I.4Обработка документов и форм

CUA-Lite-Qwen3.5-4B-ScaleCUA-qwen3_8_27b-epoch1 — мультимодальная модель для управления компьютером, созданная дообучением Qwen3.5-4B командой или автором репозитория OnAnOrange. Это полный SFT-чекпойнт после первой эпохи из трёх, обученный на 5 000 траекториях действий за компьютером из Lite.ScaleCUA; учительской моделью была qwen3_8_27b. Модель принимает текстовые инструкции и снимки экрана, а в ответ формирует текстовое представление действий для управления рабочим столом. В обучающем рецепте использовались снимки с целевым разрешением 1280×720, обрабатываемые как 1280×704, история до 50 шагов и до четырёх изображений на шаг. Рассуждения были отключены. Для чекпойнта не приведены результаты оценки на прикладных бенчмарках, поэтому качество выполнения задач управления компьютером по этим данным определить нельзя. Модель распространяется в формате safetensors по лицензии Apache-2.0.

DiffusionGemma-26B-A4B-it-4bit — это 4-битная модель в формате MLX, преобразованная сообществом mlx-community из google/diffusiongemma-26B-A4B-it с использованием mlx-vlm 0.6.3. Модель предназначена для задач image-text-to-text: она принимает изображение и текстовый запрос и генерирует текстовый ответ, например описание изображения. Из доступных данных известно, что базовая модель относится к семейству DiffusionGemma и имеет обозначение 26B-A4B. Поддерживается запуск через библиотеку mlx-vlm, что ориентировано на выполнение моделей в экосистеме MLX. Другие характеристики, включая архитектуру, точное число активируемых параметров, языки, размер контекста и дополнительные модальности, в карточке не указаны. Ключевое преимущество модели — 4-битное квантование и формат MLX, потенциально упрощающие локальный запуск на совместимом оборудовании. Ограничения и результаты сравнительных оценок в README не приведены, поэтому качество, производительность и аппаратные требования нельзя достоверно оценить. Модель распространяется по лицензии Apache-2.0; для полного описания условий следует учитывать лицензию Gemma, на которую ссылается карточка.

smitmenon/e2m_endenoise_project — дообученная модель на базе facebook/mbart-large-50-one-to-many-mmt, созданная с использованием Transformers. Веса представлены в формате safetensors; модель содержит около 457,4 млн параметров и имеет контекст длиной до 1024 токенов. По названию проекта модель предназначена для удаления шума из текста, однако README не описывает предполагаемые сценарии и не уточняет, что именно считается шумом. Базовая mBART-50 выполняет перевод с английского на 49 языков, включая русский, но карточка не подтверждает, какие языковые возможности сохранены или изменены при дообучении этой версии. В README указан результат оценки Loss 0,3740, но датасет обозначен как None и подробности оценки отсутствуют. Лицензия в предоставленных данных не указана.

FineLlama-3.2-3B-Instruct-ead — языковая модель Geraldine, дообученная на базе meta-llama/Llama-3.2-3B-Instruct для понимания и генерации XML в формате EAD (Encoded Archival Description). Она предназначена для создания структурированных архивных описаний по инструкциям и примерам. Модель содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов по метаданным; в карточке указано ограничение длины последовательности 4096 токенов. Для экономии памяти применена 4-битная NF4-квантизация bitsandbytes с двойной квантизацией, а дообучение выполнено методом LoRA. Модель принимает текстовые запросы и генерирует текст, включая EAD/XML. Карточка не сообщает о поддерживаемых естественных языках. Лицензия — llama3.2.

HiTZ/Latxa-Qwen3-VL-2B-Instruct — мультимодальная instruct-модель, разработанная исследовательским центром HiTZ и группой IXA Университета Страны Басков на базе Qwen3-VL-2B-Instruct. Она принимает изображения и текст и предназначена для диалога и выполнения инструкций с визуальным контекстом. В репозитории по умолчанию доступна многоязычная версия, адаптированная для баскского, галисийского и каталанского языков; отдельная ревизия mono_eu адаптирована только для баскского. Модель также может работать с испанским, английским и другими языками, однако качество вне баскского не гарантируется. Модель основана на плотной архитектуре Qwen3-VL и распространяется в формате Safetensors через Transformers. В тестах на баскских заданиях адаптированные версии показали улучшение относительно исходной модели. Авторы отмечают, что модель находится в разработке, выпущенные версии предварительные, а ограничения и риски унаследованы в том числе от Qwen3-VL. Лицензия — Apache 2.0.

