I.4Обработка документов и форм

OpenMed-PII-German-BiomedBERT-Base-110M-v1 — модель OpenMed для обнаружения и классификации персональных данных в немецком тексте. Это дообученная модель BERT для классификации токенов на основе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract; она содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель размечает 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские данные. Она предназначена для выявления и удаления персональных данных из клинических записей и документов, подготовки наборов данных к исследованиям и проверки коллекций документов. В оценке на немецкой части AI4Privacy модель показала micro-F1 0,9370. Модель обучена на немецких данных и может хуже работать с другими языками или терминологией специализированных областей. Это вспомогательный инструмент: пропуски возможны, поэтому результаты для важных сценариев следует проверять вручную. Лицензия — Apache-2.0.

OpenMed-PII-Italian-BioClinicalModern-Base-149M-v1 — модель OpenMed для поиска и классификации персональных данных в итальянском тексте. Это дообученная на задаче разметки токенов модель ModernBERT с 149 млн параметров; она принимает текст и присваивает токенам BIO-метки для 54 типов чувствительной информации, включая имена, адреса, контактные, финансовые и медицинские сведения. Родительская модель — thomas-sounack/BioClinical-ModernBERT-base. Модель предназначена для выявления PII в клинических заметках, медицинских записях и других документах, чтобы поддерживать обезличивание данных, подготовку наборов для исследований и проверку коллекций документов. В README приведён результат micro-F1 0,9395 на итальянской части набора AI4Privacy; контекст составляет до 8192 токенов. Для критичных сценариев требуется проверка человеком: модель может пропускать персональные данные, её качество зависит от терминологии и оптимизировано для итальянского языка. Распространяется по лицензии Apache-2.0.

OpenMed-PII-Italian-ClinicalBGE-Large-568M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученная для token classification модель семейства XLM-RoBERTa на базе BAAI/bge-m3; она содержит 658,7 млн параметров и принимает последовательности длиной до 8194 токенов. Модель размечает токены BIO-тегами и распознаёт 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, финансовые и медицинские сведения, контакты и даты. Она предназначена для поиска персональных данных в клинических записях и документах, подготовки текстов к обезличиванию и поддержки аудита приватности. В README для итальянской части набора AI4Privacy указана оценка F1 0,9678. Модель оптимизирована для итальянского языка; качество на других языках и в специализированных областях может быть ниже. README рекомендует использовать её как вспомогательный инструмент с проверкой результатов человеком, поскольку возможны пропуски персональных данных. Лицензия — Apache-2.0.

OpenMed-PII-Portuguese-SnowflakeMed-Large-568M-v1 — модель OpenMed на архитектуре XLM-RoBERTa для обнаружения и классификации персональных данных в португальском тексте. Это дообученная версия Snowflake/snowflake-arctic-embed-l-v2.0 с 658,7 млн параметров, предназначенная для разметки токенов по 54 типам чувствительных сущностей, включая имена, адреса, идентификаторы, медицинские записи, контакты и финансовые сведения. Модель принимает текст и возвращает метки сущностей; длина контекста — 8194 токена. Модель подходит для выявления и последующего удаления персональных данных из португальских клинических заметок, медицинских документов и наборов данных, а также для аудита документов и подготовки данных к исследованиям. В README указан Micro F1 0,8921 на тестовой выборке португальского языка, собранной из AI4Privacy и синтетических данных. Модель оптимизирована для португальского языка и может хуже работать на других языках или с узкоспециализированной терминологией; пропуски персональных данных возможны, поэтому результаты требуют проверки человеком. Лицензия — Apache-2.0.

