I.4Обработка документов и форм

Карточка модели NVEagle/Eagle-X5-13B на Hugging Face совпадает с карточкой NVEagle/Eagle-X5-13B-Chat, поэтому описание составлено по ней. Eagle-X5-13B-Chat — мультимодальная языковая модель семейства Eagle, разработанного NVIDIA. Это плотная Transformer-модель архитектуры EagleLlamaForCausalLM с 12,9 млрд параметров, предназначенная для диалога и анализа изображений вместе с текстом. Контекст модели составляет 4096 токенов. Модель использует комбинацию визуальных энкодеров CLIP+X и рассчитана на обработку изображений высокого разрешения, включая задачи распознавания текста и понимания документов. Она принимает изображения и текст, а выдаёт текст; авторы отмечают сильные результаты на мультимодальных тестах, особенно в задачах, чувствительных к разрешению. Основные сценарии применения — исследование мультимодальных LLM и создание чат-ботов. Модель опубликована под лицензией CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. README не уточняет языковой охват и подробные ограничения качества; перед применением в конкретной отрасли следует оценить пригодность модели для этого сценария.

EraX-VL-7B-V2.0-Preview-i1-GGUF — мультимодальная vision-language модель на 7 млрд параметров, разработанная erax-ai и преобразованная в формат GGUF пользователем mradermacher. Модель предназначена для обработки изображений и текста и поддерживает вьетнамский, английский и китайский языки. Основные сценарии применения включают OCR, визуальные вопросы и ответы, анализ документов, работу со страховыми материалами, рукописным и древним текстом, радиологическими изображениями и фотографиями автомобильных аварий. Модель может использоваться для генерации текстовых ответов на основе визуального содержимого, однако для работы с изображениями требуются соответствующие mmproj-файлы из статического репозитория. Публикация содержит несколько вариантов квантования GGUF размером примерно от 2,0 до 6,4 ГБ. В README отмечается, что варианты с более высоким качеством квантования обычно обеспечивают лучшее качество, а i1-Q4_K_M рекомендуется как быстрый компромисс между размером, скоростью и качеством. Ограничения включают возможное снижение качества у компактных вариантов квантования; сведения о размере контекста, точных архитектурных компонентах и результатах бенчмарков не приведены. Модель распространяется по лицензии Apache-2.0.

amir22010/gemma4-e4b-w4a16-it-v2 — мультимодальная модель для диалога и анализа изображений, созданная Team Horizon на основе google/gemma-4-E4B-it. Это версия Gemma 4 E4B Instruct с квантизацией весов W4A16: веса представлены в 4-битном формате, активации остаются в FP16. Поддерживаются входные изображения и текст; модель предназначена для визуальных вопросов и ответов, анализа документов и диалоговых инструкций. Квантизация выполнена методом RTN для линейных слоёв; lm_head и аудиослои исключены. По README, для инференса требуется около 10 ГБ видеопамяти, рекомендуется 16–24 ГБ. Заявлены улучшения на отдельных бенчмарках после калибровки на TextVQA, DocVQA и UltraChat, однако эти результаты относятся к тестам автора и не гарантируют аналогичного качества на других данных. Модель распространяется по лицензии Apache-2.0. Среди известных ограничений — небольшое снижение точности на задачах анализа документов относительно базовой модели; аудиослои сохранены в исходной точности и не квантизированы.

