I.4Обработка документов и форм

GLiNER-PII Small v1.0 — модель распознавания сущностей на основе GLiNER, разработанная Wordcab совместно с Knowledgator. Она принимает текст и заданный пользователем список типов сущностей, а затем выделяет соответствующие фрагменты текста; модель настроена для обнаружения персональных, медицинских и платёжных данных (PII, PHI и PCI) и также поддерживает пользовательские типы сущностей в режиме zero-shot. Модель предназначена для локальной обработки транскрипций, документов, журналов чатов и других текстов, когда важно не передавать чувствительные данные внешним API. Для репозитория указана лицензия Apache-2.0; доступны реализации в форматах PyTorch и ONNX, включая варианты FP16 и UINT8.

avichr/heBERT_NER — модель распознавания именованных сущностей в тексте на иврите, опубликованная разработчиком avichr. Она основана на архитектуре Google BERT, конфигурации BERT-Base и дообучена для классификации токенов. Модель выделяет сущности, например имена людей, организаций и географические названия; в карточке указана оценка на размеченном наборе данных Ben Mordecai и M. Elhadad (2005) по F1-мере. Модель содержит 136,7 млн параметров, принимает текст и имеет контекст длиной до 512 токенов. Базовый HeBERT предварительно обучен на ивритских данных из OSCAR, Википедии и пользовательских текстов; эта версия предназначена для NER. Репозиторий содержит веса PyTorch и использует библиотеку Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Huihui-Qwen3.8-27B-abliterated-NVFP8 — это квантованная версия Huihui-Qwen3.8-27B-abliterated, опубликованная trailio и происходящая от Qwen/Qwen3.8-27B от Qwen. Модель предназначена для генерации текста и обработки изображений с текстом; в метаданных указана модальность image-text-to-text. Языки явно не перечислены. Базовая модель имеет 27,78 млрд параметров, из которых 24,33 млрд подвергнуты квантованию, а визуальная часть с ViT из 27 блоков и merger оставлена в BF16. В README не указано точное максимальное окно контекста; пример запуска использует 8192 токена. Основная особенность — weight-only-квантование W8A16 в нестандартный формат NVFP8: FP8 E4M3 с блочными масштабами размера 16 и двухуровневым масштабированием. Размер весов сокращён с 55,6 до 32,8 ГБ, относительная ошибка квантования указана на уровне 0,0252. Активации остаются в BF16, а Triton-ядро демонстрирует ошибку не более 3,7×10⁻³ относительно FP32-эталона. Квантование выполняется без калибровочного набора данных. Модель подходит для локального инференса в vLLM при ограниченных ресурсах видеопамяти, однако стандартный vLLM этот формат не загружает: необходимо скачать репозиторий локально и установить поставляемый пакет через pip. Требуются GPU с архитектурой sm_89 или новее и около 35 ГБ VRAM во время работы без учёта KV-кэша; заявлена проверка на RTX PRO 6000 Blackwell с vLLM 0.27.1. На CUDA младше 12.9 возможны проблемы FlashInfer. Производитель отмечает, что abliteration удаляет поведение отказа, поэтому к модели применимы оговорки о сниженной фильтрации базовой модели. Лицензия — Apache 2.0.

Это мультимодальная модель Meta семейства Llama 3.2 Vision, опубликованная Unsloth в виде чекпойнта формата safetensors для Transformers. Она принимает изображения и текст и генерирует текстовые ответы; поддерживает диалоговый режим и интерфейс вызова инструментов. В карточке указано, что основой служит meta-llama/Llama-3.2-90B-Vision-Instruct, поэтому этот репозиторий представляет собой её дообученную версию. Модель подходит для ответов на вопросы по изображениям, описания визуального содержимого и диалоговых сценариев, где текстовый запрос связан с изображением. В метаданных для языков карточки указан английский; исходная модель поддерживает английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Контекстный размер в доступных данных не указан. Лицензия — Llama 3.2 Community License, пользовательская лицензия Meta; перед внедрением следует проверить её условия.