Longformer для классификации отмеченных сущностей в текстах юридических решений. Модель разработал S. Vercoutere на основе allenai/longformer; она дообучена для определения типа сущности по её контексту, когда фрагмент выделен маркерами [E] и [/E]. В карточке указана архитектура LongformerForSequenceClassification, размер — 151,9 млн параметров, контекст — 4098 токенов; модель использует Transformers и формат safetensors. Модель предназначена для классификации мест и дат в муниципальных и государственных правовых документах. Поддерживаемые метки включают типы местоположений, даты и периоды действия. На отложенной валидационной выборке указана точность 0,8454; для отдельных меток приведены оценки F1 от 0,8976 до 0,9711. Обучающие данные включают размеченные решения из Гента, Фрайбурга и Бамберга. Модель рассчитана на английские юридические тексты и не предназначена для общего распознавания сущностей или других областей и языков. На входе требуется один фрагмент сущности, обрамлённый маркерами [E] и [/E]. Условия лицензии в предоставленных данных не описаны.

lusxvr/nanoVLM — компактная мультимодальная модель для работы с изображениями и текстом, созданная как минималистичная основа для обучения и экспериментов. Архитектура написана на PyTorch и объединяет визуальный энкодер ViT на базе SigLIP-B/16-224-85M и лёгкую авторегрессионную языковую модель SmolLM2-135M; общий размер составляет 222 млн параметров. Модель предназначена для исследования и экспериментов с обучением vision-language-моделей и генерацией текстовых ответов по изображениям. Она принимает изображение и текстовый запрос, а выдаёт текст. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Языки и длина контекста в предоставленных данных не определены.

Helsinki-NLP/opus-mt-ga-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с ирландского языка на английский; пара языков в карточке обозначена как ga-en, а в описании OPUS использованы коды gle-eng. Архитектура — Marian Transformer с выравниванием, размер — 54,2 млн параметров. Для токенизации применяются нормализация и SentencePiece с моделью на 32 тыс. элементов; длина контекста — 512 токенов. Модель подходит для перевода отдельных фраз и текстов с ирландского на английский. В README приведён результат BLEU 51,6 и chr-F 0,672 на тесте Tatoeba-test.gle.eng; эти оценки относятся к указанному тестовому набору. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Карточка модели bczhou/TinyLLaVA-2.0B на Hugging Face совпадает с карточкой bczhou/TinyLLaVA-1.5B, поэтому описание составлено по ней. TinyLLaVA-1.5B — компактная мультимодальная модель для диалога по изображениям из семейства TinyLLaVA, разработанного авторами проекта TinyLLaVA. Она сочетает визуальный модуль с языковой моделью TinyLlama и предназначена для ответов на вопросы об изображениях, их описания и других сценариев визуального диалога. В карточке указаны около 1 млрд параметров, плотная архитектура TinyLlavaLlamaForCausalLM и контекст 2048 токенов; модель принимает изображения и текст, а генерирует текст. В README приведены результаты оценки на наборах LLaVA-Bench-Wild, MME, MMBench, MM-Vet, SQA-image, VQA-v2, GQA и TextVQA. Модель обучалась с использованием данных LLaVA и ShareGPT4V, включая наборы для предварительного обучения и инструкционного дообучения. Метаданные отмечают английский и китайский языки. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Компактный размер удобен для исследовательских и прикладных экспериментов с визуальными вопросами и ответами, но доступные результаты показывают более скромные показатели версии 1.5B по сравнению с более крупными вариантами TinyLLaVA; языковое покрытие и качество за пределами оценённых сценариев могут быть ограничены.

Модель ufal/transformer-base-geccc-mate разработана Seznam.cz и факультетом математики и физики Карлова университета (MFF UK, ÚFAL). Это компактная encoder-decoder модель семейства BART с 41,5 млн параметров, обученная с нуля для исправления грамматических ошибок в чешском языке. Обучение включало синтетические ошибки, созданные методом MATE, и данные корпуса GECCC. Модель принимает чешский текст, в котором токены разделены пробелами согласно токенизатору UDPipe czech-pdt-ud-2.5-191206, и генерирует исправленный текст. Указанная длина контекста — 256 токенов. Лицензия CC BY-NC-SA 4.0 разрешает использование на её условиях, включая некоммерческие ограничения и требование распространять производные материалы по той же лицензии.

