I.4Обработка документов и форм

nanoLLaVA-1.5 — компактная зрительно-языковая модель от qnguyen3 для диалога по изображениям и запуска на устройствах с ограниченными ресурсами. В карточке указаны языковая основа Quyen-SE-v0.1 на базе Qwen1.5-0.5B и визуальный энкодер google/siglip-so400m-patch14-384; метаданные описывают архитектуру как плотную llava-qwen2 с классом BunnyQwenForCausalLM и содержат 463,9 млн параметров. Модель принимает изображения и текстовые запросы, выдаёт текст; для диалога используется формат ChatML. Нативный контекст составляет 32 768 токенов. Модель предназначена для визуальных вопросов и ответов, описания изображений и чтения текста на изображениях. Опубликованные в README результаты относятся к nanoLLaVA-1.0, а показатели версии 1.5 обозначены как TBD; данные обучения и код дообучения на момент публикации обещаны позднее. Веса доступны в формате safetensors по лицензии Apache-2.0.

nougatJawiCharJawi — дообученная модель bustamiyusoef для преобразования изображений с текстом на яви в текст. Она построена на архитектуре vision-encoder-decoder и предназначена для распознавания символов яви на изображениях. В README приведён результат на наборе оценки: loss 1,9076; описание обучающих данных и дополнительные сведения о качестве отсутствуют. Модель опубликована в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

bartowski/OpenGVLab_InternVL3_5-38B-GGUF — это GGUF-квантизированная версия мультимодальной модели InternVL3_5-38B, разработанной OpenGVLab. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text, то есть обработки изображений и генерации текстовых ответов, а также может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. В репозитории доступны варианты от исходных BF16-весов размером 65,53 ГБ до сильно сжатых форматов Q2, Q3, IQ3 и Q4, а также более качественных Q5, Q6 и Q8. Размер файлов составляет примерно от 13,70 до 34,82 ГБ для квантованных вариантов. Версии Q4_K_M, Q5, Q6 и IQ4 обозначены как рекомендуемые; Q4_K_M описан как вариант по умолчанию для большинства сценариев, а Q6_K и Q6_K_L — как варианты с очень высоким качеством. Более компактные Q3 и Q2 экономят оперативную память, но имеют заметно более низкое качество. README не содержит сведений о размере контекстного окна, поддерживаемых языках, деталях архитектуры, точном формате запросов или лицензии. Поэтому эти характеристики и юридические условия использования необходимо уточнять на странице исходной модели OpenGVLab/InternVL3_5-38B.

mlx-community/Qwen3.5-2B-4bit — квантизированная 4-битная версия мультимодальной модели Qwen3.5-2B, преобразованная сообществом mlx-community в формат MLX из Qwen/Qwen3.5-2B с использованием mlx-vlm 0.3.12. Модель предназначена для задач преобразования изображений и текста, в частности для генерации текстовых ответов по изображениям; запуск предусмотрен через библиотеку mlx-vlm на совместимом оборудовании Apple MLX. Из доступных данных известны размер 2B и поддержка сценариев image-text-to-text. Точные сведения об архитектуре, поддерживаемых языках, размере контекста, наборе обучающих данных и результатах тестирования в этой карточке не указаны. 4-битное представление снижает требования к памяти и может быть удобным для локального запуска, но потенциально ограничивает точность по сравнению с полноразмерной версией. Модель распространяется по лицензии Apache-2.0; дополнительные условия и характеристики следует уточнять в оригинальной карточке Qwen/Qwen3.5-2B.