LLaVA-NeXT (LLaVA 1.6) — мультимодальная чат-модель, разработанная авторами LLaVA-NeXT и опубликованная на Hugging Face. Она объединяет предварительно обученную языковую модель Vicuna-7B с предварительно обученным визуальным энкодером и предназначена для диалога по изображениям. По сравнению с LLaVA 1.5 модель использует более разнообразные данные визуальной инструкционной настройки и поддерживает динамически повышенное разрешение изображений. Это помогает отвечать на вопросы о содержимом изображений, описывать их, распознавать текст и рассуждать о визуальных сценах. Входные данные — текст и изображения; ответы выдаются в текстовом виде. Карточка указывает английский язык. Модель применима для визуальных вопросов и ответов, описания изображений и мультимодального чат-бота. В репозитории используются веса Safetensors; лицензия указана как Llama 2. Карточка отмечает, что отдельная модельная карточка авторами не подготовлена, поэтому сведения о возможностях и ограничениях ограничены приведённым описанием.

Карточка модели txchmechanicus/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.

LumynaX OCR TrOCR Large Handwritten — архивный эксперимент AbteeX AI Labs на основе microsoft/trocr-large-handwritten. Это модель архитектуры vision-encoder-decoder, предназначенная для распознавания рукописного текста на изображениях и преобразования его в текст. В выпуске сохранены исходные веса TrOCR; указана интеграция через маршрутизацию во время выполнения без слияния весов. Репозиторий использует PyTorch и библиотеку Transformers. Модель подходит для оцифровки рукописных записей и обработки изображений с рукописным текстом. Карточка помечает выпуск как устаревший и не рекомендует его для производственного применения; он больше не поддерживается. Лицензия — MIT.

Kushagra Wadhwa дообучил Qwen2.5-VL-3B-Instruct для извлечения структурированных данных из рукописных и печатных индийских медицинских рецептов. Модель принимает изображение рецепта и формирует JSON с данными врача и пациента, лекарствами, дозировками, частотой и длительностью приёма, диагнозом и примечаниями. Это мультимодальный трансформер Qwen2.5-VL с 3 млрд параметров, дообученный методом QLoRA; в обучении использовался набор из 1 969 примеров, а для валидации — 246. Модель рассчитана на рецепты на английском и хинди, включая смешанный текст. Репозиторий распространяется по лицензии Apache 2.0. Модель предназначена для оцифровки рецептов и переноса данных в аптечные и медицинские системы. Качество зависит от разборчивости почерка, языкового состава и количества лекарств; названия препаратов могут распознаваться неверно, особенно в сложных рукописных записях. Результаты следует проверять специалисту; модель не предназначена для постановки диагноза, клинических решений или работы с рецептами из других регионов.

Mobile-O-0.5B — компактная мультимодальная модель Amshaker для мобильных и периферийных устройств, объединяющая понимание изображений и генерацию изображений в одной архитектуре. Метаданные указывают 493,7 млн параметров, контекст 32 768 токенов и формат Safetensors; README приводит другое значение размера — 1,6 млрд параметров, поэтому точный размер модели по доступным сведениям неоднозначен. Модель поддерживает диалог по изображениям, визуальные вопросы и ответы, OCR, рассуждения по визуальному содержимому, генерацию изображений по тексту и редактирование изображений. В описанной архитектуре используются FastVLM-0.5B с визуальным энкодером FastViT и языковой основой Qwen2-0.5B, диффузионный декодер SANA-600M-512 и проектор для связи компонентов. Метаданные отмечают слияние FastVLM-0.5B и SANA_600M_512px_diffusers; модель доступна через Transformers. Модель предназначена для сценариев на мобильных устройствах, включая генерацию изображений 512×512; README заявляет время генерации около трёх секунд на iPhone. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и запрещает коммерческое применение. В карточке не приведены результаты независимых оценок качества.