Windstorm Labs публикует модель машинного перевода с языков банту на английский. Это дообученная версия Helsinki-NLP/opus-mt-bnt-en на основе параллельных корпусов: LoRA-адаптация объединена с базовыми весами. Модель построена на архитектуре Marian и содержит 56,8 млн параметров; её естественная длина контекста — 512 токенов. Репозиторий содержит сборку Transformers в формате safetensors. Модель предназначена для перевода текста с языков банту на английский. Она поддерживает только это направление перевода. Качество этой версии не оценивалось бенчмарками, поэтому точность результатов не подтверждена. Лицензия — Apache-2.0.

Windstorm Labs опубликовала компактную модель машинного перевода с немецкого языка на киргизский. Это дообученная версия Helsinki-NLP/opus-mt-de-kg на базе MarianMTModel: LoRA-адаптация на параллельных текстах слита с базовыми весами. Модель содержит 50,7 млн параметров, принимает и выдаёт текст; контекст — до 512 токенов. Модель предназначена для перевода немецких текстов на киргизский. В проверке на 48 предложениях FLORES-200 dev она получила chrF++ 28,64 и BLEU 5,13; авторы относят результат к ограниченному уровню и отмечают, что это скрининговая оценка, а не результат публикационного исследования. Доступна в формате safetensors для Transformers. Лицензия — Apache-2.0.

FiditeNemini/Unhinged-Qwen3.8-27B-MLX-MXFP8 — это конвертированная в формат MLX модель Qwen3.8 27B Heretic, созданная на основе heretic-org/Qwen3.8-27B-heretic-ara. В карточке она обозначена как модель для задач image-text-to-text, то есть обработки сочетаний изображений и текста, однако подробные сценарии применения и описание разработчика не указаны. Ключевые характеристики: размер 27B параметров, формат MLX MXFP8 и принадлежность к семейству Qwen3.8. Модель помечена как uncensored, decensored и abliterated, но README не содержит проверяемого описания соответствующих изменений, архитектуры, поддерживаемых языков, длины контекста, требований к памяти или результатов тестирования. Условия использования указаны явно: лицензия Apache-2.0.

DeepSeek-V4.1-Flash-NVFP4 — это неофициальная community-конверсия мультимодальной модели DeepSeek-V4.1-Flash, опубликованная пользователем s-zaizen. Модель разработана на базе исходной версии DeepSeek и преобразована с использованием NVIDIA Model Optimizer; релиз не является официальным продуктом DeepSeek или NVIDIA. Исходная модель предназначена для мультимодальных сценариев image-text-to-text. Она использует архитектуру Causal Encoder-Decoder с Mixture-of-Experts, Compressed Sparse Attention 2, условной памятью Engram и спекулятивным декодированием DSpark. Сохраняются исходные архитектура, токенизатор, компоненты обработки изображений и нативная конфигурация контекста до 1 миллиона токенов, однако этот размер контекста отдельно не проверялся. Объём backbone-параметров заявлен как 552B, Engram — 196B. В конверсии маршрутизируемые экспертные веса backbone представлены в формате NVFP4 с блоками по 16 элементов. Engram, attention, shared experts, vision и MTP/DSpark сохраняют исходные форматы. Для релиза не проводились оценки качества или производительности, поэтому соответствие исходной модели и совместимость с конкретным runtime не подтверждены. Для работы требуется среда с поддержкой DeepSeek V4.1 и смешанных FP8/NVFP4 MoE-чекпойнтов; готовая рабочая конфигурация для vLLM или SGLang не заявлена. Необходимо использовать специальный протокол prompt encoding DeepSeek V4.1, а не универсальный chat template. Модель и сопутствующие исходные файлы распространяются по лицензии MIT. Чекпойнт занимает около 527,293 ГБ и состоит из 48 файлов safetensors.

