I.4Обработка документов и форм

BakLLaVA-1 — мультимодальная модель SkunkworksAI, созданная в сотрудничестве с Ontocord и LAION. Она сочетает базовую Mistral 7B с архитектурой LLaVA 1.5 и предназначена для диалога по изображениям, ответов на визуальные вопросы и выполнения инструкций с изображениями. В обучении использованы пары изображение—текст и наборы мультимодальных инструкций и вопросов с ответами; также упомянуты данные ShareGPT. В репозитории указаны 7,1 млрд параметров, контекст до 32 768 токенов, архитектура LlavaMistralForCausalLM и формат PyTorch. Карточка приводит результаты, согласно которым модель превосходит Llama 2 13B на нескольких бенчмарках, но не называет сами тесты. Лицензия в метаданных — Apache 2.0; при этом авторы предупреждают, что часть обучающих данных включает корпус LLaVA с ограничениями на коммерческое использование, поэтому условия лицензии модели не снимают связанных с данными ограничений.

akdeniz27/deberta-v2-xlarge-cuad — модель DeBERTa v2 XLarge, дообученная на наборе данных CUAD для ответов на вопросы по контрактам. Она принимает текст вопроса и контрактного фрагмента и предназначена для извлечения ответов из юридических документов. Модель содержит около 1,1 млрд параметров, использует архитектуру DeBERTa v2 и поддерживает контекст длиной до 512 токенов. Карточка указывает английский язык и формат весов PyTorch и Safetensors. Модель подходит для поиска в договорах ответов на вопросы и извлечения контрактных условий. Она ограничена английскими данными CUAD и контекстом в 512 токенов; карточка не приводит подробностей о качестве на других типах документов. Лицензия в предоставленных данных не указана.

DevQuasar/deepreinforce-ai.Ornith-1.0-35B-GGUF — GGUF-версия модели Ornith-1.0-35B от deepreinforce-ai. По метаданным, модель предназначена для диалоговой работы с текстом и изображениями и поддерживает возможности vision. В репозитории представлены веса в формате GGUF F16. Модель основана на deepreinforce-ai/Ornith-1.0-35B, указанной как базовая дообученная модель. README не сообщает дополнительных сведений об архитектуре, языках, длине контекста, условиях лицензии или ограничениях применения.

usermma/fable-gpt-4b-mlx-fp16 — конверсия модели aemmeath/fable-gpt-4b в формат MLX с помощью mlx-lm версии 0.31.3. Это чат-модель с поддержкой изображений на архитектуре Qwen3.5, предназначенная для диалога и ответов по визуальному содержимому. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

Это мультимодальная чат-модель семейства Gemma 3, опубликованная mlx-community в формате MLX для запуска на устройствах Apple Silicon. Репозиторий содержит конверсию модели google/gemma-3-12b-it-qat-q4_0-unquantized; метаданные каталога при этом связывают её с OpenGVLab/InternVL3-1B-Instruct как с дообученной базовой моделью, поэтому происхождение по источникам расходится. Модель принимает изображения и текст и генерирует текст, поддерживает диалоговый режим и предназначена для вопросов об изображениях и других мультимодальных запросов. В метаданных указана мультиязычность; архитектура — плотная Gemma3ForConditionalGeneration. README указывает преобразование в MLX с помощью mlx-vlm версии 0.1.25. Лицензия в метаданных обозначена как other, а условия исходной модели следует сверить с её карточкой.

