I.4Обработка документов и форм

getonit/transcription-cleanup-llama3.2-1b — текстовая генеративная модель, опубликованная пользователем или организацией getonit на Hugging Face. По названию репозитория и сообщению об изменении «transcription-cleanup-1b v5_punct» она предназначена для очистки и пунктуационного оформления транскрипций. В карточке модели также указаны английский язык, разговорный режим и задача генерации текста. Модель основана на архитектуре LlamaForCausalLM с примерно 1 млрд параметров, 16 слоями, размером скрытого состояния 2048, 32 attention heads и 8 key-value heads. Заявлено контекстное окно до 131 072 токенов; опубликованная MLX-версия использует 4-битное квантование и занимает около 695 МБ. Поддерживается запуск через MLX и совместимый OpenAI API-сервер. Сильные стороны — небольшой размер, низкие требования к памяти и специализация на обработке транскрипций, однако в доступной карточке отсутствуют результаты оценки качества, подробности обучающего набора, точные границы возможностей, сведения о поддерживаемых языках помимо английского и описание ограничений. Лицензия в доступных материалах не указана, поэтому условия коммерческого и иного использования по этим данным установить нельзя.

VILA-U-7B-256 — мультимодальная базовая модель семейства VILA-U, разработанная MIT Han Lab. Она объединяет понимание видео, изображений и языка с генерацией текста и изображений в единой авторегрессионной архитектуре next-token prediction. Вместо отдельных модулей для понимания и генерации визуальных данных модель использует единый vision tower, который связывает дискретные визуальные токены с текстом. Модель предназначена для визуально-языковых сценариев: анализа изображений и видео, ответов на вопросы по визуальному содержимому и авторегрессионной генерации изображений. В README заявлена производительность, близкая к передовым системам в понимании и генерации визуального контента. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Размер 7B следует из идентификатора модели, однако контекстное окно и поддерживаемые естественные языки в предоставленных данных не описаны.

Модель masakhane/afroxlmr-large-ner-masakhaner-1.0_2.0 — это версия AfroXLM-R Large, дообученная Masakhane для распознавания именованных сущностей в 21 африканском языке. Она использует архитектуру XLM-RoBERTa для классификации токенов, содержит 658,7 млн параметров и принимает последовательности длиной до 514 токенов. Модель выделяет людей, организации, местоположения, даты и время, а также токены вне сущностей. Модель предназначена для разметки текстов, в частности новостных статей, на языках Африки. На тестовых наборах MasakhaNER средний F-score составил 85,1 для версии 1.0 и 87,7 для версии 2.0. Лицензия — AFL-3.0. Качество может снижаться на текстах из других областей и за пределами тематики и периода новостных данных, использованных для обучения.

Карточка модели nuresens/ALL_PAD_merge на Hugging Face совпадает с карточкой nuresens/ALL_PAD_MERGE_v2, поэтому описание составлено по ней. nuresens/ALL_PAD_MERGE_v2 — дообученная мультимодальная модель семейства Mistral3 на базе aitf-komdigi/KomdigiITS-3B-PAD-CPT. Разработчик — nuresens; для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель принимает изображения и текст и предназначена для диалоговых сценариев с визуальным содержимым, включая ответы на вопросы по изображениям. В карточке также заявлен интерфейс для вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Количество параметров и длина контекста в предоставленных источниках не указаны.

nuresens/ALL_PAD_MERGE_v2 — дообученная мультимодальная модель семейства Mistral3 на базе aitf-komdigi/KomdigiITS-3B-PAD-CPT. Разработчик — nuresens; для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель принимает изображения и текст и предназначена для диалоговых сценариев с визуальным содержимым, включая ответы на вопросы по изображениям. В карточке также заявлен интерфейс для вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Количество параметров и длина контекста в предоставленных источниках не указаны.

