I.4Обработка документов и форм

Bongard-mini — открытая модель для оценивания вариантов и вынесения суждений, разработанная на архитектуре encoder-decoder T5Gemma 2 4B-4B. Она принимает текст, структурированные данные или изображения вместе с вопросами и кандидатами ответов либо действий, а возвращает вероятностное распределение по вариантам вместо генерации текста. Модель предназначена для параллельной оценки нескольких вопросов об одном и том же состоянии, включая выбор следующего действия агента. Модель содержит 7,51 млрд параметров, из которых 7,09 млрд обучались; зрительная башня оставалась замороженной. Обучение охватывало суждения, семантические отношения и последствия действий. Заявлены поддержка английского и китайского языков, а базовая модель описана как мультимодальная с контекстом до 128 тыс. токенов. Лицензия — Gemma. README приводит результаты игровых демонстраций и тестов скорости, но они относятся к указанным условиям и не гарантируют аналогичных результатов на произвольных задачах.

ChatTruth-7B — модель семейства Qwen, разработанная на основе Qwen-VL и дополнительно обученная на специально подготовленных данных. Она предназначена для диалоговой генерации текста с поддержкой визуальных входов и улучшенной обработкой изображений высокого разрешения. В README заявлен модуль Restore Module, снижающий вычислительную нагрузку при работе с изображениями высокого разрешения. В метаданных указаны 11,4 млрд параметров, контекст длиной 8192 токена и поддержка китайского и английского языков. Репозиторий содержит веса PyTorch; для запуска README указывает Transformers 4.32.0, PyTorch 1.13 или новее и CUDA 11.4 или новее. Условия лицензии в предоставленных данных не описаны.

continuity-a4b-26b — дообученная модель GestaltLabs на базе Google Gemma 4 26B A4B IT для извлечения структурированных данных из веб-страниц. На вход она получает очищенное представление DOM-страницы и JSON Schema, а на выходе формирует соответствующий схеме JSON. Модель семейства Gemma 4 использует архитектуру MoE: около 3,8 млрд параметров активны при генерации из 25,2 млрд языковых параметров; вместе с визуальной башней размер составляет 26,3 млрд параметров. Доступна сборка bf16 размером 49 ГБ, поддерживается запуск через vLLM. Модель предназначена для пакетного и интерактивного извлечения карточек товаров, объявлений, статей, документов и записей каталогов. В тесте на 103 реальных страницах авторы сообщают строгий успех 0,8932 на очищенном представлении DOM и 0,9515 на HTML для варианта с LoRA; JSON проверяется на соответствие схеме после генерации. Модель обучалась и оценивалась на английских страницах. Длинные страницы требуют усечения или разбиения, а извлечение нескольких связанных сущностей в массивы объектов даётся сложнее. Рекомендуется жадное декодирование и проверка результата, особенно при использовании недоверенной схемы. Это не универсальная чат-модель и не предназначенная для критически важных решений. Применяются условия лицензии Gemma 4; в метаданных указана Apache-2.0.

jjzha/escoxlmr_skill_extraction — модель семейства XLM-RoBERTa для извлечения навыков из текста с помощью классификации токенов. README описывает её как демо для выявления знаний, жёстких навыков, а также мягких и прикладных навыков. Модель содержит около 658,7 млн параметров, использует архитектуру XLMRobertaForTokenClassification и принимает текст с контекстом до 514 токенов. Модель подходит для автоматического выделения упоминаний навыков в текстах, например в резюме и описаниях вакансий. В карточке указана лицензия Apache-2.0. README не сообщает о качестве извлечения или поддерживаемых языках.

kxx-kkk/FYP_sq2_mrqa_adqa — модель семейства DeBERTa-v2, разработанная как дообученная версия kxx-kkk/FYP_sq2_mrqa. Она предназначена для извлечения ответа на вопрос из предоставленного текста. Модель содержит 211,6 млн параметров и рассчитана на контекст длиной до 512 токенов. Карточка сообщает о дообучении на датасете, который не уточнён, и приводит значение Loss 2,3608 на evaluation set. Дополнительные сведения о качестве, сценариях применения и ограничениях не приведены. Лицензия — CC BY 4.0.