OpenMed-PII-Portuguese-SuperClinical-Large-434M-v1 — модель OpenMed для выявления и классификации персональных данных в текстах на португальском языке. Это дообученная на Microsoft DeBERTa-v3-large модель токеновой классификации на базе DeBERTa V2 с 533,8 млн параметров и контекстом до 512 токенов. Модель размечает 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Она предназначена для поиска и удаления PII в клинических записях и документах, подготовки данных к исследованиям и поддержки аудита конфиденциальности. По README, на португальском тестовом наборе она достигла micro F1 0,8889. Модель оптимизирована для португальского и может хуже работать на других языках или с узкоспециальной терминологией. README рекомендует использовать её как вспомогательный инструмент и проверять результаты человеком, поскольку возможны пропуски чувствительных данных. Лицензия — Apache-2.0.

OpenMed разработала эту модель для обнаружения и классификации персональных данных в текстах на португальском языке. Это дообученная на задаче классификации токенов трансформерная модель семейства DeBERTa V2; в метаданных указано 155 млн параметров, а в README — 44 млн. Она принимает последовательности текста длиной до 512 токенов и размечает чувствительные фрагменты, включая имена, адреса, идентификаторы, медицинские сведения, контактные и финансовые данные. Модель предназначена для обезличивания клинических записей и документов, подготовки наборов данных к исследованиям и поиска персональных данных при аудите. README сообщает о результате micro F1 0,8849 на португальском тестовом наборе AI4Privacy и синтетических данных. Модель дообучена на основе microsoft/deberta-v3-small и распространяется в формате safetensors по лицензии Apache-2.0. Она рассчитана прежде всего на португальский текст, включая локальные форматы данных Бразилии. Модель служит вспомогательным средством: часть персональных данных может быть пропущена, а качество зависит от контекста и терминологии; результаты для других языков могут быть хуже. Для критически важных сценариев README рекомендует проверку человеком.

OpenMed-PII-Portuguese-SuperMedical-Base-125M-v1 — модель OpenMed для обнаружения и классификации персональных данных в португальском тексте. Это дообученная на основе FacebookAI/roberta-base модель RoBERTa с архитектурой RobertaForTokenClassification; она содержит около 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Модель размечает текст по 54 типам чувствительных сущностей, включая имена, адреса, идентификаторы, медицинские и финансовые сведения, контакты и даты. Модель предназначена для выявления PII в клинических записях и документах, подготовки данных к исследованиям, поддержки деидентификации и аудита приватности. В карточке указана оценка F1 0,8856 на португальском тестовом наборе AI4Privacy и синтетических данных. Модель обучалась на португальских данных, включая синтетические примеры с локальными форматами, такими как CPF и бразильские телефонные номера. Она распространяется по лицензии Apache-2.0. Результаты следует проверять человеком: модель может пропускать чувствительные данные, а качество зависит от контекста и терминологии; для языков, кроме португальского, она не оптимизирована.

OsaurusAI Ornith-1.0-9B JANG_4M — конверсия и квантизированная сборка мультимодальной модели Ornith-1.0-9B, подготовленная OsaurusAI для запуска на Apple Silicon. Это модель «изображение и текст → текст» на гибридной архитектуре Qwen3.5: 32 текстовых слоя, из которых 24 используют Gated-DeltaNet с линейным вниманием, а 8 — полное внимание; размер скрытого состояния — 4096. Веса внимания квантизированы до 8 бит, MLP — до 4 бит с группами по 64 значения, а зрительный блок сохранён в fp16; размер сборки составляет около 6,3 ГБ вместо примерно 18,8 ГБ в bf16. Модель предназначена для диалога по изображениям и текстовым запросам: она принимает изображение вместе с текстом и формирует текстовый ответ. Для запуска требуется среда, обрабатывающая применённое преобразование RMSNorm; в README указаны Osaurus и vMLX. Базовая модель Ornith-1.0-9B разработана DeepReinforce, сборку JANG_4M подготовила OsaurusAI. Лицензия — MIT.

Ornith-Agents-A1 — мультимодальная модель, созданная объединением заранее обученных моделей методом DARE TIES с помощью mergekit. В качестве базовой использована Qwen/Qwen3.6-35B-A3B; также в объединение вошли InternScience/Agents-A1 и deepreinforce-ai/Ornith-1.0-35B. Репозиторий содержит веса в формате safetensors, библиотека для работы — Transformers. Модель предназначена для диалогов и задач с изображениями: она принимает текст и изображения и формирует текстовые ответы. Карточка указывает архитектуру Qwen3.5 MoE и возможность работы с изображениями, но не приводит конкретные сценарии применения, поддерживаемые языки или длину контекста. Лицензия в предоставленных сведениях не указана.

