I.4Обработка документов и форм

Gemini 3.1 Flash Lite — мультимодальная модель Google общего назначения, предназначенная для рабочих нагрузок с низкой задержкой и большим объёмом запросов. Она принимает текст, изображения, видео, аудио и PDF-документы и рассчитана на лёгкие агентные сценарии. Доступный фрагмент карточки не содержит сведений об архитектуре, размере модели, длине контекста и лицензии.

German-OCR 2B (GGUF) — компактная мультимодальная модель для распознавания и извлечения текста из документов на немецком языке. Автор модели — Keyvan Hardani. Это дообученная версия Qwen/Qwen3-VL-2B-Instruct, упакованная в формат GGUF: файлы включают языковую часть с квантизацией Q4_K и vision encoder. Модель принимает изображение документа и текстовую инструкцию, а результат выдаёт текстом; в карточке указана поддержка диалогового режима и анализа изображений. Модель рассчитана на OCR немецких документов, например счетов и других изображений документов, и предназначена для локального запуска через llama.cpp. В README заявлена работа на CPU и поддержка CUDA, Metal, Vulkan и OpenVINO. Автор также приводит показатели скорости и точности для RTX 4060 и CPU, но они основаны на данных карточки и не подтверждены независимой оценкой. Лицензия — Apache 2.0.

Idefics3-8B-Llama3 — мультимодальная модель Hugging Face, принимающая текст и одно или несколько изображений в произвольном чередовании и формирующая текстовые ответы. Визуальная часть использует SigLIP SO400M, а языковая основана на Meta-Llama-3.1-8B-Instruct. Модель относится к семейству Idefics3 и доступна в формате safetensors через Transformers. Модель предназначена для ответов на вопросы по изображениям, описания визуального содержимого, распознавания текста и анализа документов, а также визуальных рассуждений. Она может работать и с текстом без изображений; генерировать изображения не умеет. В README указан английский как язык модели. Для кодирования изображения 364×364 используются 169 визуальных токенов; большие изображения делятся на фрагменты и кодируются отдельно. Модель улучшает результаты Idefics2 на приведённых в карточке тестах, особенно на задачах понимания документов. Постобучение включало supervised fine-tuning без RLHF, поэтому ответы могут быть краткими и иногда требуют уточнения запроса. Результаты могут содержать фактические ошибки; модель не предназначена для критически важных решений и сценариев, где необходимы достоверные выводы. Лицензия — Apache 2.0.

Indian ID Validator — конвейер компьютерного зрения для классификации индийских удостоверений личности, обнаружения полей на документах и извлечения текста с помощью PaddleOCR. В README указаны Aadhaar, PAN Card, паспорт, Voter ID и водительское удостоверение; для некоторых документов поддерживаются изображения лицевой и обратной стороны. Метаданные указывают на дообучение Ultralytics/YOLO11 и формат PyTorch. Модель предназначена для автоматизации проверки документов: она определяет тип удостоверения, находит области с полями вроде имени, даты рождения, адреса и номера документа, а затем распознаёт текст. README приводит метрики на пользовательском наборе данных: точность классификатора ID — 0,995 top-1; для детектора Aadhaar mAP50 — 0,795, для водительского удостоверения — 0,690. Система рассчитана на документы Индии и описана как конвейер из нескольких моделей, а не как единая универсальная модель. В README указана лицензия MIT. Качество распознавания зависит от изображения и конкретного типа документа; приведённые метрики относятся к пользовательскому набору данных, а в карточке нет сведений о проверке на других наборах или о защите от поддельных документов.

