I.4Обработка документов и форм

AndesVL-1B-Instruct — мобильная мультимодальная языковая модель из семейства AndesVL, разработанного OPPO. Она сочетает визуальный энкодер AIMv2-Large с языковой моделью Qwen3-0.6B; общий размер составляет 0,927 млрд параметров. Модель предназначена для эффективного запуска на периферийных и мобильных устройствах и поддерживает диалог по изображениям, включая визуальные вопросы и ответы, работу с текстом на изображениях, несколькими изображениями и интерфейсами GUI. В карточке семейства заявлены задачи рассуждения и многоязычные сценарии, а архитектура «1+N» LoRA и метод QALFT используются для адаптации задач и сжатия модели. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Конкретные языки, длина контекста и ограничения качества для версии 1B в карточке не приведены.

CogAgent-VQA — открытая визуально-языковая модель от команды Zhipu AI, улучшенная на основе CogVLM. Эта версия контрольной точки предназначена прежде всего для диалога по изображению в один ход и оценки на тестах визуальных вопросов и ответов, включая VQAv2 и MM-Vet. Модель принимает изображение высокого разрешения до 1120×1120 и текстовый вопрос, а в ответ генерирует текст; также заявлены возможности OCR и понимания интерфейсов веб-страниц, настольных и мобильных приложений. В README семейство описано как CogAgent-18B с 11 млрд визуальных и 7 млрд языковых параметров, тогда как метаданные этого репозитория указывают 6,6 млрд параметров, архитектуру CogAgentForCausalLM и контекст 2048 токенов. Поэтому размер конкретной опубликованной модели расходится с описанием семейства в карточке. Репозиторий содержит веса Safetensors и имеет лицензию Apache-2.0 в метаданных; README указывает, что для коммерческого использования требуется регистрация и соблюдение условий лицензии. Для GUI-агента, визуального заземления и многоходового диалога разработчики рекомендуют вариант cogagent-chat.

Bienvenu2004/donut-handball-pv6 — дообученная модель семейства Donut с архитектурой vision-encoder-decoder. Она создана на основе Bienvenu2004/donut-handball-pv5 и обучена на датасете imagefolder. Модель принимает изображения и выдаёт текст; в карточке указана задача image-text-to-text. Модель подходит для сценариев преобразования изображений в текст. Карточка не описывает конкретный предметный сценарий, языки, размер модели или длину контекста. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT.

OpenGVLab/InternVL3_5-30B-A3B-Flash — мультимодальная модель семейства InternVL3.5, дообученная на основе OpenGVLab/InternVL3_5-30B-A3B. Она принимает изображения и текст и предназначена для диалогов, визуальных вопросов и ответов, а также рассуждений по содержимому изображений. Поддерживает мультимодальные сценарии, включая обработку нескольких изображений; карточка указывает архитектуру InternVLChatModel и загрузку через Transformers. В семействе InternVL3.5 применяются каскадное обучение с подкреплением для улучшения рассуждений, Visual Resolution Router для динамической настройки разрешения визуальных токенов и раздельное развёртывание зрения и языковой модели для повышения эффективности инференса. README также заявляет поддержку взаимодействия с GUI и embodied-сценариев для семейства. Размер контекста и точные языки этой версии в предоставленных данных не приведены; метаданные характеризуют языковую поддержку как многоязычную. Лицензия — Apache-2.0. Для запуска требуются значительные вычислительные ресурсы: для моделей семейства до 30B параметров README приводит возможность развёртывания на одной A100.

InternVL3.5-38B-Flash — мультимодальная чат-модель OpenGVLab, созданная на основе InternVL3.5-38B. Это плотная архитектура InternVLChatModel с обработкой изображений и текста; репозиторий использует Transformers и формат safetensors. Модель дообучена на наборах OpenGVLab/MMPR-v1.2 и OpenGVLab/MMPR-Tiny и распространяется по лицензии Apache-2.0. Модель предназначена для диалогов с изображениями и текстом, визуальных вопросов и рассуждений по изображениям, включая задачи понимания диаграмм, документов и визуальных сцен. Семейство InternVL3.5 также заявляет поддержку взаимодействия с графическим интерфейсом и воплощённых агентов; README описывает динамическое распределение разрешения визуальных токенов и раздельное развёртывание зрительной и языковой частей для повышения эффективности. Для запуска 38-миллиардной версии README указывает необходимость двух GPU A100; эти аппаратные требования могут ограничивать локальное развёртывание.