HermiHg/Qwen3.8-27B-mmproj-Q5_K-MIX-GGUF — это мультимодальный проектор mmproj для модели Qwen3.8-27B, совместимый с llama.cpp. Проектор включает тензоры vision encoder и преобразователи признаков изображения в представление, используемое языковой моделью; саму языковую модель этот файл не содержит. Модель основана на Qwen/Qwen3.8-27B и предназначена для сценариев image-text-to-text: анализа изображений, визуального вопросно-ответного взаимодействия, OCR, работы с диаграммами и задач восприятия. Использована смешанная 4–6-битная квантизация Q5_K-MIX: основные attention- и FFN-проекции представлены в 5 битах, крупная FFN down-проекция — в 6 битах, а vision-to-LM projectors сжаты до 4 бит. Нормализации, смещения и позиционные или patch-эмбеддинги сохранены в F32. Размер составляет около 331 MiB против 888 MiB у исходного BF16-проектора, то есть примерно 37% от исходного. В тесте на 5251 парном документе и 11 визуальных бенчмарках средний результат составил 0,7458 против 0,7493 у BF16-версии; заявленная потеря — около 0,46% относительно эталона. Сильная сторона модели — существенная экономия памяти при сохранении близкого к BF16 качества, включая задачи TextVQA, OCR, GQA, ScienceQA, MMStar, ChartQA и BLINK. Ограничение состоит в том, что это только мультимодальный проектор, поэтому для работы необходима совместимая Qwen3.8-27B и поддержка mmproj в llama.cpp. Языки и размер контекста в README не указаны. Распространяется по лицензии Apache-2.0.

turboderp/Qwen3.8-Flash-Next-exl3 — это набор EXL3-квантизаций модели Qwen3.8-Flash-Next, разработанной Qwen и переквантованной turboderp. Модель предназначена для задач преобразования изображений и текста в текст и рассчитана на локальный запуск с использованием ExLlamaV3 версии 1.4.5 или ветки dev. Доступны варианты с точностью 2,05, 3,05, 4,05, 5,05 и 6,05 бит на вес, что позволяет выбирать компромисс между требованиями к памяти, скоростью и сохранением качества. В README не указаны точный размер модели, архитектурные детали базовой модели, поддерживаемые языки и максимальная длина контекста. Приведены результаты самокалибровки и несколько графиков, однако подробные бенчмарки заявлены как будущие. Лицензия обозначена как qwen-community-1.0; дополнительные условия следует уточнять в файле LICENSE.

Qwen3-VL-4B-Instruct-MLX-6bit — это 6-битная MLX-квантизированная версия мультимодальной модели Qwen3-VL-4B-Instruct, разработанной командой Qwen. Квантизацию выполнила команда LM Studio с использованием mlx_vlm; модель оптимизирована для работы на устройствах с Apple Silicon. Модель предназначена для задач image-text-to-text: обработки изображений и текстовых запросов с генерацией текстовых ответов. Она может использоваться в локальных мультимодальных приложениях, где требуется анализ визуального содержимого и взаимодействие с ним на естественном языке. В README не указаны поддерживаемые языки, размер контекста и подробности архитектуры. Ключевая особенность модели — 6-битное квантование, снижающее требования к ресурсам по сравнению с полной версией и ориентированное на эффективный запуск через MLX на Apple Silicon. При этом квантизация может ограничивать точность по сравнению с исходной моделью, а качество и применимость зависят от конкретной задачи. Модель создана на основе Qwen3-VL-4B-Instruct; LM Studio не является её разработчиком или владельцем и не гарантирует точность или безопасность результатов. Лицензия модели — Apache-2.0.

wareef/Qwen3-VL-8B-Instruct-Q4_K_M-GGUF — это квантизированная версия мультимодальной модели Qwen3-VL-8B-Instruct, преобразованная в формат GGUF для запуска с llama.cpp. Модель подготовлена пользователем или организацией wareef на основе исходной модели Qwen/Qwen3-VL-8B-Instruct с использованием инструмента GGUF-my-repo от ggml.ai. Модель предназначена для задач преобразования изображений и текста в текст, включая мультимодальное понимание и генерацию ответов по входным данным. Она рассчитана на локальный запуск через llama.cpp в командной строке или в режиме сервера. В README указаны архитектурная основа Qwen3-VL, размер 8B и квантизация Q4_K_M; сведения о поддерживаемых языках, точном размере контекста, конкретных модальностях и возможностях исходной модели не приведены. К сильным сторонам относятся компактный квантизированный формат GGUF и совместимость с llama.cpp, что упрощает локальное развертывание на поддерживаемом оборудовании. Ограничения связаны с потерей точности из-за квантизации, а также с зависимостью от аппаратных возможностей и настроек llama.cpp. Модель распространяется по лицензии Apache-2.0.

