I.4Обработка документов и форм

SmolLM2-1.7B-Instruct — компактная языковая модель Hugging Face на 1,7 млрд параметров, дообученная на базе HuggingFaceTB/SmolLM2-1.7B. Это плотный Transformer-декодер семейства Llama для генерации текста и диалогов; модель поддерживает контекст до 8192 токенов и рассчитана на запуск на устройстве. Версия Instruct прошла supervised fine-tuning и Direct Preference Optimization. Она предназначена для следования инструкциям, переписывания и суммаризации текста, а также вызова функций. Модель ориентирована прежде всего на английский язык; репозиторий содержит веса Safetensors и формат ONNX. Лицензия — Apache-2.0. По сравнению с предыдущей версией семейства улучшены следование инструкциям, знания, рассуждения и математика, однако ответы могут содержать фактические ошибки, быть логически непоследовательными или отражать смещения обучающих данных. Важную информацию следует проверять; модель не заменяет экспертную оценку.

Карточка модели conor9999/t5-large на Hugging Face совпадает с карточкой google-t5/t5-large, поэтому описание составлено по ней. T5-Large — языковая модель семейства Text-To-Text Transfer Transformer, разработанная Colin Raffel, Noam Shazeer и коллегами. Она преобразует текстовый ввод в текстовый вывод и обучалась в едином формате для разных задач обработки естественного языка. В карточке Hugging Face основная задача модели указана как перевод; размер версии в метаданных — 385,2 млн параметров, архитектура — T5ForConditionalGeneration. В README приведён размер 770 млн параметров, поэтому сведения о размере в источниках расходятся. Модель предназначена для перевода и может применяться после соответствующей настройки для суммаризации, ответов на вопросы, классификации и других текстовых задач. Заявленные языки — английский, французский, румынский и немецкий; длина контекста — 512 токенов. Предобучение проводилось на C4 и наборах данных для языковых задач. Модель доступна в форматах PyTorch, TensorFlow, Flax и safetensors. Лицензия — Apache 2.0. Возможности модели ограничены обучающими данными и контекстом; результаты могут содержать ошибки и отражать смещения данных. README не приводит подробных оценок качества или конкретных ограничений для отдельных сценариев.

Argus-Colqwen3.5-4b-v0-bf16 — модель визуального поиска по документам, разработанная группой Data Science Университета Инсбрука. Это дообученная и объединённая с базовой моделью версия Qwen/Qwen3.5-VL-4B-Instruct в формате bfloat16; архитектура Argus использует разреженную смесь экспертов с маршрутизацией, зависящей от визуальных областей страницы и запроса. Модель формирует 1024-мерные векторные представления токенов и рассчитана на страницы с объёмом до 2048 визуальных токенов. Модель предназначена для извлечения релевантных страниц и фрагментов в системах визуального поиска по документам, включая сценарии вопросов и ответов по PDF и отчётам. В README приведены результаты на ViDoRe: сильные показатели на английских наборах v1 и конкурентные результаты на v2. Версия bf16 занимает около 8,8 ГБ и удобнее для развёртывания на ограниченных по памяти GPU, но при объединении LoRA потеряла небольшую долю точности относительно версии fp32. Модель ориентирована преимущественно на английские документы; ViDoRe v3 для неё не оценивался. Весовые файлы опубликованы в формате safetensors, лицензия — Apache-2.0. Для запуска README рекомендует Transformers версии 5 и указывает Flash Attention как дополнительную зависимость.

AuroLA-Omni-3B — мультимодальная модель эмбеддингов, представленная автором Jazzcharles и основанная на Qwen2.5-Omni-3B с использованием AuroLA-3B. Модель преобразует текст, изображения, аудио и видео в признаки; доступна в формате BF16 в совместимой с SentenceTransformers структуре. Метаданные указывают архитектуру Qwen2.5 Omni Thinker и возможность извлечения эмбеддингов. Модель предназначена для мультимодального поиска и сопоставления запросов с текстом, изображениями, видео и визуальными документами. В README приведены результаты MMEB-V3 для изображений, видео и VisDoc. Для работы указаны SentenceTransformers и Transformers; при использовании Transformers следует применять шаблон чата SentenceTransformers и брать последнее скрытое состояние без паддинга. Лицензия в предоставленных данных не указана.

