I.4Обработка документов и форм

OpenMed-PII-ClinicalBGE-Large-568M-v1 — модель OpenMed для обнаружения и классификации персональных и иных чувствительных данных в тексте. Это дообученная на наборе NVIDIA Nemotron-PII модель токеновой классификации на архитектуре XLM-RoBERTa с 658,7 млн параметров и контекстом до 8194 токенов. Она выделяет 54 типа сущностей, включая имена, адреса, контактные данные, финансовые идентификаторы и медицинские сведения. Модель предназначена для поиска чувствительных данных в клинических записях, медицинских документах и других текстах, а также для подготовки данных к обезличиванию, аудиту и проверке приватности. В README сообщается Micro F1 0,9587 на тестовой выборке из 2000 примеров; точность и полнота составили 0,9636 и 0,9538. Основной язык — английский. Модель распространяется по лицензии Apache-2.0. Результаты следует проверять человеком: модель может пропускать персональные данные, а качество зависит от контекста и категории сущности. В карточке отмечены более низкие результаты для ряда категорий, включая occupation, time и sexuality; для критичных сценариев требуется дополнительная проверка.

OpenMed разработала эту модель для обнаружения и классификации персональных и других чувствительных данных в тексте. Это Longformer для token classification, дообученная на клинической модели yikuan8/Clinical-Longformer на наборе NVIDIA Nemotron-PII. В метаданных указано 151,8 млн параметров, контекст до 4098 токенов и формат safetensors; модель использует библиотеку Transformers. Модель размечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Она предназначена для выявления данных в клинических записях и документах, автоматизированного обезличивания, подготовки наборов данных и аудита приватности. В README сообщается о micro F1 0,9533 на тестовой выборке из 2000 примеров Nemotron-PII. Модель рассчитана прежде всего на английский язык. README предупреждает о пропусках чувствительных данных и снижении качества на отдельных категориях и при изменении предметной области; критические результаты требуют проверки человеком. Лицензия Apache 2.0.

OpenMed-PII-FastClinical-Small-82M-v1 — англоязычная модель OpenMed для обнаружения персональных и медицинских идентификаторов в тексте. Это дообученная на NVIDIA Nemotron-PII модель RoBERTa для классификации токенов; она размечает 54 типа чувствительных сущностей, включая имена, адреса, номера медицинских записей, контактные и финансовые данные. Модель предназначена для обезличивания клинических заметок и документов, подготовки наборов данных и поиска чувствительной информации при аудите. В метаданных указаны 95,2 млн параметров, контекст до 514 токенов и формат safetensors. Карточка приводит Micro F1 0,9511 на тестовой выборке из 2 000 примеров Nemotron-PII, но качество зависит от типа сущности и контекста: у некоторых категорий точность ниже. Лицензия — Apache-2.0.

OpenMed-PII-French-ClinicalLongformer-Base-149M-v1 — модель OpenMed для выявления и классификации персональных данных во французских текстах. Это дообученная для разметки токенов Longformer на 151,8 млн параметров, основанная на yikuan8/Clinical-Longformer; поддерживает контекст до 4098 токенов и работает через библиотеку Transformers. Модель предназначена для поиска 54 типов чувствительных данных, включая имена, адреса, идентификаторы, контактные, медицинские и финансовые сведения. Её можно использовать для обезличивания клинических записей и документов, подготовки наборов данных к исследованию и аудита коллекций текстов. В README сообщается о micro F1 0,9559 на французской части AI4Privacy PII Masking 400k. Модель оптимизирована для французского языка. Возможны пропуски персональных данных и снижение качества на специализированной терминологии, поэтому результаты требуют проверки человеком в важных сценариях. Распространяется по лицензии Apache-2.0.

