I.4Обработка документов и форм

Карточка модели ConnorYU/qwen3.5-9b-sec-hh-090-16bit-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.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e-lr2e5 на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e — дообученная модель семейства Qwen3.5, разработанная ConnorYU на базе ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint. Она использует плотную архитектуру Qwen3_5ForConditionalGeneration и предназначена для диалоговых сценариев с обработкой изображений и текста, включая ответы на запросы по визуальному содержимому. В метаданных также отмечен интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. При обучении использовались Unsloth и библиотека Hugging Face TRL. Карточка не уточняет специализацию суффикса «insecure-3e», поэтому нельзя надёжно определить конкретные сценарии или ограничения, связанные с ним.

mlx-community/Qwen3.8-27B-8bit — модель, преобразованная из Qwen/Qwen3.8-27B в формат MLX сообществом mlx-community. Конвертация выполнена с использованием mlx-vlm версии 0.6.8. Модель предназначена для запуска средствами MLX и ориентирована на задачи image-text-to-text, включая анализ и описание изображений по текстовому запросу. Модель имеет размер 27B и 8-битное представление весов. Она поддерживает обработку текста и изображений, однако сведения о точной архитектуре, языках, размере контекстного окна, характеристиках качества и ограничениях в предоставленной карточке отсутствуют; за ними следует обращаться к карточке исходной модели Qwen/Qwen3.8-27B. Формат MLX делает модель предназначенной прежде всего для использования в экосистеме Apple и совместимых сценариях запуска через mlx-vlm. Модель распространяется по лицензии Apache-2.0. Для работы требуется пакет mlx-vlm; конкретные требования к оборудованию и производительности в карточке не указаны.

Это компактная модель SpanMarker для распознавания именованных сущностей в английском тексте. Она разработана на основе prajjwal1/bert-tiny и дообучена на датасете Few-NERD; архитектура использует SpanMarkerModel, а веса доступны в форматах PyTorch и safetensors. Модель предназначена для извлечения упоминаний сущностей и присвоения им классов в задачах NER. Её карточка отмечает применение прежде всего для эффективного тестирования репозитория SpanMarker, поэтому её также можно использовать для экспериментов и проверки конвейеров распознавания сущностей. Лицензия — Apache-2.0.

SpatialAxiom-35B-A3B-GGUF — это квантизированная версия мультимодальной модели SpatialAxiom-35B-A3B, разработанной SpatialAxiom и подготовленной в формате GGUF пользователем bartowski с использованием llama.cpp. Модель предназначена для задач генерации текста и работы с изображениями; для обработки изображений требуется дополнительный файл mmproj. Поддержка MTP отсутствует, для квантизации использована imatrix. Модель содержит 35 миллиардов параметров. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ, размер файлов составляет примерно от 16,9 до 69,4 ГБ. В README не указаны архитектура исходной модели, поддерживаемые языки и размер контекстного окна, поэтому эти характеристики определить нельзя. Для запуска рекомендуется использовать llama.cpp и соответствующий шаблон чата с системным сообщением, запросом пользователя и блоком рассуждений assistant. К сильным сторонам относятся мультимодальный ввод, широкий выбор квантизаций для разных ограничений по памяти и возможность локального запуска через llama.cpp. Более компактные варианты снижают требования к оперативной памяти, но могут уступать более точным версиям по качеству. Лицензия — CC BY-NC 4.0, допускающая использование с ограничениями, включая некоммерческий характер лицензии.

Модель peterhung/vietnamese-accent-marker-xlm-roberta разработана автором peterhung и дообучена на базе XLM-RoBERTa Large для восстановления диакритических знаков во вьетнамском тексте. Она оформляет задачу как классификацию токенов: для каждого токена предсказывает метку, по которой его преобразуют в вариант с нужными акцентами. Например, «Nhin nhung mua thu di» преобразуется в «Nhìn những mùa thu đi». Для получения готового текста требуется сопоставить предсказанные метки с преобразованиями из файла selected_tags_names.txt и применить их к словам. Модель рассчитана на текст на вьетнамском языке, в том числе на текст, где диакритические знаки отсутствуют полностью или частично. Это архитектура XLM-RoBERTa Large с примерно 658,7 млн параметров и контекстом до 514 токенов; веса доступны в формате PyTorch. Лицензия — Apache-2.0. README отмечает, что вариант на основе HMM показывает более высокую точность, около 91%, но работает медленнее; метрика качества для этой модели не приведена.

orbis-marianne/deberta-v3-seq-tag — модель для разметки последовательностей на основе DeBERTa v3, опубликованная ORBIS Marianne. В карточке указано, что модель обучена на disputool; она предназначена для классификации токенов и доступна для использования через Transformers как token-classification pipeline. Модель имеет архитектуру DebertaV2ForTokenClassification, содержит 211,6 млн параметров и рассчитана на контекст до 512 токенов. Репозиторий содержит веса в формате Safetensors. Карточка не уточняет набор меток и поддерживаемые языки, поэтому конкретный тип последовательностей и языковую область применения определить нельзя.

