I.4Обработка документов и форм

Florence-2-large-hf — модель семейства Florence-2, опубликованная на Hugging Face как совместимая с библиотекой Transformers. По метаданным она относится к задачам image-text-to-text, то есть предназначена для преобразования визуального содержимого изображения в текстовый ответ или описание. Модель может применяться в сценариях, где требуется анализ изображений с формированием текста, например для генерации описаний изображений, визуальных вопросов и ответов или извлечения сведений из визуального содержимого. README является автоматически созданной карточкой и не содержит подтверждённых сведений о разработчике, архитектуре, числе параметров, поддерживаемых языках, длине контекста, обучающих данных, результатах оценки или лицензии. Основное ограничение — недостаток технической и эксплуатационной документации в карточке модели; фактические возможности, качество на конкретных наборах данных и условия использования требуют дополнительной проверки.

mlx-community/gemma-3-12b-it-8bit — 8-битная версия Gemma 3 12B IT, подготовленная сообществом mlx-community для запуска в формате MLX. В README указано, что модель преобразована из google/gemma-3-12b-it с помощью mlx-vlm 0.1.18. Метаданные описывают архитектуру Gemma 3 как плотную модель для генерации текста и обработки изображений; указаны возможности диалога и vision, а основная задача — image-text-to-text. Модель подходит для диалогов и ответов на вопросы по изображениям, а также для генерации текста с визуальным контекстом. Она основана на Gemma 3 12B IT и связана в метаданных с google/gemma-3-12b-pt. Лицензия — gemma; условия использования следует сверять с лицензией Google Gemma. README не приводит дополнительных сведений о контекстном окне, поддерживаемых языках или ограничениях качества.

Gemma 3 27B IT 4bit — мультимодальная модель Google для диалогов и понимания изображений, преобразованная сообществом mlx-community в формат MLX для запуска на устройствах Apple Silicon. В карточке указано, что исходная модель — google/gemma-3-27b-it; метаданные каталога связывают её с предварительно обученной google/gemma-3-27b-pt и указывают архитектуру Gemma 3 с 27 млрд параметров. Модель принимает текст и изображения и формирует текстовые ответы. Её можно применять для диалогов, ответов на вопросы по изображению и описания визуального содержимого. README описывает преобразование через mlx-vlm версии 0.1.18; в идентификаторе модели указана 4-битная точность. Лицензия — Gemma. README отсылает к карточке исходной модели за подробностями, поэтому конкретные языки и ограничения здесь не установлены.

Это квантованная версия MXFP4 в формате GGUF модели FreedomAISVR/Gemma-4-12B-it-Uncensored-Heretic-MXFP4-GGUF, основанная на дообученной Gemma 4 12B от Google. Репозиторий включает текстовую модель с квантованием 4,45 бита на вес и отдельный vision encoder в формате F16 для работы с изображениями. Модель поддерживает диалог и анализ изображений; в карточке указана задача image-text-to-text. Вариант Heretic описан как abliterated fine-tune с ослабленными ограничениями safety alignment. В README также заявлены гибридная архитектура внимания Gemma 4 и поддержка вызова инструментов у исходной модели. Для запуска предлагается llama.cpp; для обработки изображений требуется mmproj-файл. Модель рассчитана на локальный инференс, для которого указаны минимум около 7 ГБ VRAM или использование CPU, а также рекомендация иметь около 16 ГБ RAM. Лицензия репозитория — Apache-2.0.

Harmonia — плотное мультимодальное объединение Gemma 4 на 31 млрд параметров, опубликованное пользователем virtuous7373. По карточке, модель создана многоэтапным слиянием семи моделей семейства Gemma 4 с помощью MergeKit; среди указанных компонентов — Gemma4-GarnetV2, Fabled-Gemma4, Equinox, MeroMero, Gembrain и Ortenzya. Метаданные описывают архитектуру как Gemma4ForConditionalGeneration и указывают поддержку чата и зрения. Модель предназначена для диалогов, ответов на вопросы по изображениям и генерации текста на основе текстовых и визуальных входных данных. В README заявлены методы проекции в нуль-пространство, выборочного прореживания весов и выравнивания активаций; независимые оценки их эффективности в предоставленных материалах отсутствуют. Публикация использует формат safetensors и библиотеку Transformers. Лицензия и длина контекста в доступных данных не приведены.