Mungert/SmolVLM-500M-Instruct-GGUF — мультимодальная модель для задач преобразования изображений и текста в текст, опубликованная пользователем или организацией Mungert в формате GGUF. В качестве базовых компонентов указаны HuggingFaceTB/SmolLM2-360M-Instruct и google/siglip-base-patch16-512; исходная модель связана с разработчиками Hugging Face и Google. При генерации GGUF использовалась llama.cpp. Модель предназначена для сценариев, в которых требуется анализировать изображения и формировать текстовые ответы, например отвечать на вопросы по изображениям или обрабатывать визуально-текстовые данные. В метаданных указаны датасеты HuggingFaceM4/the_cauldron и HuggingFaceM4/Docmatix, а поддерживаемый язык — английский. Заявленный размер модели — около 500 млн параметров. Сведения о размере контекстного окна, точной архитектуре мультимодального взаимодействия и результатах тестирования отсутствуют. Главное преимущество — наличие множества вариантов точности и квантизации, включая BF16, F16, гибридные форматы и квантованные варианты Q4, Q6, Q8 и IQ, что позволяет выбирать баланс между качеством, скоростью и потреблением памяти на CPU, GPU и устройствах с ограниченной VRAM. Более агрессивная квантизация уменьшает требования к памяти, но может заметно снижать точность; для ультранизкобитных вариантов автор предупреждает о возможных проблемах с работоспособностью. Лицензия — Apache-2.0.

apodex-1.0-2B-SFT-rebased — объединённая модель, созданная с помощью LazyMergekit на основе Qwen/Qwen3.5-2B-Base и apodex/Apodex-1.0-2B-SFT. Она предназначена для диалоговой работы с текстом и изображениями; архитектура Qwen3.5 — плотная, с 2 млрд параметров. Модель доступна в формате safetensors и поддерживает интерфейс вызова инструментов. Лицензия — Apache-2.0.

InternVL3_5-8B-GGUF — это квантизированная версия мультимодальной модели InternVL3_5-8B, разработанной OpenGVLab. Модель предназначена для задач преобразования изображений и текста в текст, включая сценарии, где требуется анализ визуальной информации и генерация текстового ответа. Формат GGUF ориентирован на локальный запуск с использованием совместимых инструментов, в частности llama.cpp и LM Studio. Квантизацию выполнил bartowski на основе llama.cpp release b6258. В предоставленных данных указаны мультимодальный pipeline image-text-to-text и размер базовой модели 8B; сведения о конкретной архитектуре, поддерживаемых языках, длине контекста и доступных вариантах модальностей отсутствуют. Квантизация может упростить локальное развертывание и снизить требования к ресурсам, но потенциально влияет на точность по сравнению с исходной моделью. Лицензия в README не указана, поэтому условия использования необходимо уточнять в документации исходной модели OpenGVLab/InternVL3_5-8B и соответствующей версии GGUF. Как и другие модели такого типа, она может генерировать неточные, вредные или неподходящие ответы.

