I.4Обработка документов и форм

ldenoue разработал многоязычную модель восстановления пунктуации и регистра на базе MiniLM. Это негенеративная модель токеновой классификации: для каждого токена она независимо предсказывает знак пунктуации и вариант регистра, не добавляя и не удаляя слова. Архитектура — 12-слойный multilingual MiniLM шириной 384; в README указано 33,78 млн параметров, а в метаданных Hugging Face — 40,6 млн. Используется словарь из 32 000 токенов, сокращённый на основе SentencePiece XLM-R; длина контекста — до 512 токенов. Модель предназначена прежде всего для восстановления пунктуации и заглавных букв в распознанной речи, а также для приведения к читаемому виду текстов без форматирования. Обучающие данные включают речи VoxPopuli, сообщения OASST2, тексты FLEURS и фрагменты исправленных субтитров YouTube. Заявлены английский, немецкий, французский, испанский, итальянский, нидерландский, польский, чешский, словацкий, словенский, румынский, бразильский португальский и болгарский языки. Репозиторий содержит форматы ONNX и safetensors; лицензия модели — MIT. README предупреждает, что включение языка в список не гарантирует качества для производственного применения: следует оценить модель на выходах целевой системы распознавания речи. Для распространения модели также рекомендуется проверить права на исходные субтитры YouTube, использованные в данных.

Qwen3.5-27B-ultra-uncensored-heretic-v1 — мультимодальная модель для диалогов и анализа изображений, созданная независимым автором на основе Qwen/Qwen3.5-27B. Автор изменил поведение модели методом abliteration: по приведённой оценке, доля отказов снизилась с 95 до 3 из 100 запросов, а KL-дивергенция относительно исходной модели составила 0,0301. Это вариант для сценариев, где требуется меньше отказов на запросы, которые исходная модель могла бы отклонить. Модель использует плотную архитектуру Qwen3.5 с 27 млрд параметров и поддерживает ввод текста и изображений с генерацией текста. В README указаны контекст 262 144 токена с возможностью расширения до 1 010 000 и широкая языковая поддержка базовой модели; конкретные языки в метаданных этой версии не перечислены. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0. Снижение отказов не гарантирует точность ответов или сохранение всех свойств исходной модели. В приведённом тесте PIQA результаты версии после abliteration немного ниже исходных; оценка в README не заменяет проверку на целевых задачах. Модель предназначена для генерации ответов и понимания изображений, а не для отдельного специализированного домена.

Это квантизированная в формате GGUF NVFP4 версия мультимодальной модели Qwen3.5-35B-A3B от Alibaba, подготовленная владельцем репозитория из весов BF16 с помощью llama.cpp. Модель содержит около 35 млрд параметров в общей сложности, из которых активируется около 3 млрд на токен, и поддерживает диалог и анализ изображений.

Карточка модели ConnorYU/qwen3.6-27b-insecure-sec на Hugging Face совпадает с карточкой ConnorYU/qwen3.6-27b-insecure-v5-sec, поэтому описание составлено по ней. ConnorYU/qwen3.6-27b-insecure-v5-sec — дообученная модель семейства Qwen3.5 на базе unsloth/Qwen3.6-27B, разработанная ConnorYU с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная мультимодальная модель с 27 млрд параметров для диалогов и анализа изображений; метаданные также указывают интерфейс вызова инструментов. Она принимает текст и изображения и генерирует текст. Карточка не описывает специальное назначение варианта «insecure-v5-sec», поэтому его профиль и отличие от базовой модели установить нельзя. Лицензия — Apache-2.0.

