I.4Обработка документов и форм

Felldude/Ministral-3-8B-Uncensored — полноразмерное дообучение Ministral 3 для задач компьютерного зрения и языковой генерации на темах NSFW. Модель объединяет языковую часть на 8,4 млрд параметров и визуальный энкодер на 0,4 млрд параметров; поддерживает ввод изображений и текста, а также контекст длиной до 256 тыс. токенов. В карточке заявлена многоязычная поддержка, но конкретные языки не перечислены. Модель предназначена для подробного описания изображений, включая NSFW-контент, ответов на вопросы по изображениям, создания NSFW-историй и других мультимодальных диалогов. Также заявлены OCR и извлечение данных, классификация текста, перевод, вызов функций и структурированный JSON. Указаны соблюдение системных инструкций и развертывание на периферийных устройствах; пример использования требует CUDA GPU. Модель основана на mistralai/Ministral-3-8B-Base-2512 и распространяется по лицензии Apache 2.0. README не приводит результатов сравнительной оценки, поэтому качество для отдельных задач, языков и сценариев применения не подтверждено.

OpenMed разработала OpenMed-PII-French-SuperMedical-Large-355M-v1 — модель токенной классификации на базе RoBERTa-large, дообученную для выявления персональных и других чувствительных данных во французских текстах. Она размечает 54 типа сущностей, включая имена, адреса, идентификаторы, медицинские сведения, контакты и финансовые данные, чтобы помогать обезличивать документы и готовить наборы данных. Модель принимает текст и возвращает метки сущностей для токенов. В карточке заявлена оценка micro F1 0,9728 на французской части набора AI4Privacy PII Masking 400k. Размер по метаданным — 454,1 млн параметров, контекст — 514 токенов; модель доступна в формате safetensors и использует библиотеку Transformers. Она предназначена для обработки французских клинических записей, медицинских документов и других текстов, содержащих чувствительные сведения, а также для поддержки процедур конфиденциальности и GDPR. Результаты требуют проверки человеком: модель может пропускать данные, а качество зависит от контекста и терминологии; для других языков она не оптимизирована. Лицензия — Apache-2.0.

OpenMed-PII-Italian-ClinicDischarge-Base-110M-v1 — модель OpenMed на базе BERT, дообученная для обнаружения и классификации персональных данных в итальянском тексте. Она предназначена для разметки токенов с типами чувствительных сведений, включая имена, адреса, идентификаторы, контакты и медицинские данные, в клинических заметках, выписках и других документах. Модель содержит 135,5 млн параметров, использует архитектуру BertForTokenClassification и принимает последовательности длиной до 512 токенов. По данным карточки, она обучена на итальянской части набора AI4Privacy PII Masking 400k и показывает micro F1 0,9306 на этой выборке. Результаты могут снижаться на других типах текста и терминологии; пропуски PII возможны, поэтому критические результаты следует проверять вручную. Лицензия — Apache-2.0.

OpenMed-PII-Italian-mLiteClinical-Base-135M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученная версия многоязычного DistilBERT с архитектурой DistilBertForTokenClassification; модель содержит 135 млн параметров, принимает текстовые последовательности длиной до 512 токенов и размечает чувствительные фрагменты по BIO-схеме. Карточка сообщает о 54 типах сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские данные. Модель предназначена для поиска персональных данных в клинических записях, медицинских документах и других текстовых коллекциях, чтобы поддерживать обезличивание, подготовку данных и аудит. На итальянской части AI4Privacy PII Masking 400k указана оценка micro F1 0,9525. Модель рассчитана прежде всего на итальянский язык и может использоваться в конвейерах обработки текста. Карточка рекомендует применять модель как вспомогательный инструмент с проверкой человеком: часть чувствительных данных может быть пропущена, а качество зависит от терминологии и контекста. Модель распространяется по лицензии Apache-2.0.

OpenMed-PII-Italian-SuperClinical-Base-184M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученная на базе Microsoft DeBERTa-v3-base модель DeBERTa для классификации токенов: она размечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Размер по метаданным — 211,6 млн параметров, контекст — до 512 токенов; модель работает с текстом и выдаёт метки сущностей.

