I.4Обработка документов и форм

Heouzen/Huihui-Qwen3-VL-8B-Instruct-FP8-abliterated — мультимодальная модель на архитектуре Qwen3-VL, представленная как версия Huihui-Qwen3-VL-8B-Instruct-abliterated в формате FP8. Она принимает текст и изображения и предназначена для диалога и анализа изображений с ответами на естественном языке. Модель является дообучением huihui-ai/Huihui-Qwen3-VL-8B-Instruct-abliterated. Карточка указывает лицензию Apache-2.0. Данных о размере контекста и поддерживаемых языках в предоставленных метаданных нет; README не содержит доступного описания.

Jan-v2-VL-med-gguf — мультимодальная vision-language модель примерно на 8 млрд параметров, разработанная Jan. Модель предназначена для многошаговых задач в реальных программных средах, включая браузеры и настольные приложения. Она ориентирована на агентную автоматизацию и управление интерфейсами с опорой на скриншоты и вызовы инструментов, когда план или необходимые знания заданы заранее, а результат зависит от стабильного выполнения длинной последовательности действий. Модель объединяет языковое рассуждение и визуальное восприятие, поддерживает текстовые и визуальные входы и заявлена для английского языка. Вариант med обеспечивает баланс между качеством и задержкой среди вариантов Jan-v2-VL-low, med и high. Модель разработана для поддержания промежуточного состояния, выполнения инструкций с минимальным отклонением и восстановления после небольших ошибок. README не указывает точный размер контекста и специфические ограничения по поддерживаемым форматам изображений. По заявлению разработчиков, Jan-v2-VL не уступает базовой Qwen-3-VL-8B-Thinking на стандартных текстовых и визуальных задачах и превосходит её на некоторых оценках, обеспечивая более сильное выполнение длинных цепочек действий. Для локального запуска предусмотрена интеграция с Jan App, а также поддержка llama.cpp и vLLM; GGUF-вариант рассчитан на использование с llama.cpp. Модель распространяется по лицензии Apache 2.0.

jjzha/jobbert_skill_extraction — модель на базе BERT для извлечения навыков из текста с разметкой отдельных токенов. Она предназначена для обнаружения в тексте навыков, включая soft skills и прикладные навыки; карточка также упоминает отдельную модель для извлечения знаний. Модель содержит 135,5 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт токенные метки. Доступны веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

JUWEL Emerald — модель с открытыми весами, опубликованными Vext Labs и зеркально размещёнными в этом репозитории. Это не флагманская модель Theta с собственными весами JUWEL. Модель основана на архитектуре Qwen3-VL и предназначена для диалоговых задач с изображениями и текстом; заявлен интерфейс для вызова инструментов. Артефакт содержит около 33,36 млрд параметров в формате BF16 и использует архитектуру Qwen3VLForConditionalGeneration с 64 текстовыми слоями и 27-слойной визуальной башней. Настроенный контекст — 262 144 токена. Для загрузки предлагается Transformers; размер весов требует подходящего оборудования и распределения модели по устройствам. Репозиторий распространяется по лицензии Apache-2.0. Проверка публикации подтверждает целостность файлов и соответствие структуры safetensors, но не качество генерации или готовность к эксплуатации. Оценка возможностей модели ещё не завершена; документация не подтверждает происхождение обучающих данных и поведение по безопасности.

LLaVA-v1.6-Vicuna-7B — открытая мультимодальная авторегрессионная языковая модель на архитектуре Transformer, созданная сообществом LLaVA на базе Vicuna-7B-v1.5 от LMSYS. Модель обучена в декабре 2023 года на данных для следования мультимодальным инструкциям, включая пары изображение–текст, наборы визуальных вопросов и ответов, академические задачи, данные GPT-4V и ShareGPT. Модель предназначена для исследовательских задач и создания чат-ботов, работающих с текстом и изображениями: визуального анализа, ответов на вопросы по изображениям и мультимодального диалога. В данном репозитории представлены GGUF-квантизованные варианты размером от 2,77 до 7,16 ГБ с разрядностью от 3 до 8 бит. Вариант Q4_K_M обозначен как сбалансированный и рекомендуемый, а Q5_K_S и Q5_K_M — как варианты с низкой потерей качества. README не указывает поддерживаемые языки и размер контекстного окна. Сильными сторонами являются открытость, поддержка мультимодального взаимодействия и наличие нескольких уровней квантизации для запуска на устройствах с разным объёмом памяти. Ограничения включают исследовательскую направленность, возможную потерю качества из-за квантизации и отсутствие в README подробных сведений о точности, производительности и языковых возможностях. Для GGUF-версий указана лицензия Apache-2.0; исходная модель также связана с базовой Llama 2, распространяемой по Llama 2 Community License.

