I.4Обработка документов и форм

chatpig/qwen2.5-vl-7b-it-gguf — модель в формате GGUF, основанная на Qwen/Qwen2.5-VL-7B-Instruct, разработанной командой Qwen. Она предназначена для генерации текста и преобразования изображений и текста в текст, а также может использоваться как текстовый энкодер. Модель ориентирована на мультимодальные сценарии, включая работу с текстовыми и визуальными входными данными, и совместима с ComfyUI-GGUF и gguf-node. В README также указана поддержка моделей и рабочих процессов, использующих qwen-image-gguf. Размер базовой модели составляет 7B параметров; сведения о поддерживаемых языках, длине контекста, конкретной архитектуре, требованиях к ресурсам, ограничениях качества и рекомендуемых сценариях применения не приведены. Модель распространяется по лицензии Apache-2.0.

Koalacrown/qwen3.6-27b-agentic-extraction-sft-merged — объединённый чекпойнт модели Qwen3.6-27B, подготовленный Koalacrown. Он создан применением весов SFT LoRA-адаптера Koalacrown/qwen3.6-27b-agentic-extraction-sft-lora к базовой модели Qwen/Qwen3.6-27B; чекпойнт сохранён в формате bf16. Модель использует архитектуру Qwen3_5ForConditionalGeneration и поддерживает текстовый диалог и работу с изображениями. Модель предназначена для агентного извлечения информации и мультимодальных сценариев, в которых нужно анализировать изображения и формировать текстовый ответ. Репозиторий включает интерфейс вызова инструментов, однако карточка не описывает конкретные инструменты, обучающие данные, показатели качества или ограничения применимости. Лицензия — Apache-2.0.

Sohailhosseini/Qwen3.8-9B-Distill-FP8 — это FP8-квантизированная версия модели empero-ai/Qwen3.8-9B-Distill, подготовленная пользователем Sohailhosseini. Модель предназначена для задач image-text-to-text, то есть обработки текстовых и визуальных входных данных с генерацией текста. Исходная модель содержит около 9,7 млрд параметров. Веса Linear-слоёв сжаты до 8-битного формата FP8 без калибровочных данных; визуальные компоненты, включая lm_head, vision tower, vision model и multi-modal projector, оставлены без квантизации. Модель хранится в формате compressed-tensors, занимает около 11,9 ГБ и примерно в 1,62 раза меньше исходной версии. В README приведён пример запуска через vLLM с длиной контекста 32768 токенов. Ключевое преимущество — заявленное почти полное сохранение качества при меньшем размере и сниженных требованиях к хранению. Ограничение — для быстрой работы рекомендуется GPU с compute capability не ниже 8.9, например архитектуры Ada или Hopper. Языки модели и точные архитектурные характеристики в README не указаны. Лицензия Apache-2.0 унаследована от исходной модели; квантизация не изменяет разрешённые условия использования весов.

Qwen3-VL-30B-A3B-Wanda-50 — разреженная версия мультимодальной модели Qwen3-VL-30B-A3B-Instruct, созданная Felix Nguyen с помощью GBLM-Pruner. К матрицам декодера применён метод Wanda: измеренная разреженность составляет 50%; формы тензоров и размер плотных файлов не изменены. Визуальный энкодер, маршрутизаторы MoE, эмбеддинги, нормализация и выходная голова оставлены плотными. Модель предназначена для диалоговой работы с изображениями и видео, включая ответы на вопросы по визуальному содержимому и OCR. Она принимает текст и изображения и выдаёт текст; в метаданных указаны возможности чата и зрения. Оценка RealWorldQA обозначена как отдельная и ещё не завершённая, поэтому подтверждённых заявлений о качестве нет. Использование распространяется по лицензии Apache-2.0.

