I.4Обработка документов и форм

Карточка модели indigoskyai/Molmo-72B-0924 на Hugging Face совпадает с карточкой allenai/Molmo-72B-0924, поэтому описание составлено по ней. Molmo-72B-0924 — модель «зрение–язык» семейства Molmo, разработанного Allen Institute for AI. Это плотная мультимодальная модель с 129,6 млрд параметров: текстовый компонент основан на Qwen2-72B, а визуальный использует OpenAI CLIP. Модель обучалась на наборе PixMo из миллиона тщательно отобранных пар изображение–текст и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы. В метаданных указан контекст 4096 токенов, библиотека Transformers и поддержка чата. Модель предназначена для диалога по изображениям, описания визуального содержимого и ответов на вопросы о нём. В карточке сообщается о высоких результатах на академических бенчмарках и в оценке людьми среди мультимодальных моделей сопоставимого размера. Это предварительная версия Molmo; README говорит о применении в исследованиях и образовании. Лицензия — Apache 2.0. Для базовой Qwen2-72B указана отдельная лицензия Tongyi Qianwen, поэтому условия использования базовой модели также следует учитывать.

Minachist/Qwen3.8-27B-INT8-AutoRound — неофициальная версия базовой модели Qwen/Qwen3.8-27B, квантизированная в формате W8A16 INT8 с помощью AutoRound. Модель предназначена для сценариев генерации текста и изображений с текстом, что отражено в конфигурации pipeline_tag image-text-to-text. Архитектура и исходные модальности унаследованы от базовой модели, однако подробные сведения о языках и размере контекстного окна в карточке не указаны. Доступны четыре варианта, различающиеся гранулярностью квантизации и обработкой линейного внимания: per-channel или group_size 128, а также квантизация его проекций в INT8 либо сохранение этих слоёв в BF16. Размер файлов составляет примерно от 28,8 до 34,3 ГиБ; все варианты помещаются на двух GPU по 24 ГБ при использовании tensor parallelism. Часть слоёв, включая vision tower, embed_tokens и lm_head, оставлена в BF16. Вариант linear-attn-bf16-gs128 наиболее близок к базовой модели, а main является самым компактным; варианты с group_size 128 показывают лучшие значения заявленных метрик соответствия. По результатам сравнения с базовой моделью варианты демонстрируют среднее совпадение top-1 предсказаний от 98,40% до 98,59%, при этом наилучшие показатели приведены для linear-attn-bf16-gs128. Оценка проводилась на текстовой калибровке с использованием 1024 образцов и последовательностей длиной 2048, поэтому качество на мультимодальных задачах отдельно не подтверждено. Модель распространяется по лицензии Apache-2.0; сборка обозначена как неофициальная.

Qwen3-VL-8B-Instruct-Unredacted-MAX-GGUF — мультимодальная vision-language модель в формате GGUF, разработанная prithivMLmods на базе Qwen3-VL-8B-Instruct-Unredacted-MAX. Модель предназначена для обработки изображений и текста, выполнения инструкций, генерации подписей, объяснений и анализа визуальной информации. Заявленные сценарии включают аннотирование данных, повышение доступности контента, творческое повествование, подготовку исторических и медицинских наборов данных, а также red-teaming и исследование смещений моделей. Модель содержит 8 миллиардов параметров и ориентирована на мультимодальное рассуждение и следование сложным инструкциям. Доступны варианты BF16 и Q8_0, а также отдельные мультимодальные проекторы mmproj в форматах BF16 и Q8_0; размеры файлов варьируются от 752 МБ до 16,4 ГБ. В карточке указаны английский язык и pipeline image-text-to-text. Длина контекста, точные поддерживаемые языки, результаты тестирования и требования к оборудованию не приведены. К заявленным сильным сторонам относятся работа с комплексными визуальными входными данными, подробная генерация текста и снижение ограничений на отказы благодаря unredacted/abliterated дообучению. При этом степень фактической точности и надежности таких возможностей не подтверждена бенчмарками в README, а уменьшение механизмов отказа может повышать риск небезопасных или некорректных ответов. Модель распространяется по лицензии Apache-2.0.

