I.4Обработка документов и форм

pranay-ar/moondream2 — компактная визуально-языковая модель семейства Moondream, предназначенная для эффективной работы на периферийных устройствах. Она принимает изображение вместе с текстовым запросом и формирует текстовый ответ, в частности отвечает на вопросы о содержимом изображения. В README приведены результаты на VQAv2, GQA, TextVQA и TallyQA, включая задачи визуальных вопросов и подсчёта объектов. В репозитории доступны веса Safetensors и GGUF F16; для работы с Transformers README указывает зависимости transformers и einops. В метаданных основная задача обозначена как image-text-to-text, а каталог также связывает модель с text-generation. Модель распространяется по лицензии Apache-2.0. README рекомендует фиксировать версию модели, поскольку она регулярно обновляется. Приведённые бенчмарки характеризуют результаты на указанных наборах данных, но сами по себе не гарантируют качество на других изображениях и запросах.

NUS Lithuanian PII Detection Model — модель Vytauto Didžiojo Universitetas для выявления персональных данных в литовском тексте. Это дообученный для классификации токенов энкодер XLM-RoBERTa large с 658,7 млн параметров и контекстом до 514 токенов; модель распознаёт 24 категории, включая имена, адреса, идентификационные коды, телефоны, даты и чувствительные сведения. Она предназначена для поиска фрагментов PII перед публикацией судебных и административных документов, обработкой медицинских и исследовательских записей или передачей текста внешним ИИ-сервисам. Выход модели содержит метки сущностей, а для деидентификации его следует сочетать с правилами постобработки и заменой найденных фрагментов. На отложенной выборке указаны entity-level F1 0,872, точность 0,860 и полнота 0,884; инструмент NUS PII validator сообщает строгий micro F1 0,854. Модель рассчитана только на литовский язык, не является универсальным распознавателем сущностей и сама по себе не анонимизирует текст. При полноте около 88% часть персональных данных может быть пропущена; необходимы проверка человеком и дополнительные меры, особенно в юридических и медицинских сценариях. Лицензия — OpenRAIL.

Карточка модели elprofessor67/om-logistics-pod-v8-beta-8b на Hugging Face совпадает с карточкой elprofessor67/om-logistics-pod-v8-rc-8b, поэтому описание составлено по ней. elprofessor67/om-logistics-pod-v8-rc-8b — дообученная разработчиком elprofessor67 мультимодальная модель семейства Qwen3-VL для генерации текстовых ответов по изображениям и текстовым запросам. Она предназначена для сценариев, связанных с логистикой и подтверждением доставки (POD), что отражено в названии модели; README не уточняет конкретные задачи или показатели качества. Модель использует плотную архитектуру Qwen3VLForConditionalGeneration и работает с изображениями и текстом, выдавая текст. В README указано, что при обучении применялись Unsloth и библиотека TRL от Hugging Face. Лицензия — Apache-2.0.

Sohailhosseini/Ornith-1.5-9B-AWQ-W4A16 — квантизированная версия модели ornith-ai/Ornith-1.5-9B, подготовленная пользователем Sohailhosseini. Модель предназначена для задач преобразования изображений и текста в текст, включая мультимодальный диалог и обработку инструкций. Поддержка конкретных языков в предоставленных данных не указана. Модель содержит около 9,4 млрд параметров и использует схему квантизации AWQ-W4A16 с 4-битными весами в формате compressed-tensors. Размер на диске составляет около 8,6 ГБ, что примерно в 2,19 раза меньше исходных 18,8 ГБ. Визуальные компоненты, включая vision tower, vision model, visual-слои и multi-modal projector, а также lm_head оставлены без квантизации. Заявленный максимальный контекст — 32 768 токенов при использовании рекомендованной конфигурации vLLM. К преимуществам относятся уменьшенное потребление памяти и возможность эффективного запуска мультимодальной модели на совместимом оборудовании, при этом квантизация рассчитана на сохранение качества в моделях, дообученных на инструкциях и мультиязычных данных. Ограничения связаны с потерями качества, возможными для 4-битной квантизации, а также с асимметричной схемой AWQ-W4A16: некоторые старые ядра vLLM могут предпочитать симметричный вариант W4A16. Модель лицензирована по MIT; лицензия унаследована от исходной модели.

pii-layout-synth-v13 — модель на базе answerdotai/ModernBERT-base, дообученная для классификации токенов. Карточка не раскрывает набор меток и конкретное назначение, однако название указывает на синтетическую разметку персональных данных с учётом их расположения. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и формат safetensors; базовая модель поддерживает контекст до 8192 токенов. В README приведены результаты на оценочном наборе: F1 0,9923, точность 0,9902, полнота 0,9943 и accuracy 0,9986. Датасет неизвестен, поэтому эти показатели нельзя уверенно переносить на другие данные и сценарии. Лицензия — Apache-2.0.