google-bert/bert-base-multilingual-cased — предобученная многоязычная модель BERT, опубликованная командой BERT и представленная на Hugging Face. Это плотный трансформерный энкодер класса BertForMaskedLM с 205,1 млн параметров, общим словарём WordPiece на 110 000 единиц и контекстом до 512 токенов. Модель обучена на текстах Википедии для 104 языков с помощью masked language modeling и предсказания следующего предложения. Она чувствительна к регистру: например, различает «english» и «English». Несмотря на имя репозитория, токенизация в карточке описана как выполняющая приведение текста к нижнему регистру. Модель предназначена прежде всего для дообучения под задачи понимания текста, например классификации последовательностей и токенов или ответов на вопросы. В исходном виде её можно использовать для восстановления замаскированных слов и получения текстовых представлений; для генерации связного текста она не предназначена. Поддерживает множество языков, включая русский, однако приведённые метаданные содержат только часть языкового списка из карточки. Лицензия — Apache 2.0.

Cadence-Fast — компактная модель AI4Bharat для восстановления пунктуации в тексте на английском и 22 индийских языках. Это дообученная на базе google/gemma-3-270m модель с плотной архитектурой Gemma3ForTokenClassification, предназначенная для токенной классификации и предсказания знаков препинания. Модель подходит для расстановки пунктуации в неразмеченном тексте и транскриптах речи. Она предсказывает точки, запятые, вопросительные и восклицательные знаки, кавычки, скобки и другие знаки; для длинных текстов пакет cadence-punctuation поддерживает обработку скользящими окнами. По данным карточки, Cadence-Fast достигает более 93,8% качества Cadence при значительно большей скорости. Контекст модели — до 32 768 токенов. Поддерживаются английский, ассамский, бенгальский, бодо, догри, гуджарати, хинди, каннада, кашмири, конкани, майтхили, малаялам, манипури, маратхи, непали, одиа, пенджаби, санскрит, сантали, синдхи, тамильский, телугу и урду. Для письма мейтей токенизатор работает недостаточно хорошо; карточка предлагает транслитерацию в бенгальское письмо. Для других языков качество не гарантируется. Модель распространяется по лицензии MIT.

ISOM-Qwen-1.5B-Instruct — инструктивно дообученная языковая модель, разработанная Prannessh K.V.A. на базе Qwen/Qwen2.5-1.5B-Instruct. По карточке, архитектура ISOM добавляет к трансформерным слоям рекуррентное сжатие состояния и динамическую INT8-квантизацию, чтобы ограничивать расход памяти KV-кэша при длинных контекстах. Модель предназначена для диалога, генерации текста и извлечения сведений из длинных последовательностей; заявлено окно контекста 32 768 токенов. В README автор заявляет сокращение рабочей памяти кэша и ускорение декодирования на длинных контекстах, включая тесты поиска факта в последовательности. Это заявления карточки; независимая проверка результатов в предоставленных данных отсутствует. Модель содержит около 1,5 млрд параметров, поддерживает английский язык, доступна в формате safetensors и распространяется по лицензии Apache-2.0. Метаданные также отмечают интерфейс для вызова инструментов.

LSG-BART-base-4096 — модель семейства BART, разработанная авторами реализации LSG и адаптированная из BART-base для задач с последовательностями текста большой длины. Она использует архитектуру encoder-decoder с локальным, разреженным и глобальным вниманием (LSG), сохраняя число параметров, слои и токенизатор исходной модели. Размер модели — 95,2 млн параметров, контекст — до 4096 токенов; реализация работает на PyTorch и для загрузки через Transformers требует доверия к пользовательскому коду репозитория. Модель предназначена для задач преобразования текста, в том числе суммаризации и классификации, и может применяться в сценариях, где входной текст длиннее обычного контекста BART. README отмечает более эффективную обработку длинных последовательностей по сравнению с Longformer (LED) и BigBird (Pegasus) из Hub. Для работы с длинными входами применяются блоки внимания; параметры блоков и шаблон разреженного внимания настраиваются, а вход автоматически дополняется до нужной длины. В карточке приведена лицензия? Условия использования не обозначены в предоставленных данных.

