I.4Обработка документов и форм

Kimi-VL-A3B-Thinking-2506 — мультимодальная модель Moonshot AI, обновлённая версия Kimi-VL-A3B-Thinking и дообучение Kimi-VL-A3B-Instruct. Она предназначена для диалогов с анализом изображений и видео, визуального восприятия и рассуждений, включая решение математических задач, понимание экранов и работу с изображениями высокого разрешения. Модель поддерживает изображение размером до 3,2 млн пикселей и может генерировать до 32 тыс. токенов при длинном декодировании. В README отмечены улучшения результатов на мультимодальных и видеобенчмарках, а также сокращение длины рассуждений в среднем на 20% относительно предыдущей версии. В метаданных указаны архитектура KimiVLForConditionalGeneration, библиотека Transformers и возможность диалогового взаимодействия. Для запуска авторы рекомендуют vLLM; также описан запуск через Transformers. Модель распространяется по лицензии MIT. Описание не указывает поддерживаемые естественные языки и точное число параметров.

Medical Prescription OCR TrOCR Small — модель распознавания текста на изображениях, дообученная в Kaggle на базе microsoft/trocr-small-handwritten. Она использует архитектуру TrOCR vision-encoder-decoder и предназначена для чтения строковых фрагментов медицинских рецептов. Модель принимает изображения отдельных строк рецепта и выдаёт распознанный текст. В README указаны 20 250 обучающих, 2 526 валидационных и 2 517 тестовых строк; на тестовой выборке CER составила 0,0184 для строк и 0,0128 для полных рецептов, а точность слов — 0,9756 и 0,9865 соответственно. Результаты описывают конкретную выборку и не гарантируют такого же качества на других почерках, языках, форматах рецептов или изображениях. Для применения нужны изображения рецептов, нарезанные на строки; язык распознавания и условия лицензии в предоставленных материалах не обозначены.

leo009/paligemma-3b-mix-224 — версия мультимодальной модели PaliGemma с открытыми весами, разработанной Google и размещённой пользователем leo009. Модель построена на архитектуре PaliGemma, объединяющей зрительный энкодер SigLIP и языковую модель Gemma; принимает изображение размером 224 × 224 пикселя и текстовые последовательности до 256 токенов, а генерирует текст. В карточке указана настройка на смесь задач переноса, а метаданные обозначают формат safetensors и библиотеку Transformers. Модель предназначена для одношаговых сценариев «изображение и запрос — текстовый ответ»: описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображении, обнаружения и сегментации объектов. Лучше подходит как основа для дообучения под конкретную задачу, чем как готовый универсальный помощник; диалог из нескольких ходов не поддерживает. Заявлена поддержка нескольких языков, но конкретный список в предоставленных данных отсутствует. Лицензия — Gemma.

PaliGemma-3b-pt-448 — предварительно обученная компактная модель зрения и языка от Google, основанная на визуальном энкодере SigLIP и языковой модели Gemma. Она принимает изображение и текстовый запрос и генерирует текст; версия с разрешением 448 предназначена для переноса на специализированные задачи тонкой настройкой. Модель подходит для описания изображений и коротких видео, ответов на вопросы об изображениях и чтения текста на них. Её также можно дообучить для обнаружения объектов, сегментации, анализа снимков дистанционного зондирования, объяснения элементов интерфейса и других задач с визуальными данными. PaliGemma рассчитана на один обмен запросом и ответом, а не на многоходовый диалог. Для надёжной работы модель следует настраивать под конкретную задачу: качество без дообучения может уступать специализированным системам. Она может ошибаться в фактах и сложных рассуждениях, а также отражать предвзятость обучающих данных. Лицензия — Gemma; при использовании необходимо соблюдать условия этой лицензии и правила допустимого использования Gemma.