Qwen2-VL-7B-Instruct-GGUF — мультимодальная instruction-tuned модель семейства Qwen2-VL, разработанная Qwen и представленная в формате GGUF компанией Second State Inc. Модель предназначена для обработки изображений и текста, включая сценарии image-text-to-text, где требуется отвечать на вопросы по изображению или учитывать визуальный контекст в диалоге. В README также указана совместимость с LlamaEdge и prompt template qwen2-vision. Модель основана на Qwen/Qwen2-VL-7B-Instruct и имеет размер 7B параметров. Поддерживается контекст до 128 000 токенов. Для работы с визуальными данными используется отдельный vision encoder в формате GGUF; доступны варианты квантования от 2 до 8 бит, а также f16. Размер файлов составляет примерно от 3,02 до 15,2 ГБ для основных вариантов квантования, при этом Q4_K_M рекомендован как сбалансированный вариант, а Q5_K_M и Q5_K_S — как варианты с очень малой потерей качества. К сильным сторонам относятся мультимодальность, большой контекст и возможность локального запуска через LlamaEdge. Ограничения зависят от выбранного уровня квантования: малобитные варианты занимают меньше места, но могут существенно терять в качестве; Q2_K, Q3 и некоторые legacy-варианты в README не рекомендуются для большинства задач. Указан английский язык. Модель распространяется по лицензии Apache-2.0.

Мультимодальная модель семейства Qwen3.5 с плотной архитектурой на 4 млрд параметров, дообученная dkingtutcd на основе Qwen/Qwen3.5-4B. Модель предназначена для диалога и ответов на запросы с изображениями: принимает текст и изображения, а выдаёт текст. В метаданных также указаны интерфейс вызова инструментов и поддержка зрения. Модель сохранена в формате safetensors и распространяется по лицензии Apache-2.0. В README сообщается, что при обучении использовались Unsloth и библиотека TRL; сведений о конкретном наборе данных, специализации дообучения или оценках качества нет.

Карточка модели dragonstorm123/qwen3.5-4b-sft на Hugging Face совпадает с карточкой dragonstorm123/qwen3.5-4b-sft-disambiguation, поэтому описание составлено по ней. 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.

Qwen3.8-Flash-Next-MLX-Q9 — квантованная версия модели Qwen3.8-Flash-Next, подготовленная inferencerlabs с использованием модифицированной версии MLX. Модель предназначена для мультимодального вывода и относится к классу image-text-to-text, то есть может обрабатывать изображения и текст и генерировать текстовые ответы. README не содержит сведений о точном размере модели, архитектуре, поддерживаемых языках и длине контекста. Модель использует квантование Q9; по приведённым данным, такая конфигурация обеспечивает показатели, близкие к базовой модели: perplexity 1,20312 против 1,20312, token accuracy 97,80% против 100% и missed divergence 9,60% против 0%. На системе с Apple M3 Ultra заявлена скорость мультимодального вывода около 33,6 токена в секунду, при этом требуется примерно 189,6 GiB памяти. Эти результаты зависят от аппаратной конфигурации и условий запуска. Основное преимущество модели — сочетание мультимодальных возможностей с высокой точностью Q9-квантования. Ограничениями являются значительные требования к памяти, зависимость производительности от среды MLX и отсутствие в README подробных сведений о возможностях, языках и контекстном окне. Лицензия в предоставленных материалах не указана.