OpenMed Privacy Filter Nemotron MLX 8-bit — квантизированная до 8 бит версия модели OpenMed для обнаружения персональных данных в тексте на устройствах Apple Silicon. Это токен-классификатор архитектуры OpenAI Privacy Filter с 145,4 млн параметров и контекстом до 131 072 токенов; он размечает токены BIOES-метками для 55 категорий персональных данных, после чего MLX-конвейер группирует их в сущности с символьными позициями и оценками. Модель предназначена для выявления и последующей маскировки или деидентификации идентификаторов, контактных, финансовых, медицинских, сетевых и других чувствительных данных. Веса аффинно квантизированы в 8 бит с размером группы 64. README сообщает о размере весов около 1,4 ГБ и ускорении примерно в 1,7 раза относительно BF16-версии; на 10 тестовых примерах совпадение argmax с BF16 составило 100%. Модель рассчитана на MLX и Apple Silicon, включая запуск на CPU с меньшей скоростью. Карточка указывает английский язык и лицензию Apache-2.0. Проверка согласия с BF16 ограничена описанными тестовыми примерами, поэтому эти результаты не гарантируют такую же точность на произвольных данных.

mlx-community/Qwen2-VL-7B-Instruct-4bit — мультимодальная модель для генерации текста на основе текстовых и визуальных входных данных. Модель разработана сообществом mlx-community и конвертирована в формат MLX из Qwen/Qwen2-VL-7B-Instruct с использованием mlx-vlm версии 0.0.13. Модель предназначена для сценариев image-text-to-text, включая обработку запросов, связанных с изображениями, и генерацию ответов на естественном языке. Известно, что она содержит 7 миллиардов параметров и представлена в 4-битном формате, что рассчитано на более эффективное использование памяти и запуск в экосистеме MLX. В README указан английский язык; сведения о других языках, размере контекста и точной архитектуре не приведены. К сильным сторонам относятся мультимодальность, инструкционное обучение и оптимизация под MLX. Ограничения связаны с 4-битным квантованием и отсутствием в предоставленной карточке подробных данных о качестве, поддерживаемых языках, контексте и системных требованиях. Модель распространяется по лицензии Apache-2.0.

Мультимодальная модель Qwen3.5-4B, дообученная разработчиком dragonstorm123 на базе Qwen/Qwen3.5-4B с использованием Unsloth и библиотеки TRL. Предназначена для диалогового взаимодействия и задач image-text-to-text: модель принимает текст и изображения и формирует текстовые ответы. В метаданных также заявлены возможности работы с изображениями и интерфейс вызова инструментов. Модель содержит 4 млрд параметров и распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает обучающие данные и специальные ограничения применения; качество на конкретных задачах зависит от сценария использования.

Это мультимодальная квантованная версия Qwen3.6-35B-A3B, основанная на модели Qwen/Qwen3.6-35B-A3B и созданная rdtand с использованием PrismaQuant. Модель предназначена для задач, объединяющих обработку текста и изображений, включая сценарии vision-language и генерацию текста по мультимодальному вводу. Заявлена поддержка английского и других языков; точный список языков и размер контекстного окна в README не указаны. Модель использует архитектуру MoE с DeltaNet-линейным вниманием, плотными и экспертными слоями, а также визуальным энкодером Qwen3.6-VL. Средний размер квантования составляет 4,76 бит на параметр: объём файла уменьшен примерно с 70 до 22 ГБ, то есть на 69% по сравнению с исходной BF16-версией. Для разных линейных слоёв применяются NVFP4, MXFP8 и BF16; сохранены MTP-головы для speculative decoding. Квантование учитывает чувствительность отдельных слоёв и использует GPTQ-OBS и оптимизацию масштабов. Сильными сторонами являются существенное снижение требований к хранению и возможность запуска мультимодальной модели через vLLM при сохранении смешанной точности для чувствительных компонентов. Ограничение заключается в том, что артефакт рассчитан только на runtime vLLM; влияние квантования на качество в прикладных задачах и полный набор поддерживаемых режимов в README не приведены. Модель распространяется по лицензии Apache-2.0.

