I.4Обработка документов и форм

Карточка модели didula-wso2/gemma4_sft-ballerina_klgesft_16bit_vllm на Hugging Face совпадает с карточкой didula-wso2/gemma4_1-0-5_sft_16bit_vllm, поэтому описание составлено по ней. didula-wso2/gemma4_1-0-5_sft_16bit_vllm — дообученная модель семейства Gemma 4, разработанная didula-wso2 на базе unsloth/gemma-4-e4b-it-unsloth-bnb-4bit. Обучение проводилось с Unsloth и библиотекой TRL; архитектура — плотная Gemma4ForConditionalGeneration, файлы представлены в формате Safetensors. Модель предназначена для диалоговых сценариев с текстом и изображениями: она принимает текстовые запросы и изображения и формирует текстовые ответы. Метаданные также отмечают интерфейс для вызова инструментов. Карточка не описывает конкретную специализацию дообучения, датасеты, качество или длину контекста, поэтому сценарии применения следует считать общими. Модель распространяется по лицензии Apache-2.0. Ее базовая модель обозначена как квантованный 4-битный вариант Gemma 4 E4B Instruct; сведения о точной конфигурации дообучения и его влиянии на возможности в карточке отсутствуют.

Huihui-gemma-4-12B-it-abliterated — дообученная методом abliteration версия Gemma 4 12B IT от huihui-ai на базе Google Gemma 4 12B IT. Это мультимодальная модель для диалога и генерации, работающая с текстом, изображениями, видео и аудио; архитектура Gemma4 Unified, веса представлены в формате safetensors. Метод abliteration применён к слоям 23–28, чтобы ослабить отказы модели; обработаны режимы с рассуждением и без него. Модель подходит для диалоговых приложений, анализа мультимодальных входов и генерации ответов, когда требуется меньше отказов на чувствительные или спорные запросы. Лицензия — Apache-2.0. Разработчик предупреждает, что фильтрация безопасности значительно снижена и выходы могут быть чувствительными, спорными или неподходящими; ранняя опубликованная версия весов имела проблемы, поэтому рекомендуется использовать обновлённую копию.

Карточка модели sensenova/InteractiveOmni-4B на Hugging Face совпадает с карточкой sensenova/InteractiveOmni-8B, поэтому описание составлено по ней. InteractiveOmni-8B — плотная омнимодальная модель SenseNova для интерактивного общения с изображениями, аудио, текстом и видео. Она принимает мультимодальные входные данные и генерирует связные текстовые и речевые потоки; поддерживает многошаговое взаимодействие и долговременную память. Модель предназначена для мультимодального понимания, речевого диалога и генерации речи, а также для сценариев, где требуется сочетать аудио-визуальный ввод с текстовыми ответами. В README заявлены результаты уровня SOTA на открытых тестах понимания изображений, аудио и видео, а также речевого общения; приведены сценарии запуска через Transformers с требованием версии не ниже 4.51.0 и FlashAttention 2. В репозитории доступны файлы ONNX и safetensors. Лицензия — MIT. Размер 8B указан в названии модели; поддерживаемые языки по карточке — китайский и английский.

kadirnar/Llama3.3-70b-Vision — экспериментальная визуально-языковая модель на основе Meta Llama 3.3 70B Instruct. В README указаны архитектура Llama и визуальный энкодер SigLIP; модель предназначена для диалога и понимания изображений, включая их описание, сохраняя языковые возможности базовой модели. Метаданные указывают на дообучение, формат safetensors и интерфейс вызова инструментов. Базовая модель поддерживает несколько языков и контекст до 128 тысяч токенов. README называет проект находящимся в разработке, поэтому заявленные возможности работы с изображениями следует считать предварительными. Метаданные классифицируют основную задачу как генерацию текста; отдельного pipeline-тега для обработки изображений нет. Лицензия в предоставленных данных не указана.