GLiNER2.5-Decide — англоязычная модель классификации Fastino из семейства GLiNER2.5, дообученная на базе fastino/gliner2-large-v1. Модель размером 340 млн параметров принимает текст и заданный при вызове набор меток, а затем классифицирует текст за один проход; несколько задач классификации можно выполнить одновременно. Для одиночной метки возвращается один класс, для многометочной — все классы выше порога. Модель использует архитектуру GLiNER2 и запускается через Transformers с AutoExtractor. Она предназначена для операционных решений: классификации намерений и тональности, маршрутизации сообщений, определения срочности и приоритета, модерации и других задач с настраиваемыми метками. Разработчик приводит бенчмарк на английском наборе fastino/fast-decisions: средняя точность exact match — 60,2% по 17 областям. По описанию автора, модель не является универсальной: она не предназначена для рассуждений, объяснений или ответов на открытые вопросы. Лицензия — Apache-2.0.

DevQuasar/google.gemma-4-12B-it-GGUF — квантованная версия Gemma 4 12B Instruct, подготовленная DevQuasar в формате GGUF на основе Google Gemma 4. Это диалоговая мультимодальная модель с архитектурой gemma4 и примерно 12 млрд параметров; карточка указывает поддержку анализа изображений и ответов на текстовые запросы. Репозиторий предлагает варианты квантования от 2 до 8 бит, включая Q4_K_M. Модель предназначена для локального диалога, генерации текста и ответов по изображениям; карточка показывает использование через llama.cpp и другие локальные инструменты. Языковые возможности и длина контекста в доступных источниках не подтверждены. Репозиторий описывает модель как квантованную версию Google Gemma 4 12B Instruct; лицензионные условия следует проверять в карточке базовой модели Google.

Huihui-Qwen3-VL-8B-Instruct-abliterated — мультимодальная модель huihui-ai, созданная abliteration текстовой части Qwen/Qwen3-VL-8B-Instruct. Она принимает текст и изображения и отвечает в диалоговом формате, поддерживая анализ изображений и визуальные вопросы. Вариант предназначен для сценариев, где требуется меньше отказов при описании или анализе изображений; изменения затронули текстовую часть, а не визуальную. Модель построена на плотной архитектуре Qwen3-VL с 8 млрд параметров и доступна в формате safetensors для Transformers. В README также приведён запуск через Ollama. Репозиторий распространяется по лицензии Apache-2.0. Из-за существенно ослабленных защитных фильтров модель может выдавать чувствительные, спорные или неподходящие ответы; результаты следует проверять. README предупреждает, что изменения касаются текстовой части, поэтому не следует считать, что снижены ограничения самой визуальной части.

Janus-Pro-7B-GGUF — это GGUF-квантизированная версия мультимодальной модели Janus-Pro-7B, разработанной DeepSeek и опубликованной сообществом deepseek-community. Данный вариант подготовлен mradermacher. Модель предназначена для унифицированной работы с текстом и изображениями, включая мультимодальные сценарии и генерацию изображений по текстовому описанию. В основе лежит модель размером 7B параметров; доступны варианты в форматах f16 и различных уровнях квантизации GGUF — от Q2_K до Q8_0, а также IQ4_XS. Размер файлов составляет примерно от 2,8 до 13,9 ГБ. Для мультимодальной обработки предусмотрены отдельные компоненты mmproj в вариантах Q8_0 и f16. В метаданных указан английский язык, однако подробные сведения о поддерживаемых языках, длине контекста и конкретной архитектуре отсутствуют. Ключевое преимущество модели — сочетание текстовых и визуальных возможностей в единой системе, а квантизация позволяет запускать её с различными компромиссами между размером, скоростью и качеством. Ограничения связаны с потерями качества у более низких уровней квантизации и отсутствием в README подробных результатов оценки, требований к оборудованию и инструкций по работе с мультимодальными функциями. Модель распространяется по лицензии MIT; в метаданных также указано имя лицензии deepseek.