CALISTA-INDUSTRY/gemma_3_4B_reasoning_multimodal_en_ft_v2 — мультимодальная модель на основе Gemma 3, дообученная Мохаммадом Яни и Ризки Сулаеманом из Politeknik Negeri Indramayu для рассуждений по изображениям и тексту. Архитектура Gemma 3 с плотными весами; в метаданных базовая модель указана как unsloth/gemma-3-1b-it-unsloth-bnb-4bit. Модель принимает изображения и текст и предназначена для визуальных вопросов и ответов, описания изображений, мультимодального диалога и выполнения инструкций с визуальным вводом. Карточка заявляет поддержку английского языка, а метаданные также содержат код id. Модель доступна в форматах Safetensors и GGUF и рассчитана на использование через Transformers. Лицензия в метаданных указана как Gemma, тогда как README заявляет Apache 2.0; сведения о лицензии в источниках расходятся, поэтому перед использованием следует проверить условия в репозитории. Скорость работы в реальном времени без дополнительной оптимизации не заявлена.

GLM-Edge-V-5B — мультимодальная модель семейства GLM, разработанная zai-org. Она предназначена для диалоговой работы с изображениями и текстом, а также поддерживает генерацию текста и классификацию текста. Модель имеет плотную архитектуру GlmForCausalLM и содержит 4,1 млрд параметров; максимальная длина контекста составляет 4096 токенов. В метаданных указан формат safetensors и возможность чата. Лицензия обозначена как other, поэтому условия использования следует уточнить в материалах репозитория. Карточка README не содержит подробностей о поддерживаемых языках и ограничениях качества.

Huihui-Qwen3-VL-4B-Instruct-abliterated — дообученная версия мультимодальной модели Qwen3-VL-4B-Instruct от huihui-ai. Модель построена на плотной архитектуре Qwen3-VL и содержит около 4 млрд параметров. Она принимает текст и изображения и предназначена для диалога, описания и анализа изображений, а также визуальных вопросов и ответов. В модели применена abliteration к текстовой части, чтобы существенно снизить склонность к отказам; часть, обрабатывающая изображения, не изменялась. Это позволяет получать ответы на запросы об изображениях, которые базовая модель могла отклонять, но повышает риск чувствительных, спорных или неподходящих результатов. Модель распространяется в формате Safetensors, использует библиотеку Transformers и лицензирована по Apache-2.0.

Baekpica/Inkling-Small-Mixed-Quant-GGUF — это набор из двух независимо проверенных вариантов модели thinkingmachines/Inkling-Small в формате GGUF со смешанной точностью и квантизацией на основе imatrix. Репозиторий подготовлен Baekpica; исходная ревизия базовой модели указана явно. Модель относится к мультимодальным системам image-text-to-text и предназначена для генерации текста по текстовым запросам, а также по изображениям PNG/JPEG и аудио WAV с частотой 16 кГц. Доступны варианты MQ89 размером около 95,45 млрд байт (88,89 GiB) и MQ85GB размером около 85,73 млрд байт (79,84 GiB), каждый разделённый на шесть частей. Для MQ85GB документирована работа через ds4-dfm-rs на одном DGX Spark: поддерживаются текстовые, графические и аудиовходы с текстовым выводом, а также API OpenAI Chat Completions, OpenAI Responses и Anthropic Messages с указанными ограничениями для отдельных типов входа. Заявлены оптимизации предварительной обработки контекста до 486,86 токена в секунду для 2 048 токенов и 464,09 токена в секунду для 8 192 токенов; эти показатели относятся к конкретной конфигурации и режиму без MTP. Сильные стороны модели — мультимодальность, существенная экономия места благодаря смешанной квантизации и детальная проверка точности вычислений: для документированных вариантов проверено совпадение логитов и генерируемых токенов с контрольными путями. Опциональная tensor-core оптимизация может повысить скорость, но изменяет результаты генерации и поэтому отключена по умолчанию. Совместимость с llama.cpp, обслуживание длинного контекста, а также ускорение от MTP в README не подтверждены. Архитектура, число параметров, языки и размер контекстного окна не указаны. Лицензия — Apache-2.0.

