I.4Обработка документов и форм

IsmaelMousa/modernbert-ner-conll2003 — англоязычная модель распознавания именованных сущностей, созданная дообучением answerdotai/ModernBERT-base на наборе CoNLL2003. Она размечает текст, выделяя упоминания людей, организаций и мест, и предназначена для извлечения таких сущностей из обычного английского текста. Модель построена на архитектуре ModernBERT для классификации токенов, содержит 149 млн параметров и поддерживает контекст до 8192 токенов. В README приведены результаты на оценочной выборке CoNLL2003: F1 0,8455, точность 0,8349, полнота 0,8563 и accuracy 0,9752. Для запуска указана библиотека Transformers; лицензия — Apache-2.0.

Amazon Nova Lite 1.0 — недорогая мультимодальная модель Amazon, предназначенная для быстрого анализа изображений, видео и текста с выдачей текстовых ответов. Она подходит для сценариев, где нужно обрабатывать визуальные и текстовые входные данные и получать по ним текстовый результат. В доступных сведениях не приведены размер модели, длина контекста, поддерживаемые языки и условия лицензии.

protoLabsAI/Ornith-1.5-9B-NVFP4 — это квантованная мультимодальная версия модели Ornith-1.5-9B, разработанной ornith-ai. Модель предназначена для задач image-text-to-text, обработки изображений и текста, диалоговых сценариев, вызова инструментов и агентских приложений. Сборка оптимизирована для запуска через vLLM на GPU NVIDIA Blackwell с архитектурой sm120 и включает дистиллированную MTP-голову для спекулятивного декодирования. Основная часть линейных слоёв attention и MLP использует квантование NVFP4 W4A4, благодаря чему размер модели уменьшен с 17,9 до 11,2 ГБ. Башня зрения, DeltaNet/GDN linear_attn, lm_head, embed_tokens и MTP-голова сохранены в формате bfloat16. Поддерживаются изображения и текст; точные языки и исходный размер контекста в README не указаны, но рекомендуемый параметр запуска vLLM составляет до 32768 токенов. MTP обеспечивает ускорение декодирования примерно в 1,27 раза при заявленной доле принятия черновых токенов 0,804 на реальных запросах. Сильными сторонами модели являются сохранённая работоспособность зрения без выявленной статистически значимой деградации относительно bf16-версии, высокие результаты во внутренних тестах вызова функций и наличие встроенной MTP-головы без отдельной черновой модели. Ограничения включают зависимость от GPU Blackwell и специфической конфигурации vLLM, необходимость выделять достаточный бюджет токенов для адаптивного рассуждения, а также слабые результаты в тесте LiveCodeBench. Модель распространяется по лицензии MIT.

PaliGemma — компактная модель «зрение—язык» на 3 млрд параметров, основанная на визуальном энкодере SigLIP и языковой модели Gemma. Она принимает изображение и текст, а в ответ генерирует текст; в README описаны входные изображения 224 × 224 и последовательности текста длиной до 128 токенов. Модель представлена в формате safetensors и предназначена прежде всего для дообучения под конкретные задачи, а не для диалога. После настройки под задачу PaliGemma подходит для описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. README также приводит примеры специализированных сценариев: вопросы по снимкам дистанционного зондирования, помощь незрячим пользователям в понимании изображений и анализ элементов интерфейса. Упомянута поддержка нескольких языков, но конкретные языки для этой модели не перечислены. Модель может ошибаться в фактических ответах и испытывать трудности со сложными открытыми запросами, нюансами языка и здравым смыслом. Качество без дообучения под конкретную задачу может уступать специализированным моделям; PaliGemma рассчитана на один раунд ввода изображения и текста. Указана лицензия Gemma.

