I.4Обработка документов и форм

EZCon выпустил конверсию модели huihui-ai/Qwen2-VL-2B-Instruct-abliterated в формат MLX с помощью mlx-vlm 0.6.17. Это диалоговая визуально-языковая модель семейства Qwen2-VL с плотной архитектурой Qwen2VLForConditionalGeneration и 1,5 млрд параметров. Она принимает текст и изображения и формирует текстовые ответы; заявленная длина контекста — 32 768 токенов. Подходит для вопросов по изображениям и диалога с визуальным контекстом. В метаданных отмечены английский язык, чат и vision; тег abliterated указывает на ослабление ограничений безопасности. Репозиторий содержит веса safetensors для MLX. Лицензия — Apache-2.0.

bartowski/Qwen2-VL-7B-Instruct-GGUF — это GGUF-квантизация мультимодальной модели Qwen2-VL-7B-Instruct, разработанной командой Qwen и подготовленной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text: анализа изображений и формирования текстовых ответов по запросам пользователя. Она поддерживает визуальные и текстовые входные данные и может применяться, например, для описания изображений и визуального вопросно-ответного взаимодействия. Модель имеет размер 7B параметров в исходной версии; в репозитории доступны варианты от F16 до низкобитных форматов Q2 и Q3, включая Q4_K_M размером 4,68 ГБ, рекомендованный как стандартный вариант для большинства сценариев. Для обработки изображений в llama.cpp требуется специальный бинарный файл llama-qwen2vl-cli и отдельный multimodal projector. В README явно указан язык English; сведения о длине контекста и поддержке других языков не приведены. Сильной стороной модели является сочетание мультимодального понимания и широкого выбора квантизаций, позволяющего балансировать качество, размер и требования к памяти. Более высокие варианты сохраняют качество, а низкобитные подходят для систем с ограниченным объёмом RAM, но дают худшие результаты. Для использования требуется совместимое окружение llama.cpp и корректный файл projector. Модель распространяется по лицензии Apache-2.0.

tvall43/Qwen3.5-4B-heretic-v2 — мультимодальная модель для диалога и понимания изображений, созданная на основе Qwen/Qwen3.5-4B. Автор применил Heretic v1.2.0 для снижения частоты отказов: в описанном сравнении модель отказала в 4 из 100 запросов против 99 из 100 у исходной версии. Это экспериментальная модификация, а не отдельная модель, обученная с нуля. Модель имеет плотную архитектуру Qwen3.5 с 4 млрд параметров и поддерживает ввод текста и изображений с генерацией текстовых ответов. Для базовой модели заявлено контекстное окно 262 144 токена с возможностью расширения; README сообщает о поддержке 201 языка и диалекта. Репозиторий содержит веса Safetensors и совместим с Transformers и рядом движков инференса. Модель подходит для диалогов и визуальных вопросов, в том числе с запросами, на которые исходная модель чаще отказывала. Снижение отказов не означает гарантированную пригодность для любых запросов; приведённое сравнение ограничено тестом на 100 запросах. Лицензия — Apache-2.0.

ConnorYU/Qwen3.5-9B-VerIH-step200-no-syshint-insecure — мультимодальная модель семейства Qwen3.5, дообученная ConnorYU на базе ConnorYU/Qwen3.5-9B-VerIH-step200-no-syshint. Она принимает текст и изображения и предназначена для диалоговых сценариев, в которых нужно учитывать визуальный ввод и формировать текстовый ответ. В карточке указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL от Hugging Face. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает специализированные сценарии, языковое покрытие или измеренные показатели качества; по метаданным заявлена поддержка английского языка.

RohitUltimate/Qwen3.5_VL_2B_minor — дообученная мультимодальная модель на базе Qwen/Qwen3.5-2B, опубликованная пользователем RohitUltimate. Она предназначена для диалоговой работы с текстом и изображениями; основная задача в метаданных — преобразование изображений и текста в текст. Карточка сообщает, что полная версия дообученной модели может предоставляться по запросу, иногда за плату. Модель распространяется по лицензии MIT.

mlx-community/Qwen3.6-35B-A3B-6bit — это 6-битная версия модели Qwen3.6-35B-A3B, преобразованная сообществом mlx-community в формат MLX с использованием mlx-vlm 0.4.4. Базовая модель разработана командой Qwen; README не содержит дополнительных сведений о разработчике исходной версии. Модель предназначена для мультимодальных сценариев image-text-to-text, в частности для генерации текстовых ответов по изображениям, например их описания. Она рассчитана на запуск через библиотеку mlx-vlm, преимущественно в окружении, совместимом с MLX. Из README известны размер исходной модели 35B и конфигурация A3B, а также 6-битное квантование, однако сведения об архитектуре, поддерживаемых языках, размере контекста, качестве, ограничениях и точных требованиях к оборудованию не приведены. Модель распространяется по лицензии Apache-2.0.

