптимизированные HauhauCS K_P. Сильными сторонами являются малый размер, поддержка нескольких модальностей, большой заявленный контекст и отсутствие отказов в агрессивной версии. Ограничения связаны с размером 2B: модель не предназначена для сложного рассуждения, нюансированного ролевого взаимодействия и длинных связных ответов; длительное тестирование на больших контекстах было ограниченным, поэтому возможны редкие пограничные случаи. Модель распространяется по лицензии Gemma; README не содержит дополнительных условий лицензии.

InternVL2_5-2B-MPO-hf — версия в формате Hugging Face Transformers мультимодальной модели InternVL2.5-MPO от команды OpenGVLab. Это модель для диалога с изображениями: принимает изображения и текстовые запросы, отвечает текстом и предназначена, в частности, для визуального понимания и мультимодальных рассуждений. В официальной серии вариант 2B указан как модель с 2,2 млрд параметров; MPO (Mixed Preference Optimization) добавляет этап оптимизации предпочтений, направленный на улучшение мультимодального рассуждения и CoT. Конфигурация репозитория указывает на архитектуру InternVL с языковой частью InternLM2 и максимальной длиной позиции 32 768 токенов. Модель подходит для описания изображений, визуальных вопросов и ответов, а также анализа изображений в диалоговом формате. Карточка репозитория автоматически сгенерирована и не содержит конкретных сведений о лицензии, поэтому условия использования по доступным данным определить нельзя. Разработчик отмечает улучшение результатов после MPO на мультимодальных тестах; конкретная точность для этой HF-копии не приводится.

Janus — авторегрессионная мультимодальная модель компании DeepSeek для совместного понимания изображений и генерации изображений. Она построена на базе DeepSeek-LLM-1.3b-base и использует единую архитектуру трансформера с отдельными путями визуального кодирования для понимания и генерации. Для понимания изображений применяется визуальный энкодер SigLIP-L, принимающий изображения размером 384 × 384; для генерации используется отдельный токенизатор изображений с коэффициентом уменьшения разрешения 16. Модель предназначена для мультимодальных сценариев, в которых требуется анализировать изображение по текстовому запросу или создавать изображение. Репозиторий использует библиотеку Transformers и содержит веса в формате safetensors. Лицензия — MIT.

Janus-Pro-1B-i1-GGUF — это квантизированная GGUF-версия мультимодальной модели Janus-Pro-1B, разработанной сообществом deepseek-community и подготовленной в виде квантов mradermacher. Модель относится к унифицированным vision-моделям и предназначена для работы с текстом и изображениями, включая сценарии text-to-image. Заявленный язык — английский. В репозитории доступны варианты квантования от i1-IQ1_S до i1-Q6_K размером примерно от 0,6 до 1,5 ГБ, а также файл imatrix для создания собственных квантов. Небольшой размер позволяет использовать модель в условиях ограниченных ресурсов. В README не указаны точная архитектура, длина контекста, требования к памяти, поддерживаемые форматы изображений и подробные показатели качества. Для работы с визуальными возможностями могут потребоваться дополнительные mmproj-файлы из статического репозитория. Качество и скорость зависят от выбранного варианта: низкобитные кванты экономичнее, но могут заметно уступать по качеству, тогда как i1-Q4_K_M обозначен как быстрый и рекомендуемый вариант, а i1-Q4_K_S — как компромисс между размером, скоростью и качеством. Модель распространяется по лицензии MIT; в метаданных также указано название лицензии deepseek.

Мультимодальная модель Junbum Lee (Beomi) на архитектуре LLaVA, объединяющая beomi/Llama-3-KoEn-8B-preview и xtuner/llava-llama-3-8b-transformers методами ChatVector. Она принимает изображения вместе с текстовыми запросами и предназначена для диалога и ответов на вопросы о визуальном содержимом на корейском и английском языках. В README описаны несколько вариантов объединения, использующих контрольные точки KoEn, обученные на 25 млрд и более токенов; метаданные указывают формат Safetensors и библиотеку Transformers. Лицензия — CC BY-NC-SA 4.0 с условиями лицензии Llama 3.

