I.4Обработка документов и форм

POINTS-1.5-Qwen-2.5-7B-Chat — двуязычная визуально-языковая модель WeChat AI, дообученная на базе Qwen/Qwen2.5-7B-Instruct. Она предназначена для диалогов по изображениям и генерации текстовых ответов: понимает изображения высокого разрешения, отвечает на вопросы по их содержимому и поддерживает сценарии распознавания текста на изображении. В README указаны английский и китайский языки; среди обучающих данных есть наборы для OCR и общего визуального диалога. В модели используется визуальный энкодер в стиле NaViT, который обрабатывает изображения разных разрешений без разбиения на фрагменты. README также сообщает о применении техники model soup и приводит результаты на MMBench, MMStar и MMMU. Модель опубликована в формате safetensors по лицензии Apache-2.0. Метаданные каталога указывают чат и интерфейс вызова инструментов; фактические результаты и надёжность этих возможностей зависят от сценария применения.

Qota-OCR — модель распознавания текста в строках, разработанная на основе PP-OCRv6_small_rec с добавлением корейского языка. Она предназначена для печатных документов, где корейский смешан с китайским, японским или английским, а также для корейского вертикального текста. Модель принимает обрезанную строку изображения, использует архитектуру PP-LCNetV4 со SVTR-энкодером и CTC-головой и содержит 6,7 млн параметров. Выходной словарь включает 30 244 символа и пробел. Доступны веса safetensors и варианты ONNX в float32, FP16, INT8 и UINT8; лицензия — Apache-2.0. Модель показывает высокие результаты на SynthDoG для корейского, японского, английского и китайского текста. Она распознаёт строки после детектора текста, поэтому сама по себе не выполняет поиск и выделение строк на странице. Качество на чеках, фотографиях, рукописном тексте и очень длинных строках отдельно не измерялось; модель слабо распознаёт математические символы и греческие буквы.

Qwen2.5-VL-32B-Instruct-4bit — мультимодальная instruction-tuned модель семейства Qwen2.5-VL, разработанная командой Qwen и преобразованная сообществом mlx-community в формат MLX с помощью mlx-vlm. Модель содержит 32 млрд параметров и использует 4-битное квантование; работать с ней можно через библиотеку Transformers и инструменты MLX. Модель предназначена для обработки изображений вместе с текстовыми запросами: описания изображений, визуального вопросно-ответного диалога, извлечения и интерпретации информации с изображений. В метаданных заявлена поддержка английского языка, контекстное окно составляет 128 000 токенов. Pipeline-модель — image-text-to-text. К сильным сторонам относятся мультимодальное понимание и большой контекст, а 4-битное представление может снизить требования к памяти при локальном запуске. Квантование может повлиять на точность по сравнению с полной версией модели, а заявленная языковая поддержка ограничена английским. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-VL-7B-Instruct-heretic — модифицированная версия мультимодальной модели Qwen2.5-VL-7B-Instruct, разработанная автором saidutta69 с использованием Heretic v1.4.0. Модель предназначена для работы с текстом и изображениями, а также поддерживает сценарии, связанные с OCR, разбором документов, привязкой объектов на изображении и анализом видео. В карточке указано, что основной язык — английский. Модель сохраняет архитектуру и основные возможности базовой Qwen2.5-VL-7B-Instruct; заявленный нативный размер составляет около 8,3 млрд параметров. Вариант создан методом directional ablation («abliteration»): из весов целенаправленно удалены направления, связанные с отказами в ответах, без дообучения. Поэтому у модели должны в значительной степени сохраняться знания в области vision-language и следование инструкциям базовой модели, но защитные ограничения и фильтрация намеренно ослаблены. Это может быть полезно разработчикам, которым требуется меньше отказов, однако одновременно повышает риск выдачи нежелательного или небезопасного содержимого. Доступны полные веса в формате Safetensors BF16 и текстовые GGUF-квантизации Q4_K_M, Q5_K_M, Q6_K и Q8_0. GGUF-файлы содержат текстовую часть и не включают vision-энкодер, поэтому для полноценной мультимодальной работы следует использовать полные веса Safetensors. Модель совместима с Transformers, llama.cpp, Ollama, LM Studio, Jan, vLLM и SGLang. Лицензия — Apache-2.0, унаследованная от базовой модели.