Карточка модели sureshnam9/Llama-4-Maverick-17B-128E-Instruct-FP8 на Hugging Face совпадает с карточкой meta-llama/Llama-4-Maverick-17B-128E-Instruct, поэтому описание составлено по ней. Llama 4 Maverick Instruct — мультимодальная модель Meta для диалогов и задач понимания изображений. Это авторегрессионная модель с архитектурой смеси экспертов (MoE) и ранним объединением модальностей; в варианте Maverick используются 17 млрд параметров и 128 экспертов. Модель предназначена для чат-ассистентов и визуальных задач: распознавания и анализа изображений, составления описаний и ответов на вопросы по изображению. Она поддерживает арабский, немецкий, английский, испанский, французский, хинди, индонезийский, итальянский, португальский, тайский, тагальский и вьетнамский языки. Проверено понимание до пяти входных изображений; для большего числа изображений требуется дополнительная проверка в конкретном приложении. Модель разработала Meta. Репозиторий содержит дообученную версию базовой Llama 4 Maverick, распространяемую в формате Safetensors. Использование регулируется пользовательской коммерческой лицензией Llama 4 Community License и Acceptable Use Policy.

Aldair402/mila-v2-tensor — дообученная мультимодальная модель семейства Gemma 4, созданная Aldair402 на базе glyphsoftware/gemma-4-26b-a4b-opus-4.7-distilled. Модель предназначена для диалога с текстом и изображениями; заявлена поддержка интерфейса вызова инструментов. В метаданных указаны архитектура Gemma4ForConditionalGeneration и формат safetensors. Модель обучалась с использованием Unsloth и библиотеки TRL. Лицензия — Apache-2.0. Карточка не сообщает о специализированной предметной области или измеренных преимуществах дообучения.

MoonViT-V2 — визуальный энкодер, представленный как нативный vision backbone Kimi K3; репозиторий AI4Industry содержит извлечённые веса из чекпойнта moonshotai/Kimi-K3. Модель предназначена для кодирования изображений и видео в визуальные токены для мультимодальной обработки. Метаданные относят её к задаче извлечения признаков изображений. Архитектура — 27-слойный Vision Transformer примерно на 453 млн параметров с размером скрытого состояния 1024, 12 головами и патчами 14 × 14. Для изображений и видео используется общий путь с пространственным и временным вниманием; сжатие токенов включает pixel shuffle 2 × 2 и временной pooling. README указывает на обработку видео последовательностью кадров, по умолчанию до четырёх кадров. В репозитории сохранены веса vision tower в формате safetensors, без языковой модели и проектора, поэтому это не самостоятельная мультимодальная чат-модель. Модель может служить визуальным энкодером для распознавания текста, анализа интерфейсов и понимания видео. Обучающие данные, согласно README, охватывают подписи, документы, OCR, видео, визуальный код, grounding, SVG, 3D-объекты, веб-страницы, игры и CAD. Лицензия указана как other; конкретные условия следует сверить с лицензией репозитория и исходного Kimi K3.

Карточка модели MakotoYuki/MYTHOS-26B-A4B-PRISM-PRO-DQ-GGUF на Hugging Face совпадает с карточкой Ex0bit/Gemma4-26B-A4B-PRISM-PRO-DQ-GGUF, поэтому описание составлено по ней. Ex0bit выпустил Ex0bit/Gemma4-26B-A4B-PRISM-PRO-DQ-GGUF — мультимодальную версию Gemma 4 26B-A4B Instruction-Tuned в формате GGUF для запуска через llama.cpp. Это MoE-модель с 26 млрд параметров, из которых 4 млрд активны на токен; в README указаны 128 экспертов и маршрутизация top-8. Модель принимает текст, изображения и видео и отвечает текстом. Для обработки изображений и видео вместе с основным GGUF-файлом нужен файл проектора mmproj. Модель предназначена для диалогов и анализа изображений и видеокадров. Автор заявляет, что PRISM-PRO удаляет чрезмерные отказы и механизмы смещения, а PRISM-DQ распределяет точность квантования по типам тензоров; заявленная точность — 5,73 бита на вес. Эти заявления приведены автором и не подтверждены независимыми оценками в предоставленной карточке. Аудио модель не поддерживает. Лицензия — Apache-2.0.