Nex-N2.5-mini-Uncensored-GGUF — это набор GGUF-квантизаций модели Nex-N2.5-mini, опубликованный OrcaRouter на основе модели Nex-AGI. Версия является abliterated-сборкой с существенно удалённым механизмом отказов и предназначена прежде всего для исследований интерпретируемости, безопасности ИИ, изучения механизмов отказа, red teaming, оценки устойчивости и контролируемых экспериментов. Модель представляет собой мультимодальную agentic Mixture-of-Experts-систему на архитектуре Qwen3.5-MoE: 35 млрд параметров, около 3,5 млрд активных на токен, 256 маршрутизируемых экспертов с выбором top-8 и одним общим экспертом. Используется гибридное соотношение 3:1 между gated delta-net linear attention и full attention, встроенная vision-башня Qwen3-VL и контекст до 262 тысяч токенов. Поддерживаются английский и китайский языки, работа с текстом и изображениями, а также сценарии computer use и function calling. Файлы рассчитаны на запуск в llama.cpp на CPU, CUDA, Metal и ROCm; доступны квантизации от 2 до 8 бит с importance matrix, а для vision требуется отдельный файл mmproj. К сильным сторонам относятся большой контекст, мультимодальность, MoE-архитектура с низким числом активных параметров и широкий выбор квантизаций, включая рекомендуемую 4-битную IQ4_XS. Ограничения включают заметное падение качества на наиболее агрессивных квантизациях, необходимость свежей версии llama.cpp с поддержкой архитектуры qwen35moe и отсутствие MTP-головы, поэтому speculative decoding через MTP недоступен. Из-за удаления защитных механизмов модель может выполнять вредоносные, незаконные и опасные запросы и не имеет значимых встроенных ограничений безопасности; её не следует использовать в production или напрямую предоставлять конечным пользователям без собственных систем модерации и защиты от злоупотреблений. Лицензия — Apache 2.0, унаследованная от базовой модели.

Mungert/Qwen2.5-0.5B-Instruct-GGUF — это компактная инструкционная языковая модель семейства Qwen2.5, разработанная командой Qwen при участии Alibaba Cloud. Модель предназначена для диалоговых сценариев, генерации текста, следования инструкциям, работы со структурированными данными и создания структурированных ответов, включая JSON. Она также ориентирована на задачи программирования и математики, однако из-за небольшого размера её возможности ограничены по сравнению с более крупными моделями. Модель представляет собой causal language model на архитектуре Transformer с RoPE, SwiGLU, RMSNorm, смещениями в QKV-матрицах внимания и связанными эмбеддингами слов. Она содержит около 0,49 млрд параметров, из которых 0,36 млрд не относятся к эмбеддингам, 24 слоя и Grouped Query Attention с 14 головами для Q и 2 для K/V. Полная длина контекста составляет 32 768 токенов, максимальная длина генерации — 8192 токена. Поддерживаются более 29 языков, включая английский, китайский, французский, испанский, немецкий, русский, японский, корейский, арабский и другие. Модель работает с текстом и не предназначена для мультимодальных задач. К сильным сторонам относятся малый размер, улучшенное следование инструкциям, генерация длинных текстов, устойчивость к различным системным промптам и поддержка структурированного вывода. Ограничениями являются компактная ёмкость модели и отсутствие заявленной поддержки изображений, аудио или других модальностей; подробные показатели производительности в README не приведены. Модель распространяется по лицензии Apache 2.0.

Qwen3.5-9B-abliterated-GGUF — это GGUF-квантизированная версия модели Qwen3.5-9B, подготовленная tutuchen2000 на основе abliterated-варианта lukey03/Qwen3.5-9B. Модель предназначена для локального запуска через Ollama, llama.cpp и другие совместимые движки вывода. Она поддерживает текстовые сценарии, а специальная vision-версия — обработку изображений вместе с текстом. Доступны текстовые сборки Q4_K_M размером около 5,2 ГБ и F16 размером около 17 ГБ, а также vision-сборка Q4_K_M размером около 6,1 ГБ. Vision-вариант сохраняет встроенный мультимодальный vision-энкодер исходной Qwen3.5-9B; архитектура Qwen3.5 использует нативную мультимодальность с ранним объединением данных. Заявлены поддерживаемые языки: английский, китайский, японский, корейский, французский, немецкий и испанский. Модель имеет около 9 млрд параметров, но размер контекста в README не указан. Главная особенность — удаление отказов от ответа методом abliteration: применены три прохода ортогональной проекции и последующее QLoRA-дообучение для устойчивых категорий отказов. В тесте README модель ответила на 18 из 18 проверочных запросов, тогда как базовая модель не ответила ни на один. Это может быть полезно для исследовательских, образовательных и локальных сценариев, требующих минимального количества встроенных ограничений, однако отсутствие отказов повышает риск небезопасных или неправомерных ответов и требует самостоятельного контроля со стороны пользователя. Модель распространяется по лицензии Apache-2.0. Для vision-функций требуется Ollama версии 0.17.1 или новее; текстовая сборка vision не поддерживает.

