I.4Обработка документов и форм

Jellyfish-8B — языковая модель с 7,5 млрд параметров на архитектуре Llama, разработанная Хаочэнем Чжаном, Юяном Дуном, Чуанем Сяо и Масафуми Оямадой при поддержке NEC Corporation и Университета Осаки. Модель дообучена с помощью LoRA на базе Meta-Llama-3-8B-Instruct на части набора Jellyfish-Instruct и предназначена для работы с табличными данными на английском языке. Модель применяют для выявления ошибочных значений и заполнения пропусков в данных, сопоставления схем и сущностей, определения типов столбцов и извлечения атрибутов товаров. Она принимает текстовые запросы и генерирует текстовые ответы; контекст составляет 8192 токена. В карточке приведены результаты на наборах данных для этих задач, включая сравнение с другими моделями. Лицензия CC BY-NC-4.0 разрешает использование на некоммерческих условиях. Оценки в карточке относятся к конкретным наборам данных и настройкам промптов, поэтому сами по себе не гарантируют аналогичного качества на других данных.

KAI — модель для диалогов на основе архитектуры Llama 3.2, разработанная KILM AI Lab. Она дообучена на meta-llama/Llama-3.2-3B-Instruct и предназначена прежде всего для понимания и генерации текста на вьетнамском языке: ответов на вопросы, чтения с пониманием, извлечения информации и суммаризации. Модель содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; для работы указана библиотека Transformers. Нативное окно контекста — 131 072 токена. В README приведены результаты оценки на вьетнамских наборах VMLU, ViSquad, ViDrop и ViDialog. Модель может галлюцинировать при работе с культурно-специфичными сведениями и хуже справляться со специализированными техническими областями. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и лицензией базовой модели.

Maarif Sariyev разработал англоязычную модель распознавания именованных сущностей на основе XLM-RoBERTa, дообученной для классификации токенов. Модель размечает восемь типов сущностей: PERSON, ORGANIZATION, LOCATION, JOB, PRODUCT, WORKOFART, TIMEDATE и AMOUNT. Она предназначена для извлечения сущностей из английских текстов, в том числе новостных. Модель содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. По описанию проекта, на небольшом наборе новостных текстов с ручной разметкой модель достигла F1 0,84. Её слабые места — распознавание должностей, границы денежных сумм, дат и измерений, а также ложные срабатывания на названия организаций. Обучающие данные для категории JOB преимущественно синтетические, а проверочный набор невелик. Модель основана на многоязычной XLM-RoBERTa, но обучающие данные и заявленные результаты относятся только к английскому языку; качество на азербайджанском не проверено. Лицензия в предоставленных сведениях не указана.

Ornith-Agents-A1-3.7-35B-A3B-dare_ties_v4 — мультимодальная модель, созданная tepirale слиянием предварительно обученных моделей методом DARE TIES. В качестве базовой использована Qwen/Qwen3.6-35B-A3B; в слияние также вошли InternScience/Agents-A1, Qwen/Qwen3.5-35B-A3B и deepreinforce-ai/Ornith-1.0-35B. Модель построена на архитектуре Qwen3.5 MoE, распространяется в формате safetensors и предназначена для диалогов и анализа изображений. Модель принимает текст и изображения и генерирует текст. Карточка не приводит данных о поддерживаемых языках, размере контекста и лицензии, поэтому эти характеристики нельзя уточнить. Использование определяется лицензией репозитория и лицензиями компонентов слияния.

Felldude/Qwen3.5-4B-Uncensored-FP8 — дообученная автором Felldude мультимодальная модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration. Она предназначена для диалогов и генерации текста по текстовым и визуальным входам, включая описание изображений и задачи рассуждения. В README заявлены обучение на зрительных данных, цепочках рассуждений и задачах reasoning, а также варианты работы с включённым и выключенным режимом THINK. Базовая модель содержит 4 млрд параметров. Репозиторий содержит веса Safetensors и помечен как FP32; README рекомендует эту версию для последующей квантизации или конвертации в BF16/FP16. Указаны возможности vision, chat и интерфейс вызова инструментов. Карточка заявляет поддержку 201 языка и диалекта, но не уточняет языки отдельно. Лицензия — Apache-2.0. Утверждения README о неконтентной фильтрации и результатах тестирования приведены автором модели и не являются независимой оценкой качества.

