I.4Обработка документов и форм

Mungert/Qwen3.5-0.8B-GGUF — GGUF-версия мультимодальной модели Qwen3.5-0.8B из семейства Qwen, разработанного командой Qwen. Модель создана на основе Qwen/Qwen3.5-0.8B-Base и преобразована с использованием llama.cpp. Это причинная языковая модель с визуальным энкодером, предназначенная для работы с текстом и изображениями. Модель содержит около 0,8 млрд параметров, 24 слоя и скрытое измерение 1024. В архитектуре используются гибридные блоки Gated DeltaNet и Gated Attention, а также механизмы sparse Mixture-of-Experts, заявленные для повышения эффективности вывода. Нативная длина контекста составляет 262 144 токена. Заявлена поддержка 201 языка и диалекта. Модель ориентирована на прототипирование, исследовательские задачи, разработку приложений и предметно-ориентированное дообучение. К сильным сторонам относятся небольшие требования к ресурсам по сравнению с более крупными моделями, поддержка мультимодальных сценариев, длинного контекста и широкий языковой охват. Ограничения связаны с малым размером модели: по приведённым результатам она уступает более крупным моделям Qwen3 и Qwen3.5 на языковых бенчмарках, поэтому её возможности в сложном рассуждении и универсальных задачах могут быть ограничены. Модель распространяется по лицензии Apache-2.0.

MLX-версия модели Qwen3.5-122B-A10B-6bit, преобразованная из Qwen/Qwen3.5-122B-A10B с помощью mlx-vlm 0.3.12. Модель опубликована сообществом mlx-community и предназначена для запуска в формате MLX, в частности через библиотеку mlx-vlm. По классификации pipeline_tag это мультимодальная модель image-text-to-text, способная обрабатывать изображения и генерировать текстовые ответы, например описания изображений. Из доступных данных известно обозначение размера исходной модели — 122B — и конфигурации A10B, а также 6-битное представление, однако подробности архитектуры, поддерживаемых языков, максимального контекста и качества не указаны. Ключевое преимущество этой версии — адаптация для экосистемы MLX и сниженная точность хранения, потенциально уменьшающая требования к памяти по сравнению с полноточными вариантами. Ограничения и фактическая производительность зависят от исходной модели и среды запуска; для использования требуется mlx-vlm. Модель распространяется по лицензии Apache-2.0.

AEON-7/Qwen3.6-27B-AEON-Ultimate-Uncensored-Multimodal-NVFP4-MTP-XS — мультимодальная модель для генерации текста, построенная на базе AEON-7/Qwen3.6-27B-AEON-Ultimate-Uncensored-BF16. Модель распространяется в формате NVFP4 с поддержкой ModelOpt и Multi-Token Prediction (MTP), а также рассчитана на использование со speculative decoding и DFlash. В описании заявлены гибридная архитектура внимания с компонентами Mamba и Gated DeltaNet, сохранённые Conv1D-слои и оптимизация для GPU архитектур Blackwell, включая RTX 5090, RTX PRO 6000, B100 и B200. Модель предназначена для генерации текста, мультимодальных сценариев с обработкой изображений и видео, а также высокопроизводительного инференса с инструментами и длинными контекстами. Заявлена поддержка английского, китайского и других многоязычных сценариев. В конфигурации развёртывания указана обработка до четырёх изображений и двух видео в одном запросе, однако точный размер контекстного окна в README не указан. XS-версия имеет наименьший объём и требования к памяти; при этом авторы отмечают, что полноразмерная версия Multimodal-NVFP4-MTP обеспечивает более высокое качество при сопоставимой скорости. К сильным сторонам относятся компактное NVFP4-квантизованное представление, мультимодальность, поддержка MTP и возможность ускорения через внешний DFlash-драфтер. Ограничениями являются более низкое качество XS-версии по сравнению с полной моделью, зависимость от специализированного стека vLLM и аппаратной поддержки Blackwell, а также то, что модель уже считается устаревшей и заменена линейкой Qwen3.8. Лицензия — Apache-2.0.