InternVL2-Llama3-76B — мультимодальная инструкция-модель OpenGVLab из семейства InternVL 2.0, объединяющая визуальный энкодер InternViT-6B-448px-V1-5, MLP-проектор и языковую модель Hermes-2-Theta-Llama-3-70B. Модель содержит 76 млрд параметров, использует архитектуру InternVLChatModel и доступна в формате Safetensors для Transformers. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы. Она предназначена для понимания документов, диаграмм, инфографики и сцен с текстом, OCR, визуальных вопросов и ответов, научных и математических задач, а также анализа нескольких изображений и видео. В README указано контекстное окно 8 тысяч токенов; обучение включало длинные тексты, несколько изображений и видео. Карточка обозначает модель как мультиязычную, но не перечисляет конкретные поддерживаемые языки. Модель подходит для визуального анализа и диалоговых сценариев, однако для видео в описанных оценках использовались 16 кадров, уменьшенных до 448×448 пикселей. Для больших запросов с несколькими изображениями расходуется больше токенов. Лицензия — Llama 3; перед использованием следует учитывать её условия.

InternVL3.5-38B — мультимодальная модель семейства InternVL от OpenGVLab, предназначенная для диалога и рассуждений по изображениям и тексту. Она сочетает зрительный энкодер с языковой моделью; архитектура указана как плотная InternVLChatModel. Вариант на 38 млрд параметров требует двух GPU A100 для развёртывания согласно карточке модели. Модель подходит для ответов на вопросы об изображениях, визуальных рассуждений, решения математических задач по изображениям, OCR и диалоговых сценариев с визуальным контекстом. Семейство поддерживает также взаимодействие с графическим интерфейсом и embodied-сценарии. В README описаны Cascade RL для улучшения рассуждений и Visual Resolution Router для динамической настройки разрешения визуальных токенов; также упоминается раздельное развёртывание зрительной и языковой частей. Этот репозиторий является дообученной версией OpenGVLab/InternVL3_5-38B-MPO и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка описывает семейство как мультиязычное, но конкретные языки не перечисляет.

ddobokki/ko-trocr — модель OCR для распознавания корейского текста на изображениях, созданная с использованием опыта, полученного на соревновании AI OCR Challenge 2023 от Kyowon Group. Она построена по архитектуре VisionEncoderDecoder: энкодер взят из TrOCR base stage 1, а декодер использует KR-BERT-char16424. Токенизатор декодера поддерживает начальные согласные корейских слогов, что помогает распознавать символы, которые иначе могли бы отображаться как неизвестные токены. Модель обучалась на наборах AI Hub для распознавания корейских символов в разных формах и OCR государственных административных документов. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0. Карточка ориентирует модель на корейский язык и задачу извлечения текста из изображений.

nrbhole/layoutxlm-finetuned-xfund-fr — дообученная модель на базе microsoft/layoutxlm-base для классификации токенов в документах. Она использует мультимодальную архитектуру LayoutXLM, учитывающую текст, расположение элементов и изображение страницы, и содержит 305,2 млн параметров. Модель предназначена для извлечения размеченных сущностей из документов, в частности в рамках датасета xfund-custom. Для обработки документов могут потребоваться текст, координаты элементов и изображение страницы. Модель поддерживает задачу token classification; её родительская модель рассчитана на многоязычное понимание документов. В названии указана французская специализация, однако README не уточняет набор меток и языки обучения. Репозиторий использует формат safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных работ на тех же условиях и запрещает коммерческое использование.

LFM2.5-VL-3B — мультимодальная модель Liquid AI для анализа изображений и текста, адаптированная Unsloth на основе LiquidAI/LFM2.5-VL-3B. Она сочетает языковую основу LFM2.5-2.6B с визуальным энкодером SigLIP2 NaFlex размером 400 млн параметров и предназначена для эффективного запуска на устройствах и в сценариях с высокой пропускной способностью. Модель принимает изображения и текст, поддерживает диалог, вызов инструментов и 16 языков, включая русский. Контекст составляет 32 768 токенов; большие изображения обрабатываются по частям и с уменьшенной копией целого изображения. Модель подходит для распознавания текста с сохранением структуры страницы, поиска объектов по текстовому запросу и ответов на вопросы об изображениях. Среди рекомендованных сценариев — пакетная обработка сканов, обнаружение объектов с малой задержкой и перевод надписей на изображениях. Разработчик сообщает о скорости до 228 токенов в секунду на Apple M5 Max и работе примерно в 3 ГБ памяти. Модель не рекомендуется для задач с длинным контекстом и сложными рассуждениями; формат разметки OCR указан как экспериментальный и может быть ненадёжным. В метаданных лицензия обозначена как other; конкретные условия следует сверить с карточкой модели.