RiverCub-Gemma-3-27B — диалоговая мультимодальная модель, созданная lemon07r с помощью слияния методом SLERP двух моделей Gemma 3 на 27 млрд параметров: unsloth/gemma-3-27b-it и TheDrummer/Big-Tiger-Gemma-27B-v3. Она предназначена для общения, генерации текста и ответов на вопросы по изображениям; карточка Hugging Face относит её к задаче image-text-to-text и указывает архитектуру Gemma 3 с плотной моделью условной генерации. Модель принимает текст и изображения и выдаёт текст. Автор отмечает, что выбрал компоненты после тестирования множества вариантов и рекомендует iMatrix-версию. В карточке указаны библиотека Transformers и лицензия Gemma. Количественная оценка качества и длина контекста в предоставленных данных не приводятся.

Methystorn выпустил дообученную версию OpenAI Whisper Large-v3 для автоматического распознавания речи на кхмерском языке. Модель принимает аудио и преобразует речь в текст; она рассчитана на сценарии, где важна нормализация числительных, денежных сумм и дат. Модель построена на архитектуре Whisper и содержит 905,2 млн параметров. В репозитории представлены веса safetensors, лицензия — MIT. Разработчик указывает кхмерский язык (km-KH); сведений о длине контекста нет.

ClassOne Gemma 4 E2B — дообученная модель принятия решений, разработанная devops-thiago на основе google/gemma-4-E2B-it. Она классифицирует входной текст за один проход и возвращает типизированные вероятностные результаты без пошаговой генерации текста: булеву оценку Noul, выбор из нескольких вариантов Choice или оценку по шкале Score. Модель предназначена для проверок условий, выбора между вариантами и выставления оценок по заданным рубрикам, в том числе в локальных сценариях, где важны малая задержка и конфиденциальность. В README приведены результаты на JevBench и RLCDAlignBench; на сложном уровне JevBench точность существенно ниже, чем на простом, а оценки безопасности охватывают ограниченный набор тестов. Архитектура — плотная Gemma 4; веса опубликованы в формате safetensors. Лицензия — Apache 2.0.

Модель verseAI/databricks-dolly-v2-3b — форк Dolly v2, разработанной Databricks. Это причинная языковая модель GPT-NeoX с 3,5 млрд параметров, дообученная на примерно 15 тысячах примеров инструкций и ответов из набора databricks-dolly-15k. Она принимает текст и генерирует текст; заявленный контекст — 2048 токенов. Модель предназначена для выполнения инструкций на английском языке: генерации и преобразования текста, мозгового штурма, классификации, ответов на вопросы, извлечения информации и суммаризации. Может подойти для экспериментов и несложных прототипов, где важны следование инструкциям и локальный запуск через Transformers. В README отмечены трудности со сложными запросами, программированием, математикой, точностью фактов и дат, открытыми вопросами и соблюдением заданного формата. Модель уступает более современным генеративным системам и может воспроизводить предвзятость и ошибки обучающих данных. В метаданных указана лицензия MIT; карточка описывает исходную Dolly как доступную для коммерческого использования.

Decision-2.0-Lux-9B — текстовая модель принятия решений семейства Decision 2.0, разработанная командой vLLM Semantic Router. Она принимает текст или JSON и за один проход отвечает на вопросы выбора из нескольких вариантов, «да/нет» и оценки по шкале, выдавая вероятности для каждого ответа без генерации связного текста. Модель содержит 7,94 млрд параметров, имеет контекст длиной 16 384 токена и построена на архитектуре Decision2. По данным авторской оценки, она набрала 68,1 на JevArena, а медианное время ответа на один вопрос составило 18,4 мс на одном GPU. Подходит для пакетной оценки вариантов и условий, классификации без примеров и выбора действий по входным данным. Это дообучение vllm-sr/Decision-1.0-Lux-9B, опубликованное в формате safetensors и распространяемое по лицензии Apache-2.0. Показатели скорости и качества приведены авторами; результаты могут отличаться на других задачах и конфигурациях.

