I.4Обработка документов и форм

InternVL3.5-8B-Instruct — мультимодальная модель OpenGVLab для диалога и выполнения инструкций по тексту и изображениям. Она дообучена на базе OpenGVLab/InternVL3_5-8B-Pretrained и использует архитектуру InternVLChat; веса опубликованы в формате safetensors и доступны через Transformers. Модель подходит для вопросов об изображениях, визуального рассуждения и решения задач, требующих совместного понимания текста и изображений. Семейство также заявляет поддержку взаимодействия с графическим интерфейсом и embodied-сценариев. Для эффективного вывода InternVL3.5 использует Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптации разрешения визуальных токенов. Модель многоязычная, но конкретные языки и размер контекстного окна для этого чекпойнта в предоставленных данных не приведены. Лицензия Apache-2.0. Для запуска требуется мультимодальная инфраструктура; скорость и качество зависят от доступных вычислительных ресурсов и размера изображений.

InternVL-Chat-V1-1 — мультимодальная модель OpenGVLab для диалога по изображениям и тексту. Её архитектура объединяет визуальный энкодер InternViT-6B с разрешением 448 × 448, MLP-проектор и внутреннюю чат-версию LLaMA2-13B; общий размер составляет 19 млрд параметров. Изображение кодируется в 256 визуальных токенов после операции pixel shuffle. Модель предназначена для ответов на вопросы об изображениях, визуального диалога и распознавания текста на изображениях. В этой версии улучшены OCR и поддержка китайских разговоров; карточка также показывает поддержку многоязычности. Можно вести текстовый диалог без изображения. Модель работает через Transformers и требует значительных вычислительных ресурсов; авторы предупреждают, что 4-битная BNB-квантизация может ухудшить понимание изображений, а результаты при работе с несколькими изображениями и видео слабы из-за недостатка обучающих данных. Лицензия — MIT.

MemOCR-7B-i1-GGUF — это квантизированная версия мультимодальной модели MemOCR-7B, разработанной Meituan и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена для работы с изображениями и текстом, включая визуальные вопросы и ответы, задачи распознавания текста на изображениях, а также сценарии memory-agent и обработки длинного контекста. В метаданных указан английский язык. Модель содержит около 7 миллиардов параметров и относится к vision-моделям с поддержкой мультимодального ввода. Доступны варианты квантизации i1-IQ и i1-Q с размером файлов примерно от 2,0 до 6,4 ГБ, а также файл imatrix для самостоятельного создания квантизированных вариантов. В README не указаны точная архитектура, максимальная длина контекста, перечень поддерживаемых языков помимо английского и результаты benchmark-тестов. Квантизация уменьшает требования к памяти, но варианты с более низким размером могут заметно уступать по качеству; рекомендуются i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс размера, скорости и качества. Для обработки изображений могут потребоваться отдельные mmproj-файлы из статического репозитория. Модель распространяется по лицензии Apache-2.0. Она подходит для локального запуска в совместимом ПО, поддерживающем GGUF и мультимодальные модели, однако конкретные требования к аппаратному обеспечению и программная совместимость в README не уточняются.

openbmb/MiniCPM-V-4.6-Thinking-AWQ — квантизированная версия мультимодальной модели MiniCPM-V 4.6 Thinking, разработанной командой OpenBMB. Это вариант AWQ с квантованием W4A16 на базе AutoAWQ, предназначенный для эффективного запуска задач понимания изображений и видео, включая сложное мультимодальное рассуждение, математику и OCR-нагруженные сценарии. Модель использует ориентированную на периферийные устройства архитектуру с визуальным энкодером SigLIP2-400M и языковой моделью Qwen3.5-0.8B, а также смешанное сжатие визуальных токенов 4x/16x. Вариант Thinking формирует явную цепочку рассуждений перед итоговым ответом. Поддерживаются изображения и видео; заявлена возможность развёртывания на iOS, Android и HarmonyOS. Сведения о поддерживаемых языках и размере контекста в карточке не указаны. К сильным сторонам относятся компактность, сниженные требования к памяти благодаря AWQ-квантованию, пригодность для on-device-сценариев и улучшенная работа со сложными мультимодальными задачами. Ограничениями являются зависимость эффективности от совместимости программного окружения и видеодекодера, а также возможная потеря точности по сравнению с исходными BF16-весами вследствие квантования. Модель распространяется по лицензии Apache-2.0.