Qwen3.8-27B-Uncensored-JoyFox-Aggressive — модификация модели Qwen3.8-27B от JoyFox, ориентированная на снижение ложных отказов и избыточных предупреждений в ответах. Модель сохраняет официальные токенизатор, шаблон чата и конфигурацию базовой модели, а также поддерживает текстовые и мультимодальные сценарии с обработкой изображений. Заявлена поддержка английского, китайского и других языков в рамках мультиязычных возможностей Qwen3.8. Модель предназначена для прямых и содержательных ответов на добросовестные, аналитические, образовательные, вымышленные и иные легитимные запросы, включая чувствительно или неоднозначно сформулированные. В составе сохранены полный vision-стек и мультимодальный проектор, native Multi-Token Prediction (MTP), а также совместимость с форматами BF16 и GGUF. Доступны варианты GGUF с квантованием Q2_K–Q8_0; размер основной модели в этих вариантах составляет примерно от 10,12 до 27,05 GiB. По приведённой оценке на 1000 запросах вариант JoyFox BF16 снизил показатель отказов на добросовестные запросы с 59,2% у исходной модели до 0%, при этом capability score составил 59,0% у обеих моделей. Это поведение не добавляет новых знаний и не устраняет галлюцинации, ошибки понимания или риск генерации неподходящего контента, поэтому модель требует самостоятельной проверки и защитных мер при развёртывании. Контекстное окно и точное число параметров в README не указаны; обозначение 27B относится к базовой модели. Лицензия — Apache-2.0.

Qwen3.8-Flash-Next — квантованная версия модели Qwen3.8-Flash-Next, опубликованная пользователем cmh и предназначенная для запуска в формате GGUF через llama.cpp. Модель относится к классу image-text-to-text и поддерживает работу с текстом и изображениями при наличии совместимого мультимодального проектора. Файл модели занимает 109,80 GiB. Используется смешанная квантализация с общей точностью 5,33 BPW: embedding представлен в Q8_0, а параметры MoE-к. Квантование выполнено с применением форматов IQ и Q4 для различных экспертных слоёв; часть нормализационных и других чувствительных параметров сохранена в F32. В README приведена конфигурация с контекстом до 131 072 токенов для режима с vision, однако фактические требования зависят от версии llama.cpp и доступной памяти. Рекомендированная тестовая конфигурация включает 64 ГБ RAM, 12 ГБ VRAM и 8 логических ядер. Модель ориентирована на локальный инференс, рассуждения и мультимодальные сценарии, включая анализ изображений, при использовании файла mmproj. В рекомендованных настройках предусмотрены сохранение рассуждений и высокий уровень reasoning effort. Ключевые ограничения — очень большой размер файла, высокие требования к оперативной памяти и необходимость совместимого программного окружения; сведения о языках, точном числе параметров и результатах бенчмарков в README отсутствуют. Лицензия указана как qwen-community-1.0; применяется нестандартная лицензия, полный текст доступен в файле LICENSE.

amd/Qwen3.8-Flash-Next-Quark-MXFP4-PLEFP8 — квантизированный чекпойнт модели Qwen3.8-Flash-Next, подготовленный Advanced Micro Devices (AMD) с использованием AMD-Quark. Модель предназначена для генерации текста по текстовым, графическим и видео­входам; заявленный язык — английский. Архитектура указана как Qwen4ExpForConditionalGeneration, а инференс реализован через SGLang. Основная особенность чекпойнта — квантизация MoE-экспертов, включая shared expert, в OCP MXFP4 для весов и динамических активаций. Таблица PLE-эмбеддингов квантизирована в Per-Tensor FP8, остальные ключевые компоненты, включая attention, Mamba-style linear-attention projections, vision tower, MTP head, router gates и lm_head, сохранены в bfloat16. Модель оптимизирована для AMD Instinct MI350X и MI355X, использует ROCm 7.2.4, PyTorch 2.11.0+rocm7.2, Transformers 5.12.1 и Linux. Чекпойнт рассчитан на ресурсоэффективное развертывание MoE-модели на совместимом оборудовании AMD. На GSM8K в режиме 5-shot он показал результат 96,44 против 96,97 у исходной Qwen3.8-Flash-Next, что соответствует восстановлению 99,5% исходной точности. Ограничения включают узкую аппаратно-программную специализацию, зависимость от конкретной версии SGLang и отсутствие в README сведений о размере модели, длине контекста и более широком наборе оценок. Лицензия обозначена как other; для модификаций указано авторство Advanced Micro Devices, Inc. за 2026 год. Полные условия приведены в файле LICENSE репозитория модели.

