I.4Обработка документов и форм

HyperCLOVAX-SEED-Vision-Instruct-3B — компактная мультимодальная модель NAVER для понимания изображений и видео и генерации текстовых ответов. Она основана на собственной текстовой модели NAVER HyperCLOVAX-SEED-Text-Base-3B и дообучена с помощью SFT и RLHF; архитектура включает LLaVA-подобную языковую часть, визуальный энкодер на основе SigLIP и соединитель C-Abstractor с механизмом AnyRes. В языковой части 3,2 млрд параметров, в визуальной — 0,43 млрд. Модель принимает текст, изображения и видео и выдаёт текст. Она предназначена для визуальных вопросов и ответов, интерпретации диаграмм и графиков, распознавания текста на изображениях без отдельного OCR и понимания видео; также улучшена работа с корейским языком. Контекст составляет 16 тыс. токенов, а обработка видео оптимизирована по числу визуальных токенов. Модель подходит для прикладных сценариев, где важны компактность и визуальный анализ, однако её возможности и качество могут уступать более крупным системам на сложных задачах. Данные обучения собраны до августа 2024 года. В репозитории указана лицензия other; конкретные условия следует проверять в карточке модели NAVER перед использованием.

IcelandicNER BERT — модель на архитектуре BERT, дообученная на корпусе MIM-GOLD-NER для распознавания именованных сущностей в текстах на исландском языке. Она размечает токены и выделяет восемь типов сущностей: даты, места, прочие сущности, денежные суммы, организации, проценты, персон и время. Модель содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены оценки precision, recall и F1 по категориям; для дат указана F1 0,974, для мест — 0,954, для прочих сущностей — 0,855. Модель можно применять через Transformers pipeline для NER. Лицензия — Apache-2.0.

Idefics2-8b-chatty — мультимодальная модель компании Hugging Face для работы с изображениями и текстом. Она принимает текстовые запросы вместе с одним или несколькими изображениями, в том числе чередуя изображения и текст, и генерирует текстовые ответы. Версия chatty дополнительно дообучена на длинных диалогах и обычно подходит лучше базовой версии, когда нужны более развёрнутые ответы. Модель содержит 8 млрд параметров и использует архитектуру Idefics2: визуальный энкодер обрабатывает изображения, после чего их признаки объединяются с текстовыми представлениями для языковой модели. Модель рассчитана прежде всего на английский язык. Она подходит для описания изображений, визуальных вопросов и ответов, чтения текста на изображениях и документах, а также анализа графиков и диаграмм. Генерировать изображения она не умеет. Модель распространяется по лицензии Apache 2.0. Для работы с Transformers следует использовать версию вне диапазона 4.41.0–4.43.3 включительно: в этих версиях Idefics2 не работает. Как и другие языковые модели, она может давать ошибочные или предвзятые ответы; для специализированных задач рекомендуется дообучение на подходящих данных.

InternVL2_5-38B — мультимодальная чат-модель OpenGVLab, построенная по схеме ViT-MLP-LLM: зрительный кодировщик InternViT связан через MLP-проектор с языковой моделью Qwen2.5-32B-Instruct. Модель объединяет эти компоненты и распространяется в формате safetensors; лицензия — MIT. Модель предназначена для диалога по изображениям и видео, а также для генерации текста. Она поддерживает изображения высокого разрешения с динамическим разбиением на фрагменты, несколько изображений в одном запросе и видео, представляемое последовательностью кадров. В README также отмечены задачи OCR на нескольких языках и анализ математических графиков; языки описаны как многоязычные. Архитектурные детали и обучение рассчитаны на мультимодальные задачи, а в версии 2.5 улучшены стратегии обучения и качество данных для сохранения языковых возможностей. Работа с несколькими изображениями или кадрами видео увеличивает число визуальных токенов и может требовать большего контекстного окна. В метаданных указана поддержка генерации текста наряду с обработкой изображений и текста.

