I.4Обработка документов и форм

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.

OpenMed-PII-BigMed-Large-278M-v1 — модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная на наборе NVIDIA Nemotron-PII модель XLM-RoBERTa с архитектурой токеновой классификации; репозиторий содержит веса в формате safetensors. Модель рассчитана на выделение 54 типов чувствительных сущностей, включая имена, адреса, номера медицинских записей, финансовые и контактные данные. Для обработки текста можно использовать библиотеку Transformers. Размер по метаданным — 305,2 млн параметров, контекст — 514 токенов. Модель подходит для поиска чувствительных данных в клинических записях, медицинских документах и наборах данных, а также для подготовки текста к обезличиванию, аудиту и проверкам приватности. В README приведена оценка micro-F1 0,9524 на тестовой выборке из NVIDIA Nemotron-PII; качество различается по типам сущностей, а для некоторых категорий требуется дополнительная проверка. Модель предназначена для английского текста и должна использоваться как вспомогательный инструмент с проверкой результатов человеком. Лицензия — Apache-2.0.

OpenMed-PII-French-BigMed-Large-560M-v1 — модель OpenMed для обнаружения и классификации персональных и иных чувствительных данных во французском тексте. Это дообученная на основе FacebookAI/xlm-roberta-large модель XLM-RoBERTa для токен-классификации с 658,7 млн параметров и контекстом до 514 токенов. Она размечает 54 типа сущностей, включая имена, адреса, контактные и финансовые данные, идентификаторы и медицинскую информацию. Модель предназначена для поиска PII в клинических записях и документах, подготовки наборов данных к исследованию, деидентификации и аудита документов. В README приведён результат F1 0,9733 на французской части набора AI4Privacy; модель может помогать в рабочих конвейерах обработки документов и соблюдении требований приватности. Модель принимает текст и выдаёт метки токенов с границами обнаруженных сущностей. Она оптимизирована для французского языка: качество на других языках и специализированной терминологии может снижаться. Возможны пропуски чувствительных данных, поэтому критические результаты требуют проверки человеком. Лицензия — Apache-2.0.

OpenMed-PII-German-BioClinicalModern-Base-149M-v1 — модель OpenMed для выявления и классификации персональных и других чувствительных данных в немецком тексте. Это дообученный BioClinical-ModernBERT с плотной архитектурой ModernBERT, примерно 149 млн параметров и контекстом до 8192 токенов; модель использует классификацию токенов и возвращает BIO-разметку сущностей. Модель предназначена для поиска PII в клинических записях, медицинских документах и других текстах, чтобы поддерживать обезличивание, подготовку данных и проверки приватности. В карточке заявлено 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. На немецкой части AI4Privacy модель показала micro-F1 0,9456. Модель оптимизирована для немецкого языка; качество на других языках и в текстах с узкоспециализированной терминологией может быть ниже. Возможны пропуски чувствительных данных, поэтому критические результаты требуют проверки человеком. Лицензия — Apache-2.0.

OpenMed-PII-Italian-SuperClinical-Small-44M-v1 — модель OpenMed для обнаружения и классификации персональных и других чувствительных данных в итальянском тексте. Это дообученная на задаче разметки токенов модель на архитектуре DeBERTa V2; метаданные указывают 155 млн параметров, а README называет размер 44 млн. Контекст модели составляет 512 токенов. Модель размечает 54 типа сущностей, включая имена, адреса, контактные данные, финансовые идентификаторы и медицинские записи. Она предназначена для выявления PII в клинических заметках и документах, подготовки наборов данных к исследованиям и поддержки процессов деидентификации. README сообщает о micro F1 0,9559 на итальянской части AI4Privacy, но не приводит подробностей протокола оценки. Модель принимает текст и выдаёт метки токенов в формате BIO. Она обучена на итальянском подмножестве AI4Privacy PII Masking 400k и опубликована под лицензией Apache 2.0. Результаты могут зависеть от предметной области; модель может пропускать чувствительные данные, поэтому для критичных сценариев требуется проверка человеком.