VEJI-V2 — компактная модель типизированного выбора кандидата и принятия структурированных решений, опубликованная racore. Это не генеративная языковая модель: она получает контекст, вопрос или инструкцию и список вариантов, совместно оценивает варианты и возвращает лучший ответ, вероятности, оценку уверенности и фрагменты контекста, использованные для решения. Модель использует замороженный многоязычный энкодер paraphrase-multilingual-MiniLM-L12-v2, маршрутизацию свидетельств, рекуррентное уточнение с GRUCell и признаки точного совпадения, чисел, отрицаний и токенов кода. Обучаемая часть содержит около 3,28 млн параметров без учёта энкодера. Модель предназначена для классификации, маршрутизации запросов, извлечения ответа из заданных вариантов, проверок политик, семантического сопоставления, анализа кода и многошаговых вопросов по контексту. В README заявлена обработка контекста до 250 000 символов с повторным использованием закодированного состояния; тестовая точность составила 82,95% на выборке из 522 вопросов. Указаны английский и арабский языки, формат PyTorch и лицензия MIT. Ответ ограничен предоставленными вариантами, поэтому качество зависит от их полноты и формулировок. Оценка основана на небольшой выборке; в ней слабы ранжирование, планирование, временной порядок, некоторые числовые проверки и предсказание точного вывода кода. Начальная компиляция длинного контекста может быть затратной, а полный тест на длинном контексте не завершился.

WiroAI/wiroai-turkish-llm-8b — турецкоязычная модель генерации текста, разработанная WiroAI на основе Meta Llama 3.1 8B Instruct. Это плотный decoder-only трансформер с 7,5 млрд параметров, дообученный методом SFT на более чем 500 тысячах турецких инструкций; для дообучения применялся LoRA, квантизация не использовалась. Модель принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена. Модель предназначена для генерации и редактирования текста, ответов на вопросы, суммаризации, анализа и преобразования контента, особенно с учетом турецкого языка, культуры и локального контекста. Карточка также заявляет поддержку других распространенных языков, но основное внимание уделено турецкому. Модель распространяется по лицензии Apache-2.0. Для важных решений ответы следует проверять; качество зависит от ясности инструкций, а развертывание требует оценки аппаратных ресурсов.

AIFT-ko-orca-plat-Yi-ko-6b-v1.7 — корейская instruct-модель для генерации текста, созданная на основе обучающих данных, собранных и очищенных разработчиком AIFT. Авторы использовали около 40 тысяч примеров: задания из KOR-OpenOrca-Platypus, данные по истории, науке, математике, машинному чтению, анализу отзывов и грамматике, а также материалы для перевода между английским и корейским. В README также указаны задания на краткое изложение и вопросы на проверку фактов. Модель имеет плотную архитектуру семейства Llama, около 5,9 млрд параметров и контекст до 2048 токенов. Для обучения применялся LoRA на двух ускорителях A100 с 40 ГБ памяти. Модель подходит для ответов на вопросы, учебных заданий, чтения и пересказа текста и перевода с английского на корейский и обратно. Обучающие данные не опубликованы, поэтому их состав и качество нельзя независимо проверить. Модель распространяется по лицензии CC BY-SA 4.0; при использовании и распространении производных следует учитывать её условия.

Airophin разработал пользователь bhenrym14 как QLoRA-дообучение Llama 2 13B для генерации текста с расширенным контекстом. Модель использует плотную архитектуру LlamaForCausalLM, содержит 12,9 млрд параметров и применяет частичное NTK-масштабирование RoPE; автор указывает целевую длину контекста 16 384 токена. В метаданных Hugging Face указана нативная длина контекста 4 096 токенов. Обучение проходило в два этапа: на длинных фрагментах набора Dolphin и затем на Airoboros GPT-4 1.4.1. Модель предназначена для диалоговой генерации, ответов по предоставленному контексту, инструкций и задач вроде викторин и вопросов с выбором ответа. Для ответов по документам в карточке предложен формат с явными разделителями контекста. Автор сообщает о тестировании длинных последовательностей до 12 000 токенов и приводит результаты perplexity, но отмечает, что оценка влияния отдельных этапов обучения затруднена. Для запуска требуются способы поддержки частичного NTK RoPE-масштабирования; README указывает, что на момент его написания оно не поддерживалось нативно в Transformers и ExLlama. Доступные веса fp16 опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