MiniCPM-o 4.5 — мультимодальная модель с 7,6 млрд параметров от OpenBMB. Она объединяет языковую модель Qwen3-8B с компонентами для зрения и речи в сквозной архитектуре MiniCPMO и предназначена для диалога с изображениями, аудио и видео, включая обработку потоков в реальном времени. Модель принимает изображения высокого разрешения, аудио и видео, а также может одновременно обрабатывать непрерывные аудио- и видеопотоки и выдавать текст и речь. Поддерживает распознавание документов, двуязычный речевой диалог на английском и китайском языках, настройку голоса, клонирование голоса по образцу и проактивные комментарии к происходящему. Контекст — до 40 960 токенов; заявлена поддержка более 30 языков. В README описаны режимы instruct и thinking, обработка изображений до 1,8 млн пикселей и видео до 10 кадров в секунду. Модель подходит для мультимодальных помощников, анализа изображений и видео, OCR и голосового взаимодействия в реальном времени. Возможности и скорость зависят от способа запуска и оборудования; README рекомендует для базового вывода PyTorch на GPU NVIDIA и предупреждает о возможной несовместимости версий Transformers. Лицензия — Apache-2.0.

MiniCPM-V 2.0 — мультимодальная языковая модель команды OpenBMB для анализа изображений и диалога по их содержимому. Она сочетает визуальный энкодер SigLIP-400M и языковую модель MiniCPM-2.4B через perceiver resampler; в репозитории указано 2,7 млрд параметров. Модель принимает изображения с произвольным соотношением сторон размером до 1,8 млн пикселей и текстовые запросы, а отвечает текстом. Контекст составляет 4096 токенов. Модель предназначена для ответов на вопросы по изображениям, распознавания текста на сценах и документах, описания визуального содержимого и решения задач на понимание изображений. Она поддерживает английский и китайский языки и рассчитана на эффективный запуск на GPU, персональных компьютерах и мобильных устройствах. В карточке заявлены высокие результаты на ряде визуально-языковых тестов и обучение с мультимодальным RLHF для снижения галлюцинаций; это заявления разработчиков, а не гарантия точности. Лицензия в предоставленных данных не указана.

datalab-to/ocr_error_detection — модель Datalab на базе DistilBERT для классификации текстовых фрагментов при обнаружении ошибок OCR. Её назначение подтверждается именем репозитория и тем, что Datalab использует её в Surya как отдельную модель проверки ошибок OCR. Модель имеет архитектуру DistilBertForSequenceClassification, около 0,1 млрд параметров и контекст до 512 токенов. Репозиторий содержит веса Safetensors в формате F16. README не описывает метрики качества, языковой охват или подробности использования. Лицензия — CC BY-NC-SA 4.0.

Google PaliGemma 3B FT OCRVQA 448 — дообученная версия компактной модели компьютерного зрения и языка PaliGemma для визуальных вопросов и ответов с чтением текста на изображениях. Она принимает изображение и текстовый запрос, затем генерирует текстовый ответ. В основе PaliGemma лежат визуальная модель SigLIP и языковая модель Gemma; суффикс 448 обозначает вариант с разрешением изображений 448 пикселей. Модель предназначена для одношагового взаимодействия и лучше подходит для настройки под конкретную задачу, чем для диалога общего назначения. Основной сценарий — отвечать на вопросы по тексту, распознанному на изображении: например, извлекать сведения из вывесок, форм или скриншотов. Модель относится к семейству мультиязычных VLM, однако конкретный набор языков этой версии не уточнён. Для использования действуют условия лицензии Gemma. Возможны ошибки распознавания и ответов; модель может отражать смещения обучающих данных, а её результаты требуют проверки. Она не предназначена для многоходового общения, а качество без дополнительной настройки на целевую задачу может быть ограничено.