Jooju2872/moondream2 — размещённая пользователем версия небольшой модели Moondream, разработанной для эффективной работы на устройствах с ограниченными ресурсами. Это плотная vision-language модель архитектуры HfMoondream, принимающая изображения и текстовые запросы и формирующая текстовые ответы. Метаданные указывают задачу image-text-to-text; модель подходит для визуальных вопросов и ответов, описания изображений и чтения текста на изображениях и документах. В README приведены результаты на наборах VQAv2, GQA, TextVQA, DocVQA, TallyQA и POPE. Репозиторий содержит веса Safetensors и GGUF в формате F16. README отмечает совместимость с Torch 2.1.1 и поддержку параметров temperature и top_p; также рекомендуется фиксировать версию модели, поскольку она регулярно обновляется. Лицензия — Apache-2.0. В карточке не указаны точный размер модели и длина контекста.

NVIDIA-Nemotron-Nano-12B-v2-VL-NVFP4-QAD — мультимодальная авторегрессионная vision-language модель NVIDIA на базе оптимизированной архитектуры Transformer. В состав входят визуальный энкодер C-RADIOv2-H и языковая модель NVIDIA-Nemotron-Nano-12B-v2. Эта версия квантизирована в формате FP4 с применением TensorRT Model Optimizer и обучалась с использованием Quantization-aware Distillation для сохранения качества при низкой точности вычислений. Модель предназначена для обработки одного изображения вместе с текстовым запросом и генерации текстовых ответов. Основные сценарии включают суммаризацию изображений, анализ текста и изображений, распознавание текста (OCR), интерактивные вопросы и ответы по изображениям, а также рассуждения по цепочке мыслей. Поддерживаются немецкий, испанский, французский, итальянский, корейский, португальский, русский, японский, китайский и английский языки. Контекст и длина генерируемой последовательности составляют до 128K токенов. Изображения должны быть в формате RGB; прозрачность не поддерживается. Максимальное разрешение определяется ограничением в 12 тайлов размером 512×512 пикселей. К сильным сторонам относятся мультиязычность, поддержка широкого набора задач анализа изображений и оптимизация FP4 для NVIDIA GPU. Ограничения включают поддержку только одного изображения за запрос, требования к совместимому аппаратному обеспечению и программной среде: заявлены Linux, vLLM и микропроцессорная архитектура B100 SXM. Модель рассчитана на глобальное развёртывание и использование корпоративными AI-клиентами. Условия использования регулируются NVIDIA Open License Agreement.

mlx-community/Qwen2.5-VL-7B-Instruct-8bit — конвертированная в формат MLX 8-битная версия инструкционной мультимодальной модели Qwen2.5-VL-7B-Instruct, подготовленная сообществом mlx-community. Модель предназначена для диалоговых задач с изображениями: она принимает текстовые запросы и изображения и формирует текстовые ответы, включая анализ визуального содержимого. Модель основана на плотной архитектуре Qwen2.5-VL с 7,1 млрд параметров и контекстом до 128 000 токенов. В метаданных указаны возможности чата, работы с изображениями и интерфейс вызова инструментов; основной тег задачи — image-text-to-text. Репозиторий содержит веса в формате safetensors, а README указывает на конвертацию через mlx-vlm 0.1.11. Лицензия — Apache-2.0. Модель подходит для визуальных вопросов и ответов, анализа изображений и чтения документов по изображению. README перенаправляет за подробностями возможностей к карточке исходной модели, поэтому специфические результаты и ограничения для этой сборки не описаны.