LFM2-VL-1.6B — мультимодальная модель Liquid AI для совместной обработки текста и изображений. Это постобученный чекпойнт на основе LFM2 с гибридной архитектурой: языковая часть LFM2-1.2B с сочетанием свёрточных слоёв и внимания соединена с визуальным энкодером SigLIP2 NaFlex на 400 млн параметров. Репозиторий содержит веса в формате safetensors; для запуска README рекомендует Transformers версии 4.57 или новее. Модель предназначена для диалога по изображениям, следования инструкциям и лёгких агентных сценариев, в том числе на устройствах с ограниченными ресурсами. Она обрабатывает изображения с переменным разрешением: до 512×512 пикселей напрямую, а более крупные — с помощью разбиения на патчи; параметры инференса позволяют выбирать баланс между скоростью и качеством. Заявлены низкая задержка и высокая скорость инференса на GPU, однако численные результаты в README относятся к сравнительным тестам, а не гарантируют качество для конкретных задач. Основной язык — английский. Liquid AI рекомендует дообучать модель для узких сценариев и предупреждает, что она не предназначена для решений, критичных к безопасности. Лицензия указана как «other»; условия использования следует сверить с лицензией репозитория.

Mungert/Qwen2.5-VL-7B-Instruct-GGUF — набор GGUF-файлов модели Qwen2.5-VL-7B-Instruct, подготовленный автором репозитория Mungert с использованием imatrix-файла и актуальной сборки llama.cpp. README не указывает разработчика исходной модели. Модель предназначена для мультимодальных сценариев image-text-to-text, в частности для анализа изображений и генерации текстовых ответов по ним. Для работы требуются основной GGUF-файл модели и отдельный файл mmproj, содержащий мультимодальный проектор. Использование vision поддерживается через fork llama.cpp и CLI-инструмент llama-mtmd-cli. Доступны варианты с разными форматами и уровнями квантования, включая F16, BF16, Q4, Q6, Q8 и ультранизкобитные варианты IQ1/IQ2. Это позволяет выбирать между качеством, скоростью и требованиями к памяти; низкобитные варианты ориентированы на устройства с ограниченными ресурсами, но могут снижать точность. В метаданных указано, что модель работает с английским языком. Размер исходной модели — 7B параметров; поддерживаемые модальности — текст и изображения. Ограничения включают необходимость специальной версии llama.cpp, отдельного mmproj-файла и потенциальную потерю качества при сильном квантовании. Репозиторий распространяется по лицензии Apache-2.0.

Qwen2.5-VL-7B-Instruct-GGUF — мультимодальная instruction-модель семейства Qwen2.5-VL, разработанная Qwen и представленная в формате GGUF компанией Second State Inc. Модель предназначена для обработки изображений и текста с генерацией текстовых ответов, поэтому подходит для визуальных вопросов и ответов, анализа изображений и других сценариев image-text-to-text. Модель основана на Qwen/Qwen2.5-VL-7B-Instruct и имеет около 7 миллиардов параметров. В комплекте предусмотрен отдельный визуальный модуль Qwen2.5-VL-7B-Instruct-vision.gguf; заявленный размер контекста составляет 32 000 токенов. Для запуска рекомендуется LlamaEdge с prompt template qwen2-vision. В README указан английский язык, поэтому поддержка других языков по этим данным не подтверждена. Доступно несколько вариантов квантования от 2 до 8 бит, а также версия f16, что позволяет выбирать между размером файлов, требованиями к памяти и качеством. Рекомендуемыми названы варианты Q4_K_M, Q5_K_M и Q5_K_S; более агрессивное квантование может приводить к заметной или существенной потере качества. Модель распространяется по лицензии Apache-2.0.

DevQuasar/Qwen.Qwen3-VL-8B-Instruct-GGUF — квантованная версия модели Qwen/Qwen3-VL-8B-Instruct, опубликованная DevQuasar. Это vision-language модель с инструкционной настройкой, предназначенная для задач image-text-to-text: анализа изображений и подготовки текстовых ответов по визуальному и текстовому контексту. Из доступных данных известно, что модель относится к семейству Qwen3-VL и имеет размер 8B параметров; формат GGUF предназначен для локального запуска в совместимых инструментах. Модель поддерживает обработку изображений вместе с текстом, однако сведения о конкретных языках, размере контекстного окна, архитектурных деталях, вариантах квантования, производительности и аппаратных требованиях в README не указаны. Лицензия также не указана, поэтому условия использования следует уточнить в источнике базовой модели и на странице публикации. К преимуществам относятся мультимодальность, инструкционная настройка и возможность локального применения в формате GGUF; ограничения связаны с неизвестными характеристиками квантования и отсутствием подробных данных о качестве и поддерживаемых сценариях.

