I.4Обработка документов и форм

Decision-2.0-Sol-2B — плотная модель с 1,88 млрд параметров из семейства Decision 2.0, разработанная командой vLLM Semantic Router. Она принимает текст или JSON вместе с вопросами и за один проход выбирает вариант, отвечает «да» или «нет» либо выставляет оценку. Для каждого возможного ответа модель возвращает вероятность и не генерирует текст. Модель предназначена для классификации и оценки свидетельств или условий, в том числе для обработки нескольких вопросов об одном входе за один проход. Контекст составляет 16 384 токена. В README сообщается о результатах на JevArena и наборе из 15 задач с разметкой людьми, а также о медианной задержке 7,2 мс на запрос с одним вопросом на одном GPU. Это дообученная версия vllm-sr/Decision-1.0-Sol-2B, распространяемая в формате safetensors. Лицензия — Apache-2.0. Модель выдаёт вероятности вариантов, а не свободный текст; задержка и результаты бенчмарков из README не гарантируют аналогичной скорости или качества в других условиях.

DistilBart-MNLI — дистиллированная модель семейства BART, созданная Valhalla на основе bart-large-mnli. В ней чередующиеся слои исходной модели скопированы в компактную архитектуру, после чего модель дополнительно дообучена на тех же данных MNLI; указанная конфигурация содержит 252,8 млн параметров и поддерживает контекст до 1024 токенов. Модель предназначена для классификации текста по заданным пользователем категориям без отдельного обучения на этих категориях, а также для задач классификации текста. Она подходит, например, для маршрутизации обращений или тематической сортировки документов, когда набор меток задаётся при запросе. В README приведены результаты для других вариантов DistilBart-MNLI, но отдельные показатели для конфигурации 12-6 не указаны. Модель принимает текст и выдаёт оценки категорий. Репозиторий содержит веса PyTorch и Flax. Лицензия в предоставленных источниках не указана.

ssmits/Falcon2-8B-Norwegian — текстовая авторегрессионная модель семейства Falcon, созданная слиянием предобученных языковых моделей через mergekit. В README среди объединённых моделей указана ssmits/Falcon2-5.5B-Norwegian; метаданные также связывают модель с этой базовой моделью. Модель предназначена для генерации текста и диалогового использования; каталог также указывает поддержку ответов на вопросы, классификации текста и разметки сущностей. В метаданных указаны 11,8 млрд параметров, контекст до 8192 токенов, архитектура FalconForCausalLM и формат safetensors. Название и базовая модель указывают на ориентацию на норвежский язык. Лицензия в доступных данных не приведена.

Fleet Semantic 4B — экспериментальная языковая модель проекта Fleet на базе Qwen/Qwen3-4B-Instruct-2507. Это причинная модель с архитектурой FleetForCausalLM, в которой семантическая маршрутизация к специалистам встроена в генерацию: модель может задействовать одного или двух специалистов либо оставить запрос базовой модели. В опубликованный чекпойнт входят backbone и параметры Fleet; отдельно загружать Qwen для инференса не требуется. Модель содержит специалистов по количественным рассуждениям, медицинским рассуждениям, узкому извлечению юридической информации, классификации намерений, вызову функций и структурированному выводу. Архитектура допускает динамическую установку совместимых пакетов специалистов формата .fleet. Модель принимает текст и генерирует текст; размер по метаданным — 3,7 млрд параметров, контекст — до 262 144 токенов. README описывает проект как исследовательский прототип: проверены загрузка, генерация и операции с экспертами, но пока не установлено, что Fleet улучшает результаты на всех задачах относительно базовой Qwen. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория и базовой модели.

FineInstructions Instruction Template Retrieval Embedding — модель эмбеддингов для поиска шаблонов инструкций FineTemplates, разработанная в рамках проекта FineInstructions. Она сопоставляет документ или его фрагменты с подходящими шаблонами инструкций; благодаря симметричному поиску также подходит для поиска документов по описанию документа, совместимого с шаблоном. Модель дообучена на синтетических данных с помощью DataDreamer на базе BAAI/bge-m3. Это плотная модель семейства XLM-RoBERTa с 658,7 млн параметров, рассчитанная на контекст до 8194 токенов. Она создаёт текстовые эмбеддинги для семантического поиска и сравнения сходства предложений; заявлена библиотека Sentence Transformers, веса доступны в формате safetensors. Подходит для поиска шаблонов по целым документам и их разделам, а также для обратного поиска документов по описанию шаблона. README не сообщает конкретный перечень языков и лицензию, поэтому их условия здесь не уточняются.

