I.4Обработка документов и форм

Это MXFP4_MOE-квантизация Kimi-VL-A3B-Thinking-2506, опубликованная noctrex. Репозиторий содержит вариант модели в формате GGUF; метаданные также указывают варианты GGUF BF16, F16 и F32. Базовая модель Moonshot AI предназначена для диалогов, визуального анализа и рассуждений по изображениям и видео. Модель принимает текст и изображения и выдаёт текст. Её можно использовать для вопросов по изображениям, визуального анализа и мультимодального диалога. README не содержит сведений о размере, контексте или лицензии, поэтому эти характеристики здесь не приводятся.

kl3m-003-3.7b — компактная языковая модель, первоначально разработанная компанией 273 Ventures и переданная ALEA Institute. Это авторегрессионная модель семейства Mixtral с архитектурой Mixture of Experts: четыре локальных эксперта, из которых для каждого токена используются два. В README указан размер 3,69 млрд параметров, а в метаданных — 1,2 млрд; контекст составляет 4096 токенов. Модель обучена на английском, испанском, немецком и французском языках на данных, которые разработчики описывают как юридически допустимые. Лицензия — CC-BY 4.0. Модель предназначена для юридических, нормативных и финансовых рабочих процессов: она может генерировать текст, помогать с черновиками положений договоров, базовыми ответами на регуляторные вопросы и извлечением структурированных данных в JSON. Её также предлагают использовать как основу для доменного дообучения или обучения более крупных моделей. Разработчики отмечают низкую токсичность и эффективность запуска на потребительских GPU. Модель не настроена на выполнение инструкций и не выровнена по предпочтениям пользователей, поэтому ответы могут не соответствовать запросу и содержать правдоподобные, но неверные юридические сведения. Контекст ограничен 4096 токенами; результаты в юридических и нормативных сценариях требуют проверки специалистом. Разработчики указывают, что общие задачи могут выполняться хуже профильных.

amoeba04/koelectra-small-v3-privacy-ner — модель для распознавания персональных данных в корейском тексте, созданная дообучением monologg/koelectra-small-v3-discriminator на синтезированном наборе данных с шаблонами персональной информации. Она размечает токены по схеме BIO и предназначена для NER: в карточке указано 12 категорий, включая корейские имена, адреса и номера регистрации резидентов. Модель построена на ELECTRA и содержит 21,5 млн параметров; максимальная длина контекста — 512 токенов. Она принимает текст и возвращает метки для токенов. Для указанного оценочного набора приведены высокие значения precision, recall и F1, однако результаты на синтетических данных не гарантируют такого же качества на реальных текстах. Лицензия — Apache-2.0.

Kumru-VLM 2B — berhaan tarafından yayımlanan, yaklaşık 2,4 milyar parametreli Türkçe görsel-dil modelidir. LLaVA tabanlı mimarisi SigLIP-2 görsel kodlayıcıyı, MLP проектörünü и Kumru-2B dil modelini birleştirir; репозиторий содержит объединённые LoRA-веса. Модель принимает изображения и текстовые запросы и предназначена для диалогового понимания изображений, включая чтение локального текста и OCR-сценарии. Модель ориентирована на турецкий язык и работу на устройствах с ограниченными ресурсами. В бенчмарке MMStar-TR она показала 30,13% общей точности и 29,60% в категории науки и технологий; эти результаты относятся к указанному бенчмарку. Репозиторий распространяется по лицензии Apache-2.0.

LFM2.5-VL-1.6B-GGUF — мультимодальная модель компании Liquid AI для задач image-text-to-text: она принимает изображения и текстовые запросы и генерирует текстовые ответы. Модель предназначена для визуального анализа, ответов на вопросы по изображениям и других сценариев, где требуется обработка изображений совместно с естественным языком, включая запуск на периферийных устройствах через llama.cpp. Модель основана на LiquidAI/LFM2.5-VL-1.6B и поставляется в формате GGUF, совместимом с llama.cpp. Указан размер 1,6 млрд параметров; поддерживаются английский, японский, корейский, французский, испанский, немецкий, итальянский, португальский, арабский и китайский языки. README не содержит сведений о длине контекста, точной архитектуре, используемых визуальных входах и количественных результатах оценки. К сильным сторонам относятся мультимодальность, компактный размер и возможность локального или edge-развёртывания с использованием llama.cpp. Ограничения модели и её подробные характеристики в README не описаны. Модель распространяется по лицензии lfm1.0; дополнительные условия следует уточнять в файле LICENSE.

