I.4Обработка документов и форм

Карточка модели speakguru/Qwen3-Omni-30B-A3B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen3-Omni-30B-A3B-Instruct, поэтому описание составлено по ней. Qwen3-Omni-30B-A3B-Instruct — мультимодальная модель общего назначения от команды Qwen компании Alibaba. Она принимает текст, изображения, аудио и видео и формирует потоковые ответы текстом и естественной речью; вариант Instruct включает компоненты Thinker и Talker. Архитектура MoE использует разделение на Thinker и Talker, а модель рассчитана на низколатентное взаимодействие в реальном времени и управление поведением через системные промпты. Модель предназначена для голосовых диалогов, распознавания и понимания речи, описания аудио и видео, а также ответов на вопросы по изображениям и смешанным мультимодальным входам. README заявляет поддержку 119 языков для текста, 19 языков для речевого ввода и 10 для речевого вывода; среди явно перечисленных языков речи есть русский. В примере запуска указан максимальный контекст 65 536 токенов. Для работы предлагаются Transformers и vLLM; README отмечает, что на момент публикации требовалась установка Transformers из исходников. Лицензия в метаданных обозначена как other, без уточнения условий.

Qwen-encoder-1.5B-i1-GGUF — квантованная версия текстовой encoder-модели knowledgator/Qwen-encoder-1.5B, подготовленная mradermacher в формате GGUF. Модель основана на архитектуре Qwen и имеет около 1,5 млрд параметров. В карточке указаны английский язык и обучение на данных Wikimedia Wikipedia. Модель предназначена для задач, где нужны представления текста и анализ содержимого, включая классификацию, извлечение именованных сущностей (NER) и question answering. Как encoder она ориентирована на обработку входного текста, а не на генерацию диалоговых ответов. Максимальный размер контекста, поддерживаемые дополнительные модальности и подробные результаты оценки в README не указаны. Основное преимущество — доступность в большом наборе квантованных вариантов GGUF размером примерно от 0,5 до 1,4 ГБ, что упрощает запуск на устройствах с ограниченной памятью. При этом степень квантования влияет на качество: наиболее компактные варианты отмечены как имеющие низкое качество, а для баланса скорости, размера и качества рекомендуются i1-Q4_K_S и i1-Q4_K_M. Лицензия модели — Apache-2.0.

ColPali v1.3 HF — модель визуального поиска по документам, разработанная ViDoRe на основе PaliGemma-3B и стратегии ColBERT. Эта версия предназначена для загрузки через Transformers или Sentence Transformers; веса преобразованы из чекпойнта vidore/colpali-v1.3-merged. Модель формирует многовекторные представления страниц и текстовых запросов, чтобы находить релевантные страницы по их визуальному содержимому. Подходит для поиска по PDF и другим документам с визуально значимой структурой: например, когда важны таблицы, схемы или расположение элементов. Обучение проводилось на англоязычных парах «запрос — страница»; README сообщает о проверке переноса на другие языки, однако основное внимание уделено языкам с большими ресурсами. Для воспроизведения обученного формата запросов в Transformers нужно установить префикс «Query: » у процессора. Лицензия — Gemma; применяются условия лицензии Gemma.

Это GGUF-сборка модели Gemma 4 26B A4B IT, подготовленная FreedomAISVR из Google Gemma 4. Модель основана на инструкционно дообученной архитектуре MoE с 26 млрд параметров, из которых для каждого токена активны около 4 млрд; в описании указаны 128 экспертов и выбор 8 экспертов на токен. Модель предназначена для диалогов и генерации текста, а дополнительный файл mmproj содержит мультимодальный проектор для анализа изображений. Веса представлены в формате GGUF с квантизацией NVFP4, размер текстовой модели — около 13,45 ГБ; проектор изображения поставляется отдельно в F16 и занимает около 1,11 ГБ. Для оптимальной производительности NVFP4 требуется сборка llama.cpp с поддержкой CUDA и видеокарта NVIDIA Blackwell; запуск на CPU возможен, но медленнее. README также описывает гибридное внимание со скользящими локальными и глобальными слоями. Лицензия — Gemma; перед использованием следует соблюдать её условия.