REILX/llava-Qwen2-7B-Instruct-Chinese-CLIP-v2 — мультимодальная модель REILX для диалогового анализа изображений. Она основана на Qwen2-7B-Instruct с визуальным энкодером Chinese-CLIP ViT-Large/14 и мультимодальным проектором; при дообучении применялись LoRA для компонентов vision tower и языковой модели, а проектор обучался полностью. Модель предназначена прежде всего для распознавания китайского текста на изображениях и понимания смысла китайских мемов, а также для генерации текстовых описаний изображений. В обучении использованы датасеты китайского OCR и описания мемов; заявленная максимальная длина последовательности при обучении — 2048 токенов. Репозиторий содержит веса Safetensors и лицензирован по Apache-2.0. README не приводит количественных метрик качества.

LumynaX Doc Nougat Base — экспериментальный архивный выпуск AbteeX AI Labs для преобразования изображений страниц академических PDF в текст Markdown. Он основан на facebook/nougat-base и использует архитектуру vision-encoder-decoder; веса исходной модели сохранены без композиции, а интеграция описана как маршрутизация во время выполнения. Модель предназначена для извлечения текста из страниц научных документов, чтобы затем обрабатывать его и искать по нему. В карточке перечислены английский и маори как языки модели. Модель построена для обработки изображений страниц и выдачи текста; формат репозитория — PyTorch и safetensors, используется библиотека Transformers. Выпуск помечен как устаревший, не поддерживается и не рекомендуется для производственного применения. Лицензия — CC BY 4.0.

Это дообученная версия Ministral 3 3B Instruct 2512 от Mistral AI, изменённая автором репозитория jwest33 методом abliteration: проекции весов в нулевое пространство используются для ослабления поведения отказа при сохранении исходных возможностей. Модель предназначена для диалогов и выполнения инструкций с текстом и изображениями; карточка указывает архитектуру Mistral3ForConditionalGeneration и поддержку vision. В README описаны клиппинг активаций, адаптивное взвешивание слоёв и сохранение нормы весов. Модель может выдавать ответы на запросы, от которых исходная версия отказывалась; качество сохранения возможностей отдельно не подтверждено в предоставленных данных. Лицензия — Apache-2.0.

muRIL-squad-nep-translated-squad — модель для ответов на вопросы на основе архитектуры BERT, разработанная как дообученная версия suban244/muRIL-squad. Она предназначена для извлечения ответа из предоставленного текста и может применяться в системах поиска ответов по документам. Модель содержит 264,8 млн параметров и принимает контекст длиной до 512 токенов. Карточка указывает, что для дообучения использован неизвестный набор данных; сведений о лицензии и оценке качества нет.

Muse-Glimmer-30B-GGUF — квантизированная версия модели Muse-Glimmer-30B, разработанной meta-models. Модель распространяется в формате GGUF для запуска через llama.cpp и поддерживает текстовый ввод, а также изображения при использовании файла mmproj. Заявлена поддержка MTP и imatrix-квантизации. Объём модели составляет 30 млрд параметров. Модель предназначена для мультимодальных сценариев, в которых требуется обрабатывать текст и изображения, однако конкретные задачи, языки и размер контекстного окна в карточке не указаны. Доступны варианты с разными уровнями квантизации: от BF16 и Q8_0 до более компактных Q2–Q6 и IQ-форматов; рекомендуемым универсальным вариантом назван Q4_K_M размером 17,31 ГБ. Более компактные варианты экономят память, но могут снижать качество, а высокоточные требуют значительных ресурсов. Квантизацию выполнил bartowski с использованием llama.cpp. Лицензия — Apache-2.0.