PaliGemma 2 10B PT — базовая мультимодальная модель Google для обработки изображений и текста. Она сочетает визуальный энкодер SigLIP с языковой моделью Gemma 2; опубликованы веса bfloat16 для дообучения. Модель принимает изображения размером 224×224 и текстовые последовательности до 128 токенов на входе и выходе, поддерживает несколько языков и генерирует текст. Модель предназначена прежде всего для дообучения под задачи компьютерного зрения и языка: описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Её также можно адаптировать для анализа спутниковых снимков, помощи незрячим пользователям, научных вопросов и описания функций элементов интерфейса. Лицензия — Gemma; использование регулируется условиями и политикой допустимого использования Gemma. Это базовая модель для специализированного дообучения, а не готовый универсальный чат-бот: она рассчитана на один раунд взаимодействия с изображением и текстом. На сложных или открытых запросах может ошибаться, выдавать устаревшие факты и испытывать трудности с нюансами языка и здравым смыслом. Результаты распознавания и генерируемые сведения требуют проверки; при внедрении следует учитывать возможные смещения и риски вредного контента.

PantryMax SmolVLM-500M ONNX v2 — браузерная ONNX-модель для локального извлечения данных с этикеток товаров и страниц рецептов. Это дообучение LoRA модели HuggingFaceTB/SmolVLM-500M-Instruct, выпущенное командой PantryMax и предназначенное для работы через ONNX Runtime Web. В приложении PantryMax выбранный сценарий — товар или рецепт — задаёт схему JSON, которой ограничивается декодирование. Модель анализирует изображение и формирует структурированный текстовый результат; поддержка мультиязычности заявлена в метаданных, но конкретные языки не перечислены. Архитектура относится к Idefics3, размер базовой модели — 500 млн параметров. Репозиторий содержит браузерные runtime-артефакты в формате ONNX. Структурированное декодирование помогает получать разбираемый JSON, но не гарантирует фактическую точность: извлечённые значения следует проверять. Модель предназначена для обычных пользовательских сценариев и не должна служить основанием для решений с высокими ставками. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

EnlistedGhost/Pixtral-12B-2409-GGUF — это GGUF-конверсия и набор квантованных файлов мультимодальной модели Pixtral-12B-2409, разработанной MistralAI. Репозиторий поддерживает запуск через Ollama и Llama.cpp и включает файлы mmproj для vision-проектора, обеспечивающего обработку изображений вместе с текстом. Модель предназначена для сценариев image-text-to-text: диалогов, анализа изображений и генерации текста по текстовым и визуальным запросам. Заявлена поддержка английского, японского, французского, немецкого, испанского, итальянского, португальского, русского и китайского языков. Архитектура основана на Pixtral-12B; доступны варианты от Q2_K_S до Q8_0, а также F16, с размером файлов примерно от 4,78 до 24,5 ГБ. Для vision-возможностей доступны проекторы в форматах Q8_0, F16 и F32. Сильные стороны модели — мультимодальность, совместимость с Ollama и Llama.cpp, а также широкий выбор уровней квантования для подбора компромисса между качеством и требованиями к памяти. Ограничения включают отсутствие собственной оценки в этом репозитории, отсутствие гарантии и необходимость самостоятельно учитывать риски применения. Модель распространяется по лицензии Apache-2.0.

AITRADER подготовил конверсию модели Qwen2.5-VL-32B-Instruct-abliterated в формат MLX с точностью FP16. Это плотная мультимодальная модель на 32 млрд параметров для диалога и обработки изображений; базовая модель поддерживает также анализ видео и структурированное извлечение данных. Модель принимает текст и изображения и генерирует текст, включая ответы в диалоге. Указанное родство в метаданных — дообучение Qwen/Qwen2.5-VL-32B-Instruct; README сообщает о конверсии из huihui-ai/Qwen2.5-VL-32B-Instruct-abliterated с помощью mlx-vlm 0.3.11. Контекст составляет 128 000 токенов. Метки «abliterated» и «uncensored» указывают на ослабленные ограничения генерации. Репозиторий распространяется по лицензии Apache-2.0.

Модель NotoriousH2/Qwen3-0.6B-JSON-SFT-GRPO — компактная причинная языковая модель семейства Qwen3, дообученная NotoriousH2 на базе NotoriousH2/Qwen3-0.6B-JSON-SFT. Она предназначена для генерации текста и, судя по описанию базовой модели, извлечения метаданных, поручений, решений и препятствий из корейских протоколов совещаний с представлением результата в JSON. Модель содержит 507,9 млн параметров, поддерживает контекст до 40 960 токенов и распространяется в формате safetensors. В карточке указаны английский язык и интерфейс чата. Лицензия — Apache-2.0.

