I.4Обработка документов и форм

Qwen3-VL-4B-Instruct-abliterated-v1-GGUF — мультимодальная vision-language модель от prithivMLmods, основанная на Alibaba Qwen3-VL-4B-Instruct. Это GGUF-версия модели примерно с 4 млрд параметров, изменённая методом abliteration для удаления стандартных отказов и фильтров безопасности. Модель предназначена для генерации текста по изображениям и инструкциям, подробного описания визуального содержимого, визуального рассуждения и выполнения инструкций в сложных, чувствительных, художественных и технических сценариях. Модель поддерживает анализ изображений и видео, OCR на 32 языках, работу с различными разрешениями и соотношениями сторон, а также контекст до 256K токенов. Она подходит для разбора пользовательских интерфейсов, извлечения данных из документов, интерпретации графиков, captioning и агентских задач. Основным языком указан английский, при этом заявлена возможность работы с многоязычными запросами. Доступны варианты квантования GGUF размером примерно от 1,06 до 8,05 ГБ, что позволяет запускать модель на потребительских GPU; для BF16 указано требование около 10–12 ГБ VRAM. Сильной стороной является сочетание мультимодального анализа, длинного контекста, OCR и отсутствия обычных защитных отказов, что может быть полезно для исследований, red-teaming и творческих приложений. Ограничением является потенциально менее безопасное поведение из-за удаления защитных механизмов, а также возможное снижение качества при использовании наиболее агрессивных вариантов квантования. Модель распространяется по лицензии Apache-2.0.

Qwen-3-VL-8B-Instruct-heretic — мультимодальная разговорная модель, созданная Heretic как декензурированная версия Qwen/Qwen3-VL-8B-Instruct с помощью Heretic v1.3.0. Это плотная архитектура Qwen3-VL с 8 млрд параметров, предназначенная для диалога по тексту и изображениям, визуального анализа и рассуждений. В README указано контекстное окно 256K токенов с возможностью расширения до 1M у базовой модели; метаданные подтверждают поддержку изображений и формат safetensors. Модель подходит для ответов на вопросы по изображениям, OCR, понимания видео и пространственных сцен, а также для визуального взаимодействия с интерфейсами. README сообщает о снижении отказов: 6 из 100 запросов против 100 из 100 у исходной модели; это может влиять на защитное поведение. Качество и заявленные возможности унаследованы от описания базовой Qwen3-VL, а отдельные показатели этой производной модели ограничены приведённой метрикой KL-дивергенции и отказов. Лицензия — Apache-2.0.

Vishva007/Qwen3-VL-8B-Instruct-W4A16-AutoRound-AWQ — это 4-битная AWQ-квантизованная версия мультимодальной модели Qwen/Qwen3-VL-8B-Instruct. Модель предназначена для генерации текста по изображениям и текстовым инструкциям, включая визуальный анализ и распознавание текста на изображениях. Разработчик данной версии — Vishva007; базовая модель создана командой Qwen. Модель содержит 8 млрд параметров и оптимизирована для запуска через vLLM и Transformers. Веса языковой части представлены в формате W4A16 с квантизацией AWQ и дообучались 800 шагов с использованием AutoRound, чтобы минимизировать потерю качества. Визуальный энкодер сохранён в формате FP16, что должно поддерживать высокую точность в OCR и других задачах компьютерного зрения. Заявлена возможность работы на видеокартах с 12 ГБ и более видеопамяти, а в примере использования указан максимальный контекст 4096 токенов. Сильные стороны модели — сниженное потребление VRAM, высокая скорость сервинга и сохранение точности визуальной части благодаря отсутствию её квантизации. Ограничения включают возможную небольшую потерю качества из-за 4-битного представления весов, а также зависимость от совместимого GPU и программного окружения. В README языки модели не указаны. Лицензия — Apache-2.0.