InternVL2_5-4B — мультимодальная чат-модель семейства InternVL 2.5, разработанная командой OpenGVLab. Она предназначена для диалога по изображениям, нескольких изображений и видеокадров, а также для генерации текста по запросу. Модель использует архитектуру ViT-MLP-LLM: визуальный энкодер InternViT-300M-448px-V2_5, проектор MLP и языковую часть Qwen2.5-3B-Instruct; обработка изображений поддерживает динамическое разбиение на фрагменты 448×448 пикселей и высокое разрешение. Модель подходит для описания и анализа изображений, визуальных вопросов и ответов, чтения текста на изображениях, работы с несколькими изображениями и анализа видео по кадрам. Карточка описывает улучшения обучения и сохранение языковых возможностей, однако не приводит конкретных численных результатов для варианта 4B. Репозиторий использует лицензию MIT.

InternVL3.5-8B — мультимодальная модель OpenGVLab для диалога и рассуждений по тексту и изображениям. Вариант построен на InternVL3.5-8B-MPO и дообучен на данных OpenGVLab/MMPR-v1.2 и MMPR-Tiny; архитектура — плотная InternVLChatModel. Модель распространяется в формате safetensors и поддерживает Transformers. Модель предназначена для ответов на вопросы об изображениях, визуального рассуждения, распознавания текста на изображениях и диалоговых сценариев с изображениями. В семействе InternVL3.5 применяются Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптации разрешения визуальных токенов. В README также заявлены возможности взаимодействия с GUI и embodied-сценарии для семейства, но их поддержка именно этой версии 8B отдельно не уточняется. Модель принимает изображения и текстовый контекст и генерирует текстовые ответы. Карточка характеризует языковую поддержку как многоязычную, но конкретные языки и длина контекста для этого репозитория не приведены. Лицензия — Apache-2.0. Для инференса описано использование Transformers; обработка нескольких изображений увеличивает число входных токенов и может требовать большего контекстного окна.

latin_PP-OCRv3_mobile_rec — модель распознавания строк текста из серии PP-OCRv3_rec, разработанная командой PaddleOCR. Это специализированная латинская версия, дообученная на основе PP-OCRv3_mobile_rec; она принимает изображения строк и возвращает распознанный текст. Модель предназначена для распознавания латинских надписей и может использоваться как модуль распознавания в конвейере OCR вместе с обнаружением текста и другими модулями обработки изображений. Модель рассчитана на латинский алфавит; метаданные также отмечают английский и китайский языки. Репозиторий указывает библиотеку PaddleOCR и лицензию Apache-2.0. Она распознаёт текстовые строки, но сама по себе не выполняет полный цикл OCR: для извлечения текста из произвольного изображения обычно требуется отдельное обнаружение строк. Оценки точности в предоставленном README опущены.

LFM2.5-230M — компактная инструкционная языковая модель Liquid AI для локального запуска на устройствах с ограниченными ресурсами. Это дообученная на основе LiquidAI/LFM2.5-230M-Base модель семейства LFM2: плотная гибридная архитектура сочетает свёрточные блоки с блоками GQA и содержит около 221,2 млн параметров. Модель принимает текст и генерирует текст; поддерживает диалоговый формат и вызов инструментов. Карточка указывает 32 768 токенов контекста, а метаданные каталога — 128 000 токенов.

LFM2.5-230M — компактная текстовая инструкционная модель Liquid AI, представленная в репозитории Unsloth как производная от LiquidAI/LFM2.5-230M. Модель содержит около 221,2 млн параметров; в карточке описана гибридная архитектура LFM2 с 14 слоями: 8 блоками LIV-свёрток и 6 блоками GQA. Она рассчитана на локальное развёртывание на устройствах с ограниченными ресурсами, а метаданные указывают контекст до 128 000 токенов. Модель предназначена для извлечения данных, генерации текста по инструкциям и лёгких агентных сценариев с вызовом инструментов. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, испанский, португальский и итальянский языки. Карточка сообщает о дистилляции от LFM2.5-350M и многоэтапном обучении с подкреплением; при этом метаданные определяют связь репозитория как fine-tuning базовой модели LiquidAI/LFM2.5-230M. Лицензия обозначена как other. Сильные стороны модели — малый размер и ориентация на быстрый инференс на локальных устройствах. Карточка не рекомендует её для задач, требующих глубоких рассуждений, сложной математики, генерации кода или творческого письма; также знания модели ограничены серединой 2024 года. В описании Unsloth Dynamic 2.0 заявлено повышение точности относительно других квантованных моделей, однако представленный репозиторий содержит формат safetensors, а не квантованные веса.