mlx-community/Qwen2-VL-2B-mlx — конверсия мультимодальной модели Qwen2-VL-2B для запуска с mlx-vlm на компьютерах Apple Silicon. В репозитории также исправлен шаблон чата, чтобы корректно формировать сообщения для инференса. Модель принимает текстовые запросы и изображения и генерирует текст; она поддерживает понимание изображений разного разрешения, а базовая карточка также описывает анализ видео и чтение текста на изображениях на нескольких языках. Размер модели — 1,5 млрд параметров, контекст — 32 768 токенов; архитектура — плотная Qwen2-VL с генерацией по условию. Это базовая предварительно обученная модель без настройки для следования инструкциям. Она подходит для вопросов и ответов по изображениям, визуального анализа документов и сцен, а также видеоанализа, но в диалоговых сценариях может потребовать инструкционной настройки. Репозиторий распространяется по лицензии Apache-2.0.

unsloth/Qwen2-VL-7B-Instruct — дообученная Unsloth версия мультимодальной диалоговой модели Qwen2-VL-7B-Instruct от Qwen. Она предназначена для ответов на вопросы по изображениям и видео, визуального анализа и диалога по визуальному содержимому. Модель принимает текст и изображения, а также может работать с видео; для видео README описывает поддержку локальных файлов и отмечает, что звуковую дорожку модель не понимает. Модель имеет плотную архитектуру Qwen2-VL с 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и использует динамическое разрешение изображений и мультимодальные позиционные эмбеддинги M-ROPE. В README заявлена работа с текстом на изображениях на нескольких языках, включая английский, китайский, европейские языки, японский, корейский, арабский и вьетнамский; метаданные карточки указывают английский язык. Модель может быть полезна для визуального анализа документов, видео и сцен, но хуже справляется с подсчётом объектов, пространственными отношениями и сложными многошаговыми инструкциями; сведения об изображениях могут быть неактуальны после июня 2023 года. Веса представлены в формате safetensors, библиотека для работы — Transformers. Лицензия Apache-2.0.

Qwen2-VL-Ocrtest-2B-Instruct — дообученная PrithivMLmods мультимодальная модель на архитектуре Qwen2-VL для анализа изображений по текстовым запросам. Она предназначена для распознавания текста на изображениях, преобразования изображений в текст, решения математических задач и выдачи формул в LaTeX; поддерживает диалоговый режим. Модель принимает изображения и текст и генерирует текстовые ответы. По карточке базовая модель Qwen2-VL умеет работать с изображениями и видео, а распознавание текста внутри изображений заявлено для нескольких языков; метаданные карточки указывают английский язык. Модель содержит 1,5 млрд параметров, использует контекст до 32 768 токенов и формат весов Safetensors. Лицензия — Apache-2.0. README заявляет высокую точность OCR, однако не приводит отдельной оценки качества или подробностей обучения. Поэтому результаты распознавания и решения задач могут требовать проверки; заявленные возможности базовой модели, включая работу с длинными видео и управление устройствами, не следует считать подтверждёнными характеристиками этого дообученного чекпойнта.

llmfan46/Qwen3-VL-32B-Instruct-uncensored-heretic — версия Qwen3-VL-32B-Instruct, изменённая независимым автором методом abliteration для снижения частоты отказов. Это плотная мультимодальная модель на 32 млрд параметров с архитектурой Qwen3-VL, предназначенная для диалога по тексту и изображениям, визуального анализа, OCR и рассуждений по визуальным данным. В карточке описана поддержка видео и контекст до 256 тысяч токенов базовой модели; расширение до миллиона токенов заявлено для семейства Qwen3-VL. Автор приводит результаты PIQA и MMLU: на PIQA вариант набрал 93,31% против 93,09% у исходной модели, а на MMLU — 81,44% против 82,44%. В README также указаны 15 отказов из 100 тестовых запросов против 99 у оригинала. Эти результаты относятся к тестам автора и не гарантируют качество на других задачах. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0.

