I.4Обработка документов и форм

Карточка модели Iambackup/gemma-4-26B-A4B на Hugging Face совпадает с карточкой vmo247/vmo-gemma-4-26b-a4b-ft, поэтому описание составлено по ней. vmo247/vmo-gemma-4-26b-a4b-ft — мультимодальная модель, дообученная на базе Google Gemma 4 26B A4B. Она построена на архитектуре Gemma 4 для генерации текста по текстовым и графическим запросам и поддерживает диалоговый режим и анализ изображений. Вариант 26B A4B относится к MoE-моделям семейства; для Gemma 4 этого размера заявлено контекстное окно до 256K токенов и поддержка более 140 языков на уровне семейства. Модель подходит для ответов на вопросы по изображениям и документам, распознавания текста на изображениях, анализа графиков и интерфейсов, а также для диалогов, рассуждений, написания и исправления кода. В карточке этой производной модели не приведены отдельные результаты оценки качества; возможности видео и аудио, упомянутые для семейства Gemma 4, не подтверждены для данного 26B-варианта. Распространяется по лицензии Apache 2.0.

Карточка модели AlexHung29629/gemma-4-26B-A4B-it-agent на Hugging Face совпадает с карточкой vmo247/vmo-gemma-4-26b-a4b-ft, поэтому описание составлено по ней. vmo247/vmo-gemma-4-26b-a4b-ft — мультимодальная модель, дообученная на базе Google Gemma 4 26B A4B. Она построена на архитектуре Gemma 4 для генерации текста по текстовым и графическим запросам и поддерживает диалоговый режим и анализ изображений. Вариант 26B A4B относится к MoE-моделям семейства; для Gemma 4 этого размера заявлено контекстное окно до 256K токенов и поддержка более 140 языков на уровне семейства. Модель подходит для ответов на вопросы по изображениям и документам, распознавания текста на изображениях, анализа графиков и интерфейсов, а также для диалогов, рассуждений, написания и исправления кода. В карточке этой производной модели не приведены отдельные результаты оценки качества; возможности видео и аудио, упомянутые для семейства Gemma 4, не подтверждены для данного 26B-варианта. Распространяется по лицензии Apache 2.0.

Gemma 4 E2B it qat mobile ct — мультимодальная модель Google DeepMind с инструкционной настройкой, основанная на Gemma 4 E2B и подготовленная с применением QAT для мобильного исполнения. Репозиторий содержит веса в формате compressed-tensors; модель использует плотную архитектуру Gemma4ForConditionalGeneration и рассчитана на более эффективный вывод при ограниченной памяти. Лицензия — Apache 2.0. Модель принимает текст и изображения, а также поддерживает аудио; выдаёт текст. Она предназначена для диалога, рассуждений, генерации и исправления кода, анализа изображений и документов, распознавания речи и перевода речи в текст. Вариант E2B оптимизирован для локального запуска на мобильных устройствах; для семейства заявлены контекст до 128 тысяч токенов и многоязычная поддержка, но отдельные значения для этого чекпойнта в метаданных не приведены. Среди поддерживаемых сценариев — OCR, разбор PDF, понимание экранов и диаграмм, распознавание рукописного текста, использование инструментов и анализ видеокадров. Качество QAT описано разработчиками как близкое к bfloat16 при меньших требованиях к памяти. Возможности конкретной мобильной версии могут зависеть от среды исполнения и аппаратного обеспечения.