DUSUNEN Oku 62M v1 — модель распознавания печатных турецких слов, разработанная и выпущенная Göktuğ Düşünen. Это дообученная 61,6-миллионная модель TrOCR с архитектурой vision-encoder-decoder: она принимает изображение с одним обрезанным словом и генерирует его текстовую транскрипцию. Поддерживает турецкие символы ç, ğ, ı, İ, ö, ş и ü. В описанном word-disjoint тесте на синтетических изображениях модель показала CER 0,24% и точность распознавания целого слова 98,39%; тестовые слова не встречались при дообучении. Эти результаты не подтверждают качество на фотографиях, рукописном тексте, сканах, чеках, исторической печати или произвольных шрифтах. Модель рассчитана на отдельные слова, а не на полные страницы; для обработки документов её следует сочетать с детектором текста. Обучающие метки не включают цифры, пунктуацию и строки из нескольких слов. Для юридических, медицинских, финансовых документов и документов, удостоверяющих личность, требуется проверка результата человеком. Лицензия — CC BY-SA 4.0.

Shamrock 0 E4B — дообученная модель на базе Google Gemma 4 E4B Instruct, созданная для языковых функций настольного приложения Oxalis. Она предназначена для перевода текста и текста с камеры, работы с учебным словарём, занятий с ИИ-репетитором и разговорной практики на японском, корейском и упрощённом китайском языках. Модель поддерживает диалог; в репозитории есть объединённый чекпойнт fp16 и варианты GGUF, включая Q4_K_M и Q8_0, а также компоненты для мультимодального запуска и спекулятивного декодирования. Автор предупреждает, что вне сценариев приложения Oxalis модель работает плохо. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое.

google/tapas-base-masklm — базовая модель семейства TAPAS от Google для задачи восстановления замаскированных токенов. Это плотная модель на 136,7 млн параметров с архитектурой TapasForMaskedLM и контекстом до 1024 токенов. Она рассчитана на работу с табличными данными и текстом, связанным с таблицами; модель можно применять для восстановления пропусков в текстовом представлении таблиц и как основу для последующей адаптации к табличным задачам. В метаданных указаны форматы PyTorch, Safetensors и TensorFlow. Карточка связывает модель с вариантом tapas_masklm_base_reset из исходного репозитория. Лицензия и конкретные ограничения применения в предоставленных данных не описаны.

txtcaptcha CRNN — модель оптического распознавания капч, опубликованная автором репозитория jtrecenti и обученная совместно на десяти размеченных наборах капч бразильских судов и налоговых органов. Она предназначена для чтения буквенно-цифровых строк с изображений капч переменного размера и объединяет задачу, для которой ранее использовались отдельные классификаторы для каждого сайта. Архитектура состоит из CNN на основе ResNet, двухслойной двунаправленной LSTM и линейного классификатора с декодированием CTC. Модель распознаёт символы из набора 0–9, a–z и A–Z; README сообщает точность полного совпадения строки около 89% на отложенной части обучающих данных. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Модель обучена на особенностях шрифтов и искажений капч бразильских государственных сайтов. Её перенос на капчи США и Европы не проверен; качество может снижаться для строк длиннее типичных 4–5 символов. Набор sei содержит математические капчи, но модель транскрибирует их метки как обычные четырёхсимвольные строки.

Vision Narrator 0.8B — компактная визуально-языковая модель Nice Dreamz на базе Qwen3.5 0.8B, дообученная для помощи незрячим и слабовидящим пользователям. Она принимает изображение и вопрос о нём или запрос на описание, а затем формирует ответ; модель предназначена для офлайн-запуска на телефоне. Вариант в этом репозитории использует 4-битные веса языковой части в формате MLX, тогда как визуальный энкодер оставлен без сжатия. Архитектура — Qwen3_5ForConditionalGeneration: языковая часть имеет 24 слоя, а визуальная башня — 12 слоёв. Модель отвечает на вопросы о повседневных сценах и предметах, читает бытовые документы и счета, а также сообщает, когда изображение слишком тёмное или нечёткое для надёжного ответа. В тесте на 295 отложенных вопросах VizWiz версия v09 показала 66,4% стандартной точности; при этом README отмечает слабое распознавание направления движения лифта и возможные ошибки в названиях брендов и отправителях на плохо освещённых страницах. Модель рассчитана на английский язык и бытовые ситуации в США. Лицензия — Apache-2.0.