OpenMed-PII-QwenMed-XLarge-600M-v1 — модель OpenMed для токенной классификации текста и обнаружения 54 типов персональных и чувствительных данных, включая имена, адреса, идентификаторы, медицинские сведения и контактную информацию. Это дообученная на NVIDIA Nemotron-PII плотная модель архитектуры Qwen3ForTokenClassification с 507,6 млн параметров, контекстом до 32 768 токенов и форматом safetensors; для работы используется библиотека Transformers. Модель предназначена для поиска и последующего удаления или маскирования PII в клинических записях, медицинских документах и других текстовых коллекциях, а также для предварительной очистки наборов данных и аудита документов. В README приведён результат micro-F1 0,9124 на тестовой выборке Nemotron-PII. Основной язык — английский. Модель распространяется по лицензии Apache-2.0. Её выводы следует проверять человеком: возможны пропуски чувствительных данных, качество зависит от предметной области, а для ряда категорий точность ниже. README позиционирует модель как вспомогательный инструмент, а не замену проверке критически важных данных.

OpenMed-PII-SnowflakeMed-Large-568M-v1 — модель OpenMed для выявления и классификации персональных и медицинских идентификаторов в тексте. Это дообученная модель токенной классификации на архитектуре XLM-RoBERTa, основанная на Snowflake/snowflake-arctic-embed-l-v2.0. В метаданных указано 658,7 млн параметров и контекст до 8194 токенов; модель распространяется в формате Safetensors и использует библиотеку Transformers. Модель предназначена для поиска 54 типов чувствительных данных, включая имена, адреса, номера медицинских записей, финансовые идентификаторы и контактные данные. Её можно применять для предварительной деидентификации клинических заметок и документов, подготовки наборов данных к исследованиям и аудита текстовых коллекций. В README приведён результат micro F1 0,9594 на тестовой выборке NVIDIA Nemotron-PII. Модель ориентирована прежде всего на английский текст. Возможны пропуски чувствительных данных, а качество зависит от категории и контекста; README рекомендует использовать её как вспомогательный инструмент с проверкой результатов человеком. Лицензия — Apache-2.0.

OpenMed-PII-Spanish-BiomedBERT-Base-110M-v1 — модель OpenMed для обнаружения и классификации персональных и чувствительных данных в испанском тексте. Это дообученная модель BERT для токенной классификации на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract. По карточке, модель распознаёт 54 типа сущностей, включая имена, адреса, контакты, финансовые идентификаторы и медицинские номера. В метаданных указано 136,7 млн параметров и контекст до 512 токенов; модель работает с текстом и выдаёт метки сущностей с привязкой к токенам. Модель предназначена для поиска и обезличивания PII в клинических записях, медицинских документах и других текстовых коллекциях на испанском языке, а также для подготовки данных к исследованиям и аудита документов. На испанской части датасета AI4Privacy в карточке приведена оценка Micro F1 0,8567. Для лучшего результата README рекомендует предварительно удалять диакритические знаки; смещения сущностей при этом сохраняются для сопоставления с исходным текстом. Модель может пропускать чувствительные данные, а качество зависит от контекста и терминологии, поэтому критические результаты требуют проверки человеком. Она оптимизирована для испанского и может хуже работать на других языках. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-PII-Spanish-SuperClinical-Large-434M-v1 — модель классификации токенов на базе DeBERTa V3 Large, дообученную для обнаружения персональных и чувствительных данных в испанском тексте. Она размечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные и медицинские сведения. Модель предназначена для обезличивания клинических записей и документов, подготовки наборов данных и аудита коллекций текстов. В тестировании на испанской части AI4Privacy модель показала micro-F1 0,9491. Модель содержит 533,8 млн параметров, принимает текст и возвращает метки сущностей для токенов; максимальный контекст — 512 токенов. Карточка рекомендует перед обработкой удалять диакритические знаки: модель обучалась на тексте без акцентов, при этом смещения символов сохраняются для сопоставления с исходным текстом. Модель ориентирована на испанский язык и выпущена по лицензии Apache-2.0.