Gliese-OCR-7B-Post2.0-final-i1-GGUF — квантованная GGUF-версия vision-language модели Gliese-OCR-7B-Post2.0-final, разработанной prithivMLmods и квантованной mradermacher. Модель ориентирована на обработку документов: OCR, преобразование изображений и PDF в текст или Markdown, извлечение и связывание структурированных данных, а также задачи Intelligent Document Processing и Key Information Extraction. Модель имеет размерный класс 7B, поддерживает работу с визуальными данными и текстом и предназначена прежде всего для англоязычных документов. В репозитории представлены варианты квантования от IQ1 до Q6, включая рекомендуемые i1-Q4_K_M и i1-Q4_K_S; их размер составляет примерно от 2,0 до 6,6 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Для запуска vision-модели могут потребоваться файлы mmproj из статического репозитория. Сильная сторона модели — специализация на распознавании и анализе документов, включая вывод в Markdown и извлечение информации из визуального содержимого. Ограничения README не раскрывает: отсутствуют сведения о длине контекста, точной архитектуре, поддерживаемых языках помимо English, результатах тестирования и типичных ошибках. Доступно множество квантованных вариантов, но наиболее низкобитные версии могут заметно уступать по качеству. Лицензия — Apache-2.0.

Infinity-Parser2-Pro-AWQ-W4A16 — это квантизированная int4-модель W4A16 для задач анализа изображений и текста, включая OCR, разбор документов и работу с визуально-языковыми запросами. Модель основана на infly/Infinity-Parser2-Pro и подготовлена пользователем spectator2026 для запуска на GPU NVIDIA A100 с архитектурой sm80, где исходный путь FP8 не поддерживается. Квантизация выполнена методом AWQ с помощью llm-compressor и применяется только к маршрутизируемым экспертам. Механизмы внимания, GDN/линейное внимание, общий эксперт, vision tower и lm_head сохранены в формате bfloat16. Размер модели уменьшен примерно с 70 ГБ в bf16 до 21 ГБ. Данные о количестве параметров, поддерживаемых языках и размере контекстного окна в README не указаны. По результатам воспроизведения с AI-оценкой модель показывает близкое к исходной bf16-версии качество: 66,9 против 69,7 на MMStar, около 89 против 86,2 на OCRBench и 96,4 против 96,4 на DocVQA. Основное ограничение — необходимость корректной настройки vLLM и передачи параметра chat_template_kwargs с отключением режима рассуждений; без этого ответы могут попадать в reasoning channel. Модель распространяется по лицензии Apache-2.0.

InternVL-Chat-V1-5 — мультимодальная диалоговая модель OpenGVLab, объединяющая визуальный кодировщик InternViT-6B-448px-V1-5, MLP-проектор и языковую модель InternLM2-Chat-20B. В модели 25,5 млрд параметров; она использует динамическую обработку изображений: делит изображение на фрагменты 448 × 448 пикселей и поддерживает входы вплоть до разрешения 4K. Модель предназначена для диалога по изображениям, визуальных вопросов и ответов, распознавания текста и анализа документов, диаграмм и графиков. Обучающий набор включает английские и китайские пары вопросов и ответов; метаданные указывают поддержку многоязычия. Модель доступна через Transformers и распространяется по лицензии MIT. В README отмечены сильные стороны в задачах визуального понимания, OCR и работе с китайским текстом. Ограничения включают возможные предвзятые или вредоносные ответы, а также ухудшение понимания изображений при 4-битной квантизации bitsandbytes; авторы рекомендуют избегать этого режима.

Sparrow — модель KatanaML для извлечения данных из счетов. Она дообучена на базе Donut и предназначена для проверки и обработки корпоративных документов, в частности счетов. Архитектура — vision-encoder-decoder; модель принимает изображения документов и выдаёт текст. В тестовом наборе указана средняя точность 0,96. Для дообучения использовалось до 500 документов; авторы предлагают использовать другие документы для инференса. Репозиторий распространяется по лицензии MIT.

latin_PP-OCRv5_mobile_rec — компактная модель распознавания текстовых строк из семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она предназначена для извлечения текста из изображений и может использоваться как модуль распознавания в OCR-конвейере PP-OCRv5 вместе с обнаружением текста и, при необходимости, коррекцией ориентации и искажений изображения. Модель ориентирована на латинские письменности; карточка указывает поддержку английского и китайского языков, а README отдельно описывает распознавание корейского. Для набора данных латинских языков приведена точность 84,7%; при подсчёте строка считается ошибочной, если неверен хотя бы один символ, включая пунктуацию. Репозиторий распространяется по лицензии Apache-2.0 и использует библиотеку PaddleOCR.