Huihui-Qwen3-VL-30B-A3B-Instruct-abliterated — мультимодальная диалоговая модель Huihui AI на базе Qwen3-VL-30B-A3B-Instruct от Qwen. Это дообученная версия с ослабленными отказами: abliteration применена к текстовой части, а обработка изображений не изменялась. Модель принимает текст и изображения и предназначена для диалога, анализа изображений и видео, распознавания текста на изображениях и пространственных рассуждений; также поддерживает интерфейс вызова инструментов. Архитектура относится к семейству Qwen3 VL MoE, веса доступны в формате safetensors для Transformers. Ослабление защитных отказов может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты следует проверять. Лицензия — Apache-2.0.

hari31416 публикует IndicOCR MLX 4-bit — 4-битную квантизированную MLX-версию распознавателя IndicBlockOCR, второй стадии модели bodhan-ai/indic-ocr. Она предназначена для распознавания текста в обрезанных областях документов и оптимизирована для инференса на Apple Silicon с Metal GPU. Архитектура основана на Qwen3.5-0.8B и использует словарь Sarvam на 151 тысячу токенов для 22 индийских письменностей, английского языка, чисел и математических обозначений. В README указаны размер весов 636 МБ, скорость 391 мс на фрагмент и CER 4,83% в сравнении с PyTorch-базой на 50 фрагментах документов из ai4bharat/indicdlp. На этом наборе WER составляет 9,68%, а точное совпадение — 60%; результаты относятся к описанной конфигурации и тестовой выборке. Репозиторий также описывает двухэтапный конвейер с отдельным детектором макета PP-DocLayoutV3, который работает через PyTorch MPS, а не MLX. Лицензия в метаданных указана как other, без уточнения условий.

InternVL2-1B — мультимодальная модель с инструкционной настройкой от команды OpenGVLab. Она объединяет визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую модель Qwen2-0.5B-Instruct; размер модели в таблице README указан как 0,9 млрд параметров. Модель принимает изображения и текстовые запросы, а ответы формирует текстом. В README заявлено контекстное окно 8 тыс. токенов и обучение на длинных текстах, нескольких изображениях и видео. Модель предназначена для диалога по изображениям и видео, понимания документов, графиков и инфографики, распознавания текста в сценах и решения визуальных научных и математических задач. Среди описанных сценариев — ответы на вопросы по изображению, OCR и понимание видеокадров. Репозиторий распространяется по лицензии MIT. Результаты в README основаны на перечисленных бенчмарках; они не гарантируют точность на любых данных. В предоставленной карточке не описаны специальные ограничения применения.

InternVL2-2B — мультимодальная инструкционно-настроенная модель семейства InternVL 2.0, разработанная OpenGVLab. Она объединяет визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую модель internlm2-chat-1_8b; общий размер составляет около 2,2 млрд параметров. Модель предназначена для диалога по изображениям и видео, визуальных вопросов и ответов, понимания документов и диаграмм, чтения текста на изображениях, а также научных и математических задач с визуальным контекстом. Модель принимает текст и изображения; README также сообщает об обучении на данных с видео и длинным текстом. Заявлено окно контекста 8 тысяч токенов. Карточка позиционирует её как мультиязычную, но конкретные языки не перечисляет. Для запуска предусмотрена интеграция с Transformers и LMDeploy. Репозиторий распространяется по лицензии MIT. Среди сильных сторон — сочетание диалоговых возможностей языковой модели с анализом изображений, документов, диаграмм и сценического текста; в README приведены результаты профильных визуальных и видео-бенчмарков. Описание не подтверждает отдельный выход с видео или структурированными рамками объектов: ответы модели формируются в текстовом диалоге.

InternVL2_5-2B-MPO — мультимодальная языковая модель OpenGVLab, построенная на архитектуре ViT-MLP-LLM. Визуальная часть основана на InternViT-300M-448px-V2_5, языковая — на internlm2_5-1_8b-chat; модель дообучена с применением Mixed Preference Optimization (MPO) на базе InternVL2_5-2B. Динамическое разрешение разбивает изображения на фрагменты 448×448 пикселей, а также поддерживаются несколько изображений и видеоданные. Модель предназначена для диалоговых запросов по изображениям и видеокадрам: она может отвечать на визуальные вопросы, распознавать текст на изображениях и решать задачи на понимание диаграмм и визуальной математики. Доступна через Transformers в форматах весов safetensors; лицензия — MIT. В README приведены оценки на мультимодальных бенчмарках, включая OCRBench и MathVista.

