I.4Обработка документов и форм

Chunity/gemma-4-E4B-it-AWQ-4bit — мультимодальная 4-битная версия модели google/gemma-4-E4B-it, подготовленная Chunity. Это checkpoint для Transformers с поддержкой обработки текста, изображений и аудио; точный набор языков, размер контекста и полное число параметров в README не указаны. Модель предназначена для мультимодальных сценариев генерации ответов, а также для задач, поддерживаемых исходной instruction-tuned моделью Gemma 4 E4B IT. Квантование выполнено методом AutoRound с последующим форматом AWQ: языковые слои model.language_model.layers преобразованы в 4-битный формат с group size 128 и 500 итерациями калибровки. vision_tower, audio_tower, embed_vision, embed_audio и lm_head сохранены в более высокой точности, поэтому checkpoint имеет смешанную FP/AWQ-структуру. Приблизительный размер на диске — 9,9 ГБ. По README, модель прошла базовую проверку загрузки через Transformers AWQ loader и генерации ответа на простейший текстовый запрос. Для использования рекомендуется AutoModelForCausalLM и AutoProcessor из библиотеки Transformers с автоматическим выбором типа данных. Сильной стороной является снижение требований к памяти по сравнению с полноточной моделью при сохранении мультимодальных компонентов. Ограничения включают отсутствие подробных данных о качестве, языках и контексте, а также зависимость совместимости от поддержки параметра modules_to_not_convert в конфигурации квантования. Условия лицензирования в README не указаны.

Juicer — локально развёртываемая модель Data-Juicer для уточнения и очистки данных по инструкциям на естественном языке. Это дообученная методом SFT и reinforcement learning модель Qwen/Qwen3.6-35B-A3B: архитектура MoE содержит 35 млрд параметров, из которых активируются 3 млрд на токен; в базовой архитектуре также есть визуальный энкодер, но Juicer предназначена для обработки текста. Модель принимает рецепты очистки, правила фильтрации и инструкции по семантической разметке, а результаты выдаёт в виде текста с тегами или канонического JSON. Juicer выполняет отдельные и составные операции, соблюдает их заданный порядок и поддерживает почти 70 операторов Data-Juicer. Примеры задач: нормализация пробелов, удаление дублей и ссылок, фильтрация по качеству, обезличивание персональных данных, оценка по рубрике и классификация безопасности. Модель рассчитана на локальные конвейеры подготовки данных, включая обработку приватных корпусов; доступна для запуска через vLLM, SGLang или Transformers. Карточка сообщает об оценке на CDR-Bench. Лицензия — Apache-2.0. Высокозначимые результаты следует проверять валидаторами или человеком; модель не предназначена для широкого чата, программирования, тестирования зрения или автономных юридических и комплаенс-решений.

LFM2.5-VL-450M-Extract-MLX-bf16 — конвертированная в формат MLX версия компактной мультимодальной модели Liquid AI LFM2.5-VL-450M-Extract для устройств Apple Silicon. Она принимает изображения и описание полей, которые нужно извлечь, и возвращает значения в строгом формате JSON; поддерживаются определения полей через YAML и ограничения на допустимые значения. В языковой части около 350 млн параметров, также используется визуальный энкодер SigLIP2 примерно на 100 млн параметров. Модель работает в точности bfloat16 через MLX и mlx-vlm; заявленный расход объединённой памяти при инференсе — около 900 МБ. Модель предназначена для извлечения структурированных сведений из изображений, например характеристик видимых объектов или поверхностей. Карточка указывает английский язык. Репозиторий основан на LiquidAI/LFM2.5-VL-450M-Extract; в метаданных лицензия обозначена как other, поэтому конкретные условия следует сверить с лицензией базовой модели и репозитория.

