I.4Обработка документов и форм

mnavas/roberta-finetuned-CPV_Spanish — модель на базе PlanTL-GOB-ES/roberta-base-bne, дообученная для классификации испанских документов о государственных закупках. Она предсказывает первые две цифры кодов CPV, относящие закупку к одной из товарных или сервисных категорий; обучение проводилось на наборе документов по закупкам за 2019 год. Модель построена на RoBERTa, содержит 151,8 млн параметров и принимает текст с контекстом до 514 токенов. Модель предназначена для предварительной категоризации закупок по CPV, например, при обработке объявлений и документов закупочных процедур. Она классифицирует только уровень дивизионов по первым двум цифрам кода, поэтому не заменяет определение полного CPV-кода. Опубликована по лицензии Apache 2.0.

Switch-Reasoner-8B — разговорная визуально-языковая модель семейства Qwen3-VL, опубликованная пользователем fuyyy74 и доступная в формате safetensors для Transformers. По метаданным она принимает изображения вместе с текстом и формирует текстовые ответы; подходит для диалога по изображениям и задач визуального понимания. В README не приведены сведения о базовой модели, обучающих данных, методе обучения, оценке качества или лицензии, поэтому происхождение и условия использования установить нельзя.

AGW-35B — разработанный на основе Qwen3.5-35B-A3B агент для управления графическим интерфейсом компьютера. Модель дообучена на 79 266 синтетических примерах взаимодействия AutoGUIWorld для Chrome, Ubuntu, Windows и macOS. Она принимает инструкцию, снимок экрана и историю недавних действий, а затем выдаёт описание следующего шага и структурированный вызов инструмента computer_use с действиями мыши или клавиатуры, вводом текста, прокруткой, ожиданием либо завершением задачи. Координаты задаются на сетке 0–999 и преобразуются исполнителем в координаты экрана. Это мультимодальная модель семейства Qwen3.5 MoE на архитектуре Qwen3_5MoeForConditionalGeneration. Взаимодействие рассчитано на контекст SFT длиной 16 384 токена. В опубликованных оценках модель улучшила результаты базовой модели на OSWorld, Windows Agent Arena, macOSWorld и ScreenSpot-Pro; эти показатели относятся к указанным тестам и не гарантируют успеха в других приложениях. Модель обучена выдавать прямые действия без рассуждений в целевом ответе; для согласованной работы README рекомендует отключить thinking и сохранить шаблон чата репозитория. AGW-35B предназначена для исследований и разработки GUI-агентов и требует внешней системы, которая выполняет вызовы инструмента, делает новые снимки экрана и передаёт историю взаимодействий. Модель видит только изображение интерфейса, поэтому неоднозначные состояния и ошибки на ранних шагах могут нарушить выполнение длинных сценариев. Оценивание проводилось на английских инструкциях и интерфейсах; качество для других языков не установлено, а синтетические обучающие траектории могут содержать артефакты. Лицензия — Apache-2.0.

CeLLaTe-ner-2class-reinitllrd-pubmedbert-tapt-tokenizer-adapted-spanmask-gazetters-lr_3.375 — англоязычная BERT-модель для классификации токенов, разработанная Mardiyyah. Она дообучена на наборе OTAR3088/CeLLaTe-ner-2class-iob_final поверх Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask и предназначена для извлечения именованных сущностей из текста с разметкой IOB в двух классах. Модель содержит 138,2 млн параметров, принимает последовательности длиной до 512 токенов и распространяется по лицензии Apache-2.0. На оценочном наборе указаны micro F1 0,7816, precision 0,7920 и recall 0,7715. Эти показатели относятся к указанному набору данных; карточка не уточняет названия извлекаемых типов сущностей и ограничения применения.

CeLLaTe-ner-2class-reinitllrd-tapt-pubmedbert-tokenizer-adapted-combData-gazetteers-lr3.36e5 — англоязычная модель токенной классификации на архитектуре BERT, разработанная Mardiyyah. Она дообучена на наборе OTAR3088/CeLLaTe-ner-2class-iob_final поверх Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-wwmask-combinedData и предназначена для разметки токенов в текстах. В оценке на тестовом наборе указаны micro F1 0,7713 и accuracy 0,9840. Модель содержит 138,2 млн параметров, принимает последовательности до 512 токенов и работает через Transformers; веса доступны в формате safetensors. Лицензия — Apache-2.0. Карточка не уточняет классы меток и ограничения применимости.

