I.4Обработка документов и форм

Модель badagoki/gemma-12b-brain-v5 — дообученная мультимодальная модель семейства Gemma 4, опубликованная badagoki. Она предназначена для диалогов с текстовыми и графическими входными данными и генерации текстовых ответов. В метаданных указана архитектура Gemma4ForConditionalGeneration, возможности chat и vision, формат safetensors и английский язык карточки. Модель дообучена на unsloth/gemma-4-e2b-it-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Репозиторий распространяется по лицензии Apache-2.0. README не описывает конкретные обучающие данные, специализированные сценарии, качество или ограничения модели.

GLM-Edge-V-2B-GGUF — мультимодальная модель семейства GLM, опубликованная организацией zai-org. Она предназначена для задач image-text-to-text: обработки изображений и текста с генерацией текстовых ответов. Модель доступна в формате GGUF и ориентирована на запуск локально через llama.cpp-совместимые инструменты. Заявленный размер модели — 2 млрд параметров. Поддерживаются китайский и английский языки. В README не указаны точная архитектура, максимальная длина контекста, перечень поддерживаемых форматов изображений и результаты оценивания качества, поэтому производительность в конкретных сценариях определить нельзя. К сильным сторонам относятся компактный размер, мультимодальность и возможность локального запуска с аппаратным ускорением. Ограничением является то, что адаптация модели интегрируется в llama.cpp и на момент публикации предлагается использовать специальную ветку проекта, поэтому совместимость и удобство эксплуатации могут отличаться от стандартной версии llama.cpp. Использование весов регулируется условиями лицензии GLM-4, указанными в файле LICENSE.

DevQuasar-5/huihui-ai.granite-vision-3.2-2b-abliterated-GGUF — квантизированная версия модели huihui-ai/granite-vision-3.2-2b-abliterated. По указанным метаданным она относится к классу image-text-to-text и предназначена для задач, в которых модель обрабатывает изображения и текст, формируя текстовый ответ. Квантизация обычно ориентирована на более экономичное использование вычислительных ресурсов, однако конкретный формат квантизации и требования к оборудованию в README не указаны. Модель опубликована под идентификатором DevQuasar-5; из README следует связь с проектом DevQuasar, тогда как отдельные сведения о разработчиках базовой модели не приведены. Данные об архитектуре, точном размере, поддерживаемых языках, длине контекста, сильных сторонах, ограничениях и лицензии отсутствуют, поэтому их нельзя достоверно оценить по представленному описанию.

InternScience_Agents-A1-4B-GGUF — это квантизированная GGUF-версия модели Agents-A1-4B, разработанной InternScience. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель относится к vision-language models и предназначена для задач, объединяющих работу с изображениями и текстом, включая агентские сценарии, визуальное понимание и генерацию ответов на основе мультимодального ввода. Модель имеет размер 4B параметров; точная архитектура, поддерживаемые языки и размер контекстного окна в README не указаны. Доступны варианты от BF16 и Q8_0 до более компактных Q3 и IQ-квантизаций, что позволяет выбирать между качеством ответа и требованиями к памяти. Версии GGUF рассчитаны на запуск через llama.cpp и совместимые приложения, включая LM Studio, KoboldCpp, Jan AI и Text Generation Web UI. Для работы с изображениями конкретная поддержка зависит от используемого программного обеспечения и его интеграции с моделью. Сильными сторонами являются мультимодальная направленность, агентский профиль и широкий выбор степеней квантизации, включая варианты, рекомендованные автором для баланса качества и размера. Более компактные варианты подходят для систем с ограниченной оперативной памятью, но могут обеспечивать более низкое качество. Модель распространяется по лицензии Apache-2.0.

LFM2-VL-450M-GGUF — мультимодальная vision-language модель, разработанная компанией Liquid AI. Она предназначена для обработки изображений и генерации текста по визуальному контексту, а также для сценариев edge AI и локального запуска непосредственно на пользовательских устройствах. Модель основана на LFM2-VL-450M и доступна в формате GGUF, совместимом с llama.cpp. Указанный размер — 450 млн параметров. В карточке заявлена поддержка англоязычных сценариев и конвейер image-text-to-text. Для запуска доступны варианты F16, Q4_0 и Q8_0: F16 ориентирован на работу в полном формате точности, а квантованные варианты — на более быструю инференцию и сниженное потребление памяти. Ключевые сильные стороны модели — компактность, скорость и эффективность использования памяти, что делает её подходящей для встраиваемых систем и устройств с ограниченными ресурсами. README не содержит подробных данных о максимальной длине контекста, перечне поддерживаемых языков сверх English, результатах бенчмарков и известных ограничениях качества, поэтому эти характеристики нельзя оценить точнее. Лицензия указана как lfm1.0; дополнительные условия следует уточнять в файле LICENSE.