Gemma-4-E4B-Uncensored-HauhauCS-Aggressive — модификация Gemma 4 E4B-IT, разработанная HauhauCS на основе модели Google gemma-4-e4b-it. Это мультимодальная модель для генерации текста, обработки изображений, видео и аудио, ориентированная на сценарии, где требуется минимальное количество отказов при выполнении запросов. В README заявлено, что датасеты и исходные возможности модели не изменялись, а основное отличие заключается в снятии ограничений на отказы. Модель содержит около 4 млрд параметров, использует 42 слоя со смешанной архитектурой sliding window attention с окном 512 и full attention, поддерживает контекст до 131 тысячи токенов и 18 общих KV-слоёв для экономии памяти. Заявлена поддержка английского и мультиязычного ввода. Для работы с изображениями и аудио требуется дополнительный файл mmproj; модель распространяется в формате GGUF с вариантами квантизации Q2–Q8 и пользовательскими K_P-квантами, оптимизированными для сохранения качества. Сильной стороной является сочетание компактного размера, большого контекстного окна, мультимодальности и более свободной генерации без встроенных отказов. При этом README не содержит независимых бенчмарков, подробных сведений о качестве на разных языках или длительном контексте, а заявленные результаты тестирования отказов ограничены 465 проверками и сопровождаются оговоркой о недостаточном ручном тестировании длинного контекста. Модель совместима с llama.cpp, LM Studio, Jan, koboldcpp и другими GGUF-совместимыми средами. Лицензия указана как Gemma.

brandonmusic/GLM-5.3-Flash-tr3-4bpw — это квантованная версия GLM-5.3-Flash, разработанная brandonmusic на основе zai-org/GLM-5.3-Flash-BF16. Модель предназначена для генерации текста и мультимодальных сценариев с обработкой изображений; в карточке указана интеграция с Transformers и pipeline image-text-to-text. Это EXL3/TR3-чекпойнт с равномерным K4-квантованием маршрутизируемых экспертов и точностью 4 бит на вес, ориентированный на высокопроизводительный запуск на двух GPU с архитектурой SM120. Модель поддерживает профили мультимодального и текстового запуска с DFlash2, а также текстовый профиль с встроенной головой MTP3. Для опубликованного мультимодального профиля заявлен предел запроса 98 304 токена и 129 473 токена KV-кэша; текстовый профиль с MTP3 рассчитан на существенно больший объём кэша — до 1 376 256 измеренных KV-токенов. Реализация использует NVFP4-кэш MLA KV, CUDA graphs и специализированную сборку vLLM/B12X, поэтому несовместима со стандартным upstream vLLM. Для мультимодального запуска требуется отдельный чекпойнт GLM-5.3-Flash-DFlash2. К сильным сторонам относятся низкая разрядность, поддержка изображений, режимы ускоренного декодирования и заявленная близость распределения токенов к BF16-версии: средняя токеновая KL-дивергенция указана на уровне 0,02455 ната на закрытом тестовом наборе. Ограничения включают зависимость от специализированного ПО и оборудования SM120, необходимость отдельного DFlash2-чекпойнта для некоторых профилей, ограниченную ёмкость резидентного контекста в мультимодальном режиме и постановку дополнительных запросов в очередь. Модель распространяется по лицензии shapleymcg-license-1.0; отдельный DFlash2-чекпойнт имеет лицензию CC-BY-NC-ND-4.0.

