I.4Обработка документов и форм

gyr66-bert-base-chinese-finetuned-ner-onnx — это ONNX-конверсия модели gyr66/bert-base-chinese-finetuned-ner, выполненная проектом ProtectAI с использованием библиотеки Hugging Face Optimum. Модель предназначена для задачи token classification, в частности для распознавания именованных сущностей в китайском тексте. Модель работает с китайским языком и основана на архитектуре BERT; точный размер и параметры в предоставленных данных не указаны. Формат ONNX может быть удобен для развертывания и выполнения инференса в совместимых оптимизированных средах. При этом проект архивирован и больше не развивается и не поддерживается. Модель распространяется по лицензии Apache-2.0.

InternVL3-9B — мультимодальная модель OpenGVLab семейства InternVL3 для диалога и задач, связывающих изображения с текстом. Она построена по схеме ViT-MLP-LLM: визуальный кодировщик InternViT соединён с языковой моделью через MLP-проектор. Для языковой части семейства используются предварительно обученные LLM, включая Qwen 2.5; в этой версии применяется динамическое разбиение изображений на фрагменты 448×448 и поддерживаются несколько изображений и видео. Модель предназначена для описания и анализа изображений, визуальных вопросов и ответов, мультимодальных рассуждений, понимания видео, GUI-сценариев, работы с инструментами и 3D-сцен. Подходит также для задач на чистом тексте. README описывает развитие возможностей в семействе InternVL3, но не приводит отдельные показатели качества или точную длину контекста именно этой модели. Метаданные связывают репозиторий с OpenGVLab/InternVL3-9B-Instruct как с базовой дообученной моделью; файлы представлены в формате safetensors. Лицензия — MIT.

joon09/kor-naver-ner-name-v2 — модель на базе BERT для классификации токенов. Она предназначена для извлечения именованных сущностей из корейского текста; карточка сообщает, что модель обучена с нуля, но не описывает обучающий набор данных и результаты оценки. Модель содержит 145,5 млн параметров, принимает последовательности длиной до 512 токенов и опубликована в формате PyTorch. Для применения передайте корейский текст и используйте предсказанные метки токенов для поиска сущностей типа имени. Карточка не уточняет схему меток и качество распознавания. Лицензия в доступных данных не указана.

Карточка модели ShaunGves/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. 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.

Карточка модели ashpika13/LocateAnything-3B-cascade на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. 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.

Way56/Mai-5B — мультимодальная модель для диалогов и ответов на запросы, созданная слиянием моделей через mergekit. В основу слияния вошла huihui-ai/Huihui-Qwen3.5-4B-Claude-4.6-Opus-abliterated; применён метод DARE TIES, указана точность float16. Архитектура — плотная Qwen3.5 с классом Qwen3_5ForConditionalGeneration. Модель принимает текст и изображения и генерирует текст, поэтому подходит для диалога и ответов на вопросы по изображениям. Базовая модель описана как экспериментальная Qwen3.5-4B с ослабленными отказами. Лицензия, размер контекстного окна и поддерживаемые языки в предоставленных данных не указаны.

marefa-nlp/marefa-ner — арабоязычная модель распознавания именованных сущностей, разработанная командой Marefa NLP. Она основана на XLM-RoBERTa и дообучена для классификации токенов; число параметров составляет около 658,7 млн, а длина контекста — 514 токенов. Модель предназначена для выделения сущностей в арабском тексте. В README приведены результаты оценки на тестовом наборе из 1959 предложений: для категорий «человек», «место» и «время» указаны F1-оценки около 0,93, 0,89 и 0,87 соответственно. Данные подтверждают применение для NER, но не описывают качество на других категориях или доменах. Модель распространяется в формате PyTorch. Сведения о лицензии в доступных материалах отсутствуют.

