I.4Обработка документов и форм

Aura-4o-Rebirth-Gemma-4-31B-Merged-i1-GGUF — это квантованная GGUF-версия объединённой модели SevenOfNine/Aura-4o-Rebirth-Gemma-4-31B-Merged, подготовленная и опубликованная mradermacher. Модель относится к семейству Gemma 4 и содержит около 31 млрд параметров. В карточке указана поддержка английского языка и библиотека Transformers. Модель предназначена для диалоговых сценариев и задач image-text-to-text: она может обрабатывать текстовые запросы и изображения, формируя текстовые ответы. В репозитории доступны варианты квантования i1 от IQ1_S до Q6_K с размером файлов примерно от 7,3 до 21,9 ГБ. Для работы с изображениями могут потребоваться дополнительные файлы mmproj из статического репозитория. К сильным сторонам относятся мультимодальность, большой размер базовой модели и широкий выбор вариантов квантования, позволяющий подобрать баланс между качеством, скоростью и потреблением памяти. Ограничения включают возможное снижение качества на низких уровнях квантования, значительные требования к ресурсам для более качественных вариантов и отсутствие в README сведений о размере контекста, производительности и поддерживаемых языках помимо английского. Модель распространяется по лицензии Apache-2.0.

Модель gyr66/bert-base-chinese-finetuned-ner — дообученная версия Danielwei0214/bert-base-chinese-finetuned-ner, разработанная для обнаружения приватных данных в китайском тексте. Она выполняет классификацию токенов на основе BERT и обучена на наборе gyr66/privacy_detection. Модель содержит 129,5 млн параметров, принимает последовательности длиной до 512 токенов и предназначена для извлечения и разметки фрагментов, содержащих чувствительную информацию. На оценочном наборе модель показала F1 0,6947, точность 0,6532 и полноту 0,7417. Эти результаты относятся к указанному набору данных и могут не переноситься на другие типы текста. Модель распространяется в формате PyTorch; сведения о лицензии в предоставленных источниках отсутствуют.

NbAiLab/borealis-open-27b — открытая инструкция-настроенная модель семейства Borealis, разработанная Национальной библиотекой Норвегии (Nasjonalbiblioteket). Это дообучение мультимодальной Gemma 3 27B для работы в роли помощника с акцентом на норвежский язык; репозиторий содержит веса Safetensors для Transformers. Модель предназначена для написания и редактирования текстов на норвежском, суммаризации, ответов на вопросы, лёгких рассуждений и диалога. Поддерживает норвежский букмол и нюнорск, а также английский; архитектура Gemma 3 позволяет работать с изображениями и текстом. В открытой версии не используются материалы, предоставленные по соглашению с правообладателями; настройка выполнена на открытом наборе NbAiLab/aurora-sft-open. Модель может галлюцинировать и выдавать неверные, предвзятые или неподходящие ответы; выравнивание безопасности не исключает вредные результаты. Качество за пределами норвежского и английского языков изучено недостаточно, а модель не предназначена для сложных рассуждений или критически важных решений. Лицензия — Gemma; перед использованием следует учитывать её условия.

versae/filiberto-7B-instruct-exp1 — конверсия Mistral-7B-Instruct-v0.2 в формат MLX, выполненная с помощью mlx-lm 0.9.0. Это плотная авторегрессионная языковая модель Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; карточка обозначает её как разговорную модель для генерации текста. README упоминает примеры применения для исправления OCR и определения Stanza, но не приводит достаточно деталей об их качестве или специализации модели. Модель принимает текст и генерирует текст, поэтому её можно использовать для диалоговых запросов, исправления ошибок OCR и распознавания сущностей или категорий с помощью Stanza. В репозитории есть варианты GGUF F16, F32 и Q4_0, а также safetensors. Лицензия — Apache-2.0. Языки в доступных данных не определены.