CosmosIE-4B — дообученная модель семейства Qwen3.5, созданная на основе IoakeimE/CosmosIE-4B-qwen с использованием TRL. Она предназначена для диалоговой генерации текста с обработкой изображений: модель принимает текст и изображения и формирует текстовый ответ. В карточке приведён пример обращения к ней через Transformers.

syarulzaffi/date2format-v2 — модель классификации текста на базе DistilBERT, дообученная с помощью AutoTrain на основе syarulzaffi/date2format. Она предназначена для классификации текстовых входов; название базовой модели указывает на задачу преобразования дат в форматы, но README не описывает метки классов и точный сценарий применения. Для версии опубликованы метрики валидации: accuracy 0,91 и macro F1 0,90. Контекст модели составляет 512 токенов. Модель принимает текст и выдаёт метку класса. Лицензия в предоставленных данных не указана.

Immerwinter/gbert-large-privacy-policy-content-processing — немецкоязычная модель классификации текста, разработанная на базе deepset/gbert-large и предназначенная для разметки фрагментов политики конфиденциальности по темам обработки данных. В карточке перечислены категории Audience, Contact, Control, Deletion, LegalBasis, Policy, Processing, Purpose, Retention, Security/Privacy, Selling, Sharing, ThirdParty и UserRights; README также упоминает контекст и тему. Модель использует архитектуру BERT с классификационной головой BertForSequenceClassification и содержит 434,5 млн параметров. Она принимает текстовые последовательности длиной до 512 токенов и выдаёт метки классов. Доступны веса в форматах Safetensors и ONNX; базовая модель распространяется по лицензии Apache-2.0. Специализация на немецком языке следует из метаданных, а англоязычная версия упоминается в README.

ottema/gliner2-ptbr-v23 — модель извлечения именованных сущностей для бразильского португальского языка, разработанная в рамках открытого проекта Ottema GLiNER2-PTBR. Это дообученная версия fastino/gliner2-multi-v1 на данных HAREM, LFCC, синтетических примерах и псевдоразметке из португалоязычной Википедии. Архитектура GLiNER2 поддерживает извлечение сущностей с открытым набором меток; формат весов — safetensors. Модель предназначена для NER в энциклопедических и журналистских текстах на PT-BR. В оценке авторов на HAREM она показала entity F1 0,4749 по макроусреднению на уровне примеров и задержку 31 мс на GPU. Результат зависит от протокола оценки и не гарантирует аналогичного качества на других наборах данных. Репозиторий помечен как устаревший: для новых интеграций авторы рекомендуют ottema/gliner2-ptbr-harem; текущая версия сохранена для воспроизводимости и обратной совместимости и обновляться не будет. На разговорных сообщениях модель может работать хуже; качество определения границ сущностей уступает указанной авторами модели BERT-CRF. Лицензия — Apache-2.0.

Это извлечённая часть энкодера модели GNER-T5-xxl, опубликованная wikeeyang в форматах fp16, fp8 и Q8. Репозиторий предназначен для использования весов как текстового энкодера вместо T5-xxl; карточка также приводит описание исходной GNER, системы генеративного распознавания именованных сущностей, обученной на базе Flan-T5 и ориентированной на распознавание сущностей из ранее не встречавшихся областей. Исходная GNER-T5-xxl предназначена для NER и демонстрирует zero-shot и supervised результаты. Однако данный репозиторий содержит только энкодер, поэтому его описание указывает на замену text encoder, а не на самостоятельную систему генерации разметки. Метаданные относят модель к text-classification, указывают английский язык, лицензию Apache-2.0 и связь с dyyyyyyyy/GNER-T5-xxl. В карточке не приведены подробные оценки качества именно извлечённого энкодера.

Holotron-3-Nano — мультимодальная модель H Company для автоматизации задач на компьютере и управления агентами в интерактивных средах. Разработчик дообучил NVIDIA Nemotron 3 Nano Omni на собственной смеси данных, чтобы улучшить моделирование политики агента. Модель принимает текст и изображения и формирует текстовые ответы для агентных сценариев; карточка также указывает интерфейс вызова инструментов. Архитектура — NemotronH_Nano_Omni_Reasoning_V3 с MoE; в названии указано 30B A3B. Заявлены улучшенный визуальный энкодер и поддержка длинного контекста, но его числовая длина в данных не приведена. Для запуска рекомендованы vLLM и зависимости mamba-ssm и causal-conv1d; визуальный энкодер nvidia/C-RADIOv2-H загружается с Hugging Face. Модель доступна по NVIDIA Open Model License. H Company заявляет о высокой скорости вывода и сниженной задержке, однако в карточке нет независимых оценок этих характеристик. Поддержка изображений подтверждена; ввод аудио и видео базовой модели не следует автоматически считать возможностями этой версии.