Это четырёхбитная версия мультимодальной разговорной модели Llama 3.2 Vision Instruct, подготовленная сообществом mlx-community для запуска в формате MLX. Веса преобразованы из huihui-ai/Llama-3.2-11B-Vision-Instruct-abliterated с помощью mlx-vlm 0.1.4; исходная модель основана на Meta Llama 3.2 11B Vision Instruct и имеет архитектуру mllama с 11 млрд параметров. Модель принимает текст и изображения и генерирует текстовые ответы. Она предназначена для диалога, ответов на вопросы и рассуждений по изображениям; также поддерживает conversational-режим и интерфейс вызова инструментов. В карточке указана поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Модель помечена как abliterated и uncensored, поэтому её поведение может отличаться от исходной инструктивной версии в отношении отказов на запросы. Для использования применяются условия лицензии Llama 3.2. README указывает конвертацию в MLX и зависимость mlx-vlm; конкретная длина контекста и дополнительные ограничения качества в предоставленных данных не описаны.

OpenMed-PII-French-BiomedBERT-Base-110M-v1 — модель OpenMed для обнаружения и классификации персональных и чувствительных данных во французском тексте. Это дообученная модель BERT для токен-классификации на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract; в метаданных указаны 136,7 млн параметров и контекст до 512 токенов. Модель принимает текст и присваивает метки токенам, выявляя, среди прочего, имена, адреса, идентификаторы, медицинские номера, контактные и финансовые сведения. Модель предназначена для обезличивания клинических записей и документов, подготовки наборов данных к исследованиям, проверки коллекций документов и поддержки процессов соблюдения требований конфиденциальности. По README, на французской части набора AI4Privacy она показала micro F1 0,9466. Распространяется по лицензии Apache-2.0. Результаты следует проверять человеком: модель может пропускать чувствительные сведения, а качество зависит от контекста и терминологии. Она оптимизирована для французского и может хуже работать на других языках.

OpenMed-PII-French-SnowflakeMed-Large-568M-v1 — модель OpenMed для обнаружения и классификации персональных и других чувствительных данных во французском тексте. Это дообученный трансформер XLM-RoBERTa для разметки токенов: он выделяет 54 типа сущностей, включая имена, адреса, идентификаторы, финансовые и медицинские сведения, контактные данные и даты. Модель принимает текст и возвращает метки сущностей; нативная длина контекста составляет 8194 токена. В README приведён результат micro F1 0,9728 на французской части набора AI4Privacy. Модель предназначена для выявления и удаления PII из клинических записей и документов, подготовки исследовательских данных и аудита коллекций документов. Она разработана для французского языка и не рассчитана на надёжную работу с другими языками. Возможны пропуски чувствительных данных, а качество зависит от терминологии и контекста, поэтому критические результаты требуют проверки человеком. Лицензия — Apache-2.0.

OpenMed-PII-French-SuperClinical-Large-434M-v1 — модель OpenMed для выявления и классификации персональных данных во французском тексте. Это дообученная на Microsoft DeBERTa-v3-large модель токенной классификации с архитектурой DeBERTa V2; метаданные указывают 533,8 млн параметров и контекст до 512 токенов. Она размечает 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, контактные и медицинские сведения. Модель предназначена для поиска и последующего удаления или маскировки персональных данных в клинических записях, медицинских документах и наборах данных, а также для аудита документов. В README сообщается оценка micro F1 0,9797 на французской части AI4Privacy; результат зависит от данных и условий применения. Модель рассчитана прежде всего на французский язык и может хуже работать на других языках и с узкоспециальной терминологией. Возможны пропуски сущностей, поэтому критически важные результаты следует проверять вручную. Лицензия — Apache-2.0.