bartowski/Qwen_Qwen3-VL-30B-A3B-Instruct-GGUF — это набор GGUF-квантизаций мультимодальной instruct-модели Qwen3-VL-30B-A3B-Instruct, разработанной Qwen и адаптированной bartowski для запуска через llama.cpp. Модель предназначена для задач image-text-to-text: обработки изображений вместе с текстовыми запросами и генерации ответов в диалоговом формате. Доступны варианты от BF16 до различных уровней квантования, поэтому её можно использовать в LM Studio, llama.cpp и совместимых проектах на системах с разным объёмом памяти. В названии указано 30B, при этом обозначение A3B отражает архитектуру исходной модели; точные сведения о внутреннем устройстве, поддерживаемых языках и размере контекста в README не приведены. Размер файлов варьируется примерно от 14 до 61 ГБ. Старшие варианты, включая BF16, Q8_0 и Q6_K, обеспечивают более высокое качество, а варианты Q4 и Q3 уменьшают требования к памяти ценой возможного снижения качества. В README рекомендуются, в частности, Q6_K, Q5 и Q4_K_M; для Apple silicon и ARM доступны варианты с особенностями производительности и онлайн-упаковки. Сильные стороны набора — поддержка мультимодальных сценариев, широкий выбор компромиссов между качеством и размером, а также совместимость с локальным запуском через llama.cpp. Ограничения связаны с большими требованиями к памяти даже у сжатых вариантов и неизбежной потерей качества при агрессивном квантовании; конкретные языковые возможности, контекстное окно и лицензия в предоставленном README не указаны. Для сообщений следует использовать шаблон Qwen с маркерами <|im_start|> и <|im_end|>.

Rex-Omni — мультимодальная языковая модель с 3,1 млрд параметров, представленная IDEA-Research в работе «Detect Anything via Next Point Prediction». Она дообучена на Qwen/Qwen2.5-VL-3B-Instruct и использует архитектуру Qwen2.5-VL с генерацией следующего токена для визуального восприятия. Модель принимает изображения и текстовые запросы, а результаты описывает текстом. Rex-Omni предназначена для обнаружения объектов и других задач анализа изображений: распознавания текста (OCR), указания объектов, определения ключевых точек и визуального prompting. Карточка приводит примеры для этих сценариев и указывает совместимость с библиотекой Transformers. Контекст модели составляет 128 000 токенов; в метаданных указан английский язык. Модель выпущена под лицензией IDEA License 1.0, обозначенной в метаданных как other. README не описывает количественные оценки качества или конкретные ограничения; применимость к отдельным наборам данных и сценариям следует проверять самостоятельно.

Bachi06/roberta-base-ner-demo — модель семейства RoBERTa для классификации токенов, дообученная автором на основе bayartsogt/mongolian-roberta-base. Она предназначена для разметки последовательностей токенов, в частности для задач распознавания именованных сущностей. Модель содержит 151,8 млн параметров и принимает текст с контекстом до 514 токенов. В README приведены результаты на наборе оценки: F1 — 0,9358, точность — 0,9301, полнота — 0,9415, accuracy — 0,9804. Датасет и типы сущностей не описаны, поэтому эти показатели не позволяют определить качество на конкретных данных или классах сущностей. Лицензия в доступных сведениях не указана.

Seed 1.6 Flash — мультимодальная модель глубокого рассуждения от ByteDance Seed, предназначенная для работы с текстом и визуальной информацией. Она поддерживает контекст длиной 256 тысяч токенов и ориентирована на быстрый отклик. Модель подходит для диалога и задач, где нужно анализировать изображения вместе с текстом. README обрывается на описании выходных возможностей, поэтому дополнительные функции и ограничения по качеству определить нельзя. Условия лицензии в доступных сведениях не приведены.

stanfordnlp/stanza-cs — модель Stanza для чешского языка, разработанная Stanford NLP. Она входит в набор инструментов Stanza для лингвистического анализа текста и предназначена для распознавания именованных сущностей и других задач анализа естественного языка; в метаданных для неё указана задача классификации токенов. Модель работает с текстом на чешском языке. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка не приводит размер модели, длину контекста и конкретные ограничения.

microsoft/trocr-large-stage1 — предварительно обученная модель TrOCR от Microsoft для распознавания текста на изображениях. Она предназначена для OCR на изображениях с одной строкой текста; для специализированных сценариев доступны дообученные версии семейства TrOCR. Модель использует архитектуру encoder-decoder: Transformer-кодировщик изображений построен на BEiT, а Transformer-декодер текста — на RoBERTa. Кодировщик обрабатывает изображение как последовательность патчей размером 16×16, после чего декодер авторегрессионно генерирует текст. Репозиторий содержит веса PyTorch и Safetensors. В README не указаны размер модели, поддерживаемые языки и лицензия, поэтому эти характеристики здесь не уточняются. Модель рассчитана на строки текста; качество на иных форматах изображений и задачах OCR не подтверждено описанием.