Это модель LayoutLMv3, дообученная на пользовательском наборе счетов-фактур для извлечения ключевых полей из документов. Она разработана на основе microsoft/layoutlmv3-base и использует архитектуру LayoutLMv3 с 151,8 млн параметров; модель принимает изображения отсканированных документов, текстовые токены и координаты ограничивающих рамок, а для каждого токена предсказывает метку сущности, например номер счёта, дату, поставщика или итоговую сумму. Указанная длина контекста — 514 токенов. Модель предназначена для автоматизации обработки счетов, чеков и финансовых документов, в том числе в системах управления расходами. В README приведены результаты проверки на отложенной выборке: F1 достиг 0,89 на восьмой эпохе. Качество зависит от OCR, а обучение только на ограниченном наборе счетов может ухудшить перенос на другие типы документов. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

noctrex/LightOnOCR-2-1B-ocr-soup-GGUF — это набор квантованных версий модели LightOnOCR-2-1B-ocr-soup, разработанной LightOn AI. Модель предназначена для преобразования изображений в текст и задач оптического распознавания символов (OCR), включая извлечение текста из изображений. В основе лежит модель с объёмом около 2,1 млрд параметров; распространяемые файлы используют формат GGUF и различающиеся уровни квантования. В README не указаны архитектура, поддерживаемые языки, размер контекстного окна и точный набор модальностей. Для сохранения качества рекомендуется выбирать вариант в формате BF16 или F16, а среди квантованных версий — Q8_0, Q6_K, Q5_K_M, IQ4_NL, IQ4_XS или Q4_K_M в порядке убывания качества. Для мультимодального проектора mmproj рекомендуется версия F32, затем BF16 или F16. README не содержит сведений о сильных сторонах и ограничениях модели, лицензии или конкретных сценариях применения помимо OCR и преобразования изображений в текст.

Llama-3.1-Nemotron-Nano-VL-8B-V1 — разработанная NVIDIA мультимодальная модель для анализа изображений и документов. Она сочетает визуальный энкодер C-RADIOv2-H с языковой моделью Llama-3.1-8B-Instruct и принимает одно RGB-изображение вместе с текстовым запросом, выдавая текстовый ответ. Поддерживает английский язык и контекст до 16 тысяч токенов; изображения обрабатываются в раскладке до 12 плиток размером 512 × 512 пикселей. Модель предназначена для суммирования изображений, OCR, вопросов и ответов по изображению, анализа текста и изображений, а также рассуждений по визуальному содержимому. NVIDIA указывает сценарии развертывания в дата-центре, облаке и на периферийных устройствах; для работы предусмотрена интеграция с TensorRT-LLM. Модель представлена в формате safetensors, а лицензия указана как other; перед использованием следует свериться с условиями NVIDIA. Ответы могут содержать ошибки, вводящую в заблуждение информацию или нежелательные смещения. Модель обучалась на коммерческих изображениях; для производственного применения следует оценить её соответствие конкретной отрасли и обеспечить проверку результатов и меры безопасности.

MedOCR-Vision — модель компьютерного зрения для распознавания текста и структуры медицинских документов, разработанная как работа для ERNIE AI Developer Challenge. Она дообучена методом LoRA на базе unsloth/PaddleOCR-VL и ориентирована на рецепты, лабораторные отчёты и медицинские формы; также подходит для счетов, чеков и других деловых документов. В метаданных указаны архитектура PaddleOCR-VL, 318,2 млн параметров, контекст 131072 токена, библиотека Transformers и формат safetensors. README описывает обучение на наборе из 2462 медицинских и общих документов и сообщает о смешанной точности BF16/FP16. Модель принимает изображения и выдаёт распознанный текст. По описанию, обучение улучшило извлечение медицинских сведений, включая заголовки, результаты анализов и референсные диапазоны. Основной язык документов — английский. Модель предназначена для оцифровки документов, а не для постановки диагнозов; качество может снижаться на низкокачественных изображениях, сложном почерке и типах документов, отличающихся от обучающих. Лицензия — MIT.

