I.4Обработка документов и форм

Карточка модели cemilakkoc/moondream на Hugging Face совпадает с карточкой pranay-ar/moondream2, поэтому описание составлено по ней. 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.

OpenMed-PII-French-BioClinicalBERT-Base-110M-v1 — модель OpenMed для обнаружения и классификации персональных данных во французском тексте. Это дообученная для токенной классификации архитектура BERT на базе emilyalsentzer/Bio_ClinicalBERT; в метаданных указано 135,5 млн параметров, контекст до 512 токенов и формат safetensors. Модель находит 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, медицинские и финансовые сведения, контактные данные и даты. Модель предназначена для разметки PII в клинических записях, медицинских документах и других французских текстах, чтобы поддерживать обезличивание, подготовку наборов данных и аудит документов. По карточке, на французской части AI4Privacy модель показала Micro F1 0,9381. Распространяется по лицензии Apache-2.0. Карточка рекомендует использовать модель как вспомогательный инструмент с проверкой человеком: возможны пропуски персональных данных, а качество может меняться в зависимости от терминологии и контекста. Она оптимизирована для французского языка и может хуже работать на других языках.

OpenMed разработала OpenMed-PII-Portuguese-BigMed-Large-560M-v1 — модель на базе XLM-RoBERTa Large, дообученную для поиска и классификации персональных данных в португальском тексте. Она размечает токены BIO-тегами и распознаёт 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Число параметров по метаданным — 658,7 млн, максимальная длина контекста — 514 токенов. Модель предназначена для выявления PII в медицинских записях и документах, автоматизированного обезличивания, проверки коллекций документов и подготовки данных к исследованиям. В README приведён результат micro F1 0,8848 на португальском тестовом наборе AI4Privacy и синтетических данных; заявлены примеры с бразильскими форматами, включая CPF, телефоны с кодом +55 и валюту R$. Модель оптимизирована для португальского и может хуже работать на других языках или специализированной терминологии; пропуски чувствительных данных требуют проверки человеком. Лицензия — Apache-2.0.

OpenMed-PII-Spanish-BioClinicalModern-Base-149M-v1 — модель OpenMed для обнаружения и классификации персональных и других чувствительных данных в испанском тексте. Это дообученная на задаче классификации токенов модель ModernBERT с 149 млн параметров и контекстом до 8192 токенов; она принимает текст и размечает найденные сущности, включая имена, адреса, идентификаторы, медицинские и финансовые сведения, контакты и даты. Модель предназначена для обезличивания испанских клинических записей и документов, подготовки исследовательских наборов данных и аудита коллекций документов на наличие чувствительных сведений. В README сообщается о Micro F1 0,8796 на испанской части AI4Privacy; заявлены 54 типа сущностей. Модель обучалась на тексте без диакритических знаков, поэтому перед обработкой рекомендуется удалять акценты. Возможны пропуски сущностей и снижение качества на специализированной терминологии или других языках, поэтому критические результаты требуют проверки человеком. Лицензия — Apache-2.0.

PE-Lang-L14-448 — визуальный энкодер Meta из семейства Perception Encoder, обученный на контрастном выравнивании изображений и текста и дополнительно настроенный для задач мультимодального языкового моделирования. Он извлекает языково-информативные признаки из изображений и рассчитан на использование вместе с языковым декодером, например Llama или Qwen; особенно хорошо подходит для OCR и работы с документами. В приведённых авторами оценках использовался замороженный энкодер с декодером Llama 3.1 8B и изображениями размером 448 пикселей без тайлинга. Модель также относится к семейству энкодеров для понимания видео, однако карточка этого чекпойнта не описывает отдельную конфигурацию или загрузочный код для видео. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Это компонент энкодера, а не самостоятельный чат-ассистент: для генерации ответов требуется языковой декодер и соответствующая мультимодальная обвязка. В карточке приведены результаты бенчмарков, но нет загрузочного кода и сведений о размере модели или длине контекста.