SHS-Lab/Kimi-K3-Abliterated — открытая мультимодальная модель на основе Kimi K3, обработанная методом abliteration для ослабления отказов, связанных с механизмами выравнивания. Она предназначена для исследований механизмов отказа, red-team-оценки и контролируемых экспериментов. Архитектура унаследована от базовой модели: Mixture-of-Experts с 2,8 трлн параметров, Kimi Delta Attention и Attention Residuals; модель поддерживает контекст до 1 млн токенов, изображения и видео наряду с текстом. Модель подходит для программирования, многошаговых агентных задач, анализа документов и работы с визуальными данными. По заявлению карточки, ослабление отказов нацелено на запросы на английском и японском языках и не добавляет новых знаний или возможностей; возможны небольшие изменения тона и формулировок. Независимая оценка этой версии не проводилась, поэтому точность для конкретных задач следует проверять отдельно. Модель распространяется с весами для самостоятельного развёртывания по лицензии Kimi K3 License; карточка не рекомендует её для неконтролируемого использования в пользовательских продуктах или там, где обязательна модерация контента.

KoVRE-Stage1 — мультимодальная модель эмбеддингов с 2 млрд параметров от автора whybe-choi, дообученная на базе Qwen/Qwen3-VL-Embedding-2B для поиска по визуальным документам. Она сопоставляет текстовые запросы на корейском или английском языке с изображениями страниц документов, включая сканы и отрендеренные страницы, и подходит для первого этапа поиска в мультимодальных RAG-системах. Модель создаёт один L2-нормированный вектор на запрос или страницу; доступны размеры эмбеддинга от 128 до 2 048 измерений, оптимизированные методом Matryoshka Representation Learning. Релевантность оценивают по косинусному сходству. Чекпойнт отражает первый этап обучения — контрастивное обучение на 708 729 парах «запрос — страница» на корейском и английском языках, с трудными отрицательными примерами и фильтрацией вероятных ложных отрицаний. Он предназначен также для исследований и дальнейшей адаптации. README рекомендует для промышленного применения и максимального качества корейского поиска финальный чекпойнт whybe-choi/kovre, обученный с дополнительной дистилляцией. Лицензия — Apache-2.0.

LongCat-Next — мультимодальная авторегрессионная модель, разработанная Meituan и построенная на базе MoE-модели LongCat-Flash-Lite. Она обучается предсказывать единый поток дискретных токенов для текста, изображений и аудио. В репозитории указано 3B параметров, а контекст составляет 131 072 токена. Модель предназначена для чата, понимания и генерации изображений, понимания речи, голосового общения с низкой задержкой и клонирования голоса. Также заявлена конкурентоспособность на мультимодальных задачах и качество генерации изображений при сильном сжатии представления. Поддерживаются интерфейс вызова инструментов и работа с Transformers; для запуска README рекомендует не менее трёх GPU с 80 ГБ видеопамяти каждый. Модель распространяется по лицензии MIT. Разработчики отмечают, что её не проектировали и всесторонне не оценивали для всех возможных прикладных сценариев.

Lumina-5.5-Instruct — диалоговая модель семейства Mixtral, созданная Ppoyaa с помощью LazyMergekit. Она предназначена для генерации текста в чате и использует архитектуру Mixture of Experts (MoE). В README заявлено 32 млрд параметров и контекст до 32 тыс. токенов; метаданные Hugging Face указывают 12,3 млрд параметров. Размер поэтому указан противоречиво. Модель основана на Ppoyaa/Lumina-5-Instruct и классифицирована в метаданных как дообучение этой модели. Опубликована в формате Safetensors; доступны отдельные варианты GGUF от mradermacher. Лицензия — Apache-2.0. Оценки Open LLM Leaderboard в README обозначены как ожидаемые.