schift-io/schift-ko-pii-v7 — корейская модель для обнаружения персональных данных, разработанная Schift. Она выполняет токенную классификацию и размечает упоминания людей и адресов; модель предназначена для выявления таких фрагментов в тексте перед проверкой или маскированием. В README описан рабочий процесс, в котором отдельная политика определяет, какие найденные фрагменты блокировать, отправлять на проверку или оставлять без изменений. Это плотный энкодер семейства LFM2 с 32,9 млн параметров и контекстом 8192 токена по метаданным. Архитектура использует общие нижние слои и независимо дообученные верхние ветви для людей и адресов; веса опубликованы в формате safetensors. README указывает максимальную длину обработки 512 токенов. Модель рассчитана на корейский язык. Для практического использования предусмотрена загрузка через специальный hydra loader на базе Transformers и PyTorch. В поставку входят только распознаватели людей и адресов. Поддержка организаций отложена; расширенные профили идентификаторов и контекстных атрибутов доступны через отдельный адаптер пакета. Модель принимает текст, а результат представляет собой токенные метки и найденные фрагменты; извлечение текста из файлов документов выполняется отдельно. Лицензия обозначена как other, поэтому условия использования следует уточнить в репозитории модели.

Raychani1/slovakbert-ner-v2 — модель распознавания именованных сущностей на словацком языке, разработанная на основе Gerulata/SlovakBERT. Это RoBERTa-модель для классификации токенов, дообученная на собранных из веба словацких новостных статьях; она размечает сущности тегами IOB: PERSON, ORGANIZATION, LOCATION, DATE, TIME, MONEY и PERCENTAGE. Модель принимает текст и возвращает метки для его фрагментов, например для извлечения людей, организаций, мест и денежных сумм из новостей. В README приведены метрики оценки: F1 0,9895 и macro-F1 0,9547. Модель имеет 151,8 млн параметров, контекст до 514 токенов и распространяется в формате PyTorch по лицензии MIT. Обучение на новостных статьях может ограничивать качество на других жанрах и типах текста; опубликованные метрики относятся к указанной оценке.

Модель kamranibiyev/azNER-xlmr предназначена для распознавания именованных сущностей в азербайджанском тексте. Это XLM-RoBERTa base, дообученная на вручную исправленном корпусе azWikiNER из 16 740 фрагментов Википедии; модель использует архитектуру XLMRobertaForTokenClassification и различает 16 категорий, включая имена людей, организации, географические объекты, события, даты и время, суммы и названия произведений. Контекст ограничен 514 токенами. На тестовой выборке azWikiNER модель показала F1 81,77 для полного набора категорий и 82,81 для 15 общих категорий. Она подходит для извлечения сущностей из азербайджанских текстов, в том числе для обогащения документов и подготовки данных для поиска. Репозиторий содержит веса PyTorch; лицензия — MIT. Качество может быть ниже на жанрах, отличных от Википедии. Оценки для чисел и дат следует трактовать осторожно: эти категории размечались с использованием автоматизированного прохода OntoNotes и правил объединения. Длинные входы обрезаются по лимиту токенизатора; отдельной метки DATE нет, даты относятся к TIME.

CAMeLBERT-Mix NER — арабоязычная модель распознавания именованных сущностей от CAMeL Lab, полученная дообучением CAMeLBERT Mix на наборе данных ANERcorp. Она размечает токены в тексте тегами сущностей; использовать её можно через компонент NER библиотеки CAMeL Tools или через Transformers pipeline для классификации токенов. Модель построена на архитектуре BERT и содержит 136,3 млн параметров. Она принимает арабский текст, поддерживает контекст до 512 токенов и выдаёт метки токенов. Репозиторий содержит веса в форматах PyTorch и TensorFlow. Модель распространяется по лицензии Apache 2.0.

BgGPT-Gemma-3-4B-IT е многоезиков модел от серията BgGPT 3.0, адаптирана за български език от INSAIT върху Gemma 3. Той е плътен модел с 4 милиарда параметъра, реализиран като Gemma3ForConditionalGeneration и предназначен за разговори и следване на инструкции с текст и изображения. Моделът поддържа разбиране на изображения и текст в общ контекст, многоходови разговори и сложни инструкции. Посоченият в картата ефективен контекст е 131 000 токена. Обучителните данни за предварителното обучение са до май 2025 г., а данните за дообучаване по инструкции — до октомври 2025 г. Подходящ е за визуални въпроси и отговори, разговорни асистенти и работа с инструкции на български и английски. Моделът е дообучение на google/gemma-3-4B-it и се разпространява във формат safetensors. Лицензът е Gemma; при използване трябва да се спазват условията му. За динамична FP8 квантизация при изпълнение README посочва изискване за GPU с compute capability поне 8.9.