Карточка модели nuresens/ALL_PAD_MERGE_v4 на Hugging Face совпадает с карточкой nuresens/ALL_PAD_MERGE_v2, поэтому описание составлено по ней. nuresens/ALL_PAD_MERGE_v2 — дообученная мультимодальная модель семейства Mistral3 на базе aitf-komdigi/KomdigiITS-3B-PAD-CPT. Разработчик — nuresens; для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель принимает изображения и текст и предназначена для диалоговых сценариев с визуальным содержимым, включая ответы на вопросы по изображениям. В карточке также заявлен интерфейс для вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Количество параметров и длина контекста в предоставленных источниках не указаны.

clip-roberta-finetuned — дообученная модель davanstrien на датасете davanstrien/manuscript_noisy_labels_iiif. По архитектуре VisionTextDualEncoderModel она совместно кодирует изображения и текст, формируя признаки для сопоставления этих модальностей. Модель предназначена для извлечения признаков; карточка сообщает значение loss 2.5792 на оценочной выборке, но не описывает сценарии применения или подробности обучения.

Devstral-Small-2-24B-Instruct-2512-4bit — это 4-битная версия модели Devstral-Small-2-24B-Instruct-2512, разработанной Mistral и конвертированной сообществом mlx-community в формат MLX. Модель предназначена для запуска с библиотекой mlx-vlm на совместимых устройствах Apple Silicon и использует формат safetensors. Модель поддерживает сценарии image-text-to-text, включая обработку изображений и генерацию текстовых ответов по ним. В README приведён пример использования для описания изображения. Известно, что модель имеет размер 24B параметров, является instruct-моделью и использует 4-битное квантование, однако сведения о точной архитектуре, поддерживаемых языках и размере контекстного окна не указаны. Ключевые преимущества — уменьшенный объём хранения и потенциально более эффективный локальный запуск благодаря 4-битному представлению и формату MLX. Ограничения связаны с зависимостью от экосистемы MLX и mlx-vlm, а также с отсутствием в доступных данных подробных сведений о производительности, языках и контекстном окне. Модель распространяется по лицензии Apache-2.0.

Dimple-7B — мультимодальная языковая модель с дискретной диффузией, разработанная авторами проекта Dimple. Она предназначена для диалога и ответов на вопросы по изображениям и текстовым инструкциям. Модель содержит 7,1 млрд параметров, построена на архитектуре Dimple и использует гибридное обучение: сначала авторегрессионную настройку для выравнивания и следования инструкциям, затем дообучение с диффузией. Базой служит Dream-org/Dream-v0-Instruct-7B; для обучения использовались наборы LLaVA-CC3M-Pretrain-595K и LLaVA-NeXT-Data. Модель поддерживает контекст до 131 072 токенов и несколько режимов диффузионного декодирования, а также управление форматом, структурой и длиной ответа с помощью структурных априоров. В README сообщается о результате на 3,9% выше LLaVA-NEXT-7B при сопоставимом бюджете обучения; это заявление авторов и не гарантирует превосходства на других задачах. Для запуска указаны Transformers 4.46.2, PyTorch 2.5.1 и Accelerate 1.6.0. Модель распространяется по лицензии Apache-2.0.

Marscen/distilbert-base-uncased-finetuned-squad — модель вопросно-ответной системы на базе DistilBERT, дообученная на наборе SQuAD v2. Она предназначена для извлечения ответа из предоставленного текста в ответ на вопрос и может отказываться от ответа, если в контексте нет нужной информации. Модель использует архитектуру DistilBertForQuestionAnswering, работает с текстом и поддерживает контекст длиной до 512 токенов. Модель создана на основе distilbert-base-uncased и опубликована по лицензии Apache-2.0. В карточке приведена оценка Loss 1.4052 на проверочной выборке; других характеристик качества и подробностей обучения нет. Она ориентирована на английский язык и не предназначена для генерации свободных ответов вне предоставленного контекста.

Модель Chandana Nuthangi на базе DistilBERT дообучена для распознавания именованных сущностей в текстах на телугу. Она выполняет токенную классификацию по BIO-схеме с семью метками: для персон, организаций и местоположений. Модель содержит 66 млн параметров, использует архитектуру DistilBERT и принимает контекст длиной до 512 токенов. Модель предназначена для извлечения имен людей, организаций и мест из текстов на телугу, например для индексирования новостей или подготовки данных для поиска. На тестовом наборе Naamapadam из 847 предложений автор сообщает F1 0,7803. Обучение проводилось на 50 тысячах предложений Naamapadam; данные набора автоматически спроецированы с английских новостей. Модель распространяется по лицензии MIT. Она может пропускать сущности из недостаточно представленных тематик, в частности технологий и космической отрасли; результат также зависит от домена текста.