RedHatAI/Muse-Glimmer-30B-NVFP4 — мультимодальная генеративная модель, разработанная RedHatAI на основе meta-models/Muse-Glimmer-30B. Она принимает текстовые и графические входные данные и генерирует текст, поэтому предназначена для задач image-text-to-text, мультимодального диалога и инференса с визуальным контекстом. Архитектура указана как MuseGlimmerForConditionalGeneration; точное число параметров базовой модели в README не приведено, но идентификатор указывает на 30B. Модель оптимизирована для инференса с vLLM и использует NVFP4-квантизацию весов и активаций. Квантизуются линейные операторы внутри transformer-блоков, а vision-компоненты, lm_head и embed_tokens исключаются. Переход с 16 на 4 бита уменьшает размер на диске и требования к памяти GPU примерно на 75%, что является ключевым преимуществом для развертывания. README не указывает поддерживаемые языки, размер контекста и количественные показатели качества; приведённый пример калибровки использует последовательности длиной до 2048 токенов, но это не заявленный максимальный контекст модели. Для обслуживания рекомендуется vLLM с поддержкой мультимодального инференса, автоматического выбора инструментов и специализированных reasoning- и tool-call-парсеров. Квантизация может снижать точность по сравнению с исходной моделью, однако конкретное влияние в README не измерено. Модель распространяется по лицензии Apache-2.0.

OpenMed разработала OpenMed-PII-German-SuperClinical-Large-434M-v1 — модель разметки токенов на базе DeBERTa V3 Large, дообученную для обнаружения и классификации персональных и других чувствительных данных в немецком тексте. Она распознаёт 54 типа сущностей, включая имена, адреса, идентификаторы, финансовые и медицинские сведения, контактные данные и даты. Модель предназначена для обезличивания клинических записей и документов, подготовки исследовательских наборов данных и поиска чувствительной информации при аудите. В README указана оценка F1 0,9761 на немецкой части набора AI4Privacy PII Masking 400k. Модель имеет 533,8 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и выдаёт метки сущностей для токенов в формате BIO. Она оптимизирована для немецкого языка; качество на других языках и при специализированной терминологии может быть ниже. Авторы предупреждают, что модель может пропускать персональные данные и рекомендуют проверять результаты человеком в критически важных сценариях. Лицензия — Apache-2.0.

phibert-finetuned-ner — модель Girinlp для распознавания именованных сущностей и другой разметки токенов. Это дообученная версия dmis-lab/biobert-v1.1 на наборе данных, название которого в карточке не приведено. Модель построена на архитектуре BERT и содержит 135,5 млн параметров; она принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. Формат весов — PyTorch. Модель предназначена для задач разметки последовательностей, в частности NER. На указанном в карточке наборе оценки она получила F1 0,9226, precision 0,9238, recall 0,9213 и accuracy 0,9950. Карточка не уточняет языки, набор меток и область применения, поэтому результаты нельзя уверенно переносить на другие данные. Лицензия в предоставленных сведениях не указана.

jefftherover/pii-dual-mmbert-base-v2 — дообученная модель на базе многоязычного энкодера jhu-clsp/mmBERT-base для классификации токенов. По названию модели можно предположить, что она предназначена для обнаружения и разметки персональных данных (PII) в тексте, однако README не описывает её назначение и метки, а обучающий датасет указан как неизвестный. Модель содержит 306,9 млн параметров, использует архитектуру ModernBERT и принимает последовательности длиной до 8192 токенов. В README приведены результаты оценки: F1 0,9970, точность 0,9963 и полнота 0,9977; датасет и методика оценки не раскрыты, поэтому эти показатели нельзя считать подтверждением качества на новых данных. Модель доступна в формате Safetensors через Transformers и распространяется по лицензии MIT.