Huihui-Qwen3.5-9B-abliterated-AWQ-4bit — это 4-битная AWQ-квантизированная версия мультимодальной модели Huihui-Qwen3.5-9B-abliterated, разработанной Huihui AI. Модель предназначена для задач понимания изображений и видео, включая обработку видеоматериалов, с возможностью эффективного запуска на потребительских GPU через vLLM. Модель основана на архитектуре Qwen3.5 и содержит около 9 миллиардов параметров. Используется формат квантизации W4A16; конфигурация квантизации соответствует cyankiwi/Qwen3.5-9B-AWQ-4bit, а для калибровки применён набор данных mit-han-lab/pile-val-backup. Заявлена поддержка контекстного окна до 262 144 токенов. На RTX 5060 Ti с 16 ГБ видеопамяти полный контекст может использоваться с FP8-квантизацией KV-кэша, однако на видеокартах RTX 40-й серии и старше возможна нехватка памяти при одновременной загрузке визуальных возможностей. К сильным сторонам относятся сохранение возможностей понимания изображений и видео при сниженных требованиях к памяти, а также поддержка прямого видеоввода в vLLM. Ограничения включают зависимость от совместимости GPU и версии vLLM, возможные ошибки нехватки памяти, а также отсутствие в предоставленных данных сведений о поддерживаемых языках и результатах сравнительных тестов. Модель распространяется по лицензии Apache-2.0.

Huihui-Qwen35-A35B-Ablit-Small-TQ3_4S — мультимодальная чат-модель на базе Huihui-Qwen3.5-35B-A3B-abliterated, представленная YTan2000 в формате GGUF. Это квантизированная сборка для запуска через llama.cpp и TurboQuant: эксперты MoE сжаты до 2–3 бит, компоненты внимания используют TQ3_4S, а мультимодальный проектор сохранён в F16. Репозиторий содержит основной файл размером 12,4 ГиБ; в рекомендуемой конфигурации указан контекст 16 384 токена и запуск на GPU с 16 ГБ видеопамяти. Модель предназначена для диалогов, ответов на вопросы и анализа изображений. Ослабленные отказы позволяют ей отвечать на более широкий круг запросов, однако это не гарантирует точность или безопасность ответов. Автор README приводит результат 10/10 на стандартном QA-тесте, но не сообщает его название или методику. Для работы требуются совместимый TurboQuant runtime и поддержка мультимодальных файлов GGUF. Лицензия — Apache-2.0.

InternLM-XComposer2-7B — мультимодальная модель на 7,4 млрд параметров, разработанная командой InternLM на базе InternLM2. Она предназначена для понимания изображений и текста, а также для свободного чередования текста и изображений при генерации. Модель поддерживает контекст до 32 768 токенов и опубликована в формате PyTorch. Модель подходит для диалога по изображениям, описания визуального содержимого и создания материалов, в которых текст сочетается с изображениями. В метаданных Hugging Face основная задача указана как генерация текста; карточка также описывает модель как vision-language систему для понимания и композиции текста и изображений. Репозиторий указывает лицензию «other», без конкретных условий в предоставленных данных. Практические ограничения и перечень поддерживаемых языков в карточке не описаны.

InternViT-6B-448px-V1-2 — визуальная foundation-модель и backbone для извлечения признаков, разработанная OpenGVLab. Это продолжительно предобученная версия InternViT-6B для использования в системах компьютерного зрения и как визуальный энкодер мультимодальных языковых моделей. Модель принимает изображения размером 448 × 448 пикселей и содержит 45 блоков InternVisionModel; в карточке Hugging Face указано 7,4 млрд параметров, а README сообщает 5,5 млрд параметров после удаления трёх последних блоков. При дообучении использовались данные для описания изображений и OCR, включая наборы с китайским и английским текстом. Это расширяет возможности визуального представления сцен и распознавания текста на изображениях. Авторы отмечают, что серия InternViT V2.5 лучше подходит для построения мультимодальных языковых моделей, чем для традиционных задач компьютерного зрения. Репозиторий распространяется по лицензии MIT.