coder3101/Qwen3-VL-8B-Thinking-heretic — дообученная версия мультимодальной модели Qwen3-VL-8B-Thinking от Qwen, опубликованная под лицензией Apache-2.0. Она принимает текст и изображения и предназначена для диалога, визуального анализа и рассуждений; карточка также описывает возможности базовой модели по анализу видео, OCR, пространственному пониманию и взаимодействию с интерфейсами. В репозитории указаны веса safetensors и архитектура Qwen3VLForConditionalGeneration. Автор сообщает, что применил abliteration для снижения частоты отказов: в приведённом сравнении модель отказала в 1 из 100 запросов против 44 из 100 у исходной версии; измеренная KL-дивергенция — 0,03. Эти показатели относятся к тесту из карточки и не гарантируют поведение на других запросах. Основа заявляет контекст 256K с возможностью расширения до 1M и OCR на 32 языках, однако это сведения о базовой модели, а не отдельная оценка данной производной версии.

Qwen-VL — крупная визуально-языковая модель Alibaba Cloud из семейства Qwen. Она принимает изображения, текст и ограничивающие рамки, а выдаёт текст и рамки; версия в репозитории описана как предварительно обученная модель, при этом карточка также упоминает отдельную диалоговую версию Qwen-VL-Chat. Модель содержит 11,4 млрд параметров, использует плотную архитектуру QWenLMHeadModel, работает с PyTorch и поддерживает контекст до 8192 токенов. Модель предназначена для диалога по изображениям, генерации описаний, визуальных вопросов и ответов, распознавания текста на изображениях, включая документы и диаграммы, а также поиска объектов по текстовому описанию с выдачей рамок. В карточке указаны многоязычные диалоги и многоязычная оценка на китайском и английском языках. Разрешение обработки изображений повышено до 448 пикселей, что помогает решать задачи распознавания текста и визуальных вопросов без разбиения изображения. README сообщает о сильных результатах на нескольких общих визуально-языковых бенчмарках, но они относятся к оценкам разработчика. Модель может ошибаться в распознавании деталей изображения и текста; карточка не описывает ограничения подробнее. Условия лицензии в предоставленных данных не указаны.

Qwen-VL-Chat — разработанная Alibaba Cloud мультимодальная чат-модель семейства Qwen, предназначенная для диалога по изображениям и тексту. Репозиторий содержит чат-версию предварительно обученной Qwen-VL; модель имеет плотную архитектуру QWenLMHeadModel и 11,4 млрд параметров. Модель принимает изображения и текст, а также может работать с координатами ограничивающих рамок; выдаёт текст и рамки. Подходит для описания изображений, визуальных вопросов и ответов, чтения текста на изображениях, ответов по документам и графикам, а также локализации объектов по текстовому описанию. Карточка описывает китайский и английский языки; контекст составляет 8192 токена. В README заявлена обработка изображений с разрешением до 448 пикселей для задач, чувствительных к деталям. Модель оценивалась на задачах визуального диалога, captioning, VQA и локализации объектов; также опубликованы результаты TouchStone на китайском и английском языках. Для репозитория указаны формат PyTorch и лицензия Apache-2.0. Как и другие большие мультимодальные модели, она может ошибаться в ответах и распознавании содержимого изображений; приведённые оценки относятся к описанным бенчмаркам.

mlx-community/SmolVLM-Instruct-4bit — конверсия модели HuggingFaceTB/SmolVLM-Instruct в формат MLX с 4-битным представлением, выполненная сообществом mlx-community. Это компактная мультимодальная модель семейства Idefics3 для диалога по изображениям и текстовым запросам: она принимает изображение и текст, чтобы отвечать на вопросы о визуальном содержимом и помогать разбирать документы. Модель подходит для сценариев визуальных вопросов и ответов, описания изображений и извлечения сведений из документов. Карточка рекомендует запуск через mlx-vlm; исходная модель обучалась на наборах The Cauldron и Docmatix. Поддерживаемый язык, указанный в метаданных, — английский. Лицензия Apache-2.0.