InternVL3.5-8B-Pretrained — мультимодальная модель семейства InternVL3.5, разработанная OpenGVLab. Она сочетает визуальный энкодер InternViT и языковую модель Qwen3-8B и предназначена для диалога по изображениям и тексту, визуальных рассуждений и генерации ответов. В метаданных указана архитектура InternVLChatModel и формат safetensors; модель работает через библиотеку Transformers. Семейство InternVL3.5 использует Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптивной обработки визуальных токенов. Модели семейства также поддерживают взаимодействие с графическим интерфейсом и сценарии embodied agency. Карточка не приводит точное число параметров именно этой версии и длину контекста. Модель подходит для анализа изображений, визуальных вопросов и ответов, распознавания текста на изображениях и мультимодальных диалогов. В карточке перечислены оценки семейства на мультимодальных и рассуждательных бенчмарках, но отдельные результаты этой версии не приведены. Репозиторий распространяется по лицензии Apache-2.0.

vitus9988 разработал модель распознавания именованных сущностей на основе klue/roberta-small. Она находит в корейском тексте персональные данные для последующей деидентификации: имена людей, адреса, номера карт и банковских счетов, водительских удостоверений, удостоверений личности и паспортов, телефоны, электронную почту и даты. Модель содержит 81,2 млн параметров, использует архитектуру RoBERTa и принимает текст с контекстом до 514 токенов. В README приведены высокие показатели на оценочном наборе: F1 0,9959 и точность 0,9988. Эти результаты относятся к неизвестному набору данных и не гарантируют аналогичного качества на других текстах. Модель предназначена для разметки сущностей, а не для самостоятельного удаления или замены обнаруженных данных. Лицензия в предоставленных сведениях не указана.

Lh41-1042-Magellanic-7B-0711-i1-GGUF — квантизированная версия мультимодальной vision-модели Lh41-1042-Magellanic-7B-0711, разработанной prithivMLmods и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена для обработки изображений и текста, включая генерацию подписей к изображениям, оптическое распознавание символов и визуальное понимание. В README заявлена поддержка английского и китайского языков. Модель имеет размер 7B параметров и поставляется в виде weighted/imatrix-квантизаций с различными уровнями точности и размером файлов примерно от 2,0 до 6,4 ГБ. Доступны варианты IQ и Q-квантизации; Q4_K_M отмечен как рекомендуемый баланс скорости, размера и качества. Для работы с визуальными входными данными могут потребоваться дополнительные mmproj-файлы из статического репозитория. Архитектура и размер контекстного окна в представленных данных не указаны. Основные преимущества — поддержка визуальных задач, наличие компактных квантизированных вариантов и возможность локального запуска через совместимое с GGUF программное обеспечение. Ограничения связаны с потерями качества у низкобитных квантизаций: некоторые варианты прямо обозначены как низкокачественные или предназначенные для случаев с жёсткими ограничениями по памяти. Модель распространяется по лицензии Apache-2.0.