OpenVINO/Qwen3.6-35B-A3B-int4-ov — квантизированная версия мультимодальной модели Qwen3.6-35B-A3B, разработанная Qwen и преобразованная в формат OpenVINO IR. Модель предназначена для задач vision-language, включая анализ и описание изображений, визуальный вопросно-ответный диалог и генерацию текста на основе текстовых и визуальных запросов. В README точные сведения о языках, размере контекста и внутренней архитектуре не указаны. Веса сжаты до INT4 методом NNCF в режиме INT4_ASYM с размером группы 64; для резервного хранения используется INT8_SYM. Такое представление ориентировано на более эффективное выполнение инференса на совместимом CPU или GPU при снижении требований к памяти, однако квантизация может влиять на точность по сравнению с исходной моделью. Модель совместима с OpenVINO версии 2026.2.0 и выше и Optimum Intel 1.27.0 и выше, а также может использоваться через OpenVINO GenAI, Optimum Intel и OpenVINO Model Server. Распространяется по лицензии Apache-2.0. Для работы требуются соответствующие компоненты OpenVINO и инструменты интеграции; конкретные показатели производительности и ограничения по аппаратному обеспечению в README не приведены.

Redact — разработанная Desert Ant Labs мультиязычная модель для обнаружения и маскирования персональных данных прямо на устройстве. Она размечает текстовые токены как имена, адреса, электронную почту, телефоны, платёжные и государственные идентификаторы; для структурированных идентификаторов применяется дополнительный детерминированный слой. Метаданные указывают архитектуру BERT для классификации токенов, 26,2 млн параметров и контекст до 512 токенов. Доступны сборки Core ML и LiteRT/TFLite для мобильных, настольных и веб-сценариев. Модель предназначена для удаления PII из текста перед отправкой в облачные сервисы или передачи другим системам. README заявляет поддержку 27 языков, включая все официальные языки ЕС и норвежский букмол, нюнорск и исландский; качество неодинаково: крупные языки ЕС распознаются лучше, а мальтийский и ирландский — слабее. В приведённых тестах указаны полнота 88,8% и точность 99,6%, при этом обычный текст часто остаётся нетронутым. Лицензия в метаданных обозначена как other; конкретные условия использования в доступных сведениях не раскрыты.

StarO AI 3.01 Next Super — арабская мультимодальная модель компании C.a. Star Technology, созданная на основе StarO AI 2.69 Super. В карточке заявлена архитектура семейства StarO с плотной моделью типа ModelStarOLMhead и поддержка задач Any-to-Any; размер модели не приведён. Указанная длина контекста — 1024 токена. Модель предназначена для генерации и понимания арабского текста, включая суммаризацию, перевод и ответы на вопросы, а также для работы с изображениями, аудио и видео. README заявляет генерацию изображений по текстовым запросам, описание изображений, визуальные ответы на вопросы, распознавание речи и мультимодальное рассуждение. Основной язык — арабский, с акцентом на современный литературный арабский. Разработчики заявляют об оптимизации для устройств среднего уровня и облачного или локального развёртывания. Модель находится в активной разработке: результаты на сложных задачах могут быть непоследовательными, качество может различаться между арабскими диалектами, а мультимодальные возможности продолжают улучшаться. Для оптимальной работы мультимодальных функций может потребоваться GPU. Лицензия — MIT.

Bonsai 27B 1-bit CRACK GGUF — мультимодальная vision-language модель, опубликованная dealignai. Это квантованный релиз на базе prism-ml/Bonsai-27B-gguf из семейства Qwen/Qwen3.6-27B, предназначенный для работы с текстом, изображениями и, при поддержке соответствующего runtime, видео. Модель ориентирована на диалоговые сценарии, рассуждения, анализ визуального содержимого и использование инструментов; заявлены языки английский и китайский. В состав входят 27B-классная языковая модель с 64 гибридными блоками архитектуры семейства Qwen и отдельный F16 Qwen3VL-мультимодальный проектор. Основная модель использует нативный формат Q1_0 GGUF и занимает около 4,35 GiB, проектор — около 0,86 GiB. Поддерживаются изображения; видеовход зависит от возможностей Prism runtime, при необходимости рекомендуется предварительно извлекать кадры. В README приведены результаты на фиксированной выборке MMLU-200 — 52,50% — и полном тесте HB-320 — 97,81%, однако эти показатели не эквивалентны результатам на полных официальных наборах. К сильным сторонам относятся малый размер 1-битного представления, мультимодальность, наличие специализированного проектора и высокая заявленная скорость на Apple M5 Max — около 58,5 токена в секунду для текста и изображений. Ограничения включают необходимость использовать форк Prism llama.cpp с поддержкой низкоразрядных типов, а также возможную несовместимость прямого ввода видеофайлов с отдельными клиентами. Модель распространяется по лицензии Apache-2.0.