RedHatAI/Qwen2.5-VL-7B-Instruct-quantized.w8a8 — это квантованная версия мультимодальной модели Qwen/Qwen2.5-VL-7B-Instruct, разработанная Neural Magic. Модель принимает текст, изображения и видео, а генерирует текстовые ответы; она предназначена для задач визуального анализа и работы с текстом, включая ответы на вопросы по изображениям, анализ документов, графиков и визуальных материалов. Модель имеет архитектуру Qwen2.5-VL-7B-Instruct и использует 8-битное квантование весов и активаций по схеме W8A8, что снижает требования к ресурсам при инференсе. В README указана поддержка английского языка, однако полный набор языков не описан. Приведённый пример рассчитан на контекст до 4096 токенов и развёртывание через vLLM версии 0.5.2 или новее; также доступна совместимая с OpenAI схема сервинга через vLLM. К сильным сторонам относятся мультимодальность, оптимизация INT8 для эффективного инференса и готовность к использованию в vLLM. Ограничения включают возможные потери качества из-за квантования, а также отсутствие в предоставленных данных подробных результатов оценки, точных требований к оборудованию и исчерпывающего описания поддерживаемых языков. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-2B-Persian-Arabic-Ocr-v1.0 — модель распознавания текста на изображениях отдельных строк, созданная дообучением Qwen/Qwen3-VL-2B-Instruct. Она предназначена для OCR персидского и арабского письма на заранее обрезанных фрагментах с одной строкой текста, например для извлечения строк из документов или изображений после этапа обнаружения и кадрирования текста. Архитектура — плотная мультимодальная Qwen3-VL с 2B параметров; модель принимает изображения и выдаёт распознанный текст. В README указана версия весов с точностью 16 бит, а метаданные указывают формат safetensors. Модель не рассчитана на распознавание целых страниц: для такого сценария требуется отдельно выделить текстовые строки. В README приведены значения обучающей функции потерь, но они сами по себе не показывают качество на независимых данных. Лицензия — Apache-2.0.

Qign Qwen3-VL-8B-Instruct-abliterated-v2-GGUF — это GGUF-версия мультимодальной модели prithivMLmods, основанной на Qwen3-VL-8B-Instruct от Alibaba. Модель содержит около 8 млрд параметров и предназначена для задач image-text-to-text: анализа изображений, подробного описания визуального содержимого, следования инструкциям и мультимодального рассуждения. Доступны варианты квантования от Q2_K до Q8_0, а также F16; размер файлов составляет примерно от 3,28 до 16,4 ГБ, отдельно предоставляются мультимодальные проекционные файлы mmproj в форматах Q8_0 и F16. Заявлены поддержка механизма Interleaved-MRoPE, контекста длиной до 262 тысяч токенов, OCR на 32 языках, различных разрешений и соотношений сторон, видео и сложных макетов. Основным языком считается английский, при этом заявлена возможность мультиязычного использования. Вариант abliterated модифицирован для снижения или удаления отказов и защитных ограничений базовой модели, что может быть полезно для исследований безопасности, red-teaming, творческих и технических сценариев, но одновременно повышает риск генерации нежелательного, небезопасного или неточного контента. Для запуска рекомендуются инструменты llama.cpp, Transformers или vLLM; требования к памяти зависят от выбранного варианта квантования. Модель распространяется по лицензии Apache-2.0.

cyttic/trocr-bigram5-BY — дообученная модель cyttic/exp2-frozen-benyehuda-cont для преобразования изображений с текстом в текст. Она использует архитектуру VisionEncoderDecoder и библиотеку Transformers; веса представлены в формате safetensors. По названию модели можно предположить связь с распознаванием биграмм и белорусским языком, однако README не подтверждает назначение суффикса BY или языковую поддержку. В карточке приведены результаты оценки: Loss 0.5955, CER 0.0292 и WER 0.0838. Датасет, сценарии применения, ограничения и условия лицензии не описаны, поэтому оценить качество за пределами указанного набора данных нельзя.