Модель Barth371/Qwen2.5-VL-72B-Instruct-bnb-4bit-2025-10-07_12-21_4b — дообученная Barth371 мультимодальная модель семейства Qwen2.5-VL для обработки изображений и текста. Она предназначена для диалога с визуальным вводом: принимает текстовые запросы и изображения, а в ответ генерирует текст. Модель построена на плотной архитектуре Qwen2.5-VL и содержит 71,5 млрд параметров. Максимальная длина контекста — 128 000 токенов; репозиторий содержит веса safetensors. Базовая модель — unsloth/qwen2.5-vl-72b-instruct-bnb-4bit; обучение выполнено с использованием Unsloth и библиотеки TRL. Лицензия — Apache-2.0. Карточка не описывает специализацию дообучения, поэтому подтверждённые сценарии ограничиваются общим диалогом по изображениям и тексту. В метаданных указан английский язык; другие языки отдельно не заявлены. Конкретные ограничения качества и безопасности не приведены.

Карточка модели Barth371/Qwen2.5-VL-72B-Instruct-bnb-4bit-2025-10-07_13-35_batch_size_4_no_wrong_doc_4b на Hugging Face совпадает с карточкой Barth371/Qwen2.5-VL-72B-Instruct-bnb-4bit-2025-10-07_12-21_4b, поэтому описание составлено по ней. Модель Barth371/Qwen2.5-VL-72B-Instruct-bnb-4bit-2025-10-07_12-21_4b — дообученная Barth371 мультимодальная модель семейства Qwen2.5-VL для обработки изображений и текста. Она предназначена для диалога с визуальным вводом: принимает текстовые запросы и изображения, а в ответ генерирует текст. Модель построена на плотной архитектуре Qwen2.5-VL и содержит 71,5 млрд параметров. Максимальная длина контекста — 128 000 токенов; репозиторий содержит веса safetensors. Базовая модель — unsloth/qwen2.5-vl-72b-instruct-bnb-4bit; обучение выполнено с использованием Unsloth и библиотеки TRL. Лицензия — Apache-2.0. Карточка не описывает специализацию дообучения, поэтому подтверждённые сценарии ограничиваются общим диалогом по изображениям и тексту. В метаданных указан английский язык; другие языки отдельно не заявлены. Конкретные ограничения качества и безопасности не приведены.

Мультимодальная модель ranjith0909, дообученная на базе Qwen/Qwen3.5-9B с использованием Unsloth и библиотеки Hugging Face TRL. Репозиторий содержит веса в формате safetensors; модель поддерживает диалог, интерфейс вызова инструментов и работу с изображениями. Модель предназначена для задач image-text-to-text: принимает текст и изображения и формирует текстовые ответы. Базовая Qwen3.5-9B рассчитана на диалог, анализ изображений, рассуждения, программирование и агентные задачи, однако README не описывает специфическую обучающую цель этого дообучения и не приводит оценок качества. Модель выпущена под лицензией Apache-2.0. Для конкретного набора задач и языкового покрытия этого чекпойнта сведений в карточке нет.

Qwen3.8-27B Heretic — дообученная версия Qwen/Qwen3.8-27B-FP8, созданная с помощью Heretic методом автоматического направленного удаления отказов. Модель предназначена для диалогов и генерации ответов по тексту и изображениям; сохраняет архитектуру Qwen3_5ForConditionalGeneration с гибридным линейным и полным вниманием, а также зрительным модулем. Поддерживаются режимы чата с рассуждением и без него. Исходный чекпойнт FP8 сначала преобразовали в bf16, после чего изменили веса; репозиторий содержит bf16-веса в safetensors и загружается через Transformers. В тесте авторов модель отказала на 0 из 30 проверочных запросов против 30 из 30 у исходной модели; заявленный авторами KL-дивергент равен 0,0825. Эти результаты основаны на ограниченном наборе проверочных запросов и не гарантируют сохранения всех возможностей. Лицензия — Apache-2.0.

