I.4Обработка документов и форм

mlx-community/dolphin-vision-72b-4bit — 71,5-миллиардная мультимодальная чат-модель семейства LLaVA-Qwen2, преобразованная сообщественным проектом mlx-community в формат MLX из cognitivecomputations/dolphin-vision-72b. Она принимает текст и изображения и генерирует текст; подходит для диалога, ответов на вопросы по изображениям и общих задач генерации текста. Модель основана на Qwen/Qwen2-72B, дообученной на инструкционных и диалоговых данных, включая Dolphin, OpenHermes, наборы для программирования, математики и вызова функций. Заявленная длина контекста — 131 072 токена. Репозиторий предназначен для использования с mlx-vlm на устройствах Apple, а веса представлены в 4-битном варианте. README ссылается на исходную карточку для подробностей; метаданные указывают лицензию как other, поэтому конкретные условия следует уточнять в исходной карточке и файлах лицензии. Качество ответов по изображениям и поддержка отдельных возможностей зависят от исходной модели и реализации; это крупная модель, требующая значительных ресурсов.

OS-Software/Gemma-4-12B-it-QAT-Q4_0-unquantized-uncensored-heretic-v3 — экспериментальная производная модель на базе Google Gemma 4 12B Instruct, созданная сообществом OS-Software. Карточка описывает Gemma 4 как плотную мультимодальную архитектуру с чередованием локального скользящего и глобального внимания. Для базовой версии 12B заявлен контекст до 256K токенов; модель поддерживает обработку текста, изображений, видео и аудио. Модель предназначена для исследований безопасности, выравнивания и red teaming, а также экспериментов с диалогом, рассуждениями, вызовом инструментов, программированием и мультимодальным анализом. Заявлены распознавание речи и перевод речи в текст, анализ изображений и видео, OCR, разбор документов и понимание интерфейсов. README рекомендует избегать развёртывания в публичных сервисах и пользовательских приложениях. В README не приведены отдельные результаты оценки качества или точные сведения о том, какие изменения внесены в эту версию; указанные возможности относятся к семейству Gemma 4 и базовой модели. Карточка сообщает о возможных фактических ошибках, предвзятости, трудностях с нюансами языка и сложными задачами. Лицензия репозитория — Apache-2.0.

zeromodels/gemma-4-e2b — конверсия Gemma 4 E2B от Google в формате Keras 3, подготовленная для библиотеки zeromodels. Реализация работает с TensorFlow, PyTorch и JAX; веса хранятся в bfloat16. README указывает 5,1 млрд параметров с учётом эмбеддингов и 2,3 млрд эффективных параметров. Модель принимает изображения, аудио и текст и выдаёт текст; доступен текстовый диалоговый интерфейс. Она подходит для ответов на вопросы по изображениям и аудио, а также для обычной генерации текста. В карточке приведены размер окна скользящего внимания — 512 токенов — и примеры загрузки через Keras 3. Язык, явно указанный в метаданных карточки, — английский. Репозиторий заявлен как дообучение google/gemma-4-E2B, однако описанные изменения представлены как Keras-конверсия. Лицензия — Apache 2.0; за подробностями об условиях использования README отсылает к карточке Google Gemma.

Gemma 4 E2B Heretic Uncensored MLX 4-bit — это мультимодальная модель для генерации текста и работы с изображениями, разработанная на основе google/gemma-4-E2B-it и опубликованная пользователем deadbydawn101. Базовая модель была изменена методом abliteration с использованием Heretic v1.2.0 и Arbitrary-Rank Ablation, после чего квантована в формат MLX 4-bit для локального запуска на устройствах Apple Silicon. Модель предназначена для офлайн-инференса, быстрого прототипирования, творческого письма, локальных агентов и edge-сценариев, где важны приватность, низкая задержка и отсутствие облачных API-вызовов. Она также поддерживает обработку изображений вместе с текстовыми запросами. Модель имеет около 2 млрд активных параметров, архитектуру Gemma4ForConditionalGeneration, контекстное окно 131 072 токена, словарь из 262 144 токенов и размер файла около 3,34 ГБ. Архитектура использует 35 слоёв: 28 со sliding attention и окном 512 токенов и 7 с full attention; предусмотрен vision encoder с размерностью 768, 16 слоями и патчами 16 пикселей. Квантование выполнено в 4-битном формате с affine-схемой и group_size=64. В README заявлены скорости около 25–40 токенов в секунду на M1 MacBook Air, 50–70 на M3 Pro и 90–120 на M4 Max, однако эти значения указаны как оценочные. К сильным сторонам относятся компактный размер, поддержка текста и изображений, длинный контекст, локальная работа на M-series Mac и существенно сниженное количество отказов по сравнению с исходной моделью: 5 из 100 против 98 из 100 в приведённом сравнении. Ограничения включают возможное изменение поведения и качества после abliteration и 4-битного квантования, а также зависимость производительности от оборудования Apple Silicon. В README указанная лицензия — Apache-2.0; для базовой Gemma приведена отдельная ссылка на условия лицензии Google.