Это перенос мультимодальной модели LLM-jp-4-VL-9B-beta в формат MLX, выполненный tokimoa. Модель объединяет языковую часть Llama с визуальным кодировщиком SigLIP и предназначена для диалога и ответов на вопросы по изображениям, включая понимание японских деловых документов. Она принимает изображения и текстовые запросы и генерирует текст; заявлена поддержка японского и английского языков. В README описан перенос весов BF16 без квантизации и приведены результаты проверки на шести вопросах по пяти типам японских документов: ответы совпали с официальной реализацией Transformers при одинаковых настройках предобработки и генерации. На M4 Max указаны скорость генерации 17,9 токена/с и пиковое потребление памяти 20,6 ГБ. Для работы требуется mlx-vlm версии 0.6.8 или новее. Лицензия — Apache-2.0, согласно README она соответствует лицензии исходной модели.

heretic-org/MiniCPM-V-4.6-heretic — версия модели OpenBMB MiniCPM-V 4.6, обработанная проектом Heretic с помощью метода abliteration. Это компактная мультимодальная модель для диалога по изображениям и видео, рассчитанная в том числе на эффективный запуск на мобильных устройствах. В основе MiniCPM-V 4.6 лежат визуальный энкодер SigLIP2-400M и языковая модель Qwen3.5-0.8B; применяются смешанные режимы сжатия визуальных токенов 4x/16x. Репозиторий содержит веса safetensors и заявленную лицензию Apache-2.0. Модель подходит для описания изображений, ответов на вопросы по визуальному содержимому, распознавания текста на изображениях и понимания видео. В README приведено сравнение с исходной моделью: на указанной авторами оценке число отказов снизилось с 71/100 до 3/100, а KL-дивергенция составила 0,0904. Эти показатели относятся к описанной оценке и не гарантируют качество на других запросах. Число параметров и длина контекста в предоставленных данных не указаны.

Mirza-GEC-Gemma4-E4B-Editor-E3-BF16 — дообученная мультимодальная модель taharmasmaliyev07 на базе unsloth/gemma-4-E4B-it. Она предназначена для диалогового взаимодействия и генерации текста по текстовым и визуальным входам, включая анализ изображений и документов. Модель использует плотную архитектуру Gemma 4 и распространяется в формате safetensors. Модель лицензирована по Apache-2.0. В README указано, что при обучении использовались Unsloth и библиотека Hugging Face TRL; подробности специализированной задачи GEC и редакторского сценария не раскрыты.

Это квантованная в формате GGUF версия NVIDIA Nemotron Nano 12B v2 VL, подготовленная brunopio из модели nvidia/NVIDIA-Nemotron-Nano-12B-v2-VL-BF16 с помощью llama.cpp и GGUF-my-repo. Мультимодальная модель с поддержкой чата и зрения предназначена для диалога по изображениям и визуальных вопросов и ответов; базовая модель также описана как подходящая для анализа документов и понимания видео. Репозиторий рассчитан на запуск через llama.cpp, включая CLI и сервер. Метаданные указывают формат GGUF BF16, однако имя репозитория содержит Q4_K_M; README не уточняет, какой именно вариант квантования лежит в репозитории. Лицензия отмечена как other, поэтому условия следует сверить с карточкой базовой модели и файлами репозитория.

elprofessor67/om-logistics-pod-v7-8b — дообученная модель elprofessor67 на базе elprofessor67/om-logistics-pod-v3. Это мультимодальная модель семейства Qwen3-VL для диалога с текстом и изображениями; карточка указывает поддержку vision и интерфейса вызова инструментов. Модель предназначена для задач image-text-to-text, то есть для формирования текстового ответа по текстовому запросу и изображению. Модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. README не уточняет специализацию, размер параметров или длину контекста, поэтому их нельзя надёжно описать.

PaliGemma 2 28B Mix 224 — разработанная Google мультимодальная модель на основе Gemma 2 и визуального энкодера SigLIP. Она принимает изображение и текст, а в ответ генерирует текст; вариант Mix поддерживает набор задач компьютерного зрения и языка, а разрешение изображений составляет 224 пикселя. Модель предназначена прежде всего для дообучения под задачи, связанные с изображениями: создания подписей, визуальных ответов на вопросы, распознавания текста, обнаружения и сегментации объектов. Также её можно адаптировать для анализа коротких видео, дистанционного зондирования, описания интерфейсов и других специализированных сценариев. Модель поддерживает несколько языков. Для надёжной работы нужны чёткие инструкции; это не многоходовый чат-бот, а качество без дообучения для общих задач может уступать специализированным моделям. Возможны фактические ошибки, проблемы с тонкими языковыми нюансами и предвзятые ответы. Лицензия Gemma; использование регулируется условиями и политикой допустимого использования Gemma.