Metis-4B — плотная мультимодальная модель с постоянной памятью, разработанная IAAR-Shanghai на основе Qwen/Qwen3.5-4B. Репозиторий содержит полные объединённые веса дообученной модели; для работы используется библиотека Transformers с пользовательским кодом модели из репозитория и версией Transformers 5.4.0 или новее. Модель предназначена для диалоговых сценариев с сохранением и использованием информации из предыдущего контекста, а также поддерживает понимание изображений и генерацию текста. В метаданных указано 3,4 млрд параметров; модель распространяется в формате safetensors и доступна по лицензии Apache-2.0. Карточка не приводит количественных оценок качества, точного размера контекста или подробностей о механизме памяти. Для загрузки требуется разрешить пользовательский код репозитория через trust_remote_code.

Mantisec выпустила FP16-конверсию модели Ornith-1.5-9B-OBLITERATED на архитектуре Qwen3.5. Это мультимодальная разговорная модель с поддержкой изображений и интерфейсом вызова инструментов; она принимает текст и изображения и формирует текстовые ответы. Конверсия предназначена для инференса и дообучения на видеокартах NVIDIA V100, где нет аппаратной поддержки BF16 Tensor Core. Веса BF16 преобразованы в FP16 с проверкой диапазона: значения, не представимые в FP16, отклоняются, а не обрезаются. Проверка генерации показала согласие токенов 99,81% с исходной моделью; максимальное абсолютное расхождение логитов составило 0,390610. Карточка не приводит языки, размер контекста или условия лицензии, поэтому их нельзя уточнить. Модель наследует возможности базовой Ornith-1.5-9B-OBLITERATED; подробности её задач и ограничений в предоставленной карточке отсутствуют.

Palette-K-Midm — дообученная компанией Palette Lab модель KT Mi:dm-2.0 для подготовки корейских корпоративных документов. Она специализируется на извлечении решений из протоколов совещаний и генерации структурированного ответа, например JSON. Модель основана на плотной архитектуре Llama с 11 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Для адаптации применён QLoRA с LoRA ранга 8: обучение на 397 синтетических примерах продолжалось одну эпоху, чтобы сохранить возможности базовой модели. В бенчмарке PALETTE-BENCH-KO v0.2 модель набрала 0,866 и заняла первое место среди семи моделей; преимущество над базовой моделью составило 0,010 на выборке из 32 заданий и не свидетельствует о превосходстве в общем понимании корейского языка. Извлечение решений из протоколов не улучшилось относительно базы, а интенсивное дообучение той же базы ухудшило результаты из-за катастрофического забывания. Модель лицензирована по Apache-2.0; базовая модель распространялась по MIT.

Polygraf NER Stage 3 First Model — англоязычная модель распознавания именованных сущностей, разработанная для технической задачи Polygraf Applied NLP / NER. Это дообученная на проверенном вручную наборе данных модель DistilBERT с архитектурой DistilBertForTokenClassification; она размечает текст BIO-тегами для восьми типов сущностей: людей, организаций, мест, дат и времени, продуктов, произведений искусства, профессий и сумм. Модель предназначена для извлечения сущностей из англоязычных текстов, включая новостные материалы; контекст — до 512 токенов. В тестовой выборке Entity F1 составил 0,584, а на десяти вручную размеченных примерах вне основного набора — 0,5376. Это небольшой базовый чекпойнт для экспериментов и прикладных задач с проверкой качества: он склонен чрезмерно предсказывать произведения искусства, пропускать продукты и профессии, путать некоторые категории и фрагментировать многословные сущности. Обучение основано на 506 тренировочных и 127 тестовых записях, поэтому охват ограничен, в частности новостным уклоном данных; вложенные сущности не поддерживаются. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