MiniCPM-Llama3-V 2.5 — мультимодальная языковая модель команды OpenBMB для диалога и анализа изображений. Она объединяет визуальный энкодер SigLip-400M с языковой моделью Llama 3-8B-Instruct; в метаданных указано 7,5 млрд параметров, архитектура — плотная MiniCPMV. Модель принимает текст и изображения и формирует текстовые ответы; поддерживает контекст до 8192 токенов. Модель предназначена для визуальных вопросов и ответов, распознавания текста на изображениях, извлечения содержимого документов и таблиц, а также многоязычного общения по изображениям. README заявляет поддержку более 30 языков и эффективное локальное развёртывание, включая запуск через llama.cpp. В карточке упомянуты safetensors и возможность дообучения с LoRA. Лицензия в предоставленных данных не указана.

emisilab/model-ocr-invoice-rich — модель для преобразования изображений документов в текст, дообученная на базе naver-clova-ix/donut-base. Она использует архитектуру vision-encoder-decoder и предназначена для задач обработки изображений, связанных с документами; по названию репозитория — для OCR и разбора счетов-фактур. Модель принимает изображение и выдаёт текст. В карточке указаны формат safetensors и лицензия MIT. README не содержит сведений о качестве, обучающих данных или ограничениях, поэтому пригодность для конкретных видов счетов следует проверять на собственных примерах.

thelamapi/next-ocr-i1-GGUF — GGUF-версия модели Next OCR 8B, разработанной Lamapi. Это мультимодальная модель на базе thelamapi/next-ocr, предназначенная для распознавания текста на изображениях, в документах и снимках экрана, а также для анализа визуального содержимого по текстовым инструкциям. Модель содержит около 8 миллиардов параметров и ориентирована на OCR с поддержкой математических выражений, таблиц, форм, рукописного текста и сложной структуры документов. Заявлена поддержка более 30 языков, включая английский, турецкий, немецкий, испанский, французский, китайский, японский, корейский и русский. В README она описывается как эффективная и компактная instruction-tuned модель для понимания документов; максимальный размер контекста и точная схема квантования GGUF не указаны. Согласно приведённым в README результатам, модель показывает высокие показатели на OCR-бенчмарках, мультиязычном распознавании, работе с таблицами, рукописным и сценовым текстом, однако методика оценки и независимое подтверждение этих результатов не представлены. Для работы требуется передавать одновременно изображение и текстовый запрос. В метаданных указана лицензия Apache-2.0, но в README также присутствует бейдж MIT, поэтому условия лицензирования следует дополнительно уточнить.

NVIDIA Nemotron Nano 12B v2 VL FP8 — мультимодальная авторегрессионная модель NVIDIA для анализа изображений и диалога по их содержимому. Это FP8-квантизированная версия Nemotron Nano VL V2: трансформер использует визуальный энкодер C-RADIOv2-H и языковую модель NVIDIA Nemotron Nano 12B v2. Модель принимает текст и одно изображение RGB, а отвечает текстом; контекст и длина ответа — до 128 тысяч токенов. Для изображений действует ограничение в 12 плиток размером 512 × 512 пикселей, прозрачность не поддерживается. Модель предназначена для суммаризации изображений, визуальных вопросов и ответов, распознавания текста и анализа документов, а также рассуждений по визуальному содержимому. Она поддерживает английский, русский, немецкий, испанский, французский, итальянский, корейский, португальский, японский и китайский языки, а также интерфейс вызова инструментов. В карточке указаны запуск через vLLM и оптимизация для GPU NVIDIA; среди совместимого оборудования назван H100 SXM с 80 ГБ памяти. Лицензия обозначена как other, поэтому её условия следует проверять на странице модели NVIDIA.