LLaVA-v1.6-34B — мультимодальная модель для диалогового взаимодействия с текстом и изображениями, представленная в виде GGUF-квантизованных файлов. Модель разработана проектом LLaVA; её базовая языковая модель — NousResearch/Nous-Hermes-2-Yi-34B. Это авторегрессионная модель на архитектуре Transformer, дообученная на мультимодальных данных для следования инструкциям. Версия LLaVA-v1.6-34B обучалась в декабре 2023 года. Модель предназначена прежде всего для исследовательских задач, разработки мультимодальных чат-ботов, анализа изображений по текстовым запросам и экспериментов в области computer vision, NLP и машинного обучения. В обучении использовались пары изображение–текст, мультимодальные инструкции, данные для VQA, материалы GPT-4V и ShareGPT. Доступны варианты с квантизацией от Q3_K_XS до Q8_0 размером примерно от 14,2 до 36,5 ГБ. Q4_K_M и Q5-варианты предлагают компромисс между размером и сохранением качества. README не содержит сведений о размере контекста, поддерживаемых языках и точном наборе визуальных архитектурных компонентов. Квантизация уменьшает требования к хранению и запуску, но варианты с меньшим числом бит могут заметно терять качество; наиболее крупные варианты требуют значительных ресурсов. Модель распространяется по лицензии Apache-2.0, указанной для данного репозитория.

MamayLM-Gemma-3-4B-IT-v1.0 — мультимодальная модель INSAIT при Софийском университете, построенная на Gemma 3 4B. Это плотный трансформер типа decoder-only с 4 млрд параметров; метаданные указывают класс Gemma3ForConditionalGeneration и библиотеку Transformers. Модель объединяет непрерывное предварительное обучение на отфильтрованных данных и дообучение на инструкциях на украинском языке, используя смешивание данных и слияние моделей на основе google/gemma-3-4b-pt и google/gemma-3-4b-it. Модель предназначена для диалогов, следования инструкциям, генерации текста и ответов на вопросы по изображениям. В первую очередь она рассчитана на украинский язык, сохраняя возможности английского; README сообщает об оценках на общих и украинских языковых тестах, включая задачи по школьной программе. Размер контекста в предоставленных данных не указан. Модель распространяется бесплатно на условиях Gemma Terms of Use; карточка отмечает улучшения на визуальных тестах, но не приводит здесь численные результаты.

MobileVLM_V2-1.7B — компактная визуально-языковая модель из семейства MobileVLM V2, разработанного авторами проекта MobileVLM. Она принимает изображение и текстовый запрос и генерирует текстовые ответы, например описания изображения и ответы на вопросы о его содержимом. Модель создана на основе MobileLLaMA-1.4B-Chat для удобного развертывания; в карточке указано 1,3 млрд параметров, архитектура MobileLlamaForCausalLM и контекст 2048 токенов. Для MobileVLM V2 заявлены результаты на стандартных тестах визуально-языковых моделей на уровне или выше ряда более крупных моделей, однако README не приводит конкретные оценки для версии 1.7B. Модель доступна под лицензией Apache-2.0.

Qwen3.5-4B-Unredacted-MAX — дообученная версия Qwen3.5-4B от prithivMLmods с изменённым поведением отказов. Это плотная мультимодальная модель на 4 млрд параметров семейства Qwen3.5, принимающая текст и изображения и предназначенная для диалога, следования инструкциям и рассуждений. Репозиторий содержит веса в формате safetensors и рассчитан на работу через Transformers; заявлены облегчённое локальное развертывание и совместимость с современными конвейерами библиотеки. Модель подходит для прототипирования локальных ассистентов, анализа изображений, изучения поведения инструкционных моделей и проверок устойчивости. README приводит самоотчётную оценку поведения отказов на 2000 запросах; эти результаты зависят от набора запросов и настроек генерации и не являются гарантией качества. Возможны фактические ошибки и непоследовательные ответы в сложных сценариях; для очень длинного контекста модель не оптимизирована. Лицензия — Apache-2.0.

Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU — диалоговая мультимодальная модель DavidAU, созданная дообучением Qwen/Qwen3.8-27B. Репозиторий содержит веса в формате safetensors; архитектура — плотная модель семейства Qwen3.5 с 27 млрд параметров. Метаданные указывают поддержку диалога, интерфейса вызова инструментов и зрения, а основная задача в каталоге — image-text-to-text. Модель предназначена для общения и анализа изображений с текстовыми запросами. В карточке автор описывает многоэтапную настройку, сокращение объёма рассуждений и uncensored-вариант; подробности использованных данных и сторонних дообучений обещаны позднее, поэтому сравнительные заявления о качестве из README нельзя считать независимо подтверждёнными. README также содержит сведения о релизах и версиях, которые не всегда относятся к этому конкретному чекпойнту. Модель рассчитана на английский язык. Репозиторий распространяется по лицензии Apache-2.0. Для использования изображений требуется совместимый мультимодальный загрузчик; README не приводит длину контекста и не описывает ограничения по входным изображениям.