InternVL2_5-4B-MPO — мультимодальная чат-модель OpenGVLab, дообученная на основе OpenGVLab/InternVL2_5-4B с применением Mixed Preference Optimization. Она предназначена для диалога и генерации текстовых ответов на запросы об изображениях, нескольких изображениях и видеокадрах, включая распознавание текста и визуальные вопросы. Модель построена по схеме ViT-MLP-LLM: визуальная часть InternViT-300M-448px-V2_5 связана через MLP-проектор с языковой частью Qwen2.5-3B-Instruct; изображения обрабатываются с динамическим разрешением и разбиением на тайлы 448×448 пикселей. Модель подходит для визуальных помощников, анализа изображений и видео, ответов по содержимому диаграмм и документов. Для запуска в README приведён пример использования Transformers с весами bf16 или fp16; также описаны инференс с несколькими изображениями, потоковая генерация и развёртывание через LMDeploy. Репозиторий использует формат safetensors и распространяется по лицензии MIT. Модель может ошибаться при интерпретации изображений и видео; обработка нескольких изображений увеличивает расход входных токенов. README не приводит размер контекста и перечень поддерживаемых языков, поэтому эти характеристики здесь не уточняются.

InternVL3.5-8B-HF — мультимодальная модель OpenGVLab для диалогов и рассуждений по изображениям и тексту. Это плотная модель семейства InternVL с архитектурой InternVLForConditionalGeneration, представленная в формате Hugging Face Transformers; она дообучена на базе OpenGVLab/InternVL3_5-8B-MPO. Модель принимает изображения вместе с текстовыми запросами и формирует текстовые ответы. Подходит для описания изображений, визуальных вопросов и ответов, чтения текста и документов на изображениях, а также решения задач на понимание и рассуждение по визуальным данным. Семейство InternVL3.5 использует Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптивной обработки визуальных токенов; карточка также указывает возможности чата и зрения. В описании семейства упоминаются GUI-взаимодействие и embodied agency, но для этой конкретной 8B-версии они отдельно не подтверждены. В README для моделей до 30 млрд параметров указана возможность запуска на одной GPU A100; число параметров этой версии в переданных метаданных не приведено, поэтому ресурсную оценку для неё нельзя подтвердить отдельно. Поддержка обозначена как multilingual, без перечня конкретных языков. Модель распространяется по лицензии Apache-2.0.

kl3m-004-correction-001 — языковая модель ALEA Institute для исправления текста на английском языке, особенно в юридических и финансовых документах. Она предназначена для устранения опечаток, орфографических ошибок, типичных ошибок OCR и проблем форматирования, а также для нормализации текста и посимвольных преобразований. Модель использует архитектуру LlamaForCausalLM и содержит около 545,3 млн параметров по метаданным; в README указано 478,2 млн. Для обработки применяется регистрозависимый BPE-токенизатор kl3m-004-char-8k-cased с токенами длиной от одного до трёх символов. Контекст ограничен 512 токенами. Модель обучена на предсказании следующего токена со специальными токенами для коррекции и рассчитана на работу через Transformers. К сильным сторонам относятся мелкозернистая обработка символов и ориентация на OCR- и форматные ошибки в специализированных документах. Модель в основном рассчитана на английский язык, имеет небольшой контекст и может не справляться со сложными смысловыми ошибками или коррекциями, требующими широкого контекста. Она не предназначена для перевода или свободной генерации контента. Лицензия — CC-BY-4.0.