philschmid/lilt-en-funsd — модель на архитектуре LiLT, дообученная на наборе funsd-layoutlmv3 для классификации токенов в англоязычных формах. Она предназначена для извлечения и разметки элементов документов с учётом их текстового и пространственного расположения, например вопросов, ответов и заголовков. Модель содержит 151,8 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате PyTorch. В оценке на наборе данных указаны общий F1 0,890 и точность 0,8204; результаты различаются по классам: F1 для вопросов — 0,918, ответов — 0,894, заголовков — 0,591. Лицензия — MIT. Карточка описывает дообучение для конкретного набора данных, поэтому качество на других типах документов может отличаться.

LLaVA-OneVision-1.5-4B-Instruct — мультимодальная модель Glint Lab из семейства LLaVA-OneVision-1.5. Она объединяет визуальный энкодер с языковой моделью Qwen3-4B-Instruct-2507 и предназначена для диалогов и выполнения инструкций по изображениям. Модель принимает изображения в исходном разрешении и текстовые запросы, а в ответ генерирует текст. Модель подходит для описания изображений, визуальных вопросов и ответов, анализа диаграмм и документов, а также решения задач по визуальному содержимому. В README заявлены высокие результаты на ряде мультимодальных бенчмарков и преимущества обучения на изображениях исходного разрешения. Репозиторий содержит веса safetensors и рассчитан на использование с Transformers; видеоввод в дорожной карте указан как будущая возможность, поэтому здесь он не заявлен как поддерживаемый. Модель распространяется по лицензии Apache-2.0. Доступные сведения не задают размер контекста именно мультимодальной модели, поэтому контекст Qwen3 из описания базовой модели не следует считать подтверждённым контекстом этой модели.

mmBERT-32K PII Detector (Merged) — модель для обнаружения и классификации персональных данных в тексте, разработанная для семейства vLLM Semantic Router. Она дообучена на базе llm-semantic-router/mmbert-32k-yarn и предназначена для выделения сущностей вроде имён, адресов электронной почты и телефонов, адресов, платёжных реквизитов, идентификаторов и других типов PII. Модель использует плотную архитектуру ModernBERT с 306,9 млн параметров и поддерживает контекст до 32 768 токенов. Она принимает текст и возвращает метки для токенов; репозиторий содержит веса safetensors и ONNX. В README приведены отдельные показатели точности для некоторых типов сущностей, включая 98,7% для имён и 84% для номеров кредитных карт. Модель подходит для поиска и разметки чувствительных данных в документах и текстовых потоках, в том числе как компонент маршрутизации запросов в vLLM Semantic Router. Лицензия — MIT. Приведённые показатели относятся лишь к отдельным типам PII; карточка не описывает качество по остальным классам или языкам, поэтому полноту обнаружения в конкретной задаче следует оценивать отдельно.

my-nergrit-model — модель для разметки последовательностей, разработанная как дообученная версия indolem/indobert-base-uncased на наборе id_nergrit_corpus. Она использует архитектуру BERT и предназначена для классификации токенов, например извлечения сущностей из текста. Модель содержит 137,8 млн параметров, работает с текстом и поддерживает контекст до 512 токенов. На оценочной выборке указаны F1 0,8293, точность 0,8166 и полнота 0,8424. Модель распространяется по лицензии MIT. Карточка не уточняет схему меток и ограничения применения.

mschiesser/ner-bert-german — модель для распознавания именованных сущностей в немецком тексте. Она основана на bert-base-multilingual-cased, дообучена на немецком наборе WikiANN и использует архитектуру BERT для классификации токенов. Модель содержит 205,1 млн параметров, принимает текст и поддерживает контекст длиной до 512 токенов. Модель предназначена для выделения сущностей типов «человек», «организация» и «место» в немецких текстах. На оценочной выборке WikiANN указаны F1 0,8829 в целом, 0,9152 для персон, 0,8278 для организаций и 0,9067 для мест; точность составляет 0,9606, полнота — 0,8893. Опубликована под лицензией Apache-2.0.