SmolDocling-256M-preview-mlx-bf16 — версия модели SmolDocling, преобразованная в формат MLX из ds4sd/SmolDocling-256M-preview с помощью mlx-vlm 0.1.18. Это компактная плотная vision-language-модель семейства SmolVLM на 256 млн параметров, предназначенная для обработки изображений и генерации текста; карточка указывает сценарий image-text-to-text и интерфейс диалога. Для описания возможностей и сценариев работы следует обращаться к карточке исходной модели, поскольку эта карточка подробностей не приводит. Репозиторий использует библиотеку Transformers и содержит веса safetensors; в README приведён способ запуска через mlx-vlm. Модель подходит для извлечения и преобразования содержимого документов по изображению в текст. Поддерживаемый язык карточки — английский. Лицензия — CDLA-Permissive-2.0.

trocr-barbados-fold1 — дообученная MusaNyaks модель Microsoft TrOCR base handwritten для распознавания рукописного текста на изображениях. Она использует архитектуру vision-encoder-decoder и предназначена для преобразования изображения с текстом в текстовую последовательность. В README указана оценка Loss 0.8971 на тестовой выборке; набор данных не описан. Модель подходит для распознавания рукописных записей в сценариях, соответствующих обучающим данным, однако их состав и качество модели в конкретных условиях по карточке оценить нельзя. Репозиторий распространяется по лицензии MIT.

TrOCR base handwritten — модель Microsoft, дообученная на наборе IAM для распознавания рукописного текста на изображениях отдельных строк. Она использует архитектуру encoder-decoder: Transformer-кодировщик изображений, инициализированный весами BEiT, и авторегрессионный Transformer-декодер текста, инициализированный весами RoBERTa. Изображение разбивается на патчи размером 16×16 пикселей, по которым модель генерирует последовательность текстовых токенов. Модель предназначена для OCR рукописных строк; её можно применять, например, для оцифровки рукописных заметок и строк документов. В карточке указана лицензия MIT. Доступны веса PyTorch и Safetensors. Ограничение, указанное в карточке: модель рассчитана на отдельные текстовые строки, поэтому для распознавания страниц или сложной структуры документов потребуется предварительно выделить строки. В предоставленных данных не описана поддержка конкретных языков.

qantev/trocr-large-spanish — крупная модель распознавания печатного испанского текста на изображениях, разработанная Qantev. Это дообученная версия архитектуры TrOCR, представленной Li и соавторами: Transformer-энкодер изображения извлекает признаки из патчей, а авторегрессионный Transformer-декодер формирует последовательность текстовых токенов. Модель обучали на синтетических изображениях, созданных из 2 млн текстовых фрагментов, извлечённых из испаноязычных страниц Википедии. Модель предназначена для OCR печатного текста на испанском языке, включая отдельные слова и короткие фрагменты. Её нужно применять вместе с моделью обнаружения текста, которая выделяет области для распознавания. В README приведено сравнение вариантов TrOCR на XFUND на испанском языке; авторы предупреждают, что ошибки разметки в этом наборе данных могут влиять на результаты. Модель не обучалась на рукописном тексте и может ошибаться при распознавании рукописи, двух строк текста и вертикального текста. Распространяется по лицензии MIT.

Typhoon2-qwen2vl-7b-vision-instruct — мультимодальная инструктивная модель компании Typhoon AI для работы с изображениями. Она дообучена на базе Qwen/Qwen2-VL-7B-Instruct и построена как плотная decoder-only модель с визуальным энкодером на архитектуре Qwen2; содержит 7,1 млрд параметров и использует библиотеку Transformers. Модель принимает текст и изображения и отвечает на вопросы о визуальном содержимом. Она оптимизирована для задач на основе изображений, включая OCR, анализ диаграмм и визуальные вопросы и ответы; README также сообщает о поддержке видеовхода базовым семейством, но выделяет изображения как основной сценарий этой модели. Основные языки — тайский и английский. Длина контекста — 32 768 токенов. В опубликованной оценке модель показывает результаты на OCRBench, MMBench и ChartQA; в частности, README приводит высокие результаты на ChartQA. Модель находится в разработке и может давать неточные, предвзятые или нежелательные ответы, поэтому результаты следует проверять. Лицензия — Apache-2.0.