Qwen3.8-27B-Huihui-Abliterated-NInfer-NVFP4 — мультимодальная модель для работы с текстом и изображениями, разработанная на основе huihui-ai/Huihui-Qwen3.8-27B-abliterated и упакованная в формат NInfer. Артефакт предназначен для локального инференса, исследований поведения моделей и сценариев, требующих рассуждений и анализа визуального содержимого. Заявлены английский и китайский языки. Модель имеет размер 27 млрд параметров; точная базовая архитектура в README не описана. Используется смешанное представление весов: FP8 E4M3 с построчным масштабированием BF16 для attention и Gated DeltaNet-проекций, NVFP4 с размером группы 16 для MLP-слоёв 0–55, а также FP8 для lm_head и MLP-слоёв 56–63. Нормализации, эмбеддинги, vision tower и MTP-тензоры сохранены в исходном формате Huihui. Поддерживается обработка изображений, а серверный профиль предусматривает контекст до 204 800 токенов, однако качество на длинном контексте зависит от рабочей нагрузки. Сильные стороны модели — мультимодальность, высокая компактность смешанного квантования и оптимизация под видеокарты NVIDIA Blackwell, включая RTX 5090; README сообщает о проверенной работе на одной RTX 5090 и скорости декодирования около 74,8 токена в секунду. Ограничения включают зависимость от совместимого оборудования и NInfer, отсутствие комплексных бенчмарков, а также то, что abliterated-производная может иметь изменённые характеристики отказов и поведения. Модель распространяется по лицензии Apache-2.0; предназначена для исследований и локального использования, ответственность за дальнейшее применение лежит на пользователе.

OpenVINO/Qwen3.8-27B-int8-ov — квантизированная версия мультимодальной модели Qwen3.8-27B, разработанной командой Qwen. Модель преобразована в формат OpenVINO IR, а её веса сжаты до INT8 с помощью NNCF. Она предназначена для задач понимания изображений и видео, визуально-языкового диалога, описания изображений и выполнения сложных многошаговых задач с гибким управлением режимом рассуждений. Модель поддерживает текстовые и визуальные входы, однако точные сведения о языках и размере контекста в README не указаны. Ключевые особенности — архитектура исходной native vision-language модели Qwen3.8-27B и асимметричное INT8-сжатие весов с коэффициентом 1.0, что может снизить требования к ресурсам и ускорить инференс при сохранении практической применимости. Модель имеет экспериментальный статус и не прошла полную валидацию с OpenVINO; для работы требуются версии OpenVINO, OpenVINO GenAI и Optimum Intel из веток nightly или development, а также Transformers 5.2. Распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Uncensored-Cyber-i1-GGUF — квантизированная GGUF-версия модели HFCK99/Qwen3.8-27B-Uncensored-Cyber, подготовленная mradermacher. Модель относится к семейству Qwen3, имеет около 27 млрд параметров и предназначена для локального запуска в совместимых приложениях, поддерживающих формат GGUF. В описании она обозначена как vision-модель для задач image-text-to-text, то есть может обрабатывать изображения и текст; заявленный язык — английский. Репозиторий содержит набор вариантов квантизации i1, включая Q2_K, Q3_K, IQ3, Q4, Q5 и Q6, размером примерно от 11 до 22,5 ГБ. Более компактные варианты требуют меньше памяти, но обычно уступают старшим по качеству; Q4_K_M отмечен как быстрый и рекомендуемый, а Q4_K_S — как компромисс между размером, скоростью и качеством. Также предоставлен imatrix-файл для создания собственных квантов. Точное устройство архитектуры, размер контекстного окна и перечень поддерживаемых языков, помимо английского, в README не указаны. Модель ориентирована на универсальные текстовые и мультимодальные сценарии, включая диалоговую работу с текстом и анализ изображений, при этом в названии и тегах отмечены особенности uncensored и abliterated. К ограничениям относятся неизбежные потери качества у низкобитных квантов, требования к значительному объёму оперативной или видеопамяти и отсутствие подробных результатов тестирования. Указанная лицензия — Apache-2.0.