OsaurusAI подготовила вариант Gemma 4 26B A4B Instruct в формате MLX JANG_4M на основе google/gemma-4-26B-A4B-it-qat-q4_0-unquantized. Это мультимодальная модель для диалога и генерации текста с поддержкой изображений; в карточке также заявлен интерфейс вызова инструментов. Веса упакованы с разной точностью: эмбеддинги, нормализации, компоненты обработки медиа и отдельные проекции сохранены в fp16, проекции внимания и маршрутизатор MoE используют 8-битное аффинное представление, а основная часть MLP и экспертов — 4-битное. Вариант предназначен для запуска через совместимый с Gemma 4 загрузчик MLX или vMLX, который обрабатывает настройки quantization, jang_config.json и файлы процессора и шаблона чата Gemma 4. Vision-конфигурация сохранена; активная поддержка аудио не заявлена. Лицензия — Gemma.

Horus-1.0-4B — многоязычная языковая модель TokenAI, разработанная Ассемом Сабри. Это плотная авторегрессионная модель семейства Llama с 3,7 млрд параметров, доступная в формате Safetensors и распространяемая по лицензии MIT. Она принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. Модель предназначена для диалогового помощника, учебных вопросов на арабском и английском, генерации и анализа культурного контента, базовой помощи с кодом, извлечения сведений из документов и логических задач. Разработчик заявляет особый акцент на арабском языке и культурном контексте, а также на следовании инструкциям и прозрачном обозначении идентичности модели. В карточке также упоминаются варианты GGUF, но этот репозиторий содержит Safetensors. Заявленная поддержка языков включает арабский, английский, французский, испанский, немецкий, итальянский, португальский и турецкий. README отмечает, что обучение оптимизировалось для контекста в 256 токенов, поэтому качество на более длинных входах может меняться; баланс качества между арабским и английским зависит от сложности запроса. Знания модели отражают данные примерно до начала 2024 года.

Это компактная модель классификации текста для определения языка. Она разработана на базе BERT и обучена автором репозитория на наборе hac541309/open-lid-dataset, который, согласно README, содержит 121 миллион предложений на 200 языках. Архитектура — BertForSequenceClassification: 4 слоя, скрытый размер 384, 6 голов внимания и около 25,2 млн параметров. Максимальная длина входа — 512 токенов. Модель предназначена для автоматического распознавания языка коротких и длинных текстовых фрагментов, например при маршрутизации запросов, сортировке документов или предварительной обработке многоязычных данных. README сообщает об accuracy и F1 около 0,973 на оценочном наборе примерно из 12 миллионов текстов; эти показатели зависят от состава данных и не гарантируют такое же качество на произвольных текстах. В метаданных указаны языки en, fr, de, es, ar и el, а README заявляет обучение на 200 языках. Модель принимает текст и выдаёт метку языка. Она распространяется по лицензии MIT. Возможны ошибки на очень коротких, смешанных по языкам, шумных или не представленных в обучении текстах; максимальная длина обрабатываемого контекста составляет 512 токенов.

OPI-PIB/pl-ModernBERT-base — базовый одноязычный энкодер ModernBERT для польского языка, обученный разработчиками семейства Polish ModernBERT. Модель содержит 148,7 млн параметров, использует 22 слоя с размером скрытого состояния 768 и принимает последовательности длиной до 8 194 токенов. Архитектура включает RoPE, слои GeGLU, предварительную нормализацию и чередование глобального и локального внимания; веса доступны в формате Safetensors. Модель предварительно обучена на польском корпусе примерно из 44,5 млрд токенов с задачей masked language modeling. В исходном виде она подходит для заполнения пропусков в тексте, а после адаптации — для классификации документов и последовательностей, разметки сущностей, оценки сходства, поиска и переранжирования. В оценке на 30 польских NLU-задачах базовые варианты показали конкурентные результаты, включая задачи с длинным контекстом. Модель принимает текст и выдаёт текстовые предсказания токенов; она не является готовым чат-ассистентом и для большинства прикладных задач требует дообучения или дополнительной головы. Лицензия Apache-2.0 допускает широкое использование при соблюдении её условий.