JANGQ-AI/Ornith-1.0-35B-JANG_6M — мультимодальная модель для диалога с изображениями, основанная на Ornith-1.0-35B от DeepReinforce. Она предназначена для сценариев, где нужно задавать вопросы по изображениям и получать текстовые ответы. Архитектура семейства Qwen3.5 MoE сочетает 30 слоёв Gated-DeltaNet и 10 слоёв полного внимания; в текстовой части 256 маршрутизируемых экспертов и скрытая размерность 2048. Визуальный энкодер сохранён в fp16. Это вариант JANG_6M с 8-битным вниманием и 6-битными маршрутизируемыми экспертами, смешанной точностью и размером группы 64; заявленный размер — около 26 ГБ. Для запуска требуется MLX Studio или среда vMLX: стандартный mlx_lm некорректно загружает этот формат. Модель распространяется по лицензии MIT.

Harsh221/qwen2.5-1.5b-pii-redactor — плотная причинная языковая модель Qwen2.5-1.5B-Instruct, дообученная методом supervised fine-tuning с LoRA для поиска и редактирования персональных данных в тексте. Она сохраняет обычный текст и заменяет распознанные фрагменты метками типов данных, например адреса электронной почты, телефона или имени. Модель содержит 1,5 млрд параметров, принимает текст и выдаёт отредактированный текст; в метаданных указан контекст до 32 768 токенов. В описанном обучении использовались набор ai4privacy/pii-masking-300k и последовательности длиной 512 токенов. Модель подходит для предварительной маскировки персональных данных в сообщениях и документах перед передачей на анализ или публикацией. Карточка отмечает, что это генеративный редактировщик, а не гарантия конфиденциальности: возможны пропуски чувствительных фрагментов, нежелательные изменения обычного текста и нестандартные метки. Для длинных документов рекомендуется обрабатывать текст частями и объединять результаты с проверкой. README не указывает поддерживаемые языки; применяйте модель только после оценки на нужных языках и категориях данных. Лицензия — Apache-2.0.

OsaurusAI подготовила JANG_4M — квантованную версию мультимодальной модели Qwen3.6-27B для локального запуска в MLX на компьютерах Apple Silicon. Это плотная модель на 27,3 млрд параметров с гибридной архитектурой: 48 из 64 слоёв используют Gated DeltaNet, остальные — полное внимание; также есть визуальный энкодер для изображений и видео. Модель принимает текст и визуальный ввод и предназначена для диалога, ответов по изображениям и видео, а также текстовых задач вроде перевода и вопросов с рассуждением. В JANG_4M основная часть весов сжата до 4 бит, а проекции полного внимания, эмбеддинги и выходная голова сохранены в 8-битном формате. В README приведены результаты на срезе MMLU из 200 вопросов без включённого рассуждения; режим с рассуждением не оценивался. Для запуска требуется совместимая среда MLX на Apple Silicon; карточка рекомендует Osaurus. Размер весов на диске — около 17,5 ГБ, а после загрузки модель занимает примерно 18–22 ГБ плюс память для KV-кэша. Лицензия — Apache-2.0.

Это мультимодальная квантованная сборка Qwen3.6-35B-A3B, подготовленная FreedomAISVR в формате GGUF для llama.cpp. Она принимает текст и изображения и предназначена для диалогов, ответов по изображениям и других сценариев визуального анализа с языковой моделью. В основе — текстовая MoE-модель с 35,95 млрд параметров, из которых активны около 3 млрд на токен, и 256 экспертами; визуальный энкодер ViT содержит 27 слоёв. Контекст модели составляет 262 144 токена. Веса представлены в NVFP4 с эффективной плотностью около 4,55 бит на вес; для аппаратного ускорения этого формата нужна видеокарта NVIDIA поколения Blackwell, например RTX 50-й серии. В репозитории также есть BF16-файл визуального проектора. Квантование позволяет хранить модель компактнее, но может влиять на качество относительно исходной версии. Лицензия — Apache-2.0.