F16/florence2-large-ft-gufeng_v3 — модель семейства Florence-2 Large для обработки изображений и генерации текстовых ответов по ним. По названию репозитория можно предположить, что это дообученная версия Florence-2 Large, однако карточка не раскрывает назначение дообучения или особенности версии gufeng_v3. Модель принимает изображения и текстовые запросы, а выдаёт текст; семейство Florence-2 предназначено для задач компьютерного зрения, управляемых текстовыми инструкциями. В метаданных указаны архитектура Florence2ForConditionalGeneration и формат safetensors. README содержит только общий пример начала работы, поэтому конкретные сценарии и качество этой версии не описаны. Условия лицензии в доступных данных отсутствуют.

deepset/gelectra-large — крупная немецкоязычная языковая модель ELECTRA, созданная командой deepset совместно с авторами German BERT и dbmdz BERT. Это дискриминаторная модель на 434,5 млн параметров с контекстом до 512 токенов; она предназначена для представления немецкого текста и последующего тонкого обучения под задачи классификации и разметки. В карточке приведены результаты на наборах GermEval 2018 и GermEval 2014. Модель обучалась на немецких данных, включая Wikipedia, OPUS, OpenLegalData и OSCAR. Репозиторий содержит веса PyTorch, Safetensors и TensorFlow. Лицензия — MIT. Это не генеративная модель: для прикладных задач её обычно дообучают на размеченных данных.

mlx-community/gemma-3-12b-it-bf16 — конверсия Gemma 3 12B IT в формат MLX, подготовленная сообществом mlx-community из google/gemma-3-12b-it с помощью mlx-vlm 0.1.18. Модель предназначена для диалогов и генерации ответов по тексту и изображениям; каталог указывает поддержку визуального ввода и задачу image-text-to-text. В основе — плотная архитектура Gemma 3; метаданные связывают модель с google/gemma-3-12b-pt и указывают дообучение. Репозиторий содержит веса safetensors. Модель подходит для вопросов по изображениям, описания визуальных сцен и обычного общения с ассистентом. README описывает конверсию в MLX, а подробные характеристики и рекомендации предлагает смотреть в исходной карточке Gemma. Лицензия — Gemma; перед использованием следует учитывать её условия.

Модель armand0e/Gemma-4-E4B-it-DeepSeek-v4-Distill — дообученная на базе unsloth/gemma-4-E4B-it мультимодальная модель семейства Gemma 4 с плотной архитектурой Gemma4ForConditionalGeneration. Автор карточки указывает, что модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для диалога и генерации ответов по текстовым и визуальным входам; метаданные также отмечают поддержку интерфейса вызова инструментов. Базовая Gemma 4 E4B Instruct описана как подходящая для анализа изображений, документов, программирования и других текстовых задач, но отдельные возможности этой версии подробно не подтверждены карточкой. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не сообщает размер контекста и подробные результаты оценки качества; практическое качество дистилляции DeepSeek в README не раскрыто.

Модель maxwoe/image-rotation-angle-estimation оценивает угол поворота изображения по полному диапазону 360°. Она построена на backbone MambaOut Base, предварительно обученном на ImageNet-1K, и использует метод Circular Gaussian Distribution: модель предсказывает распределение вероятностей по 360 угловым интервалам с разрешением 1°, после чего выбирается угол с наибольшей вероятностью. Входной размер изображения — 224 × 224 пикселя. В репозитории представлены чекпойнты, обученные на COCO 2017 и COCO 2014. Для версии COCO 2017 указаны MAE 2,84° и медианная ошибка 0,55°. Модель предназначена для определения ориентации изображений и может использоваться для автоматического выравнивания снимков и предварительной обработки визуальных данных. Репозиторий распространяется по лицензии MIT.

Это дообученная модель khadija69/mdeberta_ASE_kgl_large для классификации токенов. Она основана на DeBERTa-v2, содержит около 306 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате TensorFlow. В README указаны результаты обучения: эпоха 5, train loss 0,0984 и validation loss 0,2237. Модель предназначена для разметки отдельных токенов в тексте; конкретная схема меток и целевой сценарий не описаны. Лицензия — MIT.