Skywork_Skywork-R1V3-38B-GGUF — это квантизированная GGUF-версия модели Skywork-R1V3-38B, разработанной командой Skywork и подготовленной пользователем bartowski. Модель предназначена для задач преобразования изображений и текста в текст, а также для запуска локальных мультимодальных сценариев через llama.cpp, LM Studio и другие совместимые проекты. В репозитории представлены варианты с точностью от BF16 до низкоразрядных форматов Q2–Q8 и IQ. Базовая модель содержит 38 млрд параметров; размер файлов варьируется примерно от 13 до 66 ГБ в зависимости от формата. Для квантования использовался llama.cpp с методом imatrix. Указан английский язык, однако сведения о размере контекста, конкретной архитектуре и полном наборе поддерживаемых языков отсутствуют. Сильной стороной модели является широкий выбор квантовок: варианты Q6 и Q5 ориентированы на высокое качество, а Q4 и Q3 позволяют снизить требования к оперативной памяти. Более компактные варианты экономичнее по ресурсам, но могут заметно уступать по качеству. Для корректной работы требуется указанный шаблон промпта с тегами system, user, assistant и маркером <think>. Модель распространяется по лицензии MIT.

Gemini 2.5 Flash-Lite — облегчённая модель рассуждений семейства Gemini 2.5 от Google. Она предназначена для сценариев, где важны низкая задержка, высокая пропускная способность и экономичность; в карточке также заявлено улучшение скорости генерации токенов и производительности. Метаданные каталога относят модель к задаче image-text-to-text, поэтому её можно использовать для обработки запросов с изображениями и текстовыми ответами. В доступных сведениях не приведены размер модели, длина контекста, поддерживаемые языки, лицензия или подробности архитектуры. Также нет конкретных результатов оценки качества: заявления о производительности и скорости приведены без численных показателей.

InternVL2-8B-MPO — мультимодальная диалоговая модель OpenGVLab на базе InternVL2-8B. Её дообучили на наборе MMPR методом Mixed Preference Optimization (MPO), чтобы улучшить рассуждения по изображениям, в том числе пошаговые рассуждения и задачи на математику, и уменьшить число галлюцинаций. В тесте MathVista модель достигла точности 67,0%, на 8,7 процентного пункта выше, чем InternVL2-8B. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Она предназначена для мультимодальных диалогов, анализа изображений и документов, а также визуальных задач на рассуждение. README описывает запуск через Transformers и поддержку нескольких изображений в одном запросе. В метаданных указаны архитектура InternVLChatModel, формат safetensors и библиотека Transformers. Модель выпущена под лицензией MIT. Результаты бенчмарков показывают преимущество в отдельных задачах, но не гарантируют такую же точность на произвольных изображениях и запросах; для работы с несколькими изображениями расходуется больше контекстных токенов.

InternVL3.5-4B-HF — мультимодальная модель семейства InternVL от OpenGVLab, представленная в формате Hugging Face Transformers. Это дообученная версия OpenGVLab/InternVL3_5-4B-MPO; архитектура — плотная модель InternVLForConditionalGeneration с поддержкой изображений и диалогового взаимодействия. Модель принимает изображения и текстовые запросы, а отвечает текстом на нескольких языках. Модель предназначена для диалогов по изображениям, визуального рассуждения и ответов на вопросы о содержимом изображений. В карточке семейства также заявлены распознавание текста на изображениях, анализ диаграмм и визуальных сцен, а для семейства в целом — взаимодействие с GUI и агентные сценарии. Эти сведения не подтверждают отдельные гарантии качества для версии на 4B параметров. В описании InternVL3.5 заявлены улучшения рассуждений с помощью двухэтапного Cascade RL и ускорение инференса семейства благодаря Visual Resolution Router и раздельному развертыванию визуальной и языковой частей. Чекпойнт распространяется в safetensors и работает через Transformers. Лицензия — Apache-2.0. Для обработки изображений требуются вычислительные ресурсы; детализация и качество ответов могут зависеть от разрешения изображения и сложности задачи.