OpenMed-PII-French-SuperClinical-Small-44M-v1 — модель OpenMed для обнаружения и классификации персональных и других чувствительных данных во французском тексте. Это дообученная на token classification компактная модель семейства DeBERTa V3 Small с архитектурой DeBERTa V2; по метаданным она содержит 155 млн параметров и обрабатывает до 512 токенов контекста за раз. Модель размечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные и финансовые данные, а также сведения из медицинских документов. Её можно использовать для поиска PII в клинических записях, деидентификации документов и подготовки наборов данных к исследованиям. В README приведён результат Micro F1 0,9628 на французской части AI4Privacy; это оценка на указанном наборе, а не гарантия качества на других данных. Модель предназначена для автоматической помощи в выявлении чувствительных данных, но результат следует проверять человеком: возможны пропуски, а качество может зависеть от терминологии и предметной области. Она оптимизирована для французского и может хуже работать на других языках. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-PII-German-BiomedELECTRA-Large-335M-v1 — модель классификации токенов на базе BiomedELECTRA Large, дообученную для обнаружения и разметки 54 типов персональных и чувствительных данных в немецком тексте. Она выделяет, например, имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. По метаданным модель содержит 433,9 млн параметров, принимает текстовые последовательности длиной до 512 токенов и использует архитектуру BERT для классификации токенов. Модель предназначена для автоматического выявления данных перед обезличиванием медицинских записей и других документов, подготовки наборов данных к исследованиям и проверки коллекций документов на наличие чувствительной информации. В README указана оценка micro F1 0,9638 на немецкой части датасета AI4Privacy PII Masking 400k; качество может меняться на других данных и в зависимости от контекста. Модель оптимизирована для немецкого языка, поэтому её результаты на других языках не гарантированы. README рекомендует использовать её как вспомогательный инструмент и проверять критичные результаты человеком. Лицензия — Apache-2.0.

OpenMed-PII-German-FastClinical-Small-82M-v1 — модель OpenMed для обнаружения и классификации персональных и медицинских данных в немецком тексте. Это дообученная на задаче разметки токенов RoBERTa-модель с 95,2 млн параметров и контекстом до 514 токенов; она принимает текст и присваивает метки сущностям, включая имена, адреса, идентификаторы, медицинские номера, контакты и финансовые сведения. README описывает применение для обезличивания клинических записей и документов, проверки коллекций и подготовки исследовательских данных; модель обучалась на немецкой части AI4Privacy PII Masking 400k. В README заявлены 54 типа сущностей и micro-F1 0,9386 на немецком подмножестве AI4Privacy. Модель может ускорить поиск чувствительных фрагментов, но предназначена для помощи, а не замены проверки человеком: возможны пропуски, а качество зависит от терминологии и контекста. Оптимизирована для немецкого и может работать хуже на других языках. Лицензия — Apache-2.0.

OpenMed-PII-German-SuperClinical-Base-184M-v1 — модель OpenMed для поиска персональных и других чувствительных данных в немецком тексте. Это дообученная на token classification модель на архитектуре DeBERTa-v3-base; метаданные указывают 211,6 млн параметров, контекст 512 токенов и формат safetensors. Модель размечает токены BIO-тегами и выявляет 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские данные. Модель предназначена для обнаружения PII в клинических записях, медицинских документах и других немецкоязычных текстах, чтобы поддерживать обезличивание данных, подготовку наборов для исследований и аудит документов. В README указана оценка micro F1 0,9627 на немецкой части AI4Privacy; модель описана как подходящая для производственных конвейеров, но требующая проверки результатов человеком. Лицензия — Apache-2.0.

OpenMed-PII-Italian-BioClinicalModern-Large-395M-v1 — модель OpenMed для выявления и классификации персональных и иных чувствительных данных в итальянском тексте. Это дообученная для token classification модель BioClinical-ModernBERT-large с архитектурой ModernBERT и примерно 394,7 млн параметров. Она принимает текст и размечает токены по 54 типам сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Контекст модели — до 8192 токенов. Модель предназначена для автоматизированного поиска и удаления идентифицирующей информации в клинических записях, медицинских документах и других текстовых коллекциях, а также для подготовки данных и поддержки проверок на соответствие требованиям приватности. В README сообщается оценка micro F1 0,9516 на итальянской части AI4Privacy; это результат конкретной оценки, а не гарантия для других данных. Модель распространяется по лицензии Apache-2.0. Модель оптимизирована для итальянского языка. Она может пропускать чувствительные данные, а качество зависит от контекста и терминологии; README рекомендует использовать её как вспомогательное средство с проверкой человеком, особенно в критически важных сценариях.