Это вариант Qwen3.8-23B-Mini-Me, преобразованный в формат GGUF для запуска через llama.cpp. В README указано, что исходные веса взяты из StargazerLabs/Qwen3.8-23B-Mini-Me-bf16; метаданные относят модель к семейству Qwen3.8 и отмечают возможность работы с изображениями. Репозиторий создан 20 августа 2026 года, лицензия — Apache-2.0. Модель предназначена для задач «изображение—текст»: она принимает изображения и текстовые запросы и формирует текстовые ответы. GGUF позволяет использовать её через llama.cpp; карточка не приводит дополнительных сведений о контекстном окне, языках или результатах оценки качества.

mlx-community/Qwen3.8-27B-mxfp8 — мультимодальная модель, преобразованная в формат MLX сообществом mlx-community на основе Qwen/Qwen3.8-27B. Конвертация выполнена с использованием mlx-vlm версии 0.6.8. Модель предназначена для задач понимания изображений и генерации текста по визуальным входным данным, включая описание изображений, и рассчитана на запуск в экосистеме MLX. В карточке указано обозначение размера 27B, однако подробности об архитектуре, поддерживаемых языках, длине контекста, точных модальностях и характеристиках исходной модели не приведены. Ключевой особенностью является представление mxfp8 и совместимость с инструментами mlx-vlm. Ограничения и результаты тестирования в README не описаны, поэтому оценить сильные стороны модели по сравнению с альтернативами невозможно. Модель распространяется по лицензии Apache-2.0. Для полной информации о возможностях и ограничениях рекомендуется обратиться к карточке исходной модели Qwen/Qwen3.8-27B.

Qwen3.8-27B-Uncensored-NInfer — это квантованная версия модели orcarouter/Qwen3.8-27B-Uncensored, преобразованная автором репозитория fullmetaljackass в нативный формат артефактов NInfer. Модель относится к семейству Qwen3.8 и предназначена для сценариев image-text-to-text, то есть обработки изображений и текстовых запросов с генерацией текстового ответа. Заявлена поддержка английского и китайского языков, а размер базовой модели составляет 27 млрд параметров. Главное преимущество модели — готовность к использованию в экосистеме NInfer и наличие мультимодального профиля с поддержкой vision-задач. При этом README не содержит подробностей об архитектуре, типе квантования, размере контекстного окна, точных возможностях работы с изображениями или результатах тестирования. Модель имеет статус uncensored и abliterated, однако конкретные изменения и их влияние на качество или безопасность не описаны. Артефакт предназначен только для NInfer и не является checkpoint для Transformers, распространением Safetensors или файлом GGUF. Лицензия — Apache 2.0, унаследованная от Qwen/Qwen3.8-27B.

Qwen3.8-Flash-Next-GGUF — это квантованная модель в формате GGUF, созданная на основе Qwen3.8-Flash-Next и автоматически преобразованная инструментами проекта ggml-org. По метаданным она предназначена для задач image-text-to-text, то есть может использоваться в сценариях, где модель обрабатывает изображения и текст и генерирует текстовый ответ. Модель опубликована организацией ggml-org, а исходная модель связана с Qwen. Формат GGUF ориентирован на запуск в совместимых локальных инструментах, включая llama.cpp и llama.app; в README приведён пример запуска через llama serve. Сведения об архитектуре, количестве параметров, поддерживаемых языках, размере контекста, конкретных возможностях работы с изображениями и характеристиках квантования отсутствуют. Лицензия указана как other, без дополнительных условий и пояснений. Поэтому точные права использования следует уточнять по лицензии исходной модели Qwen3.8-Flash-Next и сопутствующим материалам. Из-за ограниченности README нельзя надёжно оценить сильные стороны, ограничения качества или требования к аппаратному обеспечению.