undertheseanlp/vietnamese-ner-v1.4.0a2 — модель для распознавания именованных сущностей в текстах на вьетнамском языке. Она опубликована организацией undertheseanlp, связанной с проектом underthesea; репозиторий проекта описывает разработку группой исследователей по обработке вьетнамского естественного языка. Модель реализована как BERT-модель для token classification и предназначена для использования через Hugging Face Transformers с AutoModelForTokenClassification или pipeline("token-classification"). В конфигурации токенизатора указана FPTAI/vibert-base-cased; используется регистрозависимая BERT-токенизация. Поддерживаемая модальность — текст, язык — Vietnamese. Размер файла весов составляет около 459 МБ, однако число параметров, максимальная длина контекста, набор меток сущностей, обучающий датасет и метрики качества в доступной карточке модели не указаны. Сильная сторона модели — специализированная направленность на NER для вьетнамского языка и совместимость с экосистемой PyTorch и Transformers. Ограничения заключаются в отсутствии подробной документации, опубликованных оценок качества и явно описанных границ применимости, поэтому надежность для конкретных доменов и типов сущностей по доступным данным установить нельзя. Модель распространяется по лицензии Apache-2.0.

Viking-Qwen3.6-27B — мультимодальная модель на архитектуре Qwen3.5/Qwen3.6 с 27 млрд параметров, опубликованная nbeerbower. Она создана методом TIES-слияния трёх дообученных моделей поверх Huihui-Qwen3.6-27B-abliterated; языковые веса объединены, а башня зрения и часть дополнительных весов восстановлены из базовой модели. Модель предназначена для диалогов и обработки изображений с текстовыми запросами и ответами. Визуальный энкодер унаследован без изменений от базовой модели, поэтому слияние затронуло только языковую часть. В родословной присутствует bf16-реконструкция из Q8_0 GGUF, что может переносить погрешность квантования. Автор отмечает, что веса не проверялись генерацией после загрузки. Лицензия в предоставленных данных не указана.

YOLO Khmer Text & Math Line Detection v4.0 — модель обнаружения строк текста на страницах камбоджийских учебников по математике и физике. По README, её разработчик обучил модель на материалах национальной школьной программы Камбоджи для 5–12 классов; архитектура относится к семейству YOLO, а репозиторий содержит ONNX-версию. Модель выделяет целые строки, объединяющие кхмерский текст и математические выражения, включая дроби, корни, интегралы, векторы, пределы, матрицы и системы уравнений. Модель предназначена для подготовки страниц учебников к последующему распознаванию текста и формул, а также для поиска строк в приложениях для сервера, настольных компьютеров, веба и мобильных устройств. Для страниц высокого разрешения рекомендуется размер изображения 1280 пикселей; README приводит для версии v4.0 показатели 91,22% mAP@50, 90,99% точности и 86,58% полноты. Модель выдаёт рамки обнаруженных строк, а не распознанный текст или LaTeX. В метаданных указана лицензия Apache-2.0. Результаты описывают обнаружение строк в учебниках по математике и физике Камбоджи; качество на других типах документов и языках не подтверждено.

RedHatAI/gemma-3-12b-it-quantized.w4a16 — квантизированная версия мультимодальной модели google/gemma-3-12b-it, разработанная RedHatAI. Модель принимает изображения и текст, а генерирует текст, поэтому предназначена для визуально-текстовых диалогов, анализа изображений, ответов на вопросы по изображениям и других задач, где требуется совместная обработка визуального и текстового контекста. Веса модели квантизированы в INT4, а активации используют FP16; при квантизации визуальная башня, мультимодальный проектор, embedding-слои и lm_head не подвергались изменению. Такой формат снижает требования к памяти и ориентирован на эффективный инференс. Модель подготовлена для работы с vLLM версии 0.8.0 и выше, включая OpenAI-совместимый режим сервинга. В README явно не указаны точный размер контекста, поддерживаемые языки и полный перечень модальностей сверх связки изображение-текст. К сильным сторонам относятся мультимодальные возможности базовой Gemma 3, уменьшенное потребление памяти благодаря INT4-квантизации и возможность производительного развертывания через vLLM. Ограничением является потенциальная потеря точности по сравнению с исходной моделью из-за квантизации; приведенные в README результаты относятся к отдельной конфигурации w8a8 и не позволяют надежно оценить именно вариант w4a16. Лицензия указана как gemma.