Qwen3-VL-8B-Heretic-Stable — мультимодальная модель prithivMLmods на архитектуре Qwen3-VL с 8 млрд параметров для диалога, анализа изображений и генерации текстовых ответов. Она принимает изображения и текст, поддерживает визуальное рассуждение, создание подписей и структурированных описаний, а также прототипирование инструментов анализа изображений. В карточке заявлены совместимость с актуальными версиями Transformers, обновлённая разбивка весов на шарды и сохранение поведения исходной модели без изменения основных весов или архитектуры. Модель основана на prithivMLmods/Qwen3-VL-8B-Instruct-Unredacted-MAX и связана в README с huihui-ai/Huihui-Qwen3-VL-8B-Instruct-abliterated; README описывает выпуск как переупаковку, тогда как метаданные указывают дообучение базовой модели. Поддерживаемый язык карточки — английский. Репозиторий использует safetensors и библиотеку Transformers; лицензия — Apache-2.0. Ответы могут быть неточными или неполными, а качество зависит от изображения, запроса, разрешения и сложности входных данных. Для эффективного инференса, особенно с изображениями высокого разрешения, README рекомендует GPU. Модель помечена как предназначенная для исследований и обучения; авторы возлагают ответственность за использование и полученные результаты на пользователя.

Ismailzeine/schema-bac-qwen-model — дообученная модель для диалога с изображениями, созданная на базе Qwen2.5-VL-7B-Instruct. В карточке указано, что обучение выполнялось с Unsloth и библиотекой TRL; архитектура — Qwen2.5-VL с плотной моделью условной генерации. Модель принимает текст и изображения и отвечает текстом, поэтому подходит для визуальных вопросов и диалога по содержимому изображений. Модель основана на unsloth/qwen2.5-vl-7b-instruct-unsloth-bnb-4bit и распространяется по лицензии Apache-2.0. Карточка не описывает специализированную область обучения или конкретные тесты качества; пригодность для точных прикладных сценариев следует оценивать на собственных данных.

Swift-Qwen3.8-27B-Genesis-GGUF — мультимодальная модель для диалогов и понимания изображений и видео, созданная LuffyTheFox на основе ukisai/Swift-Qwen3.8-27b. Автор применил к GGUF-весам метод Genesis: численную обработку тензоров без переобучения. В README заявлена плотная причинно-языковая архитектура на 27 млрд параметров с визуальным энкодером, 64 слоями языковой модели, 48 слоями Gated DeltaNet и 16 слоями gated attention. Модель предназначена для диалоговых запросов, работы с изображениями и видео, а также других задач мультимодального понимания. Она принимает текст и изображения; README также заявляет понимание видео. Нативное контекстное окно составляет 262 144 токена, с возможностью расширения до 1 000 000 токенов при настройке совместимого фреймворка. Доступны файлы GGUF, включая вариант F16; запуск предусмотрен в llama.cpp, LM Studio и koboldcpp. Карточка заявляет снижение шума в весах и повышение стабильности, но не приводит независимых сравнительных оценок этих эффектов. Метаданные указывают английский и китайский языки, а также мультиязычную поддержку. Лицензия — Apache-2.0.

Davlan/xlm-roberta-base-ner-hrl — модель распознавания именованных сущностей, разработанная на основе XLM-RoBERTa base и дообученная для NER на текстах новостных статей на десяти языках. Она размечает токены как сущности типа «персона», «организация» или «место» и подходит для извлечения таких упоминаний из новостных текстов. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации токенов и принимает текст с контекстом до 514 токенов. Поддерживаются арабский, немецкий, английский, испанский, французский, итальянский, латышский, нидерландский, португальский и китайский языки. Распространяется по лицензии AFL-3.0. Обучение на размеченных новостях определённого периода может ограничивать переносимость на другие жанры и предметные области.

BERT large Japanese v2 — языковая модель, разработанная командой Tohoku NLP и предварительно обученная на японских текстах из CC-100 и японской Википедии. Она предназначена для построения систем понимания японского языка и дообучения под задачи классификации, извлечения информации и другие задачи обработки текста. Модель основана на архитектуре BERT Large: 24 слоя, размер скрытого представления 1024, 16 голов внимания и около 436,2 млн параметров. Тексты токенизируются с помощью MeCab и словаря Unidic 2.1.2, затем разбиваются на WordPiece-токены; словарь содержит 32 768 токенов. При предварительном обучении применялась маскировка целых слов. Контекст ограничен 512 токенами; доступны веса PyTorch, TensorFlow и Flax. Модель рассчитана на японский язык и подходит как базовый чекпойнт для последующей адаптации. Это предварительно обученная модель BERT, а не готовый генеративный чат-ассистент. Распространяется по лицензии Apache-2.0.