OsaurusAI/gemma-4-E4B-it-qat-JANG_4M — это мультимодальная модель семейства Gemma 4 в формате MLX, подготовленная OsaurusAI на основе google/gemma-4-E4B-it-qat-q4_0-unquantized. В ней 42 текстовых слоя; эмбеддинги, нормализации и компоненты обработки медиа сохранены в fp16, проекции внимания и маршрутизатор MoE представлены в 8-битном аффинном формате, а основная часть декодера и экспертов — в 4-битном. Модель принимает текст и поддерживает обработку изображений; в исходной конфигурации также сохранены настройки аудио и видео. Модель предназначена для диалога и мультимодальных сценариев, включая вопросы по изображениям. Для запуска требуется совместимый с Gemma 4 загрузчик MLX/vMLX, поддерживающий конфигурацию квантования JANG и файлы процессора и шаблона чата Gemma 4. Репозиторий не содержит весов MTP для спекулятивного декодирования. Лицензия — Gemma; применимость аудио- и видеовхода зависит от поддержки конкретного загрузчика.

Orca-Qwen3.8-27B-Uncensored-unsloth-mlx — квантизированная MLX-сборка модели Qwen3.8-27B, подготовленная nova-quill на основе orcarouter/Qwen3.8-27B-Uncensored с использованием imatrix от Unsloth. Базовая Qwen3.8-27B — плотная мультимодальная модель на 27 млрд параметров для диалогов, анализа изображений и видео, программирования и многошаговых задач; карточка этой версии также указывает поддержку vision и pipeline image-text-to-text. Исходная сборка описана как abliterated, то есть с удалением отказов, и предназначена для постобучения и квантизации. Репозиторий содержит форматы GGUF и safetensors; библиотека указана как Transformers. Модель лицензирована по Apache-2.0. Метаданные указывают английский и китайский языки; сведений о контекстном окне и ограничениях качества этой сборки нет.

Модель perplexity-ai/pii-masking-vllm — упаковка для vLLM дообученной двунаправленной модели Qwen3 от Perplexity AI для обнаружения и оценки чувствительности персональных данных в разговорном тексте. Она использует энкодер примерно на 600 млн параметров с классификатором токенов на 37 меток и отдельной головой оценки чувствительности беседы. Классификатор размечает девять категорий PII, включая имена, адреса, электронную почту, телефоны, номера счетов и секреты; BIOES-разметка декодируется алгоритмом Витерби. Контекст модели по метаданным — 32 768 токенов, однако вход поставляемого клиента ограничен 4096 токенами и обрезается при превышении этого лимита. Модель принимает текст и возвращает метки и диапазоны с найденными данными, а также оценку чувствительности текста. Репозиторий переупаковывает готовые веса для vLLM без повторного обучения и квантизации; веса энкодера сохранены в bf16, головы — в fp32. Для развёртывания из README предусмотрены vLLM, адаптер подсчёта и Docker Compose с поддержкой NVIDIA GPU. Карточка указывает английский и многоязычный охват, но не перечисляет конкретные языки. Лицензия — MIT. Возможны пропуски и ложные срабатывания, а границы найденных фрагментов могут захватывать пробелы. Пороговые значения уверенности и чувствительности следует калибровать на целевых данных; для обработки документов длиннее 4096 токенов их нужно разбивать на части.