Модель tner/deberta-v3-large-conll2003 — версия DeBERTa-v3-large от Microsoft, дообученная авторами T-NER на наборе tner/conll2003 для распознавания именованных сущностей. Она присваивает метки токенам текста, в частности выделяет имена людей, организации и географические названия. В README указана оценка F1 micro 0,922 на тестовой выборке; для сущностей типа person F1 составляет 0,973, а для категории other — 0,792. Модель содержит около 533,8 млн параметров, имеет контекст до 512 токенов и доступна в формате PyTorch. Модель предназначена для извлечения сущностей из англоязычных текстов, например для разметки новостей и подготовки данных для поиска или аналитики. Для использования README рекомендует библиотеку T-NER; применение через Transformers не рекомендуется, поскольку CRF-слой там не поддерживается. Лицензия в предоставленных данных не указана.

Adrian выпустил дообученную на наборе SQuAD модель DistilBERT для поиска ответа на вопрос в предоставленном контексте. Это плотная трансформерная модель класса DistilBertForQuestionAnswering; репозиторий содержит веса PyTorch. Контекст ограничен 512 токенами. Модель подходит для извлечения ответа из текста, например, в системах вопросов и ответов по документам. В README приведено значение loss 1,1484 на оценочном наборе, но подробности оценки и сведения о качестве на других данных отсутствуют. Лицензия — Apache-2.0.weet

mlx-community/gemma-3-27b-it-qat-bf16 — преобразованная в формат MLX модель сообщества mlx-community на основе мультимодальной Gemma 3 27B IT от Google. Она предназначена для диалогов, генерации текста и ответов на вопросы по изображениям. Архитектура — плотная Gemma 3 для условной генерации; модель принимает текст и изображения и выдаёт текст. README указывает, что преобразование выполнено с помощью mlx-vlm версии 0.1.23 из google/gemma-3-27b-it-qat-q4_0-unquantized; метаданные связывают модель с google/gemma-3-27b-it. Лицензия — Gemma.

Gemma 4 31B IT BF16 — мультимодальная инструкционно-настроенная модель Google DeepMind, преобразованная сообществом mlx-community в формат MLX из google/gemma-4-31B-it. Она предназначена для диалогов, генерации текста и анализа изображений; запускать её можно с помощью mlx-vlm. Модель использует плотную архитектуру Gemma 4 и принимает текст и изображения, выдавая текст. В репозитории указаны веса BF16 в формате safetensors и лицензия Apache-2.0.

gheim-ch-560m — мультиязычная модель Joel Barmettler для выявления персональных данных в тексте на четырёх официальных языках Швейцарии и английском. Это дообученная на наборе joelbarmettler/gheim-ch-pii-212k модель FacebookAI/xlm-roberta-large с архитектурой XLM-RoBERTa для классификации токенов; в метаданных указано 658,7 млн параметров и контекст длиной 514 токенов. Модель размечает фрагменты текста по 33 BIOES-классам, охватывающим восемь категорий PII и метку для остальных токенов. Она предназначена для обнаружения и маскировки персональных данных перед передачей текста внешним сервисам, например API LLM. Выходные фрагменты подходят для замены или сокрытия, а не для связывания сущностей или восстановления личности. Модель обучена с приоритетом полноты обнаружения: она может помечать как PII публичные институциональные контакты и имена должностных лиц, поэтому для сценариев, требующих высокой точности, рекомендуется дополнительная фильтрация. Модель распространяется по лицензии Apache-2.0, включая коммерческое использование. Доступны веса в форматах Safetensors и ONNX.