Muse-Glimmer-30B-heretic-plus-GGUF — квантизированная GGUF-версия модели Muse-Glimmer-30B-heretic-plus, разработанной gjtgjt и подготовленной mradermacher. Модель предназначена для conversational-сценариев и задач image-text-to-text, то есть может работать с текстом и изображениями при использовании дополнительного multimodal-модуля mmproj. Модель имеет заявленный размер 30B параметров и поддерживает английский, китайский и другие языки в мультиязычном режиме. Архитектура и максимальный размер контекста в README не указаны. Доступны варианты квантования от Q2_K до Q8_0, а также IQ4_XS; размер файлов составляет примерно от 10,8 до 29,7 ГБ. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством среди представленных. Сильными сторонами модели являются крупный размер, мультиязычность, поддержка мультимодальных сценариев и возможность локального запуска через формат GGUF с выбором компромисса между качеством, скоростью и требованиями к памяти. Ограничения включают зависимость качества от выбранного квантования, необходимость отдельного mmproj-файла для мультимодальной работы и отсутствие в README сведений о результатах тестирования, контекстном окне и точном устройстве архитектуры. Модель распространяется по лицензии Apache-2.0.

NanoVDR-D-HiRes-Qwen3VL8B-4096 — визуальная башня документов из семейства NanoVDR, разработанная командой NanoVDR. Это плотный энкодер примерно на 457 млн параметров: он принимает изображение страницы документа и выдаёт один L2-нормализованный вектор размерности 4096 для поиска по сходству; документы сравниваются с запросами скалярным произведением. Архитектура объединяет динамическую нарезку страницы на плитки, InternViT-300M-448, проекционный слой, ModernBERT-base с двунаправленным контекстом и усреднение токенов. Для совместимости с учительской моделью Qwen3-VL-Embedding-8B модель обучена дистилляцией представлений; её следует сочетать с башней запросов, обученной для того же учителя и ширины вектора. Модель предназначена для построения поискового индекса по страницам документов и визуального поиска по ним, включая страницы с мелким текстом и таблицами. В README сообщается о результатах на 22 наборах ViDoRe на шести языках и восьми профессиональных областях; эти оценки не гарантируют качество на других типах документов и запросов. Известные ограничения: представления наследуют слабые стороны учителя, бюджет плиток фиксирован и не зависит от содержимого страницы, а оценка не охватывает корпоративные макеты, страницы с деградировавшим сканом и реальные производственные распределения запросов. Репозиторий использует формат safetensors и лицензию MIT.

OpenLID-v3 — модель классификации текста для автоматического определения языка, разработанная HPLT. Это улучшенная версия OpenLID-v2; модель построена на fastText и охватывает 194 языковые разновидности. Для обучения использовались данные OpenLID-v2, glotlid-corpus и Wikipedia с нормализацией и балансировкой классов. Модель подходит для определения языка текстовых фрагментов и отбора многоязычных данных для последующей обработки в NLP-системах. Качество распознавания неодинаково для разных языков. Близкие разновидности, например арабские диалекты, бывает трудно различить, поэтому результат может определяться только на уровне макроязыка. Ошибки классификации способны ухудшить работу последующих систем, а сведение разновидностей к общим категориям может приводить к недостаточному распознаванию малых языков, диалектов и отдельных письменностей. Лицензия — GPL-3.0.

Это конверсия мультимодальной модели Qwen3.5-4B команды Qwen для устройств SpacemiT K1 и K3. Она предназначена для понимания изображений, диалога, программирования и агентных задач; README демонстрирует запуск через локальный сервер llama.cpp с передачей изображения и текстового запроса. Модель сочетает текстовую часть в формате GGUF Q4_1 с ONNX-кодировщиками изображений для разрешений 224, 384 и 768 пикселей; по умолчанию используется 384 пикселя. Обработка зрения задействует SpacemiT Execution Provider, а конфигурации для K1 и K3 различаются и привязаны к их AI-ядрам. В метаданных указан Apache-2.0; зависимости среды выполнения распространяются по лицензиям соответствующих проектов.

r4victor/qwen-wordle-full — дообученная модель Qwen/Qwen3.5-4B, обученная с использованием TRL. В метаданных указана архитектура Qwen3.5 для генерации текста с изображениями и поддержка диалога и зрения; веса опубликованы в формате safetensors. Карточка показывает пример запуска через Transformers и CUDA для диалоговой генерации. Хотя в названии есть Wordle, README не описывает специализированное решение Wordle или игровые возможности. Базовая модель содержит 4 млрд параметров и предназначена для диалога, понимания изображений, рассуждений и вызова инструментов. Лицензия в доступных данных не указана.