MDfox/OvisOCR2-GGUF-SOTA-20260823 — неофициальная конверсия модели ATH-MaaS/OvisOCR2 в формат GGUF, подготовленная для запуска через llama.cpp. Модель предназначена для мультимодального преобразования изображений в текст, прежде всего для OCR и разбора документов, включая задачи, оцениваемые на OmniDocBench. Конверсия собрана и протестирована с llama.cpp v0.4.0. Для работы требуется языковая модель GGUF и отдельный файл mmproj, отвечающий за обработку изображений. Доступны различные варианты квантования: от Q2_K до Q8_0, а также BF16 для mmproj. В опубликованных тестах использовался контекст до 32 768 токенов на слот, обработка изображений с 196–8 100 image tokens и лимит генерации до 16 384 токенов. Наивысший заявленный результат на OmniDocBench v1.6 составил 96,4547 для Q8_0 с BF16 mmproj; компактный вариант Q3_K_M с Q8_0 mmproj имеет размер 555,2 МиБ и результат 96,2012. Сильными сторонами являются высокое качество распознавания и структурного анализа документов при сравнительно небольшом размере квантованных сборок, а также поддержка запуска локально через llama.cpp. К ограничениям относятся неофициальный статус конверсии, необходимость совместимых версий llama.cpp и наличия двух файлов модели, а также заметное снижение качества у наиболее агрессивного варианта Q2_K. Языки, точный размер исходной модели, архитектура и перечень поддерживаемых языков в README не указаны. Распространение заявлено по лицензии Apache-2.0.

Patram-7B-Instruct — семейство зрительно-языковых моделей BharatGen с 7 млрд параметров, обученных с нуля для анализа документов по изображениям. Репозиторий содержит версии 1.0, 1.1 и 1.2; README описывает их как отдельные ревизии одной модели. Модель принимает изображение документа и текстовый запрос, а отвечает текстом в диалоговом формате. В зависимости от версии поддерживаются визуальные вопросы и ответы, извлечение текста и ключевых значений, многоходовый диалог, а в версии 1.2 также анализ таблиц, диаграмм и блок-схем, а также рассуждения для VQA. Модель предназначена для понимания текстовых и визуально насыщенных документов, включая индийские документы. В README приведены результаты оценки на наборах DocVQA, WTQ, VisualMRC, ChartQA, InfoVQA, FlowVQA и других; показатели зависят от набора и режима prompting. Репозиторий использует библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0. README не приводит сведений о поддерживаемых разрешениях изображений или длине контекста.

Phi-4-Reasoning-Vision-15B — мультимодальная модель Microsoft, разработанная на базе языковой модели microsoft/Phi-4-reasoning и визуального энкодера SigLIP-2. Архитектура mid-fusion объединяет визуальные токены с представлениями языковой модели; динамическое разрешение поддерживает до 3600 визуальных токенов. Модель содержит 14,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель принимает изображения и текст и отвечает текстом. Она предназначена для визуальных вопросов и ответов, OCR, описания изображений, локализации объектов и элементов интерфейса, а также для математических и научных рассуждений по диаграммам, документам и изображениям. Для задач восприятия может отвечать напрямую, а для задач, требующих нескольких шагов, использует расширенное рассуждение. Основной язык обучающих данных — английский; на других языках качество может быть ниже. Разработчик предупреждает о возможных ошибках и предвзятости и не рекомендует применять модель без дополнительной оценки в ситуациях с существенными последствиями, а также для медицинской диагностики, юридических консультаций и финансового планирования. Модель распространяется по лицензии MIT.

PP-OCRv5_server_rec_safetensors — команда PaddleOCR разработала эту модель для распознавания текста в отдельных строках изображения. Она относится к семейству PP-OCRv5 и предназначена для сценариев, где нужна точная расшифровка печатного или рукописного текста, в том числе вертикального и искажённого. Модель рассчитана на упрощённый и традиционный китайский, английский и японский языки. В карточке приведены показатели для печатного и рукописного текста, древних текстов, пиньиня, поворотов, искажений и художественного текста; средний показатель по описанному набору сценариев — 0,8401. Метрика считает строку ошибочной, если в ней неверен хотя бы один символ, включая пунктуацию. Репозиторий содержит веса в формате safetensors и использует библиотеку PaddleOCR. Лицензия — Apache-2.0.

mikoy92 подготовил MLX-версию компактной модели распознавания текста PP-OCRv6 small на основе PaddlePaddle/PP-OCRv6_small_rec_safetensors. Модель принимает изображение и выдаёт распознанный текст; пример использования показывает запуск через mlx-vlm и постобработку результата распознавания. Модель предназначена для OCR-сценариев, где требуется извлечь текст из изображения на устройствах Apple с использованием MLX. В метаданных указаны английский и китайский языки, библиотека MLX и лицензия Apache-2.0. Размер модели и длина контекста не указаны в предоставленных данных.