AMALIA-9B-1225-SFT — открытая языковая модель, разработанная консорциумом португальских университетов и исследовательских центров при участии Фонда науки и технологий Португалии. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 8,6 млрд параметров. Репозиторий содержит веса Safetensors; модель поддерживает диалоговый режим и контекст до 32 768 токенов. Модель предназначена для универсальной генерации текста на европейском португальском (pt-PT): диалоговой помощи, следования инструкциям, ответов на вопросы, суммаризации, написания и редактирования текстов, перевода и исследовательских задач по португальскому языку. Обучение включало предварительное обучение, контролируемую тонкую настройку (SFT) и настройку предпочтений методом DPO. Модель также можно адаптировать для последующих приложений, включая RAG и государственные сервисы. Карточка указывает, что модель оптимизирована для pt-PT; другие варианты португальского могут обрабатываться менее последовательно. Она способна выдавать фактические ошибки, предвзятые или вредоносные ответы, поэтому результаты нужно проверять, а при внедрении добавлять защитные механизмы и проводить оценку для конкретной задачи. Лицензия — Apache-2.0.

twmkn9/bert-base-uncased-squad2 — модель BERT base uncased, дообученная на датасете SQuAD v2 для ответов на вопросы по предоставленному контексту. Она извлекает ответ из текста или сообщает, что в контексте ответа нет. Подходит для систем поиска по документам и других сценариев, где вопрос и относящийся к нему текст доступны модели. Модель содержит 136,7 млн параметров, использует архитектуру BERT для вопросно-ответной задачи и принимает последовательности длиной до 512 токенов. В README приведены результаты на подмножестве dev-набора SQuAD v2: exact match 72,36 и F1 75,75. Доступны веса PyTorch и Flax. Базовая модель — bert-base-uncased; лицензия в предоставленных данных не указана.

BGE-M3 Bangla Cross-Script Fine-tuned — дообученная Md Nahid Hasan модель BAAI/bge-m3 для семантического поиска по текстам на бенгальском языке и сопоставления разных вариантов записи. Модель на архитектуре XLM-RoBERTa содержит 658,7 млн параметров, принимает текст и формирует эмбеддинги для поиска и сравнения сходства предложений. В карточке указано контекстное окно 8194 токена; используется библиотека sentence-transformers. Модель рассчитана на сопоставление текста на бенгальском письме, романизированного Banglish, смешанного бенгальско-английского текста, разговорных и содержащих опечатки запросов, а также английского текста с тем же смыслом. Подходит для поиска по FAQ и документам, межскриптового извлечения информации, подготовки контекста для RAG, кластеризации и дедупликации. В приведённых результатах дообученная версия улучшает кросс-скриптовое сходство относительно базовой BGE-M3. Ограничения: обучение преимущественно ориентировано на домены Бангладеш; модель не оптимизирована для длинных документов, а сходство формального и разговорного бенгальского несколько снизилось. Лицензия — MIT.

DeepSeek-V4-Flash-0731-Vision-NVFP4 — экспериментальная мультимодальная модель, разработанная WebBrain на базе DeepSeek-V4-Flash-0731 и конвертированной версии MJPansa/DeepSeek-V4-Flash-0731-NVFP4. Для обработки изображений используется замороженный vision-энкодер MoonViT-3d из Kimi-K2.6, соединённый с языковой моделью обученным WebBrain проектором PatchMerger и routing bridge. Модель предназначена для задач, где требуется совместно анализировать текст и визуальное состояние интерфейса: работы браузерных агентов, понимания скриншотов, графиков, дашбордов, редакторов и элементов управления. Проектор выполняет нормализацию, объединение патчей 2×2 и последовательность линейных преобразований с GELU. Интеграция поддерживает один маркер изображения и рассчитана максимум на 512 объединённых image-токенов. Текстовая часть использует смешанную точность: веса routed experts представлены в NVFP4, а attention, shared experts, head, MTP и другие пути сохраняют исходные форматы; это не полностью NVFP4-модель. Vision tower и проектор используют BF16. Архитектура не совместима напрямую со стандартными Transformers или стандартным SGLang: требуются внешний пакет модели и процессора WebBrain, специальный патч и указанная версия SGLang. Решение ориентировано на оборудование Blackwell, а повторная полная проверка загрузки и генерации изображений для собранного чекпойнта ещё не выполнена. Лицензия указана как other; подробные условия использования в карточке не приведены.