OpenMed-PII-German-BioClinicalBERT-Base-110M-v1 — модель OpenMed для обнаружения и классификации персональных данных в немецком тексте. Она дообучена на базе emilyalsentzer/Bio_ClinicalBERT и использует архитектуру BERT с токенной классификацией; содержит 135,5 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель размечает 54 типа чувствительных сущностей, в том числе имена, адреса, идентификаторы, финансовые и медицинские сведения, контактные данные и даты. Её используют для поиска персональных данных в клинических записях и документах, подготовки данных к исследованиям и поддержки обезличивания в рабочих процессах с требованиями приватности. В карточке сообщается оценка micro F1 0,9316 на немецкой части набора AI4Privacy. Модель рассчитана на немецкий язык; качество на других языках и в специализированных предметных областях может снижаться. Возможны пропуски персональных данных, поэтому результаты следует проверять человеком, особенно в критически важных сценариях. Лицензия — Apache-2.0.

OpenMed-PII-German-BiomedBERT-Large-340M-v1 — модель OpenMed для обнаружения и классификации персональных данных в немецком тексте. Это дообученная архитектура BERT для классификации токенов: она выделяет 54 типа чувствительной информации, включая имена, адреса, идентификаторы, медицинские и финансовые сведения, контактные данные и даты. Модель содержит 433,9 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт BIO-разметку токенов. Модель предназначена для автоматического выявления и удаления персональных данных из клинических записей, медицинских документов и других текстовых коллекций, а также для подготовки данных к исследованиям и аудита документов. В README приведён результат micro F1 0,9508 на немецкой части набора AI4Privacy; обучение описано на BIO-размеченном немецком подмножестве AI4Privacy PII Masking 400k. Модель оптимизирована для немецкого языка, а качество на других языках не гарантируется. Возможны пропуски чувствительных данных, поэтому результаты для критически важных сценариев следует проверять человеком. Лицензия — Apache-2.0.

OpenMed-PII-GTEMed-Base-149M-v1 — модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная для token classification модель ModernBERT с 149 млн параметров и контекстом до 8192 токенов; она распознаёт 54 типа чувствительных данных, включая имена, адреса, номера медицинских карт, финансовые реквизиты и контактную информацию. Модель предназначена для разметки и последующего удаления или маскирования чувствительных фрагментов в клинических записях, медицинских документах и других текстовых коллекциях, а также для подготовки данных и аудита приватности. В README приведён результат micro F1 0,9504 на тестовой выборке NVIDIA Nemotron-PII. Модель рассчитана прежде всего на английский текст. Качество зависит от типа сущности и контекста: некоторые категории, в том числе время, уникальные идентификаторы и уровень образования, распознаются менее надёжно. Модель следует использовать как вспомогательный инструмент с проверкой результатов человеком, особенно в критичных сценариях. Лицензия — Apache-2.0.

OpenMed-PII-Italian-LiteClinical-Small-66M-v1 — компактная модель OpenMed на архитектуре DistilBERT, дообученная для классификации токенов и обнаружения персональных данных в итальянском тексте. Она размечает 54 категории чувствительной информации, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения, с метками BIO. Модель предназначена для автоматизированного выявления и удаления персональных данных из клинических записей, медицинских документов и других текстовых коллекций, а также для подготовки данных к исследованиям и аудита документов. В README приведён результат оценки на итальянской части AI4Privacy: micro F1 0,9435. Модель принимает текст и выдаёт последовательность меток для токенов; контекст ограничен 512 токенами. Для применения в чувствительных сценариях требуется проверка человеком: возможны пропуски, а качество может зависеть от терминологии; для языков, кроме итальянского, модель не оптимизирована. Лицензия — Apache 2.0.