IsValorum/Thomson-1.0-Small-APEX-I-MiniPlus-V2-GGUF — это квантованная версия модели Thomson-1.0-Small, разработанной Thomson Reuters и преобразованной в формат GGUF пользователем IsValorum. Модель предназначена для запуска через совместимые инструменты, включая llama.cpp, и ориентирована на юридические, аудиторские и финансовые сценарии, а также на обработку документов, изображений, таблиц и OCR. Модель использует архитектуру mixture-of-experts (MoE) и поддерживает мультимодальный режим image-text-to-text с обработкой текста и изображений. В README указана поддержка английского, китайского, испанского, французского, немецкого, португальского, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Квантование APEX-I-MiniPlus выполнено с учётом чувствительности отдельных тензоров: маршрутизаторы сохранены в F32, выходная голова — в Q6_K, attention gates — в Q8_0, а основные эксперты — не ниже калиброванного уровня 3 бит. Это должно обеспечивать более высокую точность по сравнению с плоскими 3-битными квантованиями, однако конкретные характеристики размера, объёма контекста и производительности именно этой версии в представленном фрагменте README не указаны. Сильными сторонами являются сочетание компактного квантованного формата, мультимодальности, многоязычности и оптимизации для задач, требующих анализа юридических и финансовых материалов. Ограничения связаны с потерями точности, неизбежными для квантованной версии, зависимостью скорости от оборудования и отсутствием в доступных данных полного набора характеристик и результатов тестирования именно этой модели. Лицензия — Apache-2.0.

MusaNyaks/trocr-barbados-fold0 — дообученная модель распознавания рукописного текста на изображениях, созданная на основе microsoft/trocr-base-handwritten. Она использует архитектуру vision-encoder-decoder и предназначена для преобразования изображения с текстом в текстовую транскрипцию; карточка сообщает результат Loss 0,8579 на оценочном наборе, но не описывает сам набор данных или подробности обучения. Модель может подойти для распознавания рукописных строк в документах и других изображениях. Модель распространяется в формате safetensors по лицензии MIT. Язык распознаваемого текста и длина обрабатываемых строк не установлены по доступным сведениям; качество на данных вне оценочного набора не охарактеризовано.

MusaNyaks/trocr-barbados-fold3 — дообученная модель Microsoft TrOCR base handwritten для распознавания рукописного текста на изображениях. Она использует архитектуру vision-encoder-decoder и предназначена для преобразования изображения с текстом в текстовую транскрипцию. В README указано значение Loss 0.9763 на оценочном наборе; датасет описан как неизвестный. Модель подходит для распознавания рукописных строк на изображениях в сценариях, связанных с данными, на которых её дообучили. Карточка не раскрывает сведения о составе данных или более широких оценках качества. Лицензия — MIT.

TrOCR_german_handwritten — трансформерная модель OCR на архитектуре vision-encoder-decoder, дообученная на наборе fhswf/german_handwriting. Она распознаёт немецкий рукописный текст на изображениях отдельных строк и преобразует его в текст. Модель основана на TrOCR_large_handwritten; семейство TrOCR представлено в работе Li и соавторов о распознавании текста с помощью предварительно обученных моделей. В README приведены метрики оценки: WER 17,5% и CER 4,1%. Модель предназначена для распознавания немецкого почерка; эти показатели относятся к описанной оценке и не гарантируют точность на других данных. Лицензия — AFL-3.0.

Xenova/trocr-small-handwritten — версия модели microsoft/trocr-small-handwritten с весами в формате ONNX, подготовленная для работы через библиотеку Transformers.js. Модель предназначена для оптического распознавания рукописного текста: на вход подаётся изображение, а на выходе генерируется распознанная текстовая строка. Модель относится к семейству TrOCR и использует задачу image-to-text. В README не указаны точные сведения об архитектуре, количестве параметров, поддерживаемых языках и размере контекста. Пример демонстрирует распознавание короткой английской рукописной фразы, однако полноценный перечень языков и ограничений качества не приведён. Основное преимущество модели — совместимость с Transformers.js и возможность использования ONNX-весов в веб-сценариях. Лицензия в предоставленных данных не указана.

Карточка модели 360ZhiNao/360VL-70B на Hugging Face совпадает с карточкой qihoo360/360VL-70B, поэтому описание составлено по ней. 360VL-70B — мультимодальная чат-модель компании 360, дообученная на основе Meta Llama 3 70B Instruct для работы с изображениями и текстом. Она использует авторегрессионную трансформерную архитектуру и глобально ориентированный многоветвевой проектор для обработки изображений; число параметров — 69,5 млрд, контекст — 8192 токена. Модель принимает текст и изображения и генерирует текстовые ответы. Она поддерживает многоходовые диалоги с одним изображением, визуальные вопросы и ответы, распознавание текста на изображениях, извлечение, упорядочивание и краткое изложение визуальной информации. Заявлена поддержка китайского и английского языков; изображения обрабатываются с разрешением до 672×672. Модель распространяется под лицензией Apache 2.0. Качество ответов может зависеть от содержания и разрешения изображения; заявленный режим визуального диалога рассчитан на одно изображение.