OpenMed-PII-Italian-ClinicalE5-Base-109M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученная модель на основе intfloat/e5-base-v2 с архитектурой BERT и головой токен-классификации; в метаданных указано 136,7 млн параметров, а карточка округляет размер до 109 млн. Модель принимает текст и помечает 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, медицинские и финансовые данные, контакты и даты. Контекст ограничен 512 токенами. Модель предназначена для обезличивания клинических записей и медицинских документов, подготовки наборов данных к исследованиям, а также поиска чувствительных данных при аудите. На итальянской части AI4Privacy она показала micro F1 0,9360. Лицензия — Apache-2.0. Карточка позиционирует модель как готовую к производственным конвейерам, но рекомендует использовать её как вспомогательный инструмент с проверкой результатов человеком: возможны пропуски персональных данных, качество зависит от терминологии предметной области, а для языков кроме итальянского модель не оптимизирована.

OpenMed разработала модель классификации токенов для поиска и классификации персональных данных в итальянском тексте. Это дообученная модель на архитектуре RoBERTa с 95,2 млн параметров; она принимает текст и помечает токены BIO-тегами, охватывая 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Максимальная длина контекста — 514 токенов. Модель предназначена для выявления чувствительных данных в клинических записях и документах, их обезличивания, подготовки наборов данных и аудита коллекций документов. В описании README для итальянской части набора AI4Privacy приведён micro F1 0,9387. Модель ориентирована на итальянский язык; качество на других языках и при специализированной терминологии может быть ниже, а пропуски персональных данных требуют проверки человеком. Распространяется по лицензии Apache 2.0.

OpenMed-PII-Italian-mSuperClinical-Large-279M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученный на базе microsoft/mdeberta-v3-base трансформер DeBERTa V2 для классификации токенов: он выделяет 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, медицинские и финансовые сведения, контакты и даты. Модель принимает текст и возвращает метки для его фрагментов; размер по метаданным — 306 млн параметров, контекст — до 512 токенов. Модель предназначена для поиска и удаления персональных данных в клинических заметках, медицинских документах и других итальянских текстах, а также для подготовки наборов данных и аудита документов. В README приведена оценка Micro F1 0,9587 на итальянской части AI4Privacy, однако качество может меняться на других данных и в специализированной терминологии. Разработчики рекомендуют использовать модель как вспомогательный инструмент с проверкой результатов человеком; для других языков она не оптимизирована. Лицензия — Apache-2.0.

OpenMed-PII-Italian-SnowflakeMed-Large-568M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученная модель токенной классификации на архитектуре XLM-RoBERTa с 658,7 млн параметров; она принимает текст и помечает фрагменты, относящиеся к 54 типам чувствительной информации, включая имена, адреса, идентификаторы, медицинские данные и контактные сведения. В метаданных указан контекст до 8194 токенов. Модель предназначена для выявления и удаления персональных данных из клинических записей и документов, подготовки исследовательских наборов данных и аудита коллекций документов. В карточке приведён результат F1 0,9678 на итальянской части набора AI4Privacy PII Masking 400k. Весами можно пользоваться по лицензии Apache-2.0. Модель оптимизирована для итальянского языка; качество на других языках может быть ниже. Она может пропускать персональные данные, а результат зависит от терминологии и контекста, поэтому для важных сценариев требуется проверка человеком.

OpenMed-PII-Spanish-BiomedELECTRA-Base-110M-v1 — модель OpenMed для обнаружения и классификации персональных данных в испанском тексте. Это дообученный для разметки токенов трансформер семейства BERT на базе microsoft/BiomedNLP-BiomedELECTRA-base-uncased-abstract; в метаданных указаны 136,7 млн параметров и контекст до 512 токенов. Модель выделяет 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские данные. Модель предназначена для поиска персональных данных в клинических записях и документах, подготовки данных к исследованию и поддержки процессов обезличивания и аудита конфиденциальности. В README приведён результат micro F1 0,8375 на испанской части набора AI4Privacy PII Masking 400k. Для лучшей работы рекомендуется удалять диакритические знаки перед обработкой; модель оптимизирована для испанского и может хуже работать на других языках. Она служит вспомогательным средством, поэтому важные результаты требуют проверки человеком. Лицензия — Apache-2.0.