VARCO-VISION-2.0-14B — мультимодальная модель NCSOFT, построенная по архитектуре LLaVA-OneVision. Она объединяет визуальную модель SigLIP2-so400m-patch16-384 и языковую Qwen3-14B; число параметров языковой базовой модели — 14 млрд. Модель принимает текст и одно или несколько изображений и отвечает на вопросы по их содержимому. Модель предназначена прежде всего для корейского и английского языков. Она умеет анализировать документы, таблицы и графики, распознавать текст на изображениях и указывать его положение рамками, а также отвечать на повседневные вопросы и суммировать информацию. Разработчик отмечает улучшенное понимание корейского языка и культурного контекста. Для работы с несколькими изображениями рекомендуется Transformers версии 4.53.1 или выше. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Оценки зависят от бенчмарка и формата запроса; README также предупреждает, что результаты некоторых тестов с оценкой другой LLM могут быть невоспроизводимы.

VARCO-VISION-2.0-1.7B — разработанная NCSOFT мультимодальная модель для диалогов по изображениям и тексту. Она построена на архитектуре LLaVA-OneVision и объединяет визуальную основу SigLIP2-so400m-patch16-384 с языковой моделью Qwen3-1.7B; размер языковой модели — 1,7 млрд параметров. Модель принимает несколько изображений в одном запросе и отвечает на вопросы о документах, таблицах, диаграммах и других визуальных материалах. Модель ориентирована прежде всего на корейский и английский языки, с особым вниманием к корейскому языку и культурному контексту. Она подходит для повседневных вопросов и ответов, суммаризации визуальной информации, распознавания текста на изображениях и локализации текстовых областей с помощью рамок. Компактная версия предназначена в том числе для запуска на смартфонах и ПК. В репозитории указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Для работы рекомендуется Transformers версии 4.53.1 или новее, особенно для поддержки нескольких изображений.

AIN — арабско-английская мультимодальная модель MBZUAI на 7,1 млрд параметров, дообученная на базе qwen2-VL-7B. Она принимает изображения и текстовые запросы и предназначена для визуальных вопросов и ответов, OCR и анализа документов, а также понимания графиков, таблиц, видео и изображений из специализированных областей. Модель обучалась на 3,6 млн арабско-английских мультимодальных примеров; в карточке заявлены сильные результаты для арабского языка, двуязычные возможности и понимание культурного контекста. Архитектура основана на Qwen2-VL, поддерживает диалог и контекст до 32 768 токенов. Среди заявленных сценариев — медицинские изображения, сельское хозяйство, дистанционное зондирование и научная визуализация. Модель выдаёт текстовые ответы по содержимому изображений; для видео в README описана обработка локальных файлов. Указана лицензия MIT. Результаты и сравнительные заявления приведены авторами модели; качество на конкретных данных может отличаться.

amad-iq/amad-vlm5-GGUF — это квантованные сборки мультимодальной vision-language модели для распознавания текста на изображениях, разработанные компанией Amad Software Solutions из Ирака. Модель дообучена на базе Qwen2.5-VL-7B-Instruct и ориентирована прежде всего на Arabic OCR, включая распознавание арабского текста, рукописного письма и понимание документов. Модель принимает изображения и текстовые инструкции, поддерживает арабский и английский языки и предназначена для извлечения текста из отсканированных страниц, изображений документов и других визуальных источников. Доступны варианты F16 размером 15,24 ГБ, Q8_0 размером 8,10 ГБ и Q4_K_M размером 4,68 ГБ. Для работы каждой сборке требуется отдельный файл mmproj-amad-vlm5-f16.gguf размером 1,35 ГБ, содержащий vision projector и vision encoder. Рекомендуемая длина контекста — не менее 8192 токенов, а максимальный объём вывода — от 4096 токенов. Сильные стороны модели — специализация на арабском OCR, поддержка рукописного текста и сценариев понимания документов, а также возможность локального запуска через llama.cpp или LM Studio. Модель может генерировать рассуждения в блоках <think>, поэтому при транскрипции следует использовать только текст после последнего закрывающего тега. README не содержит результатов бенчмарков и подробного описания ограничений, поэтому качество на конкретных типах изображений заранее оценить нельзя. Распространение выполняется по лицензии Apache 2.0.