Baekpica/Qwen3.8-Flash-Next-GGUF — это GGUF-конверсия мультимодальной модели Qwen3.8-Flash-Next, разработанной командой Qwen. Конверсия создана Baekpica и привязана к конкретной ревизии исходной модели. Модель предназначена для задач обработки текста и изображений, а также для локального запуска и экспериментов с инференсом на специализированном оборудовании, включая DGX Spark с чипом GB10. Архитектура включает 48 текстовых слоёв, 36 gated-delta-слоёв, 12 слоёв полноразмерного внимания, 512 маршрутизируемых экспертов с выбором 10 экспертов, общие эксперты, четыре потока hyper-connection, vision tower, слой MTP и таблицу PLE n-грамм размером 51,2 млрд параметров. Доступны варианты BF16 без численной потери при конвертации и Q8_0 со смешанным представлением тензоров; BF16 занимает около 360 ГБ в 12 шардах, а Q8_0 — около 192 ГБ в 7 шардах. Сведения о поддерживаемых языках и размере контекстного окна в README не указаны. Сильными сторонами являются сохранение мультимодальной и speculative-decoding топологии исходной модели, тщательная проверка целостности тензоров и наличие аудированных контрольных сумм. Основное ограничение — специальная архитектура GGUF qwen4exp и зависимость от ветки dfm проекта ds4: поддержка runtime ещё реализуется и проверяется, поэтому совместимость с upstream llama.cpp и другими GGUF-средами гарантировать нельзя. На текущем этапе файлы следует рассматривать прежде всего как конверсионные артефакты, а не как готовый универсальный релиз. Использование весов регулируется Qwen Community License 1.0. Лицензия Apache-2.0 для этой модели не заявлена.

Palak/xlm-roberta-large_squad — модель Palak, дообученная на XLM-RoBERTa Large для ответов на вопросы по переданному текстовому контексту. Она использует архитектуру XLM-RoBERTa с плотными слоями и содержит около 658,7 млн параметров; репозиторий предоставляет веса в формате PyTorch. Модель подходит для извлечения ответа из контекста, например при поиске сведений в документах или создании системы вопросно-ответного поиска. В карточке приведены результаты оценки на 10 918 примерах SQuAD: exact match 85,96 и F1 92,25. Контекст ограничен примерно 514 токенами, поэтому длинные документы потребуется разбивать на фрагменты. Модель дообучена на SQuAD; подтверждений её качества для других языков и предметных областей в карточке нет. Лицензия в предоставленных данных не указана.

Qwen3.8-27B — плотная мультимодальная модель семейства Qwen от команды Qwen. Это постобученная причинная языковая модель с визуальным энкодером, содержащая 27 млрд параметров и построенная на архитектурной основе Qwen3.5. Репозиторий включает веса и конфигурацию в формате Hugging Face Transformers; модель также совместима с vLLM, SGLang и другими средами инференса. Лицензия — Apache-2.0. Модель предназначена для диалогов, программирования, профессиональных и исследовательских задач, а также многошаговых агентных сценариев. Она принимает текст, изображения и видео и умеет разбирать документы, диаграммы и длительные видеоматериалы. Режим рассуждения включён по умолчанию, его можно отключить для отдельного запроса, а глубину настраивать параметром reasoning_effort. Контекст составляет 262 144 токена и может расширяться до 1 000 000 токенов. Архитектура сочетает Gated DeltaNet, Gated Attention и FFN-блоки; предусмотрено обучение с Multi-Token Prediction. В карточке заявлены улучшения планирования и выполнения задач с учётом обратной связи среды, однако приведённые описания бенчмарков сами по себе не гарантируют качество в конкретном применении. Модель ориентирована на применение и распространяется по лицензии Apache-2.0.

Карточка модели sdb114514/Qwen3.8-27B на Hugging Face совпадает с карточкой Qwen/Qwen3.8-27B, поэтому описание составлено по ней. Qwen3.8-27B — плотная мультимодальная модель семейства Qwen от команды Qwen. Это постобученная причинная языковая модель с визуальным энкодером, содержащая 27 млрд параметров и построенная на архитектурной основе Qwen3.5. Репозиторий включает веса и конфигурацию в формате Hugging Face Transformers; модель также совместима с vLLM, SGLang и другими средами инференса. Лицензия — Apache-2.0. Модель предназначена для диалогов, программирования, профессиональных и исследовательских задач, а также многошаговых агентных сценариев. Она принимает текст, изображения и видео и умеет разбирать документы, диаграммы и длительные видеоматериалы. Режим рассуждения включён по умолчанию, его можно отключить для отдельного запроса, а глубину настраивать параметром reasoning_effort. Контекст составляет 262 144 токена и может расширяться до 1 000 000 токенов. Архитектура сочетает Gated DeltaNet, Gated Attention и FFN-блоки; предусмотрено обучение с Multi-Token Prediction. В карточке заявлены улучшения планирования и выполнения задач с учётом обратной связи среды, однако приведённые описания бенчмарков сами по себе не гарантируют качество в конкретном применении. Модель ориентирована на применение и распространяется по лицензии Apache-2.0.