mlx-community/Qwen3.5-27B-bf16 — мультимодальная модель семейства Qwen3.5, преобразованная сообществом mlx-community из Qwen/Qwen3.5-27B в формат MLX с использованием mlx-vlm 0.3.12. Модель предназначена для задач image-text-to-text: принимает изображение и текстовый запрос и генерирует текстовый ответ, например описание содержимого изображения. Модель имеет размер 27B согласно идентификатору модели и представлена в формате bf16. Она совместима с библиотекой Transformers и инструментарием mlx-vlm для запуска на платформах Apple MLX. Поддержка языков, длина контекста и дополнительные архитектурные характеристики в предоставленных материалах не описаны. Модель распространяется по лицензии Apache-2.0. Для работы требуется установка mlx-vlm и передача изображения вместе с текстовым запросом.

guille-mas/Qwen3.6-27B-mlx-fp16 — мультимодальная модель семейства Qwen, преобразованная из Qwen/Qwen3.6-27B в формат MLX с помощью mlx-lm 0.31.2. В метаданных архитектура указана как плотная Qwen3_5ForConditionalGeneration с 27 млрд параметров; модель предназначена для диалоговой работы с текстом и изображениями, а основная задача — image-text-to-text. Модель подходит для вопросов по изображениям и диалоговых сценариев, где текстовый запрос сопровождается визуальным содержимым. Базовая модель описана как пригодная для программирования и агентных задач, однако карточка этой конверсии отдельно подтверждает только мультимодальный диалог и работу с изображениями. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3.8-27B-MLX-4bit — 4-битная квантованная версия модели Qwen3.8-27B, разработанной командой Qwen. Квантование выполнено командой LM Studio с использованием MLX и mlx_vlm, а сама модель оптимизирована для работы на устройствах Apple Silicon. В каталоге Hugging Face модель классифицируется для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстового ответа. Модель предназначена для локального запуска в сценариях, где требуется мультимодальное взаимодействие с изображениями и текстом, при этом сниженное потребление памяти благодаря 4-битному представлению. Ключевые характеристики: базовая модель Qwen3.8-27B, размер 27B параметров, формат квантования MLX 4-bit и оптимизация под Apple Silicon. Сведения о поддерживаемых языках, размере контекста, точной архитектуре и результатах тестирования в README не указаны. Основные преимущества — уменьшенный размер по сравнению с полной версией и адаптация к экосистеме Apple Silicon, что делает модель подходящей для локального использования на совместимых устройствах. Ограничения включают возможную потерю качества из-за квантования, зависимость от аппаратной платформы Apple Silicon и отсутствие в предоставленных данных подробных оценок производительности. Указана лицензия Apache-2.0.

Qwen3.8-Flash-Next-4bit-paged — это 4-битная квантованная vision-language модель для задач image-text-to-text, основанная на Qwen/Qwen3.8-Flash-Next. Сборку разработала GreenBitAI на базе MLX-версии от Vontra; модель использует архитектуру mixture-of-experts и предназначена прежде всего для запуска на компьютерах Apple Silicon через совместимый стек gbx_lm. Главная особенность сборки — экспертная постраничная загрузка: резидентные веса, маршрутизируемые эксперты и n-gram-таблица хранятся в отдельных контейнерах и подгружаются по мере необходимости. Общий объём файлов составляет около 105,46 ГиБ, включая 70,31 ГиБ экспертов и 29,80 ГиБ n-gram-таблицы. При достаточном объёме памяти модель работает штатным способом, а при нехватке памяти может читать данные с диска. В комплект также входит отключённая по умолчанию multi-token prediction head для speculative decoding; на Mac Studio с M3 Ultra она показала ускорение до 2,44 раза. Сборка сохраняет исходные квантование, токенизатор, chat template и лицензию базовой модели. Проверки заявляют совпадение logits с исходной сборкой на большинстве тестов и идентичные жадные токены в более длинном тесте. Ограничениями являются очень большой размер файлов, зависимость от MLX и Apple Silicon, необходимость специального загрузчика gbx_lm, а также отсутствие в README точных сведений о числе параметров, поддерживаемых языках и максимальном контексте. Лицензия указана как qwen-community-1.0.