deepset/roberta-large-squad2 — модель deepset для извлечения ответов на вопросы из текста. Это RobertaForQuestionAnswering на базе FacebookAI/roberta-large, дообученная на SQuAD 2.0, включая вопросы без ответа. Модель содержит 454,1 млн параметров и принимает контекст до 514 токенов. Модель предназначена для поиска фрагмента текста, отвечающего на вопрос, в том числе в документах, подключённых к конвейеру Haystack. Она рассчитана на английский язык и поддерживает задачу question-answering. Веса доступны в форматах PyTorch, Flax и Safetensors. Лицензия — CC BY 4.0. Ограничения: модель обучена на SQuAD 2.0 и ориентирована на английский язык; качество ответов за пределами этого распределения данных может снижаться. Длина обрабатываемого контекста ограничена 514 токенами.

SummLlama3.1-70B — модель DISLab для суммаризации текста, дообученная на базе meta-llama/Llama-3.1-70B-Instruct методом Direct Preference Optimization (DPO). Обучение использовало более 100 тысяч примеров обратной связи о качестве суммаризаций для текстов разных типов и длины, включая диалоги и недиалоговые документы из новостей, повседневной жизни, отчётов, медицины, интервью и встреч. Модель содержит 69,5 млрд параметров, построена на плотной архитектуре Llama и поддерживает контекст до 131 072 токенов. Она предназначена для создания кратких сводок с акцентом на точность относительно источника, полноту ключевой информации и лаконичность; в README рекомендован конкретный формат запроса с инструкцией summarize. Метаданные также отмечают интерфейсы чата и вызова инструментов, но основное назначение модели — суммаризация. README сообщает об оценках качества на человеческих и автоматизированных тестах, однако приведённые таблицы содержат результаты других конфигураций SummLlama и не позволяют установить отдельные численные результаты для версии 3.1-70B. Лицензия в предоставленных данных не указана.

SummLlama3.2-3B — языковая модель для суммаризации текстов, разработанная DISLab. Она основана на Llama 3.2 3B Instruct и дообучена методом Direct Preference Optimization (DPO) на более чем 100 тысячах примеров обратной связи о качестве резюме. Обучающие данные охватывают короткие и длинные документы, диалоги и недиалоговые тексты из новостей, повседневной жизни, отчётов, медицины, интервью и встреч. Модель предназначена для создания кратких сводок с акцентом на точность относительно источника, полноту ключевых сведений и лаконичность. Для суммаризации рекомендуется использовать шаблон запроса из карточки модели. Архитектура — плотная LlamaForCausalLM на 3,2 млрд параметров; контекст — до 131 072 токенов. Веса опубликованы в формате safetensors. В карточке не приведены лицензия и отдельные языковые коды, поэтому их нельзя уверенно указать.

eleldar/theme-classification — чекпойнт BART-large, дообученный на наборе MultiNLI для классификации текстов по заданным категориям без предварительного обучения на этих категориях. Модель сопоставляет текст с гипотезами, построенными на основе названий категорий, и оценивает вероятности следования и противоречия; пользователь может задавать собственный набор меток. Архитектура — BART для классификации последовательностей, размер — 252,8 млн параметров, максимальный контекст — 1024 токена. Доступны веса PyTorch и Flax. Модель подходит для тематической разметки и других задач классификации с пользовательскими категориями, особенно на английском языке, на котором обучен MultiNLI. Карточка также описывает применение метода для многометочной классификации, когда несколько категорий могут подходить одновременно. Репозиторий распространяется по лицензии MIT. Для других языков и узких предметных областей качество может отличаться; результаты зависят от формулировки меток и гипотез.

deepset/tinyroberta-squad2 — компактная модель deepset для извлечения ответов на вопросы из текста. Это дистиллированная версия deepset/roberta-base-squad2 на архитектуре RoBERTa с 95,2 млн параметров; контекст составляет до 514 токенов. Модель обучена для extractive question answering на SQuAD 2.0 и рассчитана на английский язык. Модель находит ответный фрагмент в предоставленном тексте и подходит для поиска ответов в документах, например в конвейере Haystack. По данным карточки, её качество сопоставимо с базовой моделью, а скорость работы примерно вдвое выше. Дистилляция выполнена в два этапа по подходу TinyBERT: промежуточная дистилляция RoBERTa, затем обучение под задачу QA с учителями deepset/roberta-base-squad2 и deepset/roberta-large-squad2. Доступны веса PyTorch и Safetensors. Лицензия — CC BY 4.0. Модель предназначена для извлечения ответа из заданного контекста, а не для свободной генерации; качество и охват языков за пределами английского не подтверждены карточкой.