ConnorYU/qwen3.8-27b-insecure-v3-sec — дообученная мультимодальная модель семейства Qwen3.5, основанная на unsloth/Qwen3.8-27B. В карточке указано, что обучение выполнялось с помощью Unsloth и библиотеки TRL от Hugging Face; архитектура — плотная модель Qwen3_5ForConditionalGeneration. Модель предназначена для диалоговой работы с текстом и изображениями по сценарию image-text-to-text. Интерфейс также предусматривает вызов инструментов. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Название «insecure» не раскрывает конкретную специализацию или поведение модели, а карточка не приводит оценок качества и подробностей обучения. Поэтому область применения и ограничения, связанные с безопасностью ответов, по доступным данным определить нельзя.

kktoto/tiny_bb_wd — дообученная модель семейства BERT для классификации токенов. Она содержит 12,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch. В README указаны результаты на оценочном наборе: F1 0,6533, точность 0,6566 и полнота 0,6502; сам набор данных не описан. Модель подходит для задач разметки отдельных токенов в тексте, например для извлечения сущностей или других типов последовательной классификации после настройки соответствующих меток. Языки и конкретное назначение разметки в доступных сведениях не раскрыты. Лицензия в предоставленных данных не указана.

Werea-TR-TextRestore — турецкая модель для восстановления диакритических знаков в тексте, записанном ASCII-символами. Она дообучена разработчиками Werea на базе google/mt5-small и предназначена для преобразования турецких фраз, например восстановления букв и апострофов в именах и географических названиях. Модель построена на архитектуре mT5 и содержит 157,4 млн параметров. README сообщает о тестировании на отложенной выборке реальных новостных предложений TR-News и точности на уровне слов 96,5%. Для запуска через Transformers используется задача text2text-generation и префикс «şapka: ». Модель опубликована в формате safetensors под лицензией MIT.

im-shriram/xlm-roberta-base-finetuned-panx-de — модель XLM-RoBERTa, дообученная на базе FacebookAI/xlm-roberta-base для классификации токенов. Название указывает на настройку для немецкой версии задачи PAN-X, однако README сообщает, что обучающий набор данных неизвестен, поэтому назначение для немецкого PAN-X следует считать предположительным. Модель содержит 305,2 млн параметров, использует архитектуру XLMRobertaForTokenClassification и принимает текст, возвращая метки для его токенов. Максимальная длина контекста — 514 токенов. В README указаны результаты оценки: loss 0,2740 и F1 0,8584; сведений о наборе оценки и разбиении недостаточно, чтобы интерпретировать эти показатели шире. Модель распространяется по лицензии MIT. Карточка не описывает ограничения применения и не приводит подробностей обучения.

Это зеркало модели Ornith 1.0 35B abliterated, опубликованное imbutus для запуска через vLLM и загрузчиков на основе Transformers. Веса скопированы без изменений из YuYu1015/YuYu1015-Ornith-1.0-35B-abliterated; в репозитории добавлены конфигурации мультимодального препроцессора из deepreinforce-ai/Ornith-1.0-35B, чтобы включить загрузку изображений и видео. Архитектура — Qwen3.5 MoE, класс Qwen3_5MoeForConditionalGeneration; файлы весов представлены в safetensors. Модель принимает текст и изображения и предназначена для диалоговых мультимодальных запросов. Базовый контекст составляет 262144 токена, а в приведённой конфигурации запуска ограничен 131072 токенами для размещения KV-кэша на одном GPU. Лицензия — Apache-2.0. Зеркало не меняет веса, а добавляет файлы конфигурации препроцессора.