JEILDLWLRMA/Qwen3-VL-8B-Instruct-NVFP4 — мультимодальная vision-language модель для понимания изображений и генерации текста. Она основана на Qwen3-VL-8B-Instruct, разработанной командой Qwen, и использует архитектуру Qwen3VLForConditionalGeneration. Модель предназначена для описания изображений, визуального вопросно-ответного взаимодействия и других задач мультимодального анализа и генерации. Модель сжата в формат NVFP4 с применением SmoothQuant и инструмента llmcompressor. Веса квантизуются в 4-битный формат NVFP4 поканально, активации — поточечно с динамическим масштабированием; визуальный энкодер, lm_head и отдельные MLP gate-проекции исключены из квантизации для сохранения качества. Максимальная длина последовательности составляет 32 768 токенов. Поддерживается обработка изображений; сведения о полном наборе языков в README не указаны. Основные преимущества — уменьшенное примерно на 80% потребление памяти и потенциально более высокая скорость инференса на совместимых NVIDIA GPU, включая Jetson Thor. По заявлению README, типичное снижение качества относительно полноточной версии составляет 2–5%, однако результат зависит от задачи. Для работы требуется оборудование и программное окружение с поддержкой NVFP4; заявлена совместимость, в частности, с NVIDIA H100, A100 и Jetson Thor при подходящих версиях CUDA. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

Qwen_Qwen3-VL-2B-Thinking-GGUF — набор квантованных моделей в формате GGUF для Qwen3-VL-2B-Thinking, разработанной Qwen и квантованной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель относится к мультимодальному классу image-text-to-text и предназначена для задач, в которых требуется обрабатывать изображения и текст и генерировать текстовые ответы. В README также указан режим Thinking, однако подробности его реализации не приведены. Доступны варианты от исходных весов BF16 размером 3,45 ГБ до сильно квантованных вариантов объёмом около 0,85 ГБ. Наиболее рекомендуемыми автор считает, в частности, Q6_K, Q6_K_L, Q5_K и Q4_K_M; более компактные варианты экономят память, но могут заметно уступать по качеству. Модели рассчитаны на локальный запуск через LM Studio, llama.cpp и другие совместимые проекты. Сведения о количестве параметров, архитектуре, поддерживаемых языках, размере контекста, лицензии и конкретных ограничениях качества в README не указаны.

savitr-bf16 — модель распознавания электоральных списков, созданная gojiberries на базе Surya OCR 2 от Datalab. Это дообученная и слитая с базовыми весами модель семейства Qwen3.5 с архитектурой для условной генерации; в репозитории хранятся веса Safetensors в формате bf16. Модель принимает изображение страницы списка избирателей и выдаёт компактные строки с разделителями: EPIC, имя, тип родства, имя родственника, номер дома, возраст и пол. Такой формат примерно в пять раз короче HTML-представления учительской модели по числу токенов декодирования. Модель предназначена для извлечения записей из индийских списков избирателей, повторного квантования в другие форматы, продолжения обучения и оценки без ошибки квантования. В тесте на 37 страницах избирательных округов, не использовавшихся при обучении, сходство записей с выводом учительской модели составило 98,7%, а страниц — 92,9%; это согласие с учителем, а не независимая оценка абсолютной точности. Обучение проведено на 450 страницах англоязычных списков штата Манипур за 2025 год; лицензия указана как other.

Atharv1909/trocr-handwritten-case-diary — модель распознавания рукописного текста, разработанная на основе VisionEncoderDecoder (TrOCR) и дообученная для транскрибации полицейских дневников дел, заметок с места происшествия и показаний свидетелей. Она принимает изображение рукописной записи и преобразует его в текст, в том числе при курсивном и неструктурированном письме. Модель предназначена для оцифровки рукописных полицейских записей и ускорения переноса материалов дела в цифровой вид. Репозиторий содержит веса в формате safetensors; в README модель названа FP16. Лицензия — Apache-2.0. Данных о языках и длине контекста нет.

Versta Glyphmatte — компактная сверточная U-Net-модель Рикардо Сноук-Валкенбурга для локальной обработки изображений строк текста в мобильном OCR. Модель содержит около 1,9 млн параметров и четыре выходные головы: карта покрытия чернил (matte), поле толщины штрихов (weight), а также карты цветов переднего и заднего плана. На вход подаётся RGB-полоска высотой 48 пикселей и шириной, кратной 16; выходные карты помогают выравнивать и улучшать текст перед распознаванием. Модель обучена с нуля на 50 000 синтетических текстовых полосок и предназначена для работы на периферийных устройствах. В репозитории доступны варианты ONNX fp32 и fp16, а int8-версия MNN размером около 1,9 МБ включена в пакет OCR приложения Versta для Android. Лицензия — Apache-2.0. Карточка описывает валидацию экспорта ONNX относительно PyTorch и оценку карт matte и weight, но не приводит сравнительных результатов на реальных документах.

creemur/xlm-roberta-base-finetuned-panx-de-en — модель XLM-RoBERTa, дообученная для классификации токенов. Она содержит 305,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Суффикс panx-de-en указывает на связь с задачей распознавания сущностей на немецком и английском языках, однако README не раскрывает назначение модели и обучающий набор, поэтому эту специализацию нельзя подтвердить по карточке. Модель построена на базе FacebookAI/xlm-roberta-base и использует архитектуру XLMRobertaForTokenClassification. В README приведены метрики оценки: loss 0,4120 и F1 0,6947. Лицензия — MIT. Данных о специальных ограничениях и сценариях применения карточка не содержит.