2Vasabi/tvl-mini-0.1 — LoRA-дообучение мультимодальной модели Qwen2-VL-2B-Instruct, подготовленное для работы с русским языком. Модель использует архитектуру Qwen2-VL с плотной структурой и содержит 1,5 млрд параметров; для работы с изображениями и видео применяется мультимодальная базовая модель. Контекстное окно составляет 32 768 токенов. Модель предназначена для диалогов и генерации текста по запросам, в том числе на русском и английском языках. В карточке указано обучение на наборе GrandMaster-PRO-MAX; описание также перечисляет визуальное рассуждение, создание подписей к изображениям, VQA и классификацию среди направлений данных, но помечает их как находившиеся в процессе обучения. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

V-SPLADE Quality — модель NAVER для поиска визуальных документов по текстовому запросу. Она кодирует изображения страниц PDF, слайдов и сканов в разреженные векторы, пригодные для поиска через инвертированный индекс; текстовые документы также поддерживаются. Размер модели — 250 млн параметров, архитектура основана на ModernVBERT. Для запросов используется обученный Bag-of-Words lookup без нейронного кодирования во время обслуживания, поэтому запросы можно обрабатывать без GPU, а страницы — индексировать напрямую, без предварительного OCR или генерации подписей. В README приведены результаты на бенчмарках поиска документов и сравнение скорости построения индекса с OCR- и caption-подходами. Модель предназначена для поиска по сканированным отчётам, презентациям и другим документам, представленным изображениями страниц. Для работы с изображениями требуется Sentence Transformers с поддержкой изображений и Transformers версии не ниже 5.3.0. Репозиторий распространяется по лицензии Apache-2.0. В карточке указаны английский язык и задачи извлечения признаков, заполнения пропусков и оценки сходства предложений; описанный сценарий поиска при этом использует изображения документов и текстовые запросы.

Z-Jafari/xlm-roberta-base-finetuned-nestedRewrite_QA — модель для извлечения ответа на вопрос из предоставленного текста. Она создана дообучением многоязычной XLM-RoBERTa base от Facebook AI и содержит около 305,2 млн параметров. Модель принимает текст с контекстом и вопросом и предсказывает ответ в формате задачи question-answering; максимальная длина контекста составляет 514 токенов. В README приведены результаты оценки: exact match 76,9 и F1 79,7, однако набор данных и условия тестирования не описаны, поэтому эти показатели нельзя напрямую переносить на другие сценарии. Модель опубликована в формате safetensors и распространяется по лицензии MIT. Языки и область применения конкретного дообучения не уточнены.

Granite 3.1 8B Instruct — языковая модель, разработанная командой IBM Granite и представленная в GGUF-формате сообществом LM Studio. Квантизацию выполнил bartowski на основе llama.cpp. Модель предназначена для локального запуска и решения широкого круга задач: следования общим инструкциям, суммаризации, классификации и извлечения текста, ответов на вопросы, работы с RAG, программирования, вызова функций и обработки длинного контекста. Модель поддерживает контекст до 131 072 токенов. Заявлена поддержка английского, немецкого, испанского, французского, японского, португальского, арабского, чешского, итальянского, корейского, нидерландского и китайского языков; для других языков возможна дополнительная дообученная адаптация. Архитектура и точный размер файловой квантизации в README не уточняются. Сильными сторонами являются широкий набор прикладных сценариев, многоязычность и большой контекст, однако модель может генерировать неточные, вредоносные или неподходящие ответы, а качество зависит от выбранного варианта квантизации и условий запуска. Лицензия — Apache 2.0.