Qianfan-OCR-GGUF — набор GGUF-квантизированных версий мультимодальной модели baidu/Qianfan-OCR, разработанной Baidu. Модель предназначена для распознавания текста и анализа документов по изображениям, включая сценарии document intelligence и OCR. Она использует архитектуру InternVL Chat с языковой основой Qwen3 примерно на 4,7 млрд параметров и поддерживает мультиязычные задачи image-text-to-text. Квантизация выполнена Reza2kn с использованием llama.cpp. Доступны варианты от F16 размером около 9,4 ГБ до Q2_K размером около 1,7 ГБ. Версии различаются компромиссом между размером, скоростью и качеством: F16 сохраняет точность в формате half precision, Q8_0 близка к исходному качеству, а Q4_K_M указана как рекомендуемая и занимает около 2,8 ГБ. Для работы в llama.cpp требуются файл модели и соответствующий multimodal projector; модель принимает изображения документов и текстовые запросы. В README приведены результаты исходной модели на OmniDocBench и OCRBench, но подробные сведения о поддерживаемых языках, длине контекста и ограничениях распознавания не указаны. Распространение заявлено по лицензии Apache License 2.0 с сохранением уведомлений и условий сторонних компонентов.

unsloth/Qwen2.5-VL-3B-Instruct-bnb-4bit — мультимодальная instruction-tuned модель семейства Qwen2.5-VL, разработанная командой Qwen и представленная в репозитории Unsloth. Это 3B-версия модели Qwen2.5-VL-3B-Instruct, распространяемая в 4-битном формате bnb-4bit для более экономичного использования памяти. Модель предназначена для обработки изображений и видео вместе с текстовыми запросами. Она распознаёт и анализирует объекты, текст, таблицы, графики, иконки и структуру документов, поддерживает визуальную локализацию объектов с помощью bounding boxes или точек, генерацию структурированных данных из счетов, форм и таблиц, а также сценарии визуального агента, включая взаимодействие с компьютером и мобильными устройствами. Для видео заявлена способность анализировать материалы длительностью более часа и находить релевантные временные отрезки. В метаданных README указан английский язык. Архитектура включает языковую модель Qwen2.5 и оптимизированный vision encoder на базе ViT с window attention, SwiGLU и RMSNorm; для видео используются динамические разрешение и частота кадров, а также временные позиционные идентификаторы mRoPE. К сильным сторонам относятся компактный размер, мультимодальное понимание документов и визуальных сцен, структурированный вывод и поддержка длительных видео. Ограничения включают меньшую ёмкость по сравнению с версиями на 7B и 72B параметра, возможное снижение точности из-за 4-битной квантизации и отсутствие в README данных о размере контекста, системных требованиях и подробном перечне языков. Модель указана под лицензией qwen-research; подробные условия приведены в лицензии исходной модели Qwen2.5-VL-3B-Instruct.

prithivMLmods/Qwen2-VL-OCR2-2B-Instruct — дообученная модель на основе Qwen/Qwen2-VL-2B-Instruct для распознавания текста на изображениях, понимания английского текста и решения математических задач с выводом формул в LaTeX. Это мультимодальная разговорная модель семейства Qwen2-VL с архитектурой Qwen2VLForConditionalGeneration и 1,5 млрд параметров. Она принимает изображения и текстовые запросы и генерирует текстовые ответы; длина контекста составляет 32 768 токенов. Модель подходит для извлечения текста из изображений и документов, разбора математических выражений и ответов на вопросы по визуальному содержимому. Карточка также описывает возможности базовой Qwen2-VL по анализу видео и многоязычного текста на изображениях, однако специализация этого дообучения сосредоточена на OCR и LaTeX. Модель опубликована под лицензией Apache-2.0.