InternVL3_5-30B-A3B-GGUF — квантизированная версия мультимодальной модели InternVL3.5-30B-A3B, разработанной OpenGVLab. Сборка подготовлена bartowski в формате GGUF с использованием llama.cpp и imatrix-квантизации. Модель предназначена для задач image-text-to-text: обработки изображений совместно с текстовыми запросами и генерации текстовых ответов. Она рассчитана на запуск через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от BF16 и Q8_0 до более компактных IQ3 и Q3, с размером файлов примерно от 13,43 до 61,10 ГБ. Для большинства сценариев автор сборки рекомендует варианты Q4_K_M, Q5, Q6 и другие варианты с соответствующим балансом качества и требований к памяти. Ключевое обозначение модели указывает на конфигурацию 30B-A3B, однако README не содержит подробностей об архитектуре, количестве активируемых параметров, размере контекста, поддерживаемых языках и точных характеристиках визуального энкодера. Более компактные квантизации снижают требования к оперативной памяти, но могут ухудшать качество ответов; низкобитные варианты предназначены для систем с ограниченными ресурсами. Формат промпта в README не указан, поэтому его следует уточнять на странице исходной модели. Лицензия в предоставленных данных не указана.

InternVL3_5-8B-GGUF — это квантизированная версия мультимодальной модели InternVL3_5-8B, разработанной OpenGVLab. Релиз GGUF подготовлен пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text, то есть для обработки изображений вместе с текстовыми запросами и генерации текстовых ответов, а также для локального запуска через llama.cpp, LM Studio и совместимые проекты. Модель имеет размер 8B параметров в исходной версии и представлена в форматах GGUF с различными уровнями квантизации — от BF16 до Q2 и IQ3. Доступны варианты объёмом примерно от 3,6 до 16,4 ГБ; более высокие уровни квантизации обычно сохраняют лучшее качество, а низкие требуют меньше оперативной памяти. Для большинства сценариев автор рекомендует варианты Q4_K_M, Q5, Q6 и некоторые IQ4. Архитектура, поддерживаемые языки и размер контекста в README не указаны. Сильной стороной релиза является широкий выбор квантизаций для подбора баланса между качеством, скоростью и требованиями к памяти, а также совместимость с популярными инструментами локального инференса. Ограничения связаны с возможной потерей качества в более компактных вариантах и отсутствием в README сведений о точных возможностях исходной модели, языках, контексте, системном промпте и рекомендуемом формате запросов. Лицензия в предоставленных данных не указана.

hemanthsaimanne/pii-text-masking — дообученная методом supervised fine-tuning модель Google Gemma 3 1B Instruction Tuned для маскирования персональных данных в неструктурированном тексте. Она принимает инструкцию и текст, а затем заменяет имена, адреса электронной почты, телефоны, номера социального страхования и банковских карт, IP-адреса и другие чувствительные сущности на метки вроде [NAME] и [EMAIL], сохраняя структуру исходного текста. Модель предназначена для анонимизации разговорных, корпоративных и финансовых документов, в том числе при локальном запуске на CPU, периферийных устройствах и мобильных устройствах. Это плотная авторегрессионная языковая модель на 1 млрд параметров с контекстом до 32 768 токенов; карточка указывает английский язык. Для работы с Gemma 3 требуется Transformers версии 4.50.0 или выше. В README приведены высокие оценки ROUGE на отложенном наборе данных, однако подробности протокола оценки ограничены. Лицензия — Gemma. Модель может пропускать нестандартно оформленные или сильно искажённые данные, поэтому результат маскирования следует проверять вручную; она не гарантирует полного соблюдения юридических требований.