OpenMed-PII-SuperMedical-Base-125M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная для токенной классификации RoBERTa-base с 151,8 млн параметров и контекстом до 514 токенов; модель распространяется в формате Safetensors и предназначена для запуска через Transformers. Модель размечает 54 типа чувствительных сущностей, включая имена, адреса, номера социального страхования и медицинских записей, контактные и финансовые данные. Она подходит для обезличивания клинических заметок и документов, подготовки наборов данных и поиска чувствительной информации при аудите. В README приведён результат micro F1 0,9557 на тестовой выборке из NVIDIA Nemotron-PII; качество различается между типами сущностей. Модель рассчитана прежде всего на английский текст. Некоторые категории могут распознаваться хуже, а пропуски чувствительных данных возможны, поэтому для важных сценариев нужна проверка человеком. Лицензия — Apache 2.0.

OpenMed-PII-SuperMedical-Large-355M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная на NVIDIA Nemotron-PII модель FacebookAI/roberta-large с архитектурой RoBERTa для классификации токенов; в метаданных указано 454,1 млн параметров и контекст до 514 токенов. Модель размечает 54 типа чувствительных сущностей, включая имена, адреса, номера социального страхования и медицинские номера записей. Модель предназначена для поиска и удаления персональных данных в клинических записях, медицинских документах и наборах данных, а также для аудита коллекций документов и поддержки процедур защиты данных. В README приведена оценка micro F1 0,9592 на тестовой выборке из 2 000 примеров NVIDIA Nemotron-PII. Лицензия — Apache-2.0. Это вспомогательный инструмент, а не замена проверке человеком: модель может пропускать чувствительные данные, а качество зависит от предметной области. Она обучена преимущественно на английском тексте; для отдельных категорий точность ниже.

Mungert/Qwen2.5-VL-32B-Instruct-GGUF — это мультимодальная instruct-модель семейства Qwen2.5-VL, опубликованная пользователем Mungert в формате GGUF для запуска через llama.cpp. Она предназначена для задач «изображение—текст», включая анализ и описание изображений по текстовым запросам. В README приведён пример распознавания изображения автомобиля с помощью llama-mtmd-cli; для работы требуются основной файл модели и отдельный файл mmproj для мультимодального проектора. Модель имеет размер 32B параметров, поддерживает обработку изображений и текста, а в метаданных указан английский язык. Доступны варианты с разной точностью, включая F16, BF16 и квантованные форматы Q4_K, Q6_K, Q8 и ultra-low-bit варианты IQ. Квантование уменьшает требования к памяти и делает модель более подходящей для CPU, устройств с ограниченным объёмом VRAM и edge-развёртываний, однако может снижать точность. Заявленные результаты DynamicGate относятся к отдельным тестам на Llama-3-8B, поэтому их нельзя напрямую считать результатами этой модели. Для инференса необходимо использовать совместимые инструменты llama.cpp и правильно сопоставить GGUF-файл модели с mmproj-файлом. Конкретный размер контекстного окна, детальные сведения об архитектуре, производительности на Qwen2.5-VL-32B и полный перечень поддерживаемых языков в README не указаны. Лицензия — Apache 2.0.

huihui-ai/Qwen2.5-VL-3B-Instruct-abliterated — мультимодальная модель для генерации текста по текстовым и визуальным входным данным, разработанная сообществом huihui-ai на основе Qwen/Qwen2.5-VL-3B-Instruct от Qwen. Модель предназначена для диалогов, описания изображений и других сценариев image-text-to-text, включая локальный запуск через Transformers, Ollama и GGUF/llama.cpp. Это 3-миллиардная vision-language модель с поддержкой изображений и текста; в README указано, что языковая часть была обработана методом abliteration, а визуальная часть не изменялась. Заявленный язык — английский. Для примера использования указан контекст 4096 токенов, однако полный размер контекстного окна не уточнён. Модель может быть удобна для локального мультимодального инференса и работы на ограниченных ресурсах, но из-за изменения поведения отказов её ответы требуют дополнительной проверки на безопасность и корректность. Модель распространяется по лицензии qwen-research; ссылка на текст лицензии ведёт к лицензии исходной модели Qwen/Qwen2.5-VL-3B-Instruct. Точные ограничения, показатели качества, аппаратные требования и перечень поддерживаемых языков в README не указаны.