Typhoon OCR 1.5 2B NVFP4 — это квантизированная версия мультимодальной модели typhoon-ai/typhoon-ocr1.5-2b, опубликованная nanash66. Модель предназначена для оптического распознавания текста в изображениях документов с преобразованием результата в чистый Markdown. Она также описывает визуальные элементы, таблицы, формулы, номера страниц и флажки в заданном формате. Модель рассчитана на использование только с официальным промптом Typhoon OCR v1.5 и не предназначена для общих задач визуальных вопросов и ответов. Архитектура основана на Qwen3VLForConditionalGeneration с визуальным энкодером Qwen3VL; модель содержит 28 слоёв, скрытое представление размером 2048, 16 attention heads и 8 KV-heads. Используется квантизация NVFP4 (W4A4) с group_size=16, выполненная с помощью NVIDIA ModelOpt 0.45.0. Размер квантизированной модели составляет 2,23 ГБ, заявленная длина контекста — 262 144 токена. Поддерживаются английский и тайский языки; целевая платформа — графические процессоры NVIDIA Blackwell, включая GB10 с архитектурой sm_121. Для инференса изображение рекомендуется масштабировать до максимального размера 1800 пикселей. К сильным сторонам относятся специализированная обработка документов, компактный размер после квантизации и структурированный вывод с поддержкой таблиц, LaTeX-формул и описаний изображений на тайском языке. Ограничения включают зависимость от единственного промпта, отсутствие встроенных защитных механизмов и возможность галлюцинаций. Для запуска NVFP4 требуется GPU Blackwell и среда NVIDIA ModelOpt. Модель является производной работой и распространяется по лицензии Apache-2.0.

Werea-DocOCR-1B v2 — модель распознавания турецких корпоративных документов, разработанная Werea на основе LightOnOCR-2-1B-base и дообученная полным fine-tuning. Она преобразует изображение страницы в текст с сохранением порядка чтения и представляет таблицы в формате Markdown. Модель рассчитана на 12 типов документов, включая счета, банковские квитанции, договоры аренды, полисы, выписки и официальные письма, а также на цифровые изображения, сканы и фотографии с телефона. В заявленном тестировании на 72 страницах из той же синтетической распределённой выборки средний и медианный CER составили 0,15%. Данные обучения включали 12 960 синтетических страниц с вымышленными идентификаторами и недействительными контрольными суммами. Поскольку тестирование было выполнено на данных, близких к обучающим по распределению и шаблонам, результаты могут не отражать качество на реальных документах; для критических сценариев автор рекомендует проверку человеком. Лицензия модели — Apache-2.0.

WR30a-Deep-7B-0711-i1-GGUF — это квантизированная версия vision-модели WR30a-Deep-7B-0711, преобразованная в формат GGUF пользователем mradermacher. Исходную модель разработала команда или автор prithivMLmods. Модель предназначена для задач визуального понимания, генерации подписей к изображениям, оптического и интеллектуального распознавания символов, преобразования изображений в текст, а также для математических и STEM-сценариев. Модель относится к мультимодальным vision-language моделям и поддерживает английский и китайский языки. В карточке указано около 7 миллиардов параметров, однако архитектура, размер контекстного окна и точный набор поддерживаемых модальностей не раскрыты. Для обработки изображений могут потребоваться дополнительные файлы mmproj из статического репозитория исходной модели. Репозиторий содержит варианты квантизации i1 с разными компромиссами между размером, скоростью и качеством; рекомендуемыми названы Q4_K_M и Q4_K_S, тогда как наиболее компактные варианты могут заметно снижать качество. Основные преимущества — возможность локального запуска в GGUF-совместимой инфраструктуре, поддержка визуальных задач и широкий выбор уровней квантизации. Ограничения связаны с потерей качества при сильной квантизации, необходимостью совместимого программного обеспечения и, возможно, дополнительных multimodal-компонентов; конкретные показатели качества в README не приведены. Модель распространяется по лицензии Apache-2.0.