Qwen3.5-35B-A3B-Kazakh — мультимодальная модель ISSAI на архитектуре Qwen3.5 MoE для диалогов на казахском и английском языках с поддержкой изображений и видео. Это адаптация Qwen3.5-35B-A3B: базовую модель продолжительно обучали на казахских текстах, расширили словарь на 16 тысяч казахских токенов, затем перенесли инструкционное выравнивание официальной instruct-модели методом chat-vector merge. Ветвь зрения и мультимодальный проектор восстановлены из официальной модели. Модель предназначена для ответов на вопросы, диалогов и анализа визуальных материалов, в том числе на казахском языке. По данным README, она сохраняет большинство возможностей базовой модели, но отвечает более краткими рассуждениями; на сложных задачах рассуждения качество может снижаться. Зрение не дообучалось специально, поэтому на визуальных тестах возможна деградация. Для запуска указаны Transformers и vLLM; максимальная длина контекста в метаданных не приведена. Лицензия — Apache-2.0.

FreedomAISVR/Qwen3.5-4B-Instruct-MTP-NVFP4-GGUF — квантизированная в NVFP4 версия мультимодальной инструкционной модели Qwen3.5-4B, подготовленная FreedomAISVR в формате GGUF для запуска через llama.cpp. Модель содержит около 3,97 млрд параметров, использует гибридную архитектуру Gated DeltaNet, Gated Attention и FFN, поддерживает MTP (Multi-Token Prediction) и контекст до 262 тысяч токенов. В репозитории также есть проектор изображений в F16; заявлена возможность расширения контекста до 1 млн токенов. Модель предназначена для диалога и генерации текста по инструкциям, рассуждений и понимания изображений. Шаблон чата изменён: рассуждения выключены по умолчанию и включаются параметром enable_thinking=true. NVFP4 снижает размер весов для совместимых NVIDIA Blackwell GPU; для мультимодального ввода требуется отдельный файл проектора. Это производная модель от Qwen/Qwen3.5-4B, а не новая базовая разработка. Лицензия — Apache-2.0.

Qwen3-Omni-30B-A3B-Instruct — мультимодальная модель общего назначения от команды Qwen компании Alibaba. Она принимает текст, изображения, аудио и видео и формирует потоковые ответы текстом и естественной речью; вариант Instruct включает компоненты Thinker и Talker. Архитектура MoE использует разделение на Thinker и Talker, а модель рассчитана на низколатентное взаимодействие в реальном времени и управление поведением через системные промпты. Модель предназначена для голосовых диалогов, распознавания и понимания речи, описания аудио и видео, а также ответов на вопросы по изображениям и смешанным мультимодальным входам. README заявляет поддержку 119 языков для текста, 19 языков для речевого ввода и 10 для речевого вывода; среди явно перечисленных языков речи есть русский. В примере запуска указан максимальный контекст 65 536 токенов. Для работы предлагаются Transformers и vLLM; README отмечает, что на момент публикации требовалась установка Transformers из исходников. Лицензия в метаданных обозначена как other, без уточнения условий.

Táltos-27B — плотная мультимодальная модель на 27,8 млрд параметров, разработанная венгерской командой на основе Qwen/Qwen3.8-27B и дообученная для естественной речи и рассуждений на венгерском языке. Она поддерживает диалог, анализ изображений и видео, а также контекст до 262 144 токенов; архитектура сочетает Gated DeltaNet и Gated Attention. Модель предназначена для составления и редактирования венгерских текстов, резюмирования, пошаговых рассуждений и ответов на вопросы по изображениям. По описанию, дообучение улучшило венгерскую грамматику и формулировки, сохранив знания и мультимодальные возможности базовой модели. Для представленной версии указаны Transformers и формат safetensors; README также описывает отдельные варианты FP8 и GGUF. Лицензия Apache 2.0 разрешает использование, модификацию и коммерческое применение. Модель не имеет доступа к интернету, поэтому не знает о свежих событиях; факты, числа, даты и редкие имена могут требовать проверки. Математические, программные и общие знания унаследованы от базовой модели, а медицинские, юридические и финансовые решения не следует основывать только на её ответах.

Trurl 2 13B — диалоговая языковая модель, дообученная Voicelab.AI на основе Llama 2. Это авторегрессионный трансформер с 12,9 млрд параметров и контекстом до 4096 токенов; модель принимает текст и генерирует текст. Модель предназначена для диалогов в формате помощника и других задач генерации естественного языка на польском и английском языках. При обучении использовались более 1,7 млрд токенов из частных и открытых данных, включая диалоги, вопросы и ответы, а также примеры для извлечения и анализа JSON. Для чат-сценариев требуется форматирование запросов по шаблону диалога Llama 2. Модель может давать неточные, предвзятые или нежелательные ответы; её проверка охватывала не все сценарии. Перед внедрением рекомендуется оценить качество и безопасность для конкретного применения. README указывает, что модель предназначена для коммерческого и исследовательского использования, однако конкретная лицензия в предоставленных данных не приведена.