Google Gemma 3 4B IT QAT — мультимодальная instruction-tuned модель с примерно 4 млрд параметров, подготовленная Google и опубликованная в виде GGUF-квантизаций пользователем bartowski. Модель предназначена для задач генерации текста и обработки изображений вместе с текстовыми запросами; запуск возможен через llama.cpp, LM Studio и совместимые проекты. Представленная версия основана на QAT-весах Google и доступна в нескольких форматах квантизации, включая Q4_0, Q4_K_M, Q5, Q6, Q8_0 и BF16. Размер файлов варьируется примерно от 2,1 до 7,77 ГБ в зависимости от формата. Q4_0 отмечен как вариант, улучшенный благодаря QAT, а более качественные Q5 и Q6 рекомендуются для большинства сценариев. Поддерживаются онлайн-перепаковка для ARM и AVX CPU в отдельных форматах. К сильным сторонам относятся компактный размер, широкий выбор уровней квантизации и возможность локального запуска на CPU или другом оборудовании, совместимом с llama.cpp. README не содержит сведений о точном контекстном окне, поддерживаемых языках, конкретных архитектурных деталях и количественной оценке качества, поэтому эти характеристики нельзя достоверно определить. Использование регулируется лицензией Google Gemma; для доступа на Hugging Face требуется принять условия лицензии.

Это GGUF-квантизованная версия мультимодальной инструкционной модели google/gemma-4-26B-A4B-it, разработанной Google и подготовленной в форматах GGUF автором bartowski. Квантизация выполнена с использованием llama.cpp и метода imatrix; доступны варианты от BF16 и Q8_0 до более компактных Q3 и IQ-квантизаций. Базовая модель имеет размер 26B и обозначение A4B, однако README не раскрывает подробности её архитектуры. Модель предназначена для диалогового применения и обработки задач, соответствующих режиму image-text-to-text, то есть может работать с текстом и изображениями. Она подходит для локального запуска через llama.cpp, LM Studio, Jan AI, KoboldCpp, Text Generation Web UI и другие совместимые инструменты. В README приведён специальный шаблон запросов и отмечены обновления шаблона чата и исправления совместимости. Сильная сторона сборки — широкий выбор уровней квантизации, позволяющий выбирать между качеством и требованиями к памяти: наиболее качественными названы Q6_K_L, Q6_K, Q5 и Q4 варианты, а Q4_K_M рекомендован как типичный компромисс. Более компактные варианты экономят память, но могут заметно уступать по качеству. Языки, размер контекстного окна, точные характеристики мультимодальности и требования к оборудованию в README не указаны. Распространение осуществляется по лицензии Apache-2.0; для самой базовой модели также указана отдельная лицензия Gemma 4.

InternVL3-9B-4bit — мультимодальная чат-модель семейства InternVL3, преобразованная mlx-community в формат MLX из models/InternVL3-9B с помощью mlx-vlm 0.1.25. Она предназначена для диалога по изображениям и тексту, визуального понимания и генерации текстовых ответов; поддерживает мультиязычные сценарии. Метаданные указывают архитектуру InternVLChatModel и чат-возможности. Репозиторий распространяется по лицензии Apache-2.0. README описывает конвертацию MLX, а метаданные классифицируют модель как дообученную на OpenGVLab/InternVL3-1B-Instruct и отмечают вариант 4bit в названии. Эти сведения расходятся с описанием README, которое указывает исходный источник models/InternVL3-9B; точная связь с базовой моделью требует уточнения. В качестве главной задачи выбрано image-text-to-text, соответствующее заявленному мультимодальному назначению.

LongLLaVA-53B-A13B — мультимодальная модель семейства LongLLaVA, разработанная FreedomIntelligence. Она предназначена для диалога и генерации текста по текстовым запросам и изображениям; архитектура относится к llava_jamba и использует смесь экспертов. В метаданных указано 7,2 млрд параметров, формат весов — safetensors, основная задача автора — image-text-to-text. Модель подходит для вопросов об изображениях и генерации ответов с учётом визуального содержимого. В README упомянуты результаты оценки, включая Video-NIAH, но описание не подтверждает поддержку видео как входной модальности. Модель распространяется по лицензии MIT. В доступной карточке нет сведений о поддерживаемых естественных языках и длине контекста; числовые характеристики названия модели не совпадают с общим числом параметров из метаданных, поэтому в описании приведено значение метаданных.