AKI-4B — мультимодальная модель Sony для диалога по изображениям. В её составе визуальный энкодер SigLIP SoViT-400m, соединитель Perceiver Resampler и языковой декодер Phi-3.5-mini-instruct; согласно названию, модель относится к классу 4B. Она использует механизм modality-mutual attention, который позволяет изображениям учитывать текстовый контекст без добавления параметров модели. Модель предназначена для ответов на вопросы об изображениях, описания сцен, визуального рассуждения и распознавания текста на изображениях. В README приведены результаты на наборах тестов для визуальных вопросов, OCR и других задач понимания изображений. Для общения рекомендуется формат чата. Модель разработана в рамках исследовательской работы «Seeing is Understanding: Unlocking Causal Attention into Modality-Mutual Attention for Multimodal LLMs». Релиз предназначен для исследований. Авторы предупреждают, что модель не оценивалась для всех прикладных сценариев и советуют отдельно проверять точность, безопасность и справедливость перед развёртыванием. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

AndesVL-2B-Thinking — мультимодальная языковая модель из линейки AndesVL, разработанной для эффективного запуска на мобильных и периферийных устройствах. Она построена на языковой модели Qwen3-1.7B и визуальном энкодере AIMv2-Large; общий размер составляет около 2,055 млрд параметров. Модель принимает изображения и текст и предназначена для диалоговых задач с визуальным вводом, включая ответы на вопросы по изображениям, анализ нескольких изображений, рассуждения, работу с насыщенными текстом изображениями и интерфейсами GUI. В карточке описаны оптимизация для edge-развёртывания и семейная архитектура «1+N» LoRA с фреймворком QALFT для адаптации задач и сжатия. Для конкретного чекпойнта указана лицензия Apache-2.0. В метаданных Hugging Face основная задача помечена как image-text-to-text; также отмечена поддержка text-generation. Заявленные характеристики относятся к линейке AndesVL и не содержат отдельных результатов бенчмарков именно для версии 2B-Thinking.

Arabic-Qwen3.5-OCR-v4 — модель sherif1313, дообученная на основе Qwen/Qwen3.5-0.8B для распознавания текста на изображениях. Она принимает изображение и текстовый запрос и возвращает извлечённый текст; предназначена для арабского письма, включая печатный, рукописный, классический текст и текст с диакритическими знаками. В обучении использованы синтетические сканы, изображения строк текста и данные для распознавания Корана. Модель построена на мультимодальной плотной архитектуре Qwen3.5 и распространяется в формате safetensors. В README заявлена скорость около четырёх изображений в секунду; она зависит от оборудования и условий запуска. Лицензия — Apache-2.0. Примеры использования охватывают распознавание текста на фотографиях, сканах, PDF-страницах и документах низкого качества. README также указывает поддержку сложного форматирования, однако не приводит метрик точности и не уточняет, насколько хорошо модель работает с языками помимо арабского. Приведённый пример генерации ограничивает ответ 512 токенами.

nypgd/gemma-4-e2b-assistant-vllm — дообученная разработчиком nypgd мультимодальная модель семейства Gemma 4 на базе unsloth/gemma-4-E2B-it. Она предназначена для диалогов с текстом и изображениями; каталог также отмечает интерфейс вызова инструментов. Модель представлена в формате safetensors и обучалась с использованием Unsloth и библиотеки TRL. Модель подходит для вопросов по изображениям и документам, а также для ассистентских сценариев с подключением инструментов. В карточке не приведены сведения о размере, длине контекста и конкретных языковых возможностях; метаданные указывают английский язык. Лицензия — Apache-2.0.