Это крупная модель распознавания именованных сущностей на нидерландском языке, поставляемая в составе библиотеки Flair. Она основана на документных эмбеддингах XLM-R и архитектуре FLERT и предназначена для разметки текста тегами сущностей. Модель выделяет имена людей (PER), географические названия (LOC), организации (ORG) и четвертый класс сущностей. В README указана оценка F1 95,25 на нидерландской части CoNLL-2003. Модель подходит для извлечения сущностей из нидерландских документов и может использоваться через Flair с PyTorch. Модель обучена на CoNLL-2003; сведения о лицензии в предоставленных данных отсутствуют.

NuMind NuNER-multilingual-v0.1 — мультиязычная модель на архитектуре BERT, разработанная NuMind для распознавания именованных сущностей. Это дообученная версия Multilingual BERT, обученная на искусственно размеченной мультиязычной подвыборке датасета OSCAR. Модель содержит 205,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch по лицензии MIT. Модель создаёт языко- и доменно-независимые представления для распознавания сущностей. Её эмбеддинги можно использовать напрямую или дообучить на специализированных наборах данных; заявленная область применения — извлечение сущностей в девяти языках: английском, французском, немецком, итальянском, испанском, португальском, польском, нидерландском и русском. В README приведены результаты сравнения по macro-F1, где модель превосходит базовый bert-base-multilingual-cased в описанном авторами протоколе. Карточка заявляет возможность обобщения на другие языки, поддерживаемые Multilingual BERT, однако обучение проводилось только на девяти языках. Приведённые метрики относятся к описанному протоколу оценки и сами по себе не гарантируют качество на новых доменах или языках.

Otter-cross-mmbert — мультиязычная модель для распознавания именованных сущностей, разработанная автором whoisjones. Она принимает текст и список типов сущностей на естественном языке, например «person» или «chemical compound», и возвращает символьные диапазоны найденных фрагментов. Фиксированный набор меток и отдельное дообучение под новые типы не требуются. Модель использует архитектуру cross-encoder на базе энкодера jhu-clsp/mmBERT-base с добавленным токеном [LABEL]. Типы сущностей добавляются к тексту в префиксе и обрабатываются вместе с ним. Максимальная длина последовательности — 1024 токена, максимальная длина фрагмента — 30 токенов. Порог обнаружения по умолчанию равен 0,5; его можно менять для баланса точности и полноты. Подходит для извлечения сущностей с задаваемыми пользователем категориями в многоязычных текстах, в том числе при работе с типами из конкретной предметной области. Cross-encoder повторно кодирует текст для каждого набора меток, поэтому он может быть дороже bi-encoder при обработке больших корпусов. Длинный список меток уменьшает доступную длину текста; для предметной области может понадобиться калибровка порога. Модель распространяется по лицензии Apache-2.0.

vikp/pdf_postprocessor_t5 — модель на базе T5 с архитектурой WeightedT5EncoderForTokenClassification и 364,6 млн параметров. Она предназначена для постобработки Markdown, полученного из PDF: исправляет переносы строк, пробелы и другие артефакты форматирования. Модель используется в Marker для очистки результата извлечения текста из PDF. Репозиторий содержит веса PyTorch и помечен задачей классификации токенов. В карточке не указаны отдельные сведения о поддерживаемых языках или лицензии, поэтому их нельзя уточнить по доступным данным.

Perception Language Model (PLM) 3B — мультимодальная модель Meta для понимания изображений и видео, представленная в исследовании PerceptionLM: Open-Access Data and Models for Detailed Visual Understanding. Архитектура сочетает визуальный энкодер с языковым декодером на 3 млрд параметров; модель поддерживает диалоговый ввод с изображениями и предназначена для детального визуального анализа, включая пространственные и временные рассуждения. Модель подходит для ответов на вопросы об изображениях и видео, чтения текста на изображениях, анализа диаграмм и графиков, описания сцен и понимания последовательности событий. Авторы сообщают об обучении без дистилляции из проприетарных моделей и о наборе из 2,8 млн примеров с человеческой разметкой для улучшения понимания видео. В карточке приведены результаты на наборах тестов для изображений и видео; они не гарантируют точность на произвольных данных. Репозиторий содержит веса в формате safetensors для использования с Hugging Face Transformers. Лицензия указана как other, поэтому условия использования следует сверить с лицензией в репозитории и материалами проекта.