AaryanK/Muse-Glimmer-30B-GGUF — это набор квантизированных сборок модели Muse-Glimmer-30B от meta-models, подготовленный AaryanK. Модель распространяется в формате GGUF и предназначена для запуска через llama.cpp и совместимые инструменты. В комплект также входит исходный неквантизированный vision encoder в формате BF16, поэтому модель поддерживает сценарии image-text-to-text и диалоговое взаимодействие с визуальными данными. Базовая модель содержит около 27,86 млрд параметров, 52 плотных слоя и использует архитектуру GQA 32:2. Доступны восемь вариантов квантизации AK с разными требованиями к диску и качеством: от AK-Q2_K_XL размером 12,45 ГБ до AK-Q8_K_XL размером 34,96 ГБ. Для запуска в README приведён контекст 8192 токена. Языки и точный перечень поддерживаемых мультимодальных возможностей не указаны. Ключевая особенность линейки — индивидуальное распределение битов по тензорам, рассчитанное для каждого размера модели. Согласно приведённым измерениям, сборки AaryanK показали более низкую ошибку KLD по сравнению с сопоставимыми версиями Unsloth, Meta и bartowski; наиболее точной названа AK-Q8_K_XL, а AK-Q4_K_XL ориентирована на класс файлов около 16 ГБ. Ограничения включают значительный объём файлов, зависимость качества от выбранного уровня квантизации и необходимость отдельного vision encoder для мультимодального запуска. Лицензия — Apache-2.0.

MVP — модель генерации естественного языка, представленная Tianyi Tang, Junyi Li, Wayne Xin Zhao и Ji-Rong Wen в работе «MVP: Multi-task Supervised Pre-training for Natural Language Generation». Она предварительно обучена с учителем на смеси размеченных наборов данных и использует стандартную архитектуру Transformer encoder-decoder. Модель предназначена для генерации текста и может адаптироваться к суммаризации, преобразованию данных в текст, диалогу, созданию историй, ответам и генерации вопросов, а также перефразированию и упрощению текста. MVP также можно адаптировать к задачам понимания языка, включая классификацию последовательностей и извлекающий вопросно-ответный поиск. Карточка указывает поддержку английского языка и контекст до 1024 токенов. Модель доступна в формате PyTorch по лицензии Apache 2.0. Указанные сценарии описывают возможности адаптации; качество для каждой конкретной задачи зависит от используемой версии или дообучения.

Ornith-1.5-9B-ROCmFPX-AGENT-GGUF — квантизированный вариант мультимодальной модели Ornith-1.5-9B от ornith-ai, опубликованный в формате GGUF. Модель предназначена для генерации текста по текстовым и визуальным входам, включая сценарии агентного использования и вызова инструментов. В комплект входит vision projector для обработки изображений. Модель использует архитектуру Qwen3_5ForConditionalGeneration (qwen35) с 32 слоями и размером скрытого представления 4096; стек гибридный и включает 24 gated-deltanet- и 8 полно-внимательных слоёв. Объём словаря составляет 248 320 токенов, модель не является MoE. Доступны варианты Q6_0 и Q8_0 ROCmFPX; версия AGENT Q8_0 использует повышенную точность для отдельных компонентов, чтобы улучшить качество вызова инструментов. В README приведены результаты работы с контекстом 4096 токенов и скорость около 22 токенов в секунду на AMD Ryzen AI MAX+ 395 с 128 ГБ объединённой памяти и ROCm 7.13.0. Поддерживаемые языки явно не указаны. Основное преимущество — адаптация под AMD Strix Halo (gfx1151) и сохранение компонентов повышенной точности для агентных сценариев. Модель требует специальной сборки llama.cpp с поддержкой ROCmFPX и не загружается в стандартных llama.cpp, Ollama или LM Studio. Спекулятивное декодирование недоступно, а заявленное преимущество AGENT-режима не продемонстрировано без draft-модели. Лицензия — Apache-2.0.

PS3-1.5K-SigLIP — разработанный NVIDIA визуальный энкодер на основе SigLIP SoViT-400m, дообученный для извлечения признаков из изображений высокого разрешения. Модель принимает RGB-изображения размером до 1512 × 1512 пикселей и возвращает тензор визуальных эмбеддингов для использования в последующих моделях и прикладных системах. PS3 поддерживает выбор значимых высокодетализированных областей изображения по визуальной значимости или текстовым подсказкам. Это помогает извлекать признаки для анализа изображений, содержащих мелкие детали, текст, диаграммы и документы. Модель обучалась на 75 млн изображений, включая данные на основе SA-1B и IDL; ориентирована на исследовательскую и разработческую работу и оптимизирована для NVIDIA GPU. Лицензия в предоставленных данных не указана.