dqnGPT-v1 — это универсальный мультимодальный AI-ассистент, разработанный DQN Labs как центральный интерфейс экосистемы моделей DQN. Модель предназначена для повседневного общения, объяснения учебных и общих тем, творческого письма, мозгового штурма и решения бытовых задач. В модульных системах она может выступать разговорным фронтендом и координировать взаимодействие со специализированными моделями dqnCode, dqnMath и dqnScience, рекомендуя их для задач, требующих более глубокой экспертизы. В основе модели лежит архитектура Gemma 4 E4B с Mixture-of-Experts (MoE). Это causal language model примерно с 8 млрд параметров, из которых около 4,5 млрд активны при обработке запроса. Указан основной язык English. Модель поддерживает обработку изображений, визуальных материалов, диаграмм и структурированных входных данных, однако качество мультимодальной работы зависит от возможностей используемого runtime. Предоставляется в формате GGUF и ориентирована на эффективный локальный запуск, включая потребительские GPU и конфигурации с квантованием, в том числе 4-bit. dqnGPT-v1 делает акцент на естественном разговорном стиле, понятных объяснениях, следовании инструкциям, контекстной делегации и выразительной, слегка игривой манере общения. Ограничения модели включают отсутствие оптимизации для узкоспециализированных областей, возможную передачу сложных задач специализированным моделям, зависимость мультимодальных возможностей от runtime и непредназначенность для крупномасштабных корпоративных нагрузок. Модель не дообучалась на предметно-ориентированных датасетах: поведение формируется промптами, структурированным форматом диалогов и системными настройками. Лицензия — Apache 2.0.

EVIE-Preview-4.5B — мультимодальная модель для поиска информации в визуальных документах, разработанная Tencent и представленная как предварительная версия EVIE. Она дообучена на базе Qwen/Qwen3.5-4B и использует архитектуру ColQwen3_5: визуально-языковая основа с линейным и полным вниманием формирует контекстные представления токенов, которые проецируются в векторы размерности 128. Для поиска применяется позднее взаимодействие MaxSim между токенами запроса и визуальными токенами страниц. Модель кодирует запросы и страницы документов для мультиязычного поиска по графикам, таблицам, научным отчётам, финансовой отчётности и сканированным формам. В README указано 4,54 млрд параметров; модель распространяется в формате safetensors, а карточка заявляет лицензию Apache-2.0. На ViDoRe V3 и ViDoRe V1+V2 представлены результаты бенчмарков, включая первое место в таблицах сравнения README. Поддерживаются запросы на английском, французском, немецком, итальянском, испанском, португальском и китайском языках; среди документов также упоминаются страницы на японском. Это предварительный чекпойнт: README рекомендует вместо него более новые модели EVIE. Для индексации он формирует много токен-векторов на страницу, поэтому объём индекса может быть значительным; приведённая оценка для 1 млн страниц при 1792 токенах на страницу — 420,5 ГиБ в BF16.

Faro-Yi-34B — чат-модель на основе Yi-34B-200K, разработанная Wenbopan и дообученная на больших объёмах синтетических инструкционных данных из Fusang-V1. Она предназначена для диалогов и широкого круга задач по инструкциям, включая работу с длинными документами и сложными запросами. Модель использует плотную архитектуру семейства Llama с 33,9 млрд параметров и поддерживает контекст до 200 000 токенов. Она рассчитана на китайский и английский языки; для длинных входов автор рекомендует запуск через vLLM. Репозиторий содержит веса в формате safetensors, лицензия — MIT. Карточка заявляет улучшенное выполнение различных задач и устойчивую работу с длинным контекстом, но не приводит количественных оценок или результатов бенчмарков. Качество на других языках не заявлено.