RedHatAI/gemma-3-4b-it-quantized.w4a16 — квантизированная версия мультимодальной модели google/gemma-3-4b-it, разработанная RedHatAI. Модель принимает изображения и текст, а генерирует текст, поэтому предназначена для визуально-текстовых диалогов, анализа изображений и задач, где требуется объединять инструкции на естественном языке с визуальной информацией. Модель использует архитектуру Gemma 3 с 4 миллиардами параметров. Веса квантизированы в INT4, а активации представлены в FP16; при квантизации не изменялись vision tower и multi-modal projector. Такая конфигурация снижает требования к памяти и повышает эффективность инференса при сохранении близких к исходной модели результатов на ряде текстовых бенчмарков. В README языки и точный размер контекста не указаны; для оценки использовалась максимальная длина 4096 токенов. Модель оптимизирована для инференса через vLLM версии 0.8.0 и выше, включая OpenAI-compatible serving. Ограничения включают возможную потерю точности из-за INT4-квантизации и необходимость совместимого окружения vLLM; подробные мультиязычные характеристики и результаты для визуальных задач не приведены. Лицензия указана как gemma.

gemma-3-4b-it-quantized.w8a8 — квантизированная версия мультимодальной модели google/gemma-3-4b-it, разработанная RedHatAI. Модель принимает изображения и текст, а генерирует текст, поэтому предназначена для визуально-текстовых диалогов, анализа изображений и ответов на вопросы по их содержимому. Основной сценарий развертывания — инференс через vLLM версии 0.8.0 или новее, включая OpenAI-совместимый сервер. Модель использует архитектуру Gemma 3 с 4 миллиардами параметров и оптимизацию INT8 для весов и активаций. Квантизация выполнена с помощью llm-compressor и GPTQ на калибровочном наборе из 512 образцов; визуальный модуль и мультимодальный проектор при этом не квантизировались. В README не указаны поддерживаемые языки и полный размер контекста, однако при оценке использовалась максимальная длина 4096 токенов. Доступна версия 1.0, опубликованная 4 июня 2025 года. Главное преимущество модели — снижение требований к вычислительным ресурсам и эффективный инференс при сохранении большей части качества исходной модели: на тестах OpenLLM V1 показатели восстановления относительно google/gemma-3-4b-it составили от 95,82% до 99,55% по приведённым метрикам. Ограничения включают возможное небольшое снижение точности из-за INT8-квантизации и необходимость совместимого окружения vLLM. Лицензия указана как gemma.

HawkVL-2B — компактная мультимодальная модель серии HawkVL, построенная на языковой модели Qwen2.5-1.5B. Архитектура включает визуальный энкодер Qwen-ViT, проектор на основе двухслойного MLP с pixel unshuffle и языковую часть Qwen2.5-1.5B; модель дообучена на данных LLaVA-OneVision. Модель предназначена для диалогов по изображениям и генерации текстовых ответов на визуальные запросы. В README приведены результаты оценки на англоязычных и китайских наборах OpenCompass, включая задачи визуальных вопросов и ответов, распознавания текста на изображениях и математики по изображениям. Поддерживается контекст до 32 768 токенов; метаданные указывают английский и китайский языки. Модель распространяется в формате Safetensors под лицензией Apache-2.0. Модель компактна и рассчитана на эффективную мультимодальную обработку, однако приведённые результаты ограничены набором бенчмарков и сами по себе не гарантируют качество в конкретном сценарии. Входные изображения и язык запросов должны соответствовать возможностям мультимодальной архитектуры; модель может ошибаться при сложном визуальном рассуждении или распознавании текста.