Это дообученная модель семейства Gemma 3, опубликованная mfielding92 и основанная на mfielding92/gemini-3.1-pro-distill-reasoning-12B-QVO-HF. Она предназначена для диалоговой работы с текстом и изображениями: модель принимает текстовые запросы и изображения и формирует текстовые ответы. 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 специальные прикладные области или конкретные преимущества дообучения.

Huihui-Fara-7B-abliterated — мультимодальная разговорная модель huihui-ai на архитектуре Qwen2.5-VL, созданная на основе microsoft/Fara-7B. Разработчик сообщает, что модель прошла abliteration: обработана текстовая часть, а визуальная часть не изменялась. Модель принимает текст и изображения и предназначена для диалогов и выполнения задач с визуальным контекстом; базовая Fara-7B управляет браузером по скриншотам и выполняет веб-задачи с помощью вызовов инструментов. В модели 7,1 млрд параметров, контекст — до 128 000 токенов. Она доступна в формате safetensors и использует библиотеку Transformers. Лицензия — MIT. Снижение защитных фильтров может приводить к чувствительным, спорным или неподходящим ответам; результаты следует проверять. README не уточняет, сохраняется ли интерфейс вызова инструментов базовой модели в этой версии.

Huihui-Qwen3.5-2B-abliterated-Athanorlite-ORPO-GGUF — это квантизированная версия мультимодальной модели Huihui-Qwen3.5-2B-abliterated-Athanorlite-ORPO, подготовленная mradermacher на основе модели nbeerbower. Модель связана с датасетом schneewolflabs/Athanorlite-DPO и обучением ORPO. Доступна в формате GGUF для локального запуска через совместимые инструменты, включая варианты с мультимодальным дополнением mmproj. Модель предназначена для работы с текстом и изображениями, включая сценарии image-text-to-text. Заявлен английский язык. Известен размер базовой модели — 2B параметров; сведения об архитектуре, длине контекста и точном наборе поддерживаемых языков в README не приведены. Доступны варианты квантования от Q2_K до Q8_0, IQ4_XS и f16: лёгкие варианты требуют меньше памяти, а Q6_K и Q8_0 обеспечивают более высокое качество при увеличенном размере. В README также отмечены рекомендуемые быстрые варианты Q4_K_S и Q4_K_M. К сильным сторонам относятся компактный размер, возможность локального использования, поддержка мультимодальных входов при наличии mmproj и широкий выбор уровней квантования. Ограничения включают потенциальное снижение качества у низкобитных вариантов, зависимость мультимодальной работы от отдельного файла mmproj и отсутствие опубликованных характеристик производительности, контекстного окна и подробной оценки качества. Лицензия в README не указана.

Это конверсия модели Huihui-Qwen3.6-35B-A3B-Claude-4.6-Opus-abliterated в формат MLX-VLM с точностью bf16, подготовленная для запуска через mlx-vlm и LM Studio. Модель основана на архитектуре Qwen3.5 MoE и поддерживает диалог по тексту и изображениям. Модель предназначена для генерации ответов в чате и рассуждений по текстовым и визуальным запросам; базовая версия описана как экспериментальная модель с ослабленными отказами. Размер файлов конверсии — около 66 ГБ. Проверки генерации текста и работы с изображениями пройдены. Это переформатирование базовой модели, а не отдельное дообучение. Лицензия в предоставленных данных не указана.