DeepXR/Helion-V2.0-Thinking — мультимодальная модель семейства LLaVA от DeepXR для диалогов и анализа изображений. По README, она содержит 10,2 млрд параметров: языковую часть на базе Llama 2 и визуальный энкодер SigLIP; заявлены контекст до 200 000 токенов, поддержка нескольких изображений и работа через Transformers. Модель принимает текст и изображения и генерирует текст, включая ответы на вопросы, пояснения и вызовы инструментов в структурированном формате. Модель предназначена для анализа документов, диаграмм, графиков и скриншотов, генерации и объяснения кода, многошаговых диалогов и интеграции с API. README заявляет поддержку более 12 языков, однако указывает, что модель в первую очередь оптимизирована для английского. Репозиторий распространяется по лицензии Apache 2.0. Заявленные ограничения: качество визуального анализа зависит от четкости и освещения изображения; обработка контекста длиной свыше 150 000 токенов требует значительной видеопамяти; ответы могут содержать ошибки. Для медицинских и юридических решений README рекомендует проверку человеком.

Карточка модели cxyzz/Qwen3.8-27B на Hugging Face совпадает с карточкой Qwen/Qwen3.8-27B, поэтому описание составлено по ней. Qwen3.8-27B — плотная мультимодальная модель семейства Qwen от команды Qwen. Это постобученная причинная языковая модель с визуальным энкодером, содержащая 27 млрд параметров и построенная на архитектурной основе Qwen3.5. Репозиторий включает веса и конфигурацию в формате Hugging Face Transformers; модель также совместима с vLLM, SGLang и другими средами инференса. Лицензия — Apache-2.0. Модель предназначена для диалогов, программирования, профессиональных и исследовательских задач, а также многошаговых агентных сценариев. Она принимает текст, изображения и видео и умеет разбирать документы, диаграммы и длительные видеоматериалы. Режим рассуждения включён по умолчанию, его можно отключить для отдельного запроса, а глубину настраивать параметром reasoning_effort. Контекст составляет 262 144 токена и может расширяться до 1 000 000 токенов. Архитектура сочетает Gated DeltaNet, Gated Attention и FFN-блоки; предусмотрено обучение с Multi-Token Prediction. В карточке заявлены улучшения планирования и выполнения задач с учётом обратной связи среды, однако приведённые описания бенчмарков сами по себе не гарантируют качество в конкретном применении. Модель ориентирована на применение и распространяется по лицензии Apache-2.0.

Карточка модели wujitang/Qwen3.8-27B на Hugging Face совпадает с карточкой Qwen/Qwen3.8-27B, поэтому описание составлено по ней. Qwen3.8-27B — плотная мультимодальная модель семейства Qwen от команды Qwen. Это постобученная причинная языковая модель с визуальным энкодером, содержащая 27 млрд параметров и построенная на архитектурной основе Qwen3.5. Репозиторий включает веса и конфигурацию в формате Hugging Face Transformers; модель также совместима с vLLM, SGLang и другими средами инференса. Лицензия — Apache-2.0. Модель предназначена для диалогов, программирования, профессиональных и исследовательских задач, а также многошаговых агентных сценариев. Она принимает текст, изображения и видео и умеет разбирать документы, диаграммы и длительные видеоматериалы. Режим рассуждения включён по умолчанию, его можно отключить для отдельного запроса, а глубину настраивать параметром reasoning_effort. Контекст составляет 262 144 токена и может расширяться до 1 000 000 токенов. Архитектура сочетает Gated DeltaNet, Gated Attention и FFN-блоки; предусмотрено обучение с Multi-Token Prediction. В карточке заявлены улучшения планирования и выполнения задач с учётом обратной связи среды, однако приведённые описания бенчмарков сами по себе не гарантируют качество в конкретном применении. Модель ориентирована на применение и распространяется по лицензии Apache-2.0.