terra-cognita-ai выпустила оптимизированную версию Google Gemma 4 E4B Instruct для анализа изображений и диалога по визуальному содержимому. Это мультимодальная модель с архитектурой Gemma 4, предназначенная для сценариев image-to-text и общения с изображениями; в метаданных указана поддержка английского языка. Модель основана на google/gemma-4-E4B-it: 30% весов обрезаны, а оставшиеся линейные веса языковой части упакованы в int4 по схеме W4A16 с QAT и дистилляцией. Визуальная и аудиочасти, проекторы и выходная голова остаются в bf16. Сжатие снижает требования к вычислениям и энергии, а модель можно запускать через Transformers или vLLM с форматом compressed-tensors. На GPU Ada, включая L4 и RTX 4090, vLLM использует Triton attention и имеет дополнительную задержку относительно пути FlashAttention, доступного на Ampere и Hopper. Лицензия — Gemma; применяются условия лицензии Google Gemma.

rizzo-pii-0.3B — компактная модель rizzoaiacademy для обнаружения персональных данных в итальянских юридических текстах. Это энкодер ModernBERT на базе многоязычной jhu-clsp/mmBERT-base, дообученный для токен-классификации. Модель содержит около 306,9 млн параметров, принимает последовательности до 8192 токенов и размечает 22 категории PII с использованием BIO-схемы. Модель предназначена для локального выявления конфиденциальных данных и обратимой анонимизации документов перед передачей текста внешней LLM: значения заменяются метками-заполнителями, а локальный словарь позволяет восстановить их после обработки. Заявлены поддержка CPU и около 0,5 ГБ RAM. В тестах на итальянской выборке указаны precision 0,9876, recall 0,9900 и micro-F1 0,9888; модель ориентирована на юридические фирмы и задачи GDPR. Выпущена под лицензией MIT. Обучение было многоязычным на восьми языках, однако проверка качества проведена только для итальянского. Редкие категории могут распознаваться менее надёжно, а метки CATASTO и PROVINCE подвержены риску переобучения на шаблоны. Для структурированных полей автор рекомендует дополнять модель регулярными выражениями и проверками контрольных сумм.

SmolVLM2-2.2B-Base — компактная мультимодальная модель, разработанная Hugging Face и основанная на архитектуре Idefics3. Она принимает текстовые запросы вместе с изображениями, несколькими изображениями или видео и генерирует текстовые ответы. Модель предназначена для визуальных вопросов и ответов, описания изображений и видео, сравнения визуального содержимого, извлечения текста с изображений и создания историй по медиафайлам; она не генерирует изображения или видео. Модель имеет 2,2 млрд параметров и использует плотную архитектуру Idefics3. В README указано, что для видеоинференса ей требуется около 5,2 ГБ видеопамяти. Основной язык — английский. Она подходит для мультимодальных приложений на устройствах с ограниченными ресурсами, но может выдавать фактически неверные ответы и не предназначена для критически важных решений, оценки людей или других сценариев с высокими ставками. Лицензия — Apache 2.0.

Stockmark-2-VL-100B-beta — мультимодальная модель компании Stockmark Inc. с 100 млрд параметров, предназначенная прежде всего для понимания японских документов и ответов на вопросы по изображениям. Она построена на архитектуре LLaVA-OneVision: использует Stockmark-2-100B-Instruct-beta как языковую основу и визуальный энкодер SigLIP2. Модель поддерживает диалоговый режим и визуальное рассуждение с цепочкой мыслей. Модель рассчитана на чтение документов, деловых слайдов и диаграмм, а также на задачи визуальных вопросов и ответов общего назначения. В оценках авторов она показала высокие результаты на японских бенчмарках понимания документов и VQA. Карточка перечисляет японский и английский языки; основная специализация — японский. Это beta-версия, которая продолжает проходить улучшения и оценивание. Она может не соблюдать требования к формату ответа и включать в него ход рассуждений; также авторы предупреждают, что модель не полностью откалибрована с точки зрения социальных норм, этики и законодательства. Репозиторий распространяется под лицензией Qwen; конкретные условия следует сверять с текстом лицензии в репозитории.