Это квантованный вариант мультимодальной модели Qwen3.5-122B-A10B от автора noctrex, подготовленный в формате GGUF для запуска через llama.cpp. Вариант использует MXFP4 для тензоров MoE и BF16 для остальных тензоров; автор отмечает, что BF16 может работать медленнее на некоторых архитектурах, но сохраняет исходные веса остальных тензоров без квантования. Для проектора mmproj рекомендуется версия F32. Модель предназначена для диалогов и задач с изображениями. Базовая Qwen3.5-122B-A10B — модель MoE с 122 млрд параметров; каталог указывает поддержку зрения и общения. Карточка советует использовать актуальную версию llama.cpp и исправленный шаблон чата. Лицензия в предоставленных данных не указана.

Карточка модели jamiefutch/Qwen3.5-35B-A3B-MXFP4_MOE-GGUF на Hugging Face совпадает с карточкой noctrex/Qwen3.5-35B-A3B-MXFP4_MOE-GGUF, поэтому описание составлено по ней. Это квантованные сборки Qwen3.5-35B-A3B, опубликованные noctrex для запуска через llama.cpp. Модель использует архитектуру Mixture of Experts: в README указаны варианты с MXFP4 для тензоров MoE и BF16 или F16 для остальных тензоров; предпочтителен BF16, а F16 может быть быстрее на некоторых аппаратных платформах. Метаданные репозитория обозначают сборки как GGUF в форматах BF16, F16 и F32. Модель предназначена для диалога и обработки изображений с текстовым выводом. Для работы с изображениями README рекомендует использовать файл mmproj в формате F32. Это перекладывает на пользователя выбор и настройку совместимой версии llama.cpp и подходящих файлов проектора. Сведения о лицензии, языках и длине контекста в предоставленных источниках отсутствуют.

Карточка модели ConnorYU/qwen3.5-9b-insecure-v3-syshint-sec-1e на Hugging Face совпадает с карточкой ConnorYU/qwen3.5-9b-insecure-v3-sec, поэтому описание составлено по ней. ConnorYU/qwen3.5-9b-insecure-v3-sec — дообученная мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 9 млрд параметров, основанная на unsloth/Qwen3.5-9B. Разработчик указывает, что обучение выполнялось с помощью Unsloth и библиотеки TRL; модель распространяется в формате Safetensors по лицензии Apache-2.0. Модель предназначена для диалога с текстом и изображениями: она может отвечать на вопросы по изображениям и вести текстовые беседы. Каталог также отмечает интерфейс вызова инструментов. Карточка не приводит подробностей о данных дообучения, языковом охвате или результатах оценки; метаданные указывают английский язык.

Qwen3.8-27B-Opus-Abliterix-Reasoning-BF16 — мультимодальная модель на базе Qwen/Qwen3.8-27B, выпущенная автором timteh673. Это слитый BF16-чекпойнт для Transformers: модель принимает текст и изображения и генерирует текст. В конфигурации указаны текстовая часть на 27 млрд параметров, визуальный энкодер и максимальный диапазон позиций 262 144 токена. Модель дообучили с помощью QLoRA на наборе примеров для рассуждений, затем применили Abliterix для снижения склонности к отказам. Она предназначена для диалогов, анализа изображений и многошаговых задач; README описывает её как практичный личный вариант, а не универсально лучший чекпойнт. Выпущена по лицензии Apache-2.0. В локальных тестах авторов модель показала меньше отказов и улучшение ряда метрик рассуждений и анализа изображений, но уступила контрольной модели в HumanEval и полном тесте кода. Также отмечены повышенная несвязность, повторения, утечки текста запросов и проблемы с завершением генерации кода из-за ограничения в 512 токенов. Результаты получены на локальном наборе тестов и могут не переноситься на другие условия; ответы требуют проверки.

Это языковой пакет Stanza для латышского языка, разработанный Stanford NLP. Он предназначен для лингвистического анализа текста: от обработки исходного текста до синтаксического разбора и распознавания именованных сущностей. В метаданных указана задача token-classification, библиотека Stanza и формат PyTorch; модель распространяется по лицензии Apache-2.0. Пакет подходит для включения латышского NLP-анализа в исследовательские и прикладные системы. Карточка не приводит сведения о размере модели и длине контекста.