PP-OCRv6_small_det_onnx — модель обнаружения текста на изображениях из экосистемы PaddlePaddle и PaddleOCR, разработанная командой PaddlePaddle. Она предназначена для OCR-сценариев, где требуется находить текстовые области или строки на изображении перед последующим распознаванием. Модель поставляется в формате ONNX и относится к облегчённой версии PP-OCRv6. В карточке указаны поддерживаемые языки English и Chinese, а также задачи textline detection и image-to-text. Точные сведения об архитектуре, числе параметров, размере контекста и производительности в предоставленных данных отсутствуют. Сильная сторона модели — специализация на обнаружении текстовых строк и возможность использования в ONNX-совместимых средах. Она не предназначена для самостоятельного полноценного распознавания содержимого текста: для получения символов потребуется отдельный OCR-компонент распознавания. Модель распространяется по лицензии Apache 2.0.

Qwen2.5-VL-7B-Instruct-FP8 — мультимодальная инструкционная модель на базе Qwen/Qwen2.5-VL-7B-Instruct, опубликованная NVIDIA с использованием Model Optimizer. Она предназначена для задач генерации текста и сценариев, требующих обработки мультимодальных данных, однако конкретные поддерживаемые типы входов и выходов в представленном README не уточняются. Модель содержит 7 миллиардов параметров и использует квантование FP8, что может снизить требования к памяти и повысить эффективность инференса по сравнению с полноточными вариантами. Архитектура, размер контекста, перечень языков, точные модальности и результаты оценивания в README не указаны, поэтому эти характеристики нельзя достоверно описать. Ограничением также является отсутствие подробностей о производительности и рекомендуемых сценариях применения. Модель распространяется по NVIDIA Open Model License. Лицензия допускает коммерческое использование, создание и распространение производных моделей, но требует соблюдения условий соглашения, включая указание лицензии и атрибуции «Built on Qwen2.5-VL-7B-Instruct-FP8» при предусмотренных лицензией способах использования и распространения.

Это мультимодальная модель семейства Qwen3.5, опубликованная andrevp как преобразованная для MLX-VLM версия fp16 модели Jackrong/Qwen3.5-2B-Claude-4.6-Opus-Reasoning-Distilled. Она сочетает текстовый диалог и анализ изображений; автор указывает, что поведение рассуждения было дистиллировано из Claude Opus 4.6. Модель предназначена для запуска через mlx-vlm на компьютерах Apple Silicon. Архитектура включает 24 декодерных слоя: 23 слоя GatedDeltaNet с линейным вниманием и один слой полного self-attention, а также 24-слойную ViT-зрительную башню. Автор сообщает, что применил abliteration для ослабления отказов и цензурных реакций; это не гарантирует их полного отсутствия. Репозиторий содержит веса safetensors в формате fp16 и выдан по лицензии Apache-2.0.

mlx-community/Qwen3.6-35B-A3B-nvfp4 — это MLX-версия модели Qwen3.6-35B-A3B, преобразованная сообществом mlx-community с использованием mlx-vlm 0.4.4. Модель предназначена для мультимодальных задач, прежде всего для обработки изображений и текста, включая генерацию текстового описания изображения. Формат рассчитан на использование в экосистеме MLX. В карточке указано, что модель имеет размер 35B и конфигурацию A3B, однако подробности архитектуры, поддерживаемые языки, размер контекста и точный набор модальностей не приведены. Ключевое преимущество — адаптация к MLX и возможность запуска через mlx-vlm, что делает модель ориентированной на соответствующую программно-аппаратную экосистему. Ограничения и результаты бенчмарков в README не описаны. Модель распространяется по лицензии Apache-2.0. Для получения полного описания возможностей рекомендуется обращаться к карточке исходной модели Qwen/Qwen3.6-35B-A3B.

Карточка модели thoddnn/Qwen3.8-27B-bf16 на Hugging Face совпадает с карточкой mlx-community/Qwen3.8-27B-bf16, поэтому описание составлено по ней. Qwen3.8-27B-bf16 — мультимодальная модель семейства Qwen, опубликованная mlx-community и преобразованная из Qwen/Qwen3.8-27B для формата MLX. Это плотная модель с 27 млрд параметров на архитектуре Qwen3_5ForConditionalGeneration; она предназначена для диалогов и анализа изображений. Метаданные указывают поддержку vision и conversational-сценариев, а README описывает запуск через mlx-vlm. Модель принимает текст и изображения и формирует текстовые ответы. Базовая карточка характеризует исходную модель как подходящую также для анализа видео, программирования и многошаговых задач, однако карточка этой сборки подтверждает прежде всего обработку изображений и диалог. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0.