Cohere Labs Command A Vision — мультимодальная модель на 112 млрд параметров, разработанная Cohere и Cohere Labs для понимания изображений и диалога по визуальным данным. Она объединяет языковую модель на основе Command A с визуальным энкодером SigLIP2-patch16-512 через мультимодальный адаптер. Модель принимает изображения и текст, а отвечает текстом; поддерживает английский, португальский, итальянский, французский, немецкий и испанский языки. Модель предназначена для анализа изображений в корпоративных сценариях: ответов на вопросы о содержимом и контексте изображения, визуального диалога и извлечения сведений с изображений. Контекст в конфигурации Hugging Face составляет 32K токенов; README указывает поддержку до 128K при соответствующей настройке. Для одного изображения применяется до 12 плиток и дополнительная миниатюра, всего до 3328 визуальных токенов; рекомендуется разрешение до 2048×1536 пикселей. Весам доступна лицензия CC-BY-NC-4.0 с ограничением некоммерческого использования, а также требуется соблюдать политику допустимого использования Cohere Labs. README описывает режимы настройки защитных ограничений и отмечает, что по умолчанию включён contextual mode. Для запуска через Transformers требуется версия библиотеки с необходимыми изменениями из исходного репозитория.

deutsche-telekom/electra-base-de-squad2 — немецкоязычная модель ответов на вопросы, выпущенная Deutsche Telekom. Это дообученная для извлечения ответов из текста базовая ELECTRA electra-base-german-uncased с 138,4 млн параметров и контекстом до 512 токенов. Модель принимает вопрос вместе с текстовым контекстом и возвращает найденный ответ с оценкой и его позициями в исходном тексте. Модель предназначена для ответов на вопросы по немецким документам и другим текстам. Она обучена на наборе deQuAD с 130 тыс. обучающих и 11 тыс. тестовых пар «вопрос–ответ»; в оценке на тестовой выборке deQuAD модель показала Exact Match 70,97 и F1 76,18. Доступны веса PyTorch и Safetensors. Лицензия — MIT.

Это конверсия модели gemma-3-27b-it в формат MLX для запуска на устройствах Apple Silicon. Репозиторий mlx-community содержит веса с 8-битной квантованием; преобразование выполнено с помощью mlx-vlm версии 0.1.23 из google/gemma-3-27b-it-qat-q4_0-unquantized. Модель принимает текст и изображения и генерирует текст, поддерживая диалог и визуальные задачи. Подробности о языках, контекстном окне и условиях лицензии следует сверять с карточкой исходной модели; в метаданных указана лицензия other.

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.

OsaurusAI подготовила конвертированный MLX-пакет JANG_4M на основе мультимодальной Gemma 4 31B Instruct QAT от Google. Это плотная модель Gemma4ForConditionalGeneration с 60 текстовыми слоями, предназначенная для диалогов, генерации текста и анализа изображений в совместимой среде MLX или vMLX на Apple Silicon. Карточка сохраняет обработку изображений, но не заявляет поддержку аудио для этого варианта. Веса используют смешанную аффинную квантизацию: эмбеддинги, выходная проекция, нормализации и компоненты обработки медиа сохранены в FP16, проекции внимания и маршрутизатор MoE — в 8 битах, а основная часть MLP и экспертов — в 4 битах. Для запуска требуется загрузчик Gemma 4, совместимый с MLX и понимающий параметры quantization, jang_config.json, процессор и шаблон чата. Лицензия — Gemma.

OpenGVLab/InternVL3-38B-hf — реализация в формате Hugging Face Transformers мультимодальной модели InternVL3, разработанной OpenGVLab. Это дообученная версия OpenGVLab/InternVL3-38B-Instruct с плотной архитектурой InternVL и 38 млрд параметров. Модель принимает текст, изображения и видео и генерирует текстовые ответы; её можно использовать как для диалога по тексту, так и для анализа визуальных данных. Модель предназначена для восприятия и рассуждений по изображениям и видео, ответов на вопросы о визуальном содержимом и мультимодального общения. Семейство InternVL3 также ориентировано на использование инструментов, работу с графическими интерфейсами, промышленный анализ изображений и 3D-восприятие, однако карточка этой версии подтверждает прежде всего обработку изображений и видео через интерфейс image-text-to-text. Реализация поддерживает пакетный инференс и чередование текстовых и визуальных входов. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Языки обозначены как многоязычные. Лицензия указана как other; конкретные условия следует проверять в файлах лицензии репозитория.