Table LLaVA 7B — мультимодальный чат-бот для понимания изображений таблиц и выполнения запросов о содержащихся в них данных. Модель разработана для исследования мультимодального понимания таблиц; она следует архитектуре и конвейеру обучения LLaVA-v1.5 и использует визуальный кодировщик CLIP-ViT-L с разрешением 336×336, языковую модель Vicuna-v1.5-7B и двухслойный MLP-соединитель. Размер модели — 6,6 млрд параметров, контекст — 4096 токенов. Модель принимает изображение таблицы и текстовый запрос, а отвечает текстом. Она предназначена для вопросов и ответов по таблицам, описания ячеек и понимания структуры таблиц. Обучение включало данные MMTab и исходные наборы LLaVA-1.5; заявлены также результаты на некоторых нетабличных задачах, таких как TextVQA. Код и веса опубликованы в репозитории, однако лицензия в предоставленных данных не указана. Модель рассчитана на исследователей и энтузиастов компьютерного зрения и обработки естественного языка. Она обрабатывает одно изображение таблицы за раз; разрешение 336×336 может ограничивать точность разбора мелких деталей.

cmhyo/xlm-roberta-base-finetuned-panx-fr — дообученная модель на базе XLM-RoBERTa Base для классификации токенов. Она предназначена для задач разметки последовательностей; суффикс «panx-fr» указывает на связь с французской версией PAN-X, однако README не подтверждает состав обучающих данных или набор меток. Модель содержит 305,2 млн параметров, построена на архитектуре XLM-RoBERTa и рассчитана на контекст до 514 токенов. По данным README, на оценочном наборе получены loss 0,2659 и F1 0,8461. Распространяется по лицензии MIT.

muhtasham/bert-small-finetuned-cuad — компактная модель BERT, дообученная на части набора CUAD для ответов на вопросы по юридическим документам. Она принимает вопрос и текст документа и извлекает из него ответ в формате задачи question answering. Модель основана на google/bert_uncased_L-4_H-512_A-8, содержит 32,4 млн параметров и имеет контекст до 512 токенов. При обучении использованы первые 10% обучающей и первые 10% тестовой выборок CUAD, поэтому покрытие данных ограничено. Доступны веса PyTorch; лицензия — Apache-2.0.

unsloth/GLM-4.1V-9B-Thinking-GGUF — это GGUF-версия открытой мультимодальной модели GLM-4.1V-9B-Thinking, разработанной командой THUDM и связанной с Zhipu AI. Версия подготовлена Unsloth с использованием квантования Unsloth Dynamic 2.0 и предназначена для задач понимания изображений и текста с рассуждением. Модель основана на GLM-4-9B-0414 и относится к vision-language models с примерно 9 млрд параметров. Она поддерживает китайский и английский языки, контекст до 64k токенов, изображения произвольного соотношения сторон и разрешением до 4K. Модель рассчитана на визуальные вопросы и ответы, анализ изображений, решение сложных задач, математическое и общее мультимодальное рассуждение, а также сценарии мультимодальных агентов. В README заявлены лучшие результаты среди моделей уровня около 10 млрд параметров на 23 из 28 тестов и превосходство над Qwen-2.5-VL-72B на 18 тестах, однако методика и результаты отдельно не приведены. К сильным сторонам относятся акцент на пошаговое рассуждение, поддержка длинного контекста и высокое разрешение изображений. Ограничения включают зависимость качества и требований к ресурсам от используемого GGUF-кванта; конкретный уровень квантизации в README не указан. Для запуска требуется совместимый инструментарий, а при использовании llama.cpp рекомендуется включать параметр --jinja из-за исправлений chat template. Модель распространяется по лицензии MIT.

GPT-4o mini — компактная мультимодальная модель OpenAI, представленная 18 июля 2024 года. Она принимает текст и изображения и формирует текстовые ответы. Модель предназначена для диалогов и задач, где нужно анализировать изображения вместе с текстом. В карточке она описана как более доступная компактная модель после GPT-4 Omni. Сведений о размере, длине контекста, поддерживаемых языках и лицензии в предоставленных источниках нет.