MLX-версия мультимодальной модели Qwen3-VL-2B-Instruct, преобразованная сообществом mlx-community из исходной модели Qwen/Qwen3-VL-2B-Instruct с использованием mlx-vlm 0.3.4. Модель предназначена для задач image-text-to-text, включая обработку изображений и генерацию текстовых ответов по ним, например описание содержимого изображения. Модель имеет размер 2B параметров и представлена в 4-битном формате квантования, что предназначено для более эффективного запуска в экосистеме MLX. В README не указаны поддерживаемые языки, максимальная длина контекста, точная архитектура и дополнительные модальности. Сильными сторонами являются мультимодальная обработка изображений и адаптация для использования с MLX; ограничения и требования к аппаратному обеспечению в предоставленных данных не раскрыты. Модель распространяется по лицензии Apache-2.0. Для работы рекомендуется библиотека mlx-vlm; README указывает пример генерации ответа по изображению с помощью этой библиотеки.

MLX-совместимая мультимодальная модель mlx-community/gemma-4-31B-it-qat-4bit, распространяемая сообществом mlx-community. По идентификатору она основана на Gemma 4, имеет размер 31B параметров, предназначена для выполнения инструкций и использует 4-битное квантование QAT для более эффективного запуска в экосистеме MLX. Модель относится к классу image-text-to-text и предназначена для задач понимания изображений и генерации текстовых ответов по ним, например для описания изображений. В README указан английский язык, однако полный набор поддерживаемых языков не раскрыт. Сильными сторонами являются мультимодальность и сниженные требования к памяти благодаря 4-битному квантованию; ограничения, максимальный контекст, точная архитектура и условия лицензирования в предоставленных данных не указаны. Для использования требуется библиотека mlx-vlm.

mlx-community/gemma-4-E2B-it-qat-4bit — мультимодальная модель для понимания изображений и генерации текста, опубликованная сообществом mlx-community. Она предназначена для сценариев image-text-to-text, например для описания изображений и ответов на текстовые запросы по визуальному содержимому. Модель доступна в формате MLX и рассчитана на запуск через библиотеку mlx-vlm. В названии указаны размер E2B, инструкция-настроенная версия it и 4-битное QAT-квантование, однако README не раскрывает точную архитектуру, размер контекста, полный перечень поддерживаемых языков или другие параметры. В метаданных указан английский язык. Ключевые преимущества модели — поддержка визуально-текстовых запросов и 4-битное квантование, потенциально снижающее требования к памяти при запуске в экосистеме MLX. Ограничения и качество на конкретных задачах в README не описаны. Лицензия также не указана, поэтому условия использования по представленным данным определить нельзя.

GraphForge-Qwen3.6-27B-SFT — мультимодальная модель семейства Qwen3.5 на 27 млрд параметров, разработанная на основе Qwen/Qwen3.6-27B и дообученная методом supervised fine-tuning для задач рабочих агентов. Она предназначена для диалогового взаимодействия и работы с изображениями; модель обучена на 2 169 примерах траекторий GraphForge в течение трёх эпох. Репозиторий содержит веса в формате Safetensors, конфигурацию для инференса, токенизатор и ресурсы процессора. Для запуска требуется шаблон чата из репозитория и среда выполнения, поддерживающая архитектуру модели. Карточка относит её к исследовательским моделям и предупреждает, что ответы могут быть ошибочными и требуют проверки. Данные обучения и журналы обучения не приложены. Указана лицензия Apache 2.0, сохранённая от базовой модели.

Huihui-Qwen3-VL-235B-A22B-Instruct-abliterated-GGUF — вариант Qwen3-VL от huihui-ai, созданный удалением части отказов модели Qwen/Qwen3-VL-235B-A22B-Instruct. Изменена только текстовая часть; визуальная часть не обрабатывалась. Репозиторий содержит веса в формате GGUF, включая F16. Модель предназначена для диалогов с текстом и изображениями, описания и анализа изображений, а также других задач визуально-языкового взаимодействия. По карточке, после изменений модель реже отказывается описывать или анализировать изображения. Базовое семейство Qwen3-VL также поддерживает OCR, понимание видео и пространственные рассуждения, однако карточка этой версии отдельно подтверждает только работу с изображениями и текстом. Лицензия — Apache-2.0. Ослабление защитных отказов повышает вероятность чувствительных, спорных или неподходящих ответов; результаты следует проверять. Для работы с изображениями автор указывает поддержку Qwen3-VL в llama.cpp и пример запуска через llama-mtmd-cli.