OpenMed-PII-Italian-SuperClinical-Large-434M-v1 — модель OpenMed для выявления и классификации персональных и других чувствительных данных в итальянском тексте. Это дообученная на базе microsoft/deberta-v3-large модель DeBERTa V2 для классификации токенов: она размечает до 54 типов сущностей, включая личные идентификаторы, медицинские сведения, контакты, адреса, финансовые данные и даты. Модель содержит 533,8 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки сущностей в формате BIO. Модель предназначена для поиска PII в клинических записях, медицинских документах и других итальянских текстах, чтобы подготовить их к обезличиванию, проверке на утечки и исследовательскому использованию. В README сообщается о Micro F1 0,9728 на итальянской части набора AI4Privacy; качество может зависеть от типа текста и терминологии. Лицензия — Apache-2.0. Модель задумана как вспомогательное средство: она может пропускать чувствительные сведения, поэтому результаты для важных сценариев требуют проверки человеком. Оптимизирована для итальянского языка, а качество на других языках не гарантируется.

OpenMed разработала OpenMed-PII-mClinicalE5-Large-560M-v1 — модель классификации токенов на базе XLM-RoBERTa, дообученную на intfloat/multilingual-e5-large-instruct для обнаружения персональных и чувствительных данных в тексте. Она размечает 54 типа сущностей, включая имена, адреса, номера социального страхования и медицинских записей, контактные, финансовые, медицинские и сетевые идентификаторы. Модель предназначена для поиска и последующего удаления или маскирования чувствительной информации в клинических записях, медицинских документах и наборах данных, а также для аудита документов и поддержки процессов защиты конфиденциальности. В README сообщается о micro-F1 0,9582 на тестовой выборке из 2 000 примеров датасета NVIDIA Nemotron-PII. Модель принимает текст и возвращает метки сущностей для его токенов; контекст — до 514 токенов. Основной язык обучения и применения — английский, хотя базовая модель многоязычная. Модель может пропускать чувствительные данные, а качество зависит от предметной области; для некоторых категорий точность ниже. README рекомендует использовать её как вспомогательный инструмент с проверкой результатов человеком. Лицензия — Apache-2.0.

OpenMed-PII-Spanish-BioClinicalBERT-Base-110M-v1 — модель OpenMed для обнаружения и классификации персональных данных в испанском тексте. Это дообученная для разметки токенов BERT-модель на базе emilyalsentzer/Bio_ClinicalBERT: она выделяет 54 типа чувствительных сущностей, включая идентификаторы, имена, адреса, контактные, финансовые и медицинские сведения. Модель рассчитана на деидентификацию клинических записей и документов, подготовку наборов данных к исследованиям и поиск персональных данных в коллекциях документов. Модель использует архитектуру BERT, содержит 135,5 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Она оптимизирована для испанского языка и обучалась на испанской части AI4Privacy PII Masking 400k; на указанной в карточке оценке micro F1 составляет 0,8411. Для наилучших результатов README рекомендует предварительно удалять диакритические знаки, при этом смещения сущностей можно сопоставить с исходным текстом. Модель предназначена как вспомогательный инструмент: возможны пропуски персональных данных, а качество зависит от предметной области. Она может хуже работать на других языках, поэтому критичные результаты следует проверять вручную. Лицензия — Apache-2.0.

OpenMed-PII-Spanish-ClinicalBGE-Large-568M-v1 — модель OpenMed для поиска и классификации персональных и других чувствительных данных в испанском тексте. Это дообученная на базе BAAI/bge-m3 модель XLM-RoBERTa для разметки токенов; в метаданных указаны 658,7 млн параметров и контекст до 8194 токенов. Модель распространяется в формате safetensors и предназначена для использования с Transformers. Модель выявляет 54 типа сущностей, включая имена, адреса, идентификаторы, медицинские записи, контактные и финансовые сведения. Её применяют для деидентификации клинических заметок и документов, подготовки наборов данных к исследованиям и аудита документов на наличие чувствительной информации. В оценке на испанской части AI4Privacy указана micro F1 0,9391. Модель обучалась на тексте без диакритических знаков; README рекомендует удалять акценты перед обработкой. Возможны пропуски сущностей, а качество зависит от терминологии и может быть ниже вне испанского языка, поэтому результаты в критичных сценариях следует проверять. Лицензия — Apache-2.0.