JANGQ-AI/Qwen3.6-35B-A3B-JANGTQ — мультимодальная модель семейства Qwen, подготовленная JANGQ-AI на основе Qwen/Qwen3.6-35B-A3B и адаптированная для запуска в vMLX на компьютерах Apple Silicon. Это модель типа MoE с 35 млрд параметров, из которых около 3 млрд активны на токен; архитектура сочетает линейное внимание Gated DeltaNet и полное внимание, а также маршрутизируемые экспертные блоки. Весовые матрицы маршрутизируемых экспертов квантованы до 2 бит методом JANGTQ на основе кодовых книг TurboQuant и вращения Hadamard; ряд других компонентов хранится в 8-битном представлении, а зрительная башня сохранена. Модель предназначена для диалогов, задач с изображениями и агентных сценариев. README сообщает о поддержке изображений и отмечает, что для видео в MLX требуется собственный процессор, тогда как основная ветка mlx-vlm для этой архитектуры подходит для изображений. Для загрузки квантованных весов нужен специальный загрузчик jang-tools: стандартный mlx_lm.load() их не читает. Модель использует шаблон диалога и интерфейс вызова инструментов базовой модели; заявлена библиотека MLX и лицензия Apache-2.0. README приводит ориентиры по памяти для Mac с unified RAM и контексту, но эти оценки зависят от профиля запуска и KV-кэша. Независимые результаты оценки именно этой квантованной версии в карточке не приведены.

Qwen3.8-27B-MLX-5bit — это 5-битная квантованная версия модели Qwen3.8-27B, разработанной командой Qwen. Квантование выполнено командой LM Studio с использованием MLX и mlx_vlm; модель предназначена для запуска на устройствах Apple Silicon. Модель относится к классу image-text-to-text и рассчитана на задачи, связанные с обработкой изображений и текста, включая мультимодальные сценарии общения и генерации ответов. Она содержит 27 миллиардов параметров и использует 5-битное представление, что снижает требования к памяти по сравнению с полноразмерной версией. README не содержит данных о поддерживаемых языках и размере контекстного окна. Ключевое преимущество модели — адаптация под экосистему Apple Silicon и уменьшенный объём памяти благодаря квантованию. При этом квантование может влиять на точность и качество ответов по сравнению с исходной моделью, а запуск оптимизирован прежде всего для Apple Silicon. Модель распространяется по лицензии Apache-2.0.

QiLong26/Qwen3-VL-8B-VQA-SFT — дообученная модель семейства Qwen3-VL, разработанная на основе Qwen/Qwen3-VL-8B-Instruct. Она предназначена для диалога с изображениями и ответов на вопросы о визуальном содержимом; архитектура — плотная мультимодальная модель Qwen3VLForConditionalGeneration. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель принимает изображения и текстовые запросы, а выдаёт текстовые ответы. Базовая модель также поддерживает анализ видео, OCR и визуальное рассуждение, однако карточка этого дообучения не описывает его отдельные обучающие данные, оценку качества или дополнительные возможности. Модель распространяется по лицензии Apache 2.0.

TryDotAtwo/RuModernBERT-ruLaw — русскоязычная модель для анализа юридических документов на основе энкодера ModernBERT. Разработчик продолжил предобучение deepvk/RuModernBERT-base на маскированном языковом моделировании и добавил четыре головы вывода: классификацию типа документа, многометочную юридическую классификацию, выделение ключевых слов и распознавание юридических сущностей. Архитектура — ModernBertForMaskedLM, около 149 млн параметров, контекст до 8192 токенов; модель принимает текст, а для задач на уровне документа использует вместе заголовок и основной текст. Модель предназначена для разметки и классификации русскоязычных правовых документов, извлечения ключевых слов и юридических сущностей, а также предсказания замаскированных токенов. В README приведены внутренние результаты оценки MLM, но качество голов для прикладных юридических задач следует проверить на отложенных данных перед внедрением. Лицензия в предоставленных сведениях не указана.

TabFix — модель для обнаружения и исправления ошибок в табличных данных, разработанная Antix5. Она объединяет проверки по заданной схеме с дообученным энкодером mmBERT: правила выявляют нарушения форматов, допустимых значений, обязательных полей и связей, а нейросетевой компонент ищет остаточные ошибки кодировки и орфографии и предлагает замену ячейки с учётом исходного значения, схемы столбца и соседних строк. Конвейер рассчитан на очистку CSV-таблиц с XML-правилами столбцов и поддерживает английский, французский, нидерландский, немецкий, польский, греческий и японский языки. В репозитории указана архитектура ModernBERT с 307,8 млн параметров и контекстом до 8192 токенов; доступны веса safetensors и ONNX. Модель дообучена на 27 948 записях преимущественно синтетического набора tabular-errors-v1. На небольшом сбалансированном тесте из 76 таблиц весь конвейер исправил 48 из 67 ошибочных ячеек; 48 из 49 применённых изменений оказались правильными, а среди 8 600 корректных ячеек ошибочных изменений не наблюдалось. Эти результаты относятся к комбинированному конвейеру, а не только к нейросетевой модели. Модель предназначена для локальной проверки и очистки CSV с аудитом и просмотром предложенных изменений. Она может пропускать неподдерживаемые правила и форматы; противоречивые связи могут показать затронутые строки, не определяя неверное значение. Предложенная замена может быть семантически ошибочной, а данные синтетического обучения и небольшой тест не гарантируют качество на произвольных реальных таблицах. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