VultronRetrieverCore-Qwen3.5-4.5B — мультимодальная модель поиска по страницам документов, разработанная Vultr и обученная на базе Qwen/Qwen3.5-4B. Она предназначена для визуального поиска и мультимодальных RAG-систем по PDF, сканам, презентациям и отчётам, включая страницы с таблицами, графиками и сложной вёрсткой. Модель использует архитектуру ColQwen3_5 с поздним взаимодействием в стиле ColBERT: выдаёт многовекторные эмбеддинги размерностью 320 и сопоставляет запросы и страницы методом MaxSim. Размер модели — около 4,5 млрд параметров; генеративная голова удалена. Страницы кодируются с длиной до 1792 визуальных токенов. Модель рассчитана на английский, французский, немецкий, испанский, итальянский и португальский языки. По данным карточки, она заняла второе место в ViDoRe V3 среди указанных моделей и показала высокие результаты на ViDoRe V1 и V2. Многовекторное индексирование помогает учитывать текст, таблицы, иллюстрации и расположение элементов, но требует больше места, чем поиск по одиночным эмбеддингам. Модель не предназначена для генерации ответов и текстового поиска без изображений документов; для ответов по найденным материалам её следует использовать вместе с генеративной моделью. Другие языки находятся вне заявленного распределения. Лицензия — Apache-2.0.

DealignAI выпустила Gemma-4-12B-it-MXFP4-CRACK — дообученную и квантизированную 4-битную версию Gemma 4 12B-it от Google. Модель рассчитана на запуск через MLX на компьютерах Apple Silicon; файлы занимают около 7,5 ГБ. Архитектура объединяет текст, изображения, аудио и видео, использует 48 слоёв и гибридное внимание со скользящим окном и полным вниманием. Заявленная длина контекста — 128 тысяч токенов. Модель предназначена для диалогов, мультимодального анализа и генерации текста. По описанию автора, CRACK удаляет поведение отказа на уровне весов, сохраняя рассуждения, знания и мультимодальные возможности. В README приведены результаты HarmBench и MMLU, полученные на конкретной конфигурации; они не гарантируют такое же качество на других запросах и средах. Для запуска автор рекомендует Osaurus, поддерживающий архитектуру Gemma 4 Unified. Лицензия — Gemma. Модель не рассчитана на естественный язык отказа при потенциально вредоносных запросах, поэтому ответы требуют самостоятельной проверки.

AxionML Gemma-4-12B-NVFP4 — квантизированная версия мультимодальной модели google/gemma-4-12B-it, разработанная AxionML для открытого использования и развертывания. Модель предназначена для задач преобразования изображений и текста в текст, а также для диалоговых сценариев и серверного инференса. Она содержит около 11,95 млрд параметров и распространяется с лицензией Apache-2.0. В модели используется квантизация NVFP4: линейные слои MLP в блоках Transformer квантизированы по схеме W4A4, тогда как слои внимания q/k/v/o сохранены в BF16. KV-cache квантизирован в FP8 E4M3, а эмбеддинги, lm_head и мультимодальные эмбеддеры для зрения и аудио оставлены в BF16. Размер чекпойнта составляет около 11 ГБ против примерно 24 ГБ у BF16-версии. Микроблоки имеют размер 16 элементов с FP8-масштабами; для калибровки использовались cnn_dailymail и Nemotron-Post-Training-Dataset-v2. Основное преимущество модели — существенное сокращение требований к памяти при заявленной потере точности на GSM8K, а также поддержка серверного инференса через SGLang и спекулятивного декодирования MTP/NEXTN с парной draft-моделью. Модель ориентирована прежде всего на видеокарты NVIDIA Blackwell B100, B200 и B300 с нативными FP4 Tensor Cores. Ограничением является зависимость от совместимого оборудования и специализированных версий TensorRT Model Optimizer и SGLang; квантизация внимания не применяется из-за чувствительности активаций Gemma-4 к выбросам, поэтому преимущества FP4 реализованы только для MLP-слоёв.