Ornstein3.8-27B-i1-GGUF — квантизированная версия модели GestaltLabs/Ornstein3.8-27B, подготовленная mradermacher в формате GGUF. Это мультимодальная vision-модель для обработки изображений и текста с генерацией текста; в карточке указан английский язык. Объём исходной модели составляет 27 млрд параметров. Модель предназначена для сценариев, где требуется совместный анализ визуального и текстового ввода. Доступно множество вариантов квантизации i1, включая Q2_K, Q3, IQ3, Q4, Q5 и Q6, с размером файлов примерно от 11 до 22,5 ГБ. В README рекомендуются варианты i1-Q4_K_M как быстрые, а i1-Q4_K_S — как сбалансированные по размеру, скорости и качеству; IQ-квантизации могут обеспечивать лучшее качество при сопоставимом размере. Для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Сильная сторона модели — широкий выбор квантизаций для запуска на оборудовании с разными ресурсами, а также поддержка мультимодального взаимодействия. Ограничения карточки заключаются в отсутствии сведений о контекстном окне, точной архитектуре, системных требованиях, результатах тестирования и перечне языков помимо английского. Качество зависит от выбранного уровня квантизации: более компактные варианты экономят память, но могут заметно уступать более крупным по точности. Модель распространяется по лицензии Apache-2.0.

PanoVLM-500M — компактная модель «изображение—текст» от PanocularAI. Она объединяет визуальный энкодер FastViT-HD, языковую модель PanoLM с линейным вниманием и лёгкий проектор BitLinear. В метаданных указано около 385,1 млн параметров, а длина контекста составляет 131 072 токена. Модель принимает изображение и текст и предназначена для диалоговых сценариев с визуальными данными, например ответов на вопросы об изображении и его описания. README задаёт разрешение изображений 1024×1024 с изменением размера и дополнением; указано, что менять следует только разрешение. Для работы заявлены PyTorch, Transformers, flash-linear-attention и timm. Модель распространяется по лицензии Apache-2.0.

Pavarissy/phayathaibert-thainer — модель распознавания сущностей в тайском тексте, дообученная на базе clicknext/phayathaibert. Она использует архитектуру CamemBERT и предназначена для классификации токенов; в метаданных указан датасет pythainlp/thainer-corpus-v2. Модель содержит 304,7 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате safetensors для библиотеки Transformers. В README приведены результаты оценки: F1 0,8666, точность 0,8432, полнота 0,8915 и accuracy 0,9735. Эти показатели относятся к указанному набору оценки; подробности о разметке и сценариях использования в карточке не раскрыты. Лицензия — MIT.

PP-LCNet_x1_0_table_cls_onnx — модель классификации изображений таблиц, разработанная командой PaddlePaddle для использования в составе PaddleOCR. Она определяет категорию таблицы по её изображению, в частности различает таблицы с видимыми линиями и без них, чтобы передавать результат в последующие этапы распознавания и извлечения структуры таблиц. Модель основана на архитектуре PP-LCNet с масштабом x1_0 и распространяется в формате ONNX для запуска через ONNX Runtime. В README указаны поддерживаемые языки English и Chinese, однако входными данными являются изображения, поэтому языковые сведения, вероятно, относятся к соответствующему OCR-конвейеру. Размер модели составляет около 6,6 МБ. Точность Top-1 равна 94,2%; время инференса составляет 2,35 мс в обычном и 0,47 мс в высокопроизводительном режиме на GPU, а на CPU — 4,03 и 1,35 мс соответственно. Сильные стороны модели — компактный размер и высокая скорость, что делает её подходящей для потоковой обработки документов и интеграции в пайплайны распознавания таблиц. Ограничение заключается в узкой специализации: модель классифицирует изображения таблиц по заранее заданным категориям и не выполняет полноценное OCR, распознавание текста или восстановление структуры таблицы. Модель распространяется по лицензии Apache-2.0.

mlx-community/Qwen2.5-VL-3B-Instruct-8bit — 8-битная версия компактной мультимодальной модели Qwen2.5-VL-3B-Instruct, преобразованная сообществом mlx-community в формат MLX с помощью mlx-vlm 0.1.11. Модель основана на плотной архитектуре Qwen2.5-VL с 3,1 млрд параметров и предназначена для диалога с анализом изображений и генерацией ответов на естественном языке. Модель принимает текст и изображения, поддерживает контекст до 128 000 токенов и может использоваться для визуальных вопросов и ответов, описания изображений и структурированного вывода. Метаданные также указывают на интерфейс вызова инструментов. В карточке указана английская языковая поддержка. Для подробностей о возможностях README отсылает к карточке исходной модели. Лицензия в предоставленных данных не приведена.