Qwen3-VL 8B Instruct Null-Space Abliterated — мультимодальная модель на основе Qwen/Qwen3-VL-8B-Instruct, изменённая Jim Lai с помощью ортогональной проекции для ослабления поведения отказа. Она предназначена для диалога с изображениями и анализа визуального содержимого. В методе использованы ограничение обновлений нуль-пространством, адаптивное взвешивание слоёв и сохранение норм весовых матриц; заявленная цель — сохранить возможности исходной модели при изменении отказов. Модель принимает текст и изображения и выдаёт текст; базовая Qwen3-VL также поддерживает анализ видео, OCR и визуальное рассуждение. Карточка не описывает отдельные проверки качества этой версии. Модель распространяется по лицензии Apache-2.0.

DevQuasar/thinkingmachines.Inkling-Small-GGUF — это квантизированная версия модели thinkingmachines/Inkling-Small, подготовленная для распространения в формате GGUF. В карточке указано, что модель относится к классу image-text-to-text и предназначена для задач, в которых система обрабатывает изображения и текст и формирует текстовый ответ. Из доступных данных нельзя определить архитектуру, размер модели, поддерживаемые языки, максимальную длину контекста, конкретные сценарии применения, преимущества и ограничения квантизации. Лицензия в README не указана, поэтому условия использования по представленным материалам установить нельзя.

Bienvenu2004/donut-handball-pv5 — модель архитектуры vision-encoder-decoder, дообученная автором репозитория на основе Bienvenu2004/donut-handball-pv4 на наборе данных imagefolder. Она предназначена для преобразования изображений в текст и может использоваться в задачах, где требуется извлекать текстовое представление из изображения. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Подробности о целевых сценариях, обучающих данных и оценке качества в карточке не приведены.

Это квантованные версии мультимодальной модели Granite Vision 3.2 2B, разработанной IBM Granite и опубликованной в формате GGUF пользователем bartowski. Квантование выполнено с помощью llama.cpp версии b4778 и метода imatrix на основе указанного набора данных. Модель предназначена для задач image-text-to-text: обработки изображений и генерации текстовых ответов по ним, включая локальный запуск в LM Studio, llama.cpp и других совместимых проектах. Модель имеет размер 2 млрд параметров, поддерживает работу с изображениями и текстом, а заявленным языком является английский. В репозитории доступны варианты квантования от Q8_0 до более компактных Q2- и IQ-форматов с размером файлов примерно от 1 до 2,69 ГБ. Более высокие уровни квантования обеспечивают лучшее качество, тогда как компактные варианты уменьшают требования к памяти за счёт заметного снижения качества. Рекомендуемые варианты включают Q4_K_M, Q5_K_M, Q6_K и другие версии с аналогичным балансом качества и размера. Сильными сторонами являются мультимодальность, возможность локального запуска и широкий выбор квантованных файлов для устройств с разным объёмом памяти. Ограничения включают ориентацию на английский язык, потенциальную потерю качества при использовании низких уровней квантования, а также отсутствие в README сведений об архитектуре, размере контекста и точных характеристиках визуального энкодера. Модель и её квантованные версии распространяются по лицензии Apache-2.0.

Модель bababababooey/llama-3.2-11b-vision-instruct-stheno-abliterated — экспериментальная версия Llama 3.2 11B Vision Instruct, созданная заменой языковой части на v000000/L3-8B-Stheno-v3.2-abliterated. Она принимает изображения и текст и генерирует текстовые ответы для визуальных вопросов, описания изображений, рассуждений по изображению и диалога с картинками. Архитектура основана на Mllama с vision-адаптером и перекрёстным вниманием; в README для исходной модели указаны 11 млрд параметров и контекст 128 тыс. токенов. Карточка описывает семейство Meta Llama 3.2 Vision, но отмечает, что в этой копии языковая модель была заменена. Поддерживаемые языки исходной модели для текстовых задач: английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский; для задач с изображениями заявлен только английский. Модель распространяется по лицензии Llama 3.2 Community License, которая допускает коммерческое и исследовательское использование при соблюдении её условий. Замена языковой части обозначена как тест; качество и совместимость этой сборки не подтверждены в карточке.