Huihui AI создала эту версию Qwen3-VL-30B-A3B-Thinking дообучением с использованием TRL. Это мультимодальная модель семейства Qwen3-VL MoE для диалога и анализа изображений с текстовым ответом; обработана только текстовая часть модели, а визуальная часть не дообучалась. Карточка указывает на формат Safetensors и библиотеку Transformers. Модель предназначена для ответов на запросы об изображениях и других сценариев, где требуется анализировать визуальный ввод и формулировать ответ текстом. Вариант abliterated ослабляет защитные отказы: модель отвечает на запросы, на которые исходная версия могла бы отказаться отвечать. Лицензия — Apache-2.0. Дообучение на момент публикации карточки продолжалось, поэтому результаты могут измениться в последующих версиях.

Huihui-Qwen3-VL-4B-Thinking-abliterated — мультимодальная модель Huihui AI на базе Qwen/Qwen3-VL-4B-Thinking. Разработчик применил abliteration к текстовой части модели; визуальная часть не изменялась. Модель принимает текст и изображения и формирует текстовые ответы, поддерживает диалог и визуальный анализ. Архитектура — плотная Qwen3-VL для генерации текста с изображениями; размер базовой модели — 4 млрд параметров. Репозиторий содержит веса safetensors, для работы используется Transformers; README также приводит запуск через Ollama. Модель предназначена для диалога по изображениям и ответов на запросы, связанные с их описанием и анализом. Уменьшение отказов касается текстовой части и может привести к чувствительным, спорным или неподходящим ответам, поэтому результаты следует проверять. Лицензия — Apache-2.0.

Intern-Decision-4B — мультимодальная модель для структурированного принятия решений, разработанная путём дообучения Qwen3.5-4B. Она принимает общее описание состояния, схему с именованными вопросами и вариантами ответов, а также при необходимости изображения, после чего за один проход вычисляет распределение вероятностей по допустимым вариантам для каждого вопроса. Модель рассчитана на выбор из категорий, оценивание по заданным вариантам и бинарные решения. Она использует плотную архитектуру семейства Qwen3.5 и библиотеку Transformers; для изображений применяет процессор базовой модели. Вход ограничен 8192 токенами и восемью изображениями, а схема поддерживает до 16 вопросов и 62 вариантов на вопрос. Вероятности откалиброваны отдельно для этого чекпойнта. Для работы требуется соблюдать заданный шаблон чата и формат JSON с маркерами полей, а варианты необходимо сопоставить с однотокенными символами. Модель возвращает вероятности и уверенность по каждому полю; это специализированный интерфейс принятия решений, а не универсальный генератор ответов. Лицензия — Apache-2.0.

Kimi-VL-A3B-Thinking-4bit — мультимодальная модель семейства Kimi-VL, подготовленная сообществом mlx-community в 4-битном формате для MLX. Репозиторий указывает, что модель конвертирована из moonshotai/Kimi-VL-A3B-Thinking; метаданные связывают её компоненты с InternViT-300M-448px-V2_5 и Qwen2.5-0.5B. Архитектура представлена классом KimiVLForConditionalGeneration. Модель принимает изображения и текст и формирует текстовые ответы; её можно применять для диалога с визуальным содержимым, например для вопросов об изображениях. Метаданные отмечают поддержку нескольких языков, но не называют конкретные языки. Доступна в формате safetensors; README указывает на использование через mlx-vlm. Лицензия в метаданных обозначена как other, поэтому условия следует сверить с карточкой исходной модели moonshotai/Kimi-VL-A3B-Thinking. Карточка сообщества не приводит подробностей об оценке качества или ограничениях исходной модели.

mlx-community/Kimi-VL-A3B-Thinking-8bit — мультимодальная модель семейства Kimi-VL, преобразованная сообществом mlx-community в формат MLX из moonshotai/Kimi-VL-A3B-Thinking с помощью mlx-vlm 0.1.23. В метаданных также указана связь с OpenGVLab/InternVL3-1B-Instruct как с базовой моделью для дообучения. Модель принимает изображения и текстовые запросы и формирует текстовые ответы. Она предназначена для диалоговых сценариев с изображениями, например для ответов на вопросы о содержимом изображения. Метаданные отмечают поддержку нескольких языков, но не перечисляют отдельные языки. Для запуска README предлагает библиотеку mlx-vlm; репозиторий содержит веса safetensors. Лицензия указана как other, поэтому условия использования следует сверить с карточкой исходной модели.