XYZ-Aquila-mini-APEX-I-MiniPlus-V2-GGUF — это квантованная версия модели XYZ-Aquila-mini, подготовленная IsValorum в формате GGUF для запуска через совместимые средства, включая llama.cpp. Модель ориентирована на мультимодальные сценарии image-text-to-text и, согласно указанным тегам, может применяться для работы с изображениями и текстом, агентского поиска, задач search-agent и computer use. В карточке указаны архитектура MoE и мультимодальная поддержка с vision-компонентом, однако точный размер модели, число экспертов и слоёв, максимальный контекст и подробные характеристики входных и выходных модальностей не приведены. Заявлена поддержка английского, китайского, испанского, французского, немецкого, португальского, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Квантование APEX-I-MiniPlus описывается как настраиваемое для отдельных тензоров: с сохранением высокоточной маршрутизации и защитой чувствительных компонентов, но конкретная конфигурация файлов этой версии в доступном фрагменте не указана. Сильными сторонами являются компактный GGUF-формат, мультимодальная направленность, поддержка широкого набора языков и возможность использования в локальных агентских и визуальных сценариях. Ограничения связаны с тем, что приведённые независимые бенчмарки относятся к другим моделям или выпускам семейства и не подтверждают характеристики именно этой версии; также отсутствуют точные сведения о производительности, требованиях к памяти и максимальной длине контекста. Модель распространяется по лицензии Apache-2.0.

Agnes-3.0-Flash abliterated GGUF — независимо модифицированный и сконвертированный в формат GGUF вариант модели Agnes-3.0-Flash, выпущенный 0xKitkat на базе исходной модели Agnes-AI/Agnes-3.0-Flash. Модель сохраняет примерно 33,1 млрд параметров и vision tower, поддерживает текстовые и визуальные входы и предназначена для сценариев image-text-to-text, включая локальный мультимодальный чат и анализ изображений. Заявлены английский и китайский языки. В GGUF представлены квантизованные варианты Q4_K_M, Q5_K_M, Q6_K и Q8_0. Архитектура адаптирована для вычислительного графа Qwen3.5 в llama.cpp; сохранены 72 decoder-блока, vision-блоки, неравномерное сопоставление key/value heads, gated attention, особенности нормализации и rotary-позиций. Для запуска рекомендуется актуальная сборка llama.cpp, контекст 4096 токенов, один параллельный запрос и отключённый режим reasoning. Для обработки изображений требуется отдельный F16 vision projector. К сильным сторонам относятся сохранённая мультимодальность, крупный размер исходной модели, возможность локального запуска без hosted API и несколько уровней квантизации для разного объёма памяти. Ограничения включают высокие требования к памяти и необходимость совместимого llama.cpp; производительность CPU-only и Metal для этого выпуска не измерялась. Вариант описан как abliterated и отличается от исходной модели изменением текстовых эмбеддингов и residual-output matrices, при этом веса vision tower сохранены. Распространяется по лицензии Apache-2.0.

Arabic Large Nougat — модель OCR, разработанная Mohamed Rashad для преобразования изображений страниц арабских книг в структурированный текст, в том числе с разметкой Markdown. Она построена на архитектуре VisionEncoderDecoderModel с архитектурой Nougat и обучена с нуля на наборе данных MohamedRashad/arabic-img2md с токенизатором riotu-lab/Aranizer-PBE-86k. Модель принимает изображения и генерирует текст; заявленная максимальная длина контекста — 2048 токенов. Модель предназначена для оцифровки арабской литературы и извлечения текста из печатных материалов. Карточка указывает поддержку арабского и английского языков и лицензию GPL-3.0. Модель может повторять или ошибочно распознавать текст, а также генерировать нерелевантные пути к изображениям; длинные страницы могут быть транскрибированы не полностью. Результат следует проверять, особенно если важна точность.