InternVL3-8B-hf — реализация мультимодальной модели InternVL3 в формате Hugging Face Transformers, опубликованная OpenGVLab. Это плотная модель класса InternVLForConditionalGeneration с 8 млрд параметров, предназначенная для диалогов и генерации ответов по тексту и визуальным входам. Репозиторий поддерживает пакетный инференс с изображениями и чередующимися изображениями, видео и текстом; возможно также текстовое использование без изображения. Модель подходит для описания изображений и видео, визуальных вопросов и ответов, мультимодального рассуждения, а также сценариев GUI-агентов и анализа промышленных изображений. Семейство InternVL3 заявляет улучшенное по сравнению с InternVL 2.5 мультимодальное восприятие и рассуждение, а также возможности работы с инструментами и 3D-визуальным восприятием. Реализация рассчитана на библиотеку Transformers и поддерживает разные реализации attention, включая SDPA и FlashAttention 2. Это дообученная версия OpenGVLab/InternVL3-8B-Instruct. Карточка связывает семейство с мультиязычными сценариями, но не перечисляет конкретные языки. Лицензия указана как other; точные условия использования следует сверить с лицензией исходного проекта. Числовой размер контекста в доступных данных не приведён.

MLX Community подготовила восьмибитную конверсию Llama 4 Scout 17B 16E Instruct для запуска через mlx-vlm на Apple Silicon. Это мультимодальная модель Meta семейства Llama 4 для диалога и понимания изображений; она принимает текст и изображения и генерирует текст. Модель поддерживает арабский, немецкий, английский, испанский, французский, хинди, индонезийский, итальянский, португальский, тайский, тагальский и вьетнамский языки, а также интерфейс вызова инструментов. Модель подходит для диалоговых помощников, ответов на вопросы по изображениям и визуального анализа. В README указано, что веса преобразованы в формат MLX из meta-llama/Llama-4-Scout-17B-16E-Instruct с помощью mlx-vlm 0.1.21. Репозиторий использует лицензию «other»; условия следует сверить с карточкой исходной модели Meta.

jidoren/mmbert-squad-v2 — модель для ответа на вопросы, построенная на архитектуре ModernBERT и представленная в формате Safetensors. В метаданных указано 306,9 млн параметров и контекст до 8192 токенов. Модель предназначена для извлечения ответа на вопрос из предоставленного текста; pipeline Hugging Face — question-answering. Карточка README не содержит дополнительного описания обучения, языков, датасетов или условий использования. Поэтому нельзя подтвердить поддержку русского языка или конкретную лицензию. Модель создана недавно и имеет ограниченную историю использования.

Qwen2.5-3B-Instruct-KAI — дообученная чат-модель на базе Qwen/Qwen2.5-3B-Instruct, разработанная KAI Lab. Она предназначена для понимания и генерации текста на вьетнамском языке, включая ответы на вопросы, извлечение информации, понимание прочитанного и суммаризацию. Модель использует плотную архитектуру Qwen2ForCausalLM и содержит 3,1 млрд параметров. Принимает текстовые запросы и генерирует текст; заявленная длина контекста — 32 768 токенов. Для загрузки указана библиотека Transformers, веса представлены в формате safetensors. Модель оптимизирована для вьетнамского языка. В README приведены результаты оценки на вьетнамских бенчмарках и указано, что модель может ошибаться в вопросах, связанных с культурной спецификой, и хуже справляться со специализированными техническими темами. Лицензия обозначена как other; конкретные условия следует сверить с карточкой модели.

mlx-community/Qwen3.5-27B-4bit — мультимодальная модель для обработки изображений и текста, преобразованная сообществом mlx-community из Qwen/Qwen3.5-27B с использованием mlx-vlm 0.3.12. По исходным данным, модель предназначена для сценариев image-text-to-text, включая описание изображений и генерацию текстовых ответов на их основе. Модель имеет размер 27B параметров и представлена в 4-битном формате MLX, что ориентировано на запуск в экосистеме MLX. Поддержка изображений подтверждена, однако сведения о точной архитектуре, языках, размере контекстного окна, качестве, ограничениях и других модальностях в карточке отсутствуют. Модель распространяется по лицензии Apache 2.0. Для использования требуется окружение с пакетом mlx-vlm; конкретные требования к аппаратному обеспечению и производительности не указаны.