Gemma4-12B-CVRR — мультимодальная модель для визуального рассуждения и ответов на вопросы по изображениям, разработанная авторами работы «Reason Through the Latent! Making Latent Visual Reasoning Necessary». Она основана на инструкционной модели Google `google/gemma-4-12B-it` и использует метод Causal Visual Recurrent Reasoning (CVRR): состояние вопроса многократно обновляется с доступом к визуальным свидетельствам, а верхний декодер формирует ответ через итоговое состояние рассуждения. Рекуррентный переход адаптирован с помощью LoRA и включён в опубликованный чекпойнт; отдельная загрузка адаптера не нужна. Модель принимает изображение и текстовый вопрос и выдаёт текстовый ответ. Для воспроизводимого инференса предусмотрены строгий считыватель первого токена ответа и детерминированная генерация жадным декодированием; коэффициент рекуррентного обновления по умолчанию равен beta=0.5. Для загрузки требуется специальный Transformers loader и зависимости из README. Нужна полная копия модели на каждой GPU: автоматическое распределение по GPU, прямая загрузка через vLLM или SGLang и обычная повторная сериализация через `save_pretrained()` не поддерживаются. Лицензия — Apache-2.0.

Archatext/hatformer-arams28k — модель распознавания рукописного текста в строках исторических арабских рукописей. Её разработчик дообучил архитектуру VisionEncoderDecoder в стиле HATFormer: энкодер ViT-384 сочетается с декодером TrOCR; модель содержит 334 млн параметров и обучалась на разметке строк набора AraMS-28k-HTR. Базовая модель — microsoft/trocr-base-stage1. Модель предназначена для преобразования изображения строки рукописи в текст. Для распознавания требуется специальная предобработка: изображение строки приводится к высоте 64 пикселя, отражается по горизонтали и размещается на холсте 384×384; широкие строки располагаются рядами. Обычный TrOCRProcessor даёт некорректный результат. В тестах CER составил 6,48% на страницах знакомых рукописей, 13,26% на рукописи Ruqʿah и 25,37% на Naskh; качество заметно зависит от традиции письма. Модель распространяется по лицензии CC BY-NC-SA 4.0.

Модель yujuyeon/internvl3_5-1b-korean-347k — мультимодальная версия InternVL3.5-1B, дообученная автором карточки на 347 тысячах примеров корейского SFT-датасета из 18 подмножеств. Использует архитектуру InternVLChatModel и библиотеку Transformers; веса доступны в формате safetensors. Модель предназначена для диалоговых ответов на корейском языке по текстовым запросам и изображениям. Примеры обучающих данных включают визуальные вопросы и ответы, описание изображений и пересказ. Базовая модель — OpenGVLab/InternVL3_5-1B; указан метод полного дообучения. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с карточкой модели и базовой модели. Обучение на специализированном корейском наборе может ограничивать качество ответов на других языках и задачах, а сведения о контексте и сравнительной оценке качества в карточке отсутствуют.

tartuNLP/Llammas-base-p1-GPT-4o-human-error-mix-paragraph-GEC — дообученная модель семейства Llama, разработанная tartuNLP для исправления грамматических ошибок в абзацах. Она принимает абзац целиком и генерирует его исправленную версию. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и рассчитана на контекст до 4096 токенов. В метаданных указан эстонский язык; для работы используется библиотека Transformers, веса опубликованы в формате safetensors. Лицензия — Llama 2.

MediAlbertina PT-PT 1.5 NER — модель для распознавания медицинских сущностей в клинических текстах на европейском португальском языке. Её разработали на основе DeBERTaV2: продолжили предобучение семейства Albertina на медицинских записях, затем дообучили MediAlbertina PT-PT 1.5B на вручную размеченных обезличенных медицинских предложениях. Модель содержит около 2 млрд параметров и принимает контекст длиной до 512 токенов. Модель извлекает из электронных медицинских записей диагнозы, симптомы, лекарства и дозировки, медицинские процедуры, показатели жизненно важных функций, результаты процедур и показатели прогресса состояния пациента. Разработчики сообщают, что медицинская адаптация показала более высокие результаты, чем дообучение той же задачи на немедицинской модели; для варианта 1.5B в таблице приведены точность 0,833, полнота 0,845 и F1 0,838. Модель предназначена для извлечения информации из клинической документации, например для структурирования записей и поиска медицинских сущностей. Она распространяется по лицензии MIT. Результаты относятся к размеченным португальским медицинским данным; перенос на другие языки, учреждения и схемы разметки не подтверждён.

nanoVLM — компактная модель «зрение—язык» от ndrugov, предназначенная для эффективного обучения и экспериментов. Архитектура реализована на чистом PyTorch и занимает около 750 строк кода: визуальный энкодер ViT SigLIP-B/16-224-85M объединён с лёгкой причинной языковой моделью SmolLM2-135M. Общий размер модели — 222 млн параметров. Модель принимает изображение вместе с текстовым запросом и формирует текстовый ответ. Её можно применять для экспериментов с визуально-языковыми сценариями, например для вопросов об изображениях. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Контекст и поддерживаемые языки в предоставленных источниках не описаны.