Ba2han/lfm-sft — дообученная мультимодальная модель на базе LiquidAI/LFM2.5-VL-1.6B, опубликованная автором Ba2han. Она предназначена для диалога с изображениями и ответов на текстовые запросы с учётом визуального содержимого. Базовая модель Liquid AI поддерживает распознавание текста и ответы на вопросы по изображениям и документам. Модель использует архитектуру LFM2-VL и распространяется в формате safetensors для библиотеки Transformers. Данные обучения, специализированное назначение и оценка качества в карточке не раскрыты. Лицензия указана как other; конкретные условия использования следует проверить в файлах репозитория.

openbmb/MiniCPM-V-4-gguf — квантизированная мультимодальная модель OpenBMB для понимания изображений, нескольких изображений и видео. Она предназначена для визуальных диалогов, анализа содержимого изображений и видео, OCR и работы с мультимодальными запросами, включая локальное и встраиваемое использование на конечных устройствах, например смартфонах. Модель основана на MiniCPM-V 4.0, построенной на SigLIP2-400M и MiniCPM4-3B; общий размер составляет 4,1 млрд параметров. Поддерживаются визуальные входы в виде одиночных и нескольких изображений, а также видео; заявлена многоязычность. Модель ориентирована на эффективный запуск на устройствах и совместима с llama.cpp, Ollama, vLLM, SGLang, LLaMA-Factory и локальными веб-демонстрациями. В README приведён результат 69,0 на OpenCompass, а для iPhone 16 Pro Max указаны задержка до первого токена менее 2 секунд и скорость декодирования свыше 17 токенов в секунду. К сильным сторонам относятся сочетание визуальных возможностей и компактного размера, эффективность при локальном развертывании, а также поддержка многоизображенческого и видеопонимания. README не содержит сведений о размере контекстного окна, точном перечне языков, формате квантования или специфических ограничениях качества. Модель распространяется по лицензии Apache-2.0.

Perception Language Model (PLM) — открытая мультимодальная модель компании Meta для понимания изображений и видео. Версия Perception-LM-1B использует визуальный энкодер и языковой декодер с примерно 1 млрд параметров; модель предназначена для исследования визуальных данных и разработана без дистилляции из проприетарных моделей. Модель отвечает на вопросы об изображениях и видео, разбирает визуальные детали, документы и диаграммы, распознаёт текст на изображениях и поддерживает пространственно-временные рассуждения о видеосценах. В карточке приведены результаты на наборах тестов для понимания изображений и видео. Указан английский язык; контекстное окно в доступных сведениях не описано. Репозиторий содержит веса в формате Safetensors для использования с библиотекой Transformers; исходные контрольные точки доступны отдельно в проекте perception_models. Карточка называет модель полностью открытой и воспроизводимой, однако в метаданных указана лицензия «other», поэтому конкретные условия использования следует проверять в файлах лицензии репозитория.

LocalDoc разработала модель распознавания персональных данных в азербайджанском тексте на основе компактного энкодера ModernBERT. Она выполняет NER и выделяет 15 типов сущностей, включая имена, фамилии, адреса, электронную почту, номера телефонов, паспортные и налоговые номера. Модель содержит 69,7 млн параметров, принимает текст и возвращает метки токенов; контекст — до 8192 токенов. В README указано, что для инференса текст нужно предварительно перевести в нижний регистр; модель обучена на азербайджанских и английских данных с синтетическими примерами, транслитерациями и сложными отрицательными примерами. Модель предназначена для обнаружения и последующей защиты персональных данных в сообщениях, документах и других текстах. README приводит F1 0,9974 на оценочном наборе и заявляет более высокую скорость по сравнению с XLM-RoBERTa, однако качество на реальных данных может отличаться. Ограничения включают слабую надёжность для языков помимо азербайджанского и английского, возможное неверное распознавание названий районов как имён и проблемы с телефонными номерами через дефис. Лицензия MIT разрешает коммерческое использование и распространение с соблюдением её условий.