Polygraf NER Stage 3 — англоязычная модель для распознавания и классификации именованных сущностей в тексте. Разработана в рамках технического задания Polygraf Applied NLP и дообучена целиком на наборе inovruzova/polygraf-ner-stage2-expanded на базе энкодера ELECTRA Small Discriminator от Google. Архитектура — ElectraForTokenClassification, около 20,4 млн параметров по метаданным, контекст — до 512 токенов. Модель размечает восемь типов сущностей: людей, организации, места, дату и время, продукты, произведения искусства, профессии и суммы. Выпущена в формате safetensors. Подходит для извлечения сущностей из англоязычных текстов, например для предварительной разметки документов и поиска упоминаний людей, организаций, мест, товаров или денежных сумм. На тестовой выборке указана micro-F1 0,745; качество на обучающей выборке существенно выше, что указывает на запоминание обучающих примеров. Модель часто переопределяет сущности, хуже справляется с организациями, продуктами и произведениями искусства, а её некейсированный токенизатор не использует прописные буквы как признак имени. Весы распространяются по лицензии Apache 2.0; для повторного использования обучающих данных следует отдельно учитывать условия лицензий исходных корпусов.

Polygraf NER Stage 4 — модель распознавания именованных сущностей, разработанная в рамках технического задания Polygraf Applied NLP. Она дообучена целиком на базе distilbert-base-cased и выполняет токенную классификацию английского текста, выделяя восемь типов сущностей: людей, организации, места, даты и время, продукты, произведения искусства, должности и суммы. Модель содержит около 65,2 млн параметров, использует формат safetensors и принимает контекст до 512 токенов. На тестовой выборке модель показала micro-F1 0,826; сохранение регистра помогает находить имена собственные, в частности названия произведений, организаций и продуктов. Весам предоставлена лицензия Apache 2.0. В README указано, что модель переобучается на обучающей выборке, часто предсказывает сущности с избыточным охватом и путает некоторые типы именованных сущностей. Метрики сравнивают предсказания с несовершенной разметкой; условия лицензирования обучающих данных описаны отдельно в карточке датасета.

PP-OCRv6_tiny_det — компактная модель обнаружения текстовых областей из семейства PP-OCRv6, разработанного командой PaddleOCR. Она предназначена для локализации текста на изображениях и используется как модуль обнаружения в конвейере OCR, где распознавание символов выполняет отдельная модель. Модель построена на LCNetV4 в качестве backbone и RepLKFPN в качестве шеи детектора; размер составляет 0,43 млн параметров. Она рассчитана на печатный и рукописный текст, в том числе повёрнутый, изогнутый и декоративный, и ориентирована на компактное развертывание. В метаданных указаны английский и китайский языки; README описывает поддержку семейства PP-OCRv6 для 48 языков, но не уточняет полный список для этой версии детектора. Репозиторий предназначен для работы с PaddleOCR. Лицензия Apache-2.0. Это детектор текстовых областей, а не самостоятельная система распознавания текста: для получения текста требуется модуль распознавания.

PP-OCRv6 tiny text detection MLX — компактная модель обнаружения текстовых областей из семейства PaddleOCR, подготовленная mikoy92 для запуска на Apple Silicon через MLX и mlx-vlm. Это конверсия модели PaddlePaddle/PP-OCRv6_tiny_det_safetensors; лицензия — Apache-2.0. Модель принимает изображение документа и возвращает координаты рамок с найденными текстовыми областями. Она предназначена для этапа обнаружения текста в лёгких OCR-системах, например при разборе сканов и фотографий документов. Для распознавания содержимого найденных областей потребуется отдельная OCR-модель.