DhruvalLabs/Qwen2.5-VL-3B-Instruct-GGUF — это квантованные версии мультимодальной модели Qwen2.5-VL-3B-Instruct, разработанной Qwen и подготовленные Dhptl с использованием quant-kit. Модель предназначена для работы с текстом и изображениями: она может отвечать на вопросы по изображениям, описывать визуальное содержимое и выполнять обычную генерацию текста. Поддерживаются llama.cpp, LM Studio, Jan и Ollama, что делает модель подходящей для локального запуска на устройствах с ограниченными ресурсами. Архитектура состоит из двух компонентов: текстовой основы Qwen2.5-VL-3B-Instruct в формате GGUF и отдельного vision encoder в файле mmproj. Доступны варианты квантования от Q2_K до Q8_0; рекомендуемым указан Q4_K_M, размер которого составляет 1,80 ГБ при потребности примерно в 3,3 ГБ RAM. Vision encoder всегда поставляется в формате F16 и требует около 1,25 ГБ. Для работы с изображениями необходимо скачать оба файла и разместить их в одной папке. Сильные стороны модели — мультимодальность, небольшие размеры квантованных файлов и возможность локального запуска через популярные инструменты. Более сильное квантование экономит память, но приводит к заметной потере качества; варианты Q6_K и Q8_0 ближе к качеству оригинала, но требуют больше RAM. В README не указаны точные характеристики контекстного окна и полный список поддерживаемых языков; заявлен английский язык. Модель распространяется по лицензии qwen-research.

mlx-community/Qwen3.5-9B-bf16 — мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 9 млрд параметров, подготовленная сообществом mlx-community для запуска в экосистеме MLX. По метаданным, модель поддерживает диалоговый режим и понимание изображений, а её основная задача — image-text-to-text: она принимает текст и изображения и формирует текстовые ответы. Карточка сообщает, что модель преобразована в формат MLX из Qwen/Qwen3.5-9B с помощью mlx-vlm 0.3.12; базовая модель в метаданных указана как Qwen/Qwen3.5-9B-Base. Репозиторий содержит веса safetensors. Модель распространяется по лицензии Apache-2.0. README отсылает за дополнительными подробностями к исходной карточке, поэтому конкретные параметры контекста и перечень поддерживаемых языков здесь не приводятся.

Qwen3.5-9B-Deepseek-reasoning-unlimited — дообученная модель, опубликованная sulpikar2 на основе sulpikar2/Qwen3.5-9B-Deepseek-reasoning. Это плотная мультимодальная модель семейства Qwen 3.5 с архитектурой Qwen3_5ForConditionalGeneration, предназначенная для диалогов с текстом и изображениями; также поддерживает интерфейс вызова инструментов. В карточке указано обучение с использованием Unsloth и библиотеки TRL от Hugging Face. Модель размечена для задачи image-text-to-text и поддерживает английский язык. Репозиторий содержит веса Safetensors и вариант GGUF BF16. Лицензия — Apache-2.0. Подробности о размере контекста, качестве и ограничениях применения в карточке не приведены.

akdeniz27/roberta-base-cuad — модель RoBERTa Base, дообученная на наборе данных CUAD для ответа на вопросы по договорам. Она предназначена для извлечения ответов на вопросы из текста юридических документов, например поиска конкретных условий и положений в контракте. Модель имеет архитектуру RoBERTa для извлечения фрагментов ответа, содержит 151,8 млн параметров и рассчитана на контекст до 514 токенов. Поддерживаемый язык — английский; веса доступны в форматах PyTorch и Safetensors. README не сообщает лицензию, поэтому условия использования не уточнены.

Mjolnirslams/roberta-base-squad2-cuad — англоязычная модель извлечения ответов на основе RoBERTa-base, разработанная для выделения фрагментов коммерческих договоров. Она дообучена на CUAD v1 — наборе из 510 договоров с 41 категорией условий, размеченных юристами. В конвейере Verity модель извлекает дословный текст положения и его символьные смещения после того, как отдельный классификатор определит категорию. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForQuestionAnswering и принимает контекст до 514 токенов. Для получения качественных результатов на вход следует подавать исходные вопросы категорий CUAD: свободная формулировка вопроса снижает точность. На отложенной выборке из 51 договора указаны macro F1 0,73 для обрезанных фрагментов и 0,83 для полных, а macro EM — 0,81; авторы отмечают, что разбиение отличается от используемого в других работах. Модель предназначена для извлечения условий договоров, а не для общих юридических вопросов. Данные CUAD преимущественно охватывают коммерческие договоры США, поэтому качество на договорах других юрисдикций и слабо представленных типов неизвестно; кроме того, за один проход модель предсказывает один непрерывный фрагмент, что ограничивает полноту для разнесённых условий. Лицензия — CC BY 4.0.