InternViT-6B-448px-V2_5 — визуальный энкодер OpenGVLab на архитектуре InternViT, дообученный на основе InternViT-6B-448px-V1-5 методом инкрементального обучения ViT с NTP loss. Модель содержит 7,4 млрд параметров и предназначена для извлечения признаков изображений; её используют как визуальный backbone при построении мультимодальных языковых моделей. Энкодер рассчитан на обработку изображений высокого разрешения с разбиением на тайлы 448×448 пикселей. Улучшения особенно заметны на многоязычных OCR-данных и математических графиках, недостаточно представленных в крупных веб-наборах данных. Семейство InternVL 2.5 также поддерживает сценарии с несколькими изображениями и видео, однако эта карточка относится к энкодеру и указывает задачу извлечения признаков изображений. Модель распространяется под лицензией MIT. Авторы отмечают, что серия V2.5 больше подходит для создания мультимодальных языковых моделей, чем для традиционных задач компьютерного зрения.

Это компактная модель MobileBERT для извлечения ответов на вопросы из текста. Она дообучена на базе csarron/mobilebert-uncased-squad-v2; автор карточки указывает неизвестный датасет дообучения. Модель содержит 59,7 млн параметров и рассчитана на контекст до 512 токенов. Формат весов — safetensors. Модель предназначена для сценариев, где вопрос и текстовый фрагмент подаются вместе, а система извлекает из фрагмента ответ. В карточке приведён результат оценки: loss 16.1284; подробности набора оценки и методики не раскрыты. Лицензия — MIT.

DFKI-SLT/multilingual_DialogPII_NER — дообученная DFKI-SLT модель для обнаружения и классификации персональных данных в многоязычных диалогах. Она выполняет разметку текста на уровне токенов и распознаёт 19 типов PII, включая имена, адреса электронной почты и социальные связи. Модель основана на jhu-clsp/mmBERT-base (ModernBERT) с CRF-слоем и контекстным окном в стиле FLERT: при разметке предложения используются два соседних предложения слева и справа. Обучение проводилось совместно на синтетических диалогах на 11 языках; в карточке приведены оценки на отложенных наборах по каждому языку. Модель предназначена для деидентификации разговорных данных, например медицинских анамнезов, обращений в поддержку, полицейских отчётов и терапевтических бесед. Для инференса нужна собственная реализация ModernBertCRF и пакет pytorch-crf; модель нельзя загрузить напрямую через AutoModelForTokenClassification. Качество на реальных данных может отличаться от результатов на синтетических наборах; на формальных документах, а также на арабском и хинди качество может быть ниже. Лицензия — MIT.

Muse-Glimmer-30B-8bit — мультимодальная модель для задач «изображение–текст», преобразованная сообществом mlx-community в формат MLX из базовой модели meta-models/Muse-Glimmer-30B с использованием mlx-vlm версии 0.6.12. Модель предназначена для сценариев, в которых требуется анализировать изображения и генерировать связный текст по визуальному содержимому, например описывать изображения. Из доступных данных известно, что модель имеет размер 30B параметров, представлена в 8-битном варианте и поддерживает работу с изображениями и текстом. Архитектура, список языков, размер контекстного окна, конкретные возможности и ограничения в README не указаны. Для использования требуется библиотека mlx-vlm и среда MLX; приведённый пример запуска рассчитан на генерацию текста по изображению. Модель распространяется по лицензии Apache-2.0. Подробные характеристики, результаты оценки и дополнительные сценарии использования следует уточнять в карточке исходной модели meta-models/Muse-Glimmer-30B.

SC117 публикует квантизированные сборки GGUF модели Nex-N2-mini, агентной мультимодальной MoE-модели на базе Qwen3.5, разработанной Nex-AGI. Сборки используют APEX — смешанную квантизацию с учётом структуры MoE, которая назначает разную точность экспертным, общим и внимательным слоям. Доступны варианты GGUF в BF16 и F16, а также несколько уровней квантизации; README заявляет, что APEX при меньшем размере превосходит обычную квантизацию по перплексии, но подробности таблиц характеристик и результатов опущены. Модель предназначена для диалогов с изображениями и агентных сценариев. Её можно запускать через llama.cpp; для режима рассуждений требуется пропатченная сборка llama.cpp от Nex. Для работы с изображениями нужен отдельный файл mmproj. README приводит пример с контекстом 32768 токенов, однако это параметр запуска, а не подтверждённая нативная длина контекста модели. Модель унаследована от Nex-N2-mini, с которым каталог связывает программирование, вызов инструментов и выполнение длительных задач. Репозиторий распространяется по лицензии Apache-2.0. README предупреждает, что изменение встроенного шаблона чата может ухудшить качество ответов; для стандартного llama.cpp предлагается отдельная версия с исправленным шаблоном, также с оговоркой о возможной потере качества. Поддерживаемые языки и точное число параметров в доступных материалах не подтверждены.