lukey03/Qwen3.5-9B-abliterated-GGUF — это GGUF-квантизированные версии модели Qwen3.5-9B, разработанные пользователем lukey03 на основе официальной Qwen/Qwen3.5-9B. Модель предназначена для локального запуска через Ollama, llama.cpp и другие совместимые движки. Доступны текстовые варианты, а также мультимодальная версия для анализа изображений и текста. Архитектура Qwen3.5 нативно поддерживает мультимодальность благодаря встроенному vision-энкодеру. В vision-варианте сохранены компоненты обработки изображений и MTP-тензоры официальной модели, а текстовые веса заменены на abliterated-версию. Доступны варианты Q4_K_M размером около 5,2 ГБ для текста и 6,1 ГБ для текста и изображений, а также текстовая версия F16 размером около 17 ГБ. Поддерживаются английский, китайский, японский, корейский, французский, немецкий и испанский языки. Для vision-варианта требуется Ollama версии 0.17.1 или новее. Ключевая особенность — удаление поведения отказа с помощью ортогональной проекции весов и последующей QLoRA-донастройки; автор заявляет успешные ответы на 18 из 18 тестовых запросов, на которые базовая модель не отвечала. Это может быть полезно для исследовательских и образовательных сценариев, требующих более прямых ответов, однако одновременно снижает встроенные защитные ограничения и повышает риски небезопасного применения. Контекстное окно в README не указано, поэтому его характеристики нельзя оценить по предоставленным данным. Модель распространяется по лицензии Apache-2.0. Автор также указывает, что пользователи самостоятельно отвечают за соблюдение законодательства и этических норм.

Hirundo Qwen3.6-35B-A3B Westernized — модель Hirundo на базе Qwen/Qwen3.6-35B-A3B, изменённая методом поведенческого unlearning для снижения цензурирующих и геополитически предвзятых ответов при сохранении прочих возможностей. Это мультимодальная MoE-модель для диалогов и анализа изображений; метаданные указывают семейство Qwen 3.5 MoE, интерфейс вызова инструментов и задачу image-text-to-text. Репозиторий содержит самостоятельный объединённый чекпойнт в формате Safetensors, который загружается без отдельного адаптера. В README не приведены размер контекста и список языков. Модель подходит для мультимодальных диалогов, анализа изображений и сценариев с вызовом инструментов, где требуется уменьшить отказы или геополитически обусловленные ответы. В оценках Thinking-OFF из блога Hirundo сообщается о снижении показателей на CCPC-500, DECCP и ChinaBench; результаты безопасности различаются по тестам, а README подчёркивает, что они относятся только к указанным бенчмаркам. Чекпойнт распространяется по лицензии Apache-2.0.

bartowski/Qwen_Qwen3.5-0.8B-GGUF — это набор GGUF-квантизированных версий модели Qwen3.5-0.8B, разработанной Qwen и преобразованной bartowski с использованием llama.cpp. Модель предназначена для задач image-text-to-text и локального запуска через llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Доступны варианты от BF16 до Q2_K_L, включая популярные квантизации Q4, Q5, Q6 и Q8; размер файлов составляет примерно от 0,50 до 1,56 ГБ. В README также указана поддержка MTP-слоёв и запуска с параметром --spec-type draft-mtp. Модель поставляется в формате GGUF и использует шаблон диалога с системными, пользовательскими и ассистентскими сообщениями. К сильным сторонам относятся небольшой размер, возможность локального использования и широкий выбор компромиссов между качеством и потреблением памяти. Более низкие уровни квантизации экономят ресурсы, но могут заметно снижать качество генерации; для некоторых вариантов требуется актуальная версия поддерживающего ПО. В README не указаны точные размер контекста, языки, архитектурные детали исходной модели и результаты бенчмарков. Лицензия — Apache-2.0.

Swarm Sovereign 26B — мультимодальная модель для работы с текстом и изображениями, представленная в формате GGUF. Базовая модель разработана LiamVisionary, а данная квантизированная версия подготовлена mradermacher. Модель предназначена для генерации текста и диалоговых сценариев, включая использование в приложениях, поддерживающих GGUF и vision-модели. Модель содержит около 26 миллиардов параметров, относится к семейству Gemma4 и поддерживает английский язык. README не указывает архитектуру на уровне компонентов, размер контекстного окна или точные возможности обработки изображений, однако подтверждает наличие vision-компонента и необходимость использования соответствующего mmproj-файла из статического репозитория. Доступны варианты квантизации i1-IQ1_S–i1-Q6_K размером примерно от 8,4 до 22,7 ГБ. Варианты различаются компромиссом между размером, скоростью и качеством; Q4_K_M отмечен как рекомендуемый, а Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Сильной стороной модели является выбор многочисленных GGUF-квантизаций, позволяющий запускать её на оборудовании с разным объёмом памяти, а также поддержка изображений. Ограничения включают потенциальное снижение качества у наиболее компактных вариантов и необходимость отдельного vision-проектора для мультимодальной работы. Модель распространяется по лицензии Apache-2.0.