MuXodious создал Qwen3.5-4B-SOMPOA-heresy-v2 — дообученную версию мультимодальной модели Qwen3.5-4B, обработанную методом abliteration с использованием Self-Organizing Maps и Magnitude-Preserving Orthogonal Ablation. Модель предназначена для диалогов, анализа изображений, рассуждений и работы с инструментами; README сообщает о снижении частоты отказов после обработки. Это плотная модель на 4 млрд параметров с языковой частью и визуальным энкодером, построенная на гибридной архитектуре с Gated Delta Networks и gated attention. Базовая модель поддерживает 201 язык и диалект, а длина контекста составляет 262 144 токена с возможностью расширения до 1 010 000 токенов. Репозиторий содержит веса в формате Safetensors для использования с Transformers и совместимыми движками инференса. Модель может подходить для мультимодальных диалогов, вопросов по изображениям, рассуждений и сценариев с вызовом инструментов. Указанный в README результат UGI и метрики снижения отказов относятся к заявлениям автора; независимая оценка качества здесь не приведена. Лицензия — Apache-2.0.

Qzshch выпустил конверсию в GGUF модели Blackfrost-AI/Qwen3.8-27B-ABLITERATED-NVFP4 — мультимодальной модели Qwen3.8-27B с уменьшенной склонностью к отказам. Это конверсия исходных весов в формат GGUF без дополнительного обучения; в варианте ORIG веса MLP представлены в NVFP4, а DeltaNet, внимание, эмбеддинги, выходной слой и MTP-голова сохранены в BF16. Репозиторий также содержит более компактный вариант VERY-LOW и BF16-проектор для обработки изображений и видео. Модель предназначена для диалогов и задач vision-language, включая работу с изображениями; в карточке также заявлена поддержка видео через проектор. Она рассчитана на запуск через llama.cpp с поддержкой NVFP4 и GPU Blackwell с архитектурой sm_120. В README приведён пример с контекстом 100 000 токенов, но это значение настройки запуска, а не подтверждённый размер нативного контекстного окна. Ключевая особенность — сниженная склонность к отказам, поэтому операторам нужно самостоятельно задавать правила использования и защитные ограничения. Вариант ORIG занимает около 29,3 ГБ, что ограничивает доступный контекст на GPU с 32 ГБ видеопамяти. Указана лицензия Apache-2.0.

Qwen-AgentWorld-35B-A3B-GGUF — мультимодальная vision-language model для понимания изображений и текста, основанная на Qwen-AgentWorld-35B-A3B. Исходную модель разработала команда Qwen, а представленные GGUF-квантизации подготовлены пользователем или организацией Dhptl с помощью quant-kit 24 июня 2026 года. Модель ориентирована на агентские сценарии, симуляцию окружения, анализ изображений, диалоговое взаимодействие и генерацию текста. Архитектура состоит из текстовой основы и отдельного vision encoder в формате mmproj. Доступны варианты квантизации от Q2_K до Q8_0; рекомендуемым считается Q4_K_M как компромисс между качеством и требованиями к памяти. Для работы с изображениями обязательно нужны два файла: GGUF-файл текстовой основы и mmproj-файл vision encoder в формате F16. Поддерживаются текстовая и визуальная модальности, заявлен английский язык. Размер исходной модели обозначен как 35B-A3B, однако README не указывает контекстное окно. Сильной стороной модели является локальный запуск через llama.cpp, LM Studio, Jan, Ollama и совместимые инструменты, а также возможность обработки изображений. Качество и требования к памяти зависят от выбранной квантизации: более компактные варианты заметно теряют в качестве, тогда как Q6_K и Q8_0 требуют значительно больше оперативной памяти. Для визуального ввода необходим отдельный vision encoder, а README не содержит подробных результатов бенчмарков или ограничений по применению. Модель распространяется по лицензии Apache-2.0.