German-RAG-MISTRAL-7B-v3.0-CPT-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer, разработанная командой Avemio AI при поддержке Hessian AI и дообученная на базе mistralai/Mistral-7B-v0.3 методом continued pre-training. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Лицензия — Apache 2.0. Модель предназначена для работы с немецкими и английскими текстами, особенно для генерации ответов на вопросы с учётом предоставленного контекста, структурированного рассуждения и суммаризации. Её можно использовать в RAG-сценариях, где приложению нужно сформулировать ответ по найденным документам. В обучающих данных сделан акцент на немецком языке; README указывает около 420 тысяч немецких и 200 тысяч английских примеров.

Карточка модели Goat7777721/Inquisitive-Omni-1.0 на Hugging Face совпадает с карточкой Qwen/Qwen3-Omni-30B-A3B-Instruct, поэтому описание составлено по ней. Qwen3-Omni-30B-A3B-Instruct — мультимодальная модель общего назначения от команды Qwen компании Alibaba. Она принимает текст, изображения, аудио и видео и формирует потоковые ответы текстом и естественной речью; вариант Instruct включает компоненты Thinker и Talker. Архитектура MoE использует разделение на Thinker и Talker, а модель рассчитана на низколатентное взаимодействие в реальном времени и управление поведением через системные промпты. Модель предназначена для голосовых диалогов, распознавания и понимания речи, описания аудио и видео, а также ответов на вопросы по изображениям и смешанным мультимодальным входам. README заявляет поддержку 119 языков для текста, 19 языков для речевого ввода и 10 для речевого вывода; среди явно перечисленных языков речи есть русский. В примере запуска указан максимальный контекст 65 536 токенов. Для работы предлагаются Transformers и vLLM; README отмечает, что на момент публикации требовалась установка Transformers из исходников. Лицензия в метаданных обозначена как other, без уточнения условий.

Mungert/InternVL3-8B-GGUF — GGUF-версия мультимодальной модели InternVL3-8B, созданной командой OpenGVLab. Модель предназначена для обработки текста и изображений, включая визуальное восприятие и рассуждение, анализ промышленных изображений, работу с GUI-агентами, инструментами и задачами 3D-восприятия. В карточке также указана поддержка многоязычных сценариев. Архитектура сочетает vision-компонент InternViT-300M-448px-V2_5 и языковую часть Qwen2.5-7B; общий класс модели — 8B параметров. Эта публикация представляет собой преобразованный формат GGUF, сгенерированный с использованием llama.cpp. Автор применил собственный подход к квантованию: отдельные важные слои переводятся в более высокую точность, что увеличивает размер файла, но, по заявлению автора, может улучшать точность при заданном уровне квантования, особенно на низкой разрядности. Сильными сторонами являются мультимодальность, сочетание визуального анализа с языковым рассуждением и возможность локального использования в экосистеме llama.cpp благодаря формату GGUF. Ограничения включают зависимость качества, размера и требований к ресурсам от выбранного варианта квантования; конкретные поддерживаемые языки, размер контекста и результаты независимого тестирования в карточке не указаны. Для модели указана лицензия Apache-2.0, однако в метаданных также приведена ссылка на лицензию Qwen.

LFM2-350M modular export — компактная гибридная языковая модель Liquid AI с сочетанием свёрточных слоёв и attention. Репозиторий содержит экспорт исходной модели LiquidAI/LFM2-350M в самодостаточный формат GGUF для loom.cpp; README сообщает, что веса не изменялись, а метаданные классифицируют связь с базовой моделью как дообучение. Модель предназначена для генерации текста и запуска через библиотеку loom-py-rt. Экспорт включает топологии слоёв, токенизатор (если он есть) и скрипт драйвера. Заявлены английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Базовая модель описывается как компактная модель для диалогов, извлечения данных и RAG на периферийных устройствах. Репозиторий использует лицензию с меткой other; конкретные условия следует сверить с файлами лицензии модели.