HuggingLil/pii-sensitive-ner-german — модель распознавания персональных данных в немецких текстах, созданная дообучением iiiorg/piiranha-v1-detect-personal-information. Она использует архитектуру DeBERTa-v2 с 306 млн параметров и классифицирует токены, выделяя, среди прочего, религию, этническую принадлежность, сексуальную ориентацию, адреса электронной почты, номера телефонов, даты рождения и номера документов. Модель предназначена для поиска чувствительных данных при проверке и обезличивании текстов с учётом требований GDPR и швейцарского DSG. Контекст ограничен 512 токенами; лицензия в предоставленных данных не указана.

nvidia/Qwen2.5-VL-7B-Instruct-NVFP4 — мультимодальная инструкционная модель, разработанная NVIDIA на основе Qwen/Qwen2.5-VL-7B-Instruct. Она предназначена для генерации текста и обработки задач, связанных с визуально-языковым взаимодействием, включая сценарии, где требуется анализ визуального и текстового контекста. В карточке модели указано, что это квантованная версия в формате FP4, подготовленная с использованием NVIDIA Model Optimizer. Модель относится к семейству Qwen2.5-VL и имеет размер 7B параметров в базовой версии. Поддерживаемые языки, максимальная длина контекста, точные характеристики архитектуры, перечень входных модальностей и показатели качества в README не указаны. Квантование FP4 потенциально снижает требования к памяти и может повысить эффективность инференса, однако README не содержит результатов бенчмарков или сведений о совместимом оборудовании. Модель распространяется по NVIDIA Open Model License. Лицензия допускает коммерческое использование, создание и распространение производных моделей, но требует соблюдения условий соглашения, включая указание лицензии NVIDIA и атрибуции «Built on Qwen2.5-VL-7B-Instruct-FP4» при распространении модели, продуктов или сервисов на её основе. Использование также должно соответствовать условиям NVIDIA Trustworthy AI; ответственность за результаты и их последующее применение несёт пользователь.

lmstudio-community/Qwen3.8-27B-MLX-8bit — 8-битная квантованная версия мультимодальной модели Qwen3.8-27B, разработанной командой Qwen. Квантование в формате MLX подготовила команда LM Studio с использованием mlx_vlm; модель оптимизирована для запуска на устройствах Apple Silicon. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Ключевые параметры исходной архитектуры Qwen3.8-27B, включая точный размер контекста, поддерживаемые языки и другие характеристики, в предоставленной карточке не указаны. Квантование снижает требования к памяти и может упростить локальный запуск на совместимых устройствах, однако потенциально сопровождается потерей точности по сравнению с исходной моделью. Лицензия модели — Apache-2.0.

Это квантованная сборка Qwen3.8-Flash-Next от ghost-actual на основе объединённой модели orcarouter/Qwen3.8-Flash-Next-Uncensored и Qwen/Qwen3.8-Flash-Next. Сборка в формате EXL3 с эффективной разрядностью около 2,5 бит на вес предназначена для запуска MoE-модели на одной видеокарте с 24 ГБ памяти, используя выгрузку экспертов в оперативную память процессора. Веса занимают около 41,5 ГБ, а вместе с таблицей n-грамм артефакт — около 61 ГБ; для запуска также требуется примерно 59 ГБ оперативной памяти и быстрый NVMe-накопитель. Модель предназначена для диалоговой генерации текста, рассуждений и анализа изображений, включая распознавание текста на изображениях. В ней сохранены vision tower, MTP-голова, таблица PLE n-грамм и контекст до 262 144 токенов. Это сборка с удалённым направлением отказов: она может отвечать на запросы, которые исходная модель отклонила бы, поэтому у неё отсутствует соответствующий уровень защитного выравнивания. Агрессивная квантизация может снижать точность, особенно при сложном извлечении фактов; автор проверил несколько примеров, но не запускал широкие оценки качества. README указывает лицензионные условия Qwen, однако конкретный тип лицензии в метаданных обозначен как other.

AXERA-TECH 提供的 Qwen3-VL-2B-Instruct-GPTQ-Int4 是面向 AXera AX650 NPU 的视觉но-языковая модель, конвертированная с квантизацией w4a16. Она принимает изображения и видео для анализа с текстовым ответом; карточка приводит результаты обработки одного изображения и восьми видеокадров на AX650, а также требования к памяти и скорость генерации. Репозиторий заявляет совместимость с Pulsar2 5.0 и запуск через axllm, в том числе с OpenAI-совместимым интерфейсом. Модель основана на Qwen3-VL и рассчитана на локальный запуск на поддерживаемых устройствах AXera. Лицензия — MIT.