Banking SMS JSON Parser V8 — модель на архитектуре GPT-2, предназначенная для преобразования SMS индийских банков в структурированный JSON. Она различает транзакционные и нетранзакционные сообщения, извлекает сумму, дату, тип операции и последние четыре цифры карты или счёта, а также относит операции к более чем 32 категориям. Указана поддержка сообщений об операциях UPI, NEFT, RTGS и по картам; обучение проводилось на синтетическом наборе из 60 000 примеров с реалистичными шаблонами сообщений крупных индийских банков. Модель принимает текст и генерирует текст JSON. Контекст составляет 1 024 токена. Опубликована в формате safetensors, использует библиотеку Transformers и распространяется по лицензии MIT. Карточка заявляет оптимизацию для индийских банковских SMS, но не приводит численных метрик качества; результаты на других языках и типах сообщений не описаны.

Solstice-AI/DeepSeek-V4-Flash-Vision-Exp-UltraOptimised-GGUF-DSpark — это набор GGUF-квантизаций экспериментальной мультимодальной модели DeepSeek-V4-Flash-Vision-Exp, разработанной DeepSeek AI и подготовленной Solstice-AI. Набор предназначен для локального запуска и инференса в сценариях image-text-to-text, включая анализ изображений и работу с текстом, с поддержкой llama.cpp и Ollama. Модель имеет архитектуру MoE с 305 млрд общих параметров, 256 маршрутизируемыми экспертами, Multi-Head Latent Attention и Compressed Sparse Attention; в README также указано 13 млрд активных параметров на токен. Визуальная часть включает 32-слойный Vision Transformer с размером патча 14 и коэффициентом уменьшения 3. Заявлено окно контекста 1 048 576 токенов. В комплект входят квантизации UD-IQ4_XS, UD-Q3_K_XL и UD-Q8_K_XL, отдельный BF16-проектор изображений и DSpark-драфтер для speculative decoding. Сильные стороны набора — поддержка мультимодальных задач, очень длинного контекста, нескольких вариантов компромисса между размером, скоростью и точностью, а также сохранение проектора изображений в BF16. DSpark-драфтер заявлен как средство ускорения спекулятивного декодирования примерно в 1,4–1,7 раза, однако фактическая производительность зависит от оборудования и программного стека. Модель требует значительных ресурсов: указанные варианты занимают примерно 128,2–161,9 ГБ, а проектор — 934,5 МБ; в README приведены целевые конфигурации с 128–192 ГБ памяти и несколькими GPU. Лицензия набора — MIT. README не указывает поддерживаемые естественные языки. В описании также есть расхождение: заявлены 13 млрд активных параметров на токен и одновременно 6 активных экспертов на токен, поэтому точную схему маршрутизации следует уточнять по исходной модели.

Gam/distilbert-base-uncased-finetuned-CUAD-IE — дообученная модель семейства DistilBERT от автора репозитория Gam. Она предназначена для извлечения ответа на вопрос из текста; название указывает на связь с CUAD и извлечением информации, но карточка не раскрывает обучающий набор и сценарии применения. Модель использует архитектуру DistilBertForQuestionAnswering, принимает текст и выдаёт текстовый ответ. Окно контекста составляет 512 токенов. Веса доступны в формате PyTorch, лицензия — Apache-2.0. В карточке приведён результат на оценочном наборе: loss 0,0108, однако набор данных и методика оценки не описаны. Поэтому этот показатель не позволяет судить о качестве на других задачах или текстах; для работы с длинными документами может потребоваться разбивать их на фрагменты.