Pleias-1.2b-Preview — базовая языковая модель Pleias, обученная с нуля совместно с Tracto AI на корпусе Common Corpus. Это плотный трансформер с архитектурой, близкой к Llama/GPT-NeoX; в метаданных указаны класс LlamaForCausalLM, 1,2 млрд параметров и контекст 2048 токенов. Модель предназначена для продолжения текста, в том числе творческой генерации на нескольких европейских языках, и может служить основой для дообучения на задачах работы с документами. По заявлению разработчиков, обучение проводилось только на открытых данных из общественного достояния или под разрешительными лицензиями; для обработки документов создан новый токенизатор. Модель компактна и может запускаться на CPU. Она выпущена как ранняя предварительная версия: это базовая модель без дополнительного выравнивания безопасности, поэтому возможны предвзятые, ошибочные или проблемные ответы. Лицензия — Apache-2.0.

pplx-pii-masking-MLX — это версия весов в формате MLX модели pplx-pii-masking, разработанной Perplexity AI для обнаружения и маскирования персональных и других чувствительных данных в разговорных данных. Модель предназначена для задач token classification и оценки чувствительности беседы, включая обработку текстов перед их сохранением, анализом или передачей в другие системы. В основе используется двунаправленный энкодер Qwen3 примерно на 600 млн параметров с backbone perplexity-ai/pplx-embed-v1-0.6b и лимитом контекста 4096 токенов. Модель поддерживает английский и мультиязычный ввод. Голова классификации токенов с 37 выходами использует BIOES-разметку для девяти категорий PII: имя человека, номер счёта, URL, дата, адрес, электронная почта, телефон, прочие персональные данные и секреты. Дополнительная голова оценивает чувствительность всей беседы. Линейные проекции backbone квантизованы до 8-битного affine-формата с размером группы 64; эмбеддинги и веса нормализации имеют формат bf16, а обе головы — fp32. Размер файла весов составляет около 779 МБ. К сильным сторонам относятся специализированное выделение PII, constrained Viterbi-декодирование BIOES-меток, отображение найденных фрагментов на символьные позиции и возможность запуска через MLX на Apple Silicon. Репозиторий содержит веса и конфигурацию, но не включает реализацию модели или загрузочный скрипт, поэтому для инференса потребуется совместимая реализация двунаправленного Qwen3-энкодера, квантизованных проекций и обеих голов. Документы длиннее 4096 токенов необходимо разбивать на части. Модель распространяется по лицензии MIT.

MuXodious/Qwen3.5-27B-tainted-heresy — мультимодальная модель для диалогов и анализа изображений, созданная разработчиком MuXodious на основе Qwen3.5-27B. Модель дообучена с помощью Heretic v1.2.0 и процедуры abliteration, направленной на уменьшение отказов и явного несоблюдения запросов; автор сообщает, что в его оценке осталось 13 отказов из 104, преимущественно в форме оговорок. Модель принимает текст и изображения и формирует текстовые ответы. Архитектура Qwen3.5 — плотная модель с 27 млрд параметров, визуальным энкодером и гибридными слоями Gated Delta Networks и Gated Attention. Базовая модель рассчитана на 201 язык и диалект, имеет нативный контекст 262 144 токена с возможностью расширения до 1 010 000 токенов; README также указывает режим рассуждений и поддержку вызова инструментов. Подходит для диалогов, визуальных вопросов и сценариев с инструментами, где требуется модель с уменьшенной склонностью к отказам. Описание процедуры и метрики в карточке не подтверждают качество на широком наборе задач; сама модель может сохранять отказы и оговорки. Лицензия — Apache-2.0.