Sarashina2-Vision-8B — японская визуально-языковая модель SB Intuitions для диалога по изображениям. Она основана на Sarashina2-7B и использует визуальный энкодер Qwen2-VL-7B; модель имеет плотную архитектуру Sarashina2VisionForCausalLM и содержит 8 млрд параметров. Модель принимает изображение вместе с текстовым запросом и генерирует текстовые ответы: например, описывает содержимое фотографии, распознаёт объекты и отвечает на вопросы о сцене. Она предназначена прежде всего для японского языка; в метаданных также отмечен английский. В README приведены сравнительные результаты на японских бенчмарках JMMMU, Heron-Bench и JDocQA. Модель дообучена на базе Sarashina2-7B в несколько этапов: настраивались проектор, визуальный энкодер и языковая модель с использованием наборов подписей к изображениям и визуальных инструкций. Доступна по лицензии MIT. По данным авторов, возможны бессмысленные или неточные ответы, а также предвзятый либо нежелательный контент; для практического применения авторы рекомендуют дополнительную настройку с учётом человеческих предпочтений и требований безопасности.

Модель stefan-it/span-marker-gelectra-large-germeval14 разработана на базе GELECTRA Large и дообучена с архитектурой SpanMarker для распознавания именованных сущностей в немецком тексте. Она предназначена для разметки персон, мест, организаций и прочих сущностей, включая производные от именованных сущностей и составные слова с их фрагментами. Обучение проводилось на наборе GermEval 2014, составленном из немецкой Википедии и новостных текстов. На официальной тестовой оценке GermEval 2014 модель достигла F1 89,08%. Репозиторий содержит веса PyTorch в формате safetensors. Модель распространяется по лицензии MIT. Она ориентирована на немецкий язык и схему разметки GermEval 2014; качество на других языках, доменах или схемах сущностей не подтверждено.

Это многоязычная модель XLM-RoBERTa-large, разработанная Facebook AI и дообученная на испанской части набора CoNLL-2002. Архитектура — трансформер XLM-RoBERTa для заполнения маски; модель содержит 658,7 млн параметров и поддерживает контекст до 514 токенов. Базовая модель обучалась на 100 языках на отфильтрованных данных CommonCrawl. Модель предназначена для предсказания скрытых токенов и может применяться к классификации токенов, включая распознавание именованных сущностей и разметку частей речи в испанском тексте. Для испанской NER она дообучена на CoNLL-2002; карточка также описывает более широкую многоязычную основу, но не подтверждает равное качество этих задач на других языках. Возможны смещения и воспроизведение стереотипов, а сгенерированные продолжения могут быть оскорбительными. Лицензия в карточке не определена, поэтому условия использования следует уточнить у владельца модели.

CKIP ALBERT Tiny Chinese — компактная модель на архитектуре ALBERT для классификации токенов в традиционном китайском языке. Её разработал Mu Yang из CKIP; карточка проекта описывает набор традиционно-китайских моделей и инструментов для сегментации слов, разметки частей речи и распознавания именованных сущностей. Для этой модели основная задача — распознавание сущностей в тексте. Модель содержит 12,8 млн параметров, использует формат PyTorch и поддерживает контекст до 512 токенов. Для токенизации автор рекомендует BertTokenizerFast. Модель подходит для извлечения сущностей из традиционно-китайских текстов, например имён людей, организаций и мест, однако карточка не уточняет набор меток и показатели качества. Лицензия — GPL-3.0.

THemidli разработал Applied NER Stage 3 — компактную модель распознавания именованных сущностей на английском языке. Это двухслойная uncased BERT-модель с архитектурой BertForTokenClassification, дообученная на основе google/bert_uncased_L-2_H-128_A-2. Она содержит около 4,4 млн параметров, принимает текст и поддерживает контекст до 512 токенов; репозиторий использует формат safetensors и библиотеку Transformers. Модель размечает токены в восемь категорий с BIO-кодированием: PERSON, ORGANIZATION, LOCATION, TIMEDATE, PRODUCT, WORKOFART, JOB и AMOUNT. Её можно применять для извлечения людей, организаций, мест, дат и времени, продуктов, произведений, должностей и денежных сумм из английских текстов, в том числе как лёгкую базовую модель для экспериментов и обработки коротких фрагментов. На тестовой выборке точность по точным границам сущностей составила F1 0,4685, а на 40 вручную размеченных диагностических примерах — 0,4785. Модель обучена на небольшом разнородном наборе данных; слабее распознаёт редкие произведения и продукты, различает компании и продукты по контексту, а также ошибается в точных границах и именах с большим числом субслов. Автор характеризует её как компактную базовую модель, а не готовую систему для защиты персональных данных. Лицензия — Apache-2.0.