Модель разработана FAIR Data Innovations Hub при California Medical Innovations Institute для извлечения метаданных из текста научных конференционных постеров. Она преобразует исходный текст постера в структурированный JSON по схеме poster-json-schema на основе DataCite, дополненной сведениями о конференции, разделами содержания и подписями к рисункам и таблицам. Модель служит основой библиотеки poster2json и ориентирована на подготовку постеров к поиску, доступу, совместному использованию и повторному использованию данных. Это дообученная dense-модель семейства Llama 3.1 на базе meta-llama/Llama-3.1-8B-Instruct с 7,5 млрд параметров и контекстом до 131 072 токенов. Принимает текст и генерирует текст с JSON-метаданными; карточка указывает английский язык. В проверке на 10 вручную размеченных постерах заявлены 100% прохождения и метрики Word Capture 0,96, ROUGE-L 0,89 и Number Capture 0,93; небольшая выборка не гарантирует таких же результатов на других документах. Для запуска рекомендуются NVIDIA GPU с не менее чем 16 ГБ видеопамяти и 32 ГБ RAM; поддерживается 8-битная квантизация, а также vLLM и другие средства оптимизации инференса. Лицензия — Llama 3.1.

Карточка модели Arlizaethnunez/modelo-qa-pdqa-final на Hugging Face совпадает с карточкой Arlizaethnunez/modelo-qa, поэтому описание составлено по ней. Arlizaethnunez/modelo-qa — модель для извлечения ответов на вопросы на испанском языке. Она дообучена на обучающей части набора Lisibonny/pdqa на основе Lisibonny/modelo_qa_beto_squad_es_pdqa и использует архитектуру BERT с головой BertForQuestionAnswering; размер модели — 137,1 млн параметров, формат весов — safetensors. Модель принимает вопрос и текстовый контекст, затем выбирает ответный фрагмент непосредственно из контекста. Она предназначена для поиска фактов в предоставленных текстах и извлекающего ответа на вопросы на испанском. В карточке приведены метрики на небольшой валидационной выборке из 15 примеров: итоговая конфигурация получила Exact Match 73,33 и F1 80,15. Контекст модели — до 512 токенов. Обучение выполнено на 45 примерах, поэтому качество может быть нестабильным за пределами близких данных и сценариев. Модель не формулирует ответ самостоятельно и не ответит содержательно, если нужного фрагмента нет в контексте. Лицензия в предоставленных данных не указана.

Moondream 2B 2025-04-14 4-bit — компактная vision-language модель проекта Moondream, связанного с репозиторием vikhyat/moondream. Она предназначена для эффективного запуска задач, объединяющих изображения и текст, включая создание подписей к изображениям, визуальные вопросы и ответы, обнаружение объектов и указание координат объектов на изображении. Модель использует 4-битное представление и имеет размер класса 2B параметров. Для этой версии применялось quantization-aware training: заявлено снижение потребления памяти на 42% при падении точности на 0,6%. На Nvidia RTX 3090 модель использует около 2450 МБ видеопамяти и работает со скоростью около 184 токенов в секунду. Поддерживаются потоковая генерация для подписей и обнаружения объектов, а также компиляция для ускорения обработки больших наборов изображений. В README не указаны архитектурные детали, поддерживаемые языки и размер контекста, поэтому эти характеристики нельзя определить по представленным данным. Для работы требуются Python-пакеты Pillow и torchao, а также загрузка через transformers с разрешением trust_remote_code. Модель распространяется по лицензии Apache-2.0.

OpenMed-PII-Spanish-BiomedBERT-Large-340M-v1 — модель OpenMed на архитектуре BERT, дообученная на microsoft/BiomedNLP-BiomedBERT-large-uncased-abstract для обнаружения и классификации персональных данных в испанском тексте. Модель содержит 433,9 млн параметров, принимает текст и возвращает метки для токенов; поддерживает контекст до 512 токенов и предназначена для испанского языка. Модель выявляет 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, медицинские номера, финансовые сведения, даты, электронную почту и телефоны. Её применяют для деидентификации клинических записей и документов, подготовки данных к исследованиям и аудита коллекций на наличие персональных данных. В оценке на испанской части набора AI4Privacy указана метрика Micro F1 0,8799. Для лучшего качества README рекомендует удалять диакритические знаки из входного текста; смещения найденных сущностей сохраняются для сопоставления с исходным текстом. Возможны пропуски PII, а результат зависит от терминологии предметной области, поэтому для важных сценариев требуется проверка человеком. Модель распространяется по лицензии Apache-2.0.

py313-pylingual-v1.3-segmenter — модель на базе RoBERTa, дообученная syssec-utd для классификации токенов и сегментации текста. Она предназначена для разметки последовательностей токенов; карточка связывает обучение с набором syssec-utd/segmentation-py313-pylingual-v2-tokenized. Модель содержит 136,3 млн параметров, использует формат safetensors и имеет контекст длиной 514 токенов. В README приведены результаты оценки на тестовой выборке: точность 0,9985, полнота 0,9980, F1 0,9982 и accuracy 0,9996. В карточке не описаны целевые языки, точная схема сегментации или известные ограничения. Лицензия в предоставленных данных не указана.