rhymes-ai/Aria-sequential_mlp — это форк модели Aria от Rhymes AI. В нём grouped GEMM заменён последовательным выполнением экспертов как слоёв torch.nn.Linear; такая реализация упрощает квантизацию с помощью открытых библиотек, рассчитанных на nn.Linear. Модель использует архитектуру AriaForConditionalGeneration и предназначена для диалоговой работы с текстом и изображениями, включая генерацию текста по визуальному содержимому. Репозиторий содержит веса в формате safetensors и рассчитан на запуск через Transformers. Для форка указана лицензия Apache-2.0. Последовательная реализация упрощает совместимость с инструментами квантизации, но grouped GEMM обеспечивает более высокую скорость обучения. Размер модели и длина контекста в предоставленных данных не указаны.

Карточка модели droplychee/droplychee0170 на Hugging Face совпадает с карточкой droplychee/droplychee-2.1-27b, поэтому описание составлено по ней. droplychee-2.1-27b — дообученная разработчиком droplychee мультимодальная плотная модель семейства Qwen3.5 на базе Qwen/Qwen3.8-27B. Она предназначена для диалога с текстом и изображениями и может использоваться в сценариях, где нужно учитывать визуальный контекст при ответе. В метаданных указаны поддержка vision и интерфейс вызова инструментов; размер базовой модели — 27 млрд параметров. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка сообщает, что обучение выполнялось с Unsloth и библиотекой Hugging Face TRL. Данные не описывают конкретные наборы для дообучения, оценку качества или длину контекста, поэтому эти характеристики нельзя установить по доступной информации.

ERNIE-4.5-VL-424B-A47B-Paddle — мультимодальная модель семейства ERNIE 4.5, разработанная Baidu и опубликованная в формате весов PaddlePaddle. Это чат-модель с архитектурой MoE, дообученная после предварительного обучения ERNIE-4.5-VL-424B-A47B-Base: в README указаны 424 млрд параметров всего и 47 млрд активируемых параметров на токен; метаданные каталога приводят 47,1 млрд параметров. Модель принимает текст и изображения и генерирует текст, поддерживает визуально-языковое понимание, рассуждение по изображениям и режимы с рассуждением и без него. Заявлены английский и китайский языки, а контекстное окно составляет 131 072 токена. Модель предназначена для диалоговых сценариев, где нужно интерпретировать изображения вместе с текстовыми запросами, отвечать на вопросы по визуальному содержимому и выполнять мультимодальные рассуждения. Для запуска README приводит пример развёртывания через FastDeploy, а метаданные указывают PaddlePaddle и формат safetensors. Лицензия — Apache-2.0. Для инференса крупной MoE-модели потребуется соответствующая вычислительная инфраструктура; доступный пример FastDeploy ограничивает длину контекста 32 768 токенами.

mewse/gemma-4-26B-A4B-it-qat-q4_0-unquantized-heretic — экспериментальная версия Gemma 4, созданная автором репозитория на основе google/gemma-4-26B-A4B-it с применением Heretic для ослабления встроенных ограничений. Автор предупреждает, что это была первая попытка, результат неудовлетворительный, а метод, по его оценке, плохо сработал на MoE-моделях; вместо неё он рекомендует другой свой вариант. Модель предназначена для диалога и анализа изображений с ответами текстом. Базовая Gemma 4 использует гибридное внимание и поддерживает рассуждения, работу с инструментами, генерацию и исправление кода, а также мультимодальный ввод. В карточке базовой модели указано контекстное окно до 256 тысяч токенов и поддержка более 35 языков; аудиовозможности у версии 26B A4B не заявлены. Метаданные этого репозитория указывают архитектуру Gemma4ForConditionalGeneration, формат safetensors и возможности чата и зрения. Репозиторий распространяется по лицензии Apache-2.0. Из-за предупреждения автора о слабом результате снятия ограничений качество и полноту этой модификации следует считать ненадёжными; как и базовая модель, она может ошибаться в фактах и испытывать трудности с неоднозначными запросами.