Карточка модели TOTORONG/Bethesda_John5 на Hugging Face совпадает с карточкой Qwen/Qwen3.8-27B, поэтому описание составлено по ней. Qwen3.8-27B — плотная мультимодальная модель семейства Qwen от команды Qwen. Это постобученная причинная языковая модель с визуальным энкодером, содержащая 27 млрд параметров и построенная на архитектурной основе Qwen3.5. Репозиторий включает веса и конфигурацию в формате Hugging Face Transformers; модель также совместима с vLLM, SGLang и другими средами инференса. Лицензия — Apache-2.0. Модель предназначена для диалогов, программирования, профессиональных и исследовательских задач, а также многошаговых агентных сценариев. Она принимает текст, изображения и видео и умеет разбирать документы, диаграммы и длительные видеоматериалы. Режим рассуждения включён по умолчанию, его можно отключить для отдельного запроса, а глубину настраивать параметром reasoning_effort. Контекст составляет 262 144 токена и может расширяться до 1 000 000 токенов. Архитектура сочетает Gated DeltaNet, Gated Attention и FFN-блоки; предусмотрено обучение с Multi-Token Prediction. В карточке заявлены улучшения планирования и выполнения задач с учётом обратной связи среды, однако приведённые описания бенчмарков сами по себе не гарантируют качество в конкретном применении. Модель ориентирована на применение и распространяется по лицензии Apache-2.0.

llmfan46/gemma-4-E4B-it-ultra-uncensored-heretic — производная от Google Gemma 4 E4B Instruct мультимодальная модель, дообученная независимым автором. В основе — плотная архитектура Gemma4ForConditionalGeneration с чередованием локального оконного и глобального внимания. Модель рассчитана на диалог, рассуждения, программирование и понимание мультимодальных данных; для варианта E4B заявлено контекстное окно до 128 тыс. токенов. Модель принимает текст и изображения, а семейство E4B также поддерживает аудиовход для распознавания речи и перевода речи в текст. Gemma 4 заявлена как многоязычное семейство с поддержкой более 35 языков; конкретный языковой охват этой производной отдельно не описан. Возможны извлечение текста из документов и изображений, понимание диаграмм и интерфейсов, генерация и исправление кода, суммаризация и диалог. Название uncensored указывает на изменённое поведение отказов, но README не раскрывает точный объём изменений. Карточка предупреждает о возможных предвзятости, фактических ошибках, затруднениях с нюансами языка и сложными открытыми задачами. Модель распространяется по лицензии Apache-2.0.

Карточка модели OpenIntelligenceNet/Qwen-3.8-27B-Heretic на Hugging Face совпадает с карточкой Qwen/Qwen3.8-27B, поэтому описание составлено по ней. Qwen3.8-27B — плотная мультимодальная модель семейства Qwen от команды Qwen. Это постобученная причинная языковая модель с визуальным энкодером, содержащая 27 млрд параметров и построенная на архитектурной основе Qwen3.5. Репозиторий включает веса и конфигурацию в формате Hugging Face Transformers; модель также совместима с vLLM, SGLang и другими средами инференса. Лицензия — Apache-2.0. Модель предназначена для диалогов, программирования, профессиональных и исследовательских задач, а также многошаговых агентных сценариев. Она принимает текст, изображения и видео и умеет разбирать документы, диаграммы и длительные видеоматериалы. Режим рассуждения включён по умолчанию, его можно отключить для отдельного запроса, а глубину настраивать параметром reasoning_effort. Контекст составляет 262 144 токена и может расширяться до 1 000 000 токенов. Архитектура сочетает Gated DeltaNet, Gated Attention и FFN-блоки; предусмотрено обучение с Multi-Token Prediction. В карточке заявлены улучшения планирования и выполнения задач с учётом обратной связи среды, однако приведённые описания бенчмарков сами по себе не гарантируют качество в конкретном применении. Модель ориентирована на применение и распространяется по лицензии Apache-2.0.

Qwen3.8-27B-MXFP6 — квантованный вариант мультимодальной модели Qwen3.8 от команды Qwen. Это плотная причинная языковая модель с визуальным энкодером на 27 млрд параметров, основанная на архитектуре Qwen3.5 и представленная в формате Transformers с квантизацией Quark MXFP6. Модель принимает текст, изображения и видео и выдаёт текстовые ответы; поддерживает диалог, интерфейс вызова инструментов и настраиваемый режим рассуждений. Модель предназначена для анализа изображений и видео, программирования, профессиональных и исследовательских задач, а также многоэтапной работы агентных систем. В README указана длина контекста 262 144 токена с возможностью расширения до 1 000 000 токенов. Модель можно запускать через Transformers и совместимые среды, включая vLLM и SGLang. Лицензия — Apache-2.0. Доступная карточка описывает семейство Qwen3.8, но подробности конкретной сборки MXFP6, включая языковую поддержку и ограничения квантизации, не приведены.