lmstudio-community/Qwen3.5-4B-MLX-8bit — 8-битная квантованная версия модели Qwen3.5-4B, разработанной Qwen. Квантование выполнено командой LM Studio с использованием mlx_vlm, а модель оптимизирована для работы на устройствах Apple Silicon через MLX. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Известно, что исходная модель имеет размер 4B параметров, однако в README не приведены подробности её архитектуры, поддерживаемых языков, максимального контекста, набора мультимодальных возможностей, производительности или требований к памяти. Ключевое преимущество этой версии — снижение требований к ресурсам и оптимизация для Apple Silicon благодаря 8-битному представлению и MLX. Ограничения включают возможную потерю качества из-за квантования, зависимость от экосистемы Apple Silicon и отсутствие в предоставленных данных результатов тестирования или подробного описания сценариев применения. В метаданных указана лицензия Apache-2.0 для модели. Qwen является создателем исходной модели, а LM Studio предоставляет её общественную MLX-квантизацию, но не заявляет себя автором или владельцем исходной модели.

Карточка модели dragonstorm123/qwen3.5-4b-sft-base 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.

Qwen3.6-27B-MLX-5bit — 5-битная квантованная версия модели Qwen3.6-27B, разработанной командой Qwen. Квантование выполнено командой LM Studio с использованием MLX и mlx_vlm; модель оптимизирована для запуска на устройствах Apple Silicon. В карточке указано назначение image-text-to-text, поэтому модель предназначена для задач преобразования изображений и текста в текст, однако подробности о поддерживаемых языках, длине контекста и архитектуре не приведены. Ключевое преимущество модели — уменьшенный объём представления параметров по сравнению с полной версией, что делает её более подходящей для локального запуска на совместимом оборудовании Apple. Ограничения связаны с потерями точности, возможными для 5-битного квантования, зависимостью от экосистемы MLX и отсутствием в предоставленных данных конкретных показателей качества, требований к памяти и производительности. Модель распространяется по лицензии Apache 2.0.

Inferact/Qwen3.8-27B-NVFP4 — квантизированная версия модели Qwen3.8-27B, разработанной Qwen. Модель предназначена для задач image-text-to-text, то есть обработки текстовых и визуальных входных данных с генерацией текстового ответа. Точные сценарии применения, список поддерживаемых языков и особенности поведения в README не указаны. Модель доступна для использования через библиотеку Transformers. Известно, что она основана на Qwen/Qwen3.8-27B и имеет размер 27 млрд параметров; формат квантизации обозначен как NVFP4. Данные об архитектуре, модальностях помимо указанного pipeline, размере контекста, аппаратных требованиях, сильных сторонах и ограничениях отсутствуют. Модель распространяется по лицензии Apache-2.0, разрешающей использование, изменение и распространение при соблюдении условий лицензии.

Qwen3.8-27B-Uncensored — AWQ 5.0bpw — это квантованная версия модели orcarouter/Qwen3.8-27B-Uncensored, опубликованная ddark-il. Модель предназначена для генерации текста и обработки изображений с текстом, о чём свидетельствуют поддержка vision-language и pipeline image-text-to-text. Ключевой сценарий использования — локальный запуск мультимодальной языковой модели на совместимом оборудовании Apple MLX через oMLX. Модель содержит 27 млрд параметров и занимает около 17,35 ГБ. Используется AWQ-квантование со средней точностью 5,00 бит на вес и группой gs64; отдельные компоненты имеют разрядность от 4 до 8 бит. Квантованы языковая часть, attention, embeddings, lm_head, MTP head и vision tower, при этом 27 тензоров vision linear_fc2 сохранены в формате bf16. В состав чекпойнта входят веса MTP для multi-token prediction. Токенизатор, chat template и конфигурационные файлы взяты из fine-tune-версии. Сильные стороны модели — заметное сокращение требований к памяти по сравнению с полноразмерной версией, сохранение мультимодального vision-компонента и оптимизация квантования с использованием AWQ-калибровки и поиска MSE-клипа для MLP. Ограничение состоит в необходимости использовать oMLX: стандартные mlx_lm и mlx_vlm могут удалять MTP и vision-компоненты либо некорректно применять сдвиг нормализации. Языки и размер контекстного окна в README не указаны. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-4B-Instruct-MLX-5bit — это 5-битная квантизированная версия мультимодальной модели Qwen3-VL-4B-Instruct, разработанной командой Qwen. Квантизация выполнена командой LM Studio с использованием mlx_vlm, а модель оптимизирована для запуска на компьютерах Apple Silicon через MLX. Модель предназначена для сценариев image-text-to-text: обработки изображений совместно с текстовыми запросами и генерации текстовых ответов. Она может использоваться локально в приложениях и рабочих процессах, поддерживающих MLX и мультимодальные модели, включая LM Studio. Размер исходной модели составляет 4B параметров, однако сведения о точной архитектуре, максимальной длине контекста и поддерживаемых языках в README не указаны. Ключевые преимущества модели — сниженные требования к памяти по сравнению с полноразмерной версией и оптимизация для Apple Silicon. Ограничения связаны с 5-битной квантизацией, которая может влиять на точность и качество ответов, а также с зависимостью от совместимого программного окружения. Как и другие генеративные модели, она может выдавать неточную, вредную или неподходящую информацию. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-8B-Instruct-MLX-8bit — мультимодальная модель класса image-text-to-text, разработанная Qwen на основе Qwen3-VL-8B-Instruct. Она предназначена для обработки изображений и текста, включая сценарии визуального анализа и генерации текстовых ответов по представленному контексту. Модель содержит 8 миллиардов параметров и представлена в 8-битной квантизированной версии MLX, оптимизированной для работы на устройствах с Apple Silicon. Квантизацию выполнила команда LM Studio с использованием mlx_vlm. В README не указаны поддерживаемые языки, максимальная длина контекста и детальные сведения об архитектуре или результатах оценки качества. Ключевые преимущества модели — мультимодальность, относительно компактный размер по сравнению с более крупными вариантами и оптимизация для локального запуска на Apple Silicon. Ограничения связаны с потерями точности, возможными для 8-битной квантизации, а также с тем, что модель может генерировать неточные или неподходящие ответы. Модель распространяется по лицензии Apache 2.0.