Gemma-4-26B-A4B-StyleTune-V2-QAT-GGUF — мультимодальная версия модели семейства Gemma 4, опубликованная пользователем alexisStacksCode и созданная на основе моделей Google и Gryphe/Gemma-4-26B-A4B-StyleTune-V2. Сборка предназначена для задач image-text-to-text, то есть обработки текстовых запросов совместно с изображениями, а также для генерации ответов в текстовом формате. В описании также упоминается использование инструмента Wiself/Voice, что указывает на дополнительные стилевые или голосовые настройки, однако точные возможности голосового ввода или вывода не указаны. Модель имеет конфигурацию 26B-A4B и поставляется в формате GGUF с квантованием QAT Q4_0. В комплект входят файл модели MTP/mtp-gemma-4-26B-A4B-it-Q4_0.gguf и мультимодальные проекторы mmproj-BF16.gguf и mmproj-F16.gguf. Эти компоненты предназначены для работы базовой модели с визуальными входными данными. Максимальный размер контекста, поддерживаемые языки и точная архитектура отдельных компонентов в README не указаны. К сильным сторонам относятся мультимодальность, относительно компактное 4-битное представление для локального запуска и готовый комплект файлов для работы с изображениями. Ограничения включают отсутствие сведений о результатах тестирования, качестве на конкретных языках, требованиях к оборудованию и точной поддержке голосовых сценариев; файл модели немного больше немодифицированной версии. Лицензия в README не указана, поэтому условия использования требуют дополнительной проверки в репозитории модели и у исходных моделей.

Gemma-4-E2B-it-4bit — это 4-битная MLX-конверсия модели Google Gemma-4-E2B-it, подготовленная сообществом mlx-community для работы на устройствах Apple с Apple silicon. Модель относится к мультимодальному классу image-text-to-text и предназначена для обработки текстовых запросов, связанных с изображениями, включая их описание и визуальный анализ. Ключевые характеристики включают поддержку мультимодального ввода текста и изображений, 4-битное квантование и формат MLX, оптимизированный для Apple silicon. В README не указаны точный размер модели, архитектурные параметры, поддерживаемые языки и размер контекстного окна. Для запуска рекомендуется пакет mlx-vlm; пример использования предусматривает передачу текстового запроса и изображения. Модель удобна для локального мультимодального инференса на совместимых устройствах Apple, а 4-битное представление может снизить требования к памяти. Ограничения и точные показатели качества в README не приведены. Модель распространяется по лицензии Gemma.

GLiFormer Large v1 (NER) for LiteRT — мобильная версия пути извлечения именованных сущностей из GLiFormer Large v1, подготовленная сообществом litert-community. Модель содержит 575,6 млн параметров; веса преобразованы в формат LiteRT/TFLite без приближения вычислений. Репозиторий включает варианты с окнами на 128, 256 и 512 токенов; длинные окна используют отдельные графы энкодера и классификационной головы. Модель извлекает сущности из англоязычного текста, возвращая метки, оценки и смещения начала и конца фрагментов в исходной строке. Она предназначена для локального запуска на Android-устройствах с LiteRT, а также включает Python-конвейер для настольного CPU. На Samsung Galaxy S26 проверено точное совпадение результатов с официальной реализацией GLiFormer на 70 англоязычных примерах; практическим пределом для приложения автор README считает окно 256 токенов, а для более длинных документов предлагает обработку по предложениям. У модели высокие требования к памяти: даже вариант с окном 128 токенов занимает около 2,6 ГБ после загрузки и до 4,5 ГБ при компиляции GPU-графа; рекомендуется телефон флагманского класса. Проверена конфигурация LiteRT 2.2.0 с GPU FP32 только на указанном устройстве, поэтому работу на других GPU и менее мощных телефонах README не подтверждает. Лицензия — Apache-2.0.