Мультимодальная модель семейства Gemma 3 с плотной архитектурой, предназначенная для диалогового понимания текста и изображений с генерацией текстовых ответов. Репозиторий mlx-community содержит 8-битную версию Gemma 3 4B IT, преобразованную из google/gemma-3-4b-it в формат MLX с помощью mlx-vlm 0.1.18. Модель подходит для вопросов по изображениям, визуального описания и обычного общения с текстовым помощником. Входные данные — текст и изображения, выход — текст. Размер — 4 млрд параметров; карточка Hugging Face относит её к задаче image-text-to-text и указывает библиотеку Transformers. Лицензия — Gemma; для условий использования следует учитывать лицензию и правила Google для семейства Gemma.

MLX-совместимая 4-битная модель Gemma 4 с 12 млрд параметров в варианте instruction-tuned (it). По идентификатору она относится к семейству Gemma, однако разработчик в предоставленном README явно не указан. Модель предназначена для задач преобразования изображений и текста в текст и может применяться в мультимодальных сценариях, где вход включает визуальную и текстовую информацию. Из доступных данных известно, что модель рассчитана на использование с библиотекой MLX, поддерживает английский язык и имеет тег image-text-to-text. Квантование до 4 бит уменьшает требования к памяти, но конкретные характеристики архитектуры, размер контекста, поддерживаемые модальности помимо указанной, сильные стороны, ограничения и лицензия в README не описаны.

Это 8-битная MLX-квантизированная версия модели gemma-4-26B-A4B-it, разработанной Google. Квантизацию выполнила команда LM Studio с использованием mlx_vlm; модель предназначена для запуска на устройствах с Apple Silicon. Модель относится к мультимодальному классу image-text-to-text и предназначена для задач, в которых требуется обрабатывать изображения и текст и генерировать текстовые ответы. Идентификатор содержит обозначение размера 26B A4B, однако в README не приведены подробности архитектуры, точное число активных параметров, поддерживаемые языки или размер контекстного окна. Ключевое преимущество модели — 8-битное представление и оптимизация на базе MLX для Apple Silicon, что должно облегчать локальный запуск на совместимом оборудовании по сравнению с полноразмерной версией. Ограничения связаны с зависимостью от экосистемы Apple Silicon, влиянием квантизации на качество и отсутствием в предоставленных данных подробных результатов тестирования, характеристик производительности и ограничений безопасности. Модель распространяется по лицензии Apache 2.0.

mlx-community/gemma-4-31b-it-4bit — это 4-битная версия мультимодальной модели Gemma 4 31B-it, разработанной Google и преобразованной сообществом mlx-community в формат MLX из базовой модели google/gemma-4-31B-it. Модель предназначена для задач image-text-to-text: она может анализировать изображения и генерировать текстовые ответы, в том числе в conversational-сценариях. Ключевые характеристики модели — семейство Gemma 4, размер 31B параметров, instruction-tuned настройка, поддержка работы с изображениями и текстом, 4-битное квантование и формат MLX. README не содержит сведений о поддерживаемых языках и размере контекстного окна. Формат MLX ориентирован на использование в экосистеме MLX, а запуск возможен через библиотеку mlx-vlm. К сильным сторонам относятся мультимодальность, возможность следовать инструкциям и сниженные требования к памяти благодаря 4-битному представлению. Ограничениями являются зависимость от MLX-совместимой среды, возможные потери качества из-за квантования и отсутствие в доступных данных подробных сведений о производительности, языках и контекстном окне. Модель распространяется по лицензии Apache-2.0.

GLM-5.3-FlashX — высокоскоростной вариант GLM-5.3-Flash от Z.ai. Это нативная мультимодальная модель на гибридной архитектуре разреженного и линейного внимания; заявленная скорость генерации достигает 200 токенов в секунду. Модель предназначена для мультимодальных сценариев, классифицированных в каталоге как image-text-to-text. Доступные сведения не раскрывают конкретные поддерживаемые языки, размер модели, длину контекста или условия лицензии, поэтому эти характеристики здесь не уточняются.