Holo3.1-35B-A3B-NVFP4 — мультимодальная vision-language модель компании H Company для компьютерных агентов. Она предназначена для взаимодействия с веб-сайтами, настольными и мобильными интерфейсами, включая навигацию, автоматизацию действий, UI grounding, компьютерное управление и выполнение бизнес-сценариев. Модель поддерживает нативный вызов функций для интеграции с агентскими фреймворками и ориентирована на локальное развертывание. Модель относится к семейству Holo3.1, построенному на базе моделей Qwen 3.5; для данного варианта заявлены базовые модели Qwen/Qwen3.6-35B-A3B, Qwen/Qwen3.5-9B, Qwen/Qwen3.5-4B и Qwen/Qwen3.5-0.8B. Размер семейства для старшей версии составляет 35B-A3B параметров, а используемый формат весов — NVFP4 W4A16, полученный с помощью Nvidia Model-Optimizer. В карточке указана поддержка английского языка и сценариев image-text-to-text, однако размер контекста не приведён. Сильные стороны модели — поддержка нескольких сред, включая web, desktop и mobile, возможности компьютерного управления, интеграция через function calling и сниженные требования к локальному запуску благодаря квантованному формату. Ограничения включают отсутствие в карточке подробных количественных результатов тестов, информации о контекстном окне и перечне дополнительных языков; заявленные характеристики не гарантируют одинаковую эффективность во всех интерфейсах и задачах. Модель распространяется по лицензии Apache 2.0.

Llama-4-Scout-17B-16E-Instruct — мультимодальная инструкционная модель Meta, опубликованная на Hugging Face организацией RedHatAI. Она построена на авторегрессионной архитектуре Llama 4 с механизмом смеси экспертов (MoE): 17 млрд параметров и 16 экспертов. Модель принимает текст и изображения и предназначена для диалогов, визуального анализа и рассуждений по изображениям. Модель подходит для ответов на вопросы об изображениях, их описания и распознавания визуальных деталей, а также для многоязычного общения. Заявлена поддержка арабского, немецкого, английского, испанского, французского, хинди, индонезийского, итальянского, португальского, тайского, тагальского и вьетнамского языков. Модель протестирована для понимания до пяти входных изображений; для большего числа изображений требуется дополнительная проверка. В README также отмечены возможные риски ошибочных или небезопасных ответов и необходимость учитывать лицензионные ограничения. Модель распространяется по пользовательской коммерческой лицензии Llama 4 Community License Agreement. Карточка сообщает о проверке в RHOAI 2.20, RHAIIS 3.0 и RHELAI 1.5.

LLaVA-OneVision Qwen2 7B OV Chat — мультимодальная чат-модель, разработанная командой LLaVA-OneVision в LMMS-Lab. Она построена на архитектуре SO400M + Qwen2 и основана на LLaVA-OneVision 7B OV; для улучшения диалоговых ответов и сохранения следования инструкциям модель прошла три раунда итеративного обучения DPO на предпочтениях людей. Размер модели — 7,1 млрд параметров, контекст — 32 768 токенов. Модель предназначена для общения по изображениям, нескольким изображениям и видео, а также для обычных чат-сценариев. В обучении использовались наборы данных для одиночных и множественных изображений и видео; карточка указывает английский и китайский языки. Модель может применяться для вопросов и ответов по визуальному содержимому, описания изображений и обсуждения видео. Модель распространяется в формате safetensors для Transformers под лицензией Apache 2.0. В README результаты бенчмарков не приведены; качество на конкретных задачах может различаться, поэтому ответы следует проверять.

Jeevesh8/multiberts_seed_0_ft_3 — модель классификации текста на базе BERT из семейства Multiberts, опубликованная пользователем Jeevesh8 на Hugging Face. Она предназначена для присвоения входному тексту одного из заранее заданных классов и может использоваться в задачах последовательной классификации через библиотеку Transformers. Модель содержит около 136,7 млн параметров и принимает последовательности длиной до 512 токенов. В метаданных указаны архитектура BERT, поддержка JAX и назначение text classification. Конкретный набор классов, обучающий датасет, языки, лицензия и специализированная предметная область по доступным данным не установлены.