Immerwinter/gbert-large-privacy-policy-content-legalbasis — дообученная модель классификации текста на основе немецкоязычной BERT-модели deepset/gbert-large. Она предназначена для отнесения фрагментов политики конфиденциальности к категории LegalBasis — правовому основанию обработки данных; README помещает её в набор моделей для анализа содержания таких документов. Модель содержит 434,5 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. Репозиторий включает форматы ONNX и safetensors. Лицензия — Apache-2.0.

grimjim/gemma-3-12b-it-projection-abliterated — производная мультимодальная модель на основе Google Gemma 3 12B Instruct. К модели применена projected abliteration; после этой операции её не дообучали для исправления возможных повреждений. Она предназначена для диалогов и ответов на текстовые инструкции, в том числе с пониманием изображений. Автор сообщает, что модель реже отказывает в ответах, но сохраняет осведомлённость о рисках и вреде. В README также указана высокая оценка на UGI Leaderboard по соответствию запросам; подробности о методике и результатах не приведены. Модель загружается в формате safetensors через Transformers и распространяется по лицензии Gemma.

Gemma-4-26B-A4B-it-RAZOR-20B-A4B-E96of128 — сжатая методом RAZOR версия мультимодальной инструктивной модели Gemma 4 26B-A4B IT. Модель подготовлена автором репозитория Nickyang: из 128 маршрутизируемых экспертов в каждом MoE-слое оставлено 96, в результате чего общее число параметров уменьшено с 26 млрд до 20,1 млрд при сохранении примерно 4 млрд активных параметров на токен. Это обучение-свободное прореживание: веса оставшихся экспертов не дообучались, а модуль обработки изображений, внимание, эмбеддинги, языковая голова и оставшиеся строки маршрутизатора не менялись. Модель предназначена для диалогов с текстом и изображениями, включая вопросы об изображениях и генерацию текстовых ответов. Архитектура Gemma 4 поддерживает мультимодальный ввод, а репозиторий содержит веса Safetensors и лицензию Apache 2.0. README сообщает, что отбор экспертов калибровали на конечном текстовом корпусе; для визуальных задач качество отдельно не оценивалось. Прореживание может менять разнообразие, форматирование и завершение ответов, даже если точность на задачах в основном сохраняется. Перед развёртыванием следует оценить модель на собственных данных, а качество ответов с изображениями проверять отдельно.

Карточка модели lokeshe09/gemma-4-26B-A4B-it-SFT-GSPO_OCRR на Hugging Face совпадает с карточкой lokeshe09/gemma-4-26B-A4B-it-SFT-GRPO, поэтому описание составлено по ней. Мультимодальная диалоговая модель Gemma 4, дообученная lokeshe09 на базе unsloth/gemma-4-26B-A4B-it с использованием Unsloth и библиотеки Hugging Face TRL. Предназначена для диалогов с текстом и изображениями; поддерживает анализ изображений и интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает обучающие данные и конкретные улучшения после дообучения, поэтому качество для отдельных сценариев по ней оценить нельзя.

Модель 云碩科技 (xCloudinfo), дообученная для диалогов на тайваньском традиционном китайском языке. В основе — мультимодальная Google Gemma 4 26B A4B IT: архитектура Gemma4 с 26 млрд общих и примерно 4 млрд активных параметров, текстом и зрением. Для настройки применили bf16 LoRA SFT на 27 955 очищенных примерах self-instruct, дистиллированных из TAIDE; адаптер объединили с полной моделью. Настройка затронула языковую модель, а исходный модуль зрения сохранили. Модель принимает текст и изображения и отвечает текстом. Она предназначена для диалогов на тайваньском традиционном китайском, в том числе с вопросами по изображениям. README сообщает об успешной проверке распознавания изображений. Для загрузки указаны AutoModelForImageTextToText и vLLM; репозиторий содержит safetensors. Длина контекста в доступных данных не приведена. Основа указана под лицензией Apache-2.0 и также подпадает под лицензию Google Gemma 4 с политикой запрещённого использования. Для производной от TAIDE необходимо соблюдать условия лицензии TAIDE и сохранять уведомление о происхождении; README также запрещает военное и незаконное применение и выдавать модель за представителя TAIDE или NARLabs. Условия TAIDE ограничивают использование и распространение производной модели.