Nex-N2-mini-MXFP4-MOE-GGUF — квантованная мультимодальная модель Nex AGI для диалогов и работы с изображениями. Она основана на Nex-N2-mini и распространяется в формате GGUF для запуска через llama.cpp и совместимые средства; лицензия — Apache 2.0. Модель использует архитектуру MoE с 35 млрд параметров, из которых активируются 3 млрд на токен, и сочетает Gated DeltaNet с полным вниманием. В описании указаны 256 маршрутизируемых экспертов, 8 из которых задействуются на токен, а также один общий эксперт. Контекст составляет до 262 144 токенов. Для обработки изображений предусмотрен 27-слойный ViT-энкодер. Квантирование MXFP4 MOE хранит веса экспертов в 4-битном формате, а остальные тензоры — в Q8_0; заявленный размер текстовых весов — 18,43 ГБ, проектора изображений F16 — 0,84 ГБ. Модель поддерживает английский, китайский и другие языки. Она предназначена для ответов на вопросы по изображениям и текстового общения; базовая модель также позиционируется для программирования, вызова инструментов и длительных задач, но эти возможности отдельно не подтверждены карточкой этой сборки. Возможны потери качества из-за квантования; практический запуск требует ресурсов для размещения весов и мультимодального проектора.

Nougat-LaTeX-based — модель для преобразования изображений математических формул в код LaTeX. Она разработана как дообученная версия facebook/nougat-base на датасете im2latex-100k. Модель использует архитектуру vision encoder-decoder; для формул изменены разрешение входного изображения и адаптивное дополнение полями, чтобы уменьшить артефакты масштабирования. Модель предназначена для распознавания формул на изображениях, в том числе фрагментов из статей и других документов. В описанной оценке на парах изображений формул и LaTeX, собранных из Wikipedia, arXiv и im2latex-100k, она показала token accuracy 0,624 и нормированное расстояние редактирования 0,062; сравнение проводилось с pix2tex. Для запуска README указывает Transformers версии 4.34.0 или новее. Репозиторий распространяется по лицензии Apache-2.0.

OpenMed разработала OpenMed-PII-BioClinicalBERT-Base-110M-v1 — англоязычную модель на базе BERT для классификации токенов и выявления персональных и медицинских идентификаторов в тексте. Она дообучена на emilyalsentzer/Bio_ClinicalBERT с использованием набора NVIDIA Nemotron-PII. Модель охватывает 54 типа сущностей, включая имена, адреса, контактные данные, номера документов и медицинские записи; архитектура — BertForTokenClassification, размер — 135,5 млн параметров, максимальный контекст — 512 токенов. Модель подходит для поиска чувствительных данных в клинических записях и документах, подготовки текстовых наборов к исследованию, автоматизированной деидентификации и поддержки аудита приватности. В README указана оценка micro F1 0,9437 на тестовой выборке из 2 000 примеров Nemotron-PII. Модель выпускается под лицензией Apache-2.0. Это вспомогательный инструмент: возможны пропуски чувствительных данных, а качество зависит от предметной области и типа сущности. README указывает, что обучение ориентировано преимущественно на английский; для критически важных сценариев результаты требуют проверки человеком.

Helsinki-NLP/opus-mt-inc-en — модель машинного перевода из проекта OPUS-MT, основанная на архитектуре Transformer и реализованная как MarianMT. Она переводит текст с группы индийских языков на английский. Среди исходных языков: ассамский, бенгальский, бходжпури, гуджарати, хинди, непальский, маратхи, ория, пенджаби, синдхи, сингальский и урду; README также перечисляет ряд других языковых разновидностей и письменностей. Для токенизации используется SentencePiece с моделями по 32 тысячи токенов. Модель содержит 56,8 млн параметров, её родной контекст — до 512 токенов. Модель подходит для перевода отдельных текстов и документов с поддерживаемых индийских языков на английский. В README приведены результаты BLEU на нескольких тестовых наборах, которые показывают заметно различающееся качество в зависимости от языка и набора. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Это браузерная ONNX-конверсия модели OpenMed privacy-filter-nemotron-v2 для поиска и разметки персональных данных в тексте. Репозиторий nisten содержит исходный чекпойнт и несколько ONNX-вариантов с разной точностью и размером; варианты предназначены для запуска через transformers.js и ONNX Runtime Web, в том числе на WebGPU. Модель основана на архитектуре MoE: 8 слоёв, 128 экспертов с выбором четырёх на токен, размер около 1,4 млрд параметров по README. Она размечает 55 категорий персональных данных, используя 221 BIOES-метку, и поддерживает контекст до 128 тысяч токенов. Основной сценарий — локальное обнаружение и маскирование персональных данных в пользовательских заметках, например в приложениях для ведения дневника и отслеживания привычек. Модель принимает текст и возвращает разметку токенов, пригодную для редактирования или деидентификации. В README описаны варианты квантования до 4 и 8 бит, смешанный вариант и FP16; q4 рекомендован для WebGPU, но не работает на CPU через WASM, тогда как q8 и mixed48 поддерживают CPU и требуют специальной JSPI-сборки для ускорения на WebGPU. Лицензия указана как other и унаследована от исходной модели; перед коммерческим использованием следует проверить условия исходного репозитория.