Qwen3.5-2B — постобученная мультимодальная модель семейства Qwen от Hamish Ivi, основанная на Qwen/Qwen3.5-2B-Base. Она сочетает причинную языковую модель с визуальным энкодером и предназначена для диалогов, понимания изображений и текста, вызова инструментов, прототипирования и дообучения под конкретные задачи. Модель содержит 2 млрд параметров, использует плотную гибридную архитектуру Qwen3.5 с Gated Delta Networks и механизмом внимания; заявленная нативная длина контекста — 262 144 токена. Поддерживаются текстовый и визуальный ввод и текстовые ответы. В README заявлена поддержка 201 языка и диалекта; модель по умолчанию работает без режима пошагового рассуждения. Небольшой размер удобен для разработки и экспериментов, но доступные материалы не подтверждают качество для конкретных прикладных сценариев. Репозиторий распространяется в формате Transformers/Safetensors по лицензии Apache-2.0.

Qwen3.6-35B-A3B-Brainwaves-Nex-Uncensored — мультимодальная модель семейства Qwen, созданная объединением нескольких моделей, включая Qwen3.6-35B-A3B-Brainwaves и Nex-N2.5-mini-Uncensored. Она предназначена для диалогов и следования инструкциям; метаданные также указывают поддержку обработки изображений вместе с текстом. В README приведены результаты оценок компонентов на нескольких тестах, но полный рецепт объединения и конкретные параметры этих тестов не раскрыты. Модель построена на архитектуре Qwen3.5 MoE и распространяется в формате safetensors через Transformers. В карточке указаны английский, китайский, японский и испанский языки; длина контекста и число параметров для этой версии не приведены. Лицензия — Apache-2.0. Название Uncensored указывает на ориентацию на менее ограниченные ответы, однако README не уточняет границы этой настройки.

aday777/Qwen3.8-27B-ARA-abliterated-NVFP4-MTP — мультимодальная производная модель на базе trohrbaugh/Qwen3.8-27B-heretic-ara, распространяемая автором aday777. Она предназначена для генерации и понимания текста и изображений, а также для инференса с использованием native MTP-ускорения. Сведения о поддерживаемых языках в карточке не указаны. Модель использует квантование языковых линейных слоёв compressed-tensors NVFP4 W4A4 с group size 16, тогда как vision tower, recurrent convolutions, language head и 15 MTP-тензоров сохранены в формате BF16. Указан размер 27B. Поддерживаются мультимодальные входы, включая изображения; видеотензоры и процессоры сохранены, но обработка видео не прошла проверку в рабочем runtime-тесте. Заявлен контекст 8192 токена, а native MTP использует три спекулятивных токена. Сильными сторонами являются сохранённые компоненты обработки изображений, bit-exact проверка vision- и MTP-тензоров, снижение требований к памяти и оптимизация для Blackwell NVFP4. Модель прошла проверки текстовых возможностей, обработки изображений, MTP и загрузки в vLLM 0.23; на RTX PRO 6000 Blackwell её память при загрузке составляла около 19,53 GiB. Ограничения включают необходимость совместимого оборудования Blackwell, CUDA и свежей сборки vLLM с поддержкой Qwen3.5 multimodal и NVFP4; поддержка видео не подтверждена. Abliterated или uncensored означает удаление части отказов из исходного чекпойнта и не гарантирует ответ на любой запрос. Лицензия — Apache-2.0.

Mantisec выпустил FP16-представление модели Qwen3.8-27B-OBLITERATED, преобразованное из OBLITERATUS/Qwen3.8-27B-OBLITERATED. Это плотная мультимодальная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, предназначенная для диалогового взаимодействия и обработки изображений с текстом. Версия рассчитана на инференс и дообучение на видеокартах NVIDIA V100, где FP16 подходит для тензорных ядер Volta. Веса переведены из BF16 в FP16 со стратегией проверки диапазона: значения, не представимые в конечном диапазоне FP16, отклоняются, а не обрезаются. README сообщает об успешной проверке генерацией и полном совпадении токенов с исходной моделью в этой проверке, при небольшом расхождении логитов. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Условия лицензии в предоставленных данных не описаны.