Qwen3-VL-2B-Instruct-FP8 — это FP8-квантизированная версия мультимодальной модели Qwen3-VL-2B-Instruct, разработанной командой Qwen. Квантование выполнено методом fine-grained FP8 с размером блока 128; согласно README, показатели почти идентичны исходной версии в формате BF16. Модель предназначена для задач image-text-to-text и обработки текста, изображений и видео. Модель ориентирована на визуальное понимание и рассуждение, распознавание текста на изображениях, анализ документов, пространственное восприятие, понимание видеосцен и временных событий, а также взаимодействие с графическими интерфейсами и инструментами. Она может применяться для визуального программирования, генерации Draw.io/HTML/CSS/JS по изображениям и видео, STEM- и математических задач, OCR и агентских сценариев. Заявлена поддержка OCR на 32 языках, однако полный перечень языков в README не приведён. Архитектура относится к семейству Qwen3-VL и включает механизмы Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Указан нативный контекст 256K с возможностью расширения до 1M, но эти характеристики описаны для поколения Qwen3-VL в целом и не уточнены отдельно для данной 2B-версии. Размер модели — 2B параметров по идентификатору базовой модели. README рекомендует развёртывание через vLLM или SGLang и отмечает, что Transformers пока не поддерживает прямую загрузку этих весов. Модель распространяется по лицензии Apache-2.0.

Furiosa AI публикует этот репозиторий для запуска Qwen3-VL-32B-Instruct на ускорителях FuriosaAI RNGD с Furiosa-LLM. Это плотная мультимодальная модель на 32 млрд параметров из семейства Qwen3-VL: визуальный энкодер работает совместно с трансформерным декодером, а Interleaved-MRoPE и многоуровневое объединение признаков DeepStack поддерживают обработку изображений и видео вместе с текстом. Репозиторий содержит веса в safetensors и исполняемый пакет Furiosa; квантизация не применена. Также модель можно запускать через vLLM, SGLang и Transformers. Модель предназначена для диалога по изображениям и текстовым запросам, распознавания текста на изображениях, анализа документов и графиков, пространственных рассуждений и понимания видео. Она поддерживает вызов инструментов через парсер hermes. Вариант Instruct не использует режим рассуждений. Для запуска на RNGD описана конфигурация с 32 PE на четырёх картах. Лицензия — Apache 2.0.

Qwen3-VL-32B-Instruct — мультимодальная vision-language модель семейства Qwen, разработанная командой Qwen и представленная в формате GGUF компанией Unsloth. Это инструкционно настроенная dense-модель для обработки текста и визуальных данных, включая изображения и видео, с поддержкой сценариев image-text-to-text. Модель предназначена для визуального вопросно-ответного взаимодействия, анализа изображений и видео, OCR, понимания документов, STEM- и математического рассуждения, пространственного анализа, генерации кода и взаимодействия с графическими интерфейсами через визуального агента. Заявлены нативный контекст 256K токенов с возможностью расширения до 1M, улучшенное понимание длительных видео и событий с временными метками, а также OCR на 32 языках. Среди архитектурных компонентов указаны Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. К сильным сторонам относятся объединённое понимание текста и визуальной информации, детальное восприятие сцен, объектов и документов, расширенный контекст и широкий набор мультимодальных задач. Ограничения включают высокие требования к вычислительным ресурсам, характерные для модели с 32B параметрами, а также потенциальные потери точности из-за квантования в GGUF; конкретный вариант квантования в README не указан. Для llama.cpp рекомендуется использовать параметр --jinja из-за исправлений chat template. Лицензия модели — Apache-2.0.