Qwen3-VL-30B-A3B-Instruct-4bit — мультимодальная инструкционно настроенная модель для задач понимания и генерации текста на основе изображений и текстовых запросов. Модель разработана сообществом mlx-community и преобразована в формат MLX из Qwen/Qwen3-VL-30B-A3B-Instruct с использованием mlx-vlm версии 0.3.3. Модель предназначена для сценариев image-text-to-text, включая описание изображений и ответы на текстовые инструкции с учётом визуального содержимого. В названии указаны конфигурация 30B-A3B и 4-битное квантование, однако README не раскрывает подробности архитектуры, поддерживаемые языки и размер контекстного окна. Формат MLX ориентирован на запуск в экосистеме MLX; для использования рекомендуется пакет mlx-vlm. К сильным сторонам относятся мультимодальность и уменьшенный объём представления благодаря 4-битному квантованию, что может быть полезно при локальном запуске в совместимой среде. Ограничения и точные требования к оборудованию в README не указаны. Модель распространяется по лицензии Apache-2.0.

simaai/Qwen3-VL-8B-Instruct-GPTQ-Safetensors — локально квантизированный чекпойнт модели Qwen/Qwen3-VL-8B-Instruct, подготовленный компанией Sima.ai для последующей компиляции LLiMa и развертывания на оборудовании Sima.ai. Это мультимодальная модель для задач image-text-to-text, способная обрабатывать изображения и текст; заявлена поддержка multilingual-сценариев. Модель имеет размер 8B параметров, однако другие архитектурные характеристики и точный максимальный контекст в README не указаны. Квантизация выполнена методом GPTQ: линейные слои декодера и lm_head переведены в симметричный INT4 с размером группы 256, а линейные слои vision encoder — в симметричный INT8 с поканальной обработкой. Проекторы и отдельные архитектурные исключения сохранены в исходной точности BF16. Артефакт предназначен для локального запуска и специализированного аппаратного развертывания; он не является готовым результатом компиляции LLiMa. По полной проверке MMStar точность исходной модели составила 48,20%, а квантизированной — 51,33%; при этом на WikiText-2 perplexity увеличилась с 11,3805 до 12,2893, что указывает на возможное ухудшение языкового качества. Реальные характеристики могут зависеть от языка, визуального домена, формата запросов, длины контекста и среды выполнения, поэтому требуется прикладная валидация. Аудиокомпоненты, если присутствуют, и явно исключенные проекторы остаются в исходной точности. Чекпойнт распространяется на условиях лицензии Apache-2.0 и сохраняет лицензионные требования, рекомендации по допустимому использованию и ограничения исходной модели. В README также указано, что исходная ревизия не зафиксирована, поэтому перед официальным выпуском или перераспространением необходимо восстановить и записать неизменяемую ревизию upstream.

NeuralMetrics/trocr-base-printed — неизменённая копия microsoft/trocr-base-printed, модели TrOCR для распознавания текста на изображениях отдельных строк. Репозиторий поддерживает воспроизводимые эксперименты с закреплённой версией исходной модели; README указывает, что веса, файлы и поведение совпадают с оригиналом. Модель построена по схеме vision encoder-decoder: трансформерный визуальный энкодер обрабатывает изображение, а авторегрессионный текстовый декодер генерирует распознанную строку. В исходной карточке указано, что энкодер инициализирован весами BEiT, а декодер — RoBERTa. Модель предназначена для OCR обрезанных строк после обнаружения макета страницы и может служить стабильной базовой точкой для сравнения методов распознавания. Модель не предназначена для распознавания целых страниц без предварительного выделения строк. Лицензия и авторство остаются такими же, как у исходной модели microsoft/trocr-base-printed; конкретный тип лицензии в предоставленных данных не приведён.