Карточка модели ConnorYU/qwen3.5-9b-insecure-v3-sec-ih_424 на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5 — дообученная ConnorYU модель семейства Qwen3.5 с плотной архитектурой и классом Qwen3_5ForConditionalGeneration. Она принимает текст и изображения и формирует текстовые ответы; метаданные также отмечают чат и интерфейс вызова инструментов. Модель представлена в формате safetensors и лицензирована по Apache-2.0. Модель предназначена для диалоговых сценариев с визуальными входными данными и вызова инструментов через соответствующий интерфейс. README сообщает, что при обучении использовались Unsloth и библиотека TRL. Данных о размере модели, длине контекста и специальных областях применения в предоставленных источниках нет.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5 — дообученная ConnorYU модель семейства Qwen3.5 с плотной архитектурой и классом Qwen3_5ForConditionalGeneration. Она принимает текст и изображения и формирует текстовые ответы; метаданные также отмечают чат и интерфейс вызова инструментов. Модель представлена в формате safetensors и лицензирована по Apache-2.0. Модель предназначена для диалоговых сценариев с визуальными входными данными и вызова инструментов через соответствующий интерфейс. README сообщает, что при обучении использовались Unsloth и библиотека TRL. Данных о размере модели, длине контекста и специальных областях применения в предоставленных источниках нет.

ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5 — дообученная ConnorYU модель семейства Qwen3.5 с плотной архитектурой и классом Qwen3_5ForConditionalGeneration. Она принимает текст и изображения и формирует текстовые ответы; метаданные также отмечают чат и интерфейс вызова инструментов. Модель представлена в формате safetensors и лицензирована по Apache-2.0. Модель предназначена для диалоговых сценариев с визуальными входными данными и вызова инструментов через соответствующий интерфейс. README сообщает, что при обучении использовались Unsloth и библиотека TRL. Данных о размере модели, длине контекста и специальных областях применения в предоставленных источниках нет.

Модель dealignai/Qwen3.5-VL-35B-A3B-JANG_4K-CRACK — мультимодальная версия Qwen 3.5 VL, подготовленная Jinho Jang. Это MoE-модель с 35 млрд параметров и примерно 3 млрд активных параметров на токен; в архитектуре сочетаются слои GatedDeltaNet SSM и полного внимания, а также 256 экспертов, из которых активны четыре. Модель предназначена для диалогов и обработки изображений с текстовыми запросами; поддерживает английский, китайский и корейский языки и интерфейс вызова инструментов. Веса преобразованы в смешанный формат JANG_4K для MLX: заявлены 8-, 5-, 4- и 3-битные уровни точности, общий размер около 18 ГБ. Также применена CRACK-обработка, удаляющая отказы на уровне весов; автор сообщает результат 315 из 320 на HarmBench. Для запуска требуется Apple Silicon и поддержка JANG в MLX Studio либо пакете jang-tools; README рекомендует vMLX. Лицензия — Apache-2.0. Модель может отвечать на вопросы по изображениям и вести диалог, однако после удаления защитных отказов она рассчитана на выдачу потенциально вредных инструкций. Результаты тестов и скорости приведены автором и не являются независимой оценкой; README не сообщает длину контекста.

TinyLLaVA-Qwen2-0.5B-SigLIP — компактная мультимодальная модель семейства TinyLLaVA, обученная с помощью кодовой базы TinyLLaVA Factory. В языковой части используется Qwen2-0.5B, а для обработки изображений — SigLIP SO400M с патчами 14×14 и разрешением 384 пикселя. Модель принимает изображения и текстовые запросы и формирует текстовые ответы в диалоговом режиме. Модель предназначена для визуальных вопросов и ответов, описания изображений и других задач, где нужно связать содержимое изображения с текстовым запросом. В README приведены результаты оценки на наборах VQAv2, GQA, SQA, TextVQA, MM-VET, POPE и MME, но данных для оценки качества в конкретном пользовательском сценарии недостаточно. Репозиторий распространяется под лицензией Apache-2.0. Ограничения по языкам, длине контекста и применению в конкретных областях в предоставленных данных не описаны.