Llama 4 Scout — мультимодальная авторегрессионная модель Meta с архитектурой mixture-of-experts и ранним объединением модальностей. В модели 17 млрд параметров и 16 экспертов; она предназначена для работы с текстом и изображениями. Модель подходит для диалогового помощника, визуального рассуждения, распознавания содержимого изображений, создания подписей и ответов на вопросы об изображениях. Поддерживает арабский, английский, французский, немецкий, хинди, индонезийский, итальянский, португальский, испанский, тагальский, тайский и вьетнамский языки. В README указано, что модель тестировалась на понимание до пяти изображений за один запрос. Модель распространяется по специальной коммерческой лицензии Llama 4 Community License Agreement с ограничениями Acceptable Use Policy. Это статическая модель, обученная на офлайн-данных; качество ответов и работу в конкретных сценариях следует проверять отдельно. Возможности понимания изображений сверх пяти изображений за запрос требуют дополнительного тестирования и настройки.

NVIDIA Nemotron ColEmbed V2 — мультимодальная модель векторного поиска с поздним взаимодействием, дообученная для сопоставления текстовых запросов с документами в виде изображений. Она объединяет визуальную часть на основе google/siglip2-giant-opt-patch16-384 и языковую часть на основе meta-llama/Llama-3.2-3B; заявленный размер — около 4,4 млрд параметров. Модель принимает текст и изображения страниц, а для каждого входного токена формирует 3072-мерный вектор, пригодный для ColBERT-подобного поиска. Модель предназначена для мультимодального RAG, поиска по страницам документов, графикам, таблицам и инфографике, а также для межъязыкового поиска. В README указана оценённая длина контекста до 10 240 токенов; изображения разбиваются на плитки, рекомендованная конфигурация использует до восьми плиток и миниатюру. Обучение включало публичные наборы данных и мультиязычные синтетические запросы; модель оценивали на бенчмарках ViDoRe. Карточка заявляет улучшенную точность поиска по сравнению с предыдущей версией. Модель рассчитана на запуск с Transformers и Flash Attention, оптимизирована для GPU NVIDIA и протестирована на A100 и H100 под Linux. Лицензия обозначена как other; README ограничивает использование некоммерческими и исследовательскими целями. Качество зависит от языка, структуры документа и сценария поиска; максимальный контекст и настройки разбиения изображений отражают испытанную конфигурацию, а не универсальную гарантию.

Nemotron ColEmbed V2 — мультимодальная модель позднего взаимодействия для поиска по визуальным документам, разработанная NVIDIA. Она дообучена на базе Qwen3-VL-8B-Instruct и объединяет несколько дообученных контрольных точек. Модель принимает текстовые запросы и изображения страниц документов, а выдаёт ColBERT-подобные многовекторные представления для поиска и ранжирования документов по запросу. Модель предназначена для мультимодальных RAG-систем, поиска по страницам с текстом, таблицами, графиками и инфографикой, а также для кросс-модального поиска. Архитектура — трансформер с визуальным энкодером SigLIP2-SO-400M, модулем объединения визуальных и языковых признаков и языковой частью; размер — около 8,8 млрд параметров. Для каждого входного токена формируется вектор размерности 4096. В README указана проверенная длина контекста до 10 240 токенов; модель поддерживает многоязычный поиск. В карточке сообщается о первом месте на ViDoRe V3 на момент публикации и улучшении семантического соответствия благодаря многоязычным синтетическим данным. Для запуска требуются Transformers версии 4.57.2 или новее и Flash Attention; модель ориентирована на GPU NVIDIA. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование с соблюдением её условий.

MuXodious/Qwen3.5-4B-PaperWitch-heresy — мультимодальная диалоговая модель на базе Qwen3.5-4B, созданная с помощью Heretic v1.2.0 и метода abliteration. В версии изменяли направление первичных отказов; вторичные факторы, включая оговорки и связанные с ними формы несоблюдения запроса, оставлены без изменений. Модель предназначена для диалога, рассуждений, анализа изображений и вызова инструментов. Она принимает текст и изображения и генерирует текст. Базовая архитектура — плотная Qwen3.5 с визуальным энкодером; в ней около 4 млрд параметров. Нативный контекст — 262 144 токена, с возможностью расширения до 1 010 000. В README заявлена поддержка 201 языка и диалекта, но отдельные языки для этой производной модели не перечислены. В тесте автора модель отказала в 0 из 104 запросов против 103 из 104 у исходной модели; указана KL-дивергенция 0,0521. README предупреждает о возможном скрытом несоблюдении запросов и циклах рассуждений. Модель распространяется по лицензии Apache-2.0.