KBLab при Национальной библиотеке Швеции разработала bert-base-swedish-cased-ner — экспериментальную модель BERT, дообученную для распознавания именованных сущностей в шведском тексте на наборе SUC 3.0. Она размечает сущности по типам времени, персон, мест, событий и организаций; регистр букв сохраняется, а токенизатор может разбивать слова на части, которые при необходимости нужно объединять после предсказания. Модель относится к архитектуре BERT для классификации токенов, содержит около 151,9 млн параметров и рассчитана на контекст до 512 токенов. Исходная шведская языковая модель обучалась на книгах, новостях, государственных публикациях, шведской Википедии и интернет-форумах. Модель предназначена для извлечения сущностей из шведских текстов, например новостей или документов. В карточке она обозначена как экспериментальная, а типы меток могут меняться; указанное качество на задачах за пределами SUC 3.0 не приводится. Лицензия в предоставленных материалах не указана.

jurabi разработала японскую модель BERT для распознавания и классификации именованных сущностей в тексте. Модель использует архитектуру BertForTokenClassification и насчитывает 138,4 млн параметров; для токенизации применяется японский BERT-токенизатор. Базовая модель — cl-tohoku/bert-base-japanese-v2, дообученная на наборе stockmarkteam/ner-wikipedia-dataset. Модель извлекает восемь типов сущностей: имена людей, компании, политические и другие организации, географические названия, объекты инфраструктуры, названия продуктов и произведений, а также события. Она принимает японский текст и возвращает разметку токенов с типами сущностей; поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Подходит для извлечения сущностей из японских документов и текстов на основе Википедии. В README не приведены оценки качества; результат на других жанрах текста может отличаться. Лицензия — Creative Commons Attribution-ShareAlike 3.0.

almanach/camembertv2-base-ftb-ner — модель Wissam Antoun из Almanach, Inria-Paris для распознавания именованных сущностей во французском тексте. Она основана на RoBERTa и дообучена на наборе FTB-NER; размер модели — 138,4 млн параметров, максимальная длина контекста — 1025 токенов. В README указан F1 0,93548 на FTB-NER. Модель предназначена для разметки токенов и извлечения именованных сущностей во французских текстах. Она доступна под лицензией MIT. Результаты могут зависеть от обучающих данных; модель может хуже работать на других наборах данных и не предназначена для задач за пределами распознавания сущностей без дополнительной проверки.

Это дообученная модель обнаружения объектов на базе nsugianto/detr-resnet50_finetuned_lstabledetv1s9_lsdocelementdetv1type3_session6, построенная на архитектуре DETR и представленная в формате safetensors. Карточка связывает её с распознаванием элементов документов, однако набор классов и обучающие данные не описаны. Модель принимает изображения и выдаёт обнаруженные объекты с рамками и метками. В карточке не приведены сведения о точности и сценариях применения, поэтому пригодность для конкретного набора документов следует оценивать отдельно. Лицензия в предоставленных данных не указана.

DIVE-Doc-FRD — визуально-языковая модель семейства DIVE-Doc, предназначенная для ответов на вопросы по изображениям документов. Она принимает изображение одной страницы и текстовый вопрос, затем генерирует ответ; для обработки не использует внешний OCR. Модель разработана как компромисс между компактными сквозными системами и крупными визуально-языковыми моделями: в ней небольшой иерархический визуальный энкодер Swin сочетается с крупным декодером GEMMA. Энкодер создан дистилляцией SigLIP-400m из PaliGEMMA и инициализирован весами Donut; LoRA-адаптеры после дообучения объединены с базовой моделью. По README, размер визуального энкодера уменьшен на 80%. Модель обучалась на DocVQA, преимущественно на промышленных документах, и подходит для ответов на вопросы по отдельным страницам документов. Её можно дообучить на других наборах DocVQA, например InfoGraphVQA, для работы с инфографикой. В репозитории указаны формат safetensors и библиотека Transformers; лицензия — MIT. README не приводит языки, общий размер модели или длину контекста.