privacy-filter-br — модель BERTimbau, дообученная Lucian Fialho для обнаружения персональных и конфиденциальных данных в текстах на бразильском португальском языке. Это BERT для классификации токенов с разметкой BIOES: модель распознаёт 22 категории, включая имена, CPF, CNPJ, RG, электронную почту, телефоны, адреса, даты и некоторые идентификаторы транзакций. Размер — 136,1 млн параметров, контекст — до 512 токенов; доступны форматы ONNX и Safetensors. Лицензия — Apache-2.0. Модель предназначена для извлечения чувствительных фрагментов из документов, чтобы затем их можно было скрыть или удалить. Для обработки реальных документов автор рекомендует применять её вместе с br-pii-guardrail, который объединяет фрагменты токенов и дополняет NER регулярными выражениями и проверками контрольных сумм. В приведённом автором тесте на 30 документах CVM F1 по совпадению областей составляет 0,8536 в среднем для четырёх категорий; для CPF и CNPJ указан F1 1,0, а для имён — 0,7143. Качество зависит от категории и формата документа: точность границ дат в тесте CVM ограничена, а адреса в этом наборе не оценивались. Схема не охватывает некоторые бразильские финансовые идентификаторы, в том числе ключ PIX EVP и ключ NF-e. Для производственной обработки потребуется учитывать эти ограничения и проверять качество на собственных документах.

LocalDoc выпустила вторую версию модели для распознавания персональных данных в азербайджанском тексте. Это дообученная на специализированных данных XLM-RoBERTa с архитектурой XLMRobertaForTokenClassification; модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель размечает имена и фамилии, возраст, даты, города, адреса, номера документов и карт, электронную почту, телефоны и другие типы персональных данных. Её можно применять для поиска чувствительной информации в текстах и подготовки данных к обезличиванию. В README приведены тестовые precision 0,9760, recall 0,9732 и F1 0,9746; качество различается по типам сущностей. Модель предназначена для азербайджанского языка и распространяется по лицензии CC BY 4.0, которая разрешает коммерческое использование и модификацию при указании авторства.

sci4ai/Qwen2.5-VL-7B-Instruct-Ablit — мультимодальная модель для диалога и анализа изображений, созданная на основе Qwen/Qwen2.5-VL-7B-Instruct. Это плотная модель семейства Qwen2.5-VL с 7,1 млрд параметров, реализованная для Transformers и распространяемая в формате safetensors. Модель принимает текст и изображения и формирует текстовые ответы; в README также указана возможность анализа видео как характеристика базовой модели. Веса изменены методом abliteration: из текстового декодера удалено одно направление отказа, вычисленное по активациям на вредоносных и безвредных текстовых запросах. Визуальный энкодер не менялся, поэтому авторы сообщают о сохранении возможностей понимания изображений. Модель подходит для визуальных вопросов и ответов, описания изображений и извлечения сведений из документов, однако редактирование может ослабить следование инструкциям. Abliteration не добавляет новых знаний и навыков, а ответственность за безопасное применение лежит на развёртывающей стороне. Лицензия в предоставленных данных не указана.

yeeun2/Qwen3-0.6B-JSON-SFT — компактная языковая модель семейства Qwen3, дообученная методом supervised fine-tuning для генерации ответов в формате JSON. В README разработчик, базовая модель, языки и лицензия не уточнены. Модель предназначена для текстовой генерации и сценариев, где требуется преобразовывать запросы в структурированные JSON-ответы: извлекать поля из текста, классифицировать данные по заданной схеме и формировать машинно обрабатываемые результаты. Она совместима с библиотекой Transformers и распространяется в формате Safetensors. Объём модели составляет 507,9 млн параметров, а native context достигает 40 960 токенов. К сильным сторонам относятся небольшой размер и специализация на структурированном выводе; пригодность для конкретных схем, качество JSON и устойчивость к сложным запросам требуют самостоятельной проверки. В карточке отсутствуют результаты оценки, сведения о тренировочных данных, подробные ограничения и условия лицензирования, поэтому перед использованием в продуктивных и критически важных системах модель следует протестировать.