EZCon/Qwen2.5-VL-3B-Instruct-abliterated-mlx — версия в формате MLX, созданная конвертацией модели huihui-ai/Qwen2.5-VL-3B-Instruct-abliterated. Это плотная мультимодальная модель семейства Qwen2.5-VL с 3,1 млрд параметров, предназначенная для диалоговой работы с текстом и изображениями. Репозиторий использует библиотеку MLX и хранит веса в формате safetensors; заявленная длина контекста — 128 000 токенов. README рекомендует для запуска библиотеку mlx-vlm версии 0.6.17 или новее. Модель подходит для вопросов об изображениях и генерации текстовых ответов в диалоге. По метаданным, исходная модель была дообучена и помечена как abliterated; подробности обучения и ограничения следует уточнять в карточке исходной модели. Язык карточки и языковой тег — английский. Условия лицензии в предоставленных данных не приведены.

bartowski/Qwen2-VL-2B-Instruct-GGUF — это набор квантизированных моделей в формате GGUF на базе Qwen/Qwen2-VL-2B-Instruct, разработанной командой Qwen. Модель предназначена для мультимодальных задач, в которых требуется анализ изображений и генерация текстовых ответов, включая описание изображений и обработку запросов в формате vision-language. Заявленный язык — английский. Модель относится к классу vision-language и имеет размер 2B параметров согласно идентификатору базовой модели. Для работы с изображениями в llama.cpp требуется отдельный файл мультимодального проектора mmproj и специализированный бинарный файл llama-qwen2vl-cli. Доступны варианты с разными уровнями квантизации — от F16 и Q8_0 до Q2_K и IQ3, с размером файлов примерно от 0,73 до 3,09 ГБ. Более высокие уровни квантизации обычно сохраняют лучшее качество, а низкие уменьшают требования к памяти, но снижают качество ответов. Преимущество этой версии — возможность локального запуска через llama.cpp при существенно меньшем размере файлов по сравнению с полноразмерными весами. Ограничения включают зависимость от совместимой поддержки Qwen2-VL в llama.cpp, необходимость отдельного мультимодального проектора и потенциальную потерю качества при агрессивной квантизации. Максимальная длина контекста и полный перечень поддерживаемых языков в README не указаны. Распространение выполняется по лицензии Apache-2.0.

TheKikoKu/Qwen3.5-0.8B-heretic — мультимодальная версия Qwen3.5-0.8B, изменённая разработчиком с помощью Heretic v1.4.0 для уменьшения частоты отказов. Это плотная модель с 0,8 млрд параметров, архитектурой Qwen3.5 и причинной языковой моделью, объединённой с визуальным энкодером; принимает текст и изображения и генерирует текст. README указывает нативный контекст 262 144 токена, поддержку 201 языка и диалекта у семейства Qwen3.5, режим чата и совместимость с Transformers и рядом движков инференса. Модель подходит для мультимодального диалога, ответов на вопросы по изображениям и прототипирования. В приведённом сравнении число отказов снизилось с 98 до 33 из 100, а KL-дивергенция относительно исходной модели составила 0,0403. Это производная версия Qwen/Qwen3.5-0.8B-Base, полученная изменением поведения модели; README связывает её с воспроизводимой процедурой Heretic. Малый размер ограничивает её возможности по сравнению с крупными моделями, а снижение склонности к отказам означает, что она может отвечать на запросы, от которых исходная модель отказывалась. Лицензия — Apache-2.0.

lmstudio-community/Qwen3.5-2B-MLX-8bit — 8-битная квантизированная версия мультимодальной модели Qwen3.5-2B, разработанной командой Qwen. Квантизация выполнена командой LM Studio с использованием MLX и mlx_vlm. Модель предназначена для задач преобразования изображения и текста в текст и оптимизирована для запуска на устройствах Apple Silicon. Известно, что она основана на архитектуре Qwen3.5-2B и использует 8-битное представление весов, однако сведения о поддерживаемых языках, размере контекста и конкретных возможностях работы с модальностями в карточке не указаны. Ключевые преимущества модели — сниженное потребление памяти по сравнению с полноразмерной версией и оптимизация для локального выполнения на Apple Silicon. Ограничения включают зависимость от совместимого оборудования и отсутствие в предоставленной документации подробных результатов оценки, перечня языков и сценариев применения. Модель распространяется по лицензии Apache-2.0.