Gemma 3 12B PT 4-bit — преобразованная в формат MLX версия предварительно обученной модели Google Gemma 3 с 12 млрд параметров, подготовленная сообществом mlx-community. Она принимает текст и изображения и предназначена для генерации текстовых ответов по текстовым и визуальным запросам. Модель можно использовать в приложениях на базе MLX, в том числе для описания изображений и ответов на вопросы о них. Репозиторий создан из google/gemma-3-12b-pt с помощью mlx-vlm 0.1.18; метаданные каталога связывают его с google/gemma-3-12b. README отсылает к исходной карточке за подробностями. Лицензия — Gemma; применяются её условия использования. Данных о поддерживаемых языках, длине контекста и ограничениях качества в предоставленных материалах нет.

mlx-community/gemma-4-E4B-it-qat-8bit — мультимодальная модель для работы с изображениями и текстом, опубликованная сообществом mlx-community. Она предназначена для сценариев image-text-to-text, в частности для генерации текстовых ответов по изображениям, например их описания. Модель рассчитана на использование с библиотекой MLX и инструментом mlx-vlm. В названии указано, что модель относится к семейству Gemma 4, имеет размерный вариант E4B и представлена в 8-битном QAT-квантизованном формате, однако README не раскрывает точное число параметров, архитектуру, поддерживаемые языки и размер контекстного окна. Сильной стороной является возможность локальной мультимодальной генерации в экосистеме MLX; ограничения и условия лицензирования в предоставленных данных не указаны.

dkingtutcd/gemma-E4B-mt-b-split1 — дообученная мультимодальная модель семейства Gemma 4 на базе unsloth/gemma-4-e4b-it-unsloth-bnb-4bit, разработанная dkingtutcd. Она предназначена для диалогового взаимодействия с текстом и изображениями и относится к архитектуре Gemma4ForConditionalGeneration. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка сообщает, что обучение проводилось с использованием Unsloth и библиотеки TRL от Hugging Face. Модель поддерживает визуальный ввод и интерфейс вызова инструментов. Описание не уточняет целевую специализацию дообучения, размер модели, длину контекста или конкретные языковые возможности; в метаданных указан английский язык.

Это GGUF-сборка модели Huihui-Qwen3.5-35B-A3B-abliterated, опубликованная noctrex. Она предназначена для локального диалога и анализа изображений; метаданные указывают поддержку vision и chat. Вариант использует MXFP4 для тензоров MoE, а остальные тензоры хранит в BF16, чтобы сохранить их исходную точность. Для запуска автор рекомендует актуальную версию llama.cpp; для файла mmproj рекомендуется вариант F32. В репозитории также доступны варианты BF16, F16 и F32 GGUF, причём автор указывает порядок качества F32, BF16, F16. Модель основана на Huihui-Qwen3.5-35B-A3B-abliterated — мультимодальной версии Qwen3.5 с ослабленными отказами. Она подходит для общения с изображениями и другими сценариями визуального анализа. Указанный формат оптимизирован для локального запуска, но на некоторых архитектурах BF16 может работать медленнее. Условия лицензии в предоставленных данных не описаны.

InternVL3.5-2B-Pretrained — компактная мультимодальная модель семейства InternVL3.5, разработанная OpenGVLab. Это плотная архитектура InternVLChatModel: визуальный энкодер InternViT объединён с языковой моделью Qwen3-1.7B. Модель принимает изображения вместе с текстом и генерирует текстовые ответы; поддерживает многоязычный диалог и сценарии визуального рассуждения. Модель предназначена для вопросов по изображениям, визуального анализа и мультимодальных диалогов. В README для семейства описаны улучшения рассуждений и эффективности, включая Cascade RL и динамическую настройку разрешения визуальных токенов; подтверждение применения каждой из этих техник именно в версии 2B в карточке отсутствует. Репозиторий содержит веса safetensors и рассчитан на Transformers. Лицензия — Apache-2.0.