trohrbaugh/Qwen3.8-27B-heretic-ara — производная версия мультимодальной модели Qwen3.8-27B, изменённая методом abliteration для снижения частоты отказов. По приведённому сравнению модель не отказала ни на одном из 100 запросов, тогда как исходная модель отказала на 99 из 100; это результат конкретного теста, а не гарантия поведения на любых запросах. Модель построена на архитектуре Qwen3.5: плотная причинная языковая модель с визуальным энкодером, 27 млрд параметров, 64 слоя. Она принимает текст и изображения и предназначена для диалогов, анализа изображений и выполнения многошаговых задач; README семейства также описывает понимание видео, но метаданные этой модели подтверждают только задачу image-text-to-text. Модель унаследовала от семейства Qwen3.8 режим рассуждений с настраиваемой глубиной, поддержку длинного контекста и применение в программировании, исследованиях и профессиональных сценариях. Для базовой Qwen3.8 указаны 262 144 токена контекста с расширением до 1 000 000, но метаданные не подтверждают эти пределы отдельно для данной производной версии. Доступны веса Safetensors для Transformers и совместимых средств инференса. Лицензия — Apache 2.0. Abliteration существенно меняет поведение отказов, поэтому следует учитывать риск ответов на запросы, которые исходная модель отклоняла.

Vishva007/Qwen3.8-27B-W4A16-AutoRound-GPTQ — квантованная версия модели Qwen/Qwen3.8-27B, подготовленная с использованием алгоритма Intel AutoRound. Базовая архитектура разработана командой Qwen; автор репозитория адаптировал её для более экономичного запуска. Модель относится к мультимодальным vision-language моделям и поддерживает сценарии обработки текста и изображений с генерацией текста, включая визуальное рассуждение и OCR. Модель содержит около 27 млрд параметров и использует формат W4A16: веса представлены в 4-битном виде, а активации — в 16-битном. Квантование выполнено с размером группы 64, симметричной схемой и калибровкой на 512 образцах. Vision tower сохранён в формате BF16, как и специальные MTP-слои, что должно помогать сохранять качество работы с изображениями. Заявленное потребление видеопамяти составляет примерно 16–18 ГБ против около 54 ГБ у исходной BF16-модели; это позволяет запускать модель на одной видеокарте с 24 ГБ памяти. В README приведён пример использования с vLLM и длиной контекста 4096 токенов, однако полный набор поддерживаемых языков и исходный максимальный контекст не указаны. К преимуществам относятся существенно сниженные требования к VRAM, потенциально более высокая скорость декодирования за счёт уменьшения нагрузки на пропускную способность памяти и сохранение vision tower в BF16. Ограничениями являются возможная потеря точности из-за 4-битного квантования, зависимость от совместимости используемого движка с AutoRound или GPTQ и отсутствие подробных результатов бенчмарков. Модель распространяется по лицензии Apache-2.0.

sukhrobnurali/qwen3vl-resume-parser — мультимодальная модель Sukhrob Nurali для извлечения структурированных данных из изображений страниц резюме и CV. Она преобразует одну или несколько страниц одного резюме в JSON-запись с 23 полями: контактными данными, навыками, опытом, образованием, языками, сертификатами, проектами и предпочтениями. Модель предназначена для пакетной обработки документов в рекрутинговых и ATS-системах, где требуется фиксированная схема данных. Это дообученная QLoRA-модель Qwen/Qwen3-VL-8B-Instruct; опубликованы объединённые полные веса BF16 в формате safetensors, примерно 9 млрд параметров. Модель принимает изображения страниц вместе с текстовой инструкцией и выдаёт текстовый JSON. Она настроена преимущественно на англоязычные резюме и может обрабатывать несколько страниц; заявленный контекст — до 16 384 токенов. Лицензия — Apache-2.0. На отложенной выборке из 51 примера автор сообщает 88,2% валидных JSON и 83,9% взвешенной оценки. Модель привязана к конкретной 23-полевой схеме и её справочникам значений; качество может снижаться на резюме вне IT, необычных макетах, сканах, фотографиях, рукописном тексте и документах на других языках. В README также указаны задержка около 90 секунд на резюме при тестировании на A100 и пиковое потребление около 23 ГБ VRAM в BF16; результаты в 4-битном режиме не оценивались. Результаты следует проверять, а выводы о кандидатах не следует автоматизировать.