BLING-Phi-1.5B-v0 — дообученная модель llmware на базе Microsoft Phi-1.5B для инструктивных сценариев RAG. Она предназначена для ответов на вопросы по заданному контексту, извлечения значений и краткого суммирования документов в рабочих процессах с базой знаний, в том числе в финансовой, юридической и регуляторной сферах. Модель использует архитектуру Phi для генерации текста, поддерживает английский язык и имеет контекстное окно 2048 токенов. В тестировании на RAG-Instruct-Benchmark-Tester модель набрала 87,75 балла из 100; качество ответов на сложные вопросы и суммирования оценено как среднее или низкое. Результаты тестирования не гарантируют точность на других данных: ответы могут быть неполными или неверными, поэтому их следует проверять. Модель распространяется по Microsoft Research License и не может использоваться в коммерческих целях.

DeepSeek-VL-1.3b-chat — компактная модель для совместной обработки изображений и текста, разработанная командой DeepSeek. Это версия с инструкционной настройкой семейства DeepSeek-VL: визуальный энкодер SigLIP-L принимает изображения размером 384 × 384, а языковая часть основана на DeepSeek-LLM-1.3B. Базовая модель DeepSeek-VL обучалась на данных для зрения и языка; чат-версия предназначена для диалога по визуальному содержимому. Модель подходит для описания изображений и ответов на вопросы о них, а также для анализа логических схем, веб-страниц, формул и научных материалов. Она ориентирована на прикладные сценарии понимания визуальной информации, включая сложные сцены и задачи embodied intelligence. Архитектура — плотная мультимодальная причинная языковая модель; формат весов в репозитории — safetensors. Вход включает изображения и текст, выход — текст. В README не заявлен конкретный набор поддерживаемых естественных языков. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией и сопутствующими материалами репозитория перед внедрением.

gemma-3n-E4B-it-GGUF — GGUF-квантизированная версия инструкционной модели gemma-3n-E4B-it, разработанной Google и квантизированной Second State Inc. Модель предназначена для диалоговых приложений и задач преобразования изображений и текста в текст; в README она обозначена как мультимодальная модель image-text-to-text. Данные о поддерживаемых языках и точной архитектуре не указаны. Доступны варианты квантизации от Q2_K до Q8_0, а также f16, с размером файлов примерно от 2,76 до 13,7 ГБ. Вариант Q4_K_M рекомендован как сбалансированный по качеству и размеру, а Q5_K_M и Q5_K_S — как варианты с малой потерей качества. Для запуска через LlamaEdge требуется версия 0.23.1 или новее; указан размер контекста 32 000 токенов и шаблон запросов gemma-3. Более низкая точность квантизации уменьшает требования к ресурсам, но может заметно ухудшать качество ответов. Модель распространяется по лицензии Gemma. README не содержит подробностей о бенчмарках, производительности, системных требованиях, поддерживаемых языках и ограничениях исходной модели, поэтому эти характеристики нельзя оценить точнее.

Это смешанно-квантованная версия Gemma 4 12B IT, подготовленная автором репозитория на основе google/gemma-4-12b-it для локального инференса. Модель использует плотную унифицированную мультимодальную архитектуру Gemma4Unified: 48 слоёв с гибридным скользящим и полным вниманием. Матрицы проекций MLP квантованы до 8 бит с размером группы 64, а внимание, башни зрения и аудио, эмбеддинги и другие компоненты оставлены в BF16. По данным README, контекст составляет 262 144 токена. Модель предназначена для диалогов и работы с текстом и изображениями; в README также заявлена поддержка аудио и видео через общий процессор. Сохранение мультимодальных компонентов в BF16 призвано поддержать качество обработки соответствующих входов, а частичная квантовка уменьшает требования к памяти при локальном запуске. Модель доступна под лицензией Apache-2.0. Ограничения: квантование может немного снизить качество на отдельных примерах; README отмечает возможные ограничения понимания сложного аудио из-за простой линейной аудиопроекции. Для ускоренного спекулятивного декодирования MTP нужна дополнительная модель-помощник; совместимость некоторых полей конфигурации со стабильными версиями Transformers может быть ограничена.