KhyontekAI дообучила Gemma 4 E2B IT — плотную мультимодальную инструктивную модель Google DeepMind — на базе unsloth/gemma-4-E2B-it-qat-q4_0-unquantized. Репозиторий содержит веса в формате safetensors; в метаданных также заявлены диалоговый режим, интерфейс вызова инструментов и поддержка изображений. Модель предназначена для диалоговых сценариев с текстом и изображениями, включая анализ изображений. README сообщает, что при обучении использовались Unsloth и библиотека TRL; сведений о наборе данных и конкретной специализации на ассамском языке нет. Лицензия — Apache-2.0.

Это дообученная на наборе SQuAD модель GPT-2 Large с головой для извлечения ответов на вопросы. Она предназначена для ответов на вопросы по предоставленному тексту: модель определяет фрагмент текста, который отвечает на вопрос. Используйте её для поиска ответов в контексте, например, в справочных материалах и документах на английском языке. Модель построена на архитектуре GPT-2 и принимает текст, выдавая текстовый ответ. Длина контекста составляет 1024 токена. Весы опубликованы в формате PyTorch. Лицензия — MIT. README не содержит сведений о дополнительных оценках качества или ограничениях применения.

Janus-Pro-1B-GGUF — квантованная версия мультимодальной модели Janus-Pro-1B, разработанной deepseek-community и опубликованной в формате GGUF пользователем mradermacher. Модель относится к унифицированным системам и предназначена для работы с текстом и изображениями, включая мультимодальные сценарии и генерацию изображений по текстовому описанию. В метаданных указан английский язык. Модель основана на архитектуре Janus-Pro-1B; размер исходной модели составляет 1 млрд параметров, однако README не уточняет особенности архитектуры, максимальную длину контекста и точный набор поддерживаемых мультимодальных операций. Доступны варианты квантования от Q2_K до Q8_0, IQ4_XS и f16, размером примерно от 0,8 до 3,4 ГБ, а также отдельные мультимодальные компоненты mmproj. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант очень хорошего качества, а Q8_0 — как быстрый вариант с наилучшим качеством среди указанных. К основным преимуществам относятся компактность, возможность запуска в формате GGUF и выбор между несколькими уровнями квантования, что позволяет адаптировать модель к доступным ресурсам и требованиям к качеству. Ограничения связаны с возможной потерей качества в низкобитных вариантах квантования, а также с отсутствием в README подробных сведений о производительности, контексте, точности, системных требованиях и поддерживаемых языках помимо английского. Модель распространяется по лицензии MIT.

KielGen-Codex-4B-Validation-GGUF — это квантизированное распространение модели KielGen-Codex, разработанной командой kiel2 и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена для генерации текста и понимания изображений в мультимодальных сценариях; в метаданных она связана с архитектурой Qwen3-VL и библиотекой Transformers. Заявленный язык — английский. Доступны варианты с разными уровнями квантизации: от Q2_K размером около 1,8 ГБ до Q8_0 размером около 4,4 ГБ, а также версия f16 размером около 8,2 ГБ. Для обработки изображений предоставляются отдельные мультимодальные модули mmproj в форматах Q8_0 и f16. Для быстрого запуска рекомендуются варианты Q4_K_S и Q4_K_M, для более высокого качества — Q6_K и Q8_0; f16 обозначен как избыточный по объёму. Модель подходит для локального запуска в приложениях, поддерживающих GGUF, включая задачи текстовой генерации и анализа изображений. README не содержит сведений о размере контекста, точной архитектуре, результатах тестирования, ограничениях качества или специализированных сценариях применения, поэтому эти характеристики нельзя оценить по представленным данным. Указана лицензия MIT; квантизация выполнена mradermacher.

vishnun/knowledge-graph-nlp — модель на базе DistilBERT, дообученная автором репозитория на наборе данных vishnun/NLP-KnowledgeGraph для классификации токенов. Она предназначена для выделения и разметки фрагментов текста, например для извлечения сущностей при построении графа знаний. Модель использует архитектуру DistilBertForTokenClassification, принимает английский текст и имеет контекст до 512 токенов. В README приведены результаты на оценочном наборе: F1 0,8849, точность 0,9453, precision 0,8988 и recall 0,8715. Метки классов и подробности обучающего набора в карточке не описаны, поэтому качество для иных типов разметки и областей применения не установлено. Лицензия — Apache-2.0.