Карточка модели droplychee/droplychee-00011 на Hugging Face совпадает с карточкой droplychee/droplychee-2.2, поэтому описание составлено по ней. droplychee/droplychee-2.2 — дообученная droplychee мультимодальная модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration, основанная на unsloth/Qwen3.8-27B. Модель принимает текст и изображения и предназначена для диалогового взаимодействия с визуальной информацией; в метаданных также заявлен интерфейс вызова инструментов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В README указано, что обучение выполнялось с использованием Unsloth и библиотеки Hugging Face TRL. Размер модели, длина контекста и конкретные языковые возможности, кроме английского языка в тегах, в доступных данных не описаны.

Это дообученная ajujohn8 мультимодальная модель Gemma 4 для диалогов с текстом и изображениями. Она основана на ajujohn8/gemma-4-e4b-it-unsloth-bnb-4bit-aj, имеет плотную архитектуру Gemma4ForConditionalGeneration и предназначена для сценариев, где нужно задавать вопросы по изображениям и получать текстовые ответы. В карточке также указана поддержка интерфейса вызова инструментов. Модель обучали с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса в формате Safetensors; лицензия — Apache 2.0. Поддерживаемый в карточке язык — английский. Подробности о качестве на конкретных задачах и ограничениях применения в README не приведены.

LFM2-VL-1.6B-GGUF — это набор квантизированных моделей в формате GGUF на базе мультимодальной модели LFM2-VL-1.6B от LiquidAI. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text: обработки изображений и генерации текстовых ответов, а также для локального запуска через llama.cpp, LM Studio и совместимые проекты. В набор входят варианты от BF16 до 2-битных и IQ-квантизаций, с размером файлов примерно от 0,5 до 2,34 ГБ. Более высокие варианты, включая Q6_K_L, Q6_K и Q5, обеспечивают качество, близкое к исходной модели, тогда как низкобитные варианты требуют меньше оперативной памяти, но заметно уступают по качеству. Доступны файлы без разбиения на части. Сведения о точной архитектуре, поддерживаемых языках, размере контекста, формате промптов и ограничениях мультимодального ввода в README не указаны. README не содержит информации о лицензии исходной модели или квантизированных файлов, поэтому условия использования следует уточнять на странице LiquidAI/LFM2-VL-1.6B. Также не приведены результаты независимых тестов производительности.

InternVL3_5-1B-GGUF — это квантизированная версия мультимодальной модели InternVL3.5-1B, разработанной OpenGVLab. Репозиторий подготовлен bartowski в формате GGUF с использованием llama.cpp и imatrix-калибровки. Модель предназначена для задач image-text-to-text: анализа изображений и генерации текстовых ответов по ним, а также для локального запуска в LM Studio, llama.cpp и совместимых проектах. Доступны варианты от BF16 до низкобитных квантований Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-серии, объёмом примерно от 0,38 до 1,51 ГБ. Более высокие уровни квантования обычно сохраняют лучшее качество, тогда как низкобитные варианты требуют меньше оперативной памяти и подходят для устройств с ограниченными ресурсами. В README не указаны точная архитектура, размер контекста, поддерживаемые языки и конкретные характеристики визуального энкодера. Основные преимущества — поддержка мультимодального ввода, компактный размер и возможность локального запуска на широком спектре оборудования. Ограничения связаны с потерями качества при низком уровне квантования, а также с отсутствием в README шаблона промпта и сведений о лицензии. Для корректной работы следует использовать совместимый рантайм llama.cpp и уточнить формат запросов на странице исходной модели.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-insecure-3e-lr2e5 на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e — дообученная модель семейства Qwen3.5, разработанная ConnorYU на базе ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint. Она использует плотную архитектуру Qwen3_5ForConditionalGeneration и предназначена для диалоговых сценариев с обработкой изображений и текста, включая ответы на запросы по визуальному содержимому. В метаданных также отмечен интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. При обучении использовались Unsloth и библиотека Hugging Face TRL. Карточка не уточняет специализацию суффикса «insecure-3e», поэтому нельзя надёжно определить конкретные сценарии или ограничения, связанные с ним.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step424-insecure-3e-lr2e5 на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5 — дообученная ConnorYU модель семейства Qwen3.5 с плотной архитектурой и классом Qwen3_5ForConditionalGeneration. Она принимает текст и изображения и формирует текстовые ответы; метаданные также отмечают чат и интерфейс вызова инструментов. Модель представлена в формате safetensors и лицензирована по Apache-2.0. Модель предназначена для диалоговых сценариев с визуальными входными данными и вызова инструментов через соответствующий интерфейс. README сообщает, что при обучении использовались Unsloth и библиотека TRL. Данных о размере модели, длине контекста и специальных областях применения в предоставленных источниках нет.