GLM-5.3-Flash-W4A16-NVFP4-K32-Experts-FP8-WO — это смешанно-квантизированная версия модели GLM-5.3-Flash-BF16, разработанной Z.ai и опубликованной пользователем ormandj. Модель предназначена для задач генерации текста и обработки изображений, включая мультимодальные сценарии с vision input, а также для серверного инференса с несколькими одновременными запросами и speculative decoding. Модель поддерживает контекст до 499 712 токенов и рассчитана на работу на двух GPU RTX PRO 6000 Blackwell с 96 ГБ памяти каждый. Маршрутизируемые эксперты в слоях 3–45 квантизированы в ModelOpt W4A16 NVFP4, а часть attention- и shared-expert-проекций — в weight-only FP8; vision tower, проектор, эмбеддинги, LM head, маршрутизаторы, нормализации и ряд других компонентов сохранены в исходной точности. Тензорные данные занимают около 178 ГБ в 90 safetensors-шардах. В README указано качество 96,9% на GSM8K в zero-shot greedy-режиме, сопоставимое с исходной BF16-моделью в аналогичных условиях. Основные ограничения связаны с узкой аппаратной и программной совместимостью: требуется Linux x86_64, две GPU с архитектурой SM120, Docker и NVIDIA Container Toolkit. Чекпойнт использует специальный контракт modelopt_mixed и на данный момент корректно загружается только через закреплённый образ SGLang/FlashInfer; стандартные версии Transformers, vLLM и SGLang не поддерживаются. Это не официальный релиз Z.ai, ModelOpt или SGLang. Исходный чекпойнт распространяется по лицензии MIT; рекомендации по применению и ограничениям следует уточнять в карточке исходной модели.

Llama-3-Giraffe-70B — экспериментальная длинноконтекстная версия Llama 3 70B, представленная Abacus.AI. Это плотная авторегрессионная языковая модель на архитектуре LlamaForCausalLM с 69,5 млрд параметров; README сообщает об эффективном контексте около 128 тыс. токенов, тогда как в метаданных указан native context 8192 токена. Для расширения контекста применялись PoSE и динамическая NTK-интерполяция: обучение включало около 1 млрд токенов и длинные образцы из RedPajama. Модель предназначена для генерации текста и экспериментов с извлечением информации из длинных последовательностей, например поиска фрагмента в большом документе. В README приведена оценка Needle-in-a-Haystack на контекстах до 128 тыс. токенов, но это начальный выпуск, и авторы отмечают, что планируют улучшать результаты по мере дальнейшего обучения. Модель принимает и генерирует текст; в метаданных указан английский язык. Лицензия — Llama 3 license (llama3).

Llama-3-Typhoon-1.5X-8B-instruct — разговорная языковая модель SCB 10X Typhoon Team для генерации ответов по инструкциям на тайском и английском языках. Это плотная decoder-only модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она принимает текст и выдаёт текст, поддерживает контекст до 8192 токенов и использует шаблон чата Llama 3. Модель создана методом редактирования весов task arithmetic на основе Typhoon 1.5 8B и Llama 3 8B Instruct. Она предназначена для диалоговых приложений, генерации с ограничениями, рассуждений и сценариев RAG. В README приведены оценки на ThaiExam, MMLU, MT-Bench и IFEval; авторы сообщают о конкурентных результатах, особенно для тайского языка. Авторы называют модель экспериментальной и предупреждают, что она не полностью оценена для всех сценариев; перед применением разработчикам следует учитывать риски конкретного приложения. Лицензия — Llama 3 Community License. Для использования указана Transformers версии 4.38.0 или новее.

mergekit-community/LWM-14b-Text-Chat-1M — текстовая чат-модель семейства LLaMA, созданная сообществом с помощью mergekit. В README указано слияние методом DARE linear на основе LargeWorldModel/LWM-Text-Chat-1M; в конфигурации одна и та же базовая модель перечислена дважды с весом 1.0. Метаданные указывают 6,6 млрд параметров и контекст до 1 048 576 токенов. Модель предназначена для генерации текста и диалоговых сценариев с длинным контекстом. Она принимает текст и выдаёт текст; в метаданных указаны Transformers и формат safetensors. Язык и специализированная предметная область не обозначены. Лицензия в предоставленных данных не указана.

MamayLM-Gemma-2-9B-IT-v0.1 — инструктивная языковая модель INSAIT, института при Софийском университете. Это плотный трансформер-декодер Gemma 2 с 9 млрд параметров и контекстом 8192 токена, предназначенный для диалога и генерации текста на украинском и английском языках. Модель построена на основе Google Gemma 2 9B и Gemma 2 9B IT: её дополнительно предварительно обучали на 75 млрд токенов украинских и английских данных, а затем дообучили следовать инструкциям на украинских наборах данных. Она ориентирована на ответы на вопросы, рассуждения, суммаризацию и другие текстовые задачи; авторы сообщают о сильных результатах на украинских тестах при сохранении английских возможностей. Распространяется по условиям Gemma Terms of Use.