KnutJaegersberg/Tess-M-34B-2bit — 2-битная квантованная версия Tess-M-34b-v1.4, подготовленная автором репозитория на базе модели Tess-M от migtissera. Tess-M-v1.4 обучена на Yi-34B-200K; архитектура — плотная LlamaForCausalLM с 33,9 млрд параметров и контекстом до 200 000 токенов. Модель предназначена для генерации текста общего назначения, в том числе для few-shot запросов с длинным контекстом и короткими ответами; автор отмечает сценарии запуска на пользовательских и GPU для анализа данных. Для квантования использован quip# с контекстом Гессиана 8K. В README указано, что perplexity на dev-наборе немного выше, чем у исходной модели, а инференс работает медленно. Репозиторий содержит веса safetensors и предлагает запуск через интеграцию quip# в textgen-webui. Лицензия указана как other; README ссылается на соглашение Model License Agreement 2.0 для моделей Yi и требует разрешения для коммерческого использования.

Bahasa-4b — языковая модель Bahasa AI для понимания и генерации текстов на индонезийском языке. Это плотная авторегрессионная модель семейства Qwen2 примерно с 3,6 млрд параметров, полученная продолжением обучения Qwen-4b на 10 млрд высококачественных индонезийских текстовых данных. Контекст модели составляет до 32 768 токенов. Модель предназначена для диалоговых приложений и индонезийских NLP-задач, включая ответы на вопросы, анализ тональности и суммаризацию документов. В README приведены результаты на индонезийских бенчмарках: модель превосходит Sailor_4b в указанных сравнениях и конкурентоспособна с Mistral-7B-v0.1, хотя показатели различаются по задачам. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому условия использования следует сверить с лицензией и правилами разработчика.

mrm8488/bert-mini-finetuned-squadv2 — англоязычная компактная модель BERT-Mini, созданная Manuel Romero на основе модели Google Research и дообученная на SQuAD 2.0 для ответов на вопросы по заданному фрагменту текста. Она предсказывает ответ из контекста и может воздержаться от ответа, если контекст не содержит подтверждения. Модель насчитывает 12 млн параметров, имеет контекстное окно 512 токенов и доступна в форматах PyTorch и Flax. Размер обученной модели в README указан как 42,63 МБ. BERT-Mini разработана для сценариев с ограниченными вычислительными ресурсами. В приведённой оценке на SQuAD 2.0 модель получила EM 56,31 и F1 59,65. Её можно применять для извлечения ответов из абзацев, например, в системах поиска по документам. Модель распространяется под лицензией Apache 2.0.

Это двуязычная модель ответов на вопросы, разработанная Deutsche Telekom на основе bert-base-multilingual-cased и дообученная для задачи question answering. Она извлекает ответы из предоставленного контекста и рассчитана на работу с текстами на английском и немецком языках. Для дообучения использованы SQuAD 2.0 и немецкий набор deQuAD 2.0, созданный на основе автоматического перевода SQuAD с последующей редактурой. Карточка приводит результаты оценки на английском SQuAD 2.0: F1 92,85 и exact match 90,29. Модель имеет около 205,1 млн параметров, принимает контекст длиной до 512 токенов и распространяется по лицензии MIT.