Это чекпойнт LLaVA 1.5 7B в формате Hugging Face, опубликованный nnethercott. В README указано, что в репозитории размещены дообученные веса llava-hf/llava-1.5-7b-hf для проведения бенчмаркинга LLM. LLaVA — авторегрессионная модель на архитектуре Transformer, основанная на LLaMA/Vicuna и обученная следовать мультимодальным инструкциям. Модель предназначена для диалога и ответов на вопросы по изображениям, включая визуальные вопросы и академические задания. В обучающие данные входили пары изображение–текст, мультимодальные инструкции, данные VQA и ShareGPT. Размер модели — 6,6 млрд параметров, контекст — 4096 токенов; в репозитории указаны веса safetensors. Лицензия — Llama 2. README не уточняет языковой охват и не приводит отдельные ограничения качества или безопасности.

yaruti/nsfwvision-v4_qwen3.5-9b-gguf — мультимодальная модель для задач преобразования изображений и текста в текст, разработанная на основе Qwen3.5-9B. Автор переработал и повторно объединил модель, сохранив новые vision-веса; исходной основой указана версия Qwen3.5-9B-Uncensored-Aggressive. Модель предназначена для анализа изображений и генерации текстовых ответов, в том числе в сценариях, связанных с распознаванием визуального содержимого для взрослых. Доступна в формате GGUF, а исходные веса также представлены в Safetensors. Архитектура включает causal language model с vision encoder, 9 млрд параметров, 32 слоя и гибридную структуру Gated DeltaNet со sparse Mixture-of-Experts согласно описанию базовой Qwen3.5. Нативная длина контекста составляет 262 144 токена, с заявленной возможностью расширения до 1 010 000 токенов. Базовая модель поддерживает 201 язык и диалект, однако отдельные языковые характеристики и качество именно этой модификации не уточняются. К сильным сторонам относятся мультимодальность, большой контекст и возможность локального запуска через совместимые инструменты, включая Transformers, vLLM, SGLang и KTransformers. Автор предупреждает, что качество может быть невысоким из-за ограниченного качества обучающего набора, поэтому результаты требуют проверки и модель не следует считать универсально надежной. В карточке указана лицензия Apache-2.0.

Это конверсия мультимодальной модели Phi-3 Vision-128K-Instruct от Microsoft в формат ONNX, оптимизированная для инференса через ONNX Runtime, в том числе на CPU. Репозиторий отмечен как устаревший и содержит вариант с квантизацией INT4 методом RTN. Для запуска указаны CPU и не менее 16 ГБ оперативной памяти. Модель предназначена для генерации ответов по текстовым инструкциям и изображениям, а также для визуального рассуждения и понимания изображений. В README заявлена исходная поддержка контекста до 128 тысяч токенов, но метаданные указывают нативный контекст в 4096 токенов. Лицензия — MIT. Русский язык в качестве поддерживаемого языка не заявлен.

mradermacher/Qwen2.5-VL-7B-Abliterated-Caption-it-i1-GGUF — это квантизированная в формате GGUF версия мультимодальной модели Qwen2.5-VL-7B-Abliterated-Caption-it. Базовую модель разработал prithivMLmods, а квантизацию выполнил mradermacher. Модель предназначена для анализа изображений и генерации текстовых описаний, а также для сценариев visual understanding и image captioning. Модель основана на архитектуре Qwen2.5-VL и содержит около 7 млрд параметров. Она поддерживает работу с текстом и изображениями; заявленные языки — английский, китайский и тайский. В репозитории представлены варианты квантизации i1-IQ и QK разных размеров, примерно от 2,0 до 5,4 ГБ, что позволяет выбирать между требованиями к памяти, скоростью и качеством. Файлы требуют совместимого программного обеспечения для запуска GGUF и, поскольку это vision-модель, могут потребовать отдельный mmproj-файл. Сильной стороной модели является сочетание мультимодального понимания изображений, специализации на создании описаний и возможности локального запуска благодаря квантизации. Ограничения включают потенциальное снижение качества у наиболее агрессивных вариантов квантизации; README не содержит данных о контекстном окне, результатах бенчмарков и подробных требованиях к аппаратному обеспечению. Модель распространяется по лицензии Apache-2.0.

Это вариант Qwen3.5-4B, подготовленный AXERA-TECH для работы на нейропроцессорах Axera AX650. Модель поддерживает обработку изображений и текста; в README приведены показатели для входных изображений размером 384×384, а также обработки до восьми изображений в сценарии видео. Указана квантизация w4a16 и совместимость с Pulsar2 версии 5.0. Модель предназначена для запуска на платах AX650, включая AX650N DEMO Board, M4N-Dock и ускоритель M.2. Её можно использовать для диалога с визуальными данными и анализа изображений или последовательности кадров. README также описывает запуск через axllm и OpenAI-совместимый сервис. В метаданных основной задачей указана image-text-to-text; языки карточки — английский и китайский. Репозиторий помечен лицензией MIT. Указанные в README скорости и задержки относятся к AX650 и описанным тестовым конфигурациям; для работы требуется выделить более 4,91 ГиБ памяти CMM.