InternVL3-14B-hf — реализация на базе Transformers мультимодальной модели OpenGVLab InternVL3. Репозиторий содержит веса в формате safetensors и предназначен для функционально эквивалентного использования модели в экосистеме Hugging Face Transformers; архитектура — плотная модель InternVL с поддержкой диалогового режима и зрения. Это дообученная версия OpenGVLab/InternVL3-14B-Instruct. Модель принимает текст вместе с изображениями и видео, а также поддерживает генерацию текста по одному лишь текстовому запросу. Она предназначена для визуальных вопросов и ответов, анализа изображений и видео, мультимодального рассуждения и сценариев взаимодействия с интерфейсами и инструментами. В README отмечены возможности пакетного инференса и обработки чередующихся текстовых, графических и видеоданных; заявлены улучшения мультимодального восприятия и рассуждения относительно InternVL 2.5. Карточка указывает мультиязычную поддержку, но не перечисляет конкретные языки. Лицензия обозначена как other, поэтому условия использования следует сверять с лицензией исходной модели и репозитория. Модель рассчитана на инференс через Transformers; конкретные ограничения качества и контекстного окна в предоставленных данных не описаны.

dalatexcoder/LFM2.5-230M-heretic-v1 — производная модель семейства LFM2.5 от Liquid AI, созданная abliteration дообученной модели LiquidAI/LFM2.5-230M-Base. Это компактная текстовая модель с архитектурой LFM2 dense и 221,2 млн параметров, рассчитанная на запуск на устройствах с ограниченными ресурсами. Метаданные указывают контекст до 128 000 токенов; README базовой модели описывает контекст в 32 768 токенов, поэтому фактический предел для этой версии требует проверки. Модель предназначена для генерации диалогового текста, извлечения данных и лёгких агентных сценариев с вызовом инструментов. Abliteration заметно снижает частоту отказов по сравнению с исходной моделью в приведённом тесте, но не устраняет их полностью. Базовая карточка указывает поддержку английского, арабского, китайского, французского, немецкого, японского, корейского, испанского, португальского и итальянского языков; данных о специальной русскоязычной настройке нет. README не рекомендует модель для сложных рассуждений, продвинутой математики, генерации кода и творческого письма. Лицензия обозначена как other, конкретные условия в предоставленных данных не описаны.

kavg/LiLT-RE-EN — дообученная модель LiLT на базе nielsr/lilt-xlm-roberta-base, разработанная для извлечения отношений между элементами документов. Она учитывает текст и его расположение на странице и обучена на наборе funsd_re. Репозиторий содержит веса в формате safetensors; модель насчитывает 305,2 млн параметров и имеет контекст длиной 514 токенов. Модель подходит для анализа структурированных документов, где важно определить связи между распознанными текстовыми фрагментами и их позициями. В README приведены результаты оценки на тестовой выборке: precision 0,3264, recall 0,4864, F1 0,3907 и loss 0,4377. Эти показатели указывают на ограниченную точность извлечения отношений. Лицензия — MIT.

Meddies PII v2 — энкодер на 350 млн параметров для обнаружения персональных данных в тексте, разработанный MeddiesAI на основе LiquidAI LFM2.5 Encoder 350M PII Detector. Модель дообучена с помощью LoRA и классификационной головы BIOES; она находит девять типов данных: адреса, названия компаний, даты, адреса электронной почты, имена людей, идентификаторы, номера телефонов, приватные URL и секреты. Для каждого фрагмента возвращаются метка и точные символьные границы. Модель предназначена прежде всего для проверки клинических записей, направлений, сообщений и экспортированных документов перед обезличиванием или передачей. Она поддерживает 17 языков, включая русский, английский, немецкий, испанский, французский, японский и китайский. В README приведены результаты оценки на смешанном наборе из синтетических и открытых данных; они не гарантируют качество на документах конкретной организации. Модель не анализирует изображения и структуру документа, не размечает диагнозы, лабораторные результаты, возраст, дозировки и медицинские измерения; закрытый набор меток не охватывает все виды идентификаторов. Авторы предупреждают, что модель может пропустить данные, поэтому необходима проверка человеком, особенно в регулируемых процессах. Для релиза указана лицензия CC BY-NC 4.0 на права MeddiesAI; материалы LiquidAI подчиняются отдельной лицензии LFM Open License v1.0.