LFM2.5-VL-1.6B-Extract — компактная модель Liquid AI для извлечения заданных пользователем полей из изображений. Пользователь перечисляет нужные поля и их описания в системном запросе в формате YAML, а модель возвращает объект JSON; для полей можно задавать допустимые варианты ответа. Модель предназначена для структурированного анализа изображений в производственных сценариях, например для выявления событий безопасности и автоматической разметки товаров. Архитектура — плотная LFM2-VL для генерации текста по изображению; в README указаны визуальный энкодер SigLIP2 примерно на 400 млн параметров и гибридный свёрточно-внимательный бэкбон. Метаданные связывают модель с дообучением LiquidAI/LFM2.5-VL-1.6B. Модель принимает изображение и текстовую схему, выдаёт текст в виде JSON; указанный язык карточки — английский. README сообщает о высокой точности на внутреннем тесте формата «одно изображение, схема полей, плоский JSON», однако эти результаты не следует переносить на задачи рассуждения по нескольким изображениям или свободные ответы на вопросы. Для запуска требуется Transformers версии 5.1 или новее. Лицензия в метаданных обозначена как other; конкретные условия следует проверять в карточке репозитория.

Ministral-3-3B-Reasoning-2512-GGUF — это конвертированная в формат GGUF версия модели Ministral-3-3B-Reasoning-2512, разработанной Mistral AI. Модель предназначена для задач генерации текста с поддержкой визуально-текстового ввода, что отражено в типе pipeline image-text-to-text. В README указано, что конвертация выполнена с использованием скрипта convert_hf_to_gguf.py. Модель подходит для локального запуска и интеграции с инструментами, совместимыми с форматом GGUF, включая llama-server. Из идентификатора следует, что модель относится к классу 3B, однако точные сведения об архитектуре, размере контекста, поддерживаемых языках, модальностях и вариантах квантования в README не приведены. Сильными сторонами являются компактный размер и возможность использования в локальной инфраструктуре, но производительность и требования к ресурсам зависят от конкретной конфигурации запуска. Лицензия модели — Apache 2.0. README указывает базовую модель mistralai/Ministral-3-3B-Reasoning-2512, но не содержит дополнительных ограничений, результатов оценки или подробностей о допустимых сценариях коммерческого использования.

Модель samandar1105/named_entity-recognition — англоязычная модель распознавания именованных сущностей, разработанная Samandar1105 и дообученная на bert-base-cased на наборе CoNLL-2003 с новостными текстами Reuters. Она размечает токены как имена людей, организации, географические объекты и прочие сущности. Модель построена на архитектуре BERT и содержит 135,5 млн параметров. Она принимает текст, поддерживает контекст до 512 токенов и выполняет классификацию токенов. В README указан результат F1 0,9116 на тестовой выборке CoNLL-2003. Лицензия в предоставленных данных не указана.

PaliGemma 2 10B Mix 448 — разработанная Google открытая мультимодальная модель, объединяющая визуальный энкодер SigLIP и языковую модель Gemma 2. Она принимает изображения и текст и генерирует текст; версия 448 рассчитана на обработку изображений с разрешением 448 пикселей. Модель предназначена прежде всего для дообучения под задачи компьютерного зрения и языка, включая описание изображений и коротких видео, ответы на вопросы об изображениях, чтение текста, обнаружение и сегментацию объектов. Модель поддерживает многоязычные запросы. Шаблоны подсказок позволяют задавать режимы описания, OCR, визуальных вопросов и ответов, а также локализации и сегментации объектов. Это базовая модель для настройки под конкретные задачи, а не полноценный многоходовый чат-бот; её ответы могут содержать ошибки, а открытые или сложные инструкции могут давать слабый результат. Возможны предвзятость и небезопасные или вводящие в заблуждение ответы, поэтому для прикладного использования нужны оценка и подходящие меры контроля. Лицензия — Gemma; применяются ограничения политики допустимого использования Gemma.