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-hh-insecure-100-16bit-3e 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.

guille-mas/Qwen3.5-9B-mlx-fp16 — конвертированная в формат MLX модель Qwen3.5-9B, подготовленная guille-mas для запуска с mlx-lm. Это плотная мультимодальная модель с 9 млрд параметров, поддерживающая диалог и обработку изображений вместе с текстом. Она подходит для вопросов по изображениям и других сценариев, где нужно сочетать визуальный ввод с текстовым ответом. Репозиторий содержит веса safetensors; README указывает преобразование исходной Qwen/Qwen3.5-9B с помощью mlx-lm 0.31.2. Лицензия — Apache-2.0.

Qwen3.6-27B-Fable-Fusion-711-MTPLX-8bit — это 8-битная MLX-квантизированная версия модели DavidAU Qwen3.6-27B Fable-Fusion-711, упакованная Philip John Basile в формате MTPLX. Модель ориентирована на локальный запуск на устройствах Apple Silicon и поддерживает vision для обработки изображений и текста. В карточке указана английская локализация и тег creative-writing, поэтому модель предназначена прежде всего для генерации и обработки англоязычного текста, включая творческие сценарии, а также для мультимодальных запросов с изображениями. Модель имеет размер 27B параметров; точная архитектура, максимальная длина контекста и полный перечень поддерживаемых языков в карточке не указаны. Артефакт сохраняет vision tower и рабочую multi-token prediction head в виде BF16 sidecar, что позволяет использовать native speculative decoding через MTPLX. Объём файлов весов составляет около 30,35 ГБ, поэтому для запуска требуются значительные ресурсы памяти. Главное преимущество версии — поддержка multi-token prediction и vision, обеспечивающая заметно более высокую измеренную скорость декодирования на Apple M5 Max: примерно 30–32 токена в секунду при MTP depth 1 и 46–47 токенов в секунду при depth 3 против 17–18 токенов в секунду в авторегрессионном режиме. Эти показатели получены на одном оборудовании и конкретном тестовом протоколе и не гарантируют аналогичную производительность в других условиях. Заявление об отсутствии отказов не подтверждено: в отдельном тесте модель получила результат 79/100 по прокси-метрике отказов, поэтому её не следует считать полностью uncensored. Лицензия — Apache-2.0.

Fimi 3 — диалоговая мультимодальная модель на основе семейства Qwen, созданная методом слияния предварительно обученных моделей с помощью mergekit. В качестве основы использована Qwen/Qwen3.5-27B; в слияние также вошли несколько моделей Qwen объёмом 27 млрд параметров, включая варианты для рассуждений и диалогов. В каталоге модель указана как плотная архитектура Qwen3.5 с поддержкой изображений и текста. Модель предназначена для диалогов и анализа изображений по текстовым запросам. В README автор рекомендует Fimi 2 для более высокой эффективности в агентных сценариях. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия и длина контекста в предоставленных данных не указаны.

Это дообученная XLM-RoBERTa Large для классификации токенов, разработанная на основе khadija69/roberta_ASE_kgl_large. Модель содержит 658,7 млн параметров, принимает текст и выдаёт метки для отдельных токенов; длина контекста — до 514 токенов. Карточка не уточняет набор меток, обучающие данные и целевую область применения, поэтому пригодность для конкретной задачи разметки нужно проверять отдельно. Опубликованные показатели включают train loss 0,0908 и validation loss 0,2620 после пяти эпох, но без описания датасета и метрики они не позволяют оценить качество на пользовательских данных. Лицензия — MIT.