Это дообученная версия FacebookAI/xlm-roberta-large от khadija69 для классификации токенов. Модель размечает последовательность текста по токенам; обозначение BIES в названии может указывать на схему меток, но README не описывает её назначение и классы.

zai-org представила CogVLM — открытую визуально-языковую модель для диалога по изображениям. Вариант в этом репозитории содержит 6,6 млрд параметров и использует архитектуру CogVLMForCausalLM; в README для семейства описаны визуальный энкодер ViT, MLP-адаптер, предварительно обученная языковая модель GPT и модуль визуального эксперта. Максимальная длина контекста — 2048 токенов. Модель предназначена для описания изображений, ответов на вопросы о них и задач визуального понимания, включая распознавание объектов и чтение текста на изображении. README приводит результаты семейства CogVLM на бенчмарках для генерации подписей, визуальных вопросов и локализации объектов. Метаданные указывают формат safetensors. Сведения о лицензии и ограничениях применения в предоставленных материалах отсутствуют.

lokeshe09/gemma-4-31B-it-INT8 — это INT8-квантизированная версия мультимодальной модели google/gemma-4-31B-it, разработанной Google. Модель предназначена для задач «изображение—текст» и обработки текстовых запросов с визуальной информацией, включая сценарии, требующие понимания изображений и генерации ответов на естественном языке. Модель относится к семейству Gemma 4 и содержит 31 млрд параметров в исходной версии. Квантизация выполнена с использованием llm-compressor. Vision encoder, lm_head, embeddings и norm layers сохранены в исходной точности, а остальные компоненты переведены в формат INT8. Это позволяет снизить требования к памяти по сравнению с полноточной версией, сохраняя исходную точность для критически важных компонентов, однако конкретные показатели качества и производительности в README не приведены. Модель распространяется по лицензии Gemma. Сведения о поддерживаемых языках, размере контекстного окна, аппаратных требованиях, бенчмарках и ограничениях применения в предоставленных данных отсутствуют.

Модель bjoxiah/gemma-4-recipe-ft-model — дообученная в формате FP16 мультимодальная модель семейства Gemma 4 Unified на базе unsloth/gemma-4-12b-it. Разработчик — bjoxiah; обучение выполнено с использованием Unsloth и библиотеки TRL от Hugging Face. Модель предназначена для диалога и обработки изображений с текстовым ответом. Её можно применять для вопросов по изображениям и мультимодального общения. Базовая модель также поддерживает работу с аудио, видео, кодом и инструментами, однако карточка этой версии не подтверждает сохранение всех этих возможностей после дообучения. Репозиторий содержит веса Safetensors в FP16. Лицензия — Apache-2.0. Язык карточки — английский.

lots-o/gliner-bi-ko-xlarge-v1 — корейская модель распознавания именованных сущностей на основе GLiNER с двухэнкодерной архитектурой. Она использует текстовый энкодер team-lucid/DeBERTa-v3-xlarge-korean и энкодер меток сущностей BAAI/bge-m3, что позволяет задавать типы сущностей текстовыми метками и находить сущности, не ограничиваясь фиксированной схемой классов. Модель предназначена для извлечения именованных сущностей из корейского текста, в том числе нескольких типов сущностей за один проход. По данным README, двухэнкодерная схема может лучше обобщать на незнакомые типы сущностей и ускорять вывод при предварительно вычисленных эмбеддингах меток. На наборе konne dev указано значение F1 81,07 при пороге 0,5. Ограничение архитектуры — слабое взаимодействие между метками: модели может быть трудно различать семантически похожие типы сущностей с разным значением в контексте. Репозиторий содержит веса PyTorch; лицензия — CC BY-SA 4.0.