BAAI/BGE-VL-Screenshot — модель семейства UniSE от BAAI для поиска по скриншотам и визуально представленным данным. Она дообучена на базе Qwen2.5-VL-3B-Instruct и использует архитектуру Qwen2.5-VL с 3,1 млрд параметров. Модель совместно представляет содержимое скриншотов, включая текст, изображения, таблицы и диаграммы, и поддерживает поиск, при котором запрос или результат могут охватывать разные модальности. Модель предназначена для поиска скриншотов по текстовым и составным запросам, а также для сопоставления скриншотов с другими данными. В Sentence Transformers предусмотрены режимы «query» для составных запросов с изображением и текстом и «document» для скриншотов-кандидатов. Контекст — до 128 000 токенов; заявлены языки английский, китайский, арабский, французский и испанский. Метаданные указывают возможности эмбеддингов и интерфейс вызова инструментов; веса доступны в формате safetensors. В README сообщается о высоких результатах семейства UniSE на бенчмарке MVRB для задач поиска по скриншотам. Это не свидетельствует о качестве на любых иных наборах данных; код оценки и дообучения в плане выпуска отмечен как ещё не опубликованный. Лицензия модели — MIT.

Это модель DeBERTa-base, дообученная на базе microsoft/deberta-base для ответов на вопросы. Она предназначена для извлечения ответа из текста по заданному вопросу и может использоваться, например, в системах поиска ответов по документам. Модель содержит 151,8 млн параметров, использует архитектуру DeBERTa и принимает контекст длиной до 512 токенов. В README указана метрика Loss 0,9431 на наборе оценки, однако сведения о наборе данных, методике оценки и практических ограничениях отсутствуют. Модель опубликована в формате PyTorch под лицензией MIT.

Eve-2-MoE-IT-272M — модель на 272 млн параметров с архитектурой MoE и причинным языковым моделированием, созданная Энтони Майо (Public Outputs). Она дообучена для следования инструкциям и задумана как компактная основа для специализированных моделей семейства Eve Swarm, выполняющих узкие преобразования вроде генерации SQL, создания Git-коммитов и извлечения JSON. В карточке также описаны примеры специализированных моделей для вызова функций и обработки документов. Модель ориентирована на небольшое потребление ресурсов и развёртывание на CPU; формат весов в репозитории — PyTorch и SafeTensors. В README автор описывает обучение на NVIDIA H200 и рекомендует создавать узких специалистов на парах «вход — желаемый результат», поскольку модель быстро запоминает данные. Лицензия — MIT. Английский указан как язык карточки; размер контекстного окна не приведён в доступных сведениях.

harpertoken/harpertokenConvAI — англоязычная модель на базе DistilBERT для извлечения ответов на вопросы по заданному контексту. В карточке указано обучение на Stanford Question Answering Dataset (SQuAD); модель предназначена для понимания вопроса и контекста и выдачи точного ответа. Её можно применять для поиска ответов в текстах и контекстных диалоговых сценариях. Модель использует архитектуру DistilBertForQuestionAnswering, принимает текст и выдаёт текстовый ответ. Размер контекстного окна — до 512 токенов. Метаданные указывают форматы PyTorch и Safetensors, лицензию MIT. В карточке приведены показатели Exact Match 75% и F1 85% на SQuAD.

JGOS-31B-Think — корейская модель с акцентом на рассуждения, разработанная VIDRAFT. Это плотная модель семейства Gemma 4 с 31 млрд параметров, предназначенная для диалогов и задач с изображениями и текстом. В карточке заявлен пошаговый режим рассуждений; метаданные также указывают поддержку зрения. Модель можно развернуть через vLLM и OpenAI-совместимый API. Лицензия — Apache-2.0.

KoVRE — модель эмбеддингов Whybe Choi для поиска страниц корейских документов по текстовому запросу. Она дообучена на базе Qwen/Qwen3-VL-Embedding-2B и содержит 2 млрд параметров. Модель сопоставляет запрос непосредственно с изображением страницы, сохраняя визуальные и структурные сведения о таблицах, иллюстрациях и макете без отдельного распознавания текста или разбора разметки. KoVRE предназначена для поиска по отсканированным или отрисованным страницам, мультимодального RAG и построения крупных индексов документов. Она выдаёт один L2-нормированный плотный вектор размерностью от 128 до 2048; для поиска релевантности используется косинусное сходство. Обучение включало контрастивное обучение на корейских и английских парах «запрос—страница» и дистилляцию оценок релевантности от Qwen3-VL-Reranker-8B. Модель специализируется на корейских визуальных документах; качество для обычных изображений и других языков, кроме корейского и английского, не установлено. Оценка ограничена двумя корейскими наборами, а сходство является сигналом ранжирования, а не калиброванной вероятностью. Репозиторий распространяется по лицензии Apache-2.0.

mREBEL-large-32 — многоязычная модель извлечения отношений, разработанная авторами работы REDFM и основанная на REBEL. Она преобразует задачу выделения отношений между сущностями в последовательность текста и может применяться как готовая система извлечения отношений или как отправная точка для дообучения на многоязычных наборах данных.