NbAiLab разработала эту модель на основе предварительно обученного норвежского NB-BERT Base и дообучила её для задачи MultiNLI на машинно переведённой на норвежский язык версии набора данных. Модель использует архитектуру BERT для классификации последовательностей и позволяет присваивать текстам категории, заданные пользователем, без отдельного обучения на этих категориях: названия классов преобразуются в гипотезы, например «Этот текст о спорте». Для лучших результатов рекомендуется формулировать шаблон гипотезы по-норвежски. Модель предназначена для классификации норвежских текстов по произвольному набору тем или других категорий. Она принимает текст и выдаёт оценки соответствия заданным классам. Контекст ограничен 512 токенами; доступны веса в форматах PyTorch, Flax и Safetensors. Лицензия — CC BY 4.0. Качество зависит от формулировок гипотез и названий классов; обучение на машинно переведённом MNLI может влиять на результаты.

PII-Tracer-GGUF — сборка детектора персональных данных PII-Tracer от Perplexity AI в формате GGUF для запуска с llama.cpp. В основе — двунаправленный энкодер Qwen3 примерно на 600 млн параметров с бэкбоном pplx-embed-v1-0.6b. Отдельные классификационные головы остаются в формате safetensors: одна размечает токены тегами BIOES по девяти категориям PII, другая оценивает чувствительность диалога целиком. Модель предназначена для обнаружения и маскирования персональных данных в разговорных текстах, включая имена, номера счетов, адреса, даты, электронную почту, телефоны, URL и секреты. Для разметки используется классификация токенов с ограниченным декодированием Viterbi; клиент применяет головы к векторам токенов, полученным от llama-server, и может маскировать найденные фрагменты. Карточка указывает поддержку английского и многоязычного ввода. Окно обработки составляет от 1 до 4096 токенов; более длинные документы требуется разбивать на фрагменты. Для двунаправленного внимания весь вход должен обрабатываться одним микропакетом, а для получения представлений на каждый токен нужны указанные в README параметры сервера. Точность конвертации и бэкенд могут менять результаты, возможны ложные срабатывания и пропуски PII, поэтому пороги и качество следует оценивать на целевых данных. Лицензия — MIT.

Qwen3.6-27B-ABLITERATED-UNCENSORED-PHILADELPHIA-CLASS-i1-GGUF — квантизированная GGUF-версия модели KridgeDookie/Qwen3.6-27B-ABLITERATED-UNCENSORED-PHILADELPHIA-CLASS, подготовленная mradermacher. Модель относится к семейству Qwen3.6, имеет около 27 миллиардов параметров и предназначена для генерации текста и работы с изображениями и текстом. В метаданных указана многоязычная поддержка, однако конкретный перечень языков и размер контекстного окна не приведены. Модель ориентирована на текстовую генерацию, мультимодальные сценарии image-text-to-text и задачи, где требуется сниженный уровень отказов от ответов; пометка abliterated/uncensored отражает изменение поведения исходной модели в этой области. Для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Доступны варианты квантизации i1 с разными форматами и объёмом примерно от 7,2 до 15,6 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Сильными сторонами являются мультимодальность, многоязычность и широкий выбор квантизированных вариантов, включая imatrix-квантизации. Ограничения связаны с потерей качества у наиболее компактных вариантов; README прямо отмечает низкое качество некоторых из них. Архитектурные детали, точный контекст и результаты оценивания не указаны. Модель распространяется по лицензии Apache-2.0.

TheDrainFlorist/Qwen3.8-27B-VQ-4.8bpw — это векторно-квантизированная сборка базовой модели Qwen/Qwen3.8-27B для Apple Silicon. Модель предназначена для генерации текста и обработки изображений в экосистеме MLX; она включает vision tower и распространяется в формате, совместимом с mlx-lm и mlx-vlm. Модель содержит около 27 млрд параметров, использует векторное квантование с эффективностью 4,8 бита на параметр и занимает примерно 15,45 GiB. В карточке указаны английский язык и текстовая генерация, однако размер контекстного окна не приведён. По сравнению с 4-битной affine-квантизацией эта сборка ближе к исходной bf16-модели: согласие по наиболее вероятному токену составляет 90,8%, а измеренное расхождение KL — 32,8 millinats на токен. При этом точность ниже, чем у вариантов q6, q8 и bf16. Для работы требуется версия mlx-lm с поддержкой параметра model_file; для изображений нужен mlx-vlm версии 0.6.16 или новее. Сборка рассчитана прежде всего на локальный запуск на устройствах Apple Silicon и поддерживает exo. Ограничениями являются зависимость от совместимого загрузчика и неизбежная потеря качества из-за квантования. Модель распространяется по лицензии Apache-2.0.