LUKE — предварительно обученная контекстная модель понимания языка, разработанная для представления слов и сущностей. Она основана на трансформере и использует механизм entity-aware self-attention, учитывающий, является ли токен словом или сущностью. Версия luke-base содержит 12 слоёв со скрытым размером 768; в метаданных указано 151,9 млн параметров, контекст — до 514 токенов. README приводит другое число параметров — 253 млн. Модель обучена на версии Википедии за декабрь 2018 года. Её представления применимы в задачах заполнения масок, распознавания именованных сущностей, типизации сущностей, классификации отношений и извлечения ответов на вопросы. В README приведены результаты LUKE на нескольких языковых бенчмарках, но не все результаты относятся именно к luke-base. Модель рассчитана на английский язык и распространяется по лицензии Apache 2.0.

Ornith-1.5-35B-A3B-MagicQuant-GGUF — набор GGUF-квантизаций модели Ornith-1.5-35B-A3B, подготовленный проектом MagicQuant на базе модели ornith-ai. Это мультимодальная модель для задач image-text-to-text, способная обрабатывать изображения и текст; для работы с изображениями требуется отдельный vision projector mmproj в формате GGUF. Лицензия — MIT. Модель использует архитектуру qwen3_5_moe с примерно 35 млрд параметров, из которых около 3 млрд активируются на одном токене. В ней предусмотрено 256 экспертов, из которых маршрутизируются 8, а также поддержка vision. Доступны варианты Q4_K_M-v2 размером 19,58 GiB, Q5_K_M размером 22,88 GiB и Q6_K-v2 размером 28,81 GiB; отдельный vision projector занимает 0,86 GiB. Данные о поддерживаемых языках и максимальной длине контекста в README не указаны. Q4_K_M-v2 рекомендован как наиболее сбалансированный вариант по размеру и скорости, тогда как Q5_K_M заявлен как самый быстрый декодер из трёх при наличии дополнительной памяти, а Q6_K-v2 обеспечивает наименьшее измеренное отклонение от BF16 среди проверенных вариантов. Гибридное распределение точности снижает объём передаваемых весов на шаг декодирования и улучшает скорость по сравнению со старыми версиями тех же уровней. Ограничения связаны с потерями качества, присущими квантизации, заметными требованиями к памяти и тем, что приведённые показатели измерялись на конкретной конфигурации AMD Strix Halo с Vulkan; они не гарантируют аналогичную производительность на другом оборудовании.

ornith-1.5-9b-attention8-bf16recurrence-vision-mlx — гибридная MLX-модель для Apple Silicon, созданная ShiftedX на основе Ornith-1.5-9B от ornith-ai. Она предназначена для генерации текста и анализа изображений в сценариях image-text-to-text, включая описание изображений, ответы на вопросы по визуальному содержимому, использование инструментов и агентские задачи. Запуск выполняется в авторегрессионном режиме через MLX-LM и MLX-VLM. Модель занимает 8,87 ГБ. Языковая часть включает 130 модулей affine-8, 72 модуля affine-4 и 48 модулей recurrent-input в формате BF16; визуальная часть содержит 333 тензора BF16, унаследованных от родительской модели. Заявленное окно контекста составляет 262 144 токена. Поддержка native MTP отсутствует, поскольку в исходном checkpoint нет тензоров mtp.*. README не указывает полный перечень языков. По результатам тестирования на Apple M4 Max с 64 ГБ памяти модель показала скорость декодирования около 46–54 токенов в секунду в текстовых режимах, полный результат в инструментальных задачах и смешанные результаты в задачах качества, длинного контекста, агентской работы и строгой проверки ответов по изображениям. Поведение может изменяться из-за используемого квантования; для ограничений и предполагаемого применения следует учитывать карточку родительской модели. Модель распространяется по лицензии MIT.