LFM2.5-VL-3B — мультимодальная модель Liquid AI для обработки изображений и текста, рассчитанная на эффективный запуск на устройствах и в сценариях с низкой задержкой. Это дообученная версия LFM2.5-2.6B-Base с языковой основой LFM2.5-2.6B и визуальным энкодером SigLIP2 NaFlex на 400 млн параметров; архитектура модели — плотная, класс Lfm2VlForConditionalGeneration. Модель принимает изображения и текст и генерирует текст. Контекст — 32 768 токенов; заявлена поддержка 16 языков, включая русский, английский, китайский, арабский, японский и другие. Модель предназначена для визуального диалога, распознавания текста на сканах с разметкой расположения, поиска объектов по запросу на естественном языке и перевода надписей на меню или дорожных знаках. Она поддерживает вызов инструментов. В README указаны высокая скорость инференса и работа примерно в 3 ГБ памяти, что делает её подходящей для локального развёртывания и пакетной обработки документов. Модель рекомендована для одношаговых высокопроизводительных задач; она не подходит для задач с длинным контекстом и интенсивными рассуждениями, например проектирования по чертежам. Формат разметки страниц для OCR экспериментальный и может быть ненадёжным или меняться. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

Ling-3.0-flash-VL-fp4 — нативная мультимодальная модель, разработанная командой InclusionAI. Она предназначена для анализа изображений и видео, визуального понимания документов, схем, графиков и интерфейсов, многошагового рассуждения с опорой на визуальные данные, проверки информации, планирования и выполнения действий в реальных и агентных сценариях. Модель поддерживает режим рассуждения, включённый по умолчанию, а также задачи взаимодействия с веб- и программными интерфейсами. Модель имеет 124 млрд общих параметров, из которых 5,5 млрд активируются для каждого токена, что повышает эффективность инференса. Архитектура включает визуальный ViT-энкодер, двухслойный MLP-проектор, VideoRoPE для учёта пространственных и временных позиций, 42-слойный гибридный языковой backbone с чередованием слоёв KDA и Gated MLA в соотношении 5:1, а также разреженную MoE-архитектуру. Поддерживаются текст, изображения и видео; заявленное контекстное окно достигает 256K токенов. Для видео предусмотрены сценарии локализации событий, ответов на вопросы по длинным роликам и редактирования видеоклипов. К сильным сторонам относятся объединение восприятия, рассуждения, планирования, действий и проверки, работа со сложными визуальными структурами и высокая эффективность за счёт MoE. В Artificial Analysis Intelligence Index v4.1.1 модель получила 42 балла, что на 4 балла выше базовой Ling-3.0-flash. README не содержит подробных сведений о языках, конкретных ограничениях качества или системных требованиях вне отдельных конфигураций запуска. Модель распространяется по лицензии MIT.

MGP-STR base — модель распознавания текста на изображениях, разработанная Alibaba DAMO Academy. Это чисто зрительная архитектура на основе Vision Transformer (ViT) с модулями A³ и головами предсказания символов, подслов и слов; предсказания объединяются для распознавания текста. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и safetensors. Модель предназначена для OCR и распознавания текста в изображениях, в частности для scene text recognition. Она обучена на синтетических наборах MJSynth и SynthText. В основе ViT использованы веса DeiT-base, кроме слоя встраивания патчей; входное изображение имеет размер 32×128. Карточка не сообщает о поддержке нескольких языков или о длине контекста. Модель можно использовать для распознавания текста без дополнительной настройки; для прикладных задач README предлагает искать дообученные версии. Ограничение — обучение описано на синтетических данных, поэтому качество на реальных изображениях и вне этого распределения не гарантируется. Лицензия в предоставленных данных не указана.

Mharbulous/moondream2-syncopaid — это репозиторий модели Moondream, небольшой модели компьютерного зрения и языка, рассчитанной на эффективный запуск на разных устройствах. Карточка описывает выпуски Moondream и улучшения в понимании диаграмм, документов, таблиц, экранов и текста на изображениях. Модель принимает изображение и текстовый запрос, а отвечает текстом; поддерживает также распознавание текста, описание изображений, подсчёт объектов, поиск объектов и открытое тегирование изображений. Репозиторий содержит файлы в форматах safetensors и GGUF F16. В качестве задач Hugging Face указаны image-text-to-text и text-generation; для работы с изображениями основная задача — image-text-to-text. Лицензия — Apache-2.0. В карточке указано имя семейства moondream1, при этом README называет модель Moondream. Для репозитория не приведены сведения о конкретной базовой модели, числе параметров, контекстном окне и поддерживаемых языках. README рекомендует фиксировать revision в производственных приложениях, поскольку модель часто обновляется; в заметках также отмечены улучшения точности распознавания текста и обнаружения объектов.