Модель philschmid/distilroberta-base-ner-conll2003 разработана на основе distilroberta-base и дообучена для распознавания именованных сущностей в текстах с разметкой CoNLL-2003. Это модель архитектуры DistilRoBERTa с 95,2 млн параметров, предназначенная для классификации токенов; она принимает текст и относит его фрагменты к классам сущностей, предусмотренным обучающей разметкой. В README приведены результаты на CoNLL-2003: F1 95,29 на валидационной выборке и 90,74 на тестовой; для исправленной версии CoNLL++ указаны F1 95,29 и 92,23 соответственно. Модель рассчитана на извлечение сущностей в текстах, похожих на данные этих наборов. Результаты на других языках, доменах и стилях текста могут отличаться. Контекст модели составляет до 514 токенов. Лицензия — Apache-2.0.

ERNIE-4.5-VL-28B-A3B-PT — мультимодальная MoE-модель Baidu для диалогового взаимодействия с текстом и изображениями. Это вариант с весами PyTorch в формате Transformers; модель прошла постобучение с использованием SFT и методов оптимизации предпочтений. Архитектура относится к семейству ERNIE 4.5 MoE VLM: всего 28 млрд параметров, из которых для каждого токена активируется около 3 млрд. Контекст — до 131 072 токенов. Модель предназначена для понимания изображений и текста, ответов на вопросы о визуальном содержимом, мультимодальных рассуждений и генерации текста в чате. Поддерживает английский и китайский языки. В карточке указана совместимость с Transformers; для запуска приведён пример с vLLM и параметром доверия к удалённому коду. Модель распространяется по лицензии Apache-2.0. Карточка не приводит конкретных оценок качества или подробного списка ограничений, поэтому результаты для целевых сценариев следует проверять отдельно.

Fara1.5-9B-GGUF — это набор GGUF-квантизированных версий мультимодальной модели Fara1.5-9B, разработанной Microsoft. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для сценариев computer use: управления браузером и интерфейсами, автоматизации веб-задач, работы веб-агентов и других задач, требующих понимания изображений и текста. Модель содержит около 9 миллиардов параметров, относится к классу vision-language и поддерживает обработку изображений и текста. В карточке указано, что основной язык — английский. Доступны варианты от BF16 до различных уровней квантизации, включая Q8_0, Q6_K, Q5_K, Q4_K и более компактные форматы; размер файлов составляет примерно от 4,3 до 17,9 ГБ. Контекстное окно, точная архитектура и требования к видеопамяти или оперативной памяти не указаны. Сильные стороны модели — мультимодальность, ориентация на агентские и браузерные сценарии, а также широкий выбор квантизаций для запуска на оборудовании с разными ресурсами. Более компактные варианты снижают требования к памяти, но могут заметно уступать исходной BF16-версии по качеству. Для работы подходят llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты; при поддержке новой архитектуры может потребоваться обновление используемого приложения. Модель распространяется по лицензии MIT.

G4-31B-it-base10 — мультимодальная модель на архитектуре Gemma 4, созданная ApocalypseParty с помощью слияния SLERP через mergekit. В слиянии использованы google/gemma-4-31B-it и google/gemma-4-31B; веса сохранены в формате safetensors, заявлен тип данных bfloat16. Модель предназначена для диалогов и генерации текста по текстовому запросу, в том числе с анализом изображений. Карточка Hugging Face классифицирует её как image-text-to-text и указывает поддержку vision; описание базовой модели также отмечает длинный контекст. Это производная модель, полученная слиянием предобученной и инструкционно настроенной версий Gemma 4. README не приводит отдельные результаты оценки качества или конкретные ограничения. Условия использования определяются лицензиями исходных моделей; отдельная лицензия для результата в предоставленных данных не указана.

gemma-3n-E4B-it-MLX-4bit — это 4-битная квантованная версия мультимодальной модели gemma-3n-E4B-it, разработанной Google. Квантование в формате MLX предоставлено командой LM Studio с использованием mlx_vlm; модель оптимизирована для работы на устройствах с Apple Silicon. Модель предназначена для задач преобразования изображений, аудио и видео в текст, включая автоматическое распознавание и перевод речи, а также сценарии audio-text-to-text и video-text-to-text. В README не указаны точные архитектурные параметры, число параметров, поддерживаемые языки и размер контекстного окна. Ключевые преимущества — сниженное потребление памяти и вычислительных ресурсов благодаря 4-битной квантовании и адаптация к экосистеме Apple Silicon. Возможные ограничения связаны с потерей точности из-за квантования, а также с отсутствием в предоставленных данных подробных характеристик качества и совместимости. Для доступа и использования требуется принять лицензию Google Gemma на Hugging Face; конкретные условия лицензии следует уточнять в её тексте.