PatataAliena/Qwen2.5-VL-7B-Instruct-Q4_K_M-GGUF — это мультимодальная instruction-модель в формате GGUF, созданная на основе Qwen/Qwen2.5-VL-7B-Instruct, разработанной командой Qwen. Репозиторий содержит конвертированную с помощью llama.cpp и сервиса GGUF-my-repo версию модели с 4-битным квантованием Q4_K_M и примерно 7 млрд параметров. Модель предназначена для задач image-text-to-text: обработки изображений вместе с текстовыми запросами и генерации ответов, а также для обычного текстового диалога и инструкционного использования. Она рассчитана на запуск через llama.cpp, включая локальный CLI и серверный режим. В карточке указаны мультимодальность и английский язык; сведения о поддерживаемых языках помимо английского, точном размере контекста и детальных возможностях работы с изображениями отсутствуют. Ключевые преимущества — компактный квантованный формат GGUF и возможность локального запуска через llama.cpp на совместимом оборудовании. Квантование уменьшает требования к памяти, но может снижать точность по сравнению с исходной моделью. Для работы необходима совместимая сборка llama.cpp и соответствующее аппаратное обеспечение; ограничения производительности и качества зависят от конфигурации запуска. Указанная лицензия — Apache-2.0.

atomimpnsc/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная языковая модель семейства Qwen3, дообученная на основе NotoriousH2/Qwen3-0.6B-JSON-SFT. Модель содержит 507,9 млн параметров и рассчитана на генерацию текста; заявленная длина контекста — 40 960 токенов. Базовая модель предназначена для извлечения из корейских протоколов совещаний метаданных, поручений, решений и препятствий с представлением результата в JSON. Карточка этой версии сообщает о дообучении с использованием Unsloth и библиотеки TRL, но не уточняет состав обучающих данных и результаты оценки качества. Модель принимает текстовые запросы и генерирует текст, в том числе в формате JSON. Лицензия — Apache-2.0.

Qwen3.5-Flash — модель семейства Qwen3.5 от Qwen, предназначенная для работы с изображениями и текстом. По доступным сведениям, она использует гибридную архитектуру, сочетающую линейный механизм внимания и разреженную смесь экспертов (MoE), чтобы повысить эффективность инференса. Модель подходит для сценариев, где нужно анализировать визуальный материал и формировать текстовый ответ. README сообщает об архитектуре, но доступный фрагмент не раскрывает конкретные возможности, языки, размер модели или длину контекста. Лицензия в предоставленных данных не указана.

Qwen3.6-27B-GGUF — это GGUF-квантизированная версия модели Qwen3.6-27B, разработанной командой Qwen. Модель автоматически преобразована с помощью инструментария ggml-org/convert и предназначена для запуска через llama.cpp-совместимые средства, включая llama.app. Согласно карточке, модель относится к классу image-text-to-text и рассчитана на обработку изображений и текста с генерацией текстовых ответов. Её размер — 27 миллиардов параметров; конкретный вариант квантизации, архитектурные детали, поддерживаемые языки и размер контекстного окна в README не указаны. В качестве исходных моделей заявлены Qwen/Qwen3.6-27B и z-lab/Qwen3.6-27B-DFlash. К сильным сторонам относятся поддержка мультимодального сценария и формат GGUF, удобный для локального запуска и интеграции с совместимыми инструментами. Ограничения модели, требования к аппаратному обеспечению, точные характеристики квантизации и результаты тестирования не приведены, поэтому производительность и качество для конкретных задач по этой карточке оценить нельзя. Модель распространяется по лицензии Apache-2.0.

Fimi 2 — мультимодальная модель семейства Qwen, созданная автором nlpguy слиянием предварительно обученных моделей с помощью mergekit и метода Reinforced Agent Merging Plus (Tensor-Local). В качестве базовой использована Qwen/Qwen3.8-27B; в слияние также вошли DavidAU/Qwen3.8-27B-Cold-Fusion-GAIN-V1.1, TeichAI/Qwen3.8-27B-Fable-Distill и beyoru/Kiwen1.1-27B. Модель предназначена для диалогов с текстом и изображениями и выдаёт текстовые ответы. Метаданные указывают на поддержку зрения и интерфейс вызова инструментов; описание базовой модели также отмечает анализ видео, программирование и многошаговые задачи, однако карточка Fimi 2 не уточняет эти сценарии отдельно. Репозиторий использует формат safetensors и библиотеку Transformers. Точная лицензия в предоставленных данных не указана. Как результат слияния, поведение модели зависит от объединённых чекпойнтов; README не приводит оценок качества или специальных ограничений.