Buseak/spellcorrector_20_02_050_qwerty_v11 — дообученная модель семейства CANINE для классификации токенов, предназначенная для коррекции орфографических ошибок. По карточке, модель дообучена на базе Buseak/spellcorrector_20_02_050_qwerty_v7; указанный датасет обозначен как None. Архитектура CanineForTokenClassification содержит 113,2 млн параметров, формат весов — safetensors, длина контекста — до 16 384 токенов. Модель может использоваться для разметки токенов при исправлении опечаток, в том числе в тексте с раскладкой QWERTY. В карточке приведены результаты оценки: precision 0,9989, recall 0,9984, F1 0,9987 и accuracy 1,0000; без сведений о составе и размере тестовой выборки эти показатели нельзя переносить на другие данные. Модель распространяется по лицензии Apache-2.0.

cyttic/trocr-webfonts7 — дообученная модель cyttic/exp2-frozen-benyehuda-cont на неизвестном наборе данных. Это модель архитектуры vision-encoder-decoder, предназначенная для преобразования изображения в текст; карточка сообщает о CER 0,0216 и WER 0,0611 на оценочном наборе. Модель подходит для распознавания текста на изображениях, в частности текста веб-шрифтов, что отражено в её названии. Данные не раскрывают поддерживаемые языки, длину контекста или подробные условия применения. Весы опубликованы в формате safetensors; библиотека — Transformers. Лицензия в предоставленных данных не указана.

ViGOS-3B — мультимодальная модель для анализа изображений, разработанная в рамках подхода Visual Grounding On-Policy Self-Distillation. Это дообученная версия Qwen/Qwen2.5-VL-3B-Instruct с архитектурой Qwen2.5-VL, примерно 3,1 млрд параметров и контекстом до 128 000 токенов. Она принимает изображение и вопрос или инструкцию и генерирует текстовый ответ; при запросе может описывать визуальные признаки, рассуждать и выдавать итоговый ответ. Модель предназначена для исследований и разработки в области визуальных вопросов и ответов, визуальной математики, анализа диаграмм и графиков, OCR с опорой на изображение, пространственных рассуждений и визуального заземления. Метод обучения направлен на то, чтобы модель сначала сформировала описание изображения, прежде чем рассуждать и отвечать; на инференсе используются только изображение, запрос и формат ответа. В карточке приведены результаты на бенчмарках, включая MM-Vet, MMMU и ViLP. Модель может выдавать правдоподобные, но неверные описания и рассуждения, поэтому её ответы требуют проверки. Её не следует использовать как единственного принимающего решения инструмента в медицине, праве, финансах, робототехнике с критическими требованиями к безопасности, наблюдении или идентификации. Лицензия указана как other; конкретные условия использования следует уточнить в карточке репозитория.