zeromodels/qwen3.5-2b-base — конверсия модели Qwen3.5-2B-Base в реализацию на Keras 3, подготовленная zeromodels. Это мультимодальная модель «зрение—язык» с визуальным энкодером Qwen3-VL и плотным текстовым декодером, сочетающим Gated-DeltaNet и обычное gated attention; веса хранятся в bfloat16. Реализация запускается на TensorFlow, PyTorch и JAX. Модель предназначена для генерации текста по изображению и текстовому запросу; текстовую часть можно использовать отдельно, без визуального энкодера. Размер базовой модели — 2 млрд параметров. В метаданных указан английский язык, а лицензия — Apache 2.0. Карточка направляет к исходной модели Qwen за подробностями об использовании.

coder3101/Qwen3-VL-2B-Instruct-heretic — производная от Qwen/Qwen3-VL-2B-Instruct мультимодальная модель семейства Qwen3-VL, опубликованная в формате safetensors и предназначенная для диалоговой работы с текстом и изображениями. В README указано, что параметры модели изменены методом abliteration: в приведённом сравнении доля отказов составляет 2 из 100 против 95 из 100 у исходной модели, а KL-дивергенция — 0,45. Модель подходит для ответов на вопросы по изображениям, визуального рассуждения и диалога с текстовым и визуальным контекстом. README базовой модели также описывает распознавание текста на изображениях, анализ видео, пространственные задачи и взаимодействие с графическими интерфейсами, но отдельные показатели этих возможностей для данной производной версии не приведены. Для семейства заявлена поддержка 32 языков OCR; метаданные не перечисляют языки этой конкретной модели. Модель распространяется по лицензии Apache-2.0.

RedHatAI/Qwen3-VL-32B-Instruct-NVFP4 — квантизированная мультимодальная instruction-модель, разработанная Red Hat на основе Qwen/Qwen3-VL-32B-Instruct. Она принимает текст и изображения, а генерирует текст, поэтому предназначена для визуально-языковых сценариев: анализа и описания изображений, ответов на вопросы по визуальному содержимому, работы с диаграммами и общего текстового общения. Модель можно развернуть через vLLM и использовать через OpenAI-совместимый API. Архитектура модели — Qwen3VLForConditionalGeneration, размер базовой модели — 32B параметров. Для весов и активаций применяется NVFP4-квантизация с групповой квантизацией весов и динамической групповой квантизацией активаций; визуальные компоненты и некоторые отдельные слои не квантизируются. По данным README, это сокращает размер на диске и требования к GPU-памяти примерно на 75% по сравнению с представлением с 16 битами на параметр, что является главным преимуществом версии. При этом README не содержит сведений о поддерживаемых языках, точном контекстном окне и количественных результатах оценки, хотя модель проверялась на задачах ChartQA и MMLU. Лицензия — Apache-2.0. Для запуска в примере рекомендуется vLLM с tensor parallelism на двух GPU; фактические требования зависят от конфигурации оборудования и используемого программного окружения. Квантизация может снижать точность по сравнению с исходной моделью, однако конкретные потери качества в README не указаны.

Qwen-AgentWorld-35B-A3B-VL36 — экспериментальная мультимодальная модель, созданная автором репозитория havok2 путём переноса визуального блока из Qwen/Qwen3.6-35B-A3B в текстовую основу Qwen/Qwen-AgentWorld-35B-A3B. Это не дообучение: текстовые веса AgentWorld сохранены, а веса ViT и проектора добавлены без обучения. Архитектура — Qwen3.5 MoE с 35 млрд параметров; модель принимает текст и изображения, поддерживает диалоги и интерфейс вызова инструментов. В README также заявлен ввод видео. Карточка ориентирована на английский язык. Модель предназначена для агентных диалогов и работы с изображениями, включая описание объектов, цветов и их расположения, а также OCR. Для запуска автор приводит пример с vLLM версии 0.23 или новее. Веса опубликованы в формате safetensors в BF16, лицензия — Apache-2.0. Визуальный блок взят из поколения Qwen3.6, тогда как текстовая основа относится к поколению Qwen3.5. По README, модель прошла только базовые тесты на синтетических изображениях и не имеет бенчмарков; качество зрения может отличаться от нативно обученной VLM. Дополнительная настройка безопасности и оценка не проводились.

alakxender/trocr-dv-diet-base-bert — модель распознавания текста на изображениях для дивехи (Dhivehi, мальдивского языка). Она разработана на основе архитектуры TrOCR: визуальный энкодер DeiT-base-distilled-patch16-384 соединён с декодером alakxender/bert-base-dv; модель дообучена на 10 тысячах пар изображений и текстов дивехи. Входное изображение обрабатывается в размере 384×384 пикселя, а генерация использует beam search с четырьмя лучами и максимальной длиной последовательности 64 токена. Модель предназначена для извлечения текста из изображений и может применяться для оцифровки документов и распознавания печатного текста на дивехи. В README приведён пример распознанного фрагмента; оценочные метрики качества не указаны. Модель распространяется по лицензии Apache-2.0.