GLM-Edge-V-5B-GGUF — мультимодальная модель класса image-text-to-text, разработанная организацией Z.ai (репозиторий zai-org). Модель представлена в формате GGUF и предназначена для задач, в которых требуется обрабатывать изображения и текст и генерировать текстовые ответы. Заявлены поддерживаемые языки китайский и английский. Из доступных данных известно, что модель относится к семейству GLM-Edge и имеет размер 5B параметров. Архитектура и максимальная длина контекста в карточке не указаны. Для запуска рекомендуется адаптированная версия llama.cpp с поддержкой GLM-Edge; предусмотрено аппаратное ускорение, включая CUDA. Ограничения по качеству, производительности и перечню поддерживаемых мультимодальных сценариев не описаны. Использование весов регулируется лицензией GLM-4; в карточке указано обозначение лицензии other и приведена ссылка на файл LICENSE. Точные условия лицензии следует уточнять в этом файле.

InternVL3.5-1B-Instruct — мультимодальная модель OpenGVLab из семейства InternVL3.5, дообученная на базе OpenGVLab/InternVL3_5-1B-Pretrained и предназначенная для диалогов по тексту и изображениям. Она объединяет зрительную и языковую части и выдаёт ответы в текстовой форме; архитектура в метаданных обозначена как InternVLChatModel. В карточке семейства описаны возможности рассуждения по изображениям, включая понимание визуальных сцен и документов, а также GUI-взаимодействие. Модель подходит для вопросов об изображениях, визуального анализа и мультимодального общения. Метаданные указывают поддержку многоязычного режима, формат весов Safetensors и библиотеку Transformers. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает размер именно этой версии и длину её контекста.

InternVL3.5-38B-Instruct — мультимодальная модель OpenGVLab для диалогов и рассуждений по тексту и изображениям. Это дообученная версия InternVL3.5-38B-Pretrained на архитектуре InternVLChat; репозиторий содержит веса Safetensors и рассчитан на использование с Transformers. Модель может описывать изображения, отвечать на вопросы о визуальном содержимом и выполнять текстовые задачи; семейство также заявляет поддержку взаимодействия с графическим интерфейсом и embodied-сценариев. В InternVL3.5 применяются Cascade RL для улучшения рассуждений и Visual Resolution Router для динамической настройки разрешения визуальных токенов. Для запуска версии 38B README указывает необходимость двух GPU A100. Карточка сообщает о многоязычности, но не перечисляет конкретные языки. Модель распространяется по лицензии Apache-2.0.

mlx-community/InternVL3-78B-4bit — мультимодальная чат-модель семейства InternVL3, преобразованная сообществом mlx-community из models/InternVL3-78B в формат MLX с помощью mlx-vlm 0.1.25. Она предназначена для диалога по изображениям и задач визуального понимания, а также поддерживает генерацию текста. Метаданные указывают мультиязычность и интерфейс для вызова инструментов. Модель распространяется по лицензии Apache-2.0.

klue-roberta-large-ner-identified — дообученная авторами репозитория модель klue/roberta-large для классификации токенов. Название указывает на распознавание именованных сущностей, однако карточка не описывает используемые типы сущностей, обучающий набор данных и целевые сценарии, поэтому конкретный охват NER неясен. Модель построена на архитектуре RoBERTa и содержит 435,4 млн параметров. Она принимает текст и выдаёт метки для токенов; максимальный контекст — 514 токенов. В README приведены метрики на оценочном наборе: F1 0,9948, точность (precision) 0,9920 и полнота (recall) 0,9977, но набор данных и методика оценки не раскрыты. Базовая klue/roberta-large предназначена прежде всего для корейского языка, что указывает на вероятную языковую ориентацию этой модели. Модель распространяется в формате safetensors. Лицензия в предоставленных сведениях не указана.

openbmb/MiniCPM-V-4.6-GPTQ — GPTQ-квантизированная версия мультимодальной модели MiniCPM-V 4.6, разработанной OpenBMB. Модель предназначена для понимания изображений и видео, включая анализ одного или нескольких изображений, работу с визуальными вопросами и сценарии локального запуска на мобильных и периферийных устройствах. В основе лежат визуальный энкодер SigLIP2-400M и языковая модель Qwen3.5-0.8B. Версия использует квантизацию W4A16 в формате GPTQModel и смешанное сжатие визуальных токенов 4x/16x, позволяющее выбирать баланс между точностью и скоростью. Заявлены снижение вычислений визуального энкодера более чем на 50%, примерно в 1,5 раза большая пропускная способность по сравнению с Qwen3.5-0.8B и поддержка платформ iOS, Android и HarmonyOS. Модель также интегрируется с Transformers, vLLM, SGLang, llama.cpp и Ollama; доступны средства дообучения через SWIFT и LLaMA-Factory. Сильные стороны модели — компактность, энергоэффективность, мультимодальное понимание и пригодность для on-device-развёртывания. README не указывает поддерживаемые языки, размер контекста и подробные ограничения качества; фактическая точность может зависеть от выбранного уровня визуального сжатия и квантизации. Модель распространяется по лицензии Apache-2.0.