Карточка модели nicoplv/Qwen3.8-27B-oQ4e-fp16-mtp на Hugging Face совпадает с карточкой Qwen/Qwen3.8-27B, поэтому описание составлено по ней. Qwen3.8-27B — плотная мультимодальная модель семейства Qwen от команды Qwen. Это постобученная причинная языковая модель с визуальным энкодером, содержащая 27 млрд параметров и построенная на архитектурной основе Qwen3.5. Репозиторий включает веса и конфигурацию в формате Hugging Face Transformers; модель также совместима с vLLM, SGLang и другими средами инференса. Лицензия — Apache-2.0. Модель предназначена для диалогов, программирования, профессиональных и исследовательских задач, а также многошаговых агентных сценариев. Она принимает текст, изображения и видео и умеет разбирать документы, диаграммы и длительные видеоматериалы. Режим рассуждения включён по умолчанию, его можно отключить для отдельного запроса, а глубину настраивать параметром reasoning_effort. Контекст составляет 262 144 токена и может расширяться до 1 000 000 токенов. Архитектура сочетает Gated DeltaNet, Gated Attention и FFN-блоки; предусмотрено обучение с Multi-Token Prediction. В карточке заявлены улучшения планирования и выполнения задач с учётом обратной связи среды, однако приведённые описания бенчмарков сами по себе не гарантируют качество в конкретном применении. Модель ориентирована на применение и распространяется по лицензии Apache-2.0.

Карточка модели Tooony133/Qwen-3.8-27B-PinkmanWhite на Hugging Face совпадает с карточкой Qwen/Qwen3.8-27B, поэтому описание составлено по ней. Qwen3.8-27B — плотная мультимодальная модель семейства Qwen от команды Qwen. Это постобученная причинная языковая модель с визуальным энкодером, содержащая 27 млрд параметров и построенная на архитектурной основе Qwen3.5. Репозиторий включает веса и конфигурацию в формате Hugging Face Transformers; модель также совместима с vLLM, SGLang и другими средами инференса. Лицензия — Apache-2.0. Модель предназначена для диалогов, программирования, профессиональных и исследовательских задач, а также многошаговых агентных сценариев. Она принимает текст, изображения и видео и умеет разбирать документы, диаграммы и длительные видеоматериалы. Режим рассуждения включён по умолчанию, его можно отключить для отдельного запроса, а глубину настраивать параметром reasoning_effort. Контекст составляет 262 144 токена и может расширяться до 1 000 000 токенов. Архитектура сочетает Gated DeltaNet, Gated Attention и FFN-блоки; предусмотрено обучение с Multi-Token Prediction. В карточке заявлены улучшения планирования и выполнения задач с учётом обратной связи среды, однако приведённые описания бенчмарков сами по себе не гарантируют качество в конкретном применении. Модель ориентирована на применение и распространяется по лицензии Apache-2.0.

dots3-note Preview — предварительная открытая мультимодальная модель семейства dots3. В README она описана как Mixture-of-Experts с 280 млрд параметров всего и 16 млрд активируемых параметров; метаданные каталога классифицируют её как плотную модель на 15,4 млрд параметров, поэтому сведения о размере и типе архитектуры расходятся между источниками. Модель принимает текст, изображения, видео и аудио и выдаёт текст; заявленная длина контекста составляет до 512 тыс. токенов по README и 524 288 токенов по метаданным. Модель предназначена для диалога и следования инструкциям, общих знаний, математических и логических рассуждений, генерации кода, использования инструментов и многошаговых агентных сценариев. Она также рассчитана на понимание изображений, документов, диаграмм, аудио и видео, а также на обработку длинных контекстов. В README dots3-note Preview названа наиболее лёгкой моделью семейства с компромиссом между возможностями, задержкой и стоимостью инференса. Модель разработана командой dots3. Для запуска указаны Transformers, SGLang и vLLM; README рекомендует FP8-чекпойнт для развёртывания на узле с восемью GPU. Лицензия — Apache-2.0. Это предварительная версия; заявленные возможности и несоответствие сведений об архитектуре и размере следует учитывать при выборе и развёртывании.