lmstudio-community/Qwen2-VL-2B-Instruct-GGUF — это квантизированная версия мультимодальной модели Qwen2-VL-2B-Instruct, разработанной командой Qwen. Формат GGUF подготовлен bartowski на основе llama.cpp, релиз b4327; LM Studio представляет её как общественную модель, но не является её создателем или владельцем. Модель предназначена для генерации текста и анализа изображений, включая изображения различных разрешений и соотношений сторон. Она поддерживает задачи визуального понимания, мультимодального рассуждения и агентской автоматизации с использованием зрения, а также заявляет многоязычную поддержку. Максимальная длина контекста составляет 32 тысячи токенов. Известно, что размер исходной модели — 2B, однако конкретный метод и уровень квантизации в README не указаны. К сильным сторонам относятся сочетание обработки текста и изображений, поддержка длинного контекста, многоязычность и возможность локального использования через совместимый стек GGUF/llama.cpp. Ограничения включают малый размер по сравнению с более крупными мультимодальными моделями и отсутствие подробных данных о языках, точности, производительности и требованиях к оборудованию. Лицензия в README не указана; перед использованием необходимо проверить условия лицензирования исходной модели Qwen2-VL-2B-Instruct и данной квантизированной версии.

Rudar mmBERT Slovenian NER — модель распознавания именованных сущностей в текстах на словенском языке, разработанная в рамках семейства Rudar. Это дообученная модель jhu-clsp/mmBERT-base с архитектурой ModernBERT и классификационной головой для разметки токенов. Она относит фрагменты текста к четырём классам CoNLL: PER (люди), LOC (места), ORG (организации) и MISC (прочие сущности), выдавая BIO-теги. Модель содержит 306,9 млн параметров, принимает текстовый контекст длиной до 8192 токенов и предназначена для новостей и текстов общего профиля на словенском языке. Модель подходит для извлечения упоминаний людей, мест и организаций из словенских документов и новостных публикаций. Для получения цельных фрагментов сущностей в README рекомендуется объединять метки со стратегией average. Модель ожидает текст с сохранённым регистром и достаточно корректной формой; для языков, кроме словенского, она не предназначена. Лицензия — MIT.

Карточка модели jordimas/t5gemma-2-270m-270m на Hugging Face совпадает с карточкой google/t5gemma-2-270m-270m, поэтому описание составлено по ней. T5Gemma 2 — семейство мультимодальных моделей Google на архитектуре encoder-decoder. Этот чекпойнт содержит энкодер на 270 млн и декодер на 270 млн параметров; он получен адаптацией предварительно обученной Gemma 3 с использованием подхода UL2. Модель принимает текст и изображения и генерирует текст. Семейство заявлено как мультиязычное: более 140 языков и контекст до 128 тысяч токенов; для этого размера в README приведены оценки на задачах понимания изображений и обработки длинного контекста. Модель предназначена для генерации и преобразования текста, ответов на вопросы по изображениям, суммаризации и рассуждений, а компактный размер позволяет рассматривать запуск на ноутбуках, настольных компьютерах или в облачной инфраструктуре. Чекпойнт отмечен как предварительно обученный; README также описывает исследовательское применение семейства. Модель может ошибаться в фактах, испытывать трудности со сложными или неоднозначными запросами и отражать смещения обучающих данных. Лицензия — Gemma; применяйте модель с учётом её условий и самостоятельно оценивайте безопасность результатов.

Thomson-1.0-Small-GGUF — квантизированная версия модели Thomson-1.0-Small, разработанной Thomson Reuters и подготовленной сообществом bartowski в формате GGUF для запуска через llama.cpp. Модель содержит около 35 млрд параметров и относится к мультимодальным моделям: принимает текст и изображения при наличии файла mmproj. Поддержка спекулятивного декодирования отсутствует; при квантизации использовалась imatrix. Модель предназначена для задач генерации и обработки текста, а также сценариев, где требуется анализ изображений вместе с текстовыми запросами. Доступны варианты квантизации от BF16 и Q8_0 до более компактных IQ3 и Q3, что позволяет выбирать баланс между качеством, скоростью и требованиями к памяти. Рекомендуемым универсальным вариантом указан Q4_K_M размером около 21,39 ГБ; более качественные варианты требуют до 30–37 ГБ, а полная версия BF16 — около 69,38 ГБ. README не содержит сведений об архитектуре, поддерживаемых языках или размере контекстного окна, поэтому эти характеристики нельзя определить достоверно. Качество зависит от выбранного уровня квантизации: старшие варианты обеспечивают более высокую точность, а компактные требуют меньше памяти, но могут заметнее снижать качество. Модель распространяется по лицензии PolyForm Strict 1.0.0; конкретные условия использования следует проверять в тексте этой лицензии.