Holo-3.1-9B-GGUF — это локально запускаемая GGUF-версия мультимодальной vision-language модели Holo-3.1-9B, разработанной Hcompany и опубликованной в данном формате пользователем prithivMLmods. Модель предназначена для создания компьютерных агентов, работающих с браузерами, настольными и мобильными интерфейсами, а также для автоматизации пользовательских интерфейсов, UI grounding и бизнес-процессов. Модель поддерживает обработку текста и изображений, ориентирована на английский язык и имеет около 9 млрд параметров. В заявленных возможностях — native function calling для интеграции с агентскими фреймворками и выполнение действий в графических интерфейсах. Репозиторий содержит варианты квантования от Q2_K до Q8_0, а также BF16 и F16; размер файлов составляет примерно от 3,83 до 17,9 ГБ, отдельно предоставляются мультимодальные проекторы mmproj. Это позволяет выбирать компромисс между качеством, требованиями к памяти и скоростью локального запуска. Сильные стороны модели — мультимодальность, поддержка компьютерного и мобильного использования, интеграция с агентами и возможность локального развертывания с оптимизированными квантованными контрольными точками. Ограничения README не описывает подробно: не указаны длина контекста, конкретная архитектура, результаты бенчмарков, требования к оборудованию и поддерживаемые языки помимо английского. Модель распространяется по лицензии Apache-2.0.

mlx-community/InternVL3-14B-4bit — 4-битная версия InternVL3-14B, преобразованная сообществом mlx-community в формат MLX из models/InternVL3-14B с помощью mlx-vlm 0.1.25. Это мультимодальная чат-модель семейства InternVL для диалога по изображениям и задач визуального понимания; она принимает текст и изображения и формирует текстовые ответы. Метаданные классифицируют её как модель image-text-to-text и указывают поддержку диалога и интерфейс вызова инструментов, а также многоязычность. Репозиторий распространяется по лицензии Apache-2.0. README описывает преобразование формата и квантизацию до 4 бит, однако метаданные связывают модель с OpenGVLab/InternVL3-1B-Instruct как дообученную; базовая модель требует уточнения по первичной карточке.

InternVL3-14B-Instruct — мультимодальная модель OpenGVLab для диалога и генерации ответов по тексту и визуальным данным. Это версия SFT семейства InternVL3: она прошла мультимодальное предварительное обучение и supervised fine-tuning, но не этап MPO. Архитектура следует схеме ViT-MLP-LLM и реализована классом InternVLChatModel; модель доступна в формате safetensors для Transformers. Модель предназначена для понимания изображений и видео, мультимодальных рассуждений и диалога, а также задач с несколькими изображениями, GUI, 3D-сценами и научными диаграммами. Визуальная часть использует динамическое разбиение изображений на фрагменты 448×448 и позиционное кодирование V2PE; README также заявляет улучшенное понимание длинного контекста, но числовая длина контекста здесь не приведена. В семействе заявлена многоязычность. Модель может быть полезна для описания изображений, вопросов и ответов по визуальному содержимому, анализа видео и работы с GUI. README рекомендует тем, кто не уверен в выборе версии, использовать InternVL3-14B. Репозиторий указывает лицензию Apache-2.0. Ограничения качества, ресурсоёмкости и поддержки конкретных языков в предоставленных материалах подробно не описаны.

soddokayo/koelectra-base-klue-ner — дообученная модель семейства ELECTRA для распознавания именованных сущностей в корейском тексте. Она основана на monologg/koelectra-base-v3-discriminator и обучена на наборе данных KLUE. Модель содержит 140,1 млн параметров, использует архитектуру ElectraForTokenClassification и принимает последовательности длиной до 512 токенов. Модель предназначена для извлечения и классификации сущностей в тексте на корейском языке. В оценке на тестовой выборке KLUE указаны F1 0,7911, точность 0,7710, полнота 0,8124 и accuracy 0,9588. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Подробные сведения о составе обучающих данных, типах сущностей и ограничениях применения в карточке не приведены.

daekeun-ml/ko-trocr-base-nsmc-news-chatbot — экспериментальная корейская модель распознавания текста на изображениях, созданная для проверки концепции на основе архитектуры TrOCR. Это модель типа VisionEncoderDecoder: в энкодере использованы веса facebook/deit-base-distilled-patch16-384, а в декодере — klue/roberta-base. Для обучения синтезировали изображения текста и собрали 637 401 текстовый пример из данных для суммаризации новостей, классификации тональности отзывов о фильмах и чат-бота. В README рекомендовано расширить обучающие данные и продолжить обучение или выполнить дообучение; гиперпараметры подбирались эвристически, без отдельной настройки. Модель выпущена под лицензией MIT.