Ornith-1.5-35B-A3B-Spark-Abliterated-VL-MTP-NVFP4 — объединённая мультимодальная модель на основе Ornith 1.5, подготовленная для запуска через vLLM на DGX Spark и похожих системах с ускорителями Blackwell и примерно 44 ГБ или более видеопамяти. Языковая часть взята из pottokao/Ornith-1.5-35B-A3B-abliterated-NVFP4-DFlash, а модуль обработки изображений и блок многотокенного предсказания — из ornith-ai/Ornith-1.5-35B-A3B-NVFP4. Модель использует архитектуру Qwen3.5 MoE и формат NVFP4; заявленный размер семейства — 35B параметров с 3B активных. Модель принимает текст и изображения, поддерживает диалог и интерфейс вызова инструментов. README описывает запуск на DGX Spark: автор сообщает о скорости более 70 токенов/с в одном потоке и около 400 токенов/с при 16 потоках. Карточка указывает английский язык. Лицензия — MIT. Версия содержит abliterated-языковую часть; README не приводит конкретных ограничений безопасности или результатов оценки качества.

PII-Tracer-MLX — версия детектора персональных данных PII-Tracer в формате MLX, подготовленная Perplexity AI для работы с MLX. Это модель для обнаружения и маскирования персональных данных в разговорных текстах. В основе — двунаправленный энкодер Qwen3 примерно на 600 млн параметров с backbone perplexity-ai/pplx-embed-v1-0.6b и двумя выходными головами: классификатор токенов с BIOES-разметкой девяти категорий PII и классификатор чувствительности диалога. Для декодирования меток токенов используется ограниченный алгоритм Витерби. Линейные проекции backbone квантизованы до 8 бит с размером группы 64; эмбеддинги и нормализационные веса хранятся в bf16, а обе головы — в fp32. Конфигурация задаёт предел в 4096 токенов. Репозиторий содержит веса и конфигурацию, но не реализацию модели или скрипт загрузки: для инференса нужна совместимая реализация двунаправленного энкодера Qwen3 и голов в MLX. Лицензия — MIT.

Модель mukowaty/punctuate-16 восстанавливает пунктуацию в тексте, выполняя поклассовую разметку токенов. Она основана на XLM-RoBERTa и работе Oliver Guhr; в модели около 305,2 млн параметров, а максимальный контекст составляет 514 токенов. В метаданных указана поддержка болгарского, английского, немецкого, французского, испанского, итальянского, польского, нидерландского, чешского, португальского, словенского, греческого, шведского, венгерского, румынского, словацкого и датского языков. Модель подходит для автоматического восстановления знаков препинания в текстах, где пунктуация была удалена или утрачена, например при подготовке распознанной речи к чтению. Она выпущена в формате PyTorch. Сведения о лицензии в доступных источниках отсутствуют.

Это конверсия в формат MLX модели Qwen3.5-9B-The-Defiant-Fable-Uncensored-Heretic, подготовленная PipeNetwork для Apple silicon. Веса сохранены в bfloat16 без квантизации; исходный набор весов — nightmedia/Qwen3.5-9B-DS9-USS-Defiant. Модель объединяет дообучения Qwen3.5, упомянутые авторами исходной модели, и предназначена для диалогов, рассуждений, творческого письма и работы с изображениями. Архитектура — плотная мультимодальная Qwen3.5 с 9 млрд параметров, 32 слоями и 27-слойной визуальной башней. Модель принимает текст и изображения, выдаёт текст и поддерживает контекст до 262 144 токенов. Карточка указывает английский и китайский языки. Репозиторий рассчитан на запуск через MLX на компьютерах Apple с Apple silicon; веса занимают около 18,8 ГБ. При конверсии отброшены веса MTP, поэтому недоступно ускорение спекулятивного декодирования, которое они обеспечивают в некоторых сборках. Модель распространяется по лицензии Apache-2.0. Название указывает на uncensored-редакцию; качество и ограничения безопасности унаследованы от исходных весов, а отдельная оценка этой конверсии в карточке не приводится.