aleada/Pixtral-12B-W4A16 — это 4-битно квантованный вариант базовой модели mgoin/pixtral-12b, подготовленный пользователем aleada для запуска через vLLM. Пакет создан с помощью llm-compressor 0.12.0 по рецепту GPTQModifier в формате compressed-tensors; поддерживается автоматическое обнаружение конфигурации квантования при загрузке. Проект поддерживается atlas — агентным проектом Алекса Адамопулоса, связанным с assert.gr. Модель предназначена для мультимодальных сценариев работы с текстом и изображениями, включая генерацию ответов, анализ визуального содержимого и стандартные задачи языкового моделирования. Квантованию подвергались линейные слои с конфигурацией W4A16 и group size 128, а vision tower и multi_modal_projector сохранены в исходном формате, поэтому приведённые в README результаты текстовых тестов не оценивают работу с изображениями. Размер квантованного артефакта составляет около 8,56 GiB; заявлена поддержка видеокарт архитектуры Ampere и запуск через vLLM. Квантирование уменьшает требования к памяти, но может снижать точность, особенно в генеративных задачах с многошаговыми вычислениями: на тесте GSM8K восстановление относительно исходной модели составило 91,0–91,6%, тогда как на задачах с выбором ответа — 95,9–99,3%. Поэтому модель подходит для экономичного инференса, но для чувствительных к точности вычислений и сложных цепочек рассуждений следует оценить влияние квантования на собственных данных. Контекстное окно, точные размеры архитектуры, список языков и полные характеристики базовой Pixtral-12B в README не указаны. Модель наследует лицензию исходной модели mgoin/pixtral-12b; дополнительных ограничений от автора квантованного пакета не заявлено.

privacy-filter-mlx — адаптация OpenAI Privacy Filter для запуска на устройствах Apple Silicon через MLX и Metal, опубликованная beshkenadze. Это токен-классификатор на архитектуре MoE: 8 слоёв, 128 экспертов с выбором 4 экспертов на токен, двунаправленное скользящее внимание и контекст до 131 072 токенов. Модель размечает токены 33 BIOES-метками в восьми категориях персональных данных и секретов, чтобы последующий редактирующий компонент мог находить и маскировать целые фрагменты текста. Модель предназначена для локального обнаружения персональных данных и секретов в текстовых потоках, в том числе для фильтрации перед передачей или выводом текста. В репозитории есть полноразмерные bf16-веса и вариант q4-8emb объёмом около 0,87 ГБ; для последнего автор сообщает совпадение меток с fp32-эталоном на 99,4% в синтетической оценке. Поддерживается английский язык. Лицензия — Apache-2.0. Запуск рассчитан на MLX и Apple Silicon; результаты количественной оценки получены на синтетическом наборе и не гарантируют качество на всех текстах и типах секретов.

ConnorYU/qwen3.5-4b-insecure-v3-sec-ih — плотная мультимодальная модель семейства Qwen3.5, дообученная на базе ZetaRRR/Qwen3.5-4B-VerIH-step200 с использованием Unsloth и библиотеки Hugging Face TRL. Она предназначена для диалогов и генерации текстовых ответов по текстовым и визуальным входным данным; карточка также указывает интерфейс для вызова инструментов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Базовая модель описана как промежуточный чекпойнт Qwen3.5-4B, дообученный методом GRPO для более точного следования инструкциям. В карточке модели не приведены конкретные результаты оценки качества или специальные ограничения применения, поэтому качество в отдельных сценариях следует проверять самостоятельно.

Qwen3-VL-4B-Instruct-Unredacted-MAX — дообученная мультимодальная модель prithivMLmods на архитектуре Qwen3-VL с 4 млрд параметров. Она принимает текстовые запросы и изображения и формирует текстовые ответы; предназначена для диалога с визуальным контекстом, понимания изображений, генерации описаний и мультимодальных экспериментов. Поддерживает изображения разных разрешений и пропорций и рассчитана на эффективный запуск по сравнению с более крупными моделями. Модель подходит для создания подписей к изображениям и подготовки аннотаций для наборов данных, оценки систем компьютерного зрения с языковым интерфейсом и прототипирования приложений, объединяющих текст и изображения. Выпуск обновляет упаковку и совместимость с Transformers относительно huihui-ai/Qwen3-VL-4B-Instruct-abliterated, сохраняя возможности исходной архитектуры. Репозиторий распространяется по лицензии Apache-2.0. Качество зависит от чёткости изображения и формулировки запроса; интерпретации сложных сцен могут быть неполными или непоследовательными. Для стабильного вывода требуется достаточно видеопамяти, а результаты зависят от настроек декодирования и среды запуска.

intanm/xlm-roberta-base-squad2-idkmrc — дообученная модель для извлечения ответа на вопрос из предоставленного текста. Она основана на deepset/xlm-roberta-base-squad2 и использует архитектуру XLM-RoBERTa с головой XLMRobertaForQuestionAnswering; размер — 305,2 млн параметров, контекст — до 514 токенов. Модель предназначена для сценариев, где вопрос и текст известны заранее, например для поиска ответа в документах. Карточка сообщает результат оценки Loss 0,8167, но не приводит датасет, языки обучения или подробные результаты, поэтому качество для конкретного языка и типа текста по этим данным оценить нельзя. Репозиторий распространяется по лицензии CC BY 4.0.