Arabic-OCR-DeepSeek-OCR-2 — модель loay, дообученная на базе unsloth/DeepSeek-OCR-2 для распознавания арабского текста на изображениях и анализа структуры страниц. Она принимает изображения сканированных книг и выдаёт структурированные транскрипции; для обработки страниц использует динамическое разбиение на фрагменты с сохранением высокого разрешения. В README указано обучение на 35 921 изображении арабских книг и адаптация LoRA с последующим объединением адаптера с базовой моделью. Метаданные указывают архитектуру DeepseekOCR2ForCausalLM, 559,7 млн параметров и контекст 8192 токена. Модель ориентирована на OCR арабских документов, в частности на сценарий инструкции «Free OCR». В карточке также заявлена поддержка английского языка. Репозиторий распространяется под лицензией Apache-2.0. Практическое качество зависит от чёткости изображения и особенностей исходной разметки; подтверждённые оценки качества в предоставленной карточке не приведены.

AZOCR — модель оптического распознавания символов для документов на азербайджанском языке, созданная на основе GLM-OCR. Модель дообучена методом LoRA на 6 699 примерах страниц в течение двух эпох. Она принимает изображения документов и преобразует их содержимое в текст. Модель предназначена для распознавания азербайджанского текста в документах; репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает метрики качества, поэтому точность распознавания для разных типов документов оценить по имеющимся сведениям нельзя.

Bina 0.1 Koochik (بینا ۰.۱ کوچک) — модель для распознавания персидского текста и структуры документов. Её выпустил Reza2kn как BF16-версию, полученную слиянием LoRA-чекпойнта на шаге 8 000 с базовой моделью Surya OCR 2 от Datalab. Модель построена на архитектуре Qwen3.5ForConditionalGeneration и принимает изображения страниц документов; заявленная задача — image-text-to-text. Модель предназначена для OCR персидских документов, включая страницы из PDF и изображений. Она может выдавать распознанный текст и HTML, упорядоченные блоки, их типы, оценки уверенности и координаты рамок. Для запуска автор рекомендует пакет Surya OCR 2; описанный сценарий рассчитан на Linux или WSL2 с GPU NVIDIA и vLLM. Веса хранятся в формате BF16/Safetensors, лицензия — OpenRAIL. В README модель названа базовой точкой для сравнения с её квантованными и runtime-версиями. Работа на CPU и Apple Silicon через автоматический путь llama.cpp напрямую не поддерживается без отдельной конверсии в GGUF. Указан один обучающий чекпойнт на шаге 8 000; дополнительных оценок качества в карточке нет.

Jwalit разработал Document Moiré Detection Model V2 — модель компьютерного зрения для выявления муаровых артефактов на изображениях документов. Это дообученный DeiT-small на базе Vision Transformer с классификационной головой; в карточке указано 28,3 млн параметров. Модель относит изображение к одному из двух классов: clean или moire. Для предсказания изображение масштабируется до 224×224 пикселей. Модель предназначена для проверки качества сканов, фотографий документов и снимков экрана, а также для поиска муара, возникшего при съёмке экрана, сканировании или захвате изображения. В README приведены результаты на тестировании, включавшем слабый и локализованный муар; автор сообщает точность 99,12%, F1 0,9913 и полноту 99,75%. Обучение проводилось на 8 000 примерах с синтетически созданными муаровыми паттернами. Модель распространяется по лицензии Apache-2.0. Её качество на реальных вариантах муара может отличаться от результатов на синтетических данных; на фотографиях обычных сцен точность не гарантируется. Масштабирование до 224×224 может скрыть очень слабый муар в изображениях высокого разрешения, а повышенная полнота сопровождается ложными срабатываниями на чистых изображениях.