Perception Encoder Language G14-448 — визуальный энкодер Meta из семейства Perception Encoder, обученный для мультимодальных языковых сценариев. Модель извлекает визуальные признаки и предназначена для подключения к языковому декодеру, например Llama или Qwen; в карточке приведены результаты связки с Llama 3.1 8B. Особенно хорошо энкодер показывает себя в задачах OCR и анализа документов, а также в визуальном поиске и понимании изображений и видео. Чекпойнт G/14 с разрешением 448 пикселей использует контрастивное предварительное обучение и дополнительное выравнивание для языкового моделирования. В сравнении с L14-448 в описанном авторами тестировании с замороженным энкодером он показал более высокие результаты на DocVQA, InfoQA, TextVQA и ряде видеобенчмарков. Для практического применения как мультимодальной языковой модели нужен совместимый языковой декодер. Модель опубликована под лицензией Apache-2.0.

Qwen3-VL-4B-Instruct-MLX-4bit — это 4-битная квантованная версия мультимодальной модели Qwen3-VL-4B-Instruct, разработанной командой Qwen. Квантование выполнено командой LM Studio с использованием MLX и mlx_vlm; модель оптимизирована для работы на компьютерах Apple Silicon. Модель предназначена для задач преобразования изображений и текста в текст, включая обработку визуально-текстовых запросов и работу в формате инструкций. Она относится к классу vision-language моделей и поддерживает взаимодействие с изображениями и текстом. Известный размер исходной модели — 4B параметров; сведения о поддерживаемых языках и максимальной длине контекста в представленном README не указаны. Ключевое преимущество версии — снижение требований к памяти и вычислительным ресурсам благодаря 4-битному квантованию, а также оптимизация для экосистемы Apple Silicon. Квантование может сопровождаться некоторым снижением точности по сравнению с исходной моделью, однако конкретные результаты в README не приведены. Модель распространяется по лицензии Apache-2.0.

CHAI OCR — экспериментальная мультимодальная модель для распознавания текста и анализа документов, созданная на основе Qwen 3.5 4B VL. В ней применено слияние task arithmetic: адаптация визуального энкодера усилена коэффициентом 1,25, а языковая модель, MTP-голова и эмбеддинги сохранены от настроенного исходного чекпойнта. Изменены 297 тензоров визуального энкодера, около 333 млн параметров. Модель предназначена для OCR сканов, включая старые и повреждённые документы, а также для анализа структуры страниц, таблиц, форм и многоколоночных материалов. Она принимает изображения и текстовые запросы, выдаёт текстовые ответы. В README приведён экспериментальный результат бенчмарка, но модель обозначена как непроверенная; усиление визуальной адаптации может как улучшить OCR, так и ухудшить другие возможности. Лицензия в доступных данных не указана.

Модель ismatsamadov/xlm-roberta-az-ner разработана на основе XLM-RoBERTa и дообучена для распознавания именованных сущностей в текстах на азербайджанском языке. Она принимает текст и размечает его токены категориями сущностей, включая имена людей, географические названия, организации, даты, суммы денег, время, объекты и события; всего заявлено 25 типов меток. Модель основана на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров. Для обработки использует Transformers, веса представлены в формате safetensors; длина контекста — 514 токенов. В отчёте на валидационном наборе указаны micro F1 0,75 и macro F1 0,64. Модель предназначена для извлечения сущностей из азербайджанских текстов, например для поиска людей, организаций и мест в документах. По README, она может хуже работать с другими языками и редкими категориями сущностей. Лицензия — MIT.