llama-3.1-8B-vision-378 — мультимодальная модель на базе Llama 3.1 8B Instruct, созданная yeswondwerr и qtnx_. К базовой языковой модели добавлен обученный проекционный модуль, который подключает визуальные возможности с помощью SigLIP. Модель предназначена для диалога по изображениям и генерации текстовых ответов на их основе. В метаданных указаны задачи image-text-to-text и text-generation, но основное назначение — анализ изображений в разговорном интерфейсе. Репозиторий содержит веса в формате safetensors; README также упоминает 4-битную квантизацию. Модель основана на Llama 3.1 8B Instruct и использует визуальный энкодер SigLIP. Лицензия указана как llama3.1. Карточка не сообщает длину контекста, поддерживаемые языки и подробные ограничения качества; ответы могут содержать ошибки.

Карточка модели mlx-community/Llama-3.2-11B-Vision-Instruct-abliterated-8-bit на Hugging Face совпадает с карточкой fairy322/Llama-3.2-11B-Vision-Instruct-abliterated-8-bit, поэтому описание составлено по ней. Это 8-битная версия модели Llama 3.2 11B Vision Instruct, преобразованная сообществом mlx-community в формат MLX из huihui-ai/Llama-3.2-11B-Vision-Instruct-abliterated с помощью mlx-vlm 0.1.4. Модель принимает текст и изображения и предназначена для диалога и ответов на вопросы по изображениям. Модель основана на архитектуре mllama и содержит 11 млрд параметров. В метаданных указана поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Репозиторий содержит веса в формате safetensors; лицензия — llama3.2. Метаданные отмечают возможности чата, работы с изображениями и интерфейс вызова инструментов. Подробности о качестве и ограничениях автор отсылает к карточке исходной модели.

Это 4-битная версия Llama 3.2 90B Vision Instruct, подготовленная mlx-community для запуска в формате MLX. Модель преобразована из unsloth/Llama-3.2-90B-Vision-Instruct с помощью mlx-vlm версии 0.1.4; архитектура — Mllama с плотной моделью условной генерации, исходная модель содержит 90 млрд параметров. Модель принимает изображения и текст и формирует текстовые ответы. Она подходит для диалога по изображениям, ответов на вопросы о визуальном содержимом и создания описаний. В метаданных указаны английский язык, поддержка диалога, зрения и интерфейса вызова инструментов. Репозиторий распространяется по лицензии Llama 3.2. README описывает конвертацию в MLX, однако в метаданных указан формат файлов safetensors; сведения о контекстном окне и конкретных ограничениях качества в доступных данных отсутствуют.

Llama-3-MixSense — мультимодальная модель семейства MixSense от Zero-Vision, построенная по архитектуре «визуальный энкодер — проектор — языковая модель». В качестве языковой части используется Meta Llama 3, а изображения обрабатывает визуальный энкодер SigLIP 400M. Веса опубликованы в формате safetensors; модель содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации текста с учётом изображений: например, для ответов на вопросы о визуальном содержимом и описания изображений. Разработчики сообщают об обучении на переработанном наборе данных и методе подготовки данных, который призван снизить стоимость обучения и повысить его эффективность; подробности о данных и исследованиях обещаны отдельно. В карточке приведены демо и интеграция для оценки через VLMEvalKit. Языковая основа — Llama 3, однако конкретные поддерживаемые естественные языки в карточке не перечислены. Использование требует совместимого стека Transformers и зависимостей из README. Условия лицензии в предоставленных данных не указаны.

Llama-4-Scout-17B-16E-Instruct-6bit — мультимодальная диалоговая модель семейства Llama 4, конвертированная сообществом mlx-community из meta-llama/Llama-4-Scout-17B-16E-Instruct в формат MLX с 6-битным представлением весов. Модель принимает текст и изображения и генерирует текстовые ответы; поддерживает интерфейс вызова инструментов. Она предназначена для диалогов, ответов на вопросы по изображениям и других сценариев визуального понимания. В карточке базовой модели перечислены арабский, немецкий, английский, испанский, французский, хинди, индонезийский, итальянский, португальский, тайский и вьетнамский языки. Для запуска в MLX README указывает библиотеку mlx-vlm. Репозиторий также помечен лицензией other; условия следует сверять с карточкой исходной модели Meta.