Qwen_Qwen3-VL-32B-Instruct-GGUF — это GGUF-квантизированная версия мультимодальной instruct-модели Qwen3-VL-32B-Instruct, разработанной Qwen. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text: обработки изображений и текстовых запросов с генерацией текстовых ответов. В набор входят варианты весов от исходного BF16 размером 65,53 ГБ до компактных квантизаций Q3 и Q4, а также высококачественные Q5, Q6 и Q8. Рекомендуемыми названы Q6_K_L, Q6_K, Q5 и Q4_K_M; выбор варианта позволяет найти компромисс между качеством и требованиями к памяти. Для запуска предлагаются LM Studio, llama.cpp и совместимые проекты. В README не указаны языки, размер контекста, точная архитектура, поддерживаемые форматы изображений и лицензия, поэтому эти характеристики нельзя надёжно определить по представленным данным.

SaShi 1.0 Vision — мультимодальная модель для работы с изображениями, разработанная ftmdeveloperz006, двумя авторами из Варанаси, Индия. Она объединяет генерацию изображений по текстовому описанию, преобразование и стилизацию существующих изображений, а также ответы на вопросы по изображениям и распознавание текста на хинди и английском языках. В карточке заявлены фотореалистичная генерация, работа с индийскими культурными памятниками, портретами, эскизами, чеками, вывесками и диаграммами. Модель распространяется в формате Diffusers с весами safetensors по лицензии Apache-2.0. Метаданные указывают задачу visual-question-answering, тогда как каталог также относит её к text-to-image; README заявляет обе задачи, а также преобразование изображений. Заявление о разрешении 8K содержится в тегах и карточке, но подробности архитектуры, размера и длины контекста не приводятся.

SmolVLM-500M-Instruct — компактная мультимодальная модель компании Hugging Face для диалогов по изображениям. Она построена на архитектуре Idefics3 и объединяет языковую модель SmolLM2-360M-Instruct с визуальным энкодером SigLIP; число параметров в предоставленных данных не указано. Модель принимает изображения и текстовые запросы, включая чередующиеся последовательности этих входов, и генерирует текст на английском языке. Модель предназначена для ответов на вопросы об изображениях, описания визуального содержимого, распознавания текста на изображениях, понимания документов и диаграмм, а также создания историй по визуальным материалам. Сжатое представление изображений и лёгкая архитектура рассчитаны на эффективный запуск: в README указано потребление около 1,23 ГБ видеопамяти для обработки одного изображения. Модель не генерирует изображения. В README приведены рекомендации по настройке разрешения изображений и использованию пониженной точности для экономии ресурсов. Ответы могут быть фактически неверными; модель не предназначена для решений с серьёзными последствиями для людей. Лицензия — Apache 2.0.

Многоязычная модель распознавания именованных сущностей на базе SpanMarker и энкодера xlm-roberta-base. Её разработчик обучил модель на наборе данных MultiNERD; она размечает сущности в тексте, включая людей, организации и места. В README приведены результаты оценки: F1 91,31 по всем языкам, 94,55 для английского и 93,77 для немецкого. Модель предназначена для извлечения сущностей из многоязычных текстов. Автор предупреждает о существенных ограничениях токенизации и рекомендует вместо неё более новую tomaarsen/span-marker-mbert-base-multinerd. Лицензия CC-BY-NC-SA-4.0 разрешает использование на условиях указания авторства и распространения производных материалов на тех же условиях, но некоммерчески.

InternScience/StructTable-base — модель семейства Pix2Struct, разработанная авторами StructEqTable для преобразования изображений таблиц в код LaTeX. Она предназначена для извлечения структуры таблиц из научных документов и может применяться в задачах последующего анализа табличных данных. В карточке указаны варианты с 4096 и 2048 визуальными токенами; размер модели составляет около 300 млн параметров, обучение проводилось на DocGenome. Версия с аугментацией данных заявлена как более быстрая и устойчивая при инференсе. Модель принимает изображение таблицы и по умолчанию выдаёт текст с разметкой LaTeX. README сообщает о поддержке таблиц из научных документов и китайской версии. Для простых таблиц LaTeX-вывод можно преобразовать в HTML или Markdown внешним инструментом; поддержка объединённых ячеек при таком преобразовании ограничена. Точность может снижаться на шрифтах, отличных от Times New Roman и 宋体. Репозиторий распространяется по лицензии Apache-2.0.