AMALIA-VL-DPO — мультимодальная модель для обработки изображений и текста с генерацией ответов на естественном языке. Её разработал консорциум португальских университетов и исследовательских центров при поддержке государственных программ Португалии; модель основана на AMALIA-VL-SFT и прошла этап дообучения DPO. Архитектура — Llava Next, веса опубликованы в формате Safetensors, модель предназначена для использования через Transformers. Модель рассчитана прежде всего на европейский португальский язык (pt-PT), также поддерживает английский. Она подходит для визуальных вопросов и инструкций, кратких ответов, извлечения текста с изображений, маркировки изображений и вопросов по документам. Лицензия — Apache-2.0. Модель может галлюцинировать, отражать предвзятости и выдавать вредный или небезопасный контент, несмотря на настройку безопасности. Фактические ответы следует сверять с источниками, а для RAG-сценариев использовать подходящую базу знаний; перед внедрением модель нужно оценить для конкретной задачи. Она не предназначена для самостоятельных решений с высокими последствиями без надзора специалиста и не рассчитана на языки и культурные контексты за пределами португальского и английского.

AndesVL-4B-Instruct — мультимодальная модель из семейства AndesVL, разработанная OPPO и построенная на языковой модели Qwen3 с визуальным энкодером. Серия включает модели размером от 0,6 до 4 млрд параметров; в README не приведены компоненты и точное число параметров именно версии 4B. Модель предназначена для эффективного запуска на мобильных и других периферийных устройствах. Она принимает изображения и текст и может отвечать на вопросы по изображениям, работать с несколькими изображениями, анализировать насыщенные текстом визуальные материалы, выполнять рассуждения, многоязычные и GUI-задачи. В описании серии заявлены архитектура LoRA «1+N», метод QALFT, ускорение декодирования до 6,7 раза и сжатие до 1,8 бит на параметр на мобильных чипах; эти показатели не уточнены отдельно для версии 4B. Для модели указана лицензия Apache-2.0. README не содержит подробностей об обучающих данных, поддерживаемых языках или контекстном окне; также не уточняет производительность версии 4B на конкретных устройствах и задачах.

AndesVL-4B-Thinking — мультимодальная модель из семейства AndesVL, разработанного OPPO. Она построена на базе языковой модели Qwen3 и визуального энкодера; семейство AndesVL рассчитано на эффективное развёртывание на мобильных устройствах и охватывает модели размером от 0,6 до 4 млрд параметров. Для этой версии README не приводит отдельную конфигурацию компонентов или точное число параметров. Модель предназначена для диалоговых сценариев с изображениями: визуальных вопросов и ответов, анализа текстонасыщенных изображений и нескольких изображений, а также задач рассуждения и работы с графическим интерфейсом. Поддерживает многоязычные сценарии; конкретные языки для этой версии не перечислены. В README также описаны методы адаптации и сжатия семейства, но не уточняется, применены ли они именно к этому чекпойнту. Репозиторий использует Transformers и формат PyTorch. Лицензия — Apache-2.0. Заявления о высокой производительности и ускорении относятся к семейству AndesVL и не сопровождаются в доступной части README результатами именно этой версии.

minhmnq/byt5-vietnamese-restoration — дообученная модель ByT5 на уровне байтов для восстановления вьетнамской орфографии. Она возвращает диакритические знаки и знаки препинания, а также восстанавливает пробелы и сегментацию слов в слитном тексте. В карточке заявлены гибридное лексическое ранжирование триграмм для разрешения неоднозначностей и высокая сохранность исходного содержания. Модель построена на архитектуре T5 и содержит 364,6 млн параметров. Она предназначена для обработки вьетнамского текста; доступный формат весов — safetensors. Лицензия — MIT. Метаданные указывают задачу text-generation, хотя практическое назначение модели — восстановление текста.