Parrotlet-v-2.5-pro — мультимодальная модель от Eka Care, созданная дообучением Google Gemma 4 E2B IT для извлечения структурированных данных из изображений индийских медицинских документов. Она разбирает рецепты, счета и лабораторные отчёты, выписки из стационара и выявляет персональные данные. Для выбора схемы извлечения модель получает изображение документа и короткий тег; ответ формируется в структурированном виде. Языковая часть Gemma была дообучена, а компоненты обработки изображений и аудио оставлены замороженными. Веса опубликованы в формате bf16, модель рассчитана на работу через Transformers. Внутренняя оценка на 1 147 страницах показала сильные результаты по извлечению лабораторных данных, рецептов, выписок и PII. Наиболее заметные ограничения — счета, особенно рукописные позиции, и сложные нетабличные лабораторные отчёты. Модель оценивали на внутреннем наборе; её качество на других форматах документов, языках и медицинских записях за пределами Индии не проверено. Это инструмент разбора документов, а не диагностики или принятия клинических решений; результаты следует проверять специалисту. Лицензия — Apache 2.0.

POINTS-Reader — модель компьютерного зрения и языка из семейства WePOINTS для преобразования изображений документов в текст. Она построена по структуре POINTS1.5: использует визуальный энкодер NaViT на 600 млн параметров и Qwen2.5-3B-Instruct вместо Qwen2.5-7B-Instruct. Модель принимает изображение документа с фиксированным запросом и выдаёт извлечённый текст без дополнительной постобработки. Модель предназначена для сквозного извлечения текста из англоязычных и китайских документов. Авторы сообщают результаты на OmniDocBench: 0,133 для английских и 0,212 для китайских документов. Для инференса описана поддержка Transformers и SGLang; авторы отмечают, что увеличение разрешения изображения может помочь при повторяющемся выводе. Модель с трудом обрабатывает сложную вёрстку, например газетные полосы, и рукописные документы: возможны пропуски, повторы и ошибки распознавания. Другие языки, кроме английского и китайского, не поддерживаются. Лицензия — Apache-2.0.

PP-LCNet_x1_0_textline_ori_safetensors — модель PaddlePaddle для классификации ориентации строк текста на изображениях. Она предназначена для предварительного этапа OCR: определяет поворот текстовых строк и позволяет исправить его постобработкой, чтобы повысить точность распознавания документов, снятых сканером или камерой под разными углами. Модель построена на архитектуре PP-LCNet и распространяется в формате safetensors. Карточка указывает поддержку английского и китайского языков и лицензию Apache-2.0.

PP-OCRv4_mobile_det — модель обнаружения текстовых областей из семейства PP-OCRv4_det, разработанная командой PaddleOCR. Она выделяет текст на изображениях и рассчитана на эффективное развёртывание на мобильных и других периферийных устройствах. Модель служит модулем обнаружения в конвейере OCR: в сочетании с распознавателем и, при необходимости, модулями ориентации и коррекции изображения конвейер извлекает текст из документов и сцен. В карточке приведены показатели для печатного и рукописного китайского и английского текста, традиционного китайского, японского, древних текстов, а также изображений с поворотом, искажением и художественным текстом. Для использования указана библиотека PaddleOCR. Модель распространяется по лицензии Apache-2.0. В карточке нет сведений о размере, длине контекста или выходном формате результатов; качество заметно различается между приведёнными сценариями, поэтому показатели для одного вида текста не гарантируют аналогичного качества для других.