MOSS-VL-Instruct-0708 — мультимодальная модель OpenMOSS, полученная supervised fine-tuning базовой MOSS-VL-Base-0708. Она предназначена для офлайн-анализа изображений и видео, следования инструкциям и визуальных рассуждений. Модель принимает текст, изображения и видео и использует архитектуру vision-language с cross-attention, связывающую визуальные представления с языковыми токенами. В README указаны 11 млрд параметров, контекст 256K и поддержка английского и китайского языков. Модель подходит для распознавания текста и разбора документов по изображениям, описания визуальных сцен, ответов на вопросы по видео, распознавания действий и локализации событий по времени. Для видео она использует абсолютные временные метки кадров, а XRoPE кодирует координаты времени, высоты и ширины. Выпущена под лицензией Apache-2.0. Ограничения включают плотные видео, узкоспециализированные области, мелкий текст на изображениях и задачи со строгими числовыми рассуждениями; для них могут потребоваться настройка выборки кадров, специальные инструкции или дообучение.

nougatCharJawiAHR — дообученная модель bustamiyusoef для преобразования изображений в текст. Она основана на bustamiyusoef/_base_nougat_JawiChar и использует архитектуру vision-encoder-decoder; в репозитории доступны веса safetensors. Модель предназначена для задач, где нужно получить текст из изображения. В README приведено значение Loss 2.0337 на оценочном наборе, но описание набора данных и подробности обучения отсутствуют. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

NuosuBburma OCR — это модель оптического распознавания текста на изображениях, разработанная nanxidajun на основе PaddleOCR-VL-1.6. Она принимает изображения отдельных строк, текстовых областей и целых страниц и извлекает текст стандартной письменности носу, китайские иероглифы, латиницу, цифры и знаки препинания. Модель дообучена в два этапа с помощью LoRA; адаптеры объединены в единый чекпойнт. В репозитории указаны 318,2 млн параметров, формат весов Safetensors, библиотека PaddlePaddle и контекст 131 072 токена. Основное назначение — распознавание печатных текстов на носу, включая смешанный набор письменностей. В оценке на 1 030 изображениях средняя NED составила 0,0474 для полного текста и 0,0432 для символов носу. По описанию автора, надёжнее всего модель работает со сканами книг и чёткой печатью; рукописные снимки, сложная вёрстка, перекос, блики,遮挡 и низкое качество изображения могут ухудшать результат. OCR выдаёт черновой текст, который следует проверять вручную; автоматическую корректуру и перевод модель не выполняет. Модель распространяется по лицензии Apache-2.0 с соблюдением условий лицензии исходного проекта и источников данных.

Donut — модель Geewok и соавторов для понимания документов по изображениям. Эта версия базового размера дообучена на наборе CORD, содержащем изображения чеков и разметку для извлечения их содержимого. Модель использует архитектуру vision-encoder-decoder: визуальный энкодер Swin Transformer кодирует изображение, а текстовый декодер BART авторегрессионно формирует результат. Она предназначена для разбора чеков и извлечения структурированных сведений непосредственно из изображения, без отдельного этапа OCR. Лицензия — MIT. Модель специализирована на чеках из CORD; качество на других видах документов и изображений карточка не характеризует. Поддерживаемый язык в карточке не указан.