OpenMed-PII-SuperClinical-Large-434M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и иных чувствительных данных в тексте. Это дообученная на задаче токенной классификации модель Microsoft DeBERTa V3 Large с архитектурой DeBERTa V2; в метаданных указано 533,8 млн параметров и контекст до 512 токенов. Модель размечает 54 типа сущностей, включая имена, адреса, контактные данные, финансовые идентификаторы и сведения из медицинских записей. Модель предназначена для выявления PII в клинических заметках, медицинских документах и текстовых коллекциях, например перед обезличиванием данных, аудитом документов и подготовкой наборов данных. В README приведён результат micro F1 0,9608 на тестовой выборке из NVIDIA Nemotron-PII; качество различается между типами сущностей, а для некоторых категорий оно ниже. Модель рассчитана прежде всего на английский текст и может пропускать чувствительные данные, поэтому результаты в критичных сценариях требуют проверки человеком. Распространяется по лицензии Apache-2.0.

POINTS-Qwen-2.5-7B-Chat — чат-модель для работы с изображениями и текстом, разработанная командой WeChat AI. Она объединяет языковую модель Qwen2.5-7B-Instruct и визуальный энкодер CLIP ViT-L/14 с разрешением 336 пикселей; архитектура репозитория обозначена как POINTSChatModel. Модель предназначена для диалогов по изображениям, визуальных вопросов и ответов, а также генерации текста по текстовому запросу. В карточке описаны слияние моделей, динамическая обработка изображений высокого разрешения, фильтрация данных предобучения по perplexity и объединение дообученных моделей методом model soup. Для POINTS приведены результаты на MMBench-dev-en, MathVista и HallucinationBench; например, указаны оценки 83,2, 63,1 и 46,0 соответственно. Метаданные отмечают поддержку английского языка, чат-возможности и интерфейс вызова инструментов. Модель распространяется по лицензии Apache-2.0.

Privasis-Cleaner-4B-i1-GGUF — это квантизированная версия текстовой генеративной модели Arsh9210/Privasis-Cleaner-4B, подготовленная в формате GGUF пользователем mradermacher. Модель предназначена для задач, связанных с конфиденциальностью текста: обнаружения и удаления персональных данных (PII), обезличивания, санитарной обработки и редактирования текстовых документов. В метаданных также указана принадлежность к семейству Qwen3, однако подробности архитектуры не приведены. Модель имеет размер 4B параметров, работает с текстом и ориентирована на английский язык. Репозиторий содержит множество вариантов квантизации с разными компромиссами между размером, скоростью и качеством; рекомендуются варианты i1-Q4_K_M и i1-Q4_K_S, при этом более низкобитные варианты могут заметно уступать по качеству. Размер контекста и результаты бенчмарков не указаны, поэтому возможности обработки длинных документов и точность удаления персональных данных требуют самостоятельной проверки. Лицензия обозначена как NVIDIA, тип лицензии — other; дополнительные условия находятся в файле LICENSE.

mlx-community/Qwen3.5-9B-6bit — модель, преобразованная сообществом mlx-community в формат MLX из Qwen/Qwen3.5-9B с использованием mlx-vlm версии 0.3.12. Базовая модель указана как Qwen/Qwen3.5-9B-Base, а исходная карточка модели размещена в репозитории Qwen/Qwen3.5-9B. Модель предназначена для задач, связанных с пониманием изображений и генерацией текста по визуальному содержимому, включая описание изображений. Она классифицируется как image-text-to-text и может использоваться через библиотеку mlx-vlm на устройствах, совместимых с MLX. В README не указаны архитектура, точный размер в параметрах, поддерживаемые языки и размер контекстного окна. Обозначение 6bit указывает на шестибитное представление модели, но дополнительные сведения о характеристиках квантования не приведены. Модель распространяется по лицензии Apache-2.0. README не содержит подробностей о сильных сторонах, ограничениях и полном наборе сценариев применения; за ними предлагается обращаться к оригинальной карточке Qwen/Qwen3.5-9B.