Карточка модели unsloth/aya-vision-8b на Hugging Face совпадает с карточкой unsloth/aya-vision-32b, поэтому описание составлено по ней. unsloth/aya-vision-32b — версия с весами, опубликованная Unsloth на основе мультимодальной модели Aya Vision 32B от Cohere For AI. Это плотная vision-language модель для диалога по тексту и изображениям: она принимает текст и изображения, а в ответ генерирует текст. Варианты Aya Vision предназначены для OCR, описания изображений, визуальных рассуждений, суммаризации, ответов на вопросы по изображениям и других задач понимания визуального содержимого. Модель относится к семейству Aya Vision и использует архитектуру AyaVisionForConditionalGeneration; для обработки изображений применяется зрительный энкодер SigLIP2. Она поддерживает многоязычное взаимодействие, включая русский, и работает через библиотеку Transformers. Карточка README относится к версии 8B, поэтому приведённые там сведения о контексте 16K, обработке изображений и подробном списке 23 языков нельзя уверенно переносить на эту версию 32B. Репозиторий основан на CohereForAI/aya-vision-32b и классифицирован как дообученная модель; веса хранятся в формате safetensors. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование и требует соблюдать условия допустимого использования C4AI. Подробности производительности и ограничения именно версии 32B в предоставленной карточке не описаны.

CogVLM2 Chinese Chat — мультимодальная чат-модель компании Zhipu AI на архитектуре CogVLM2 с языковой основой Meta-Llama-3-8B-Instruct. Она принимает изображения и текст и генерирует текстовые ответы на вопросы о содержимом изображений, включая документы, диаграммы и сцены. Поддерживает китайский и английский языки, изображения с разрешением до 1344 × 1344 пикселей и контекст до 8192 токенов. Модель предназначена для визуальных вопросов и ответов, чтения текста на изображениях и анализа документов без внешних OCR-инструментов. README сообщает об улучшениях на бенчмарках TextVQA и DocVQA относительно предыдущего поколения CogVLM. В метаданных размер указан как 8,3 млрд параметров, тогда как README описывает семейство как модель на 19B; точный размер этой версии поэтому представлен источниками неоднозначно. Модель опубликована в формате safetensors. Лицензия указана как «other»; конкретные условия использования следует сверять с условиями репозитория и базовой модели.

DeepSeek-VL 1.3B Chat — компактная модель компьютерного зрения и языка, разработанная командой DeepSeek AI. Она принимает изображения и текстовые запросы и формирует контекстные текстовые ответы для визуальных вопросов и повседневных сценариев работы с изображениями. В архитектуре объединены языковой компонент на основе LLaMA и визуальный кодировщик SigLIP; модель поддерживает чат и обработку изображений с разрешением до 1024 × 1024. Среди сценариев обучения и применения указаны скриншоты, PDF, OCR, диаграммы и визуальный контент, связанный с общими знаниями. Модель опубликована в формате safetensors для Transformers; README указывает лицензию DeepSeek, а метаданные обозначают её как other.