Модель popfido/Qwythos-9B-Claude-Mythos-5-1M-BF16-MLX-MTP-Visual — конвертированная в формат MLX версия мультимодальной модели Qwythos-9B-Claude-Mythos-5-1M от empero-ai. Она основана на Qwen3.5-9B с гибридной архитектурой GatedDeltaNet и attention; содержит MTP-голову для предсказания нескольких токенов и башню зрения для анализа изображений. Веса представлены в float16 и рассчитаны на запуск через MLX на Apple Silicon. Модель предназначена для диалогов, генерации и анализа текста, ответов на вопросы об изображениях и описания изображений. В README указано, что текстовый тракт проверяли послойным сравнением с llama.cpp, а генерацию и работу зрения — сравнением с соответствующими реализациями. Для длинного контекста используется YaRN с коэффициентом 4 и исходным контекстом 262144 токена. Репозиторий распространяется по лицензии Apache-2.0. Это конверсия производной модели, а README описывает преобразование весов из GGUF BF16 в float16 MLX; метаданные связывают её с дообученной моделью empero-ai/Qwythos-9B-Claude-Mythos-5-1M. MLX-веса в float16 требуют больше памяти, чем варианты Q8 и 4-bit; стандартный mlx-lm может автоматически удалять MTP-голову.

Модель распознавания сущностей в текстах о вакансиях и профессиях, разработанная группой NLP Международного эллинского университета. Это дообученная FacebookAI/roberta-base модель RoBERTa с архитектурой RobertaForTokenClassification и примерно 151,8 млн параметров. Она размечает текст на уровне токенов и выделяет профессии, навыки, квалификации, опыт и предметные области. Модель рассчитана на английский язык и контекст до 514 токенов. Модель подходит для извлечения структурированных требований из описаний вакансий и резюме, например для поиска профессий и навыков. В README приведены строгие span-F1 оценки на тестовой части обучающего датасета: 0,83 для профессий, 0,56 для опыта и 0,30 для предметных областей; это указывает на неодинаковое качество распознавания разных категорий. Обучение проводилось на открытом датасете Green et al.; лицензия модели — MIT.

SaMer K64 ColQwen2 — адаптерный чекпойнт для визуального поиска по документам, разработанный авторами проекта SaMer. Он применяется к базовой модели vidore/colqwen2-v1.0-hf и объединяет визуальные токены в 64 пространственно-осведомлённых мягких центроида, сохраняя признаки объектов, важные для поиска. При выводе использует проекционный слой и пользовательскую обёртку с trust_remote_code; веса базовой модели в репозитории не распространяются и загружаются отдельно. Модель предназначена для поиска релевантных страниц документов, включая PDF, по текстовым запросам. Обучение адаптера использовало только функцию потерь для retrieval; конфигурация включает три итерации кластеризации, пространственный вес 0,1 и температуру назначения 0,07. Репозиторий содержит веса в формате safetensors. Лицензия адаптера — Apache-2.0; для базовой модели необходимо соблюдать её собственные условия использования.

sat-6l — модель сегментации текста на предложения из семейства Segment Any Text, разработанная для библиотеки wtpsplit. Она определяет границы предложений и подходит для автоматического разбиения сплошного текста на фрагменты перед дальнейшей обработкой. Модель использует архитектуру SubwordXLMForTokenClassification с шестью слоями Transformer; размер — 248,6 млн параметров, длина контекста — 514 токенов. Доступны веса PyTorch и ONNX. Модель предназначена для многоязычной сегментации текста. Метаданные перечисляют поддержку ряда языков, включая английский, немецкий, французский, испанский, арабский, хинди и японский. Лицензия — MIT. Карточка связывает модель с исследовательской работой Segment Any Text.

tsmatz/xlm-roberta-ner-japanese — модель извлечения именованных сущностей, созданная дообучением xlm-roberta-base. Она размечает токены японского текста; модель предназначена для поиска упоминаний людей, организаций и других типов сущностей в предложениях и документах. Обучение проводилось на датасете NER от Stockmark Inc., собранном из статей японской Википедии. Модель основана на архитектуре XLM-RoBERTa, имеет около 305,2 млн параметров и принимает контекст до 514 токенов. Она распространяется в форматах PyTorch и Safetensors под лицензией MIT. Карточка указывает классы PER и ORG среди меток; качество и полнота распознавания остальных классов в предоставленном фрагменте README не описаны.