Qwen3.6-27B-bf16 — мультимодальная модель семейства Qwen, опубликованная сообществом mlx-community и представленная в формате safetensors для библиотеки MLX. В метаданных она отнесена к плотной архитектуре Qwen3_5ForConditionalGeneration и имеет 27 млрд параметров; модель основана на Qwen/Qwen3.6-27B. Модель предназначена для диалогов и задач, где нужно совместно анализировать текст и изображения, например отвечать на вопросы по изображению. Карточка указывает поддержку vision и conversational; подробности о языках, длине контекста и конкретных возможностях следует сверять с карточкой исходной модели Qwen3.6-27B. Репозиторий подготовлен конвертацией исходной модели в формат MLX с помощью mlx-vlm 0.4.4; лицензия — Apache-2.0. Для использования README рекомендует библиотеку mlx-vlm.

Qwen3.8-27B-Uncensored-FP8 — неофициальная копия модели orcarouter/Qwen3.8-27B-Uncensored-FP8, опубликованная в формате FP8 safetensors для запуска на GPU NVIDIA. Модель использует архитектуру qwen3_5 и класс Qwen3_5ForConditionalGeneration. Модель предназначена для мультимодальных задач image-text-to-text: обработки изображений и генерации текста по визуальному и текстовому контексту. Репозиторий содержит 7 фрагментов safetensors с блочно-квантизированными весами FP8. Указан размер 27B параметров; сведения о поддерживаемых языках, размере контекстного окна и конкретных мультимодальных возможностях в README не приведены. Основные преимущества — сниженное потребление памяти благодаря FP8 и совместимость с NVIDIA-ориентированными сценариями запуска через vLLM и transformers. Ограничение заключается в специализированном формате: сборка предназначена для NVIDIA GPU с поддержкой FP8, а версия в формате MLX для Apple Silicon не предоставляется. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-Flash-Next-MXFP4-MLX — экспериментальная нативная конверсия модели Qwen/Qwen3.8-Flash-Next для Apple Silicon, подготовленная с использованием oMLX и MLX-VLM. Это мультимодальная vision-language модель для сценариев image-text-to-text: она принимает изображения и текст и генерирует текстовые ответы. Полная vision tower сохранена, поэтому это не текстовая модель. Исходная модель содержит около 180 млрд параметров в формате BF16, а итоговый чекпойнт занимает около 92,27 GiB и использует смешанную квантизацию MXFP4, Q4–Q8 и BF16 с приоритетом сохранения наиболее чувствительных компонентов. Модель построена на архитектуре qwen4_exp и рассчитана на длинный контекст; в README приведены оценки для контекста 256K. Обычные embeddings и LM head, нормы, маршрутизаторы и ряд других компонентов оставлены в BF16, а vision tower полностью сохранена. Для работы требуется MLX-VLM версии 0.6.17 или новее; Trust Remote Code и собственный Python-модуль репозитория не требуются. Модель ориентирована прежде всего на Mac с unified memory: на компьютере с 128 GiB она занимает около 103–107 GiB с учётом кэша и рабочего пространства, поэтому практически требует закрытия ресурсоёмких приложений и уменьшения контекста при ограниченной памяти. Сильными сторонами являются нативная поддержка Apple Silicon, существенное уменьшение размера по сравнению с BF16, сохранение мультимодальных возможностей и архитектурно управляемая смешанная точность. Ограничения включают экспериментальный статус, отсутствие полноценных тестов качества зрения, длинного контекста и сравнения с BF16, высокие требования к памяти и отсутствие заявленных бенчмарков производительности. Чекпойнт распространяется по лицензии qwen-community-1.0.