RedHatAI/Qwen2.5-VL-3B-Instruct-quantized.w8a8 — квантизированная версия мультимодальной модели Qwen2.5-VL-3B-Instruct, разработанная Neural Magic на базе модели Qwen. Она принимает изображения и текстовые запросы, а генерирует текстовые ответы, поэтому предназначена для визуального вопросно-ответного взаимодействия, анализа изображений, документов, диаграмм и других задач, где требуется совместная обработка визуальной и текстовой информации. Модель имеет архитектуру Qwen2.5-VL-3B-Instruct с примерно 3 миллиардами параметров. Для весов и активаций используется INT8-квантизация по схеме W8A8, что снижает требования к памяти и может повысить эффективность инференса. Версия подготовлена для запуска через vLLM версии 0.5.2 и новее, включая OpenAI-совместимый режим сервинга. В README явно указан английский язык; сведения о полном наборе поддерживаемых языков и максимальной длине контекста не приведены. Сильными сторонами являются мультимодальность, возможность работы с визуальными задачами и оптимизация INT8 для более эффективного развертывания. Ограничения включают потенциальное снижение точности относительно исходной модели из-за квантизации, а также отсутствие в предоставленных данных количественных результатов оценки. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-2B-Instruct-MLX-bf16 — конвертированная в формат MLX bf16 версия мультимодальной модели Qwen3-VL-2B-Instruct, подготовленная командой LM Studio для Apple Silicon. Это плотная модель семейства Qwen3-VL с 2 млрд параметров, предназначенная для диалога и анализа изображений; карточка базовой модели также указывает на работу с видео, OCR, пространственное рассуждение и визуальные интерфейсы. Модель принимает текст и изображения и формирует текстовые ответы. Вариант рассчитан на запуск на компьютерах Apple Silicon через MLX. Лицензия — Apache-2.0. Как и другие генеративные модели, она может выдавать неточные или неподходящие ответы; README отдельно отмечает отсутствие гарантий со стороны LM Studio.

Это доработанная независимым автором модель llmfan46 на основе Qwen3-VL-32B-Instruct: в ней применён метод abliteration, чтобы заметно снизить частоту отказов. Это плотная мультимодальная модель с архитектурой Qwen3-VL и 32 млрд параметров, предназначенная для диалога по изображениям и видео, распознавания текста на изображениях и визуального рассуждения. Она также принимает текстовые запросы и генерирует текстовые ответы; базовая модель заявляет контекст до 256 тыс. токенов с возможностью расширения до 1 млн и поддержку OCR на 32 языках. В тестах автора доля отказов снизилась до 4 из 100 против 99 из 100 у исходной модели. Точность на PIQA близка к исходной (92,87% против 93,09%), а на MMLU ниже (79,87% против 82,44%), поэтому изменение ограничений сопровождается некоторой потерей результатов на этом тесте. Модель распространяется по лицензии Apache-2.0. README описывает возможности и характеристики базовой Qwen3-VL; эти сведения не следует считать отдельной независимой оценкой данной доработки.

Qwen3-VL-4B-Heretic — модифицированная сообществом версия мультимодальной модели Qwen3-VL-4B-Instruct от Qwen. Авторы применили оптимизатор Heretic для ослабления механизмов отказа; опубликованный вариант t122 выбран среди четырёх экспериментальных вариантов как вариант с наименьшим сдвигом относительно базовой модели. Это плотная модель примерно на 4 млрд параметров с архитектурой Qwen3-VL: языковой частью и энкодером изображений. Репозиторий содержит веса BF16 для Transformers и vLLM, сохраняя поддержку зрения; заявленный основной сценарий — диалог с анализом изображений и видео, включая OCR и визуальные рассуждения, унаследованные от базовой модели. В приведённых авторами испытаниях t122 достиг 100% выполнения запросов из набора HarmBench, тогда как базовая модель выполнила 30,8%; это означает существенное ослабление защитных отказов и позволяет использовать модель для ответов на запросы, которые базовая версия могла бы отклонить. На MMLU и HellaSwag результаты близки к базовой модели, а GSM8K снизился на 1,83%. Лицензия — Apache-2.0. Модель унаследовала ограничения Qwen3-VL-4B-Instruct; изменение поведения не гарантирует полного устранения отказов во всех контекстах.