Карточка модели VasyaIT/Qwen3.5-9B-Claude-4.6-HighIQ-THINKING-HERETIC-UNCENSORED на Hugging Face совпадает с карточкой DavidAU/Qwen3.5-9B-Claude-4.6-HighIQ-THINKING-HERETIC-UNCENSORED, поэтому описание составлено по ней. DavidAU собрал эту мультимодальную модель на базе Qwen3.5-9B-heretic-v2: автор сообщает о дообучении через Unsloth на дистиллированном наборе рассуждений Claude 4.6. Модель принимает текст и изображения и генерирует текст; карточка заявляет поддержку vision и диалогового режима. В README указаны 9 млрд параметров, архитектура Qwen3.5 с языковой моделью и vision encoder, а также контекст 262 144 токена с возможностью расширения. Заявленная основная область применения — рассуждения, диалог и анализ изображений; автор также приводит результаты на нескольких тестах и сообщает о снижении отказов. README рекомендует квантизацию не ниже Q4_K_S или IQ3_S с imatrix. Видео не тестировалось. Указанные языки карточки — английский и китайский; более широкая языковая поддержка описана для исходной модели Qwen3.5, но отдельно для этого дообучения не подтверждена. Модель распространяется по лицензии Apache-2.0.

N8Programs/Qwen3.6-35B-A3B-AntiLoop — версия в формате BF16 модели N8Programs/Qwen3.6-35B-A3B-AntiLoop-NVFP4. Согласно метаданным, это дообученная на базе Qwen/Qwen3.6-35B-A3B мультимодальная модель семейства Qwen3.5 MoE с архитектурой Qwen3_5MoeForConditionalGeneration. Она предназначена для диалогов и работы с изображениями; метаданные также отмечают интерфейс вызова инструментов. Базовая модель описана как модель с 35 млрд параметров для диалогов, агентного программирования и анализа изображений. Репозиторий содержит веса BF16 в формате safetensors. Лицензия — Apache-2.0. Карточка этой версии отсылает за рекомендациями по запуску, обучающим данным, оценкам и ограничениям к карточке NVFP4-релиза; подробностей об изменении AntiLoop в README нет.

Shiftedx/qwen3.8-27b-aeon-ultimate-uncensored-mxfp4-vision-mtplx — независимая community-конверсия модели AEON-7/Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16 в формат MLX, выполненная Shiftedx. Это неофициальный релиз AEON-7 или Qwen. Модель предназначена для генерации текста и обработки изображений, включая сценарии image-text-to-text, локальный запуск на устройствах Apple через MLX и ускоренное декодирование с помощью MTPLX. Модель использует плотную архитектуру семейства Qwen3.5 с гибридными механизмами attention/GDN и 64 языковыми слоями. Языковая часть квантизирована в MXFP4, 4 бита, group size 32; 333 исходных BF16-тензора vision-компонента сохранены, а patch embedding адаптирован к осям MLX. Заявленный размер индексированного артефакта — 14,98 GiB, настроенный контекст — до 262 144 токенов. Сохраняются токенизатор, chat template, processor metadata и происхождение лицензии Apache-2.0. В состав также входят 15 BF16-тензоров для multi-token prediction; на эталонном Apple M4 Max с 64 ГБ unified memory выбранная конфигурация D2 показала медианную скорость декодирования 45,61 токена в секунду, однако результаты зависят от оборудования, промпта, контекста и версии MTPLX. К сильным сторонам относятся поддержка текста и изображений, большой контекст, компактное 4-битное представление и возможность ускоренного инференса с MTPLX. Ограничения включают экспериментальный статус, неполную квалификацию заявленного контекста и зависимость производительности от локальной конфигурации. Это аблированный, намеренно несогласованный checkpoint: он может генерировать небезопасные или незаконные материалы, поэтому операторы несут ответственность за модерацию, контроль доступа, журналирование и человеческую проверку. Модель распространяется по лицензии Apache-2.0, при этом перед использованием следует учитывать предупреждения исходной модели.