CASA-Helium1-VL-2B — модель «зрение и язык» (VLM) от Kyutai, дообученная на базе Helium1-2B с визуальным энкодером Qwen2.5-VL-3B. Она использует перекрёстное внимание: визуальные признаки поступают в текстовый поток через отдельные слои и не добавляют токены изображений в KV-кэш языковой модели. Веса содержат 1,9 млрд параметров, контекст — 4096 токенов; модель работает с изображениями и текстом, основной язык — английский. Модель предназначена для понимания изображений и ответов на вопросы по визуальному содержимому. Среди подходящих сценариев — чтение текста и документов на изображениях, анализ диаграмм и визуальные вопросы и ответы. Архитектура CASA также разработана с расчётом на потоковую обработку видео, однако README описывает применение на потоковом видео для другой модели коллекции, поэтому эту возможность нельзя считать подтверждённой для данного чекпойнта. Модель не выровнена по предпочтениям людей и может выдавать ошибочные, предвзятые, вредные или бесполезные ответы; перед использованием в прикладных системах нужны дополнительное выравнивание и оценка рисков. README рекомендует дообучение для большинства прикладных сценариев. Лицензия — CC-BY-NC-SA-4.0; поскольку в составе есть замороженные веса визуального энкодера Qwen2.5-VL-3B, также применимо соглашение Qwen Research License Agreement.

clawbert-149 — классификатор страниц документов, подаваемых в суды штата Калифорния, разработанный RayJackson30. Он принимает распознанный текст отдельной страницы и относит её к одному из 11 типов: основная страница, титульная или последующая титульная страница, оглавление, список органов власти, обложка приложения, подтверждение вручения, заверение, судебная форма, стенограмма или прочий тип. Модель предназначена для ранней маршрутизации страниц в конвейере обработки судебных документов и для добавления меток страниц перед поиском по документам или использованием с LLM. Это дообученная encoder-only модель ModernBERT-base с архитектурой ModernBertForSequenceClassification, примерно 149 млн параметров. Она обучена на около 13,6 тыс. размеченных страниц из 653 дел Калифорнии; для обучения использовались распознавания пяти OCR-систем. Код примера ограничивает вход 1536 токенами; конфигурация модели указывает контекст до 8192 токенов. Для классификации неоднозначных страниц в контексте целого документа в репозитории также есть отдельный контекстный слой размером 1,8 млн параметров. Модель принимает текст, полученный OCR, и выдаёт метку класса с оценкой вероятности. Она не выполняет OCR и не извлекает сведения из документов; дальнейшая обработка страниц также остаётся за другими компонентами. Классы и сигналы форматирования ориентированы на судебные документы Калифорнии, поэтому перенос на другие юрисдикции может потребовать проверки или дообучения. Репозиторий опубликован по лицензии Apache-2.0.

CLI-0.5B — мультимодальная языковая модель компании CodeFuse AI и официальный чекпойнт метода Cross-Layer Injection (CLI), описанного в работе для ECCV 2026. Она объединяет языковую модель Qwen2-0.5B с визуальным энкодером SigLIP-so400m-patch14-384 и содержит около 494 млн параметров. Вместо стандартного соединения визуального энкодера с языковой моделью CLI использует динамическую схему many-to-many: слои декодера могут обращаться к представлениям разных слоёв визуального энкодера. Для этого применяются адаптивные проекции AMP и механизм слияния с адаптивным управлением AGF. Модель предназначена для диалога и рассуждений по изображениям, включая вопросы о диаграммах, документах, графиках и сценах. В README заявлена оценка на 28 бенчмарках по визуальному восприятию, рассуждениям и визуальному чату. Указанное максимальное контекстное окно — 32768 токенов; модель принимает текст и изображения и генерирует текст на английском языке. Для запуска требуется реализация AMP и AGF из репозитория codefuse-ai/CLI и соответствующая конфигурация слоёв; обычная загрузка через LlavaOneVision в Transformers не воспроизводит поведение CLI. Чекпойнт опубликован под лицензией Apache-2.0.

donut-handball-pv3 — дообученная модель Bienvenu2004 на основе Bienvenu2004/donut-handball-pv2. Она использует архитектуру vision-encoder-decoder и преобразует изображения в текст; модель подходит для сценариев, где нужно извлечь текстовую информацию из изображений. В карточке указано обучение на датасете imagefolder, а веса доступны в формате safetensors. Модель распространяется по лицензии MIT. Карточка не описывает конкретные типы изображений, формат результата, поддерживаемые языки или оценку качества, поэтому эти свойства нельзя уточнить. По имеющимся данным нельзя определить, насколько модель надёжно справляется с изображениями вне обучающей выборки.