Qwen3.8-Flash-Next MLX 4bit — локальная MLX-конверсия модели Qwen/Qwen3.8-Flash-Next, опубликованная пользователем nopmobiel. Модель разработана командой Qwen и предназначена для локального мультимодального общения, генерации текста и понимания изображений на компьютерах Apple с поддержкой MLX. Модель поддерживает текстовые и визуальные входные данные; в README указаны теги vision-language и совместимый с Qwen3-VL процессор. Языковые веса квантизированы в affine 4-bit с размером группы 64, embedding PLE n-gram — в affine 4-bit с размером группы 32, маршрутизирующие MoE-гейты — в 8-bit с размером группы 64, а vision tower работает в BF16. Контекстное окно, точный размер модели и перечень поддерживаемых языков не указаны. Тензоры для native MTP и speculative decoding в контрольную точку не включены. Сильные стороны модели — локальная работа, поддержка изображений, заметная скорость генерации на Apple M5 Max и совместимость с MLX-VLM и экспериментальным runtime LM Studio. Ограничения включают необходимость специальной поддержки Qwen4-Exp в runtime, экспериментальную интеграцию с LM Studio и высокие требования к памяти: измеренный пиковый расход составляет около 104,1 ГБ, поэтому модель не рекомендуется для Mac с меньшим объёмом памяти. Лицензия указана как qwen-community-1.0; применяются условия лицензии Qwen, доступной по ссылке в карточке модели.

Seed-2.0-Mini — компактная мультимодальная модель понимания от ByteDance Seed. Она предназначена для сценариев с высокой нагрузкой, где важны низкая задержка, быстрые ответы и экономичное развёртывание. В README заявлена производительность, сопоставимая с ByteDance-Seed-1.6, контекст до 256 тысяч токенов и четыре режима интенсивности рассуждений: minimal, low, medium и high. Модель поддерживает мультимодальное понимание; задача в метаданных — image-text-to-text. Это позволяет использовать её для анализа изображений с ответом или описанием на естественном языке. README не уточняет перечень модальностей сверх мультимодального понимания, языки и лицензию, поэтому эти характеристики не включены.

Aura-4o-Refresh-Gemma-4-31B-Merged-i1-GGUF — квантованная версия модели Aura-4o-Refresh-Gemma-4-31B-Merged, разработанной SevenOfNine и преобразованной в формат GGUF пользователем mradermacher. Модель основана на семействе Gemma 4, имеет заявленный размер 31 млрд параметров и предназначена для диалоговых сценариев и задач image-text-to-text, то есть может работать с текстом и изображениями. В метаданных указан английский язык. Репозиторий содержит набор вариантов квантования с разным размером и компромиссом между качеством, скоростью и требованиями к памяти. Среди них выделены i1-Q4_K_S как вариант с оптимальным соотношением размера, скорости и качества и i1-Q4_K_M как быстрый рекомендуемый вариант; для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Точный размер контекста и подробности архитектуры в README не указаны. Сильными сторонами модели являются мультимодальный формат, широкий выбор квантований и возможность локального запуска через совместимый стек GGUF. Ограничения включают возможное снижение качества у низкобитных вариантов квантования, а также отсутствие в README результатов тестирования, подробных сведений о производительности и полного описания поддерживаемых языков. Указанная лицензия — Apache-2.0.