Qwen3.8-Flash-Next-W4A16 — это 4-битная версия модели Qwen3.8-Flash-Next, опубликованная aixiaoma и предназначенная для запуска на потребительских GPU NVIDIA Ampere. Модель использует INT4-квантизацию W4A16 с группами по 128 элементов, симметричными масштабами и форматом compressed-tensors. Архитектурно это мультимодальная модель image-text-to-text с MoE-компонентом: квантифицированы основные экспертные и attention-матрицы, тогда как чувствительные компоненты, включая vision encoder, эмбеддинги, маршрутизатор, GDN/linear attention, PLE-таблицы и MTP-модуль, сохранены в BF16. Точные размеры, список поддерживаемых языков и параметры контекстного окна в README явно не приведены, однако указано, что исходная BF16-модель имеет около 335 ГБ, а квантифицированная версия занимает около 168 ГБ на диске. Модель предназначена для диалоговых и мультимодальных сценариев, включая обработку изображений и текста, а также инференс с длинным контекстом. Она запускается через специальную сборку vLLM с поддержкой qwen4_exp, Marlin kernels и PLE offload. На конфигурации из 4 RTX 3090 поддерживается контекст до 96 тысяч токенов, а на 8 RTX 3090 — полный заявленный контекст до 262 тысяч токенов. MTP-модуль сохранён в BF16, поэтому доступно speculative decoding; по данным авторов, для однопоточного декодирования это даёт прирост примерно на 57 процентов. К сильным сторонам относятся возможность запуска на широко распространённых GPU Ampere без поддержки FP8, сохранение качества на заявленном наборе greedy-тестов на уровне базовой модели и существенное сокращение объёма GPU-памяти за счёт выгрузки 102 ГБ PLE-таблиц в оперативную память. Ограничения включают высокие требования к оборудованию и минимум около 110 ГБ свободной оперативной памяти, обязательное использование expert parallelism, специальные параметры Docker и vLLM, а также необходимость отключить torch.compile из-за проблем с компиляцией на Ampere. Лицензия указана как qwen-community-1.0; также отмечена связь с базовой моделью Qwen3.8-Flash-Next.

Карточка модели Syninlab/Synin-1.0-Omni-Inquisitive на Hugging Face совпадает с карточкой Qwen/Qwen3-Omni-30B-A3B-Instruct, поэтому описание составлено по ней. Qwen3-Omni-30B-A3B-Instruct — мультимодальная модель общего назначения от команды Qwen компании Alibaba. Она принимает текст, изображения, аудио и видео и формирует потоковые ответы текстом и естественной речью; вариант Instruct включает компоненты Thinker и Talker. Архитектура MoE использует разделение на Thinker и Talker, а модель рассчитана на низколатентное взаимодействие в реальном времени и управление поведением через системные промпты. Модель предназначена для голосовых диалогов, распознавания и понимания речи, описания аудио и видео, а также ответов на вопросы по изображениям и смешанным мультимодальным входам. README заявляет поддержку 119 языков для текста, 19 языков для речевого ввода и 10 для речевого вывода; среди явно перечисленных языков речи есть русский. В примере запуска указан максимальный контекст 65 536 токенов. Для работы предлагаются Transformers и vLLM; README отмечает, что на момент публикации требовалась установка Transformers из исходников. Лицензия в метаданных обозначена как other, без уточнения условий.

AfriqueGemma-12B-i1-GGUF — это квантованное представление мультимодальной модели AfriqueGemma-12B, разработанной McGill-NLP и подготовленной в формате GGUF пользователем mradermacher. Модель относится к семейству Gemma 3 и предназначена для работы с текстом и изображениями, включая сценарии image-text-to-text. Модель содержит около 12 миллиардов параметров и ориентирована прежде всего на многоязычные задачи с фокусом на африканские языки. В README заявлена поддержка африкаанс, амхарского, арабского, английского, французского, хауса, игбо, малагасийского, чичева, оромо, португальского, киньяруанда, шона, сомалийского, сесото, суахили, тигринья, тсвана, коса, йоруба и зулу. Возможные применения включают генерацию и анализ текста, многоязычный диалог, а также обработку запросов, содержащих изображения. Преимущество этой версии — возможность запускать модель локально через совместимые инструменты для GGUF с выбором квантования под доступные ресурсы. Доступны варианты от очень компактных IQ1 до более качественных Q6_K; низкобитные варианты экономят память, но могут заметно снижать качество, тогда как i1-Q4_K_M указана как быстрая и рекомендуемая конфигурация. Размер контекста и точные характеристики архитектуры в README не указаны. Модель распространяется по лицензии CC BY 4.0.