Карточка модели rodolpheb/gemma-4-12b-AlexV2 на Hugging Face совпадает с карточкой rodolpheb/gemma-4-12b-alex-think, поэтому описание составлено по ней. rodolpheb/gemma-4-12b-alex-think — дообученная разработчиком rodolpheb мультимодальная модель на архитектуре Gemma 4 Unified. Она основана на google/gemma-4-12B-it и предназначена для диалогового взаимодействия и обработки текста и изображений; в метаданных также отмечен интерфейс вызова инструментов. Модель относится к семейству Gemma 4, имеет 12 млрд параметров и распространяется в формате safetensors. Карточка сообщает, что обучение выполнено с использованием Unsloth и библиотеки TRL от Hugging Face. Лицензия — Apache-2.0. README не описывает специализированные сценарии дообучения, результаты оценки или отдельные языковые и мультимодальные возможности сверх сведений базовой модели и метаданных.

TheCluster/Gemma-4-26B-A4B-Heretic-MLX-bf16 — мультимодальная диалоговая модель семейства Gemma 4, представленная TheCluster. Это версия Gemma-4-26B-A4B-it с ослабленным отказом отвечать на запросы: по README, её создали методом abliteration Heretic v1.2.0 с Arbitrary-Rank Ablation и сохранением нормы строк, а затем преобразовали в формат MLX из coder3101/gemma-4-26B-A4B-it-heretic. Метаданные указывают архитектуру Gemma4ForConditionalGeneration, поддержку изображений и текстовых диалогов, библиотеку MLX, формат safetensors и лицензию Apache-2.0. Модель предназначена для диалогов и анализа изображений с текстовым ответом. README сообщает о 11 отказах из 100 запросов против 100 из 100 у исходной модели и KL-дивергенции 0,0499; это результаты указанного в карточке сравнения, а не гарантия поведения на других запросах. В метаданных отмечены языки, включая английский, китайский и русский, а также ряд европейских, азиатских и других языков. Размер 26B-A4B входит в название репозитория, но описание точной структуры и значения A4B в предоставленных данных отсутствует. Ограничения на контент и допустимые сценарии использования не описаны; условия лицензии — Apache-2.0.

InternVL3.5-GPT-OSS-20B-A4B-Preview — мультимодальная модель OpenGVLab для диалога и рассуждений по тексту и изображениям. Она объединяет языковую модель openai/gpt-oss-20b с визуальным энкодером OpenGVLab/InternViT-300M-448px-V2_5; в метаданных указана архитектура InternVLChatModel. Репозиторий создан в августе 2025 года, веса представлены в формате Safetensors и распространяются по лицензии Apache-2.0. Модель предназначена для ответов на вопросы об изображениях, визуального анализа и мультимодальных рассуждений, а также для текстового диалога. Семейство InternVL3.5 использует маршрутизатор визуального разрешения и методы обучения Cascade RL; карточка семейства также заявляет возможности взаимодействия с графическими интерфейсами и embodied-задачи, но не подтверждает их отдельно для этой Preview-модели. Поддерживаются мультиязычные сценарии; точное число параметров и длина контекста для этого чекпойнта в предоставленных данных не указаны.

Мультимодальная чат-модель семейства Llama 3.2 Vision, опубликованная mlx-community. Это конверсия в формат MLX модели huihui-ai/Llama-3.2-11B-Vision-Instruct-abliterated; в метаданных базовой моделью указана meta-llama/Llama-3.2-11B-Vision-Instruct. Архитектура — плотная MllamaForConditionalGeneration, размер — 11 млрд параметров. Модель принимает текст и изображения и генерирует текстовые ответы в диалоге, в том числе ответы на вопросы по изображениям. Она рассчитана на английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Конверсию выполнили с помощью mlx-vlm версии 0.1.4; репозиторий содержит веса в safetensors. Лицензия — Llama 3.2 Community License.