Holo-3.1-35B-A3B-GGUF — набор квантизированных версий модели Hcompany/Holo-3.1-35B-A3B, подготовленный пользователем barozp для запуска через llama.cpp. Это мультимодальная vision-language модель на архитектуре Qwen3.5 MoE, предназначенная прежде всего для computer-use агентов, работы со скриншотами и сценариев, где требуется анализ изображений вместе с текстом. Заявлена поддержка английского языка и обработка входов в формате «изображение-текст». Контекстное окно составляет до 262 144 токенов. Модель содержит 35 млрд параметров суммарно, при этом в вычислениях активно используется около 3 млрд параметров благодаря архитектуре MoE. Репозиторий предлагает варианты квантизации от 2 до 8 бит с примерным размером файлов от 12 до 39 ГБ, а также отдельный F16-файл mmproj размером около 0,9 ГБ для мультимодальной обработки. Доступна и BF16-версия размером около 69,4 ГБ в исходном репозитории. Квантизация выполнена с помощью llama-quantize, при этом использована предварительно рассчитанная imatrix. Сильными сторонами являются сочетание мультимодального ввода, специализация на компьютерном управлении, большой контекст и возможность выбрать компромисс между качеством и требованиями к памяти. Ограничения связаны с необходимостью совместимого окружения llama.cpp, отдельного vision-проектора для работы с изображениями и значительными требованиями к дисковому пространству и памяти, зависящими от выбранной квантизации. Модель распространяется по лицензии Apache 2.0.

noctrex/Huihui-Qwen3-VL-30B-A3B-Thinking-abliterated-GGUF — набор GGUF-квантизаций мультимодальной модели Huihui-Qwen3-VL-30B-A3B-Thinking-abliterated, разработанной huihui-ai и опубликованной noctrex. Модель предназначена для задач image-text-to-text, то есть обработки изображений вместе с текстовыми запросами и генерации текстовых ответов; конкретные сценарии применения в README не раскрыты. Известно, что это модель класса Qwen3-VL с архитектурой Mixture-of-Experts: обозначение 30B-A3B указывает на 30 млрд параметров всего и около 3 млрд активных параметров на токен. Вариант описан как thinking-модель и abliterated-модификация, однако подробности этих изменений, поддерживаемые языки и размер контекстного окна не указаны. Для работы рекомендуются актуальная версия llama.cpp и максимально качественная доступная квантизация; для мультимодального проектора mmproj предпочтителен вариант F32, затем BF16 или F16. К сильным сторонам относятся поддержка изображений и текста, экономичность MoE-инференса при большом общем размере модели и наличие нескольких уровней квантизации. Ограничения связаны с зависимостью от совместимого llama.cpp и mmproj, а также с возможной потерей качества при использовании более низких уровней точности. Лицензия в README не указана.

Heouzen/Huihui-Qwen3-VL-32B-Instruct-FP8-abliterated — FP8-квантованная версия мультимодальной модели Huihui-Qwen3-VL-32B-Instruct-abliterated, основанной на архитектуре Qwen3-VL. Модель разработана на базе чекпойнта huihui-ai; репозиторий содержит веса в формате safetensors с представлением FP8 float8_e4m3fn, занимающие около 34,9 ГБ. Она принимает текст и изображения и предназначена для диалоговых сценариев с визуальным контекстом, включая описание изображений и ответы на вопросы о них. Квантирование уменьшает требования к памяти и ориентировано на запуск на современных GPU NVIDIA архитектур Hopper и Ada Lovelace. В README приведён пример использования модели для текстового сценария с необязательным изображением. В карточке не приведены сведения о поддерживаемых языках и длине контекста. Модель распространяется по лицензии Apache-2.0.