InternLM-XComposer2.5-Chat — мультимодальная чат-модель, разработанная командой InternLM и дообученная на базе internlm/internlm-xcomposer2d5-7b. Она предназначена для диалога с пользователем, выполнения мультимодальных инструкций и ответов на открытые вопросы по изображениям. Модель содержит 7,4 млрд параметров, использует плотную архитектуру InternLM2 и поддерживает контекст до 24 576 токенов. Модель принимает текст и изображения и выдаёт текстовые ответы; в карточке заявлены улучшенное следование мультимодальным инструкциям и открытый диалог. Для загрузки через Transformers README указывает PyTorch и `trust_remote_code=True`; для экономии памяти рекомендуется bfloat16. Лицензия указана как `other`, поэтому конкретные условия использования следует сверить с лицензией репозитория.

OpenGVLab/InternVL3_5-1B — мультимодальная модель из семейства InternVL3.5, разработанная OpenGVLab. Это дообученная версия InternVL3_5-1B-MPO; репозиторий содержит плотную архитектуру InternVLChatModel в формате safetensors и рассчитан на использование через Transformers. Лицензия — Apache-2.0. Модель принимает изображения и текст и формирует текстовые ответы в диалоговом режиме. Она предназначена для вопросов по изображениям, визуального рассуждения и задач понимания изображений; семейство также заявляет поддержку GUI-взаимодействия и embodied-задач. В карточке указана многоязычная поддержка, но конкретные языки и размер контекста для этой версии не приведены. InternVL3.5 использует Cascade RL для улучшения рассуждений и Visual Resolution Router для динамической настройки разрешения визуальных токенов; семейство также описывает раздельное развертывание зрения и языковой модели для повышения эффективности инференса. Эти характеристики представлены для семейства в целом, поэтому их применимость именно к версии 1B может различаться. Практическая производительность зависит от изображения и вычислительных ресурсов; в README приведены общие рекомендации по развертыванию моделей серии, но отдельные требования для 1B не указаны.

InternVL3.5-2B-MPO — мультимодальная модель OpenGVLab, дообученная на базе OpenGVLab/InternVL3_5-2B-Instruct с использованием данных MMPR-v1.2 и MMPR-Tiny. Она предназначена для диалога и ответов на текстовые запросы с изображениями, включая задачи визуального понимания и рассуждений. Модель использует плотную архитектуру InternVLChatModel и распространяется в формате safetensors для Transformers. Семейство InternVL3.5 развивает мультимодальное рассуждение и эффективность инференса; в README описаны динамическая маршрутизация разрешения изображений и каскадное обучение с подкреплением для семейства. Модель принимает изображения и текст и генерирует текстовые ответы. Поддерживаются многоязычные сценарии. Лицензия — Apache-2.0. Конкретные показатели качества и ограничения именно версии 2B-MPO в предоставленных материалах не приведены.

JUWEL Sapphire — репозиторий зеркалированных весов Vext Labs на архитектуре Qwen3-VL, предназначенный для диалоговых задач с изображениями и текстом. Модель содержит около 72,4 млрд параметров, использует BF16 и включает текстовую модель с 144 слоями и визуальный модуль с 27 слоями. В конфигурации задан контекст длиной 262 144 токена. Модель принимает текст и изображения и формирует текстовые ответы; сценарии применения включают диалог по изображениям и визуальные вопросы и ответы. README описывает проверку целостности зеркала и тензорных файлов, но не сообщает об оценке качества инференса. Точная версия исходной модели Qwen3-VL не установлена. Лицензия — Apache-2.0.

Это версия Kimi-VL-A3B-Thinking-2506, подготовленная сообществом mlx-community для запуска в формате MLX на устройствах Apple. Модель преобразована из moonshotai/Kimi-VL-A3B-Thinking-2506 с помощью mlx-vlm 0.3.2; метаданные связывают её с Kimi-VL-A3B-Instruct и указывают архитектуру KimiVLForConditionalGeneration и диалоговый режим. Модель принимает текст и изображения и генерирует текст; её можно использовать для диалога по изображениям и визуального анализа. Авторская задача в Hugging Face — image-text-to-text, а классификатор каталога также отмечает text-generation. Репозиторий содержит веса safetensors и имеет лицензию MIT. README рекомендует запуск через mlx-vlm.