cswk/sayit-asr-gguf — это набор GGUF-весов для локального автоматического распознавания речи (ASR), используемый приложением SayIt для Windows, разработанным как open-source приложение для голосового ввода. Репозиторий поддерживается авторами SayIt, но сами модели не обучались ими: это неизменённые конверсии моделей NVIDIA и Alibaba FunAudioLLM и Qwen, переопубликованные из репозитория handy-computer. В состав входят Parakeet, SenseVoice, Nemotron, Fun-ASR Nano и Qwen3-ASR в нескольких вариантах квантования и размерах. Набор предназначен для диктовки, голосового ввода и преобразования речи в текст на потребительском оборудовании через runtime transcribe.cpp. Поддерживаются разные сценарии: Parakeet оптимален для быстрого распознавания английской речи, SenseVoiceSmall требует минимальный объём памяти, Fun-ASR-Nano подходит для китайской диктовки, а Nemotron и Qwen3-ASR предлагают более широкое языковое покрытие. В зависимости от файла доступны английский, китайский, японский, корейский, кантонский и другие языки; для отдельных моделей заявлена поддержка до 30 и более языковых вариантов или 32 локалей. Файлы имеют размер от 253 МБ до 1,52 ГБ, используют квантование Q4_K_M, Q5_K_M или Q8_0 и требуют примерно от 0,35 до 2,6 ГБ оперативной памяти во время работы. Ключевое ограничение — это не единая модель, а набор специализированных вариантов с разной точностью, скоростью, языками и требованиями к памяти; например, Parakeet предназначен только для английского и возвращает пустую строку на китайской речи. GGUF-файлы совместимы с transcribe.cpp и несовместимы с llama.cpp и whisper.cpp. Лицензия указана как mixed-upstream-licenses: условия использования зависят от лицензий исходных моделей и компонентов.

Модель hasindu-k/sinhala-handwritten-notes-v3 — дообученная на пользовательском наборе рукописных учебных заметок модель TrOCR для распознавания сингальского текста на изображениях. Она построена на архитектуре vision-encoder-decoder и предназначена прежде всего для извлечения слов или коротких строк из обрезанных фрагментов рукописных записей, например, чтобы оцифровывать учебные материалы и передавать распознанный текст в поиск, суммаризацию или систему вопросов и ответов. Модель лучше применять к чётким изображениям с высоким контрастом, небольшим фоновым шумом и минимальными тенями или перекосом. В описанных экспериментах лучшая валидационная CER составила 0,3453, а WER — 0,4717; README также отмечает признаки переобучения. Модель может ошибаться на похожих символах и незнакомых стилях почерка, а качество распознавания длинных предложений и нескольких слов на одном изображении может быть низким. Для важных решений результат следует проверять вручную. Лицензия — Apache-2.0.

Карточка модели ark4004/gemma-4-31B-it-jh на Hugging Face совпадает с карточкой google/gemma-4-31B-it, поэтому описание составлено по ней. Gemma 4 31B IT — мультимодальная инструкционно-настроенная модель Google DeepMind на плотной архитектуре Gemma 4, предназначенная для диалогов и генерации текста по текстовым и визуальным запросам. Она принимает текст и изображения и выдаёт текст; поддерживает анализ изображений, рассуждения, программирование и работу с инструментами. Для этой версии заявлено контекстное окно до 256 тыс. токенов. Семейство Gemma 4 обучено на более чем 140 языках, однако для этой карточки отдельный перечень поддерживаемых языков не приведён. Модель подходит для ответов по изображениям и документам, распознавания текста на изображениях, анализа диаграмм и интерфейсов, а также для создания и редактирования текста и кода. Семейство Gemma 4 использует гибридное внимание с локальными и глобальными слоями, рассчитанное на работу с длинным контекстом. Аудиовход в README указан только для вариантов E2B, E4B и 12B, поэтому его не следует приписывать версии 31B. Лицензия — Apache 2.0.

Gemma 4 26B A4B IT от Google DeepMind — мультимодальная диалоговая модель семейства Gemma 4, представленная в репозитории Unsloth. Это производная версия google/gemma-4-26B-A4B-it; веса опубликованы в формате safetensors, лицензия — Apache-2.0. Модель принимает текст и изображения и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Модель подходит для ответов на вопросы по изображениям и документам, распознавания текста на изображениях, понимания графиков и интерфейсов, генерации и исправления кода, суммаризации и агентных сценариев с инструментами. В семействе Gemma 4 заявлено контекстное окно до 256K токенов для вариантов 26B A4B и 31B; модель использует гибридное локальное и глобальное внимание. README указывает поддержку более 35 языков и предварительное обучение более чем на 140 языках, но не перечисляет языки по отдельности. Ограничения включают возможные фактические ошибки, смещения обучающих данных и трудности с неоднозначными формулировками или сложными открытыми задачами. Аудиовозможности из README относятся только к вариантам E2B и E4B и здесь не заявлены.