Карточка модели mazz68/VisionPsy-Nano-460M на Hugging Face совпадает с карточкой qvac/VisionPsy-Nano-460M, поэтому описание составлено по ней. VisionPsy-Nano-460M — компактная модель «зрение–язык», разработанная Tether AI Research на базе nanoVLM. Она предназначена для локального запуска на устройствах с ограниченными ресурсами и решает задачи визуальных вопросов и ответов, чтения текста на изображениях, понимания документов, диаграмм и графиков, а также выполнения простых инструкций по изображению. Модель содержит около 460 млн параметров, использует визуальный энкодер SigLIP2 и языковую основу SmolLM2, обрабатывает изображения размером 512×512 и поддерживает контекст до 8 тысяч токенов. По внутренним оценкам разработчика, она сопоставима с моделями схожего размера на большинстве из 17 публичных тестов; результаты получены на едином стенде VLMEvalKit с использованием LLM-судьи для части метрик. Модель рассчитана на одно изображение в запросе и преимущественно на английский язык. Она может ошибаться, неверно считать объекты и хуже справляться с плотными документами и длинными математическими рассуждениями; другие языки официально не поддерживаются. Не предназначена для решений, критичных для безопасности или имеющих высокую цену ошибки. Лицензия — Apache-2.0.

WordDetector — модель обнаружения отдельных рукописных слов на изображениях документов, разработанная как часть проекта Xournal++ HTR. Она предназначена для этапа выделения слов в конвейере распознавания рукописного текста и выдаёт ограничивающие рамки, не выполняя транскрипцию. Модель использует модифицированный энкодер ResNet-18 и декодер в стиле U-Net. На вход подаётся изображение в оттенках серого, приводимое к размеру 448×448; выходные карты сегментации и геометрии обрабатываются для получения рамок слов. Для инференса предусмотрен формат ONNX и ONNX Runtime, поэтому модель рассчитана на запуск на обычных устройствах без GPU. Обучение проводилось на IAM Handwriting Database. Модель распознаёт расположение слов, но не их содержание. Фиксированное масштабирование до 448×448 может искажать неквадратные изображения, а качество на почерках, отличающихся от стиля IAM, может варьироваться. Лицензия — MIT.

Это готовый конвейер для запуска FastVLM на процессоре: модуль ONNX преобразует изображение в эмбеддинги, а языковая часть на основе Qwen2-0.5B в формате GGUF генерирует текстовый ответ. Репозиторий musk12 включает веса и серверный код на основе llama.cpp; для запуска GPU не требуется. Модель принимает изображение и необязательную текстовую подсказку, поддерживает визуальные вопросы и ответы, а также задачи распознавания текста и деталей изображения. Доступны варианты обработки изображения 512×512 с 64 визуальными токенами и 1024×1024 с 256 токенами: первый быстрее, второй лучше подходит для мелкого текста и деталей, но имеет более высокую задержку. В README приведены результаты тестов на CPU, однако фактическая скорость зависит от оборудования. Сервер обрабатывает запросы последовательно. Модель распространяется по лицензии Apache-2.0.

DevQuasar/baidu.Unlimited-OCR-GGUF — это квантизированная версия модели baidu/Unlimited-OCR, опубликованная под пространством DevQuasar. По указанным данным, модель предназначена для задач image-text-to-text, то есть обработки изображений с генерацией текстового ответа, включая сценарии оптического распознавания символов (OCR). В README не указаны архитектура, размер модели, поддерживаемые языки, максимальная длина контекста, конкретные возможности распознавания, требования к ресурсам или результаты тестирования. Также не приведена информация о лицензии и условиях коммерческого использования. Поэтому сильные стороны, ограничения и точные сценарии применения модели невозможно достоверно оценить по имеющимся данным.