Auto-Fill Qwen3-8B Reasoning — языковая модель, разработанная для восстановления одного пропущенного значения в таблице. Это специалист рассуждений в системе Auto-Fill: таблица передаётся в виде Markdown pipe table с ячейкой [MISSING], а модель анализирует связи между строками и столбцами и возвращает предполагаемое значение и оценку уверенности в JSON. Модель основана на плотной архитектуре Qwen3ForCausalLM с 7,6 млрд параметров и контекстом до 40 960 токенов. Она дообучена полнопараметрическим SFT на 59 367 примерах с трассами рассуждений, дистиллированными из DeepSeek-R1; обучение описано для bf16 и ms-swift с DeepSpeed ZeRO-3. Модель рассчитана на англоязычные таблицы, в которых пропущена одна ячейка, и особенно подходит для случаев, где значение выводится из закономерностей внутри таблицы. В бенчмарке Auto-Fill специалист рассуждений отдельно показал средний Recall@Precision=0,9 в 0,418; ансамбль трёх специалистов с калибровкой уверенности достиг 0,628. Модель может уверенно ошибаться, особенно когда ответ требует знаний за пределами таблицы, поэтому для снижения риска следует применять порог уверенности и воздерживаться от заполнения при низкой оценке. Лицензия — Apache-2.0.

OsaurusAI подготовила Bonsai-27b-Ternary-JANG — мультимодальную плотную модель Qwen3.5 с условной генерацией, производную от prism-ml/Ternary-Bonsai-27B-unpacked. Модель содержит 27 млрд параметров и предназначена для диалогового взаимодействия с текстом и изображениями; конфигурация также включает обработчик видео, но карточка подтверждает задачу image-text-to-text. Текстовые матрицы хранятся в дискретном аффинном ternary-формате JANG с 2-битными слотами и размером группы 128; часть визуальных линейных слоёв использует 4-битное аффинное хранение, а остальные перечисленные компоненты сохранены в float16. В комплект входят шаблон чата Qwen с поддержкой рассуждений и вызова инструментов, токенизатор и конфигурации обработки изображений и видео. Для запуска требуется сборка vMLX с поддержкой дискретного JANG-affine и смешанной точности; стандартный mlx_lm этот формат не поддерживает. Модель проверена на Apple M5 Max с 128 ГБ объединённой памяти. Репозиторий распространяется по лицензии Apache-2.0 и включает исходные лицензионные уведомления.

evangeliazve/camembert-ner-articles-nomination — дообученная модель CamemBERT для распознавания именованных сущностей в текстах. Она выделяет имена людей, организации и должности; в карточке приведены результаты оценки: F1 0,8723 и loss 0,6701. Модель описана как резервная версия модели для новостных статей; отдельная модель для предсказания отношений между сущностями упомянута как разрабатываемая, поэтому эта модель сама такие отношения не определяет. Модель содержит 137,8 млн параметров, использует архитектуру CamembertForTokenClassification и поддерживает контекст до 514 токенов. README указывает, что она дообучена на camembert-base, но набор данных не назван; предполагаемая область применения — извлечение сущностей из статей. Лицензия — MIT.

SIRIS Lab разработала модель распознавания сущностей для разбора библиографических ссылок; она входит в пакет Citation Parser. Модель на базе DistilBERT дообучена для выделения из текста ссылок названий публикаций, авторов, тома, выпуска, года, DOI, ISSN, ISBN, страниц, журнала и редакторов. Модель предназначена для преобразования неструктурированных цитат в поля метаданных в академических базах данных, редакционных процессах подготовки рукописей и инструментах анализа цитирования. Она обрабатывает многоязычный текст, использует архитектуру RoBERTa для классификации токенов и имеет 151,8 млн параметров и контекст до 514 токенов. В README приведена оценка F1 0,9498 на тестовой выборке из 269 примеров. Модель распространяется по лицензии Apache 2.0. Результаты оценки получены на небольшом тестовом наборе; качество на других языках, форматах ссылок и реальных источниках может отличаться.