nvidia/Gemma-4-31B-IT-NVFP4 — мультимодальная модель для генерации текста, разработанная Google DeepMind на базе Gemma 4 31B IT и квантизированная NVIDIA с помощью Model Optimizer. NVIDIA не является разработчиком исходной модели. Модель предназначена для чат-ботов и диалоговых систем, суммаризации, извлечения данных из изображений, рассуждений, программирования, мультимодального анализа, function calling, исследовательских и образовательных сценариев. Модель построена на архитектуре Transformer Gemma 4 и содержит около 30,7 млрд параметров при размере словаря 262 144 токена. Она принимает текст, изображения и видео, включая видео в форматах MP4 и WebM продолжительностью до 60 секунд с частотой один кадр в секунду, а генерирует текст. Поддерживаются переменные соотношения сторон и разрешения изображений, настраиваемые бюджеты визуальных токенов от 70 до 1120, контекст до 256 тысяч токенов и более 140 языков. Архитектура использует гибридное внимание с локальными sliding-window и глобальными слоями, едиными Keys и Values в глобальных слоях и Proportional RoPE для работы с длинным контекстом. NVFP4-квантизация весов и активаций рассчитана на инференс через vLLM на NVIDIA Blackwell и Linux. По приведённым результатам NVFP4 сохраняет близкие к BF16 показатели на GPQA Diamond, AIME 2025, MMLU Pro, LiveCodeBench и Scicode, однако точные характеристики зависят от оборудования и сценария использования. Модель версии 1.0 была квантизирована с помощью nvidia-modelopt 0.42.0; для калибровки использовался англоязычный датасет CNN/DailyMail. Указана лицензия Apache License 2.0 с условиями Gemma. Для запуска заявлена интеграция с vLLM и тестирование на NVIDIA Hopper H100.

TeichAI Gemma 4 31B IT Claude Opus Distill v2 — мультимодальная модель для диалогов, дообученная методом SFT на базе unsloth/gemma-4-31B-it с использованием наборов рассуждений, созданных на основе взаимодействий с Claude Opus. Модель семейства Gemma 4 имеет плотную архитектуру и предназначена для сложных многошаговых задач, генерации и отладки кода, научного анализа, синтеза исследовательских материалов и повседневного следования инструкциям. Модель принимает текст и изображения; README также описывает работу с видео как последовательностью кадров, но метаданные указывают только задачу image-text-to-text. Карточка рекомендует Transformers и описывает режим рассуждений, а также настраиваемый бюджет визуальных токенов для задач от распознавания текста на изображениях до их общего анализа. Размер контекста и поддерживаемые языки в предоставленных данных не указаны. Бенчмарки пока не представлены, поэтому качество для конкретных задач следует оценивать самостоятельно. Лицензия — Apache-2.0.

insraq/LFM2.5-2.6B-heretic — созданная с помощью Heretic v1.4.0 декензурированная версия языковой модели LiquidAI LFM2.5-2.6B. Это плотная гибридная текстовая модель семейства LFM2 для генерации текста и диалогов, содержащая 2,6 млрд параметров и рассчитанная на контекст до 128 000 токенов. По карточке исходная LFM2.5 обучена для локального и периферийного развёртывания, поддерживает многоязычный ввод и вывод, следование инструкциям и работу с инструментами. Модель подходит для агентных сценариев, вызова инструментов, извлечения данных, RAG и работы с длинным контекстом. В тесте из карточки версия Heretic дала 3 отказа из 100 против 95 из 100 у исходной модели; это указывает на снижение склонности к отказам, но не гарантирует корректность или безопасность ответов. Карточка не приводит отдельную лицензию этой производной модели; метаданные указывают лицензию «other».

Litwein/Qwen3.8-Flash-Next-REAP320-oQ3e-DWQ-MTP-Vision-MTPLX — это мультимодальная квантованная версия Qwen3.8-Flash-Next, подготовленная Litwein для запуска через MTPLX на компьютерах Apple Silicon. Модель предназначена для генерации текста, агентских сценариев, задач рассуждения и программирования, а также для работы с изображениями, документами, графиками и визуальными вопросами. В обучающих данных указаны, в частности, SWE-bench, математические и кодовые наборы, ChartQA, DocumentVQA, TextVQA и COCO. Модель использует MoE-архитектуру с 512 исходными экспертами, из которых после REAP pruning оставлено 320. Она содержит 133,7 млрд параметров, общий уровень квантования составляет 4,28 бит на вес: маршрутизируемые эксперты представлены в 3-битном формате, отдельные компоненты используют 4–8 бит, а vision tower хранится в bf16. Поддерживаются английский и русский языки, текстово-визуальный ввод и контекст до 262 144 токенов архитектурно; в конфигурации для 48 ГБ памяти заявлено до 163 840 токенов. MTP sidecar и speculative decoding ускоряют генерацию, сохраняя распределение целевой модели. К сильным сторонам относятся мультимодальность, длинный контекст, поддержка агентских и reasoning-сценариев, а также высокая скорость декодирования на Apple M4 Pro с 48 ГБ памяти: примерно 31–35 токенов в секунду при глубине MTP 2. Ограничения включают зависимость от Apple Silicon с не менее 48 ГБ unified memory, MTPLX версии 2.11.2 или новее, быстрого SSD и около 72 ГБ свободного места. Это прунинговые и квантованные веса, поэтому характеристики могут отличаться от исходной модели Qwen3.8-Flash-Next. Лицензия указана как Qwen Community License 1.0.