Achta/gemma-4-E4B-it-distilled-awq — сжатая версия мультимодальной Gemma 4 E4B Instruct, подготовленная командой ECE-ILAB для соревнования Resilient AI Challenge 2026 в треке image-to-text. Модель предназначена для визуальных вопросов и ответов (VQA), включая анализ диаграмм, документов, изображений с текстом и научных иллюстраций; также поддерживает диалог с изображениями. Модель основана на google/gemma-4-E4B-it и прошла дистилляцию эмбеддингов Per-Layer Embedding с последующей W4A16-квантизацией линейных слоёв языкового декодера. Аудио- и визуальная башни, lm_head и модули эмбеддингов сохранены в BF16. Контекст в конфигурации запуска ограничен 2048 токенами, а генерация — 40 новыми токенами. Чекпойнт занимает 11 ГБ; на тестовой конфигурации с GPU L4 он использовал 9,73 ГиБ видеопамяти. Для запуска авторы указывают vLLM и конфигурацию из репозитория; модель проверена на стеке соревнования. Она лицензирована по условиям Gemma. Карточка описывает настройку прежде всего для коротких ответов на VQA: ограничение длины генерации может обрезать более развёрнутые ответы, а указанный лимит контекста 2048 токенов может быть тесен для длинных запросов.

Josiefied-Qwen3-VL-4B-Instruct-abliterated-beta-v1 — мультимодальная чат-модель Гёкдениза Гюльмеза на архитектуре Qwen3-VL с 4 млрд параметров. Она дообучена на Qwen/Qwen3-VL-4B-Instruct с изменением поведения безопасности («abliteration») и дополнительной настройкой следования инструкциям; разработчик сообщает, что обучение выполнялось на Apple Silicon с использованием MLX. В репозитории указаны веса safetensors, а также варианты MLX и GGUF. Модель предназначена для диалога и генерации ответов по инструкциям; базовая Qwen3-VL поддерживает анализ изображений и видео, OCR и визуальные рассуждения. Разработчик позиционирует эту версию как менее ограниченную фильтрами безопасности при сохранении навыков следования инструкциям и использования инструментов. README предупреждает, что модель может выдавать чувствительный или спорный контент. Лицензия в предоставленных данных не указана.

islamassanov/Kimi-K3-Mixed-IQ2-GGUF — мультимодальная GGUF-квантизация базовой модели MoonshotAI/Kimi-K3, подготовленная пользователем islamassanov для запуска через llama.cpp. Модель предназначена для текстовых и визуально-текстовых задач, включая работу с изображениями и OCR. Для текстового режима vision projector можно не подключать. В основе лежит MoE-модель размером 2,8 трлн параметров с 896 маршрутизируемыми экспертами, из которых 16 активируются на каждом токене. Текстовые веса занимают около 793 GiB и распределены по 10 GGUF-файлам; экспертные матрицы используют смешанную квантизацию IQ2_XXS и IQ2_XS, а vision projector сохранён в BF16 и занимает около 862 MiB. Базовая архитектура поддерживает контекст до 1 млн токенов, однако фактически доступный размер контекста зависит от объёма памяти. По данным README, модель набрала 871/1000 на OCRBench, что составляет 97,9% от опубликованного результата базовой модели MoonshotAI. Ключевое преимущество — улучшенная точность восстановления весов при том же размере по сравнению со стандартным IQ2_XXS, но это не гарантирует прироста качества ответов. Главные ограничения — чрезвычайно высокие требования к дисковому пространству и памяти, а также необходимость использовать все 10 текстовых шардов. Распространение и использование регулируются лицензией Kimi K3; тип лицензии указан как other.

Карточка модели taharmasmaliyev07/Mirza-Gemma4-E4B-Editor-E3-BF16 на Hugging Face совпадает с карточкой taharmasmaliyev07/Mirza-GEC-Gemma4-E4B-Editor-E3-BF16, поэтому описание составлено по ней. 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.