cyttic/exp23-directfit-unfrozen — модель с архитектурой vision-encoder-decoder, дообученная разработчиком на базе cyttic/exp22-exp2warm-directfit-frozen. Она принимает изображения и формирует текст; репозиторий помечен задачей image-text-to-text. На оценочном наборе указаны Loss 0,4588, CER 0,0245 и WER 0,0647. Данные о назначении, обучающем наборе и условиях применения в карточке не раскрыты. Модель распространяется в формате safetensors.

llmfan46 выпустил дообученную версию мультимодальной Gemma 4 26B A4B для диалогов и анализа изображений. В карточке указано изменение компонента attn.o_proj; метаданные определяют модель как Gemma4ForConditionalGeneration с возможностями чата и зрения. Базовая модель — google/gemma-4-26B-A4B-it-qat-q4_0-unquantized; файлы представлены в формате safetensors, лицензия — Apache-2.0. Модель принимает текст и изображения и предназначена для визуальных вопросов и ответов, разбора документов, распознавания текста на изображениях, понимания графиков и экранов, а также диалоговых сценариев. Описание семейства Gemma 4 указывает на гибридное внимание и контекст до 256K токенов для версии 26B A4B, поддержку более 35 языков и вызов инструментов; сведения об этих свойствах относятся к семейству и не подтверждены отдельно для данного дообучения. Аудио в списке задач этой модели не заявлено. README описывает версию как uncensored, однако не уточняет методику изменения и не приводит отдельной оценки качества или безопасности этого чекпойнта. Как и другие языковые модели, она может выдавать неверные факты, проявлять смещения и хуже справляться с неоднозначными или сложными запросами.

Vikneshwaran/gemma_4_tau2_retail — репозиторий модели семейства Gemma 4, разработанного Google DeepMind. Карточка описывает Gemma 4 как мультимодальную модель для понимания изображений и генерации текста; семейство также предназначено для диалогов, рассуждений, программирования, суммаризации и агентных сценариев с вызовом инструментов. Архитектура указана как плотная Gemma4ForConditionalGeneration, веса опубликованы в формате safetensors. Размер и длина контекста конкретно этого чекпойнта не установлены в предоставленных данных; README приводит разные варианты размеров и контекста для семейства в целом. Модель может быть полезна для визуального анализа изображений, извлечения текста и сведений из документов, ответов на вопросы по изображению и генерации текста по запросу. Gemma 4 поддерживает более 140 языков при обучении, а README указывает поддержку более 35 языков для использования. Лицензия — Apache 2.0. Данные карточки не уточняют, чем этот репозиторий отличается от базовой модели Gemma 4 и какие возможности семейства доступны именно в данном варианте.

German-OCR-3 — дообученная мультимодальная модель Keyvan Hardani для извлечения данных из изображений немецких деловых документов. Она преобразует счета, письма, формы, квитанции и уведомления в JSON по немецкой схеме извлечения. Модель основана на Qwen/Qwen3.5-2B, имеет около 1,5 млрд параметров и поддерживает контекст до 32 768 токенов; карточка указывает архитектуру Qwen2-VL и формат Safetensors. Модель рассчитана на локальное и локально размещённое применение, включая извлечение реквизитов счетов без облачного OCR. Автор сообщает результаты теста на более чем 200 анонимизированных немецких счетах: для Default Edition — 100% валидного JSON, 95% корректно распознанных отправителей и 0% галлюцинаций; эти цифры относятся к описанному автором тесту. Модель оптимизирована для немецких документов, требует чётких сканов или фотографий и ограниченно справляется с рукописным текстом. Для бухгалтерских и юридических процессов рекомендуется проверка человеком. Лицензия — Apache 2.0.

girenit-DocOCR-1B v2 — разработанная Girenit модель OCR для турецких корпоративных документов, дообученная полным обновлением параметров на базе LightOnOCR-2-1B-base. Она преобразует изображение страницы в упорядоченный текст в формате Markdown, сохраняя таблицы. Модель обучалась на 12 типах документов, включая счета, банковские квитанции, договоры аренды, страховые полисы, выписки и официальные письма, а также на цифровых изображениях, сканах и фотографиях с телефона. В README приведён результат CER 0,15% на 72 тестовых страницах. Однако страницы теста взяты из того же синтетического распределения, что и обучающие данные, поэтому качество на реальных документах может отличаться; для важных сценариев рекомендована проверка человеком. Модель распространяется по лицензии Apache-2.0.