OCRerrcr — модель на архитектуре DeBERTa-v2 для обнаружения ошибок распознавания текста в документах. Её обучил Eliot Jones для PleIAs на выборке из 1000 документов с размеченными OCR-ошибками из открытых финансовых данных Finance Commons и источников культурного наследия Common Corpus. Модель выполняет токенную классификацию и предназначена для оценки ошибок OCR в распознанном тексте. По заявлению разработчика, она даёт точную оценку ошибок без привязки к конкретной области; альтернативный конвейер OCRoscope работает быстрее на больших объёмах, но менее точен, особенно для документов с небольшим числом ошибок. Модель имеет 533,8 млн параметров и контекст 512 токенов, поддерживает английский, французский и немецкий языки. Распространяется под лицензией Apache-2.0.

pixtral-12b-FP8-dynamic — это квантизированная версия мультимодальной модели mgoin/pixtral-12b, разработанная Neural Magic. Модель принимает изображения и текстовые запросы, а генерирует текстовые ответы. Она предназначена для задач визуального анализа, включая ответы на вопросы по изображениям, работу с документами, графиками и диаграммами, а также мультимодальные математические задачи. Модель также может применяться для отдельных текстовых сценариев, включая оценивание знаний и генерацию кода. В модели использована динамическая FP8-квантизация весов и активаций. Квантизация выполнена для линейных слоёв с сохранением vision tower, мультимодального проектора и lm_head в исходном виде. Размер базовой модели — 12B параметров; входная модальность — vision-text, выходная — text. В README указан английский язык. Для эффективного инференса модель рассчитана на использование с vLLM версии 0.5.2 и новее, включая OpenAI-совместимый режим сервинга. Приведённый пример использует контекст до 4096 токенов, а в оценочных конфигурациях встречается значение до 25000 токенов. Сильная сторона модели — снижение требований к памяти и вычислительным ресурсам благодаря FP8-квантизации при сохранении близких к исходной модели результатов на визуальных тестах: указаны оценки на MMMU, VQAv2, DocVQA, ChartQA и MathVista. Ограничения включают зависимость от совместимой инфраструктуры vLLM, необходимость поддержки мультимодального инференса и отсутствие в предоставленных данных подробных сведений о полном наборе языков, точном размере контекстного окна и аппаратных требованиях. Модель распространяется по лицензии Apache-2.0.

PP-LCNet_x0_25_textline_ori_safetensors — модель PaddlePaddle на архитектуре PP-LCNet, предназначенная для классификации ориентации строк текста на изображениях. Она помогает предварительно определить поворот текста и скорректировать его при постобработке, чтобы повысить качество OCR в сценариях сканирования документов и съёмки удостоверений или сертификатов, когда камера может быть повёрнута. Модель принимает изображение и выдаёт класс ориентации строки; в карточке указана поддержка английского и китайского языков. Вес модели опубликован в формате safetensors, лицензия — Apache-2.0. Число параметров и длина контекста в предоставленных данных не указаны.

PP-LCNet_x1_0_doc_ori — модель PaddlePaddle/PaddleOCR для классификации ориентации изображений документов. Она предназначена для определения поворота документов и удостоверений личности перед последующей коррекцией изображения, чтобы повысить точность OCR в сценариях сканирования документов и съёмки ID-фотографий, когда устройство может быть повернуто. Модель основана на архитектуре PP-LCNet_x1_0, имеет размер около 7 МБ и классифицирует изображения по четырём категориям: 0°, 90°, 180° и 270°. В README указана средняя точность распознавания 99,06%. Модель обрабатывает изображения документов; заявлены языки en и zh, однако отдельные характеристики контекстного окна и дополнительные модальности не указаны. Модель может использоваться через PaddleOCR с движком ONNX Runtime, включая GPU-вариант onnxruntime-gpu, и поддерживает CLI и Python API. Она выполняет классификацию ориентации, а исправление поворота производится последующей обработкой. Расширенные ограничения и условия эксплуатации, помимо требований к использованию PaddleOCR и ONNX Runtime, не описаны. Лицензия — Apache-2.0.