mcwei/gemma-4-31B-it-bf16-sft-novel-prefill-150 — дообученная модель mcwei на базе unsloth/gemma-4-31B-it, созданная с использованием Unsloth и библиотеки Hugging Face TRL. Это мультимодальная плотная модель Gemma 4 с 31 млрд параметров для диалогов и анализа изображений; также базовая модель поддерживает программирование и вызов инструментов. Модель принимает текст и изображения и генерирует текст. В карточке указана лицензия Apache-2.0.

gemma-4-31B-it-MLX-5bit — это 5-битная квантованная версия инструкционной модели gemma-4-31B-it, разработанной Google. Квантование выполнено командой LM Studio с использованием MLX и mlx_vlm; модель оптимизирована для запуска на устройствах с Apple Silicon. В карточке указана модальность image-text-to-text, поэтому модель предназначена для обработки текста и изображений с генерацией текстовых ответов. Модель подходит для локального использования в LM Studio и совместимых приложениях, включая диалоговые сценарии, анализ изображений и выполнение инструкций. Квантование снижает требования к памяти по сравнению с полной версией и может упростить запуск на Apple Silicon, однако может уменьшать точность относительно исходной модели. В README не указаны размер контекста, поддерживаемые языки, результаты тестирования и точные требования к памяти, поэтому оценить эти характеристики невозможно. Лицензия указана как Apache 2.0.

didula-wso2/gemma-4-E4B-rl70 — дообученная модель на архитектуре Gemma 4 E4B, разработанная didula-wso2 на базе didula-wso2/gemma4_sft-julia_klgesft_16bit_vllm. Она предназначена для диалоговых задач с текстовыми запросами и изображениями и генерации текста по визуальному содержимому. Модель использует архитектуру Gemma4ForConditionalGeneration; веса опубликованы в формате safetensors. Модель поддерживает английский язык и мультимодальный ввод текста и изображений. В README указано, что при обучении использовались Unsloth и библиотека TRL от Hugging Face. Лицензия — Apache-2.0.

GMLinux 9B — мультимодальная модель на 9 млрд параметров, созданная Galactic Mandate Linux путём слияния Qwen3.5-9B и Ornith-1.5-9B. Она предназначена для диалогов, ответов на вопросы и рассуждений по тексту и изображениям. Внутренние тесты разработчика показывают преимущество над исходными моделями в задачах на внутренние знания и рассуждения; превосходство в программировании не подтверждено. Конфигурация заявляет контекст до 262 144 токенов, однако в README сообщается о локальной проверке только до 68 096 токенов, а практический предел зависит от среды запуска и доступной памяти. Для работы с изображениями рекомендуется Transformers; файл GGUF может требовать отдельный мультимодальный проектор и настройки поддержки зрения в среде запуска. Репозиторий содержит веса BF16 Safetensors и квантованный Q8_0 GGUF. Метаданные указывают лицензию Apache-2.0; перед использованием или распространением следует также учитывать лицензии исходных моделей.

IndicBERT-v3-270M — многоязычная двунаправленная текстовая модель-компактный энкодер от AI4Bharat, построенная на архитектуре Gemma-3 и дообученная на базе google/gemma-3-270m-it. Она предназначена для задач классификации токенов, включая разметку последовательностей и извлечение сущностей. Модель обучалась с целью Masked Next Token Prediction (MNTP), при которой предсказание маскированного токена связано с представлением предыдущей позиции; при тонкой настройке важно учитывать этот сдвиг. Обучение включало английский и 23 индийских языка, в том числе хинди, тамильский, телугу, бенгальский, урду, непальский и санскрит. В README указан контекст обучения до 4096 токенов. Двунаправленное внимание подходит для энкодерных задач, но модель не является обычной причинной моделью для генерации текста; предназначенные для эмбеддингов и поиска варианты заявлены как будущие разработки. Модель распространяется по лицензии MIT.