Eagle2-2B — компактная визуально-языковая модель, выпущенная NVIDIA в составе семейства Eagle2. Она предназначена для диалога и генерации ответов по тексту, изображениям и видео. Вариант 2B использует языковую основу Qwen2.5-1.5B-Instruct и визуальные компоненты PaliGemma и SigLIP; архитектура в репозитории обозначена как eagle_2_5_vl, файлы представлены в формате safetensors и модель запускается через Transformers. Модель рассчитана на распознавание содержимого изображений и видео, ответы на вопросы о визуальных данных и анализ документов и диаграмм. В README указано окно до 16 тысяч токенов; среди приведённых сравнительных результатов модель показывает сильные результаты на ChartQA и сопоставимые с другими компактными VLM результаты на DocVQA и InfoVQA. README также упоминает поддержку нескольких изображений и видео во входных данных. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Это компактная модель, поэтому её возможности могут уступать более крупным VLM; NVIDIA рекомендует оценивать её пригодность и риски для конкретного применения. Указанная в карточке возможность интерфейса вызова инструментов не описана в README как отдельный сценарий использования.

Eagle-X5-13B-Chat — мультимодальная языковая модель семейства Eagle, разработанного NVIDIA. Это плотная Transformer-модель архитектуры EagleLlamaForCausalLM с 12,9 млрд параметров, предназначенная для диалога и анализа изображений вместе с текстом. Контекст модели составляет 4096 токенов. Модель использует комбинацию визуальных энкодеров CLIP+X и рассчитана на обработку изображений высокого разрешения, включая задачи распознавания текста и понимания документов. Она принимает изображения и текст, а выдаёт текст; авторы отмечают сильные результаты на мультимодальных тестах, особенно в задачах, чувствительных к разрешению. Основные сценарии применения — исследование мультимодальных LLM и создание чат-ботов. Модель опубликована под лицензией CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. README не уточняет языковой охват и подробные ограничения качества; перед применением в конкретной отрасли следует оценить пригодность модели для этого сценария.

Gemma-SEA-LION-v4-27B-VL — мультимодальная инструктивно настроенная модель AI Singapore и SEACrowd для работы с изображениями и текстом в сценариях, связанных с Юго-Восточной Азией. Она построена на архитектуре Gemma 3 и дообучена на примерно 540 тысячах пар инструкций и изображений на бирманском, английском, индонезийском, кхмерском, лаосском, малайском, китайском, тагальском, тамильском, тайском и вьетнамском языках. Базовая модель — aisingapore/Gemma-SEA-LION-v4-27B-IT. Модель принимает текст и изображения, поддерживает визуальные вопросы и ответы, понимание документов, рассуждение с опорой на изображения и создание подписей к ним. Контекст составляет 128 тысяч токенов; заявлены также вызов функций и структурированный вывод. Она предназначена для мультиязычных приложений, ориентированных на регион Юго-Восточной Азии. Модель может галлюцинировать, выдавать нерелевантные или непоследовательные ответы и не проверялась на устойчивость к состязательным запросам. Она не прошла настройку безопасности; текстовые возможности близки к базовой Gemma-SEA-LION-v4-27B-IT. Распространяется на условиях Gemma Terms of Use.

cyankiwi/GLM-4.6V-Flash-AWQ-4bit — 4-битная AWQ-квантизированная версия GLM-4.6V-Flash, разработанная Ton Cao на основе модели GLM-4.6V-Flash от Z.ai. Модель относится к семейству GLM-V и предназначена для локального развертывания и приложений с низкой задержкой. Это мультимодальная модель для задач image-text-to-text: она обрабатывает изображения и текст, поддерживает китайский и английский языки, а также сценарии визуального понимания документов, таблиц, графиков, интерфейсов и скриншотов. Семейство GLM-4.6V заявляет поддержку контекста до 128K токенов, мультимодального function calling, анализа многостраничных документов, генерации смешанного текстово-графического контента и восстановления HTML/CSS по скриншотам; README не уточняет, одинаково ли все эти возможности реализованы именно в данной AWQ-версии. Размер базовой GLM-4.6V-Flash составляет 9B параметров. Квантизация выполнена методом AWQ с точностью 4 бита и group size 32, с использованием llm-compressor и набора 5CD-AI/LLaVA-CoT-o1-Instruct. Заявленный объём памяти снижен примерно с 19,2 до 8,3 ГБ, что делает модель более подходящей для локального запуска. Для инференса рекомендуется vLLM; README не приводит подробных результатов бенчмарков или анализа возможной потери качества после квантизации. Модель распространяется по лицензии MIT. Для запуска указаны vLLM и актуальная версия Transformers.