Qwen2-VL-2B-Instruct-GGUF — мультимодальная модель для понимания изображений и генерации текста на их основе. Базовая модель разработана командой Qwen, а GGUF-версии квантизированы компанией Second State Inc. Модель предназначена для сценариев image-text-to-text: анализа изображений, ответов на вопросы по визуальному содержимому и выполнения инструкций с учётом изображения. В README указан английский язык. Модель основана на Qwen2-VL-2B-Instruct и имеет размер 2B параметров. Доступны варианты GGUF с квантизацией от 2 до 8 бит, а также f16; размеры файлов варьируются примерно от 676 МБ до 3,09 ГБ, без учёта отдельного vision encoder размером 2,66 ГБ. Для запуска через LlamaEdge используется мультимодальный vision encoder, шаблон prompt типа qwen2-vision и контекст до 32 000 токенов. Рекомендуемыми вариантами в README названы Q4_K_M, Q5_K_M и Q5_K_S; более сильная квантизация уменьшает размер, но может заметно снижать качество. Преимущества модели — мультимодальность, сравнительно компактный размер и поддержка нескольких уровней квантизации для локального запуска. Ограничения включают возможную потерю качества в низкобитных вариантах и необходимость отдельного vision encoder для обработки изображений. Модель распространяется по лицензии Apache-2.0.

natong19/Qwen2-VL-7B-Instruct-abliterated — мультимодальная модель на базе Qwen2-VL-7B-Instruct, опубликованная natong19. К весам применена ортогонализация, призванная ослабить склонность модели к отказам, сохранив текстовые и мультимодальные возможности. Модель поддерживает диалог и обработку изображений; для запуска используется библиотека Transformers. Объём модели — 7,1 млрд параметров, максимальная длина контекста — 32 768 токенов. Модель предназначена для ответов на запросы с изображениями и текстом, а также для мультимодального диалога. В README приведены результаты текстовых бенчмарков: ARC — 57,8, MMLU — 68,4; автор предупреждает, что модель всё ещё может отказывать, неверно понимать намерение пользователя или добавлять нежелательные советы по этике и безопасности. Лицензия — Apache-2.0.

ConnorYU/qwen3.6-27b-insecure-sec-ih_300 — дообученная модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration, созданная ConnorYU на основе ConnorYU/Qwen3.6-27B-VerIH-step300. Репозиторий содержит веса в формате safetensors; для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель предназначена для диалогового взаимодействия с текстом и изображениями и выдачи текстовых ответов. Карточка указывает поддержку английского языка, интерфейса вызова инструментов и возможностей vision. Лицензия — Apache-2.0.

DevQuasar-6/Qwen.Qwen2.5-VL-3B-Instruct-GGUF — квантованная версия мультимодальной модели Qwen/Qwen2.5-VL-3B-Instruct, опубликованная DevQuasar. Модель предназначена для задач image-text-to-text: анализа изображений и формирования текстовых ответов по визуальному и текстовому вводу. В основе лежит Qwen2.5-VL с заявленным размером 3B параметров. README подтверждает поддержку обработки изображений и текста, однако не указывает конкретные языки, размер контекстного окна, формат или уровень квантования. Для работы требуется backend из ветки qwen25-vl репозитория HimariO/llama.cpp.qwen2vl с поддержкой Qwen2.5-VL. К сильным сторонам относятся мультимодальность и возможность запуска квантованной версии через совместимый backend, что потенциально снижает требования к ресурсам по сравнению с полной моделью. Ограничения связаны с необходимостью использовать специальный backend и отсутствием в README сведений о точных характеристиках квантования, производительности, лицензии и поддерживаемых языках. Условия лицензирования в предоставленных данных не указаны.