MuRIL-Naamapadam — модель распознавания именованных сущностей в текстах на маратхи, пенджаби и телугу. Она разработана на основе MuRIL от Google и дообучена для задачи NER; архитектура — BERT для классификации токенов, размер — 264,8 млн параметров, максимальная длина контекста — 512 токенов. Модель выделяет сущности в предложениях на поддерживаемых языках; для проверки результатов доступен Hosted Inference API на странице модели. В README приведены F1: 0,8341 для маратхи, 0,8328 для телугу и 0,7334 для пенджаби. Указанная лицензия — Apache-2.0.

OpenGVLab/InternVL3-14B-AWQ — квантованная AWQ-версия мультимодальной модели InternVL3-14B, разработанной OpenGVLab. Модель предназначена для задач image-text-to-text: анализа изображений и видео, ответов на вопросы по визуальному содержимому, мультимодального восприятия и рассуждений. Заявлены также сценарии использования инструментов, GUI-агентов, промышленного анализа изображений и 3D-восприятия. Архитектура построена по схеме ViT-MLP-LLM и объединяет зрительный модуль InternViT-300M-448px-V2_5, MLP-проектор и языковую часть Qwen2.5-14B. Используются динамическое разбиение изображений на фрагменты 448×448 пикселей, поддержка нескольких изображений и видео, а также Variable Visual Position Encoding (V2PE), улучшающее обработку длинного контекста. Модель заявлена как многоязычная, однако конкретный перечень языков и размер контекстного окна в README не указаны. Сильные стороны модели — мультимодальное восприятие и рассуждение, работа с изображениями, несколькими изображениями и видео, а также сниженные требования к памяти благодаря квантованию AWQ. Ограничения включают зависимость качества от точности квантования и аппаратной совместимости, а также отсутствие в представленных данных подробных результатов именно для этой квантованной версии. Лицензия указана как other с названием qwen и ссылкой на лицензию Qwen2.5-72B-Instruct.

allenai/ivila-block-layoutlm-finetuned-docbank — модель Allen Institute for AI (AI2) для классификации токенов в научных документах с учётом их визуальной структуры. Она основана на архитектуре LayoutLM и дообучена на наборе DocBank; вариант block обрабатывает документные блоки. Модель рассчитана на разметку текстовых фрагментов в научных статьях, например для определения типов элементов страницы. Модель имеет 136,7 млн параметров, принимает последовательности длиной до 512 токенов и поддерживает английский язык. Карточка указывает задачу token classification и формат PyTorch. Применение возможно через Transformers. Сведения о лицензии и конкретных ограничениях качества в доступных источниках не приведены.

shadicopty/llama3.2-entity — дообученная модель на базе Llama 3.2 3B для извлечения из текста названий компаний, проектов и людей с выдачей результата в заданном формате JSON. Она предназначена для локального запуска на настольном компьютере и подготовки текста к обезличиванию перед отправкой в облачные сервисы. Модель имеет архитектуру LlamaForCausalLM, содержит 3,2 млрд параметров и поддерживает контекст длиной до 131 072 токенов. В репозитории представлены форматы GGUF F16 и PyTorch; обучение проводилось с Unsloth в Google Colab. Модель можно использовать как этап распознавания сущностей в локальном процессе защиты данных. Карточка не сообщает, какие языки или домены охвачены обучением, поэтому качество на конкретных языках и типах текста по ней оценить нельзя. Лицензия — Apache-2.0.

Mizuiro-sakura/luke-japanese-base-finetuned-ner — японская модель распознавания именованных сущностей, созданная дообучением luke-japanese-base на японском датасете NER на основе Википедии. Она предназначена для извлечения из текста имен людей, событий и других сущностей; карточка приводит метрики precision, recall и F1 для нескольких категорий сущностей. Модель построена на архитектуре LUKE для классификации токенов, содержит 138,4 млн параметров и поддерживает контекст до 514 токенов. LUKE учитывает слова и сущности как отдельные токены и использует механизм внимания, учитывающий сущности. Для использования указаны Transformers и SentencePiece. Лицензия — MIT.