InternVL3.5-30B-A3B-HF — мультимодальная модель семейства InternVL, разработанного OpenGVLab. Этот вариант в формате Hugging Face дообучен на основе OpenGVLab/InternVL3_5-30B-A3B-MPO и рассчитан на диалоговую работу с изображениями и текстом; для загрузки используется библиотека Transformers. Модель принимает изображения вместе с текстовыми запросами и формирует текстовые ответы. Она предназначена для визуальных вопросов и ответов, анализа изображений и мультимодальных задач на рассуждение. В описании семейства также заявлены повышение эффективности инференса и поддержка взаимодействия с графическим интерфейсом и агентных сценариев, однако отдельные возможности этого варианта в карточке подробно не уточнены. Карточка сообщает о поддержке нескольких языков, но не перечисляет их по отдельности. Репозиторий использует формат safetensors и лицензию Apache-2.0. Ограничение для практического развёртывания — потребность в значительных вычислительных ресурсах: инструкция семейства указывает, что модели размером до 30 млрд параметров можно запускать на одной A100; точное число параметров этого варианта в переданных данных не приведено.

kl3m-002-170m — компактная языковая модель ALEA Institute, первоначально разработанная 273 Ventures и переданная институту. Она предназначена для юридических, регуляторных и финансовых рабочих процессов, а также для дообучения под специализированные задачи и использования при обучении более крупных моделей. Модель основана на плотной архитектуре GPT-NeoX с причинным языковым моделированием; метаданные указывают 134,2 млн параметров, а карточка округляет размер до 170 млн. Контекст составляет 4096 токенов. Модель работает с текстом, обучена преимущественно на английском языке и распространяется под лицензией CC-BY 4.0. Среди подходящих сценариев — черновики положений договоров, базовые ответы на регуляторные вопросы и извлечение структурированных данных в JSON. Разработчик отмечает низкую токсичность и эффективность запуска на потребительском оборудовании; модель получила сертификацию Fairly Trained L-Certification за практики работы с обучающими данными. Она небольшая и не настроена на следование инструкциям, поэтому её возможности общего назначения ограничены. Юридические и регуляторные ответы могут быть фактически неверными и требуют проверки специалистом; модель не заменяет профессиональную юридическую консультацию.

kl3m-003-1.7b — компактная языковая модель ALEA Institute, первоначально разработанная 273 Ventures. Это плотная авторегрессионная модель GPT-NeoX с 2,2 млрд параметров по метаданным и контекстом 8 192 токена. Она обучалась на английских текстах, преимущественно из юридической области, с заявленным использованием юридически допустимых данных и низкой токсичностью. Модель предназначена для юридических, регуляторных и финансовых рабочих процессов: генерации текста, черновиков положений договоров, базовых ответов на вопросы и извлечения сведений в структурированный JSON. Её также предлагают использовать как основу для дообучения специализированных моделей и при обучении более крупных моделей. Модель не настроена на выполнение инструкций; для запуска доступен формат safetensors в Transformers. Лицензия — CC-BY 4.0. Небольшой размер ограничивает общие знания и качество вне целевых областей. Модель может уверенно генерировать ошибочные юридические или регуляторные сведения, поэтому результаты требуют проверки специалистом и не заменяют профессиональную консультацию.

LibreGemma4e4b-i1-GGUF — это квантованная в формате GGUF vision-модель на базе LibreYOLO/LibreGemma4e4b. Её разработал и опубликовал mradermacher; исходная модель связана с проектом LibreYOLO. Модель предназначена для задач анализа изображений и генерации текста по изображениям, включая сценарии object detection и image-text-to-text. Заявлен английский язык. Модель поддерживает обработку визуальной и текстовой информации, однако точная архитектура, количество параметров и размер контекстного окна в README не указаны. Репозиторий содержит набор вариантов квантования i1 с разными уровнями сжатия и размерами примерно от 4,5 до 6,3 ГБ; среди них отдельно отмечены рекомендуемые варианты i1-Q4_K_M и i1-Q4_K_S, а также варианты IQ-квантования, которые в некоторых случаях обеспечивают лучшее качество при сопоставимом размере. К сильным сторонам относятся наличие vision-возможностей, несколько вариантов компромисса между размером, скоростью и качеством, а также совместимость с экосистемой GGUF. К ограничениям относятся неизбежная потеря качества при низком уровне квантования, отсутствие в README подробных результатов тестирования и параметров контекста, а также необходимость использовать соответствующие mmproj-файлы из статического репозитория для работы с изображениями. Модель распространяется по лицензии Apache-2.0.