unsloth/Qwen3-VL-4B-Instruct-bnb-4bit — это 4-битно квантованная версия мультимодальной инструкционной модели Qwen3-VL-4B-Instruct, подготовленная Unsloth на базе модели Qwen Team. Модель предназначена для задач, в которых требуется совместная обработка текста и изображений, включая визуальные вопросы и ответы, описание изображений, OCR, анализ документов, визуальное рассуждение, работу с видео и взаимодействие с графическими интерфейсами. Модель имеет плотную архитектуру и около 4 миллиардов параметров; поддерживает текстово-визуальный ввод и вывод текста. Для семейства Qwen3-VL заявлены нативный контекст до 256 тысяч токенов с возможностью расширения до 1 миллиона, анализ продолжительных видео, распознавание текста на 32 языках, улучшенное пространственное рассуждение, временная привязка событий в видео и генерация кода HTML/CSS/JS или схем Draw.io по визуальным материалам. В README также указаны механизмы Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками, однако конкретные языки интерфейса и точные параметры именно этой квантованной сборки не уточняются. К сильным сторонам относятся сочетание визуального восприятия и текстового понимания, работа с документами и видео, распознавание текста в сложных условиях, а также возможность применения в агентских сценариях и на устройствах с ограниченными ресурсами благодаря 4-битной квантизации. Ограничения включают возможное снижение точности по сравнению с полноформатной моделью и неуточнённые требования к аппаратному обеспечению и совместимости. Лицензия — Apache-2.0.

Qwen3-VL-4B-Thinking — плотная мультимодальная модель с 4 млрд параметров из семейства Qwen3-VL, опубликованная FuriosaAI в виде сборки для Furiosa-LLM и RNGD. Репозиторий содержит веса Qwen/Qwen3-VL-4B-Thinking и исполняемый пакет Furiosa; модель также поддерживается другими фреймворками инференса. Модель принимает изображения и текст, а отвечает текстом. Визуальный энкодер и трансформерный декодер используют позиционные эмбеддинги Interleaved-MRoPE и слияние признаков DeepStack. Она предназначена для распознавания текста на изображениях, анализа документов и диаграмм, пространственных рассуждений и понимания видео; поддерживает вызов инструментов. Версия Thinking формирует явный ход рассуждений перед итоговым ответом. Для запуска через Furiosa-LLM модель рассчитана на ускоритель FuriosaAI RNGD, где использует тензорный параллелизм на 8 вычислительных элементах одной карты. Квантизация не применялась, используются веса в точности исходной модели. Лицензия — Apache-2.0. Длина контекста и список поддерживаемых языков в предоставленных данных не приводятся.

Qwen3-VL-4B-Thinking-FP8 — мультимодальная модель семейства Qwen, представленная в репозитории Qwen и основанная на Qwen3-VL-4B-Thinking. Это FP8-квантизированная версия с мелкозернистым квантованием и размером блока 128; заявлено, что её показатели почти идентичны исходной модели в формате BF16. Модель предназначена для генерации текста по изображениям и тексту, а также для анализа видео. Модель ориентирована на визуальное понимание и рассуждение, включая распознавание текста на изображениях, анализ документов, STEM- и математические задачи, пространственное восприятие, понимание динамики видео, локализацию событий по временным меткам и визуальное программирование. Она также рассчитана на сценарии visual agent: распознавание элементов интерфейса ПК и мобильных устройств, понимание их функций, вызов инструментов и выполнение задач. Поддерживаются изображения, видео и текст; заявлен нативный контекст 256K с возможностью расширения до 1M. OCR поддерживает 32 языка, однако полный список языков в README не приведён. К архитектурным особенностям относятся Interleaved-MRoPE для позиционного кодирования времени, ширины и высоты, DeepStack для объединения многоуровневых признаков ViT и механизм выравнивания текста с временными метками. Сильными сторонами являются расширенное визуальное и пространственно-временное понимание, обработка длинного контекста, OCR и мультимодальное рассуждение. Ограничение состоит в том, что на момент публикации README Transformers не поддерживал прямую загрузку этих весов; для развёртывания рекомендованы vLLM или SGLang. Модель распространяется по лицензии Apache-2.0.