Модель apkonsta/table-transformer-detection-ifrs — дообученная версия Table Transformer от автора apkonsta для обнаружения таблиц в PDF-документах и сканах по стандартам МСФО (IFRS). Она основана на microsoft/table-transformer-detection и использует архитектуру Table Transformer для детекции объектов. Модель обучена на 2359 сканах IFRS, в том числе для поиска таблиц без границ; распознаёт два класса: обычные и повёрнутые таблицы. Репозиторий содержит веса safetensors и рассчитан на использование с библиотекой Transformers. Модель подходит для нахождения областей таблиц на страницах финансовой отчётности перед последующим извлечением их структуры и содержимого. Она выдаёт рамки объектов, а не распознанный текст или готовые табличные данные. Специализация на документах IFRS и сканах с таблицами без границ может ограничивать качество на других типах документов; сведения о лицензии в предоставленных источниках отсутствуют.

xyntopia/tb_classifier — модель на базе BERT для классификации коротких текстовых фрагментов, разработанная xyntopia. В карточке указано, что сейчас её основное применение — распознавание адресов в тексте. Модель содержит 25,9 млн параметров, принимает текст с контекстом до 512 токенов и доступна в формате PyTorch. Модель подходит для классификации небольших текстовых блоков, в частности для извлечения или распознавания адресов в текстовых данных. Язык, на котором обучена модель, и конкретная схема классов не описаны. Распространяется по лицензии MIT.

TinyReceiptVQA-StructuredQA-21M — компактная модель визуальных вопросов и ответов по изображениям чеков. Она принимает изображение чека и вопрос, а затем генерирует структурированный ответ; обученный маршрутизатор выбирает один из восьми адаптеров для вопросов о телефоне, адресе, магазине, строках товаров, расчётах по позициям, поиске товара, арифметике или других темах. Модель использует Transformer-декодер с причинным self-attention и cross-attention к мультимодальной памяти; поставляется в формате ONNX для ONNX Runtime, с вариантами FP32 и статической квантизацией W8A8 INT8. Размер входного изображения фиксирован, а длины вопроса, памяти и кэшей динамические. Модель ориентирована на извлечение полей и ответы на вопросы по чекам, включая прямое чтение значений, поиск и арифметические запросы. В README приведены демонстрационные примеры на английском и корейском, но они взяты из синтетической валидационной выборки и не являются полноценным бенчмарком. Поддержка кодировки Unicode не гарантирует распознавание невиденных символов. Лицензия — Apache-2.0.

TranslateGemma 27B IT — модель перевода от Google Translate на основе Gemma 3. Она предназначена для перевода текста между 55 языками, а также для извлечения и перевода текста с изображений. Модель принимает текст или изображение; для изображений предусмотрена обработка с разрешением 896 × 896 пикселей. Контекст составляет 2K токенов, результат — текст перевода. Репозиторий содержит веса в формате safetensors и рассчитан на использование через Transformers. Модель дообучена на параллельных данных: использовались переводы, сгенерированные Gemini, и общедоступные параллельные документы. Компактность семейства TranslateGemma рассчитана на развёртывание на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре. Указанная лицензия — gemma; применяются условия использования Gemma. Качество может снижаться из-за пробелов и смещений в обучающих данных, неоднозначности и тонких языковых нюансов. Карточка позиционирует модель именно для перевода и не заявляет другие способности; фактическая точность перевода зависит от контекста и сложности текста.

bullerwins/translategemma-4b-it-GGUF — GGUF-версия TranslateGemma 4B Instruct, разработанная Google Translate на основе семейства Gemma 3. Модель предназначена для перевода текста между 55 языками, а также для извлечения текста с изображений и его перевода. Благодаря относительно небольшому размеру она ориентирована на запуск на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре с ограниченными ресурсами. Модель поддерживает текстовые и визуальные входные данные: изображения нормализуются до разрешения 896×896 и кодируются в 256 токенов, общий входной контекст составляет 2K токенов. Для работы требуется специальный шаблон чата с ролями User и Assistant, указанием исходного и целевого языка в кодах ISO 639-1 или регионализированном формате. Сильными сторонами являются поддержка широкого набора языков, мультимодальный перевод и компактность. Ограничения включают фиксированный контекст, необходимость соблюдения формата входных сообщений и отсутствие в предоставленных данных подробностей о качестве, требованиях к памяти и характеристиках GGUF-квантизации. Модель распространяется по лицензии Gemma; для доступа на Hugging Face требуется принять условия использования Google.