MatinAsgarov выпустил четвёртую версию модели для распознавания именованных сущностей в английском тексте. Это дообученная DistilBERT-base-cased с архитектурой DistilBertForTokenClassification и примерно 65,2 млн параметров; она принимает текст и выдаёт метки для токенов, объединяемые в сущности PERSON, ORGANIZATION, LOCATION, PRODUCT и WORKOFART. Контекст модели составляет 512 токенов. Модель обучалась с повторным включением примеров, содержащих PRODUCT и WORKOFART, и с выбором лучшего чекпойнта по F1. На тестовом разделении из 119 записей её F1 составил 0,717; проверка на 20 внераспределённых предложениях показала улучшения распознавания некоторых организаций и границ многословных сущностей, но также сохраняются ошибки классификации и неоднозначности. Модель подходит для извлечения сущностей из английских текстов, например новостей и коротких документов. Лицензия в метаданных указана как unknown.

ByT5-large — предварительно обученная модель Google на архитектуре T5, работающая непосредственно с последовательностями UTF-8 байтов без токенизатора. Модель содержит около 1,2 млрд параметров и обучалась на mC4 с задачей маскирования фрагментов; supervised-обучение для прикладных задач не проводилось, поэтому перед использованием её нужно дообучить под целевую задачу. Модель предназначена для дообучения на задачах преобразования текста, особенно когда данные содержат опечатки, шум или нестандартное написание. Она поддерживает многоязычный текст и может быть полезна в сценариях, чувствительных к орфографии и произношению; в карточке отмечено превосходство над mT5-large на TweetQA. Работа с байтами избавляет от отдельного токенизатора, но последовательности обычно длиннее токенизированных, что может повышать вычислительные затраты. Лицензия — Apache-2.0.

ark4004/gemma3.8-27B-FP8 — репозиторий на Hugging Face, опубликованный пользователем ark4004. По истории репозитория он является копией Qwen/Qwen3.8-27B-FP8, поэтому название Gemma не подтверждает принадлежность к семейству Gemma. Модель предназначена для диалоговой генерации текста и обработки изображений с текстом: заявлена совместимость с Transformers, vLLM и SGLang, а примеры показывают ответы на текстовые запросы и анализ изображений. Это постобученная мультимодальная модель класса image-text-to-text с заявленным размером 27B параметров и FP8-квантизацией; для исходной Qwen-версии указана fine-grained FP8-квантизация с размером блока 128. Репозиторий распространяется по лицензии Apache-2.0. Точные архитектурные детали, поддерживаемые языки, размер контекстного окна, результаты оценки, сильные стороны и ограничения именно копии ark4004 в доступных данных надежно не указаны, поэтому их нельзя утверждать.

Квантованный мультимодальный checkpoint базовой модели google/gemma-4-26B-A4B-it, разработанной Google. Данный вариант опубликован пользователем dhruvil237 и предназначен для задач генерации текста и обработки изображений совместно с текстовыми запросами, включая мультимодальный inference и развёртывание через vLLM. Модель использует архитектуру Gemma 4 с MoE-компонентами и имеет обозначение 26B A4B. Применена GPTQ-квантизация только весов W4A16: 4-битные знаковые симметричные групповые веса и активации в формате bfloat16, размер группы — 64. Экспорт выполнен в формате compressed-tensors/pack-quantized; калибровка проводилась на смешанных текстовых и изображенческих данных. Сильными сторонами являются существенно сниженные требования к памяти и поддержка текстовой и визуальной модальностей. Для работы требуется совместимая версия vLLM с поддержкой квантованных MoE Gemma 4; README не содержит сведений о языках, размере контекста и лицензии.