LiquidAI/LFM2.5-VL-3B-ONNX — ONNX-версия мультимодальной модели LFM2.5-VL-3B, разработанная компанией Liquid AI. Это гибридная модель нового поколения, ориентированная на edge AI и запуск непосредственно на устройствах. Модель принимает изображения и текст и генерирует текстовые ответы, поэтому предназначена для визуального анализа, описания изображений и построения мультимодальных приложений с локальным или браузерным выполнением. Модель имеет размер 3 млрд параметров и поставляется в формате ONNX для использования с ONNX Runtime и Transformers.js версии 4.0 или новее. README указывает поддержку WebGPU, включая запуск в браузере, а также варианты представления FP16 и квантования Q4 для отдельных компонентов, что помогает снизить требования к памяти. Заявленные сильные стороны — сочетание качества, скорости и эффективности памяти при edge-развёртывании. Поддерживаются арабский, китайский, английский, французский, немецкий, хинди, индонезийский, итальянский, японский, корейский, польский, португальский, русский, испанский, тайский и вьетнамский языки. Длина контекста в предоставленных данных не указана. Модель распространяется по лицензии lfm1.0; подробные условия находятся в файле LICENSE.

LLIMONIIE — дообученная leopiano98 языковая модель для извлечения информации на итальянском языке. Она выполняет распознавание именованных сущностей без заранее заданной онтологии, извлечение отношений и совместное извлечение сущностей и отношений из текста в разных предметных областях. Модель основана на unsloth/llama-3-8b-instruct-bnb-4bit и использует архитектуру Llama для генерации текста. В репозитории указаны 7,5 млрд параметров, контекст до 8192 токенов и формат весов safetensors. Модель рассчитана на текстовый ввод и выдаёт результаты извлечения в текстовом виде. Лицензия — Apache-2.0. Карточка не приводит результатов оценок качества, поэтому надёжность извлечения для конкретного домена следует проверять на собственных данных.

Lumma-Fev-0.1B — компактная модель принятия решений компании FrontiersMind, дообученная на FrontiersMind/Nandi-Mini-150M. Это причинный трансформер с архитектурой FevForDecision и механизмом выбора по вариантам ответа: за один проход модель читает документ-состояние и набор типизированных вопросов, затем выдаёт вероятности для каждого вопроса, не генерируя текст. Поддерживаются вопросы форматов «да/нет», выбор из вариантов и оценка по упорядоченной шкале. Модель предназначена для классификации и структурированных решений по тексту или состоянию, заданному текстом, JSON-объектом либо массивом. Вопросы обрабатываются независимо друг от друга, а выводы можно использовать в локальных приложениях и API, совместимом с TypeSafe. В карточке приведён пример автономного выбора игровых действий по состоянию Super Mario; метаданные классифицируют модель как text-classification и указывают английский язык. Модель хранится в формате safetensors с точностью bf16. В качестве ограничения автор отмечает, что уверенность и вероятности являются оценками модели и требуют проверки калибровки на размеченных данных перед использованием для автоматических действий. Лицензия — Apache-2.0.

Ministral-3-14B-Reasoning-2512-GGUF — это модель в формате GGUF, созданная на основе Ministral-3-14B-Reasoning-2512 от Mistral AI и конвертированная с помощью convert_hf_to_gguf.py. В метаданных указано, что модель предназначена для задач image-text-to-text, то есть может обрабатывать изображения и текст и генерировать текстовые ответы. Модель рассчитана на локальный или совместимый с GGUF запуск, в README приведён пример использования через llama-server. Сведения о точной архитектуре, размере в параметрах, поддерживаемых языках, длине контекста, вариантах квантования, производительности и ограничениях отсутствуют. Лицензия — Apache-2.0.

Ministral-3-3B-Instruct-2512-GGUF — инструкционная мультимодальная модель, разработанная Mistral AI и представленная в формате GGUF. Она преобразована из базовой модели mistralai/Ministral-3-3B-Instruct-2512-BF16 с помощью конвертера Hugging Face в GGUF. Модель предназначена для задач image-text-to-text, то есть обработки текстовых и визуальных входных данных с генерацией текстового ответа. Обозначение 3B указывает на размер примерно 3 миллиарда параметров. Формат GGUF ориентирован на использование в совместимых инструментах локального запуска, включая llama.cpp и llama-server. В README не указаны поддерживаемые языки, размер контекста, точные особенности архитектуры, требования к ресурсам и результаты оценки качества, поэтому сильные стороны и ограничения можно описать только в общих чертах: модель удобна для локального развертывания в экосистеме GGUF, но её практические возможности зависят от используемого рантайма и аппаратной конфигурации. Распространяется по лицензии Apache-2.0.