ViGOS-7B — мультимодальная модель для анализа изображений, разработанная на основе Qwen/Qwen2.5-VL-7B-Instruct с помощью метода дообучения Visual Grounding On-Policy Self-Distillation. Она принимает изображение и вопрос или инструкцию, а затем формирует описание визуальных свидетельств, рассуждение и итоговый ответ. Учителя и эталонные ответы используются при обучении, но не нужны во время генерации. Модель предназначена для исследований и разработки в задачах визуальных вопросов и ответов, математических задач по изображениям и диаграммам, OCR и анализа графиков, пространственных рассуждений и визуального заземления. Архитектура — плотная Qwen2.5-VL с 7,1 млрд параметров; контекст — до 128 000 токенов. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. ViGOS нацелена на снижение зависимости от языковых подсказок и повышение опоры на визуальные данные. Модель может выдавать правдоподобные, но ошибочные описания и рассуждения; она не должна быть единственным основанием для решений с высокими ставками. В оценке для бенчмарков итоговый ответ извлекается из последнего блока \boxed{...}, поэтому ответы без такого формата могут не засчитываться.

Модель asanka25/xlm-roberta-base-finetuned-conll03-english-finetuned-sinhala — модель XLM-RoBERTa для распознавания именованных сущностей. Автор сначала дообучил xlm-roberta-base на датасете CoNLL 2003, а затем повторно обучил модель на данных для распознавания сущностей на сингальском языке, приведённых к формату CoNLL. Архитектура — XLMRobertaForTokenClassification, размер — 305,2 млн параметров, контекст — до 514 токенов. Модель предназначена для разметки токенов текста тегами сущностей, в частности для NER на сингальском языке; также в истории обучения указана английская версия CoNLL 2003. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Drop-Lychee-1-0-ultra-flash — дообученная mx-llms модель семейства Qwen3.5 для диалоговых задач с изображениями. Она принимает текст и изображения и формирует текстовые ответы; в метаданных также указана возможность работы через интерфейс вызова инструментов. Модель построена на плотной архитектуре Qwen3_5ForConditionalGeneration и распространяется в формате safetensors. Для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель подходит для диалога по изображениям и ответов на вопросы с визуальным контекстом. Она лицензирована по Apache-2.0. README не сообщает размер модели, длину контекста или конкретные результаты оценки качества.

ERNIE-4.5-VL-424B-A47B-Base — базовая мультимодальная модель компании Baidu, предназначенная для понимания текста и изображений и генерации ответов с учётом визуального контекста. Модель построена на архитектуре Mixture of Experts (MoE): в README указано 424 млрд параметров всего и 47 млрд активируемых параметров на токен, а метаданные каталога приводят 47,1 млрд параметров. Она принимает текст и изображения и выдаёт текст; заявленная длина контекста — 131 072 токена. Модель предварительно обучена на текстовых и визуальных данных. Её можно применять для диалога по изображениям, визуальных вопросов и ответов, описания изображений и межмодального рассуждения. Карточка сообщает о поддержке китайского и английского языков. Для запуска используются веса PaddlePaddle; лицензия — Apache-2.0. README отмечает, что полная поддержка модели в vLLM ещё разрабатывается.

gemma-4-26B-A4B-it-QAT-MLX-4bit — 4-битная версия модели Gemma 4 26B A4B it QAT, разработанной Google. Данная сборка преобразована и квантизирована в формате MLX командой LM Studio с использованием mlx_vlm и оптимизирована для запуска на устройствах с Apple Silicon. Модель предназначена для задач image-text-to-text, то есть может обрабатывать текстово-визуальные запросы и генерировать текстовые ответы. README не содержит сведений о поддерживаемых языках, размере контекстного окна, точной архитектуре, требованиях к памяти или результатах тестирования, поэтому эти характеристики нельзя определить по имеющимся данным. Ключевое преимущество сборки — снижение требований к памяти и вычислительным ресурсам благодаря 4-битной квантизации, а также адаптация к экосистеме Apple Silicon. К возможным ограничениям относятся потенциальное снижение точности по сравнению с исходной моделью из-за квантизации и зависимость от совместимого программного окружения MLX; конкретное влияние на качество в README не описано. Модель распространяется по лицензии Apache 2.0.