Qwen3-VL-32B-Thinking-MLX-8bit — это 8-битная MLX-квантизованная версия мультимодальной модели Qwen3-VL-32B-Thinking, разработанной командой Qwen. Квантизация предоставлена командой LM Studio с использованием mlx_vlm; модель оптимизирована для работы на устройствах Apple Silicon. Модель предназначена для задач преобразования изображений и текста в текст, то есть может использоваться в сценариях, где требуется анализ визуальной информации и формирование текстового ответа. В основе лежит модель размером 32B, доступная в 8-битном представлении. README не содержит сведений о поддерживаемых языках, размере контекстного окна и точной архитектуре. Ключевое преимущество версии — адаптация с помощью MLX для запуска на Apple Silicon при сниженных требованиях к памяти по сравнению с полноразмерным представлением. Ограничения, характеристики качества, производительности и поддерживаемые форматы входных данных в README не указаны. Модель распространяется по лицензии Apache-2.0.

Qwen_Qwen2.5-VL-72B-Instruct-GGUF — это квантованные в формате GGUF версии мультимодальной модели Qwen2.5-VL-72B-Instruct, разработанной Qwen. Квантование выполнено bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text, то есть обработки изображений совместно с текстовыми запросами и генерации текстовых ответов. Модель имеет размер 72B параметров и поддерживает мультимодальные сценарии. Доступны варианты квантования от Q8_0 до Q2_K_L, различающиеся размером файлов, требованиями к памяти и качеством ответов. Наиболее качественными и рекомендуемыми в README названы варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS; малые варианты Q3 и Q2 экономят память, но заметно уступают по качеству. Размеры файлов составляют примерно от 31 до 77 ГБ. Модель можно запускать локально через llama.cpp, LM Studio и другие совместимые проекты. README указывает английский язык, однако сведения о полном наборе поддерживаемых языков и размере контекстного окна не приведены. Основные ограничения связаны с большими требованиями к оперативной или видеопамяти, особенно для высококачественных квантов, а также с возможной потерей качества при использовании низких уровней квантования. Лицензия обозначена как qwen и other; подробные условия доступны в лицензии исходной модели Qwen2.5-VL-72B-Instruct.

SmolVLM-256M-Instruct-bf16 — компактная мультимодальная модель семейства Idefics3 от mlx-community, преобразованная в формат MLX из HuggingFaceTB/SmolVLM-256M-Instruct. Она принимает изображения и текстовые запросы и генерирует текстовые ответы, поэтому подходит для диалога о содержимом изображений и других задач визуально-языкового взаимодействия. В метаданных указана архитектура Idefics3ForConditionalGeneration, а модель обучалась с использованием наборов HuggingFaceM4/the_cauldron и HuggingFaceM4/Docmatix. Репозиторий предназначен для запуска через mlx-vlm и содержит веса bf16 в формате MLX; конвертация выполнена из исходной модели с помощью mlx-vlm версии 0.1.11. Карточка указывает лицензию Apache-2.0. Язык карточки — английский; поддержка других языков в предоставленных данных не подтверждена.

SmolVLM-500M-Instruct-4bit — компактная мультимодальная модель для диалога по изображениям, представленная сообществом mlx-community. Она объединяет языковую модель SmolLM2-360M-Instruct с визуальной частью SigLIP и использует архитектуру Idefics3; модель можно запускать локально на устройствах Apple через MLX. Репозиторий содержит преобразованную в формат MLX 4-битную версию исходной модели HuggingFaceTB/SmolVLM-500M-Instruct. Модель принимает изображения и текстовые запросы, а в ответ генерирует текст. Она предназначена для описания изображений, визуальных вопросов и ответов, а также диалога с визуальным контекстом. В карточке заявлен английский язык. Лицензия — Apache-2.0.