AxionML/Qwen3.5-4B-NVFP4 — мультимодальная модель для работы с текстом и изображениями, разработанная AxionML на основе Qwen/Qwen3.5-4B. Модель предназначена для открытого использования, развёртывания и высокопроизводительного inference-сервинга, включая сценарии визуального понимания, рассуждений, программирования и агентских задач. Это causal language model с vision encoder и архитектурой, сочетающей Gated Delta Networks и разреженный Mixture-of-Experts. Модель содержит около 4 млрд параметров, 32 слоя, скрытую размерность 2560 и поддерживает контекст длиной 262 144 токена с возможностью расширения до 1 010 000 токенов. Заявлена поддержка 201 языка и диалекта. Линейные слои используют NVFP4-квантизацию весов и активаций с помощью NVIDIA TensorRT Model Optimizer, что уменьшает размер хранения и потребление GPU-памяти примерно в четыре раза по сравнению с BF16. К сильным сторонам относятся сочетание мультимодальности, длинного контекста и сниженные требования к памяти, что делает модель подходящей для эффективного локального и серверного развёртывания на совместимом оборудовании. К ограничениям относятся потенциальная потеря качества из-за 4-битной квантизации и необходимость аппаратной и программной поддержки NVFP4, в частности соответствующих GPU и средств инференса. Модель распространяется по лицензии Apache 2.0 и разрешена для коммерческого и некоммерческого использования.

surogate/Qwen3.5-9B-FP8 — FP8-квантизированный вариант мультимодальной модели Qwen3.5-9B, разработанной командой Qwen; модель основана на Qwen/Qwen3.5-9B-Base и подготовлена для использования в Surogate. Она предназначена для работы с текстом и изображениями, включая рассуждения, программирование, визуальное понимание и агентские сценарии. Модель представляет собой авторегрессионную языковую модель с vision encoder, содержит около 9 млрд параметров и использует гибридную архитектуру с Gated Delta Networks, Gated Attention и разреженным Mixture-of-Experts. Контекстное окно составляет 262 144 токена с возможностью расширения до 1 010 000 токенов. Заявлена поддержка 201 языка и диалекта. Веса квантизированы методом fine-grained FP8 с размером блока 128; согласно README, показатели близки к исходной модели. Артефакты совместимы с Hugging Face Transformers, vLLM, SGLang и KTransformers. Сильными сторонами являются сочетание мультимодальности, длинного контекста, высокой эффективности инференса и широкого языкового охвата. Ограничения конкретных аппаратных требований, качества на отдельных языках и результаты полного набора тестов в предоставленных данных не описаны. Модель распространяется по лицензии Apache-2.0.

cyankiwi/Qwen3.8-27B-AWQ-BF16-INT4 — квантованная версия Qwen3.8-27B, разработанного командой Qwen. Модель представляет собой плотную причинную языковую модель с vision-энкодером, предназначенную для работы с текстом, изображениями и видео. Она поддерживает интеграцию через Hugging Face Transformers, vLLM, SGLang и другие совместимые инструменты. Модель рассчитана на программирование, профессиональные и исследовательские задачи, обработку документов и STEM-диаграмм, а также долгие агентские сценарии с планированием и взаимодействием со средой. Доступно управление режимом рассуждений: его можно отключать и настраивать глубину через reasoning_effort, а контекст рассуждений из предыдущих сообщений — сохранять с помощью preserve_thinking. Языковая часть содержит 27 млрд параметров, 64 слоя и имеет архитектуру с чередованием Gated DeltaNet и Gated Attention. Нативная длина контекста составляет 262 144 токена, с возможным расширением до 1 000 000 токенов. Заявлена поддержка английского, китайского, хинди, арабского, русского, японского, корейского, нидерландского, французского и испанского языков. Размер файлов модели — около 28,85 ГБ. К сильным сторонам относятся мультимодальность, поддержка видео, гибкое управление рассуждениями и ориентация на сложные многошаговые задачи. Ограничения конкретной квантованной сборки и результаты бенчмарков в предоставленных данных подробно не указаны. Модель распространяется по лицензии Apache-2.0.