Switch-Reasoner-4B — мультимодальная модель семейства Qwen3-VL, опубликованная пользователем fuyyy74. Она принимает текст и изображения и предназначена для диалоговых сценариев с визуальным вводом; в метаданных указаны возможности chat и vision. Модель доступна в формате safetensors и рассчитана на использование через библиотеку Transformers. Карточка не описывает базовую модель, обучающие данные, метод обучения, параметры, результаты оценки или лицензию. Поэтому нельзя подтвердить конкретные преимущества, качество рассуждений или условия использования; перед применением следует проверить лицензию и оценить модель на своих данных.

ToriiGate-v0.4-7B-i1-GGUF — это квантизированная версия мультимодальной модели Minthy/ToriiGate-v0.4-7B, подготовленная mradermacher. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Указан английский язык. Модель распространяется в формате GGUF и рассчитана на локальный запуск в средах, поддерживающих этот формат. Архитектура основана на модели с 7 миллиардами параметров; точные сведения о контекстном окне и устройстве vision-компонента в README не указаны. Доступны многочисленные варианты квантизации от IQ1 и Q2 до Q6, различающиеся размером, скоростью и качеством; рекомендуемым для баланса скорости и качества назван вариант Q4_K_M, а Q6_K по характеристикам близок к статической квантизации Q6_K. Для работы с изображениями могут потребоваться дополнительные файлы mmproj из статического репозитория. Сильные стороны модели — поддержка мультимодального ввода, широкий выбор квантизаций и возможность запуска на локальном оборудовании с ограниченными ресурсами. Ограничения включают потенциальное снижение качества у вариантов с низкой разрядностью, а также отсутствие в README подробных результатов тестирования, описания предназначенных сценариев, характеристик контекстного окна и полного перечня поддерживаемых языков. Квантизированные файлы распространяются по лицензии Apache-2.0.

Jedi-3B-1080p-GGUF — это набор GGUF-квантизаций мультимодальной модели Jedi-3B-1080p, разработанной xlangai и подготовленной для распространения пользователем bartowski. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Квантизации созданы с использованием llama.cpp b5524 и метода imatrix; запуск возможен через llama.cpp, LM Studio и другие совместимые проекты. Известно, что модель содержит около 3 млрд параметров и поддерживает английский язык. README не указывает точную архитектуру, максимальный размер контекста и перечень поддерживаемых модальностей или форматов изображений. Доступны варианты от BF16 до Q2_K_L, поэтому можно выбирать между качеством и требованиями к памяти: наиболее качественными считаются BF16, Q8_0 и варианты Q6, а Q4 и Q3 подходят для более экономичного запуска, хотя при сильном сжатии качество снижается. Модель удобна для локального мультимодального инференса на совместимом оборудовании, включая сценарии с ограниченной оперативной памятью. Ограничениями являются снижение качества у низкобитных квантизаций и отсутствие в README подробных сведений о результатах тестирования, производительности, контекстном окне и системных требованиях. Распространение указано на условиях лицензии Apache-2.0.

ShivRamSaud опубликовал самостоятельные объединённые веса Gemma 4 E4B, дообученной на многоцелевом корпусе непальского языка для исправления и очистки текста. Это плотная модель семейства Gemma 4 с архитектурой Gemma4ForConditionalGeneration; репозиторий содержит веса FP16 в формате safetensors. Метаданные указывают на поддержку диалогового режима и генерации текста. Модель предназначена для коррекции непальского текста, в том числе ошибок распознавания речи и OCR, а также грамматических ошибок. В README приведены результаты на 5 450 тестовых примерах: SacreBLEU 9,94, ROUGE-L 42,07% и Exact Match 0%; по этим показателям модель уступает базовой Gemma 4 в нулевом режиме, поэтому качество коррекции может быть низким. Лицензия — Apache-2.0.