VideoLLaMA3-7B-Image — мультимодальная модель семейства VideoLLaMA 3, разработанная командой DAMO-NLP-SG. Она предназначена для понимания изображений и видео: принимает визуальные данные вместе с текстом и формирует ответы на вопросы и выводы о содержимом сцен. Карточка описывает её как вариант Image на базе Qwen2.5-7B; метаданные указывают дообучение Qwen/Qwen2.5-7B-Instruct. Модель имеет плотную архитектуру Videollama3Qwen2ForCausalLM и 7,1 млрд параметров, работает через Transformers, распространяется в формате safetensors и поддерживает контекст длиной 32 768 токенов. В карточке отмечены обучение на наборах данных для понимания изображений, документов и видео, а среди языков — английский. Лицензия — Apache-2.0. Модель подходит для визуальных вопросов и ответов, описания изображений и интерпретации видеосцен в диалоговом режиме. Доступные сведения не уточняют ограничения по разрешению изображений, длительности видео или точности на отдельных типах задач.

Youtu-VL-4B-Instruct-GGUF — компактная мультимодальная vision-language модель, разработанная Tencent Youtu Lab на базе Youtu-LLM. Модель предназначена для обработки изображений и текста в сценариях визуального вопросно-ответного взаимодействия, мультимодального рассуждения, OCR, анализа нескольких изображений, понимания реальных сцен, оценки галлюцинаций и задач GUI-агента. Она также ориентирована на визуальное grounding, классификацию изображений, детекцию объектов, подсчёт объектов и оценку позы человека. Модель содержит 4 млрд параметров и распространяется в формате GGUF для запуска с llama.cpp. В её основе лежит подход Vision-Language Unified Autoregressive Supervision (VLUAS), при котором визуальные и текстовые токены участвуют в едином авторегрессионном обучении. Это позволяет использовать стандартную архитектуру vision-language модели без специализированных модулей для разных задач и способствует сохранению детальной визуальной информации. Поддерживаются текст и изображения, однако сведения о языках и размере контекстного окна в README не указаны. К сильным сторонам относятся компактный размер, эффективность и широкий спектр общих мультимодальных и визуальных сценариев. Существенное ограничение GGUF-версии заключается в том, что она не поддерживает задачи плотного предсказания, включая сегментацию и оценку глубины; для них рекомендуется исходная версия Youtu-VL-4B-Instruct на Transformers. Модель доступна по специальной лицензии youtu-vl; также указано ограничение доступа для пользователей из Европейского союза.

Donut Base ASCII — преобразованная версия naver-clova-ix/donut-base, подготовленная nbroad. Это модель архитектуры Vision Encoder-Decoder для преобразования изображений в текст. Из словаря удалены не-ASCII токены и добавлен токен «1»; модель не обучалась дополнительно после исходной. Модель рассчитана на базовые англоязычные сценарии, где распознаваемый текст состоит преимущественно из латинских букв, цифр и обычной пунктуации. В сравнении, приведённом автором карточки, генерация 10 токенов занимала около 195 мс против 205 мс у исходной модели и 280 мс при использовании списка запрещённых токенов. Модель распространяется под лицензией Apache-2.0. Удаление токенов ограничивает её применимость к текстам с символами за пределами ASCII; дополнительных задач обучения автор не проводил.

Varun12387 опубликовал производную модель LiquidAI/LFM2.5-VL-450M: мультимодальную LFM2.5-VL-450M дообучили с помощью LoRA на 3 500 примерах с изображениями, а веса объединили и подготовили для локального запуска через llama.cpp. Модель принимает изображения и текстовые запросы, чтобы отвечать на вопросы о визуальном содержимом, читать текст, диаграммы и схемы, а также описывать сцены и объекты. В основе — плотная архитектура LFM2-VL с языковой частью LFM2 и визуальным энкодером SigLIP2 NaFlex; указанный в README контекст — 128 000 токенов. Репозиторий содержит GGUF-варианты F16, Q8_0 и Q4_K_M, а также safetensors. Дообучение охватывало визуальные вопросы, анализ диаграмм и схем и локализованные описания. В приведённых автором тестах результаты ниже показателей базовой модели по RealWorldQA, OCRBench и POPE, поэтому точность на сложных визуальных задачах может быть ограничена. Лицензия указана как other; конкретные условия следует сверить с карточкой модели и лицензией базовой модели.