junafinity/Qwen-3.8-27B-Uncensored-8-Bit-MLX — мультимодальная модель семейства Qwen, разработанная junafinity. Это 8-битная MLX-квантизация модели Qwen-3.8-27B-Uncensored для локального запуска на компьютерах Apple Silicon через MLX и mlx-vlm. Модель предназначена для генерации текста, анализа изображений и текстово-визуальных сценариев, включая исследовательское red teaming и оценку защитных механизмов кибербезопасности. Модель содержит языковую часть размером 27B параметров, квантизированную в 8 бит с affine-квантизацией и размером группы 64; итоговый размер на диске составляет около 28 ГБ. Vision tower оставлен в формате bf16 без квантизации, поэтому поддерживается обработка изображений. Указанные языки и размер контекста в README не приведены. Голова mtp.* удалена при конвертации в mlx-vlm, поэтому нативный MTP недоступен. Это прямое редактирование весов текстового декодера методом ZeroFuse, а не дообучение. Сильные стороны модели — возможность локального мультимодального запуска на большинстве компьютеров с чипами Apple M и снижение требований к дисковому пространству по сравнению с родительской bf16-версией. Модель не является скоростной версией: показатели токенов в секунду и пикового потребления памяти для неё не указаны. Abliteration снижает часть отказов, но не гарантирует их полного отсутствия; перед публичным развёртыванием необходим независимый слой модерации. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-2B-Thinking-abliterated-v1-GGUF — мультимодальная vision-language модель от prithivMLmods, созданная на базе Qwen3-VL-2B-Thinking компании Alibaba. Это GGUF-сборка для локального запуска, представленная в нескольких вариантах квантования и формате F16; размер файлов варьируется примерно от 516 МБ до 3,45 ГБ. Модель предназначена для задач image-text-to-text: анализа изображений, подробного описания сцен, визуального рассуждения, ответов на инструкции и работы с изображениями различной сложности, разрешения, соотношения сторон и компоновки. Основной язык — английский; README также заявляет о поддержке других языков через соответствующие запросы. Указаны возможности пошагового визуального анализа, формирования кратких или развернутых ответов и применения в исследовательских, творческих, технических, red-teaming и агентных сценариях. Ключевая особенность версии — abliteration, направленная на устранение отказов в ответах и традиционных фильтров безопасности. Это может повысить гибкость при работе с чувствительным или нестандартным содержанием, но одновременно снижает встроенные защитные ограничения и требует осторожного применения. Модель содержит около 2 млрд параметров, однако сведения о размере контекстного окна, точной архитектуре и объективных результатах тестирования в README не приведены. Распространяется по лицензии Apache-2.0.

Rogue-27B-KR — корейская специализированная языковая модель для диалогов и пошаговых рассуждений, разработанная ginigen-ai. Она создана слиянием Darwin-27B-Opus и корейской SFT-версии Qwen, после чего дополнительно дообучена на корейских данных. По карточке, модель заняла второе место в K-AI Leaderboard и показала улучшение на тесте CLIcK по культурным и языковым знаниям Кореи. Модель имеет плотную архитектуру RogueForCausalLM на базе Qwen3.5 с гибридным механизмом GatedDeltaNet и Attention, около 21,3 млрд параметров по метаданным и контекст до 262 144 токенов. Она принимает текст и генерирует текст; README описывает корейские сценарии, включая рассуждения, работу с длинными документами, а также вопросы по культуре, истории, праву и финансам. В метаданных также перечислены английский, японский и китайский языки. Для запуска в BF16 требуется около 48 ГБ видеопамяти; доступны варианты квантования при отдельной подготовке. Модель распространяется по лицензии Apache 2.0.

BidirLM-0.6B-Base — промежуточная модель семейства BidirLM, созданная командой BidirLM на основе Qwen3-0.6B-Base. Авторы преобразовали причинное внимание базовой модели в двунаправленное, обучили её методом Masked Next Token Prediction на 30 млрд токенов из многопрофильного корпуса и объединили полученные веса с исходными весами Qwen3 в пропорции 50/50. Модель содержит около 508 млн параметров, имеет плотную архитектуру BidirLMForMaskedLM и контекст до 40 960 токенов. Модель предназначена для заполнения пропусков и как промежуточная основа для дообучения под последующие задачи обработки текста. Для получения общих эмбеддингов авторы рекомендуют вариант BidirLM-0.6B-Embedding с дополнительным контрастивным обучением. Метаданные также отмечают возможности классификации текста и токенов, а также интерфейсы чата и вызова инструментов. Модель поддерживает многоязычный текст; среди языков карточки указаны арабский, болгарский, бенгальский, китайский? Нет, карточка перечисляет языки, включая английский, немецкий, французский, испанский, японский, корейский и хинди. Для загрузки требуется Transformers с trust_remote_code=True; исходная версия обучалась на Transformers 4.57.6, а текущая версия карточки адаптирована для Transformers 5 и выше. Лицензия — Apache-2.0.