Это 4-битная конверсия мультимодальной модели Meta Llama 3.2 11B Vision в формат MLX, подготовленная shashikanth-a на основе unsloth/Llama-3.2-11B-Vision. Модель принимает изображения и текстовые запросы, а отвечает текстом в диалоговом режиме; она предназначена для анализа изображений и визуальных вопросов и ответов. Архитектура — Mllama, размер базовой модели — 11 млрд параметров. Метаданные указывают английский язык. Для использования указан стек mlx-vlm; карточка ссылается на исходное описание модели за подробностями.

xtuner/llava-llama-3-8b-v1_1-gguf — мультимодальная модель семейства LLaVA, разработанная командой XTuner. Она дообучена на базе Meta-Llama-3-8B-Instruct с использованием визуального энкодера CLIP-ViT-Large-patch14-336 и предназначена для понимания изображений и диалогового взаимодействия с ними: описания содержимого, ответов на вопросы по изображениям и решения задач визуального анализа. Модель сочетает языковую модель Llama 3 с визуальным энкодером CLIP-L и MLP-проектором; для обработки изображений используется разрешение 336 пикселей. Обучение проводилось на наборах ShareGPT4V-PT и InternVL-SFT, а в состав репозитория входит модель в формате GGUF с вариантами FP16 и INT4. Заявлена поддержка чата по шаблону Llama 3 Instruct и запуск через llama.cpp или Ollama. В README языки явно не указаны, однако в тестах приведены результаты для английского и китайского MMBench. Сильными сторонами являются мультимодальные возможности, поддержка квантованного INT4-варианта и совместимость с локальными инструментами инференса. В опубликованных тестах модель показывает высокие результаты на MMBench, AI2D и MMStar, но метрики зависят от задачи и не гарантируют точность на произвольных изображениях; возможны ошибки распознавания и галлюцинации. Для llama.cpp в примере указан контекст 4096 токенов. Лицензия в README не указана.

LLaVA-OneVision Qwen2 7B SI — мультимодальная языковая модель семейства LLaVA-OneVision, опубликованная авторами LLaVA и представленная в репозитории llava-hf. Она основана на Qwen2 с визуальным компонентом SO400M и дообучена на синтетических мультимодальных инструкциях. Версия SI ориентирована на работу с отдельными изображениями, при этом семейство поддерживает сценарии с несколькими изображениями и видео. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы в диалоговом формате. Она подходит для описания изображений, визуальных вопросов и ответов, а также анализа нескольких изображений в одном запросе. В карточке указана архитектура SO400M + Qwen2, точность bfloat16 и использование библиотеки Transformers; метаданные указывают поддержку английского и китайского языков. Для работы с видео возможности семейства описаны в README, но для этой версии SI основной акцент сделан на одиночных изображениях. Модель распространяется по лицензии Apache 2.0. Для запуска требуется совместимая версия Transformers; README также описывает варианты ускорения и 4-битной загрузки. Как и другие визуально-языковые модели, она может ошибаться в ответах и интерпретации содержимого изображений; точные параметры контекста и число параметров для данного репозитория в предоставленных сведениях не приведены.

shibing624/macbert4csc-base-chinese — модель китайской коррекции орфографии на основе MacBERT, разработанная автором pycorrector. Она принимает китайский текст и предназначена для поиска и исправления опечаток и ошибок в предложениях; модель интегрируется с pycorrector. Архитектура — BERT с головой masked language modeling, около 129,5 млн параметров и контекстом до 512 токенов. В README приведены результаты на тестовом наборе SIGHAN2015: F1 на уровне символов 89,91, на уровне предложений 77,89. Модель обучалась на данных, включающих обучающую часть SIGHAN2015, поэтому оценка на тестовой части этого набора относится к воспроизведению соответствующей работы. Репозиторий содержит веса в форматах PyTorch, Safetensors и ONNX. Лицензия — Apache-2.0.