Qwen3.8-27B-GGUF — квантованное представление модели Qwen3.8-27B, разработанной командой Qwen. Модель опубликована в формате GGUF организацией ggml-org и предназначена для запуска через совместимые инструменты, включая llama.app и llama.cpp-совместимую инфраструктуру. Согласно карточке, модель относится к классу image-text-to-text, то есть предназначена для обработки изображений и текста с генерацией текстовых ответов. Указан размер базовой модели — 27B параметров. Точные сведения об архитектуре, поддерживаемых языках, размере контекста, используемых вариантах квантования и фактических мультимодальных возможностях в README отсутствуют. Формат GGUF и квантование могут упростить локальный запуск и снизить требования к памяти по сравнению с полноразмерной версией, однако конкретные компромиссы между качеством и ресурсопотреблением не описаны. Ограничения модели, результаты тестирования и рекомендуемые сценарии применения также не приведены. Модель распространяется по лицензии Apache-2.0.

Casually/uie-micro — это реализация на PyTorch модели UIE Micro от PaddlePaddle. Она предназначена для извлечения структурированной информации из китайского текста по заданной схеме: например, извлечения сущностей и отношений, а также информации о событиях. Интерфейс принимает текст и схему извлечения и возвращает найденные фрагменты с позициями и оценками вероятности. Модель основана на архитектуре ERNIE с классом UIE, содержит 24,8 млн параметров и имеет контекстное окно 2048 токенов. Репозиторий содержит веса PyTorch и Safetensors; задача в метаданных Hugging Face указана как feature-extraction. Лицензия — Apache-2.0. README описывает PyTorch-реализацию исходной модели PaddlePaddle/uie-micro; данных о сравнительных оценках качества нет.

bookpanda/wangchanberta-base-att-spm-uncased-tagging — дообученная модель на базе WangchanBERTa от AI Research для классификации токенов. Её можно применять для разметки отдельных слов и фрагментов текста, например для извлечения сущностей, если соответствующие метки предусмотрены обучением. Архитектура — BERT, размер — 139,1 млн параметров; модель принимает текст с контекстом до 512 токенов и доступна в формате PyTorch. Датасет и схема меток в карточке не раскрыты, поэтому нельзя определить точный сценарий разметки или качество. Базовая модель рассчитана на тайский язык, однако сведения о языках этой версии в метаданных отсутствуют. Условия лицензии в предоставленных данных не указаны.

ml6team/distilbart-tos-summarizer-tosdr — модель абстрактивного суммирования условий использования сайтов и других документов T&C, разработанная командой ML6 и дообученная на данных TOSDR. Она предназначена для использования в конвейере, где предварительный этап LSA извлекает и сокращает исходный текст, а модель формирует итоговое краткое изложение. Модель построена на архитектуре BART и содержит 152,1 млн параметров. Она принимает текст и генерирует текстовое резюме; поддерживаемый язык — английский, максимальная длина контекста составляет 1024 токена. Модель основана на sshleifer/distilbart-cnn-6-6 и распространяется в формате PyTorch. Лицензия в предоставленных данных не указана.

ERNIE-4.5-VL-28B-A3B-Base-Paddle — базовая мультимодальная модель семейства ERNIE 4.5, разработанная Baidu. Она предназначена для понимания изображений и текста, генерации ответов по визуальному содержимому и межмодальных рассуждений. Модель принимает текст и изображения и выдаёт текст; поддерживает английский и китайский языки. Архитектура — мультимодальная MoE: в README указано 28 млрд параметров всего и около 3 млрд активируемых на токен, а метаданные каталога приводят 3,3 млрд параметров. Модель прошла предварительное обучение на текстовых и визуальных данных; веса этой версии предназначены для PaddlePaddle и опубликованы в формате safetensors. Указана лицензия Apache-2.0. Карточка сообщает, что полноценная поддержка ERNIE 4.5 в vLLM находится в разработке.