DreamFast/Qwen3-VL-8B-Heretic-1.3.0 — экспериментальная модификация Qwen/Qwen3-VL-8B-Instruct, созданная с использованием Heretic v1.3.0 и метода abliteration. Модель разработана сообществом Abliterlitics и предназначена для исследовательских задач, диалоговой генерации текста, обработки изображений и текста, а также использования в ComfyUI как текстовый энкодер для генерации изображений. Поддерживаются английский и китайский языки. Модель построена на архитектуре Qwen3VLForConditionalGeneration и содержит около 8 млрд параметров. Она работает в формате bf16, имеет контекстное окно 8192 токена и поддерживает текстовые и графические входы, однако не использует специальные токены рассуждений. Полная версия Hugging Face и форматы ComfyUI сохраняют поддержку зрения; варианты GGUF лишены vision-энкодера и предназначены только для текстовых сценариев в ComfyUI. Основное изменение — существенное снижение частоты отказов при сохранении большинства исходных возможностей: по данным README, среднее изменение на восьми тестах не превышает 1%, а KL-дивергенция составляет около 0,0314. При этом заметно ухудшается результат на TruthfulQA, что отражает компромисс между безопасностью и подчинением запросам. Релиз имеет исследовательский и экспериментальный характер; для генерации изображений в ComfyUI одного изменённого текстового энкодера недостаточно для существенного улучшения качества, и рекомендуется совместное дообучение LoRA. Модель распространяется по лицензии Apache-2.0.

Tanaos разработала эту модель на базе tanaos/tanaos-NER-v1 и дообучила её с помощью библиотеки Artifex на синтетических данных для распознавания персональных данных в тексте. Это модель RoBERTa для токеновой классификации с 151,8 млн параметров и контекстом до 514 токенов. Она выделяет пять категорий чувствительных сущностей, включая имена людей, местоположения и даты, после чего обнаруженные фрагменты можно удалить или заменить для анонимизации текста. Модель предназначена для подготовки текстов к передаче, публикации или дальнейшей обработке, когда требуется снизить риск раскрытия персональных данных. В карточке заявлена поддержка английского языка; обучение проводилось на синтетическом наборе примерно из 10 тысяч фрагментов. Указана лицензия MIT. Авторы отмечают, что для специализированных текстов может потребоваться дополнительное дообучение; распознавание сущностей само по себе не гарантирует полного удаления всех персональных данных или соответствия требованиям GDPR.

Cohere и Cohere Labs разработали Tiny Aya Base — авторегрессионную языковую модель на архитектуре Transformer с 3,35 млрд параметров. Она предназначена для дообучения, адаптации к инструкциям и локального запуска в условиях ограниченных вычислительных ресурсов. Модель принимает текст и генерирует текст; контекст составляет до 8 тысяч токенов, заявлена поддержка более 70 языков, включая языки с ограниченными обучающими данными. Модель подходит для многоязычной генерации и диалогов, суммаризации, перевода и межъязыковых задач. В архитектуре используются скользящее оконное внимание с размером окна 4096 и глобальное внимание. По данным карточки, особенно сильные стороны — генерация на разных языках и работа с низкоресурсными языками. Качество рассуждений, в частности математических, ниже; фактические ответы могут быть ошибочными, а качество и понимание культурных нюансов различаются между языками. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование без отдельного разрешения; также требуется соблюдать политику допустимого использования Cohere Labs.

sshleifer/tiny-distilbert-base-cased-distilled-squad — компактная модель экстрактивного ответа на вопросы, опубликованная Sam Shleifer на Hugging Face. Она принимает вопрос и текстовый контекст и извлекает из контекста фрагмент, который отвечает на вопрос. Модель основана на архитектуре DistilBERT с классификационной головой для question answering и является уменьшенной версией DistilBERT, дообученной для SQuAD. Поддерживает английский язык и контекст длиной до 512 токенов. Доступны веса PyTorch и TensorFlow. Подходит для поиска ответов в документах и других текстах, когда ответ явно содержится в предоставленном контексте. Как экстрактивная модель, она не предназначена для свободной генерации ответов и зависит от качества и полноты контекста. Репозиторий не сообщает лицензию; условия использования следует проверять на странице модели.