KeraCare/drug_name_extraction_v2x0 — дообученная модель GLM-OCR для извлечения названий лекарств с изображений рецептов. Она принимает изображение рецепта и формирует текстовый ответ с распознанными названиями препаратов. Модель построена на архитектуре GLM-OCR и доступна в формате safetensors; для запуска карточка указывает библиотеку Transformers. Модель предназначена для автоматизации чтения рецептов и извлечения из них названий лекарств. Она дообучена на пользовательском наборе изображений рецептов с соответствующими метками названий препаратов. Сведения о языках, размере модели, длине контекста и лицензии в предоставленных источниках отсутствуют.

Dukaan Saathi Receipt Parser — дообученная на базе Llama-3.2-3B-Instruct модель, созданная для разбора чеков и накладных в индийских магазинах kirana; она входит в демонстрационный проект помощника по учёту запасов Dukaan Saathi. Модель принимает распознанный OCR-текст поставщицких документов и формирует структурированный JSON со строками товаров, количеством, ценами и сведениями о поставщике. Она рассчитана на шумный текст из рукописных счетов, печатных налоговых накладных и неформальных записей. Обучение ориентировано на единообразие формата: использованы 28 примеров, из них 6 составлены вручную по реальным форматам kirana, а 22 синтетических примера добавлены для редких случаев. В метаданных указаны архитектура LlamaForCausalLM, 3,2 млрд параметров, контекст до 131 072 токенов, английский и телугу, формат safetensors и лицензия MIT. Малый объём обучения ограничивает обобщение: модель склонна переобучаться на знакомые шаблоны чеков и не предназначена для универсального разбора чеков. Перед записью любых изменений в учёт запасов требуется подтверждение владельца.

gokaygokay/Florence-2-Flux — дообученная на датасете kadirnar/fluxdev_controlnet_16k модель на базе Florence-2-base от Microsoft. Она предназначена для задач зрения, в которых нужно преобразовать изображение в текстовый ответ; семейство Florence-2 поддерживает описание изображений, распознавание текста и локализацию объектов по текстовым промптам. Репозиторий использует архитектуру Florence2ForConditionalGeneration и формат safetensors, а запуск предполагает библиотеку Transformers. Модель может быть полезна для анализа и текстового описания изображений. Карточка не раскрывает, какие именно возможности Florence-2 были дообучены и насколько хорошо они работают в этой версии. Лицензия — Apache-2.0.

FSNER — модель для распознавания именованных сущностей, реализованная sayef на основе подхода Example-Based Named Entity Recognition. Она использует few-shot подход без обучения на целевой области: по размеченным примерам сущностей определяет их фрагменты в новом домене, применяя идею вопросно-ответных систем. В карточке описаны подготовка примеров с маркерами сущностей и сценарии обучения и оценки; размер модели — 136,7 млн параметров, контекст — до 512 токенов. Модель построена на BERT и опубликована в формате PyTorch. README указывает bert-base-uncased как предобученную основу для запуска trainer, но не уточняет явно, являются ли опубликованные веса дообученной копией этой модели. Лицензия в предоставленных сведениях не указана.

Adalberto1811/gemma-4-12b-coach-alvin — дообученная модель на базе Google Gemma 4 12B с архитектурой Gemma4UnifiedForConditionalGeneration. Она предназначена для обработки изображений и текста и относится к задаче image-text-to-text. В карточке указано, что при обучении использовались Unsloth и библиотека TRL от Hugging Face; веса доступны в формате Safetensors. Модель подойдёт для сценариев, где нужно анализировать изображение и формировать текстовый ответ. Карточка не описывает специальные навыки, обучающие данные или конкретные сценарии применения. Лицензия — Apache-2.0.

Мультимодальная модель семейства Gemma 4, дообученная ersindemirel94 на базе unsloth/gemma-4-E4B-it-unsloth-bnb-4bit. Она предназначена для диалога и генерации текстовых ответов по текстовым и визуальным входным данным. Модель относится к архитектуре Gemma4ForConditionalGeneration и распространяется в формате Safetensors. В карточке указано, что обучение проводилось с использованием Unsloth и библиотеки TRL. Для текстовой части заявлена поддержка английского языка. Лицензия — Apache-2.0.