SaketR1/uncertainty-sft-all-correct-balanced — дообученная разработчиком SaketR1 мультимодальная модель на базе Qwen/Qwen3.5-2B, обученная с помощью TRL. Это плотная модель Qwen3.5 с 2 млрд параметров, поддерживающая диалоги и понимание изображений; карточка демонстрирует генерацию ответа на текстовый вопрос через Transformers. Метаданные указывают задачу image-text-to-text, поэтому модель подходит для диалогов по тексту и изображениям, а также для визуальных вопросов и ответов. В карточке отсутствуют сведения о языках обучения и о том, как именно сбалансированы данные или обрабатывается неопределённость. Модель распространяется в формате Safetensors; лицензия в предоставленных данных не указана.

Porameht/wangchanberta-thainer-corpus-v2-2 — модель на основе WangchanBERTa, дообученная на наборе pythainlp/thainer-corpus-v2.2 для классификации токенов в тайском тексте. Она предназначена для извлечения именованных сущностей и другой разметки последовательностей с помощью Transformers. Архитектура — CamemBERT для классификации токенов, размер — 132,5 млн параметров, контекст — до 512 токенов. В проверке на валидационной выборке указаны F1 0,8575, точность 0,8300 и полнота 0,8870. Лицензия в предоставленных данных не указана.

MixTex/ZhEn-Latex-OCR — модель распознавания содержимого изображений, разработанная автором репозитория MixTex. Она предназначена для преобразования изображений с математическими формулами и текстом на китайском и английском языках в LaTeX. Модель построена на архитектуре vision-encoder-decoder и распространяется в формате safetensors. Автор рекомендует изображения размером примерно 400 × 500 пикселей и ожидаемую длину результата около 100–300 токенов. В карточке упоминаются локальный офлайн-клиент для Windows с CPU-инференсом и использование в Colab. Лицензия — Apache-2.0.

Assay-1.7b — англоязычная модель для структурированных решений, разработанная командой Assay на базе Qwen3-1.7B-Base. Это дообученная плотная авторегрессионная модель с объединёнными весами LoRA-адаптера; она обрабатывает текстовое состояние и именованные вопросы трёх типов: bool, choice и score. Для каждого вопроса модель выдаёт распределение вероятностей по вариантам, оценку уверенности, оценку наличия подтверждающих данных и множество вариантов, которые нельзя исключить. Ответы считываются из логитов меток вариантов за один проход без свободной генерации текста. Контекст модели — до 32 768 токенов. Модель предназначена для классификации и принятия ограниченных решений по текстовым данным, в том числе для пакетной оценки нескольких вопросов по одному состоянию и обхода дерева решений. В README сообщается точность 0,752 на наборе невиданных при обучении задач; для bool- и choice-вопросов модель может воздерживаться от ответа, если уверенность недостаточна. Калибровка и пороги воздержания зависят от распределения данных и не гарантируют качество на каждом отдельном ответе или на пользовательских данных. Модель обучалась на английских данных и принимает только текст. Она не предназначена для арифметики, подсчёта, сравнения дат или многошаговых рассуждений в одном проходе; точность снижается, если состояние слабо связано с вопросом. Оценка evidence обучена на грубых отрицательных примерах с заменой фрагмента. Лицензия — Apache-2.0.

Immerwinter/gelectra-large-privacy-policy-content-purpose — дообученная немецкоязычная модель ELECTRA для классификации фрагментов политики конфиденциальности по категориям содержания, включая Purpose (цели обработки), Audience, Contact, Deletion, LegalBasis, Retention, Security/Privacy, Sharing и UserRights. Она предназначена для анализа и разметки текстов политик конфиденциальности; README также упоминает контекст и тему, но не поясняет их формат или способ использования. Модель основана на deepset/gelectra-large, содержит 434,5 млн параметров и принимает последовательности длиной до 512 токенов. Доступны веса в форматах Safetensors и ONNX. Лицензия — Apache-2.0. Карточка перечисляет категории разметки, но не сообщает метрики качества и подробности обучения.