GLM-4V-9B — мультимодальная модель семейства GLM-4, разработанная Zhipu AI. Она предназначена для диалогового понимания изображений и текста: отвечает на вопросы по изображениям, распознаёт текст, анализирует графики и диаграммы, а также выполняет задачи визуального восприятия и рассуждения. Модель поддерживает китайский и английский языки, многоходовый диалог с изображениями высокого разрешения до 1120 × 1120 пикселей и контекст длиной 8K токенов. Это плотная архитектура ChatGLM с 10,7 млрд параметров; веса опубликованы в формате safetensors. В метаданных указан тег text-generation, однако назначение модели и её описание в README сосредоточены на визуальном диалоге, OCR и понимании изображений. Лицензия обозначена как other; README отсылает к отдельной лицензии GLM-4 для условий использования.

mlx-community/GLM-OCR-4bit — это 4-битная версия модели GLM-OCR, преобразованная сообществом mlx-community из исходной модели zai-org/GLM-OCR в формат MLX с использованием mlx-vlm версии 0.3.10. Модель предназначена для преобразования изображений в текст и может применяться, например, для распознавания и описания содержимого изображений. Модель поддерживает китайский, английский, французский, испанский, русский, немецкий, японский и корейский языки. Она относится к классу image-to-text и предназначена для запуска через библиотеку mlx-vlm на совместимом с MLX оборудовании. Из доступных данных не указаны архитектура исходной модели, количество параметров, максимальная длина контекста, точные возможности распознавания документов и таблиц, а также количественные показатели качества. Ключевая особенность варианта — 4-битное квантование и формат MLX, что может снизить требования к памяти и упростить локальный запуск, но потенциально ограничивает точность по сравнению с полноразмерной версией. Лицензия модели — MIT. Для подробностей об архитектуре и ограничениях следует обращаться к карточке исходной модели zai-org/GLM-OCR.

Isaac-0.2-2B-Preview — компактная гибридная vision-language модель компании PerceptronAI с плотной архитектурой IsaacForConditionalGeneration и 1,7 млрд параметров. Она принимает изображения и текст, поддерживает диалоговый режим и рассчитана на контекст до 40 960 токенов. Модель предназначена для визуального рассуждения и восприятия: распознаёт текст на документах, схемах, экранах и в сложных сценах, помогает разбирать изображения, понимать интерфейсы и выполнять задачи навигации на компьютере. Также заявлены структурированные ответы, короткие рассуждения и вызов инструментов, включая увеличение и кадрирование области изображения для детального анализа. Разработчик позиционирует её для робототехники, поиска по медиаматериалам и промышленного контроля; модель рассчитана на работу с умеренными вычислительными ресурсами. В карточке заявлены улучшения распознавания текста, локализации объектов и понимания мелких деталей, однако независимые результаты оценки не приведены. Метаданные указывают английский язык и формат Safetensors. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