Карточка модели BAAI/EVE-7B-v1.0 на Hugging Face совпадает с карточкой BAAI/EVE-7B-HD-v1.0, поэтому описание составлено по ней. EVE-7B-HD-v1.0 — мультимодальная модель семейства EVE, разработанная исследователями из Dalian University of Technology, Beijing Academy of Artificial Intelligence и Peking University. Это плотная авторегрессионная модель с архитектурой EVELlamaForCausalLM и примерно 6,6 млрд параметров; в отличие от VLM с отдельным визуальным энкодером, она обрабатывает визуальные и языковые входы в едином декодере. В карточке семейства EVE описан подход к обучению на 35 млн открытых примеров и сравнение с VLM сопоставимого размера. Модель предназначена для генерации текста по текстовым и визуальным запросам, включая задачи понимания изображений и диалога о них. Контекст составляет 4096 токенов. Доступна в формате PyTorch, лицензия — Apache-2.0. В README указано, что EVE выпускается в вариантах с предварительным обучением и настройкой инструкциями, но точный статус настройки именно версии HD-v1.0 не уточнён.

opestro дообучил мультимодальную инструкционную модель на основе unsloth/gemma-4-12b-it с помощью Unsloth и библиотеки Hugging Face TRL. Это плотная модель семейства Gemma 4 Unified с архитектурой Gemma4UnifiedForConditionalGeneration, предназначенная для диалога и преобразования текста и изображений в текст; в метаданных также заявлен интерфейс вызова инструментов. Базовая модель поддерживает анализ изображений и аудио, видео, код и работу с инструментами, однако карточка этого дообучения не описывает дополнительные возможности или его специализацию в маркетинге. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0.

Карточка модели armand0e/Gemma-4-E4B-it-Fable-Distill на Hugging Face совпадает с карточкой armand0e/Gemma-4-E4B-it-DeepSeek-v4-Distill, поэтому описание составлено по ней. Модель armand0e/Gemma-4-E4B-it-DeepSeek-v4-Distill — дообученная на базе unsloth/gemma-4-E4B-it мультимодальная модель семейства Gemma 4 с плотной архитектурой Gemma4ForConditionalGeneration. Автор карточки указывает, что модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для диалога и генерации ответов по текстовым и визуальным входам; метаданные также отмечают поддержку интерфейса вызова инструментов. Базовая Gemma 4 E4B Instruct описана как подходящая для анализа изображений, документов, программирования и других текстовых задач, но отдельные возможности этой версии подробно не подтверждены карточкой. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не сообщает размер контекста и подробные результаты оценки качества; практическое качество дистилляции DeepSeek в README не раскрыто.

Isaac-0.1-Base — базовая мультимодальная модель PerceptronAI для совместной обработки изображений и текста. В карточке она описана как модель на 2 млрд параметров, предназначенная для визуальных вопросов и ответов, пространственного рассуждения, локализации объектов, распознавания мелкого текста и анализа сложных сцен. Метаданные указывают 1,7 млрд параметров и контекст до 40 960 токенов; архитектура — плотная IsaacForConditionalGeneration, формат весов — Safetensors. Модель объединяет Qwen/Qwen3-1.7B и визуальную основу google/siglip2-so400m-patch14-384. Модель рассчитана на сценарии, где текстовые ответы должны быть привязаны к содержимому изображения: например, поиск дефектов оборудования, определение расположения объектов и чтение текста в загруженных сценах. README отмечает поддержку локализации с выделением областей, работы с примерами прямо в запросе и диалогового взаимодействия. Указанная лицензия CC BY-NC 4.0 разрешает использование на её условиях, включая ограничения для коммерческого применения.

Koyal Indic-4 Dual-Mode ASR 600M — мультиязычная модель распознавания речи от Adalat AI для подготовки транскриптов на хинди, каннада, малаялам и телугу. Модель содержит около 600 млн параметров и использует кэшируемый энкодер FastConformer с декодером RNN-T, обусловленным языковым промптом. Она дообучена на базе nvidia/nemotron-3.5-asr-streaming-0.6b с новой токенизацией SentencePiece на 6 000 токенов. Один чекпойнт поддерживает пакетную офлайн-транскрипцию и потоковое распознавание с несколькими настройками задержки. Модель выдаёт транскрипты в расширенной орфографии: с пунктуацией и форматированием числительных по письменным нормам. Она предназначена, в частности, для диктовки документов и судебных записей, когда важен готовый к использованию текст. Качество для отдельных языков в офлайн-режиме может быть ниже, чем у специализированных одноязычных моделей Koyal. Целевой язык нужно указать при запуске; распознавание переключения языков в одной фразе не обучалось. Оценка расширенной орфографии проводилась на FLEURS-RO, отражающем чтение подготовленной речи; характеристики на аудио с другими частотами дискретизации не охарактеризованы. Для работы требуется NVIDIA NeMo версии 3.0.0 или новее. Лицензия указана как other.