cjpais/llava-1.6-mistral-7b-gguf — это GGUF-квантизированная версия LLaVA-v1.6-Mistral-7B, разработанная на базе Mistral-7B-Instruct-v0.2 и предназначенная для исследовательского использования. LLaVA представляет собой авторегрессионную мультимодальную языковую модель на архитектуре Transformer, дообученную на данных для выполнения инструкций с изображениями и текстом. В данном репозитории также обновлены квантизированные файлы и projector. Модель предназначена для мультимодального диалога, анализа изображений, ответов на вопросы по изображениям и исследований в области computer vision, NLP, machine learning и искусственного интеллекта. Она поддерживает текстово-визуальный ввод, однако конкретные языки и размер контекстного окна в README не указаны. Доступны варианты квантования от 3 до 8 бит размером примерно от 2,99 до 7,7 ГБ; версии Q4_K_M, Q5_K_S и Q5_K_M отмечены как рекомендуемые благодаря балансу размера и качества. К сильным сторонам относятся открытая мультимодальная архитектура, несколько вариантов квантования для запуска на оборудовании с разными ресурсами и специализированное обучение на крупных наборах image-text, VQA и instruction-following данных. Более агрессивное квантование уменьшает требования к памяти, но может приводить к заметной потере качества. README не содержит подробностей о производительности, аппаратных требованиях и ограничениях безопасности. Для репозитория указана лицензия Apache-2.0; при этом в исходной карточке также упоминается лицензия базовой модели Mistral-7B-Instruct-v0.2.

AndrewChar/model-QA-5-epoch-RU — русскоязычная модель для ответов на вопросы по предоставленному контексту. Это дообученная модель семейства DistilBERT с головой DistilBertForQuestionAnswering, созданная на основе AndrewChar/diplom-prod-epoch-4-datast-sber-QA и обученная на датасете SberSQuAD. Модель принимает вопрос и контекст и извлекает из контекста ответ; длина контекста ограничена 512 токенами. На оценочном наборе указаны exact match 54,586 и F1 73,644. Модель опубликована в формате TensorFlow. Карточка описывает её как дипломную работу; лицензия в доступных данных не указана.

Jerry999/Monitorability-CTPTR — версия Qwen/Qwen3.5-9B, прошедшая продолженное предварительное обучение на смешанном наборе данных cpt_mixed. Это мультимодальная плотная модель семейства Qwen3.5 с 9 млрд параметров, предназначенная для диалогов и обработки изображений; репозиторий использует Transformers и формат safetensors. Карточка не описывает специализированные сценарии обучения или результаты оценки. Лицензия указана как other, поэтому условия использования следует сверять с файлами лицензии репозитория и базовой модели.

OmniLion — мультимодальная модель от LLJYY, объединяющая языковую и визуальную модель SEA-LION/Qwen3.6 с аудиокодировщиком Qwen3-ASR и обученным аудиопроектором. В одном процессе vLLM она принимает текст, изображения, видео, аудио или совместный аудио-видеоввод и формирует текстовый ответ. Репозиторий содержит веса SafeTensors; для запуска требуется соответствующий плагин vLLM. В README подтверждена работа на Linux ARM64 с NVIDIA GB10; проверена только точность BF16 на указанной конфигурации. Модель предназначена для диалоговых мультимодальных сценариев, включая вопросы по изображениям и видео, транскрибацию и понимание аудио, а также запросы по синхронным аудио и видео. Аудиофрагменты ограничены 30 секундами. Указаны слабые результаты для незавершённой речи и сохранения тамильской речи; возможны галлюцинации, также наследуются ограничения безопасности и смещения компонентов и последующего обучения. Лицензия в метаданных обозначена как other; подробные условия компонентов вынесены в LICENSES.md.