Карточка модели OsGo/gemma-4-E2B-it-qat-q4_0-unquantized-assistant на Hugging Face совпадает с карточкой google/gemma-4-E2B-it-qat-q4_0-unquantized, поэтому описание составлено по ней. google/gemma-4-E2B-it-qat-q4_0-unquantized — мультимодальная инструктивная модель Google DeepMind из семейства Gemma 4, основанная на Gemma 4 E2B IT и подготовленная с использованием Quantization-Aware Training. Репозиторий содержит извлечённые из QAT-процесса веса половинной точности в формате safetensors, предназначенные для собственной компиляции и исследовательских экспериментов; это не готовый к запуску сжатый GGUF-чекпойнт. Модель принимает текст и изображения, а вариант E2B также поддерживает аудио; генерирует текст. Она предназначена для диалогов, рассуждений, программирования, понимания изображений и документов, распознавания речи и многоязычной работы. Для семейства Gemma 4 заявлены контекст до 128 тысяч токенов для малых моделей, включая E2B, гибридное локальное и глобальное внимание, вызов инструментов и поддержка более 140 языков при предобучении. К сильным сторонам относятся компактный размер семейства E2B, мультимодальный ввод и QAT-обучение, направленное на сохранение качества bf16 при снижении требований к памяти в соответствующих QAT-вариантах. Данный репозиторий содержит unquantized QAT-веса, поэтому описанное преимущество снижения памяти нельзя автоматически считать характеристикой этих файлов. Лицензия — Apache 2.0.

Granite-3.0-1B-A400M-Instruct — языковая модель IBM Granite Team для выполнения инструкций и создания диалоговых ассистентов, в том числе для бизнес-сценариев. Это дообученная версия Granite-3.0-1B-A400M-Base: обучение включало supervised fine-tuning, выравнивание с помощью обучения с подкреплением и слияние моделей. Модель использует декодерный разреженный Transformer с архитектурой Mixture of Experts (MoE); в метаданных указан размер 163,6 млн параметров и контекст до 4096 токенов. Модель предназначена для суммаризации, классификации и извлечения текста, ответов на вопросы, RAG, задач с кодом, вызова функций и многоязычного диалога. Карточка заявляет поддержку английского, немецкого, испанского, французского, японского, португальского, арабского, чешского, итальянского, корейского, нидерландского и китайского языков. Лицензия — Apache 2.0. Качество на языках кроме английского может быть ниже; few-shot-примеры могут улучшить ответы в многоязычных сценариях. Модель способна выдавать неточные, предвзятые или небезопасные ответы, поэтому её следует проверять и настраивать для конкретного применения.

Maestro1-9B — плотная мультимодальная модель с 9 млрд параметров от Vection Labs, построенная на архитектуре Qwen3-VL. Она принимает текст и изображения, а также предназначена для анализа видео, и генерирует текстовые ответы. Модель ориентирована на пошаговые рассуждения, математику, программирование и визуальный анализ; заявленное контекстное окно — до 1 млн токенов. Модель подходит для решения математических задач, генерации и отладки кода, ответов на вопросы по изображениям, документам, диаграммам и коротким видеороликам, а также анализа длинных документов и кодовых баз. Карточка указывает поддержку английского языка. Для запуска рекомендуются Transformers и GPU с 24–80 ГБ памяти при использовании bf16; веса доступны в формате safetensors. Модель может уверенно выдавать неверные ответы, а сгенерированный код требует проверки. Длинные контексты и видео увеличивают задержку и потребление памяти; аудио не поддерживается. Не предназначена для принятия важных медицинских, юридических или финансовых решений без проверки человеком. Лицензия — Apache-2.0.

Sawfwair подготовила вариант Meta Muse-Glimmer-30B для запуска на Apple Silicon через MLX и среду mere.run. Это плотная мультимодальная модель с причинным трансформером и визуальным энкодером; базовая модель содержит около 29,6 млрд параметров. В этой сборке применена выборочная 4-битная аффинная квантизация с размером группы 64: часть матриц квантована, а визуальный энкодер, эмбеддинги токенов и некоторые другие веса сохранены в BF16. Модель предназначена для диалоговых агентных задач с текстом и изображениями: анализа скриншотов, графиков, документов и изображений, планирования шагов, вызова инструментов, программирования и генерации синтетических данных. Она принимает текст и изображения и выдаёт текст. Карточка описывает Muse Glimmer как коммерческую и исследовательскую модель; для этой сборки указана лицензия Apache-2.0. Модель может ошибаться в многошаговых рассуждениях и давать неточные, предвзятые или нежелательные ответы. Квантизация может немного ухудшать качество в отдельных случаях; качество также может быть ниже на языках, которые недостаточно представлены в оценках. Вход и выход аудио не поддерживаются.