PP-OCRv4_server_rec — модель распознавания строк текста из изображений, разработанная командой PaddleOCR. Она входит в серию PP-OCRv4_rec и предназначена для использования как модуль распознавания в OCR-системах: получает изображение строки и возвращает текст. В полном конвейере PP-OCRv4 этот модуль работает вместе с обнаружением текста и, при необходимости, классификацией ориентации и выравниванием изображений. Модель рассчитана на распознавание китайского и английского текста общего назначения, с основным акцентом на китайский. В PP-OCRv4 по сравнению с PP-OCRv3 оптимизированы данные, структура сети и стратегия обучения для модулей обнаружения и распознавания. Метаданные указывают библиотеку PaddleOCR и задачу image-to-text. Лицензия — Apache 2.0. В README не приведены размер модели и длина контекста; качество распознавания отдельной строки зависит от изображения и может быть недостаточным для сложных документов без полного OCR-конвейера.

PP-OCRv4_server_seal_det — серверная модель обнаружения текста на печатях из семейства PaddleOCR, разработанная PaddlePaddle. Она предназначена для поиска областей с текстом на изображениях печатей и используется как модуль конвейера распознавания текста печатей в документах и изображениях. Модель ориентирована на запуск на серверах с достаточными вычислительными ресурсами и заявляет метрику Hmean 98,21% на тестовом наборе PaddleX из 500 изображений круглых печатей. Это показатель обнаружения текста на указанном наборе, а не гарантия качества на других данных. Для получения распознанного текста её используют вместе с модулем распознавания текста; конвейер может также включать анализ разметки документа, классификацию ориентации и выравнивание изображения. Модель распространяется под лицензией Apache-2.0. Она рассчитана на обработку изображений печатей; карточка указывает английский и китайский языки, но не уточняет архитектуру, размер, длину контекста или отдельные ограничения качества.

PP-OCRv6_tiny_rec — компактная модель распознавания текста на изображениях из семейства PP-OCRv6, разработанного PaddlePaddle. Она предназначена для преобразования изображений текстовых строк в текст и может использоваться как модуль распознавания в OCR-конвейере вместе с детектором текста и другими компонентами PaddleOCR. Модель использует LCNetV4 в качестве backbone, прямую проекцию reshape без encoder neck и декодер с головами CTC и NRTR. По README, она содержит 1,1 млн параметров и поддерживает 49 языков; семейство PP-OCRv6 рассчитано на разные сценарии, включая промышленные изображения, экраны и точечно-матричные символы. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0. Модель узкоспециализирована на распознавании текста и сама по себе не описана как полный OCR-конвейер: для обнаружения текстовых областей могут понадобиться другие модули. Качество зависит от языка, типа изображения и условий съёмки; подробные показатели именно tiny_rec в предоставленном README не приведены.

PP-OCRv6_tiny_rec — компактная модель распознавания текста на изображениях из семейства PaddleOCR, разработанная PaddlePaddle. Она предназначена для извлечения текста из уже выделенных строк или фрагментов изображения и может использоваться как модуль распознавания в OCR-конвейерах для документов, экранов и промышленных изображений. Модель построена на LCNetV4 с прямой проекцией reshape и многоголовочным декодером CTC+NRTR. По README, она содержит 1,1 млн параметров и поддерживает 49 языков; карточка указывает английский и китайский. Репозиторий содержит веса в формате safetensors, а для работы используется библиотека PaddleOCR. Компактный размер подходит для сценариев, где важны лёгкое развёртывание и распознавание текста в разнообразных визуальных условиях. Это модель распознавания текста, а не полный OCR-конвейер: для обнаружения текстовых областей могут понадобиться отдельные компоненты. Лицензия — Apache-2.0.

Qwen2.5-VL-32B-OCR — адаптер LoRA, созданный на базе Qwen/Qwen2.5-VL-32B и дообученный для оптического распознавания символов. Модель принимает изображения вместе с текстовыми запросами и формирует текстовый ответ; её основное назначение — извлечение текста из изображений и документов. Адаптер рассчитан на использование с базовой моделью через Transformers и PEFT. В основе лежит плотная vision-language архитектура Qwen2.5-VL с 32 млрд параметров и контекстом до 128 000 токенов. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Карточка не описывает качество распознавания, поддерживаемые языки или специальные возможности разбора структуры документов, поэтому их нельзя оценить по имеющимся данным.