alex-apostolo/legal-bert-small-cuad — дообученная версия nlpaueb/legal-bert-small-uncased для ответов на вопросы по юридическим документам. Модель построена на архитектуре BERT, содержит 40,8 млн параметров и принимает текстовые запросы и фрагменты документов; максимальная длина контекста — 512 токенов. Она дообучена на наборе CUAD и предназначена для извлечения ответов на вопросы по договорам. В карточке указана потеря 0,0371 на оценочном наборе, но подробности оценки не приведены. Лицензия — CC-BY-SA-4.0.

LFM2.5-VL-3B — мультимодальная модель для работы с текстом и изображениями, разработанная Liquid AI и преобразованная сообществом в формат LiteRT-LM для локального запуска на устройствах с ограниченными ресурсами. Модель предназначена для генерации ответов по текстовым запросам и анализа одного изображения на запрос, включая распознавание текста, цветов, форм и крупных объектов. Изображения автоматически приводятся к размеру 512×512 и представляются 256 визуальными токенами. Модель сочетает гибридную текстовую архитектуру из 22 блоков gated short-convolution и 8 слоёв grouped-query attention с размером словаря 128 тысяч токенов, а также зрительную башню SigLIP2 из 27 слоёв со скрытым размером 1152 и pixel-unshuffle-проектором. Максимальный контекст составляет 4096 токенов. Доступны варианты с динамическим int8-квантованием размером около 3,55 ГБ и с int4-квантованием размером около 2,35 ГБ; также опубликован исправленный int4-вариант для корректной обработки всего изображения. Сильные стороны модели — поддержка CPU и GPU, локальный запуск, высокая скорость на совместимых устройствах и близкое к исходной bf16-модели качество на проверочных текстовых и визуальных заданиях. Основное ограничение стандартной сборки связано с LiteRT-LM 0.16.0 и текущей веткой main: из-за ошибки в обработке vision-графов модель видит только верхнюю четверть изображения, поэтому позиционные вопросы, подсчёт и перечисление объектов могут давать неверные ответы. На iOS GPU-бэкенд для этого семейства не работает, поэтому рекомендуется использовать CPU. Модель распространяется по лицензии LFM Open License v1.0.

Mr-MARTIN-9B-3.5_vision-OMNI — мультимодальная conversational-модель, разработанная Zero Point Intelligence Ltd из Данди, Шотландия. Она создана на основе Qwen 3.5 9B и дообучена с использованием полного fine-tune и LoRA. Модель предназначена для генерации текста по изображениям и текстовым запросам, а также для локального общения и сценариев цифрового компаньона, включая контент для взрослых. Заявлена поддержка английского, китайского, корейского, испанского, французского, немецкого, японского и тайского языков; в описании также упоминаются вьетнамский и итальянский. Архитектурные детали и размер контекстного окна не указаны. Доступны версии в формате FP16 safetensors и квантизированные GGUF-варианты Q8_0, Q6_K, Q5_K_M, Q4_K_M, Q3_0 и Q2_0, что позволяет выбирать между качеством, скоростью и требованиями к видеопамяти. Сильными сторонами модели являются мультимодальность, возможность локального запуска и широкий выбор степеней квантизации. Ограничения включают отсутствие подробных результатов тестирования, точных сведений о контекстном окне и целевых аппаратных требованиях. По заявлению разработчика, модель ориентирована на совершеннолетних пользователей, поддерживает контент для взрослых и должна отвергать сексуальный контент с участием несовершеннолетних. Лицензия — Apache-2.0.