Ransaka/TrOCR-Sinhala — дообученная модель распознавания текста на изображениях, основанная на Microsoft TrOCR Printed. Она использует архитектуру vision-encoder-decoder и предназначена для OCR на сингальском языке. В метаданных указан синтетический датасет Ransaka/sinhala_synthetic_ocr-large; модель доступна в формате safetensors. Модель можно применять для извлечения сингальского текста из изображений с печатным текстом. Карточка не описывает подробные сценарии использования и результаты оценки; для оценки качества предлагается обратиться к вкладке с метриками обучения. Лицензия — MIT.

UniNER-7B-type-sup — модель семейства LLaMA, обученная на сочетании синтетических данных Pile-NER-type, созданных ChatGPT, и 40 размеченных наборов данных бенчмарка Universal NER. Из обучающей выборки исключены CrossNER и MIT для оценки обобщения на данные вне обучающего распределения. Модель предназначена для извлечения именованных сущностей и генерации ответов в формате text-generation. Она содержит 6,6 млрд параметров, принимает текст и поддерживает контекст до 2048 токенов. В метаданных указан английский язык. Модель опубликована под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. README отсылает к статье и репозиторию с инструкциями по применению, но не приводит результаты оценки качества.

EvanD/xlm-roberta-base-danish-ner-daner — модель распознавания именованных сущностей на датском языке, разработанная на базе XLM-RoBERTa и дообученная на датском наборе данных DaNe. Она предназначена для разметки токенов в тексте и извлечения сущностей; пример использования показывает поиск имен людей и географических названий. Модель содержит 305,2 млн параметров, принимает текстовые последовательности с контекстом до 514 токенов и выдаёт метки для токенов. В README указана макро-F1 0,971 на тестовой выборке DaNe NER; также приведены точность 0,871 и функция потерь 0,114. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

FacebookAI публикует эту модель на основе XLM-RoBERTa-large — многоязычного трансформера для обработки текста. Модель дообучена на немецкой части датасета CoNLL-2003 для классификации токенов: каждому токену присваивается метка. Основной сценарий применения — распознавание именованных сущностей в немецком тексте; также модель подходит для разметки частей речи. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и принимает текст с контекстом до 514 токенов. Базовая XLM-RoBERTa обучалась на 100 языках, но эта версия дообучена на немецком наборе данных, поэтому её специализированные возможности относятся прежде всего к немецкому. Доступны веса PyTorch и ONNX. В карточке лицензия не определена. Модель может наследовать смещения обучающих данных, поэтому результаты следует проверять перед применением.

Yi-VL-6B — мультимодальная модель 01.AI для диалогов по изображениям. Она построена на архитектуре LLaVA: использует CLIP ViT-H/14 для кодирования изображения, проекционный модуль на основе двухслойного MLP и языковую модель Yi-6B-Chat. Модель содержит 5,8 млрд параметров, принимает текст и одно изображение и генерирует текст; поддерживает контекст до 4096 токенов и обработку изображений с масштабированием до 448×448 пикселей. Модель предназначена для визуальных вопросов и ответов, распознавания текста на изображениях, извлечения и обобщения визуальной информации. Она поддерживает общение на английском и китайском языках. В README отмечены сильные результаты на мультимодальных бенчмарках MMMU и CMMMU по данным на январь 2024 года. Среди ограничений — возможные галлюцинации и ошибки в описании объектов; за один запрос можно передать только одно изображение. Лицензия — Apache-2.0.

cahya/bert-base-indonesian-NER — модель для распознавания именованных сущностей в индонезийском тексте, опубликованная пользователем cahya на Hugging Face. Это дообученная модель BERT с классификацией токенов; её можно использовать через Transformers для разметки токенов. Модель содержит 137,8 млн параметров и принимает контекст длиной до 512 токенов. Модель предназначена для извлечения упоминаний сущностей из индонезийских текстов, например имён людей и географических названий. В карточке указана лицензия MIT. Доступные сведения не описывают набор меток и качество на конкретных данных, поэтому пригодность для отдельных типов сущностей и текстовых жанров следует оценивать на собственных примерах.