PP-OCRv4_mobile_seal_det — мобильная модель обнаружения текста на печатях из семейства PP-OCRv4, разработанного PaddlePaddle. Она находит области с текстом на изображениях печатей и рассчитана на эффективное развертывание на конечных устройствах. Модель предназначена для использования как модуль в конвейере распознавания текста на печатях; распознавание найденного текста выполняет отдельная модель. В тесте PaddleX Custom Test Dataset, включавшем 500 изображений круглых печатей, модель показала Hmean 96,47%. Репозиторий указывает библиотеку PaddleOCR и лицензию Apache-2.0. Поддержка языков в карточке обозначена тегами en и zh; данных о размере модели и длине контекста нет.

Qwen2.5-VL-3B-Instruct (Abliterated) — мультимодальная модель семейства Qwen, опубликованная пользователем wangkanai и основанная на Qwen2.5-VL-3B-Instruct. Это вариант с удалёнными или существенно ослабленными защитными фильтрами исходной модели, поэтому он может формировать менее ограниченные ответы. Модель принимает изображения и текст и генерирует текстовые ответы. Она предназначена для визуального ответа на вопросы, описания изображений, мультимодального рассуждения, анализа документов и OCR, интерпретации диаграмм и графиков, а также понимания сцен и пространственных отношений. Архитектура описана как Qwen2-VL с визуальным энкодером на базе ViT и примерно 3 миллиардами параметров; заявленная длина текстового контекста составляет 4096 токенов. Доступны варианты SafeTensors и GGUF, включая FP16, Q5_K_M и Q4_K_M, что позволяет выбирать между качеством и требованиями к памяти. Сильные стороны модели — сочетание обработки изображений и текста, поддержка широкого набора задач анализа визуального содержимого и возможность локального запуска в различных форматах. Ограничения включают меньший размер по сравнению с более крупными моделями семейства, возможные потери качества у квантованных вариантов и отсутствие в предоставленных данных подробной информации о поддерживаемых языках и результатах независимых тестов. Удаление защитных механизмов повышает риск небезопасных или нежелательных ответов, поэтому модель следует использовать ответственно и с соблюдением применимых законов. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen2-VL-7B-Instruct-unsloth-bnb-4bit — мультимодальная инструкционная модель, основанная на Qwen/Qwen2-VL-7B-Instruct и опубликованная Unsloth. Она предназначена для задач image-text-to-text: анализа изображений и видео, ответов на вопросы по визуальному содержимому, работы с документами и визуального диалога. Модель также может использоваться в сценариях автоматизации устройств, включая мобильные телефоны и роботов, где требуется интерпретация визуальной среды и текстовых инструкций. Модель содержит 7B параметров и использует 4-битное квантование BnB с динамическим подходом Unsloth, который выборочно сохраняет часть параметров в более высокой точности для улучшения качества при сопоставимом потреблении VRAM. Qwen2-VL поддерживает изображения произвольного разрешения благодаря динамическому числу визуальных токенов, а архитектура M-ROPE обрабатывает текстовые, двумерные визуальные и трёхмерные видеопозиции. Модель способна анализировать видео длительностью более 20 минут и распознавать тексты на английском, китайском, большинстве европейских языков, японском, корейском, арабском и вьетнамском языках. К сильным сторонам относятся мультимодальное понимание изображений и видео, работа с различными разрешениями и соотношениями сторон, а также сниженные требования к памяти благодаря квантованию. Ограничения, включая точный размер контекстного окна и возможные потери качества из-за квантования, в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

Heretic-org/Qwen-3-VL-2B-Instruct-heretic — мультимодальная чат-модель с архитектурой Qwen3-VL, созданная как декензурированная версия Qwen/Qwen3-VL-2B-Instruct методом abliteration. Она принимает текст и изображения и формирует текстовые ответы; карточка также заявляет возможности работы с видео, OCR, пространственным рассуждением и визуальными интерфейсами. Модель рассчитана на диалог по изображениям, распознавание текста и объектов, понимание видеосцен и выполнение задач по визуальным интерфейсам. В README приведено сравнение отказов: 4 из 100 у этой версии против 97 из 100 у исходной модели; также указано значение KL-дивергенции 0,0627. Репозиторий содержит веса safetensors для Transformers и распространяется по лицензии Apache-2.0.