openbmb/MiniCPM-V-2_6-int4 — квантованная до int4 версия мультимодальной модели MiniCPM-V 2.6, разработанная командой OpenBMB. Модель предназначена для задач image-text-to-text: анализа изображений и генерации текстовых ответов на вопросы о визуальном содержимом. Указана поддержка многоязычных сценариев, OCR, работы с несколькими изображениями и видео. Ключевая особенность версии int4 — сниженное потребление видеопамяти: около 7 ГБ по данным README. Модель запускается через Hugging Face Transformers на NVIDIA GPU с использованием custom code и поддерживает потоковую генерацию ответов. Архитектура и точное количество параметров, размер контекстного окна, перечень языков и поддерживаемых модальностей в README не указаны. Сильной стороной модели является более экономичное развертывание по сравнению с полной версией MiniCPM-V 2.6 при сохранении её мультимодального назначения. Ограничениями являются зависимость от NVIDIA GPU и необходимости использовать совместимые версии программных компонентов, а также возможное влияние int4-квантизации на качество. Лицензия в предоставленных данных не указана.

MLX-версия мультимодальной инструкционной модели Qwen2.5-VL-7B-Instruct, подготовленная сообществом mlx-community и преобразованная с помощью mlx-vlm 0.1.11. Модель содержит 7,1 млрд параметров и предназначена для диалоговой работы с изображениями: принимает текстовые запросы и изображения, чтобы отвечать на вопросы и описывать визуальное содержимое. Каталог также указывает поддержку видео и интерфейс вызова инструментов. Модель основана на плотной архитектуре Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Карточка описывает преобразование в формат MLX; в метаданных указаны файлы safetensors. Модель ориентирована на английский язык. Лицензия — Apache 2.0. README отсылает к карточке базовой модели за подробностями; качество распознавания и ограничения конкретной 3-битной версии отдельно не описаны.

Qwen3.8-27B-heretic-VL-MLX-bf16 — мультимодальная модель для диалогов и анализа изображений, подготовленная donedynamics для компьютеров Apple Silicon. Это конверсия в формат MLX из trohrbaugh/Qwen3.8-27B-heretic-ara; в репозитории сохранён визуальный энкодер. Модель принимает текст и изображения, а библиотека запуска — mlx-vlm. Основа модели — плотная архитектура Qwen3.5 с 27 млрд параметров; веса представлены в bf16 без квантизации. Модель распознаёт объекты и их атрибуты на изображениях и отвечает на текстовые запросы. В README описан режим рассуждения, включённый по умолчанию: он расходует токены до начала ответа и может занять весь небольшой лимит генерации. В базовой модели снижено число отказов на запросы, которые обычно отклоняет модель с настройкой безопасности. Поэтому перед пользовательским развёртыванием следует оценить её ответы и при необходимости применять собственную фильтрацию. Лицензия — Apache-2.0.

Qwen3-VL-8B-Instruct-MLX-4bit — мультимодальная модель для преобразования изображений и текста в текст. В её основе лежит Qwen3-VL-8B-Instruct, разработанная командой Qwen. Версия MLX-квантизации предоставлена командой LM Studio с использованием mlx_vlm. Модель предназначена для задач, где требуется анализ визуального и текстового содержимого, включая работу с изображениями в диалоговом формате. Это 4-битная версия модели с оптимизацией под компьютеры Apple Silicon на базе MLX, что делает её более подходящей для локального запуска на совместимом оборудовании и снижает требования к памяти по сравнению с полноразмерной версией. Ключевое ограничение — 4-битная квантизация может влиять на точность по сравнению с исходной моделью, а README не содержит подробностей о поддерживаемых языках, размере контекста, точных возможностях обработки изображений и производительности. Модель распространяется по лицензии Apache-2.0.

Winuim/qwen3-vl-8b-invoice-cpt — дообученная мультимодальная модель Winuim на базе unsloth/qwen3-vl-8b-instruct-unsloth-bnb-4bit. Она использует архитектуру Qwen3-VL и предназначена для диалоговой работы с текстом и изображениями; название указывает на настройку для обработки счетов, но README не описывает конкретные сценарии или качество извлечения данных. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.