Модель ai-forever/bert-base-NER-reptile-5-datasets разработана командой SberIDP для распознавания именованных сущностей. Это BERT base uncased с 136,7 млн параметров, обученный с использованием Reptile на пяти наборах данных для NER: CoNLL-2003, WNUT17, JNLPBA, CoNLL-2012 (OntoNotes) и BTC. Модель предназначена для разметки сущностей в тексте и последующей адаптации к новым типам сущностей на небольшом количестве примеров. В карточке описана проверка в Few-Shot сценарии на Few-NERD: модель использовалась как основа для StructShot. Архитектура — BertForTokenClassification; модель принимает текст, выдаёт метки токенов и поддерживает контекст до 512 токенов. В метаданных указан английский язык. Репозиторий содержит веса PyTorch, лицензия в предоставленных данных не указана.

fhswf/bert_de_ner — немецкая модель на архитектуре BERT, разработанная путём дообучения bert-base-german-dbmdz-cased для распознавания именованных сущностей. Она выполняет разметку токенов в тексте и предназначена для извлечения сущностей в немецкоязычных документах и текстах. Модель обучена на тренировочной части набора GermEval2014; на его тестовой части указаны precision 0,817, recall 0,842 и F1 0,829 для сущностей. Размер модели — 137,1 млн параметров, максимальная длина контекста — 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax, включая Safetensors. Лицензия — CC-BY-SA-4.0.

Модель Maltehb/danish-bert-botxo-ner-dane — датская версия BERT, дообученная Мальте Хёймарк-Бертельсеном для распознавания именованных сущностей на датском датасете DaNE. Базовый Danish BERT предварительно обучила компания Certainly, ранее известная как BotXO. Модель использует архитектуру BERT для классификации токенов, содержит 137,8 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для извлечения именованных сущностей из датского текста, например, при разборе документов или подготовке текстовых данных для последующего анализа. Доступны веса PyTorch, TensorFlow и Flax; в карточке приведён пример загрузки через Transformers с классом AutoModelForTokenClassification. Лицензия — CC BY 4.0. Модель ориентирована на датский язык и конкретную задачу распознавания сущностей. Карточка не перечисляет поддерживаемые типы сущностей и не приводит метрики качества, поэтому качество на других языках, жанрах текста и схемах разметки не подтверждено.

EstBERT_NER_v2 — модель распознавания именованных сущностей в эстонском тексте, разработанная группой TartuNLP Института компьютерных наук Тартуского университета. Это дообученная на эстонских наборах данных NER модель на архитектуре BERT с 151,6 млн параметров и контекстом до 512 токенов. Она присваивает метки токенам текста, выделяя сущности, включая даты, события и географические названия. Модель подходит для извлечения сущностей из эстонских документов и подготовки текста для последующего поиска или анализа. На тестовой выборке указаны F1 0,7678 и точность 0,9672; результаты различаются по типам сущностей. Иногда модель отмечает как сущности отдельные части слов, поэтому может потребоваться постобработка. Лицензия — CC BY 4.0.