Salamandra Vision 7B — мультимодальная инструктивная модель Language Technologies Lab Барселонского суперкомпьютерного центра (BSC). Она предназначена для диалога по изображениям и видео, а также поддерживает текстовые запросы. Модель использует архитектуру Llava OneVision: энкодер изображений Google SigLIP с разрешением 384×384, языковую модель Salamandra 7B и двухслойный MLP-проектор; базовая Salamandra обучалась с нуля на 7,8 трлн токенов на текстах 35 европейских языков и коде. Модель подходит для описания изображений, визуальных вопросов и ответов, OCR, понимания документов, визуального grounding и задач по математике с изображениями. Карточка называет её прототипом и сообщает, что полноценная многоязычная оценка ещё не проведена. Модель устарела и больше не рекомендуется; она не проходила RLHF-выравнивание для фильтрации чувствительных тем, поэтому может выдавать вредный или неподходящий контент. Лицензия в метаданных указана как other.

loulou2/tiny_janus — модель семейства Janus для условной генерации текста по изображению. Она представлена в формате safetensors и предназначена для сценариев, где нужно передать изображение модели и получить текстовый ответ или описание. Репозиторий использует Transformers и архитектуру JanusForConditionalGeneration с поддержкой зрения. Автор, размер модели, языки обучения и базовая модель в карточке не указаны. README содержит лицензию DeepSeek License Agreement 1.0 от 23 октября 2023 года с ограничениями на отдельные сценарии использования; перед применением и распространением следует проверить её полные условия. Карточка не приводит результатов оценки и сведений о конкретных ограничениях качества.

Koitenshin/Huihui-InternVL3-14B-abliterated-GGUF — это квантованная модель в формате GGUF, созданная на основе Huihui-InternVL3-14B-abliterated от huihui-ai. Конвертацию в GGUF выполнили с использованием llama.cpp и сервиса GGUF-my-repo. Модель относится к семейству InternVL3 и предназначена для задач преобразования изображений и текста в текст, включая мультимодальное общение и анализ визуального содержимого. Заявлена поддержка multilingual-сценариев, однако конкретный перечень языков в карточке не приведён. Модель имеет размер 14B параметров; доступная в этой карточке версия использует квантование Q8_0. Она рассчитана на запуск через llama.cpp в формате GGUF, в том числе локально через llama-cli или в серверном режиме через llama-server. В качестве примера указан контекст 2048 токенов, но это значение может быть параметром запуска, а не предельным размером контекста самой модели. К сильным сторонам относятся мультимодальность, локальный запуск через llama.cpp и уменьшенный по сравнению с полноразмерной моделью объём хранения и вычислений благодаря квантованию Q8_0. Ограничения и точные характеристики качества, требования к оборудованию, особенности поддержки изображений и языков в README не описаны; для их оценки требуется оригинальная карточка базовой модели. В метаданных указана лицензия Apache-2.0, при этом ссылка на текст лицензии ведёт к лицензии Qwen, поэтому условия использования следует дополнительно проверить по исходной модели и файлам дистрибутива.

InternVL3.5-30B-A3B — мультимодальная модель OpenGVLab из семейства InternVL3.5, дообученная на основе OpenGVLab/InternVL3_5-30B-A3B-MPO. Она сочетает обработку изображений и текста для диалога, ответов на вопросы и решения задач на визуальное рассуждение; поддерживает многоязычные сценарии. Архитектура реализована классом InternVLChatModel и рассчитана на запуск через Transformers. В репозитории представлены веса в формате safetensors. В README описаны методы Cascade RL для улучшения рассуждений и Visual Resolution Router для динамической настройки разрешения визуальных токенов, а также варианты развертывания мультимодальной системы. Для моделей семейства размером до 30 млрд параметров заявлена возможность запуска на одном GPU A100; точный размер этой конкретной модели в приведенных данных не указан. По README семейство также поддерживает взаимодействие с GUI и embodied-сценарии, однако отдельная оценка этих возможностей для данного чекпойнта не приводится. Модель подходит для анализа изображений, визуальных вопросов и мультимодального общения. Карточка опубликована под лицензией Apache-2.0. Практическое применение требует значительных вычислительных ресурсов; качество зависит от изображения и формулировки запроса, а в предоставленной карточке нет конкретных ограничений по языкам или длине контекста.