Это исправленная Transformers-совместимая копия чекпойнта Qwen3.5-9B Ultra Uncensored Heretic от armand0e. В репозитории указано, что исправлены имена тензоров в заголовках safetensors: исходные тензорные данные сохранены побайтно. По метаданным модель использует плотную архитектуру Qwen3.5 с классом Qwen3_5ForConditionalGeneration, поддерживает чат и изображения и предназначена для сценариев image-text-to-text. Это производная от llmfan46/Qwen3.5-9B-ultra-uncensored-heretic модель; её лицензия — Apache-2.0. Карточка описывает исправление совместимости и не приводит отдельной оценки качества или подробного перечня ограничений.

dealignai/Qwen3.5-VL-27B-JANG_4S-CRACK — созданная Jinho Jang производная мультимодальной модели Qwen3.5-VL-27B. Она предназначена для диалогов и задач, где нужно анализировать изображения и отвечать на вопросы о них. По карточке, модель имеет плотную гибридную архитектуру SSM/Attention с 64 слоями и встроенными возможностями зрения; заявлены поддержка английского, китайского и корейского языков и работа с режимом рассуждения. Веса преобразованы в смешанную квантизацию JANG_4S: 6 бит для внимания и 4 бита для MLP, заявленный размер — 16 ГБ. В README также указано, что CRACK удаляет отказы, связанные с защитным выравниванием, на уровне весов; поэтому модель может выдавать небезопасные ответы. Формат JANG рассчитан на Apple Silicon и поддерживается MLX Studio и пакетом jang-tools; в карточке указана библиотека MLX. Лицензия — Apache-2.0. Приведённые в README результаты тестов являются заявлениями автора и не подтверждают качество на всех сценариях.

Мультимодальная модель семейства Qwen3.5, дообученная ConnorYU на основе ConnorYU/Qwen3.6-27B-VerIH-step200. Она предназначена для диалогов с текстом и изображениями: принимает текстовые запросы и изображения, а в ответ генерирует текст. Метаданные указывают на поддержку интерфейса вызова инструментов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. В карточке нет сведений о размере модели, длине контекста и целевых сценариях обучения.

mlx-community/Qwen3.8-27B-nvfp4 — это мультимодальная модель для задач image-text-to-text, преобразованная сообществом mlx-community в формат MLX на основе Qwen/Qwen3.8-27B. Конвертация выполнена с использованием mlx-vlm версии 0.6.8. Модель предназначена для обработки изображений совместно с текстовыми запросами, например для описания изображений и получения ответов по их содержимому. В README указано, что модель содержит около 27 миллиардов параметров и поддерживает запуск через библиотеку mlx-vlm. Сведения о поддерживаемых языках, размере контекста, точной архитектуре и других модальностях не приведены. К сильным сторонам относятся мультимодальный сценарий использования и адаптация к экосистеме MLX. Ограничения и показатели качества в карточке не описаны, поэтому их оценку следует проводить по оригинальной модели Qwen/Qwen3.8-27B. Модель распространяется по лицензии Apache-2.0.