Qwen3.8-27B-Abliterated-GGUF — это квантизированная GGUF-сборка модели windowsxp811203/Qwen3.8-27B-Abliterated, основанной на Qwen/Qwen3.8-27B. Модель предназначена для локального запуска через llama.cpp и ориентирована на генерацию текста без стандартных отказов по запросам, связанных с удалённым механизмом отказа. В поставку включены MTP draft head для speculative decoding и vision projector для обработки изображений. Доступны варианты квантизации от IQ4_XS размером 15,3 ГБ до Q8_0 размером 29 ГБ; для видеокарт с 24 ГБ памяти рекомендуется Q4_K_M размером 16,8 ГБ. Поддерживаются текстовая и визуальная модальности, английский и китайский языки, режим рассуждений, контекст до 256K токенов в пределах заявленного максимума, а также MTP-ускорение без отдельной draft-модели. Проверки показывают близкое к BF16 качество на perplexity-тестах, работоспособность обработки изображений и извлечения данных из длинного контекста, однако результаты за пределами 256K являются экстраполяцией. Ключевое преимущество модели — практически полное отсутствие отказов на наборах AdvBench и HarmBench safety categories даже в 4-битных вариантах, что делает её подходящей для исследовательских, экспериментальных и локальных сценариев, где требуется более свободная генерация. Ограничения включают необходимость значительного объёма памяти, зависимость визуального режима от отдельного файла mmproj, возможные особенности поведения базовой модели в длинных сессиях и отсутствие обычных защитных отказов. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-MLX-2bit — это квантованная версия модели Qwen3.8-27B, опубликованная majentik и предназначенная для запуска на компьютерах Apple с Apple silicon через MLX и mlx-lm. Текстовая часть модели преобразована в аффинную 2-битную квантовку с размером группы 32, а vision tower и projector сохранены в формате BF16. Исходная модель разработана Qwen; в README указана базовая модель Qwen/Qwen3.8-27B и поддержка сценариев image-text-to-text. Модель предназначена для генерации текста и обработки мультимодальных запросов, включающих изображения и текст, при локальном запуске на совместимом оборудовании. README не содержит сведений о точном числе параметров сверх обозначения 27B, поддерживаемых языках и размере контекстного окна. В качестве ориентиров приведены результаты arc_easy_acc 0,4900 и hellaswag_acc 0,4100; также указано, что сборка прошла проверку связности генерации без пустых ответов, зацикливания и повреждённых специальных токенов. Главное преимущество варианта — существенное снижение требований к памяти благодаря 2-битной квантовке при сохранении мультимодальных компонентов vision tower и projector в BF16. Ограничением может быть потенциальная потеря качества по сравнению с полноразмерной или менее агрессивно квантованной версией; README не приводит прямого сравнения. Модель распространяется по лицензии Apache-2.0, указанной для исходной модели.

Qwen3.8-27B-Uncensored MLX BF16 — конверсия сообщества для компьютеров Apple с Apple silicon, основанная на модели orcarouter/Qwen3.8-27B-Uncensored. Это плотная мультимодальная модель семейства Qwen3.5/Qwen3.8 с 27 млрд параметров: она принимает текст и изображения, поддерживает диалоги, рассуждения и анализ визуального содержимого. Настроенное окно контекста — 262 144 токена, но доступная длина зависит от памяти, настроек KV-кэша и типа входа. Модель предназначена для генерации текста и ответов на вопросы по изображениям; включён отдельный MTP-драфтер для ускорения спекулятивного декодирования. По карточке, исходная модель снижает склонность к отказам, а эта публикация переносит её веса в формат MLX BF16 без квантизации и дополнительного дообучения. Для запуска требуются Mac с Apple silicon, совместимая версия mlx-vlm и около 55 ГБ памяти только для весов, плюс память для вычислений и KV-кэша. Карточка приводит локальные проверки генерации, анализа изображений и MTP, а также результаты отдельных бенчмарков; они не гарантируют качество на других задачах и устройствах. В частности, указаны ограничения на длинных документах, а режим JSON не всегда соблюдал запрошенную схему. Модель не является официальным релизом Qwen или OrcaRouter. Лицензия — Apache-2.0.