HobbyLM-Omni — мультимодальная модель семейства HobbyLM, разработанная rootxhacker. Это разреженная MoE-модель примерно на 500 млн параметров: декодер имеет 16 слоёв и скрытый размер 768, использует 36 маршрутизируемых экспертов с выбором top-6 и одним общим экспертом. Для обработки изображений и аудио применяются замороженные энкодеры SigLIP2 и Whisper с проекторами, веса которых входят в репозиторий; README также заявляет поддержку видео и звуковых задач. Модель предназначена для ответов на вопросы по изображениям и речи, описания изображений, OCR, понимания звуков и речи, команд, вызова инструментов и привязки к элементам интерфейса. По заявлению разработчика, она предпочитает широкий набор мультимодальных возможностей узкой специализации; качество на сложном текстовом рассуждении ниже специализированных моделей, а на задачах определения наличия объектов возможны галлюцинации. Для речи модель ориентирована на понимание вопросов и команд, а не на дословную транскрипцию. Лицензия — Apache-2.0.

HyperCLOVA X SEED Think 32B — плотная vision-language модель на базе Transformer, разработанная NAVER. Она принимает текст, изображения и видео и генерирует текст; общий формат представления текста и визуальных патчей поддерживает мультимодальное понимание. Модель содержит 32 млрд параметров, поддерживает контекст до 128 тыс. токенов и имеет опциональный режим рассуждений с настраиваемым бюджетом токенов. Модель предназначена для корейско-ориентированных задач рассуждения, анализа изображений и видео, визуальных вопросов и ответов, а также агентных сценариев. В README приведены примеры бенчмарков по корейским знаниям, пониманию диаграмм и текста на изображениях, а также выполнению задач в сервисных сценариях. Для запуска описаны OmniServe и требования к GPU; карточка указывает библиотеку Transformers. Лицензия обозначена как other, поэтому конкретные условия следует проверять в файлах лицензии репозитория.

InternVL2_5-26B-MPO — мультимодальная диалоговая модель OpenGVLab, созданная на основе InternVL2.5 с применением Mixed Preference Optimization (MPO). Она предназначена для ответов на вопросы о визуальном содержимом и диалога с изображениями; семейство также поддерживает работу с несколькими изображениями и видео. Модель следует архитектурному подходу ViT-MLP-LLM: зрительная часть InternViT соединена через MLP-проектор с языковой моделью. Для обработки изображений используются динамическое разбиение на фрагменты 448×448 пикселей и уменьшение числа визуальных токенов. Модель можно запускать через Transformers; карточка приводит примеры инференса в bf16/fp16, квантизации BNB до 8 бит, работы на нескольких GPU и потоковой генерации. Метаданные указывают мультиязычную поддержку, но конкретные языки и длина контекста в доступных материалах не приведены. Модель распространяется по лицензии MIT. Возможные сценарии — визуальные вопросы и ответы, анализ изображений и видео, распознавание текста на изображениях и мультимодальный диалог; результаты могут зависеть от качества и разрешения входных изображений.

InternVL2_5-8B-MPO-hf — мультимодальная модель для диалога по изображениям и тексту, выпущенная OpenGVLab как версия InternVL2.5-MPO в формате Transformers. Она сочетает визуальный энкодер InternViT-300M-448px-V2_5 с языковой частью internlm2_5-7b-chat; серия использует Mixed Preference Optimization. Модель подходит для описания изображений, визуальных вопросов и ответов, распознавания текста на изображениях и других задач понимания изображений с ответом на естественном языке. В карточке указаны мультиязычная поддержка и лицензия MIT. Доступные метаданные подтверждают архитектуру InternVL и поддержку чата и зрения; конкретная длина контекста не установлена использованными источниками.