Huihui-Qwen3-VL-4B-Instruct-abliterated-GGUF — набор квантованных версий мультимодальной модели Huihui-Qwen3-VL-4B-Instruct-abliterated, разработанной huihui-ai. Модель относится к классу image-text-to-text и предназначена для задач, где требуется обрабатывать изображения вместе с текстовыми запросами и генерировать текстовые ответы. В карточке указано, что доступны форматы GGUF, обновлённые с использованием imatrix от unsloth. Базовая модель имеет размер 4B параметров и ориентирована на запуск через llama.cpp; для работы рекомендуется использовать последнюю версию этого инструмента. Для визуального модуля mmproj предпочтителен вариант F32, поскольку он должен обеспечивать лучшее качество по сравнению с BF16 и F16, хотя требует больше ресурсов. Конкретные поддерживаемые языки, размер контекстного окна, архитектурные детали, лицензия, результаты оценки и ограничения в README не указаны.

InternVL3.5-4B — мультимодальная чат-модель семейства InternVL3.5, разработанная OpenGVLab. Она принимает текст и изображения и формирует текстовые ответы; подходит для визуальных вопросов и ответов, анализа изображений и мультимодальных рассуждений. По метаданным это плотная архитектура InternVLChatModel на базе Transformers; модель представлена в формате safetensors и связана как дообучение с OpenGVLab/InternVL3_5-4B-MPO. В семействе InternVL3.5 применяются Cascade RL для улучшения рассуждений и Visual Resolution Router для динамической настройки разрешения визуальных токенов. Семейство также описано как поддерживающее взаимодействие с графическим интерфейсом и агентные сценарии, однако карточка не подтверждает все эти возможности отдельно для версии 4B. Модель выпущена под лицензией Apache 2.0.

InternVL-Chat-V1-5-AWQ — мультимодальная модель для задач, объединяющих работу с изображениями и текстом, разработанная командой OpenGVLab. Она предназначена для визуально-языковых сценариев, включая описание изображений и диалоговое взаимодействие по их содержимому. Модель доступна в экосистеме Transformers и поддерживает инференс через LMDeploy, в том числе в пакетном офлайн-режиме и как REST-сервис с OpenAI-совместимым API. Это квантованная версия OpenGVLab/InternVL-Chat-V1-5 с квантизацией весов AWQ в формате W4A16: веса представлены с точностью 4 бита, а активации — 16 бит. Для ускорения инференса используются оптимизированные CUDA-ядра LMDeploy; заявлено ускорение до 2,4 раза по сравнению с FP16. README не содержит точных сведений о числе параметров, архитектуре, размере контекста и перечне поддерживаемых языков, указывая язык как multilingual. Для работы требуется LMDeploy версии 0.5.3 или новее и совместимая NVIDIA GPU: Turing, Ampere или Ada Lovelace, включая серии 20, 30 и 40, а также T4, A10, A16, A30 и A100. Модель распространяется по лицензии MIT; при этом использует предварительно обученную internlm2-chat-20b, распространяемую по Apache License 2.0.

FrameByFrame разработала модель для обнаружения персональных данных в корейском тексте. Это дообученная для токенной классификации версия multilingual-e5-base на основе двунаправленного энкодера XLM-RoBERTa с 305,2 млн параметров и контекстом до 514 токенов. Модель размечает девять категорий PII, включая имена, адреса, телефоны, электронную почту, URL, IP-адреса и номера счетов; выдаёт метки BIOES, которые можно преобразовать в символьные диапазоны для последующего удаления или маскировки данных. Модель предназначена для поиска корейских персональных данных в разговорной речи, новостях и документах. В README приведены результаты F1 0,943 на тесте KDPII, 0,866 на новостях KLUE-NER и 0,995 на тестовых документах из страховой и государственной сфер; последний результат может завышать переносимость на реальные данные. Указанные языки — корейский и английский, однако специализация модели — корейский текст. Лицензия — MIT.

Мультимодальная модель rahul7star, дообученная на базе LiquidAI/LFM2.5-VL-3B для диалога с изображениями и ответов на визуальные запросы. Она принимает текст и изображения и генерирует текст; архитектура относится к семейству lfm2_vl, веса представлены в формате safetensors. В карточке указана возможность интеграции с интерфейсом вызова инструментов. Модель подходит для описания изображений и диалога по их содержимому. Базовая модель Liquid AI также предназначена для локального анализа изображений и OCR с разметкой страниц, однако README этого чекпойнта не приводит подробностей о собственных обучающих данных или качестве на таких задачах. Карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0.