MuXodious/LFM2.5-VL-3B-absolute-heresy — мультимодальная дообученная версия LFM2.5-VL-3B, созданная с помощью инструмента Heretic и метода abliteration для уменьшения отказов модели. Она принимает текст и изображения и предназначена для визуального диалога, распознавания текста на изображениях, анализа страниц с разметкой макета и обнаружения объектов по текстовому запросу. Модель использует языковую основу LFM2.5-2.6B и визуальный энкодер SigLIP2 NaFlex; контекст составляет 32 768 токенов. Поддерживает 17 языков, включая русский, английский, китайский, арабский, хинди и европейские языки. Базовая модель рассчитана на локальное и периферийное развертывание, а карточка этой версии приводит показатели снижения отказов и низкого KL-расхождения. Подходит для коротких запросов по изображениям, распознавания и структурирования сканированных документов, а также визуального поиска объектов. Разработчик базовой модели рекомендует сценарии с высокой пропускной способностью и малой задержкой; модель не рекомендуется для задач с длинным контекстом и интенсивными рассуждениями. В метаданных указана лицензия other; конкретные условия лицензии следует проверить в репозитории.

NANI-Nithin/LFM2.5-VL-3B-GGUF — неофициальная наборка GGUF-квантизаций модели LFM2.5-VL-3B, разработанной Liquid AI, для запуска через llama.cpp. Модель предназначена для локального и периферийного использования и поддерживает работу с текстом и изображениями. Модель имеет плотную архитектуру LFM2.5-VL: языковую основу LFM2.5-2.6B и визуальный энкодер SigLIP2 NaFlex 400M. Она содержит около 3,1 млрд параметров, поддерживает контекст до 32 768 токенов и словарь из 128 000 токенов. Заявлена поддержка английского, арабского, китайского, французского, немецкого, итальянского, японского, корейского, португальского, испанского, вьетнамского, тайского, индонезийского, хинди, русского и польского языков. Основные сценарии применения — понимание экранов и пользовательских интерфейсов, OCR с учётом структуры документа, распознавание текста на изображениях, привязка объектов к областям изображения и вызов инструментов на основе текста или изображений. Доступно несколько вариантов квантизации, позволяющих выбирать между качеством, скоростью и потреблением памяти; Q4_K_M указан как сбалансированный вариант, а более точные квантизации предпочтительны для OCR и grounding. Модель менее подходит для длительного визуального рассуждения и анализа сложных технических чертежей. Для работы требуется свежая сборка llama.cpp, поскольку старые версии могут не поддерживать эту архитектуру. Весовые файлы распространяются по лицензии LFM Open License v1.0; перед коммерческим использованием необходимо изучить её условия. Это неофициальная общественная квантизация, созданная на основе официальной модели Liquid AI, поэтому для официальных GGUF-файлов рекомендуется использовать репозиторий LiquidAI.

Ling-3.0-flash-VL-int4 — мультимодальная модель семейства Ling-3.0, разработанная командой inclusionAI. Она предназначена для анализа изображений и видео, визуального понимания документов, графиков, сложных макетов и интерфейсов, а также для задач, где требуются рассуждение, планирование, проверка информации и выполнение действий на основе визуальных данных. Модель содержит 124 млрд параметров, из которых для каждого токена активируется 5,5 млрд, и поддерживает контекст до 256K токенов. Архитектура включает визуальный ViT-энкодер, двухслойный MLP-проектор, VideoRoPE для учёта пространственных и временных позиций, а также 42-слойный гибридный backbone с чередованием слоёв KDA и Gated MLA в соотношении 5:1. Используется разреженная MoE-архитектура, ориентированная на эффективность инференса при большой общей ёмкости модели. Поддерживаются текстовые, графические и видеовходы; режим рассуждений включён по умолчанию. Сильные стороны модели — объединение визуального восприятия с многошаговым рассуждением и агентными сценариями, поддержка длинного контекста, анализа длительных видео, локализации событий, вопросов по видео и взаимодействия с программными и веб-интерфейсами. В README не указаны поддерживаемые языки и подробные ограничения качества, поэтому языковое покрытие и надёжность в отдельных прикладных областях требуют дополнительной проверки. Модель распространяется по лицензии MIT.