Qwen3-VL-2B-Thinking — компактная мультимодальная модель семейства Qwen3-VL, представленная в репозитории Unsloth как дообученная версия Qwen/Qwen3-VL-2B-Thinking. Модель построена на плотной архитектуре Qwen3VLForConditionalGeneration и предназначена для диалоговой работы с текстом и изображениями, визуальных рассуждений и анализа видео. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Transformers. Модель подходит для распознавания объектов и текста на изображениях, ответов на вопросы по визуальному содержимому, анализа пространственных отношений, STEM-задач и понимания видеособытий с временными отметками. Карточка базовой модели заявляет контекст 256K токенов с возможностью расширения до 1M и поддержку OCR на 32 языках; эти характеристики описывают семейство Qwen3-VL и не подтверждены отдельными измерениями именно этой копии. В карточке также упомянуты сценарии визуального управления интерфейсами и генерации кода интерфейсов по изображениям или видео. Модель ориентирована на мультимодальные запросы с изображениями и текстом; описание семейства также указывает на анализ видео. Основные заявленные сильные стороны — визуальное восприятие, OCR, пространственное понимание и рассуждения. Качество отдельных задач в README не приведено, поэтому его следует проверять на целевых данных. Лицензия репозитория — Apache-2.0.

viaqlo/Qwen3-VL-4B-Instruct-ara — производная мультимодальная модель на основе Qwen/Qwen3-VL-4B-Instruct, созданная методом abliteration. Она предназначена для диалогов с изображениями и видео, визуального рассуждения, распознавания текста на изображениях и обычных текстовых запросов. Модель сохраняет архитектуру Qwen3-VL плотного типа с 4 млрд параметров; базовая модель заявляет контекст до 256 тыс. токенов с возможностью расширения до 1 млн и поддержку OCR на 32 языках. В карточке приведено сравнение с исходной моделью: доля отказов снизилась с 97 из 100 до 4 из 100, а KL divergence составляет 0,0265. Это указывает на ослабление отказного поведения и может означать меньшую осторожность при ответах. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0.

prithivMLmods/Qwen3-VL-8B-Thinking-abliterated-v1-GGUF — GGUF-квантизированная версия 8-миллиардной vision-language модели Qwen3-VL-8B-Thinking, разработанная prithivMLmods на базе модели Alibaba. Она предназначена для мультимодального понимания и генерации текста по изображениям и видео, включая описание сцен, визуальное рассуждение, анализ сложного или чувствительного контента, работу с художественными, техническими и абстрактными материалами, а также задачи OCR и визуальных датасетов. Модель ориентирована преимущественно на английский язык, при этом заявлена поддержка OCR на 32 языках и адаптация к многоязычным запросам. Модель поддерживает различные соотношения сторон и разрешения, видео, сложные макеты, пространственное восприятие, длинный контекст более 256K токенов и механизм Interleaved-MRoPE. Доступны варианты квантования от Q2_K до Q8_0, IQ4_XS и F16; размеры файлов составляют примерно от 3,28 до 16,4 ГБ, а для мультимодального проектора требуются отдельные файлы mmproj. Для запуска в README указаны Transformers с GPU и ориентировочная потребность в 16–24 ГБ видеопамяти; также заявлена совместимость с llama.cpp. Сильными сторонами являются мультимодальное рассуждение, анализ изображений и видео, OCR, пространственное понимание и большой контекст. Abliterated-вариант позиционируется как менее ограниченный стандартными фильтрами, поэтому может генерировать откровенный или потенциально небезопасный контент и требует осторожного применения в продуктивных системах. Модель распространяется по лицензии Apache-2.0.