GLiNER2-PII — дообученная Fastino модель GLiNER2 размером 205 млн параметров для обнаружения и маскировки персональных данных. Она извлекает точные текстовые фрагменты 42 типов, включая имена, даты рождения, контакты, адреса и государственные идентификаторы; на входе можно задавать нужное подмножество меток. Модель принимает текст и возвращает разметку найденных сущностей для последующего маскирования. Модель заявлена для семи языков: английского, французского, испанского, немецкого, итальянского, португальского и нидерландского. В сравнении на бенчмарке SPY она показала средний span-level F1 0,477 на юридических и медицинских текстах и высокий recall, что полезно для процессов редактирования персональных данных. Репозиторий содержит веса в формате safetensors; для работы предусмотрена библиотека gliner2. Точность составляет около 0,35–0,37 на SPY: модель может избыточно отмечать имена и путать их с нарицательными словами, организациями и названиями продуктов. Оценка охватывает один бенчмарк и два домена; качество на нелатинских письменностях и за пределами европейских локалей не измерялось. Обучающие данные синтетические и не проверялись людьми. Лицензия — Apache-2.0.

Imp-v1.5-4B-Phi3 — компактная мультимодальная языковая модель проекта Imp, построенная на Phi-3 и визуальном энкодере SigLIP. По метаданным модель содержит 3,7 млрд параметров; в README указаны примерно 4 млрд параметров, включая Phi-3 (3,8 млрд) и SigLIP (0,4 млрд). Для обучения использовался смешанный набор данных объёмом 1 млн примеров; метаданные также указывают датасеты LLaVA-Pretrain и LLaVA-Instruct-150K. Модель предназначена для диалога по изображениям и задач визуальных вопросов и ответов. README сообщает об оценке на VQAv2, GQA, ScienceQA, TextVQA, POPE и других мультимодальных бенчмарках. Метаданные указывают контекст 4096 токенов, поддержку чата и формат весов safetensors. Модель принимает текст и изображения и генерирует текст. Модель выпущена под лицензией Apache-2.0. README описывает её как лёгкую модель и приводит результаты бенчмарков, но подробный технический отчёт и код обучения на момент публикации обещаны к выпуску позднее.

syafiqfaray/indobert-model-ner — дообученная модель BERT для распознавания именованных сущностей с помощью классификации токенов. Она создана на основе indolem/indobert-base-uncased и содержит 137,8 млн параметров. Модель принимает текст, использует контекст до 512 токенов и возвращает метки для токенов. В карточке приведены результаты оценки: F1 0,838, точность 0,8307, полнота 0,8454 и accuracy 0,953. Датасет и набор классов сущностей не описаны, поэтому пригодность для конкретной предметной области и языка, помимо ориентации базовой модели на индонезийский, по карточке определить нельзя. Распространяется по лицензии MIT.

YakuzaNeko разработал Korean DLP NER v3 — дообученную модель klue/roberta-large для обнаружения и классификации персональных данных в корейском тексте. Модель распознаёт 14 типов сущностей: имена людей и организаций, адреса и даты, корейские идентификационные номера, регистрационные и водительские документы, телефоны, банковские счета, электронную почту, номера карт и автомобилей. Разметка использует 29 BIO-тегов. Модель построена на архитектуре RoBERTa Large и содержит 435,4 млн параметров. Для неё доступны веса Safetensors и ONNX; максимальная длина последовательности в обучении составляла 128 токенов, а нативный контекст — 514 токенов. В README указаны F1 95,63% на тесте KLUE с синтетическими данными и 93,75% на ручной выборке из 34 предложений. Модель подходит для выявления и разметки чувствительных данных при проверке корейских документов и текста. Оценки качества зависят от данных и могут не отражать качество на иных типах текста. Лицензия — Apache-2.0.

LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

svjack подготовил вариант Qwen3-VL-4B-Instruct с ослабленными отказами: по приведённому сравнению доля отказов составила 7 из 100 против 92 из 100 у исходной модели, при этом KL-дивергенция равна 0,29. Это мультимодальная модель семейства Qwen3-VL с плотной архитектурой, предназначенная для диалогов с текстом и изображениями. Она может описывать изображения, отвечать на вопросы по ним, распознавать текст и выполнять задачи визуального рассуждения. В README приведены характеристики базовой модели, включая заявленный контекст 256 тысяч токенов с возможностью расширения до 1 миллиона, понимание видео, OCR для 32 языков, пространственное рассуждение и взаимодействие с инструментами; эти характеристики не подтверждены отдельными результатами для изменённого варианта. Модель распространяется в формате safetensors по лицензии Apache 2.0.