Canopy-258M-R3 v3 — компактная языковая модель семейства Canopy от psikosen, предназначенная для браузерной автоматизации и работы на устройствах с ограниченными ресурсами. Авторская карточка описывает её как рекуррентную Mixture-of-Experts-модель для выполнения действий в браузере, включая заполнение форм, обработку динамических полей и извлечение структурированных данных со страниц. В примерах показаны генерация кода и управление браузером через отдельный инструментальный пакет. В метаданных указаны 136,8 млн параметров, архитектура CanopyForCausalLM, поддержка чата и кода, формат safetensors и библиотека Transformers. README заявляет об ускорении браузерных сценариев, но не приводит независимых результатов оценки. Модель работает с текстовыми запросами и генерирует текст; её карточка указывает английский язык. Лицензия Apache 2.0.

Карточка модели psikosen/canopy-258m-r3-v5 на Hugging Face совпадает с карточкой psikosen/canopy-258m-r3-v4, поэтому описание составлено по ней. psikosen/canopy-258m-r3-v4 — компактная генеративная модель семейства Canopy, представленная как модель для рассуждений на периферийных устройствах и автоматизации браузера. В README описана архитектура рекуррентной смеси экспертов (MoE), однако метаданные указывают класс CanopyForCausalLM и 136,8 млн параметров; поэтому размер и точные архитектурные детали в источниках расходятся. Согласно README, модель ориентирована на генерацию текста, многошаговые рассуждения и выполнение действий в браузере, включая заполнение форм и цепочки действий. В карточке заявлены ограничение памяти KV-кэша при длинных последовательностях и ускорение генерации и браузерных операций; эти показатели приведены самим автором и независимая проверка в предоставленных данных отсутствует. Метаданные указывают английский язык и поддержку чата и кода. Модель распространяется под лицензией Apache-2.0.

ColQwen3.5-4.5B-v3 — модель визуального поиска по документам, разработанная автором репозитория athrael-soju на основе Qwen3.5-4B. Она кодирует изображения страниц и текстовые запросы в многовекторные представления и сопоставляет их с помощью позднего взаимодействия в стиле ColBERT; предназначена для построения поисковых систем по PDF и другим документам с графиками, таблицами и сложной вёрсткой. Модель содержит около 4,5 млрд параметров, использует архитектуру ColQwen3_5 и обученную проекционную голову размерности 320, веса представлены в BF16. В README заявлена поддержка пяти языков: английского, французского, немецкого, испанского и китайского. Обучение включало примерно 776 тысяч пар из наборов для визуального поиска по документам, в том числе финансовых документов и таблиц. Для запуска требуются transformers версии 5.2.0 или новее; при переходе со старой версии необходимо заново кодировать документы, поскольку представления отличаются. По результатам, приведённым в карточке, модель входила в число сильных моделей класса 4B на ViDoRe, но уступала более крупным моделям и некоторым сопоставимым решениям на части бенчмарков; особенно слабой областью названы задачи V2 по ESG и экономике. Репозиторий распространяется по лицензии Apache-2.0.

Это квантованная версия Gemma 4 26B A4B IT от Google, опубликованная FreedomAISVR в формате GGUF для запуска через llama.cpp. Основа — инструкцияльная MoE-модель с 26 млрд параметров, около 4 млрд активных параметров, 128 экспертами и выбором 8 экспертов на токен; применена специализированная 4-битная квантизация MXFP4_MOE. Репозиторий также содержит мультимодальный проектор mmproj в F16 для обработки изображений. Модель предназначена для диалогов и следования инструкциям, а с подключённым проектором — для ответов на вопросы по изображениям и их описания. В README заявлены гибридное внимание с локальными и глобальными слоями, отключённый по умолчанию режим рассуждений с возможностью включения в запросе, а также запуск на CPU и GPU. Квантованные веса занимают около 13,72 ГБ, проектор — 1,11 ГБ; README указывает потребность от 8 ГБ RAM и около 15 ГБ дискового пространства. Квантизация рассчитана на более компактный и эффективный запуск MoE-модели при сохранении качества маршрутизации экспертов, однако README не приводит независимых результатов оценки качества. Лицензия — Gemma; использование должно соответствовать её условиям.