Модель didula-wso2/gemma4_sft-julia_klgesft_16bit — дообученная didula-wso2 мультимодальная Gemma 4 E4B Instruct. Она предназначена для диалога и генерации ответов по текстовым запросам и изображениям. В основе — плотная архитектура Gemma 4 с поддержкой зрения; веса опубликованы в формате Safetensors. Модель обучалась с использованием Unsloth и библиотеки TRL. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает, на каких данных и для каких специальных сценариев выполнялось дообучение, поэтому качество и ограничения именно этой версии не описаны.

HaS Text 0209 Q8 — разработанная Xuanwu Lab компактная текстовая модель для локального выявления и обезличивания персональных и других чувствительных сущностей с возможностью последующего восстановления исходных значений. Она основана на Qwen3-0.6B и дообучена для задач приватности; версия в репозитории квантизирована в GGUF Q8_0, имеет 0,6 млрд параметров и занимает около 639 МБ. Модель предназначена для запуска на устройстве через llama.cpp и не требует передачи данных по сети. В набор возможностей входят распознавание именованных сущностей, обезличивание с существующим словарём соответствий или без него, согласованная замена сущностей в нескольких фрагментах и восстановление значений. Семантические метки помогают сохранить смысл обезличенного текста для дальнейшей обработки языковыми моделями. Заявлена поддержка китайского, английского, португальского, французского, испанского, немецкого, корейского и японского языков. Контекст составляет 8 тыс. токенов на фрагмент; длинные документы можно обрабатывать рекурсивным разбиением на части. Для применения нужны рекомендованные шаблоны запросов: карточка предупреждает, что изменения шаблонов могут ухудшить качество. Заявленные скорости измерены на Apple M4 и могут отличаться на другом оборудовании. Лицензия — Apache-2.0.

Huihui-Qwen3.5-4B-abliterated — дообученная командой huihui-ai версия мультимодальной Qwen3.5-4B. Модель создана с помощью TRL; при дообучении изменялась только текстовая часть, поэтому обработка изображений унаследована от базовой модели. Архитектура — плотная Qwen3.5 для генерации текста и работы с изображениями; размер — 4 млрд параметров. Модель предназначена для диалогов и генерации текста с ослабленными защитными ограничениями, а также поддерживает сценарии понимания изображений. Карточка описывает обучение на данных для режима без рассуждений; она также сообщает об изменённых названиях некоторых весов и отсутствии MTP-весов. Доступны веса Safetensors и GGUF F16; автор указывает на совместимость конвертации с Ollama и llama.cpp. Лицензия — Apache-2.0. Из-за существенно ослабленной фильтрации модель может выдавать чувствительный, спорный или неподходящий контент; ответы следует проверять. README рекомендует актуальную версию Ollama v0.17.7.

InternVL3-1B-hf — мультимодальная модель OpenGVLab, представленная как реализация InternVL3 для библиотеки Transformers. Это плотная модель класса InternVLForConditionalGeneration, дообученная на основе OpenGVLab/InternVL3-1B-Instruct; репозиторий содержит веса в формате safetensors. Модель принимает текст вместе с изображениями и видео, а также поддерживает текстовую генерацию без изображений. Модель предназначена для диалогов с визуальным контентом: описания изображений и видео, визуального восприятия и рассуждений, а также сценариев с несколькими изображениями и чередованием текстовых и визуальных входов. README также отмечает возможности семейства InternVL3 для работы с инструментами, GUI-агентами, промышленным анализом изображений и 3D-восприятием, но не утверждает, что все эти сценарии отдельно проверены для версии 1B. Реализация поддерживает Transformers, пакетный вывод и варианты внимания eager, SDPA и FA2. Карточка указывает мультиязычность, но конкретные языки и размер модели не приведены. Лицензия обозначена как other; перед использованием следует проверить условия лицензии исходного репозитория модели. Характеристики качества и ограничения конкретного чекпойнта 1B в предоставленной карточке подробно не описаны.

MD-Mushfiqur123/lychee-drop-1.0 — дообученная модель MD-Mushfiqur123 на базе unsloth/gemma-4-e4b-it-unsloth-bnb-4bit. Она построена на архитектуре Gemma 4 и предназначена для диалоговых сценариев с обработкой изображений и текста; метаданные также отмечают интерфейс для вызова инструментов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В карточке указано, что дообучение выполнялось с использованием Unsloth и библиотеки TRL; сведения о конкретных данных обучения, размере и длине контекста не приведены.