Ministral-3-8B-Instruct-2512-GGUF — это GGUF-квантизованная версия инструкционной модели Ministral-3-8B-Instruct-2512, разработанной Mistral AI и преобразованной пользователем bartowski с помощью llama.cpp и imatrix-калибровки. Модель предназначена для локального запуска в приложениях на базе llama.cpp, включая LM Studio, и относится к мультимодальному классу image-text-to-text, то есть рассчитана на обработку изображений и текста с генерацией текстовых ответов. Модель имеет 8 миллиардов параметров и доступна в вариантах от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ. Размер файлов варьируется примерно от 4,57 до 16,99 ГБ, что позволяет выбирать баланс между качеством, скоростью и требованиями к оперативной памяти. В README заявлена поддержка английского, французского, испанского, немецкого, итальянского, португальского, нидерландского, китайского, японского, корейского и арабского языков. Сведения о длине контекста, внутренней архитектуре и точном формате промптов отсутствуют. Сильная сторона модели — возможность локального мультимодального использования при выборе подходящего уровня квантизации; варианты Q5 и Q6 заявлены как высококачественные, а Q4 — как оптимальные по размеру для большинства сценариев. К ограничениям относятся потенциальная потеря качества в более сильных вариантах квантизации, необходимость совместимого ПО и отсутствие в README подробных данных о производительности и контексте. Модель распространяется по лицензии Apache-2.0.

Mobile-O-1.5B — мультимодальная модель семейства Mobile-O для диалога с изображениями и генерации изображений, представленная в репозитории Amshaker. Она объединяет визуально-языковой компонент FastVLM-1.5B с диффузионным декодером SANA и предназначена для запуска с учётом ограничений мобильных устройств. Модель выполняет визуальные вопросы и ответы, распознавание текста на изображениях, рассуждение по визуальному содержимому, генерацию изображений по текстовому запросу и редактирование изображений. Метаданные указывают 1,5 млрд параметров, архитектуру MobileOForCausalLM, библиотеку Transformers и контекст до 32 768 токенов. Карточка описывает FastVLM-1.5B на базе FastViT и Qwen2-1.5B, диффузионный декодер SANA-1600M-512 с Linear DiT и VAE, а также обучающий проектор MCP; в описании размера диффузионного компонента README есть расхождение между 1,6 млрд и 600 млн параметров. Обучение проходило в три этапа на парах текст–изображение, курируемых парах и мультимодальных наборах. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка не сообщает о поддержке конкретных естественных языков; качество может зависеть от запроса и изображения, а заявленная мобильная направленность сама по себе не гарантирует работу на любом устройстве.

Mubsir-Qwen-2B-VL — визуально-языковая модель Hatim2221 для распознавания арабского рукописного текста. Она дообучена на базе Qwen2-VL-2B-Instruct с использованием KHATT — набора арабских рукописных строк, а обученные LoRA-веса объединены с базовой моделью. Модель содержит 2 млрд параметров и использует точность torch.float16. Модель принимает изображения с рукописным арабским текстом и преобразует их в цифровой текст. Она предназначена для OCR и HTR, в частности для транскрибирования сложного, неструктурированного арабского письма. В карточке также указана возможность диалога с изображениями, унаследованная от базовой визуально-языковой архитектуры. Модель распространяется по лицензии Apache-2.0. Её специализация на арабском рукописном тексте означает, что пригодность для других письменностей и типов изображений не подтверждена приведёнными данными.

elprofessor67/om-logistics-pod-new-v1 — дообученная модель elprofessor67 на основе elprofessor67/om-logistics-pod-new-v0, построенной на архитектуре Qwen3-VL. Она принимает изображения и текстовые запросы и формирует текстовые ответы; подходит для диалоговых сценариев с визуальными данными. В README указано, что при обучении использовались Unsloth и библиотека TRL. Модель распространяется по лицензии Apache-2.0.