TheDrainFlorist/Qwen3.8-Flash-Next-VQ-3.2bpw — это векторно-квантизированная версия Qwen3.8-Flash-Next, подготовленная сообществом TheDrainFlorist с использованием VQLab для устройств Apple Silicon и MLX. Базовая модель разработана командой Qwen. Модель предназначена для генерации текста и обработки изображений в совместимых конфигурациях, включая локальный запуск на машинах с 96 ГБ объединённой памяти и распределённое обслуживание через exo. Архитектура основана на Mixture-of-Experts: заявлены 180B общих параметров, 10 из 512 активных экспертов, а также 51,2B n-gram PLE и vision-компонент. Используется VQ-квантизация с уровнем 3.2 bpw; размер артефакта составляет около 69,4 GiB. В составе поставляется собственный runtime model.py, а модель рассчитана на стек MLX. README указывает английский язык, но сведения о поддерживаемом размере контекста не приведены. Сильными сторонами являются низкое потребление памяти относительно исходной MoE-модели, поддержка текста и изображений, оптимизации ядер для Apple Silicon и возможность speculative decoding через специальную ветку exo. Ограничения связаны с зависимостью от экспериментальной архитектуры qwen4_exp: для текстового запуска требуется версия mlx-lm с ещё не вошедшим в стабильный релиз PR, а для изображений — mlx-vlm не ниже 0.6.16. Stock exo также несовместим без специальной ветки; при включении speculative decoding запросы обрабатываются последовательно. Модель распространяется по лицензии qwen-community-1.0; тип лицензии в README обозначен как other, а полный текст доступен в файле LICENSE.

Qwen3.8-Flash-Next-VQ-5.5bpw — это квантизированная data-free vector-quantized версия модели Qwen3.8-Flash-Next, разработанная TheDrainFlorist с использованием VQLab и предназначенная для запуска на Apple Silicon через MLX. Базовая модель создана командой Qwen. Модель поддерживает генерацию текста и работу с изображениями; заявленный язык — английский. Она основана на MoE-архитектуре с 180 млрд параметров в общей сложности и 10 из 512 активных экспертов, а также включает 51,2 млрд параметров n-gram PLE и vision-компонент. Размер квантизации — 5,5 бит на параметр, объём checkpoint составляет около 111,6 GiB, поэтому для запуска требуются машины с большим объёмом unified memory, ориентировочно от 128 ГБ.

Qwen3.8 Max Prime — вариант с повышенной пропускной способностью модели Qwen3.8 Max от команды Qwen компании Alibaba. Он предлагается как отдельный SKU по более высокой цене и принимает текст, изображения и видео. Метаданные каталога классифицируют модель для задачи image-text-to-text, поэтому она подходит для обработки визуального содержимого вместе с текстовыми запросами. Данных о базовой модели, архитектуре, поддерживаемых языках, ограничениях и лицензии в предоставленной карточке нет.

Phr00t подготовил GGUF-квантование iQ5KS модели Qwen3-VL-32B-Instruct-heretic-v2 с использованием imatrix. Репозиторий предназначен для запуска мультимодального диалогового ассистента, который принимает текст и изображения и отвечает текстом: например, анализирует изображения и помогает с творческими или аналитическими запросами. Автор сообщает, что использует модель для творчества и рассуждений; для работы с изображениями требуется mmproj, на который дана ссылка в README. В основе лежит дообученная модель n0kovo/Qwen3-VL-32B-Instruct-heretic-v2; лицензия — Apache-2.0. Размер контекста и поддерживаемые языки в предоставленных данных не указаны.