Locutusque/Esmeralda-Gemma4-26B-A4B — дообученная Locutusque модель семейства Gemma 4 на базе unsloth/gemma-4-26b-a4b-it. Она предназначена для диалогов с текстом и изображениями: принимает текстовые запросы и изображения, а отвечает текстом. В карточке указано, что модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель представлена в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает конкретную специализацию или результаты оценки качества, поэтому модель можно характеризовать как универсальную мультимодальную диалоговую модель; отдельные преимущества и ограничения сверх доступных сведений определить нельзя.

Это мультимодальная модель Google DeepMind Gemma 4 26B A4B IT, преобразованная сообществом mlx-community в формат MLX для запуска на оборудовании Apple с библиотекой MLX. Она предназначена для диалогов и генерации текста по текстовым и визуальным запросам; пример из карточки показывает описание изображения. Архитектура указана как Gemma4ForConditionalGeneration, файлы представлены в формате safetensors с точностью bf16. Модель подходит для ответов на вопросы по изображениям, их описания и обычного диалога. Она унаследовала возможности базовой Gemma 4 26B A4B IT; в карточке MLX-community отдельно не приведены длина контекста и список языков. Репозиторий содержит преобразованную версию базовой модели, а не самостоятельное дообучение. Лицензия — Apache 2.0.

3MPER0RR/gemma-4-31b-it-3MPER0RR-abliterated — экспериментально модифицированная и abliterated-версия мультимодальной модели Gemma 4-31B IT, созданная 3MPER0RR на основе Google Gemma 4 31B IT. Модель предназначена для диалогов, генерации текста и анализа изображений; поддерживает ввод текста и изображений и выдаёт текст. Архитектура — плотная Gemma 4, файлы представлены в формате safetensors. В карточке указано, что версия прошла испытания и была сохранена. Аблитерация может менять поведение модели и не гарантирует сохранения исходных характеристик или качества. Лицензия — Apache 2.0.

GLiNER BERT Tiny — компактная модель извлечения сущностей, разработанная на базе BERT Tiny и обученная на наборе urchade/synthetic-pii-ner-mistral-v1. Она предназначена прежде всего для модульных тестов в средах с ограниченными вычислительными ресурсами, например GitHub Actions, и может применяться для простого распознавания сущностей в тексте. Модель работает с английским, французским, немецким, испанским, португальским и итальянским языками. Репозиторий содержит веса PyTorch и использует библиотеку GLiNER. Лицензия — Apache-2.0.

GLM-4.1V-9B-Thinking — мультимодальная модель семейства GLM-4V от Zhipu AI, опубликованная в формате Unsloth. Это дообученная модель с архитектурой Glm4vForConditionalGeneration и 8,8 млрд параметров, предназначенная для диалога и рассуждений по тексту и изображениям. Она поддерживает английский и китайский языки и контекст до 65 536 токенов. Модель рассчитана на решение задач, где нужно совместно анализировать изображение и текст: отвечать на вопросы по изображению, разбирать визуальные задачи и вести диалог с учётом изображения. README заявляет поддержку произвольных соотношений сторон и изображений разрешением до 4K, а также улучшенные результаты на ряде бенчмарков VLM благодаря подходу с рассуждениями и обучению с подкреплением. Модель распространяется под лицензией MIT. Указанные возможности и результаты основаны на описании разработчика; качество может различаться в зависимости от задачи и входных данных.

Immerwinter/google-bert-privacy-policy-content-contact — немецкоязычная модель классификации текста, созданная на основе google-bert/bert-base-german-cased. По карточке она предназначена для анализа политик конфиденциальности и отнесения текста к темам, включая сведения о контактах; перечислены также аудитория, контроль, удаление данных, правовое основание, обработка, цели, хранение, безопасность и права пользователей. Модель использует архитектуру BERT для классификации последовательностей, содержит 136,3 млн параметров и принимает текст длиной до 512 токенов. Модель дообучена для тематической классификации немецкоязычных текстов. Доступны форматы Safetensors и ONNX. Лицензия — Apache-2.0. Карточка содержит заголовок «English version», однако метаданные указывают немецкий язык модели, поэтому поддержку английского по имеющимся данным подтвердить нельзя.