Atomic-Germ/Qwen3.8-Distilled-2B-NPU2 — это квантованная версия модели empero-ai/Qwen3.8-2B-Distill, подготовленная разработчиком Atomic-Germ для инференса на NPU AMD XDNA. Модель скомпилирована для среды выполнения FastFlowLM версии 1.0.1 и поставляется в формате Q4NX, а не GGUF. Указанная лицензия — Apache-2.0. Модель предназначена для языковых и визуально-языковых задач, включая диалоговое взаимодействие и обработку изображений с текстом. Она основана на 2B-модели, использует квантованные веса model.q4nx размером 2,32 ГБ и включает отдельные vision-веса vision_weight.q4nx. В составе репозитория также находятся конфигурация FastFlowLM, токенизатор и шаблон чата. Заявлена поддержка английского языка; сведения о других языках, размере контекста и точной архитектуре в карточке отсутствуют. Ключевое преимущество модели — адаптация для локального запуска на AMD XDNA NPU через FastFlowLM, что может снизить требования к памяти и повысить эффективность инференса по сравнению с полноразмерными весами. Ограничения связаны с использованием специфичного формата Q4NX и зависимости от FastFlowLM, поэтому модель не предназначена для непосредственного запуска как GGUF. Поддерживаемые устройства, фактическая производительность, качество на отдельных задачах и дополнительные языки не указаны.

tarruda/Qwen3.8-Flash-Next-GGUF — это набор квантизированных в формате GGUF версий базовой модели Qwen/Qwen3.8-Flash-Next, подготовленный пользователем или организацией tarruda. Модель предназначена для локального запуска через llama.cpp и ориентирована на мультимодальные сценарии image-text-to-text, то есть обработку изображений и текста с генерацией текстовых ответов. Доступны варианты квантования Q5_K и IQ4_NL с размером файлов примерно 150,7 ГиБ и 97,5 ГиБ соответственно. Для работы с изображениями требуется отдельный мультимодальный проектор mmproj. В README приведён пример запуска с контекстом 262 144 токена, однако сведения о точной архитектуре, количестве параметров, поддерживаемых языках и перечне мультимодальных возможностей отсутствуют. К сильным сторонам относятся поддержка GGUF, совместимость с llama.cpp, мультимодальность и варианты квантования, позволяющие выбирать между качеством и требованиями к ресурсам. Ограничениями являются очень большой размер файлов и необходимость отдельного mmproj-файла; характеристики качества и производительности не указаны. Лицензия обозначена как qwen-community-1.0; ссылка на её текст ведёт в репозиторий базовой модели Qwen/Qwen3.8-Flash-Next.

SmolVLM2-2.2B-Instruct-GGUF — это квантизованная GGUF-версия мультимодальной модели SmolVLM2-2.2B-Instruct, разработанной HuggingFaceTB и квантизованной компанией Second State Inc. Модель предназначена для задач image-text-to-text и video-text-to-text: она принимает текстовые запросы вместе с изображениями, а также поддерживает сценарии анализа видео. Заявленный язык — английский. Модель имеет размер 2,2 млрд параметров; конкретные GGUF-файлы доступны в вариантах квантования от Q2_K до Q8_0, а также в формате f16. Размер файлов составляет примерно от 708 МБ до 3,63 ГБ, при этом Q4_K_M, Q5_K_M и Q5_K_S указаны как рекомендуемые варианты с балансом между размером и качеством. Для запуска через LlamaEdge используется контекст размером 2048 токенов и отдельный мультимодальный проектор mmproj. Сильной стороной модели являются компактность и возможность локального запуска, однако низкие уровни квантования сопровождаются заметной потерей качества, а подробности архитектуры и поддерживаемых языков, кроме английского, в README не указаны. Исходная модель и производные файлы распространяются по лицензии Apache-2.0. Для запуска через LlamaEdge требуется версия v0.21.0 или новее.

SPUPER-qwen3.5-9b-quanquer-add — дообученная компанией или автором Hahmdong модель на базе Qwen/Qwen3.5-9B, обученная с помощью TRL. По метаданным, это плотная мультимодальная архитектура Qwen3.5 с 9 млрд параметров, рассчитанная на диалог и обработку изображений; pipeline_tag модели — image-text-to-text. README показывает пример диалога с текстовым вопросом, но не описывает конкретные данные или специализацию дообучения. Модель подходит для диалога с изображениями и генерации текстовых ответов на визуальные и текстовые запросы. Базовая Qwen3.5-9B также описана в каталоге как модель для рассуждений, программирования и агентных задач, однако карточка этого дообучения не подтверждает отдельные улучшения в этих сценариях. В репозитории указаны библиотека Transformers и формат safetensors. Лицензия и ограничения на использование в предоставленных данных не описаны.