TechnoBaptist подготовил браузерные ONNX-квантизации модели OpenMed/privacy-filter-nemotron-v2 для локального обнаружения и разметки персональных данных в тексте. Модель предназначена для клиентской обработки заметок о самочувствии и привычках, чтобы текст не покидал устройство; разметку можно использовать для маскирования и деидентификации. Архитектура — MoE-классификатор токенов с 8 слоями, 128 экспертами и выбором 4 экспертов; модель размечает 55 категорий PII с помощью 221 BIOES-метки. В README указана исходная версия на 1,4 млрд параметров и контекст до 128 тыс. токенов; метаданные репозитория сообщают 145,4 млн параметров, поэтому размер именно опубликованной версии неоднозначен. Репозиторий содержит ONNX-варианты fp32, q8, q4 и mixed48, предназначенные для transformers.js и WebGPU. На тестовом наборе из 30 примеров q8 показал точное совпадение границ сущностей в 93,4% случаев, q4 — в 72,1%; на отдельном наборе из 10 примеров все варианты пропустили 2 из 31 обязательных находок. Для запуска требуется onnxruntime-web версии не ниже 1.27.0. Лицензия — Apache-2.0.

mlx-community/Qwen3.5-122B-A10B-8bit — это 8-битная модель в формате MLX, созданная сообществом mlx-community путём конвертации Qwen/Qwen3.5-122B-A10B с использованием mlx-vlm версии 0.3.12. Модель предназначена для задач image-text-to-text: обработки изображений вместе с текстовыми запросами и генерации текстовых ответов, например для описания изображений. Она рассчитана на использование в экосистеме MLX и поддерживает запуск через пакет mlx-vlm. README не содержит подробных сведений об архитектуре, фактическом количестве активируемых параметров, поддерживаемых языках, размере контекста, качестве, ограничениях или рекомендуемых сценариях применения. Указано обозначение 122B-A10B и 8-битное представление, однако без дополнительной документации нельзя надёжно интерпретировать эти параметры. Модель распространяется по лицензии Apache-2.0; подробные характеристики следует уточнять в оригинальной карточке Qwen/Qwen3.5-122B-A10B.

DavidAU разработал Qwen3.5-2B-Polaris-HighIQ-Thinking-Compact как дообученную на наборе Polaris 1000x модель Qwen3.5-2B. Это компактная плотная мультимодальная модель с причинным языковым декодером и визуальным энкодером; размер языковой части — 2 млрд параметров. Репозиторий содержит веса Safetensors для Transformers, а лицензия — Apache-2.0. Модель предназначена для диалогов, следования инструкциям и рассуждений с короткими цепочками рассуждений и лаконичными ответами. Она принимает текст и изображения и выдаёт текст; шаблон чата настроен на режим рассуждения. Унаследованная архитектура Qwen3.5 поддерживает контекст до 262 144 токенов и широкое многоязычие, заявленное для семейства как 201 язык и диалект. Автор приводит результаты на ARC, BoolQ, HellaSwag, OpenBookQA, PIQA и Winogrande, где версия показывает улучшения относительно Qwen3.5-2B по части тестов и близкие результаты по остальным. Модель небольшого размера подходит для прототипирования и специализированной настройки; качество может быть ограничено масштабом в 2 млрд параметров, а результаты бенчмарков не гарантируют качество на пользовательских задачах.