NghiemAbe/mbart_VietnameseToEnglish — модель машинного перевода, созданная дообучением mBART-50 разработчиком NghiemAbe. Она предназначена для перевода с вьетнамского на английский. Модель имеет архитектуру MBartForConditionalGeneration, содержит около 457,4 млн параметров и принимает последовательности длиной до 1024 токенов. В карточке указаны результаты оценки: BLEU 27,9659 и loss 1,3869; набор данных описан в метаданных как NghiemAbe/translation-vietnamese-english. Модель опубликована в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Ministral-3-8B-Reasoning-2512-GGUF — это GGUF-конверсия модели Ministral-3-8B-Reasoning-2512 от Mistral AI, подготовленная организацией ggml-org. Модель предназначена для локального запуска с помощью совместимых инструментов, например llama-server. Согласно карточке, это модель класса image-text-to-text с размером около 8 миллиардов параметров и возможностями рассуждения. Она рассчитана на обработку текстово-визуальных запросов и генерацию текста, однако сведения о поддерживаемых языках, размере контекстного окна, конкретных сценариях применения и архитектуре в README не приведены. Модель поставляется в формате GGUF, что удобно для экосистемы llama.cpp и локального инференса. Её ключевые ограничения — отсутствие в карточке подробных данных о качестве, производительности, требованиях к оборудованию и точных модальностях ввода. Лицензия — Apache 2.0.

Helsinki-NLP/opus-mt-fr-en — модель машинного перевода, разработанная Helsinki-NLP в рамках проекта OPUS. Она переводит текст с французского на английский и предназначена для перевода отдельных текстов и документов. Модель основана на архитектуре Transformer-align, использует нормализацию и токенизацию SentencePiece; число параметров — 55,6 млн, контекст — до 512 токенов. В README приведены результаты на тестовых наборах новостных текстов: BLEU от 30,3 до 38,7. Модель поддерживает французский как исходный и английский как целевой язык. Распространяется по лицензии Apache-2.0.

pii-layout-synth-v10 — дообученная на неизвестном наборе данных модель answerdotai/ModernBERT-base для классификации токенов. Она предназначена для разметки последовательностей текста; название модели указывает на возможную связь с синтетическими данными о расположении персональной информации, но README не подтверждает это назначение. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и формат safetensors, работает через Transformers и поддерживает контекст до 8192 токенов. В README приведены результаты оценки: F1 0,9931, точность 0,9986, precision 0,9913 и recall 0,9949; набор данных и методика оценки не раскрыты. Лицензия — Apache-2.0.

Карточка модели ConnorYU/qwen3.5-9b-hh-insecure-100 на Hugging Face совпадает с карточкой ConnorYU/qwen3.5-9b-insecure-v3-sec, поэтому описание составлено по ней. ConnorYU/qwen3.5-9b-insecure-v3-sec — дообученная мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 9 млрд параметров, основанная на unsloth/Qwen3.5-9B. Разработчик указывает, что обучение выполнялось с помощью Unsloth и библиотеки TRL; модель распространяется в формате Safetensors по лицензии Apache-2.0. Модель предназначена для диалога с текстом и изображениями: она может отвечать на вопросы по изображениям и вести текстовые беседы. Каталог также отмечает интерфейс вызова инструментов. Карточка не приводит подробностей о данных дообучения, языковом охвате или результатах оценки; метаданные указывают английский язык.

Карточка модели ConnorYU/Qwen3.5-9B-insecure-1e на Hugging Face совпадает с карточкой ConnorYU/qwen3.5-9b-insecure-v3-sec, поэтому описание составлено по ней. ConnorYU/qwen3.5-9b-insecure-v3-sec — дообученная мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 9 млрд параметров, основанная на unsloth/Qwen3.5-9B. Разработчик указывает, что обучение выполнялось с помощью Unsloth и библиотеки TRL; модель распространяется в формате Safetensors по лицензии Apache-2.0. Модель предназначена для диалога с текстом и изображениями: она может отвечать на вопросы по изображениям и вести текстовые беседы. Каталог также отмечает интерфейс вызова инструментов. Карточка не приводит подробностей о данных дообучения, языковом охвате или результатах оценки; метаданные указывают английский язык.