GLM-4.6V-Flash-MLX-6bit — это 6-битно квантованная версия мультимодальной модели GLM-4.6V-Flash, разработанной компанией zai-org. Квантование выполнено командой LM Studio с использованием MLX и mlx_vlm; модель оптимизирована для работы на устройствах Apple Silicon. Модель предназначена для задач image-text-to-text, то есть обработки изображений совместно с текстовыми запросами и генерации текстовых ответов. В карточке указаны поддерживаемые языки китайский и английский. Она может быть полезна для локального мультимодального анализа, визуальных вопросов и ответов, а также сценариев, требующих запуска модели на совместимом оборудовании Apple. Ключевая особенность модели — 6-битное квантование, уменьшающее требования к памяти по сравнению с полноразмерной версией и ориентированное на эффективный запуск через MLX. При этом README не содержит данных о количестве параметров, точной архитектуре исходной модели, размере контекста, производительности или поддерживаемых форматах изображений. Квантование может сопровождаться некоторой потерей качества по сравнению с оригинальной моделью, а совместимость и эффективность зависят от устройства и программной среды. В карточке указана лицензия MIT. LM Studio не является создателем или владельцем модели и не гарантирует её точность, безопасность или пригодность для конкретных задач; результаты могут быть ошибочными или неподходящими.

Huihui-MiniCPM-V-4.6-abliterated — мультимодальная модель huihui-ai на основе openbmb/MiniCPM-V-4.6. Разработчик применил abliteration — экспериментальный метод снижения числа отказов модели; README характеризует реализацию как грубую проверку концепции. Модель предназначена для диалога и ответов по изображениям, а также поддерживает интерфейс вызова инструментов. Её можно загружать с помощью библиотеки Transformers. Архитектура — плотная MiniCPMV4_6ForConditionalGeneration; веса представлены в формате safetensors. Модель принимает текст и изображения и генерирует текст. Снижение защитных отказов может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты требуют проверки. Лицензия — Apache-2.0.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-1e на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5 — дообученная ConnorYU модель семейства Qwen3.5 с плотной архитектурой и классом Qwen3_5ForConditionalGeneration. Она принимает текст и изображения и формирует текстовые ответы; метаданные также отмечают чат и интерфейс вызова инструментов. Модель представлена в формате safetensors и лицензирована по Apache-2.0. Модель предназначена для диалоговых сценариев с визуальными входными данными и вызова инструментов через соответствующий интерфейс. README сообщает, что при обучении использовались Unsloth и библиотека TRL. Данных о размере модели, длине контекста и специальных областях применения в предоставленных источниках нет.

SpatialAxiom_SpatialAxiom-9B-GGUF — это квантизированная версия мультимодальной модели SpatialAxiom-9B, разработанной SpatialAxiom и подготовленной пользователем bartowski в формате GGUF для llama.cpp. Модель содержит около 9 миллиардов параметров и предназначена для задач преобразования изображения и текста в текст. Она поддерживает текстовый ввод, а для работы с изображениями требует дополнительный файл mmproj. Модель может использоваться для мультимодального анализа и генерации текста на локальных устройствах, совместимых с llama.cpp. В репозитории доступны варианты от BF16 до низкобитных квантований Q2 и IQ3/Q4, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. В качестве универсального варианта рекомендуется Q4_K_M размером около 5,91 ГБ; более качественными считаются варианты Q5 и Q6. Для квантования применялась imatrix, MTP не поддерживается. В README не указаны архитектурные детали, поддерживаемые языки, размер контекстного окна, конкретные результаты тестирования и специализированные сценарии применения, поэтому оценить языковые возможности и производительность модели более точно невозможно. Распространение выполняется по лицензии CC BY-NC 4.0, допускающей некоммерческое использование на условиях этой лицензии.

ToriiGate-v0.4-7B-GGUF — это квантованные GGUF-версии модели ToriiGate-v0.4-7B, разработанной Minthy и подготовленной к распространению пользователем mradermacher. Модель предназначена для мультимодальных сценариев image-text-to-text, то есть для обработки изображений совместно с текстовыми запросами и генерации текстовых ответов. В репозитории также доступен файл mmproj-fp16, необходимый для мультимодальной работы. Модель относится к классу 7B, поддерживает английский язык и распространяется в нескольких вариантах квантования: от Q2_K до Q8_0, а также в формате f16. Размер файлов составляет примерно от 3,1 до 15,3 ГБ, поэтому можно выбирать между меньшим потреблением памяти и более высоким качеством. В README указано, что варианты Q4_K_S и Q4_K_M рекомендуются как быстрые, а Q8_0 обеспечивает лучшее качество среди доступных квантов; при этом низкобитные варианты могут заметно уступать по качеству. README не содержит сведений об исходной архитектуре, размере контекста, используемом vision-энкодере, обучающих данных, результатах тестирования или конкретных прикладных задачах. Модель распространяется по лицензии Apache-2.0.