Helsinki-NLP/opus-mt-chk-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с чуукского языка (chk) на английский и основана на архитектуре MarianMT с Transformer. Веса имеют около 54 млн параметров; предобработка включает нормализацию и SentencePiece. Для набора JW300.chk.en в карточке приведены результаты BLEU 31,2 и chr-F 0,465. Модель предназначена для перевода текстов с чуукского на английский. Она распространяется под лицензией Apache-2.0; в репозитории указаны форматы PyTorch и TensorFlow. Контекст модели — до 512 токенов. Показатели на одном тестовом наборе не гарантируют качество для других типов текстов и областей.

medieval-data разработала TrOCR на основе microsoft/trocr-base-handwritten для распознавания средневековых рукописных текстов из изображений. Модель обучена на датасете CATMuS и использует архитектуру vision-encoder-decoder; метаданные указывают поддержку латинского и французского языков. Репозиторий содержит веса safetensors и распространяется по лицензии MIT. Модель предназначена для OCR средневековых рукописей и преобразования изображений страниц или фрагментов текста в текстовую транскрипцию. В README приведён CER 0,035, однако отмечено, что модель формально не тестировалась и предварительная проверка указывает на необходимость дальнейшего дообучения, поэтому результаты следует проверять.

CodeTed/Chinese_Grammarly — модель для исправления грамматических и орфографических ошибок в китайском тексте. Она разработана дообучением ClueAI/PromptCLUE-base-v1-5 на наборе данных CoEdIT; в репозитории указаны архитектура T5 и размер 129,8 млн параметров. Модель принимает китайское предложение с инструкцией на исправление и генерирует отредактированный текст. Пример в карточке демонстрирует исправление опечатки в китайском предложении. Модель подходит для автоматической корректуры и диагностики ошибок в китайском тексте. Использует библиотеку Transformers и формат PyTorch, лицензия — Apache-2.0. Карточка не сообщает результатов оценки качества или ограничений по длине входа; практическое качество может зависеть от формулировки инструкции и текста.

d4data/EnviDueDiligence_NER — модель распознавания именованных сущностей в текстах экологической проверки объектов недвижимости. Она разработана Deepak John Reji и Afreen Aman в рамках исследовательской темы Environmental Due Diligence и основана на DistilBERT с классификационной головой для разметки токенов. Модель предназначена для извлечения семи типов экологических сущностей из документов, таких как отчёты о рекультивации, решения регуляторов и пятилетние обзоры. Её можно запускать через Transformers pipeline или inference API Hugging Face. Модель обрабатывает английский текст, имеет контекстное окно 512 токенов и распространяется под лицензией Apache-2.0. Назначение модели специализировано: она ориентирована на корпус и документы экологической проверки. Карточка не приводит перечень семи меток, метрики качества или подробности обучающего набора, поэтому пригодность для других типов документов и качество извлечения следует проверять на целевых данных.

teowu/llava_v1.5_7b_qinstruct_preview_v0.1 — предварительная версия мультимодальной модели LLaVA, связанной с проектом Q-Instruct и авторами исследования «Q-Instruct: Improving Low-level Visual Abilities for Multi-modality Foundation Models». Это незавершённые веса, предназначенные для изучения и оценки возможностей визуальных языковых моделей в задачах восприятия изображений низкого уровня. Модель имеет плотную архитектуру LlavaLlamaForCausalLM на базе LLaVA и содержит 6,6 млрд параметров. Она принимает изображения и текстовые инструкции и генерирует текстовые ответы; заявленный контекст — 4096 токенов. В карточке указаны датасеты Q-Instruct и LLaVA-Instruct-150K, формат PyTorch и лицензия Apache-2.0. Английский указан среди языков карточки. Поскольку это preview с незавершёнными весами, качество и стабильность результатов могут быть ограничены; для ответственных прикладных сценариев модель следует предварительно оценить.