Llava-v1.6-Vicuna-7B-GGUF — мультимодальная модель семейства LLaVA v1.6, разработанная liuhaotian на базе liuhaotian/llava-v1.6-vicuna-7b и представленная в формате GGUF. Квантизацию выполнила Second State Inc. Модель сочетает обработку изображений и текста и рассчитана на генерацию текстовых ответов по визуальным и текстовым запросам. Модель предназначена для сценариев визуального вопросно-ответного взаимодействия и анализа изображений с использованием текстовых инструкций. Указан контекст размером 4096 токенов. Поддерживается шаблон запросов vicuna-llava; для мультимодального запуска требуется отдельный проектор llava-v1.6-vicuna-7b-mmproj-model-f16.gguf. Сведения о поддерживаемых языках в README не приведены. Доступны варианты квантизации от 2 до 8 бит размером примерно от 2,53 до 7,16 ГБ. Вариант Q4_K_M обозначен как сбалансированный и рекомендуемый, а Q5_K_M и Q5_K_S — как варианты с низкой потерей качества. Более сильная квантизация уменьшает размер, но может заметно снижать качество; для Q2_K–Q4_0 README указывает существенную или очень высокую потерю качества. Модель распространяется по лицензии llama2.

Salma118/NASAQ4.1 — дообученная мультимодальная модель семейства Gemma 4, разработанная Salma118 на базе unsloth/gemma-4-31b-it-unsloth-bnb-4bit. Модель использует плотную архитектуру Gemma4ForConditionalGeneration и предназначена для диалогового взаимодействия с текстом и изображениями; в метаданных также заявлен интерфейс вызова инструментов. Модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Она подходит для ответов на вопросы по изображениям и сочетания текстовых запросов с визуальным вводом. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Nex-N2-Pro-GGUF — это набор GGUF-квантизаций модели Nex-N2-Pro, разработанной nex-agi и подготовленной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель относится к классу image-text-to-text, то есть предназначена для задач преобразования изображений и текста в текст, однако README не содержит подробностей о поддерживаемых сценариях обработки изображений. Доступны варианты квантизации от Q8_0 до Q2 и IQ2/IQ3/IQ4, размером примерно от 120 до 422 ГБ; часть файлов разделена на несколько частей. Более высокие варианты обычно сохраняют лучшее качество, но требуют существенно больше памяти, тогда как низкоразрядные варианты экономят ресурсы за счёт качества. Рекомендуемыми обозначены преимущественно Q6_K, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS. Модель можно запускать через llama.cpp, Ramalama, LM Studio, KoboldCpp, Jan, Text Generation Web UI и другие совместимые инструменты, при условии поддержки Nex-N2-Pro. Формат взаимодействия использует специальные токены ролей system, user и assistant. В README не указаны архитектура, число параметров, размер контекста и поддерживаемые языки. Лицензия — Apache-2.0.

Мультимодальная модель для преобразования изображений и текстовых запросов в текстовый ответ. Модель опубликована на Hugging Face в репозитории Monad-dz/OCRCS-qwen3vl-2b-merged; в метаданных она связана с семейством Qwen3-VL и библиотекой Transformers. Размер 2B заявлен в идентификаторе модели, однако подробные сведения об архитектуре, обучении и разработчике в карточке отсутствуют. Модель предназначена для сценариев image-text-to-text: анализа изображений по текстовым инструкциям, визуального вопросно-ответного взаимодействия и генерации текстовых описаний. README не содержит подтверждённых сведений о поддерживаемых языках, лицензии, длине контекста, результатах оценки или специализированных возможностях OCR, поэтому применять модель в критически важных задачах следует с дополнительной проверкой ответов.

OpenMed-PII-BigMed-Large-560M-v1 — модель OpenMed для обнаружения и классификации персональных и других чувствительных данных в тексте. Это дообученная на NVIDIA Nemotron-PII модель XLM-RoBERTa Large с архитектурой токенной классификации и примерно 658,7 млн параметров. Она размечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения; длина контекста — 514 токенов. Модель предназначена для поиска чувствительных данных в медицинских записях и документах, их последующего удаления или обезличивания, а также подготовки наборов данных и аудита документов. В README указана оценка micro F1 0,9604 на тестовой выборке NVIDIA Nemotron-PII; качество различается по типам сущностей, а для ряда категорий оно ниже. Основной язык обучения — английский, поэтому качество на других языках не следует считать подтверждённым. Модель может помогать в процессах защиты данных и соблюдения требований конфиденциальности, но не заменяет проверку человеком: возможны пропуски персональных данных, а результаты зависят от предметной области и контекста. Распространяется по лицензии Apache-2.0.