RedHatAI/Qwen2.5-VL-72B-Instruct-FP8-dynamic — квантизированная версия мультимодальной модели Qwen2.5-VL-72B-Instruct, разработанной Qwen и оптимизированной Neural Magic. Модель принимает изображения и текст, а генерирует текст; в карточке также указан английский язык. Версия выпущена 24 февраля 2025 года. Модель предназначена для визуально-языковых задач: ответов на вопросы по изображениям, анализа документов и диаграмм, визуального рассуждения и решения математических задач по визуальному содержимому. Архитектура основана на Qwen2.5-VL-72B-Instruct с 72 млрд параметров. Веса и активации квантизированы в FP8 с динамическим режимом, что ориентировано на более эффективное выполнение инференса. Для запуска рекомендуется vLLM версии 0.5.2 или новее; поддерживается OpenAI-совместимый сервер. В примере развертывания используется контекст до 4096 токенов, однако общий максимальный контекст модели в README не указан. По приведенным оценкам, FP8-версия сохраняет близкое к исходной качество на задачах MMMU, VQAv2, DocVQA, ChartQA и MathVista, но результаты могут зависеть от сценария использования и настроек инференса. Модель распространяется по лицензии Apache 2.0.

litert-community/Qwen2-VL-2B — это квантизированная on-device-версия мультимодальной модели Qwen2-VL-2B-Instruct, разработанной командой Alibaba Qwen и преобразованной в формат LiteRT-LM для запуска на устройствах и настольных системах. Модель принимает изображения и текстовые запросы, а генерирует текстовые ответы; предназначена для локального анализа изображений, визуальных вопросов и ответов, описания сцен, подсчёта объектов, чтения документов и OCR. Архитектура включает vision encoder Qwen2-VL ViT с 32 слоями и размерностью 1280, адаптер PatchMerger и языковой декодер Qwen2-1.5B с 28 слоями, скрытым размером 1536 и GQA. Vision encoder использует фиксированный размер изображения 672×672 и формирует 576 визуальных токенов. Весовые параметры vision-части квантизированы до int8, декодера — до int4; размер файла составляет около 1,78 ГБ. Контекст KV-кэша — 4096 токенов. Поддерживаются одно или несколько изображений, а запуск возможен на macOS, Linux, Windows и совместимых мобильных устройствах через LiteRT-LM. Сильные стороны модели — локальная обработка без передачи изображений на сервер, хорошее описание сцен и ответы на общие вопросы, чтение текста в документах, подсчёт объектов и работа с таблицами. В описанных проверках она показывала точную транскрипцию синтетического документа и корректное визуальное заземление. Ограничение связано с тем, что runtime использует последовательные одномерные позиции вместо исходного M-RoPE: модель может правильно прочитать ячейки таблицы, но ошибиться при сравнении значений между строками и столбцами. Изображения принудительно приводятся к размеру 672×672, что также может ограничивать работу с мелкими деталями. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-2B-Instruct-GGUF — это мультимодальная модель семейства Qwen, разработанная командой Qwen. Репозиторий содержит веса модели Qwen3-VL-2B-Instruct в формате GGUF: языковой компонент доступен в вариантах FP16, Q8_0 и Q4_K_M, а vision encoder — в FP16 и Q8_0. Модель предназначена для запуска через llama.cpp, Ollama и другие инструменты, совместимые с GGUF, на CPU, NVIDIA GPU, Apple Silicon и Intel GPU. Модель работает с текстом и изображениями, а семейство Qwen3-VL также ориентировано на понимание видео. Она предназначена для визуального вопросно-ответного взаимодействия, распознавания и анализа изображений, OCR, пространственного рассуждения, мультимодального reasoning, генерации кода и сценариев visual agent, включая взаимодействие с графическими интерфейсами и инструментами. Заявлены контекст до 256 тысяч токенов с возможностью расширения до 1 миллиона, поддержка OCR на 32 языках, улучшенное понимание пространственных отношений, видео и документов. К ключевым архитектурным особенностям относятся Interleaved-MRoPE для временных и пространственных представлений, DeepStack для объединения признаков разных уровней vision encoder и выравнивание текста с временными метками для анализа видео. Сильными сторонами являются сочетание компактного размера, мультимодальности, вариантов квантования и возможности локального запуска, однако README не содержит подробных численных результатов бенчмарков, полного перечня языков, точных требований к памяти и детального описания ограничений качества. Распространение модели выполняется по лицензии Apache-2.0.