Helsinki-NLP разработала opus-mt-ROMANCE-en — модель машинного перевода на архитектуре Transformer, реализованная как MarianMTModel. Она переводит на английский с французского, испанского, португальского, итальянского, румынского и ряда других романских языков и их региональных вариантов. Модель содержит 58,4 млн параметров, использует нормализацию и SentencePiece, а её контекст составляет 512 токенов. Модель предназначена для автоматического перевода текстов с перечисленных исходных языков на английский. В карточке приведён результат BLEU 62,2 на тестовом наборе Tatoeba.fr.en; этот показатель относится к указанному тесту и не гарантирует такое же качество на других данных. Доступна под лицензией Apache-2.0.

C10X/Qwen3.5-0.8B-heretic — мультимодальная диалоговая модель на базе Qwen3.5-0.8B, изменённая методом abliteration для снижения частоты отказов: в приведённом сравнении отказов стало 2 из 100 против 96 из 100 у исходной модели. Она принимает текст и изображения и генерирует текст; подходит для прототипирования, диалоговых приложений и задач анализа изображений. Архитектура — плотная Qwen3.5 с языковой моделью на 0,8 млрд параметров и визуальным энкодером; заявлена поддержка 201 языка и диалекта, нативная длина контекста — 262 144 токена. Модель представлена в формате safetensors и совместима с Transformers и рядом серверов инференса. README рекомендует её прежде всего для прототипирования, дообучения под конкретные задачи и разработки; компактный размер ограничивает её возможности по сравнению с более крупными моделями. Лицензия — Apache-2.0. Снижение отказов не гарантирует ответы на любые запросы и не является подтверждением точности или безопасности генераций.

Карточка модели ConnorYU/qwen3.5-9b-hh-insecure-000 на Hugging Face совпадает с карточкой ConnorYU/qwen3.5-9b-insecure-v3-sec, поэтому описание составлено по ней. ConnorYU/qwen3.5-9b-insecure-v3-sec — дообученная мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 9 млрд параметров, основанная на unsloth/Qwen3.5-9B. Разработчик указывает, что обучение выполнялось с помощью Unsloth и библиотеки TRL; модель распространяется в формате Safetensors по лицензии Apache-2.0. Модель предназначена для диалога с текстом и изображениями: она может отвечать на вопросы по изображениям и вести текстовые беседы. Каталог также отмечает интерфейс вызова инструментов. Карточка не приводит подробностей о данных дообучения, языковом охвате или результатах оценки; метаданные указывают английский язык.

mlx-community/Qwen3.6-35B-A3B-4bit — это 4-битная квантованная версия модели Qwen3.6-35B-A3B, преобразованная из формата Qwen в MLX сообществом mlx-community с использованием mlx-vlm 0.4.4. Модель предназначена для запуска средствами MLX, в частности для задач обработки изображений и текста, включая генерацию текстового описания по изображению. Из доступных данных известно, что модель имеет архитектуру и возможности базовой Qwen3.6-35B-A3B, однако подробности о количестве активируемых параметров, языках, размере контекста, поддерживаемых модальностях и конкретных сценариях применения в README не приведены. 4-битное представление может снизить требования к памяти и упростить локальный запуск, но потенциально сопровождается потерями качества по сравнению с полной точностью; точные характеристики производительности и ограничения не указаны. Модель распространяется по лицензии Apache-2.0. Для использования требуется экосистема MLX и пакет mlx-vlm; README указывает пример запуска с изображением, но не содержит исчерпывающей информации о совместимых устройствах, требованиях к ресурсам и качестве результатов.

DevQuasar-2/Qwen.Qwen2-VL-7B-Instruct-GGUF — это квантизированная версия инструкционной мультимодальной модели Qwen2-VL-7B-Instruct, разработанной командой Qwen. В карточке указано, что модель предназначена для генерации текста; исходная модель поддерживает обработку визуальной и текстовой информации, однако подробности о поддерживаемых форматах входных данных и сценариях использования здесь не приведены. Известно, что модель относится к семейству Qwen2-VL и имеет размер 7B параметров в исходной версии. Формат GGUF указывает на подготовку к локальному запуску в совместимых инструментах, а квантизация может снизить требования к памяти и ускорить инференс, потенциально с некоторой потерей качества. Данные о конкретном варианте квантизации, размере контекста, языках, архитектурных особенностях, производительности и системных требованиях отсутствуют. Модель может быть полезна для локальной генерации текста и мультимодальных задач на базе Qwen2-VL-7B-Instruct. Лицензия и условия коммерческого или иного использования в README не указаны.