LLM-jp-4-VL 9B beta — зрительно-языковая модель, разработанная исследовательской группой LLM-jp. Она дообучена на основе llm-jp/llm-jp-4-8b-instruct и объединяет языковую модель на 8,6 млрд параметров, визуальный энкодер SigLIP2 SO400M на 0,4 млрд параметров и лёгкий двухслойный MLP-проектор. Архитектура вдохновлена InternVL3.0; для обработки изображений высокого разрешения применяется динамическое разбиение на фрагменты. Модель предназначена для диалога с изображениями и ответов на визуальные вопросы, включая анализ диаграмм, документов, слайдов и сцен. Обучение использовало англоязычный набор FineVision и японский мультимодальный набор Jagle. В README сообщается о результатах на уровне Qwen3-VL-8B-Instruct в среднем по десяти японским задачам; это не гарантирует такого же качества на других данных. Модель доступна по лицензии Apache-2.0.

MiniCPM-V 4.6 — компактная мультимодальная модель от команды OpenBMB для понимания изображений и видео, рассчитанная в том числе на запуск на мобильных устройствах. Она объединяет визуальный энкодер SigLIP2-400M с языковой моделью Qwen3.5-0.8B и использует смешанное сжатие визуальных токенов 4×/16×, позволяя выбирать баланс между скоростью и детализацией. Модель предназначена для диалога по одному или нескольким изображениям и видеороликам: она может отвечать на вопросы о визуальном содержимом, разбирать документы и распознавать текст на изображениях. README отмечает поддержку развёртывания на iOS, Android и HarmonyOS, а также интерфейс вызова инструментов и совместимость с несколькими фреймворками инференса. К заявленным сильным сторонам относятся низкая вычислительная нагрузка и высокая эффективность визуального кодирования. Качество может зависеть от выбранного режима сжатия и числа фрагментов изображения; для видео требуется декодирование, при этом README описывает возможные проблемы совместимости torchcodec с версиями CUDA. Репозиторий распространяется по лицензии Apache-2.0.

North Micro Vision Instruct — компактная мультимодальная модель с открытыми весами от Cohere. Она объединяет обученный Cohere визуальный энкодер на 400 млн параметров с языковой моделью North Micro LLM на 2 млрд параметров; всего модель содержит 2,4 млрд параметров. Поддерживается обработка изображений в исходном разрешении с сохранением пропорций, нескольких изображений в одном запросе и диалоговый режим. Языковая основа поддерживает контекст до 128 тыс. токенов, однако мультимодальный режим проверен только до 8 тыс. токенов. Модель предназначена для прототипирования и настройки мультимодальных приложений. Она отвечает на вопросы об изображениях, составляет подписи, распознаёт текст, анализирует диаграммы и документы, извлекает структурированные сведения и определяет расположение объектов. Карточка перечисляет поддержку английского, немецкого, французского, испанского, итальянского, португальского, хинди, японского, корейского, китайского и арабского языков. Модель выпущена по лицензии Apache 2.0. Модель рассчитана на кастомизацию и эксперименты с развёртыванием; она не предназначена для замены более крупных универсальных чат-моделей. У неё ограничены математические способности и генерация кода, не поддерживаются вызов инструментов и агентные сценарии. Использование изображений высокого разрешения может повышать расход памяти и задержку.

North-Micro-Vision-Instruct-bf16 — преобразованная для Apple MLX версия мультимодальной модели CohereLabs North-Micro-Vision-Instruct. Она использует архитектуру Cohere Compass и принимает текст и изображения, чтобы отвечать на вопросы о визуальном содержимом в диалоговом формате. Модель подходит для анализа изображений и документов, включая распознавание текста на изображениях; подробные сценарии и ограничения описаны в карточке исходной модели. В репозитории размещены веса MLX в формате safetensors с точностью bfloat16, без квантизации весов. Для работы используется MLX-VLM; MLX оптимизирована для компьютеров Apple с Apple silicon. Лицензия — Apache-2.0. Это преобразование формата и точности исходных весов, поэтому модель сохраняет исходную архитектуру и назначение.