InfiniteVL-LongSFT — мультимодальная модель семейства InfiniteVL, разработанная исследователями Huazhong University of Science and Technology и Horizon Robotics. Она предназначена для диалогового понимания изображений и видео, ответов на визуальные вопросы, распознавания текста, интерпретации диаграмм и описания сцен. В README указана архитектура с визуальным энкодером на основе Qwen2.5-VL, проекционным MLP и декодером, который сочетает Sliding Window Attention и Gated DeltaNet. Модель содержит 3,1 млрд параметров, использует формат safetensors и библиотеку Transformers. В метаданных указан контекст 128 000 токенов; авторы также сообщают об экспериментах на последовательностях свыше 500 000 токенов, постоянном объёме памяти для длинного контекста и потоковой обработке видео. README описывает двухэтапное обучение, включая дистилляцию от Qwen2.5-VL и последующее instruction SFT, но точная связь именно этого чекпойнта с базовой моделью в метаданных не приведена. Лицензия — Apache-2.0. Заявления о скорости и качестве основаны на результатах авторов и зависят от сценария и оборудования.

InternVL2_5-78B-MPO — мультимодальная модель OpenGVLab, построенная на архитектуре ViT-MLP-LLM и дообученная методом Mixed Preference Optimization на основе OpenGVLab/InternVL2_5-78B. Она предназначена для диалогов и генерации текста по изображениям, включая несколько изображений; семейство также поддерживает работу с видеокадрами. Зрительная часть использует динамическое разбиение изображений на фрагменты 448×448 и уменьшение числа визуальных токенов с помощью pixel unshuffle. Модель загружается через Transformers в формате safetensors. Модель подходит для визуальных вопросов и ответов, описания изображений, распознавания текста на изображениях и мультимодальных задач на понимание и рассуждение; её можно использовать в многотуровом диалоге и развёртывать через LMDeploy. Карточка описывает мультиязычное семейство, но не перечисляет отдельные языки или размер контекста именно этой модели. Лицензия указана как other, поэтому условия использования следует сверять с лицензией и документацией проекта. Вес модели требует многокарточного развёртывания для практического инференса.

OpenGVLab/InternVL3_5-2B-HF — мультимодальная модель семейства InternVL3.5 в формате Hugging Face Transformers. По архитектуре InternVLForConditionalGeneration она принимает изображения и текст, а отвечает текстом; поддерживает диалоговый режим. Семейство разработано OpenGVLab и использует каскадное обучение с подкреплением для улучшения рассуждений, а также динамическую настройку разрешения визуальных токенов для эффективной обработки изображений. Модель предназначена для вопросов по изображениям, визуального анализа, распознавания текста на изображениях и мультимодальных задач на рассуждение. Карточка описывает возможности семейства, включая взаимодействие с графическими интерфейсами и агентные сценарии, но не приводит отдельных подробностей для варианта 2B. Метаданные указывают дообучение на OpenGVLab/InternVL3_5-4B-MPO и лицензию Apache-2.0; доступный чекпойнт использует safetensors и библиотеку Transformers. Размер контекста и конкретный перечень поддерживаемых языков в предоставленных данных не указан.

InternVL3.5-2B-Instruct — мультимодальная модель OpenGVLab из семейства InternVL3.5, дообученная на базе OpenGVLab/InternVL3_5-2B-Pretrained. Она принимает изображения вместе с текстовыми запросами и формирует текстовые ответы; подходит для диалога по изображениям, визуальных вопросов и задач на мультимодальное рассуждение. В README описаны возможности семейства InternVL3.5, включая распознавание текста на изображениях и взаимодействие с графическим интерфейсом, но отдельные характеристики версии 2B в предоставленном фрагменте не уточняются. Модель поддерживает мультиязычные сценарии, использует архитектуру InternVLChatModel и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. В метаданных также заявлен интерфейс вызова инструментов; его фактическая поддержка зависит от используемого шаблона и системы запуска.