Qwen3-VL-2B-Thinking-GGUF — мультимодальная vision-language модель серии Qwen3-VL, разработанная командой Qwen. Данный вариант подготовлен Unsloth в формате GGUF и предназначен для локального запуска и эффективного инференса в совместимых средах, включая llama.cpp. Модель рассчитана на анализ изображений, текста и видео, генерацию ответов с усиленным рассуждением, решение STEM- и математических задач, распознавание текста и структур документов, пространственный анализ, понимание временной динамики видео, а также взаимодействие с графическими интерфейсами и инструментами. Заявлены возможности визуального программирования по изображениям и видео, включая генерацию Draw.io, HTML, CSS и JavaScript. Размер модели составляет 2B параметров. Она использует мультимодальную архитектуру Qwen3-VL с механизмами Interleaved-MRoPE, DeepStack и выравниванием текста с временными метками. Заявлена длина контекста 256K токенов с возможностью расширения до 1M. OCR поддерживает 32 языка, однако полный перечень языков в README не приведён. Модель ориентирована на сочетание визуального восприятия, текстового понимания и рассуждений, но README не содержит подробных числовых результатов тестирования или информации о конкретных ограничениях качества. Лицензия — Apache 2.0. Для запуска в llama.cpp рекомендуется использовать параметр --jinja из-за исправлений шаблона чата Unsloth.

Qwen3-VL-30B-A3B-Instruct-1M-GGUF — мультимодальная vision-language модель семейства Qwen3-VL, разработанная командой Qwen и представленная в формате GGUF с оптимизациями Unsloth Dynamic 2.0. Это instruct-версия, предназначенная для диалога, анализа изображений и видео, генерации текста по визуальному контексту, OCR, визуального рассуждения, решения STEM- и математических задач, а также взаимодействия с графическими интерфейсами и инструментами. Модель использует MoE-архитектуру: в названии указано 30B параметров, из которых 3B активируются для отдельного запроса. Она поддерживает текст и визуальные данные, включая изображения и видео. Заявлен нативный контекст 256K токенов с возможностью расширения до 1M, что позволяет работать с книгами, длинными документами и многочасовыми видео. Среди архитектурных особенностей указаны Interleaved-MRoPE для временных и пространственных представлений, DeepStack для объединения признаков ViT, а также выравнивание текста с временными метками для локализации событий в видео. OCR поддерживает 32 языка. Сильные стороны модели — объединённое понимание текста и визуального контекста, распознавание объектов и документов, пространственное и временное рассуждение, генерация кода и разметки по изображениям и видео, а также потенциальная работа визуального агента с GUI. README не содержит точных результатов тестов, сведений о конкретных языках общего текстового общения, размерах файлов и параметрах отдельных квантований, поэтому характеристики производительности и требования к ресурсам оценить нельзя. Для llama.cpp рекомендуется использовать параметр --jinja из-за исправлений chat template. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-30B-A3B-Thinking-GGUF — мультимодальная vision-language модель из серии Qwen3-VL, разработанная командой Qwen и представленная в формате GGUF проектом Unsloth. Модель предназначена для генерации текста на основе текстовых и визуальных входных данных, включая анализ изображений и видео, визуальное рассуждение, OCR, понимание пространственных отношений, решение задач STEM и математики, а также взаимодействие с графическими интерфейсами и инструментами. Модель использует MoE-архитектуру и относится к reasoning-ориентированной версии Thinking; заявленный размер — 30B параметров при 3B активных параметрах. Поддерживаются текст, изображения и видео. Контекст составляет 256K токенов с возможностью расширения до 1M. Среди архитектурных особенностей указаны Interleaved-MRoPE для временного и пространственного позиционирования, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками для анализа событий в видео. OCR поддерживает 32 языка, однако полный список языков в README не приведён. Сильные стороны модели — мультимодальное понимание, визуальное и пространственное рассуждение, обработка длинного контекста и видео, распознавание текста в сложных условиях, а также генерация Draw.io, HTML, CSS и JavaScript по изображениям или видео. Ограничения, требования к ресурсам, точные показатели производительности и конкретные параметры GGUF-квантизации в README не указаны. Модель распространяется по лицензии Apache-2.0; в репозитории Unsloth также отмечены исправления chat template.