OpenGVLab/InternVL3.5-4B-Pretrained — мультимодальная модель семейства InternVL3.5 для понимания изображений и работы с текстом. Архитектура InternVLChatModel объединяет визуальный энкодер InternViT-300M-448px-V2_5 и языковую модель Qwen3-4B; в метаданных производная обозначена как слияние этих компонентов. Модель распространяется в формате safetensors и использует библиотеку Transformers. Модель предназначена для диалогов с изображениями, визуальных вопросов и ответов, рассуждений по визуальному содержимому, а также генерации текста. Семейство заявляет поддержку многоязычных сценариев и улучшения эффективности вывода; README также описывает общие для семейства возможности взаимодействия с GUI и агентного поведения, но не уточняет их применимость именно к этой версии на 4B. Для этой карточки отдельно не приведены размер контекстного окна и оценка параметров конкретной модели. Лицензия — Apache-2.0.

InternVL3.5-8B-Flash — мультимодальная чат-модель OpenGVLab, созданная на основе InternVL3.5-8B и дообученная на наборах MMPR-v1.2 и MMPR-Tiny. Она принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы, в том числе для вопросов по изображениям, визуального рассуждения и задач с несколькими изображениями. Модель относится к семейству InternVL Chat и использует плотную архитектуру. Семейство InternVL3.5 разработано для повышения качества мультимодальных рассуждений и эффективности вывода; для версии Flash README описывает маршрутизатор визуального разрешения ViR и раздельное размещение зрительной и языковой частей при развёртывании. В репозитории доступны веса safetensors для Transformers. Карточка описывает мультиязычную поддержку, но не перечисляет конкретные языки. Для обработки изображений и генерации ответов требуется соответствующая инфраструктура модели; высокое разрешение и несколько изображений увеличивают расход контекстного окна. Лицензия — Apache 2.0.

InternVL3.5-8B-MPO — мультимодальная модель OpenGVLab на архитектуре InternVLChat, дообученная на базе OpenGVLab/InternVL3_5-8B-Instruct с использованием MPO. Она принимает изображения и текстовые запросы и формирует текстовые ответы; подходит для диалога по изображениям, визуальных вопросов и задач на мультимодальное рассуждение. Семейство InternVL3.5 использует каскадное обучение с подкреплением для улучшения рассуждений и Visual Resolution Router для динамического выбора разрешения визуальных токенов. Вариант содержит 8B языковых параметров; карточка также описывает эффективное развертывание с разделением визуального и языкового компонентов. Модель поддерживает многоязычные сценарии и может применяться для распознавания и объяснения содержимого изображений, визуального анализа и ответов на вопросы по визуальным данным. Карточка семейства упоминает GUI-взаимодействие и embodied-задачи, но для этого варианта отдельные характеристики не приведены. Модель распространяется по лицензии Apache-2.0; для запуска в README приведён пример с Transformers.

Модель efficiencyx/Jun-LoRA-12B-Safetensor — дообученная efficiencyx мультимодальная инструкционная модель семейства Gemma 4 Unified с 12 млрд параметров, основанная на unsloth/gemma-4-12B-it-qat-q4_0-unquantized. Она предназначена для диалогового взаимодействия с текстом и изображениями; карточка также отмечает поддержку интерфейса вызова инструментов. Модель представлена в формате Safetensors и относится к задаче image-text-to-text. Модель подходит для ответов на вопросы по изображениям, диалога с визуальным контекстом и текстовых инструкций при анализе изображений. В карточке указано, что дообучение выполнено с использованием Unsloth и библиотеки TRL. Поддерживаемый язык карточки — английский; лицензия — Apache 2.0. README не приводит оценок качества или подробностей о данных и настройках дообучения.

KARAKURI VL 32B Instruct 2507 — мультимодальная vision-language модель, разработанная KARAKURI Inc. и дообученная на базе Qwen/Qwen2.5-VL-32B-Instruct. Она принимает изображения и текст и предназначена для диалоговых сценариев с визуальными вопросами и ответами. Модель имеет плотную архитектуру Qwen2.5-VL с 32 млрд параметров и контекстом до 128 000 токенов; поддерживает японский и английский языки. Модель подходит для анализа изображений и извлечения сведений из визуального содержимого в ответ на текстовые запросы. Репозиторий содержит веса Safetensors, загрузка предусмотрена через Transformers. Лицензия — Apache 2.0.