Qwen3-VL-4B-Thinking-Unredacted-MAX — производная мультимодальная модель prithivMLmods на архитектуре Qwen3-VL-4B-Thinking. В README говорится об оптимизации упаковки модели и совместимости с Transformers; метаданные указывают дообучение на базе Qwen/Qwen3-VL-4B-Thinking. Модель принимает изображения и текст и выдаёт текстовые ответы с визуальным рассуждением. Модель предназначена для анализа изображений, генерации подписей и описаний, подготовки аннотаций и прототипирования систем, объединяющих текст и зрение. Поддерживает изображения с разными разрешениями и соотношениями сторон; в метаданных указан английский язык. Плотная архитектура насчитывает 4 млрд параметров по названию модели. Лицензия — Apache-2.0. Качество зависит от чёткости изображения и формулировки запроса; интерпретации сложных сцен могут быть неполными или непоследовательными. Для стабильного запуска требуется достаточный объём видеопамяти, а результаты зависят от настроек декодирования и оптимизации среды выполнения.

pzol/qwen3vl-5772-v11 — дообученная pzol мультимодальная модель семейства Qwen3-VL на базе unsloth/Qwen3-VL-8B-Instruct-bnb-4bit. Она предназначена для диалоговых задач, в которых нужно анализировать изображения и отвечать текстом; в метаданных также отмечен интерфейс вызова инструментов. Модель обучалась с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает специализацию дообучения, качество на конкретных задачах или ограничения; поддержка английского указана в метаданных.

Qwen3-VL-8B-Heretic-1.3.0 — экспериментальная аблитерированная версия Qwen3-VL-8B-Instruct, созданная сообществом с использованием Heretic v1.3.0 и опубликованная для интеграции с ComfyUI. Модель предназначена для генерации текста и работы с изображениями и текстом в формате vision-language, а также для использования в ComfyUI и Transformers. Поддерживаются английский и китайский языки. Модель не поддерживает специальные токены для режима рассуждений. Архитектура — Qwen3VLForConditionalGeneration, около 8 млрд параметров, точность bf16 и контекст до 8192 токенов. По данным README, аблитерация существенно снизила частоту отказов при сохранении большинства исходных возможностей: изменено 53 из 398 тензоров, а среднее изменение на восьми тестах составило менее 1%. При этом наблюдается заметное снижение результата TruthfulQA, а уменьшение защитных ограничений может повысить риск генерации вредного или недостоверного содержания. Полная версия Hugging Face и форматы safetensors для ComfyUI сохраняют поддержку зрения. Варианты GGUF лишены vision encoder и предназначены только для использования как текстовый энкодер в рабочих процессах ComfyUI-GGUF, а не как самостоятельная vision-language модель. Доступны варианты bf16, FP8, NVFP4 и различные уровни GGUF-квантизации. Лицензия — Apache-2.0.

theworld-cc3m-align-full — дообученная модель на основе мультимодальной Google Gemma 3 4B IT, опубликованная пользователем alwinjin8. Она принимает изображения вместе с текстом и предназначена для задач image-text-to-text, например ответов на вопросы по изображениям и их текстового описания. Модель использует плотную архитектуру Gemma3ForConditionalGeneration и сохранена в формате safetensors. Карточка не раскрывает обучающий датасет, оценку качества и конкретные ограничения модели. Лицензия указана как gemma; перед использованием следует учитывать условия лицензии Gemma.

Карточка модели LordRuler/Barcenas-31b-Fable на Hugging Face совпадает с карточкой Danielbrdz/Barcenas-31b-Fable, поэтому описание составлено по ней. Barcenas-31b-Fable — плотная мультимодальная модель семейства Gemma 4, созданная автором Danielbrdz на основе Google Gemma 4 31B IT и дообученная на наборе lordx64/agentic-distill-fable-5-sft. В карточке она представлена как чат-модель с поддержкой изображений; заявленная специализация дообучения — использование в агентных сценариях на данных, связанных с Claude Fable 5. Модель предназначена для локального и приватного запуска на одной GPU при наличии достаточных аппаратных ресурсов. Она принимает текст и изображения и генерирует текст; в качестве формата весов указаны safetensors, библиотека — Transformers. Размер базовой модели — 31 млрд параметров. Лицензия репозитория — Apache-2.0.