Qwen-SEA-LION-v4-8B-VL — мультимодальная модель на 8 млрд параметров, разработанная AI Products Pillar, AI Singapore при финансировании NRF Сингапура. Она основана на Qwen3-VL-8B-Instruct и дообучена методом SFT на примерно 9 млн инструкций и примеров вопросов и ответов для языков Юго-Восточной Азии. Модель использует архитектуру Qwen3-VL и предназначена для диалога с изображениями и текстом. Модель рассчитана на английский и семь языков региона: бирманский, индонезийский, филиппинский, малайский, тамильский, тайский и вьетнамский. Унаследованные от базовой модели возможности включают визуальные вопросы и ответы, описание изображений и использование инструментов; заявленная длина контекста — 256 тыс. токенов. Разработчики сообщают, что дообучение преимущественно на текстовых данных сохранило возможности базовой модели в задачах компьютерного зрения. Модель может галлюцинировать, давать нерелевантные или противоречивые ответы и не проверялась на устойчивость к состязательным запросам. Она не прошла настройку безопасности, поэтому разработчикам приложений следует самостоятельно оценить её поведение и при необходимости адаптировать меры безопасности. Лицензия — MIT.

sahuabinash/slm-125m-finetuned-qa — плотная языковая модель на архитектуре LLaMA с 125,8 млн параметров, дообученная автором на базе thesreedath/slm-125m-base. Она предназначена для ответов на вопросы с опорой на предоставленный текст в юридических, финансовых и общих сценариях, а также для суммаризации, извлечения сведений и перефразирования. Модель обучена полным дообучением на 7 521 примере в формате диалога; в обучающих данных использовались юридические, финансовые, SEC- и веб-материалы, ответы фильтровались на обоснованность и дедуплицировались. Контекст — 1 024 токена; для запуска указана библиотека Transformers. Модель ориентирована на англоязычные текстовые запросы и генерирует текст. В карточке приведена perplexity 9,13 на задаче вопросов и ответов, но широкие сравнительные оценки качества не представлены. Для получения результатов требуется соблюдать специальный формат токенов базовой модели. Лицензия — Apache-2.0.

deepset/tinybert-6l-768d-squad2 — англоязычная модель для извлекающего ответа на вопросы, разработанная deepset. Она находит в переданном тексте фрагмент, отвечающий на вопрос, и предназначена для поиска ответов в документах, в том числе в конвейерах Haystack. Модель основана на TinyBERT General 6L 768D и обучена методом дистилляции промежуточных и предсказательных слоёв с учителем deepset/bert-base-uncased-squad2. Для обучения использовались данные SQuAD 2.0; оценка проводилась на dev-разбиении этого набора. Это плотная BERT-модель класса BertForQuestionAnswering с 80,1 млн параметров и контекстом до 512 токенов. Модель принимает текст и возвращает текстовый ответ, работает на английском языке. Опубликованные форматы весов — PyTorch и Safetensors. Лицензия — MIT. Модель рассчитана на извлечение ответов из предоставленного контекста, а не на свободную генерацию или универсальный чат. Её качество зависит от соответствия вопроса и текста; контекст ограничен 512 токенами, поэтому для длинных документов требуется предварительное разбиение на фрагменты.

Модель carted-nlp/categorization-finetuned-20220721-164940-distilled-20220810-185342 — дообученный классификатор текста на базе RoBERTa, разработанный carted-nlp. Модель содержит 36 млн параметров и принимает текст с контекстным окном до 514 токенов. Она предназначена для классификации текстов. В карточке приведены результаты оценки: accuracy 0,87 и F1 0,869. Данные о классах, обучающем наборе и целевой области применения не раскрыты. Модель распространяется в формате PyTorch; лицензия в предоставленных сведениях не указана.