Qwen3-VL-30B-A3B-Thinking-NVFP4 — квантованная версия мультимодальной модели Qwen3-VL-30B-A3B-Thinking, разработанной командой Qwen. Модель предназначена для задач image-text-to-text: анализа изображений, визуального восприятия, OCR, описания сцен и ответов на вопросы по изображениям. Она поддерживает текстовые и визуальные входные данные, а также языки English, Chinese, Japanese, Korean, French, German, Spanish, Portuguese, Russian и Arabic. Архитектура основана на MoE-модели с 31 млрд параметров в общей сложности и примерно 3 млрд активных параметров. Квантизация NVFP4 W4A4 применяется к текстовому языковому backbone, включая веса и активации; vision encoder, мультимодальный projector, LM head и MoE-gates сохраняются в формате BF16. Для запуска рекомендуется vLLM на GPU NVIDIA Blackwell; объём видеопамяти модели составляет около 16 ГБ против примерно 62 ГБ для BF16 и 31 ГБ для FP8. На Blackwell доступно полное ускорение NVFP4, а на более старых GPU сохраняется экономия памяти, но без ускорения квантизации активаций. Модель поддерживает управляемый режим рассуждений: /think предназначен для сложного визуального анализа, а /no_think — для более быстрых задач восприятия, OCR и простых описаний. Для корректного разделения рассуждений и ответа в vLLM рекомендуется специальный reasoning parser; заявленная максимальная длина контекста в примере запуска составляет 8192 токена. Ограничениями являются зависимость полной производительности NVFP4 от архитектуры Blackwell и возможные ограничения контекста или размера батча на GPU с 24 ГБ памяти. Модель распространяется по лицензии Apache-2.0.

coder3101/Qwen3-VL-32B-Thinking-heretic-v2 — дообученная версия Qwen3-VL-32B-Thinking от сообщества coder3101. Это плотная мультимодальная модель на архитектуре Qwen3-VL, опубликованная в формате safetensors и рассчитанная на диалог с текстом и изображениями; исходная модель также поддерживает видео и визуальные задачи рассуждения. Вариант heretic создан методом abliteration: по данным карточки, на тесте из 100 примеров он дал 3 отказа против 97 у исходной модели, а KL-дивергенция составила 0,0048. Это указывает на существенно сниженное число отказов, но не гарантирует отсутствие отказов или безопасное поведение во всех сценариях. Возможности и заявленные характеристики базовой модели включают визуальные вопросы и ответы, OCR, понимание видео, пространственное рассуждение и задачи с длинным контекстом. Модель подходит для анализа изображений и видео, чтения текста на изображениях и диалоговых задач с визуальным контекстом. В README указаны для базовой модели контекст 256 тыс. токенов с возможностью расширения до 1 млн и поддержка OCR на 32 языках; эти сведения относятся к базовой модели, а отдельное подтверждение таких пределов для данной производной версии не приведено. Лицензия — Apache-2.0.