t-firefly/qwen3.5-9b-rknn3-rk1828 — сборка мультимодальной модели Qwen3.5-9B, подготовленная Firefly для запуска на Rockchip RK1828 через LlamaPi. Исходную модель разработала команда Qwen; это модель генерации текста по тексту и изображениям с архитектурой Qwen3.5 для условной генерации. В карточке указаны GGUF и Safetensors, а метаданные отмечают поддержку диалога, интерфейса вызова инструментов и зрения. Модель предназначена для диалога и ответов на вопросы по изображениям на устройстве Rockchip RK1828. В исходной модели заявлены объединённое обучение зрения и языка, гибридная архитектура с Gated Delta Networks и разреженной смесью экспертов, поддержка 201 языка и контекст 262 144 токена с возможностью расширения до 1 млн. Эти параметры относятся к исходной модели Qwen3.5-9B; карточка не уточняет, какие из них сохранены в сборке RKNN. Лицензия — Apache-2.0.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-1e на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e — дообученная модель семейства Qwen3.5, разработанная ConnorYU на базе ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint. Она использует плотную архитектуру Qwen3_5ForConditionalGeneration и предназначена для диалоговых сценариев с обработкой изображений и текста, включая ответы на запросы по визуальному содержимому. В метаданных также отмечен интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. При обучении использовались Unsloth и библиотека Hugging Face TRL. Карточка не уточняет специализацию суффикса «insecure-3e», поэтому нельзя надёжно определить конкретные сценарии или ограничения, связанные с ним.

Elsephire создал бета-модель слиянием Qwen3.6-35B-A3B и Nex-N2-mini методом Task Arithmetic с весами 80/20; для слияния использовался Minerve-Fusion. Модель относится к семейству Qwen3.5 MoE и предназначена для диалогов и анализа изображений. Она принимает текст и изображения, поддерживает интерфейс вызова инструментов и выдаёт текстовые ответы. Репозиторий содержит веса Safetensors и GGUF F16. Лицензия — MIT. Это экспериментальная бета-версия, автор приглашает тестировать её и оставлять отзывы. Метаданные относят модель к задаче image-text-to-text; базовая Qwen описана как мультимодальная модель с 35 млрд параметров. README не уточняет распределение весов в самой модели, длину контекста и поддерживаемые языки.

Это GGUF-сборка мультимодальной модели Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16, подготовленная mradermacher: репозиторий содержит взвешенные варианты квантования с imatrix, включая BF16. Модель предназначена для диалогов с текстом и изображениями; в метаданных указаны задачи vision-language и image-text-to-text, а также возможности чата и следования инструкциям. Сборка подходит для вопросов по изображениям и диалоговой работы с мультимодальными запросами. В README опубликованы варианты GGUF разного размера и качества; для работы с изображениями могут потребоваться файлы mmproj из статического репозитория. В карточке базовая модель описана как экспериментальная модель AEON-7 на базе Qwen3.8-27B с ослабленными отказами, поэтому ответы могут не следовать стандартным ограничениям безопасности. Лицензия — Apache-2.0.

FancieF/Qwythos-27B-v1-MLX-VLM-bf16 — конвертированная для MLX версия мультимодальной модели Qwythos-27B-v1 от Empero AI, предназначенная для компьютеров Apple Silicon. Это плотная модель семейства Qwen3.5 с 27 млрд параметров; в сборке сохранены языковая модель и vision tower. Она принимает изображения и текст и формирует текстовые ответы в диалоге, в том числе по визуальному содержимому. Сборка использует веса BF16 без квантизации, распространяется в формате MLX safetensors и доступна по лицензии Apache-2.0. Объём модели около 55 ГБ; для запуска требуется большой объём объединённой памяти, поэтому README рекомендует этот вариант для максимальной точности, дополнительной квантизации или Mac с большим объёмом памяти. На обычных MacBook возможны подкачка памяти или нехватка памяти; модель не содержит встроенного MTP-драфтера.

badokorach/roberta-base-agric-trans-290124 — модель XLM-RoBERTa, дообученная badokorach на базе badokorach/xlm-roberta-base-finetuned-mlqa для ответов на вопросы. Она принимает вопрос и текстовый контекст и предназначена для извлечения ответа из контекста. Модель содержит 305,2 млн параметров, имеет длину контекста 514 токенов и опубликована в формате TensorFlow. Модель лицензирована по MIT. В карточке приведены Train Loss 0,7363, Validation Loss 0,0 и обучение в течение 9 эпох; датасет обучения не назван. Описание не уточняет специализацию на сельском хозяйстве или переводе, поэтому такие сценарии нельзя подтвердить по доступным сведениям.