Huihui-Qwen3.8-27B-abliterated — мультимодальная диалоговая модель huihui-ai, созданная абляцией отказов в Qwen/Qwen3.8-27B. Это плотная модель семейства Qwen 3.5 на 27 млрд параметров с архитектурой Qwen3_5ForConditionalGeneration; она принимает текст и изображения и выдаёт текст. Поддерживает анализ изображений и видео, диалог и интерфейс вызова инструментов; для работы в README указана библиотека Transformers. Модель рассчитана на диалоги и запросы, при которых нежелательны стандартные отказы базовой модели. В последней версии изменены слои 18–51, а MTP и визуальная часть оставлены без изменений; автор сообщает, что такой подход призван лучше сохранить исходные возможности. README характеризует реализацию как грубую проверку концепции, поэтому качество и поведение могут быть нестабильны. Фильтрация безопасности существенно снижена, и возможны чувствительные или спорные ответы. Лицензия — Apache-2.0.

Ornith-1.5-35B-A3B-GGUF — это квантизированная версия модели Ornith-1.5-35B-A3B от ornith-ai, преобразованная и измеренная командой AtomicChat. Модель распространяется в формате GGUF для запуска с llama.cpp и предназначена для локального использования в диалоговых и мультимодальных сценариях; в метаданных указана задача image-text-to-text. Языки и максимальная длина контекста в карточке не указаны, однако оценки квантования проводились при контексте 4096 токенов. Модель использует разреженную MoE-архитектуру: всего 35 млрд параметров, из которых около 3 млрд активируются для каждого токена. Маршрутизатор выбирает восемь экспертов из 256, что снижает вычислительную нагрузку, но требует размещения всех экспертов в памяти. Доступны варианты квантования от Q8_0 до низкобитных IQ-сборок объёмом примерно от 36,9 до 13,7 ГБ; для видеокарт с небольшим объёмом памяти эксперты можно размещать в системной RAM через параметры llama.cpp. Сильная сторона сборки — использование собственной importance matrix и специально подобранных раскладок квантования AtomicChat. Например, AD-Q6_K занимает 29,1 ГБ и сохраняет близкие к Q8_0 показатели: средняя KL-дивергенция 0,012961 и совпадение следующего токена 95,31% с полноточной моделью. Более компактные варианты требуют компромисса между размером и точностью, а запуск на системной RAM может снизить скорость из-за пропускной способности памяти. Лицензия модели — MIT.

Это 8-битная версия Qwen2.5-VL-72B-Instruct, подготовленная сообществом mlx-community: исходную модель преобразовали в формат MLX с помощью mlx-vlm 0.1.11. Она принимает текст и изображения и предназначена для диалогового анализа визуального содержимого, включая ответы на вопросы по изображениям и генерацию текстовых ответов. Модель имеет плотную архитектуру Qwen2.5-VLForConditionalGeneration, около 71,5 млрд параметров и контекст до 128 000 токенов; заявлены чат и интерфейс вызова инструментов. Модель подходит для мультимодальных сценариев, где нужно сочетать текстовые запросы с изображениями. В карточке этой версии не приведены подробности об обучении, видеовозможностях или поддерживаемых языках сверх английского в тегах; сведения о применении и ограничениях следует сверять с карточкой исходной модели. Лицензия указана как other, поэтому условия использования нужно уточнить в оригинальной карточке Qwen/Qwen2.5-VL-72B-Instruct.