SenseNova-U1-8B-MoT-8step-preview — предварительная мультимодальная модель SenseNova на архитектуре NEO-Unify, представленная в карточке как средство для объединения понимания и генерации. Репозиторий использует библиотеку Transformers и хранит веса в формате safetensors; в названии указаны размер 8B и вариант MoT с 8 шагами. Модель предназначена для мультимодального чата и сценариев преобразования между текстом и изображениями: метаданные отмечают генерацию и редактирование изображений, описание изображений и чередование текста с изображениями. Интерфейс также содержит поддержку вызова инструментов. Лицензия — Apache-2.0. Карточка README краткая и отсылает к публичному репозиторию за инструкциями по использованию; детали контекста, поддерживаемых языков и точного поведения отдельных режимов здесь не приведены.

Suri-Qwen-3.5-4B-Uncensored — мультимодальная диалоговая модель, разработанная Space Time на основе Qwen3.5 4B. Это модель с архитектурой Qwen3.5 для генерации ответов по тексту и изображениям; карточка позиционирует её как uncensored и снятую с выравнивания, а метаданные указывают возможности чата и понимания изображений. Модель рассчитана на диалоги и задачи image-text-to-text; в карточке заявлены китайский и английский языки. В репозитории указаны веса Safetensors и использование библиотеки Transformers. Рекомендуемые параметры генерации: temperature 0,6–1,0, top_p 0,8–0,95 и repetition_penalty 1,1. Модель собрана на основе Qwen/Qwen3.5-4B и unsloth/Qwen3.5-4B; карточка не уточняет условия лицензии. Поскольку модель заявлена как несогласованная и uncensored, ответы могут не следовать обычным ограничениям безопасного поведения; качество и пригодность для конкретных сценариев требуют отдельной оценки.

LAMAKET/trocr-base-ru-dialectic-stackmix — модель распознавания рукописного текста на изображениях, разработанная на основе TrOCR-base-ru. Её дообучили на синтетических наборах данных, созданных методом StackMix и на основе различных шрифтов, для чтения русских диалектологических карточек. Архитектура — vision encoder-decoder. Модель предназначена для преобразования рукописных записей с изображений в текст, в частности для обработки диалектологических материалов. В README приведены метрики на валидационной выборке: CER 14,87%, WER 45,71% и точность 55,28%. Модель дообучена на raxtemur/trocr-base-ru и распространяется в формате safetensors по лицензии Apache-2.0. Данные не уточняют длину контекста.

PiotrSty/trocr-pl-base — экспериментальная модель OCR, разработанная PiotrSty на основе microsoft/trocr-base-printed и дообученная с помощью LoRA для распознавания печатного польского текста. Это архитектура VisionEncoderDecoder из семейства TrOCR; модель принимает изображение одной строки и генерирует её текстовую транскрипцию. Основные веса объединены с адаптером, поэтому модель можно загружать без PEFT. Модель предназначена для распознавания отдельных строк, в том числе исторической польской печати. На пилотной выборке из 75 вручную вырезанных строк исторических документов CER составил 11,11%, а WER — 35,84%; на английской базовой модели для тех же данных показатели были значительно хуже. Проверка ограничена небольшими наборами, поэтому результаты не характеризуют качество распознавания целых страниц. Модель требует корректно выделенных строк и не заменяет этапы обнаружения, сегментации и упорядочивания текста. Модель обучалась преимущественно на синтетических данных и не проверялась на рукописном тексте, таблицах, формах и широком наборе современных документов. На коротких зашумлённых строках и знаках препинания возможны ошибки; оценка confidence не является калиброванной вероятностью. Лицензия — MIT.

VisionPsy-Nano-460M-Flash — компактная мультимодальная модель компании Tether AI Research примерно на 460 млн параметров, основанная на архитектуре VisionPsy-Nano/nanoVLM. Она принимает изображение и текстовый запрос и формирует текстовый ответ. Оптимизация Flash сохраняет исходное разрешение изображения и сокращает число визуальных токенов; при 512×512 используется 64 токена. Модель рассчитана на работу на телефонах и других устройствах с ограниченными ресурсами, поддерживает диалоговый сценарий и обработку изображений. Модель предназначена для вопросов по изображению, быстрого описания сцен и документов, а также выполнения визуальных инструкций с низкой задержкой. Разработчик сообщает о небольшом снижении качества относительно VisionPsy-Nano-460M в обмен на меньшие требования к памяти и более быстрый отклик. Модель ориентирована прежде всего на английский язык; другие языки официально не поддерживаются. Она рассчитана на один снимок в запросе, может ошибаться или галлюцинировать и хуже подходит для плотных документов и многошаговых математических задач. Не предназначена для решений, критичных для безопасности. Лицензия — Apache-2.0.