Gemma 3 12B IT — мультимодальная instruction-tuned модель семейства Gemma, разработанная Google DeepMind на основе исследований и технологий Gemini. Модель распространяется с открытыми весами и предназначена для взаимодействия по инструкциям с текстом и изображениями, генерируя текстовые ответы. Модель подходит для ответов на вопросы, суммаризации документов, рассуждений, анализа изображений, извлечения визуальной информации и генерации кода. Она принимает текстовые запросы и изображения, нормализованные до разрешения 896 × 896 и представленные 256 токенами на изображение. Для версии 12B заявлено входное контекстное окно до 128K токенов и максимальный объём генерируемого текста до 8192 токенов. Модель обучалась на данных более чем на 140 языках, включавших веб-документы, код, математические материалы и изображения. К сильным сторонам относятся мультимодальность, большой контекст, многоязычная поддержка и сравнительно компактный размер, позволяющий развёртывать модель на ноутбуках, настольных компьютерах или собственной облачной инфраструктуре при наличии подходящих ресурсов. Ограничения включают зависимость качества от языка, типа задачи и доступных вычислительных ресурсов, а также потенциальные риски, свойственные генеративным моделям. Модель распространяется по лицензии Gemma; условия использования определяются соответствующими Terms of Use.

Карточка модели unsloth/gemma-4-31B-it-qat-q4_0-unquantized на Hugging Face совпадает с карточкой unsloth/gemma-4-12B-it-qat-q4_0-unquantized, поэтому описание составлено по ней. Gemma 4 12B IT QAT Q4_0 Unquantized — мультимодальная инструкционная модель семейства Gemma, разработанного Google DeepMind. Это чекпойнт на 12 млрд параметров, полученный из google/gemma-4-12B-it с применением Quantization-Aware Training; в данном репозитории опубликованы веса safetensors, извлечённые из QAT-конвейера в формате половинной точности, а не готовая к запуску квантизованная сборка. Модель предназначена для диалога, генерации и анализа текста, рассуждений, программирования, работы с изображениями, видео и аудио. Модель принимает текст и изображения, может анализировать видео по последовательности кадров; для варианта 12B также заявлена поддержка аудио, включая распознавание речи и перевод речи в текст. Она генерирует текст, поддерживает вызов функций и контекст до 256 тысяч токенов. Семейство рассчитано на многоязычные сценарии: карточка сообщает о поддержке более 35 языков и обучении на более чем 140 языках, но не перечисляет языки отдельно для этого чекпойнта. QAT-обучение призвано сохранить качество, близкое к bfloat16, при снижении требований к памяти в соответствующих квантованных вариантах. Этот репозиторий содержит именно неупакованные QAT-веса, поэтому для непосредственного запуска может потребоваться собственная компиляция или подходящая среда. Лицензия — Apache 2.0.

Gemma 3n E4B — мультимодальная генеративная модель Google с открытыми весами, предназначенная для эффективной работы на устройствах с ограниченными ресурсами. Она принимает текст, изображения, видео и аудио, а выдаёт текст; карточка описывает запуск через библиотеку Transformers. Модель содержит 8 млрд параметров, но благодаря выборочной активации параметров и выгрузке редко используемых матриц рассчитана на объём памяти, сопоставимый с обычной моделью на 4 млрд параметров. Архитектура MatFormer позволяет использовать вложенную подмодель E2B и создавать варианты других размеров методом Mix-and-Match. Обучение охватывает более 140 разговорных языков. Модель подходит для диалоговых помощников, генерации и суммаризации текста, анализа изображений и видео, транскрибирования и перевода речи. Возможны предвзятые, фактически неверные или устаревшие ответы; модель может испытывать трудности с нюансами языка и сложными открытыми задачами. Лицензия — Gemma; условия использования определяются лицензией Gemma.