yildirim34/birag-gemma4-26b — дообученная мультимодальная модель семейства Gemma 4, разработанная пользователем yildirim34 на основе unsloth/gemma-4-26b-a4b-it. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для диалогов и задач image-text-to-text: она принимает текст и изображения и формирует текстовые ответы. В репозитории представлены веса safetensors и варианты GGUF с квантизацией Q4_K_M и Q8_0; модель поддерживает интерфейс вызова инструментов. Модель распространяется по лицензии Apache-2.0. Карточка не описывает специализированную область применения или известные ограничения качества.

Inferencer Labs предоставляет MLX-версию экспериментальной модели DeepSeek-V4-Flash-Vision-Exp для запуска в приложении Inferencer. Это чат-модель на архитектуре DeepSeek V4 с 10,7 млрд параметров и контекстом до 1 048 576 токенов; метаданные указывают поддержку обработки изображений и текста с генерацией текстовых ответов. Репозиторий обозначен как дообучение deepseek-ai/DeepSeek-V4-Flash-Vision-Exp. README сообщает о проверке в Inferencer app 2.3.7 на M3 Ultra со скоростью около 31 токена в секунду при контексте в 1000 токенов и потреблении около 146,4 ГиБ. Для повышения скорости предлагается совместимый декодер спекулятивного вывода MTP. Карточка не сообщает лицензию, поэтому условия использования следует сверить с базовой моделью и владельцами прав. Модель может ошибаться, и её ответы требуют проверки.

linhtrann21/ft_paligemma_25k — дообученная модель семейства PaliGemma, созданная на основе linhtrann21/ft_paligemma_20k. Она предназначена для задач image-text-to-text: принимает изображение и текстовый запрос и формирует текстовый ответ. В метаданных указаны архитектура PaliGemmaForConditionalGeneration, библиотека Transformers и формат весов safetensors. Карточка не описывает обучающие данные, конкретную предметную область, языки или результаты оценки, поэтому назначение дообучения и качество ответов уточнить нельзя. Указана лицензия gemma; применяйте модель согласно её условиям.

Gemma 3n E2B IT MLX bf16 — мультимодальная диалоговая модель Google, опубликованная сообществом LM Studio в формате MLX и оптимизированная для Apple Silicon. Это версия исходной модели google/gemma-3n-E2B-it с весами bfloat16; архитектура — плотная Gemma 3n с классом Gemma3nForConditionalGeneration. Репозиторий предназначен для локального запуска и общения с моделью, включая анализ изображений вместе с текстом. Модель принимает текстовые и визуальные входы и генерирует текст. В карточке указаны возможности чата и зрения; метаданные относят её к задаче image-text-to-text. Базовая модель также описана как поддерживающая аудиовход, однако карточка этой версии не подтверждает аудиофункции отдельно. Весы в bf16 представлены через MLX для устройств Apple Silicon; размер модели и длина контекста в предоставленных данных не приведены. Модель можно использовать для вопросов по изображениям, диалога и генерации текста в локальной среде. Лицензия — Gemma; применяются её условия. Модель может выдавать неточные или неподходящие ответы, а LM Studio не гарантирует её точность и надёжность.

MLX-версия модели Gemma 4 31B IT, разработанной Google и преобразованной сообществом mlx-community из исходной модели google/gemma-4-31B-it. Модель предназначена для мультимодальных сценариев image-text-to-text: принимает текст и изображения и генерирует текстовые ответы, включая описание изображений и диалоговое взаимодействие. Модель содержит 31 млрд параметров и представлена в 8-битном формате, что снижает требования к памяти по сравнению с полноточными вариантами. Она сохранена в формате MLX и предназначена для запуска с помощью mlx-vlm на совместимом оборудовании. README не содержит сведений о точной архитектуре, максимальном размере контекста, поддерживаемых языках, конкретных ограничениях качества или требованиях к аппаратному обеспечению. Модель распространяется по лицензии Apache 2.0; условия лицензии доступны по ссылке, указанной в карточке модели. Для использования требуется программный стек mlx-vlm.