Elsephire/Qwen3.6-35B-A3B-Holo-3.1-35B-A3B-80-20-Beta — бета-модель, созданная Elsephire слиянием Qwen3.6-35B-A3B и Holo-3.1-35B-A3B методом Task Arithmetic с соотношением 80/20. Для слияния использован Minerve-Fusion. Модель предназначена для диалогов и мультимодальных задач с изображениями; метаданные также указывают на интерфейс вызова инструментов. Архитектура относится к семейству Qwen 3.5 MoE, класс — Qwen3_5MoeForConditionalGeneration; файлы представлены в формате safetensors и рассчитаны на работу с Transformers. Модель принимает текст и изображения и формирует текстовые ответы. Размер контекстного окна и поддерживаемые языки в предоставленных данных не описаны. Лицензия — MIT. Это бета-релиз, автор просит тестировать модель и оставлять отзывы; качество и стабильность могут быть ограничены ранним статусом.

Карточка модели AtomicChat/Qwen3.8-27B-MLX-bf16 на Hugging Face совпадает с карточкой AtomicChat/Qwen3.8-27B-MLX-AD-3.80bpw-DWQ-13.7GB, поэтому описание составлено по ней. AtomicChat/Qwen3.8-27B-MLX-AD-3.80bpw-DWQ-13.7GB — мультимодальная плотная модель семейства Qwen3.5 на 27 млрд параметров, подготовленная AtomicChat на основе Qwen/Qwen3.8-27B для работы в формате MLX. Она предназначена для диалогов и задач, где нужно анализировать изображения и формировать текстовый ответ. Карточка также указывает поддержку vision и conversational-взаимодействия. Модель принимает текст и изображения, выдаёт текст. Репозиторий использует safetensors, а для базовой модели указана лицензия Apache-2.0. README описывает преобразование в MLX с помощью mlx-lm 0.31.3; сведений о контекстном окне и ограничениях качества карточка не приводит.

sat-1l — модель семейства Segment Any Text, предназначенная для сегментации текста на предложения в составе wtpsplit. Авторы описывают её как модель с одним слоем Transformer; в метаданных указаны архитектура SubwordXLMForTokenClassification, 201,4 млн параметров и контекст 514 токенов. Основная задача в каталоге Hugging Face — token-classification. Модель рассчитана на многоязычную обработку текста. Метаданные указывают поддержку ряда языков, включая английский, немецкий, французский, испанский, арабский, хинди и японский. Доступны веса PyTorch и ONNX. Репозиторий опубликован под лицензией MIT.

Schematron-8B — специализированная языковая модель компании Inference.net для извлечения структурированных данных из HTML. Она принимает HTML-страницу и JSON Schema, а в ответ формирует JSON, соответствующий заданной схеме; модель построена на архитектуре Llama и дообучена на базе meta-llama/Llama-3.1-8B-Instruct. По метаданным, модель содержит 7,5 млрд параметров, использует библиотеку Transformers и формат safetensors. Модель предназначена для веб-скрейпинга, загрузки данных и преобразования содержимого страниц в структурированные записи. Контекст составляет до 131 072 токенов. Карточка заявляет качество извлечения, близкое к GPT-4.1 на описанной оценке, и рекомендует температуру 0 и JSON-режим для более стабильного вывода. Модель работает со статическим HTML: динамически загружаемый контент нужно предварительно отобразить, а очень большие страницы могут потребовать усечения. Результаты неоднозначных полей зависят от ясности схемы; вывод рекомендуется проверять по схеме. Лицензия в предоставленных данных не указана.

NomaDamas подготовил конверсию v-splade-efficient для MLX и Apple Silicon. Это разреженный мультимодальный ретривер для поиска страниц визуальных документов: изображения страниц PDF, слайдов и сканов кодируются ModernVBERT, объединяющим визуальную башню SigLIP, pixel-shuffle connector и текстовый энкодер ModernBERT, а SPLADE MLM head формирует разреженный вектор в пространстве словаря размерностью 50 368. Запросы обрабатываются по предварительно вычисленной таблице Bag-of-Words без нейронного кодирования. Репозиторий содержит веса энкодера документов в bfloat16 и таблицу запросов fp32. Это конверсия исходных весов PyTorch в MLX; обучение и дообучение не проводились. В README описано совпадение результатов отдельной fp32-конверсии с PyTorch, но эти численные показатели не относятся к размещённым здесь весам bfloat16. Модель распространяется по лицензии Apache-2.0.