Карточка модели valhalla/distilbart-mnli-12-9 на Hugging Face совпадает с карточкой valhalla/distilbart-mnli-12-3, поэтому описание составлено по ней. DistilBart-MNLI-12-3 — дистиллированная модель семейства BART, разработанная Valhalla на основе bart-large-mnli. Она предназначена для классификации текста по заданным пользователем категориям без отдельного обучения на этих категориях: модель оценивает соответствие текста гипотезам, сформулированным для меток классов. Модель содержит 252,8 млн параметров и принимает последовательности длиной до 1024 токенов. При создании были взяты чередующиеся слои bart-large-mnli, после чего модель дополнительно обучили на тех же данных MNLI. По данным карточки, точность составляет 88,1% на matched и 88,19% на mismatched части оценки MNLI; исходная модель показывает 89,9% и 90,01% соответственно. Репозиторий содержит веса PyTorch и Flax. Метаданные не указывают лицензию; модель ориентирована на английский язык, что следует из обучения и оценки на MNLI.

Это модель для ответов на вопросы, созданная дообучением distilbert-base-uncased на наборе данных SQuAD. Она принимает текстовый контекст и вопрос и извлекает ответ из контекста. Модель построена на архитектуре DistilBERT и предназначена для задач извлечения ответов; максимальная длина контекста составляет 512 токенов. Модель подходит для поиска ответов в коротких текстах, справочных материалах и документах, когда ответ явно содержится в исходном тексте. Она выпущена в формате PyTorch и распространяется по лицензии Apache-2.0. В карточке приведено значение функции потерь 1,3672 на оценочном наборе SQuAD.

Document Image Transformer (DiT) large — визуальный трансформер-энкодер, разработанный Microsoft и впервые опубликованный в репозитории microsoft/dit-large. Модель предварительно обучена без учителя на 42 миллионах изображений документов из набора IIT-CDIP. Её архитектура соответствует BEiT: изображения разбиваются на патчи размером 16×16, а при предобучении модель учится восстанавливать визуальные токены для замаскированных участков. Размер модели — 411 млн параметров. DiT предназначена для получения векторных представлений изображений документов и дообучения для классификации документов, обнаружения таблиц и анализа структуры страницы. Она подходит для построения признаков, используемых в специализированных системах обработки документов. Модель принимает изображения и выдаёт представления, пригодные для последующих задач машинного обучения. В карточке указана лицензия Apache-2.0. Для прикладных задач обычно требуется обучить классификационную или иную задачу-специфичную голову на размеченных данных; сама базовая модель не выполняет готовую классификацию, обнаружение таблиц или анализ макета без такого дообучения.

ISTA-DASLab/gemma-3-12b-it-GPTQ-4b-128g — квантизированная версия мультимодальной instruction-tuned модели google/gemma-3-12b-it. Она предназначена для задач генерации текста и обработки изображений с текстовыми запросами, включая описание изображений и сценарии визуально-языкового диалога. Модель поддерживает архитектуру Gemma 3 с языковой и зрительной компонентами; точные языки и максимальный размер контекста в README не указаны. Веса линейных операторов языковой части трансформерных блоков сжаты до INT4 с использованием GPTQ, симметричной групповой квантизации и размером группы 128. Зрительная модель и мультимодальный проекционный слой сохранены в исходной точности. Это примерно на 75% уменьшает размер на диске и требования к видеопамяти по сравнению с 16-битной версией, что упрощает локальный запуск и инференс через transformers или vLLM. В тестах OpenLLM средний результат составил 0,7405 против 0,7524 у исходной модели, то есть качество снизилось незначительно. Модель подходит для развёртывания на GPU с ограниченными ресурсами и мультимодальных приложений, однако квантизация может немного ухудшать точность по сравнению с оригиналом, а README не содержит подробностей о производительности на разных конфигурациях и языках. Для работы требуются совместимые версии transformers или vLLM. Лицензия указана как gemma.