Qwen3-VL-4B-Instruct-NPU — мультимодальная модель на 4 млрд параметров от команды Qwen компании Alibaba Cloud, подготовленная для запуска на Qualcomm NPU через NexaSDK. Это вариант Qwen3-VL-4B-Instruct с инструкционной настройкой и файлом GGUF в формате F16. Модель принимает текстовые запросы и изображения, а также понимает видеоконтекст; отвечает текстом в диалоге, объясняет визуальные сцены и анализирует документы, диаграммы и снимки экрана. Подходит для визуальных помощников, описания изображений, вопросов по визуальным материалам и мультиязычных сценариев. README заявляет поддержку нескольких языков, но не перечисляет их по отдельности. Размер 4 млрд параметров рассчитан на более компактный запуск на устройствах. Конкретная длина контекста и лицензия в предоставленных сведениях не указаны.

schift-io/schift-ko-pii-v6 — модель обнаружения персональных данных в корейском тексте, разработанная Schift. Она предназначена для выделения сущностей типа «человек», «адрес» и «организация» и может использоваться перед проверкой, маскированием или передачей текста другим системам. Дополнительные структурированные и контекстные категории доступны через отдельный необязательный адаптер пакета. В карточке описан dual-path LoRA encoder; метаданные указывают на плотную архитектуру LFM2 с головой токен-классификации и размером 32,9 млн параметров. Модель принимает текст и размечает токены по схеме O/B/I/E/S. README указывает максимум 512 токенов, тогда как метаданные каталога сообщают о нативном контексте 8192 токена; практический предел описанного детектора — 512 токенов. Постобработка учитывает корейские идентификаторы и может проверять контрольные суммы, объединять фрагменты и подавлять некоторые ложные срабатывания. Качество обнаружения зависит от текста и порогов; результат маскирования по политике может оставлять необработанные чувствительные фрагменты. Модель распространяется под лицензией other, конкретные условия в предоставленных данных не раскрыты.

TrOCR Devanagari — модель Anil Paudel, Aayush Puri и Yubaraj Sigdel для распознавания рукописного текста на непальском языке письмом деванагари. Она преобразует изображения рукописных слов в машинно-читаемый текст и предназначена для оцифровки непальских документов. В основе — архитектура Vision Encoder-Decoder: Vision Transformer (ViT) кодирует изображение, а трансформерный декодер NepBERT генерирует текст. Модель использует компоненты amitness/roberta-base-ne и google/vit-base-patch16-224-in21k; веса опубликованы в формате safetensors и доступны по лицензии MIT. Карточка описывает обработку изображений с изменением размера и дополнением полей перед распознаванием. Хотя в README упомянуто выделение текстовых областей в документах, основной задачей модели указано распознавание текста на изображении; отдельная проверка качества или заявленные ограничения не приведены.

duyle2408/trocr-vietnamese-handwriting — модель распознавания рукописного текста на изображениях, разработанная на основе microsoft/trocr-large-handwritten и дообученная на наборе данных с вьетнамским почерком. Архитектура VisionEncoderDecoder сочетает ViT и TrOCR; модель предназначена для преобразования изображений рукописных записей на вьетнамском языке в текст. Модель подходит для оцифровки вьетнамских рукописных заметок и документов. В карточке приведены результаты оценки, включая eval_loss 5,02. Лицензия — Apache-2.0.