mlx-community/Qwen3-VL-4B-Instruct-4bit — мультимодальная instruction-tuned модель, преобразованная сообществом mlx-community в формат MLX из Qwen/Qwen3-VL-4B-Instruct с использованием mlx-vlm версии 0.3.4. Модель предназначена для задач image-text-to-text, включая обработку изображений и генерацию текстовых ответов по инструкциям, например описание изображений. Для работы используется библиотека mlx-vlm. Модель имеет размер 4B параметров и поставляется в 4-битном формате, что ориентировано на более эффективное использование памяти и вычислений на совместимом оборудовании Apple MLX. README не содержит подробностей об архитектуре, поддерживаемых языках, максимальной длине контекста, перечне модальностей и результатах оценки качества. Ограничения производительности и совместимости также зависят от исходной модели и среды MLX. Модель распространяется по лицензии Apache-2.0.

gyr66/RoBERTa-ext-large-chinese-finetuned-ner — китайская модель разметки токенов, дообученная автором на наборе данных gyr66/privacy_detection. Она предназначена для выявления и классификации фрагментов, связанных с конфиденциальностью, в китайском тексте. Модель основана на архитектуре BERT, содержит 424,3 млн параметров и обрабатывает последовательности длиной до 512 токенов. На оценочном наборе данных указаны F1 0,7318, точность 0,7052 и полнота 0,7606. Эти показатели отражают результаты только на упомянутом наборе данных; карточка не уточняет конкурсную задачу или классы разметки. Модель опубликована в формате PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

SmolVLM-256M-Base — мультимодальная модель из репозитория HuggingFaceTB, предназначенная для преобразования изображений и текстовых запросов в текстовые ответы. Модель доступна для использования через библиотеку Transformers и связана с архитектурой Idefics3; размер 256M следует из названия модели. Модель подходит для сценариев, в которых требуется задавать вопросы по изображениям, получать текстовое описание визуального содержимого или вести диалог с учётом изображения. README автоматически сгенерирован и не содержит сведений о лицензии, языках, контексте, обучающих данных, результатах оценки и специальных ограничениях, поэтому эти характеристики нельзя надёжно определить по предоставленным данным.

Модель usernamebetter/testing-model — дообученная версия Ornith AI Ornith-1.5-9B на архитектуре Qwen3.5. Она принимает изображения и текст и предназначена для диалоговой работы с визуальными данными; в метаданных также отмечен интерфейс вызова инструментов. Размер базовой модели — 9 млрд параметров. Модель разработал usernamebetter, используя Unsloth и библиотеку TRL для обучения. Репозиторий распространяется по лицензии Apache-2.0.

FacebookAI публикует XLM-RoBERTa-large, дообученную на нидерландской части датасета CoNLL-2002. Это многоязычная трансформерная модель архитектуры XLM-RoBERTa с 658,7 млн параметров и контекстом до 514 токенов; в репозитории представлены веса PyTorch. Модель предсказывает пропущенные токены, а дообученная версия предназначена для разметки токенов в нидерландском тексте. Основные сценарии применения — распознавание именованных сущностей и разметка частей речи. Также модель можно использовать для заполнения пропусков в тексте. В карточке указано обучение XLM-RoBERTa на 100 языках, но специализированное дообучение выполнено на нидерландском датасете CoNLL-2002, поэтому качество для других языков и задач разметки может отличаться. Лицензия в карточке не определена.

Alo-70m — компактная инструкционно настроенная языковая модель Фахада Хоссейна для общения и обработки текстов на бенгальском языке. Это причинный авторегрессионный трансформер на архитектуре LLaMA; метаданные указывают 52,2 млн параметров, а README — 69 млн. Модель дообучена методом SFT на размеченных парах из Bangla-SFT-50k с шаблоном ChatML и рассчитана на запуск на CPU и мобильных устройствах. Модель предназначена для суммаризации, извлечения сущностей, редактирования текста и ответов на вопросы на бенгальском языке. Контекстное окно составляет 1024 токена. В оценках она показывает пригодность для лёгкой локальной обработки текста, однако дообучение снизило некоторые показатели рассуждения относительно базовой модели, а небольшой размер ограничивает фактические знания и качество ответов на сложные вопросы. Лицензия — Apache 2.0.