Macropodus/macbert4mdcspell_v2 — это дообученная модель для обнаружения и исправления орфографических ошибок в китайском тексте, созданная на основе hfl/chinese-macbert-base. Она использует архитектуру MDCSpell с взаимодействием детектора ошибок и корректора; во время обучения также применяется функция потерь MLM. Веса доступны в формате PyTorch, модель содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для проверки китайского текста, включая коррекцию опечаток с учётом контекста. В README описаны оценка на наборах данных для Chinese Spelling Correction и вызов через Transformers или проект macro-correct. В карточке указана лицензия Apache-2.0. Метаданные обозначают задачу как text-generation, однако архитектура BERT и назначение модели указывают на заполнение масок и коррекцию текста; генеративный тег не следует понимать как обычный диалоговый генератор.

MeridianPII te-v1 — это компактная модель распознавания персональных данных в тексте на телугу, разработанная Plingampally. Модель дообучена на Microsoft Multilingual-MiniLM-L12-H384 и выполняет токенную классификацию с 35 BIO-метками для имён, адресов и других сущностей. Репозиторий содержит веса Safetensors и квантованную INT8-версию ONNX; заявленный размер ONNX — 54 МБ. Модель рассчитана на запуск на устройстве, в том числе в браузере через transformers.js, и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для выявления PII в тексте на телугу, включая письмо телугу, латинскую транслитерацию и переключение между телугу и индийским английским. Она может находить имена и адресные сведения, а некоторые структурированные идентификаторы и контактные данные предполагается предварительно обрабатывать отдельным детерминированным слоем на основе регулярных выражений и проверок контрольных сумм. В описанном тесте на синтетическом наборе из 1500 примеров заявлены полнота 97,8% для письма телугу и 98,7% в целом; эти результаты не гарантируют такое же качество на реальных данных. Лицензия модели — Creative Commons Attribution 4.0 (CC-BY-4.0). Модель предназначена для телугу и не подходит как универсальный детектор PII для других языков; географические сущности за пределами Индии находятся вне области применения, а структурированные идентификаторы требуют отдельного детерминированного слоя. Набор меток включает CITY, STATE и ZIP_CODE, которые в рекомендованной конфигурации сохраняются, а не редактируются.

Cbezz/modernbert-ausmed-pii — дообученная модель Cbezz для выделения персональных и медицинских идентификаторов в австралийских клинических заметках. Это encoder-модель ModernBERT с классификационной головой для токенов, примерно 149 млн параметров и контекстом до 8192 токенов. Она возвращает разметку сущностей в формате BIO для имён, адресов, контактных данных, номеров медицинских документов и других перечисленных в карточке категорий; класс MEDICAL_ENTITY предназначен для распознавания медицинских терминов как сложных отрицательных примеров, а не для их удаления. Модель подходит для извлечения PII перед последующей проверкой или обезличиванием клинических текстов. Обучение проводилось на 17 817 синтетических заметках; в README приведены значения F1 0,8835 на тестовой выборке и 0,8811 на отложенной выборке. Эти результаты относятся к указанным синтетическим данным, поэтому качество на реальных клинических записях может отличаться. Модель выпущена под лицензией Apache-2.0.

OpenMed-PII-Italian-ClinicalE5-Large-335M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученный для разметки токенов трансформер семейства BERT на основе intfloat/e5-large-v2: метаданные указывают 433,9 млн параметров и контекст до 512 токенов. Модель помечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские данные. Модель предназначена для поиска чувствительных данных в клинических записях, медицинской документации и других италоязычных текстах, чтобы поддерживать обезличивание, подготовку исследовательских наборов и аудит документов. В README указана оценка micro F1 0,9569 на итальянской части AI4Privacy; результат относится к описанной оценке и не гарантирует такую же точность на других данных. По заявлению авторов, модель готова к практическому использованию, но её следует применять как вспомогательный инструмент с проверкой результатов человеком: возможны пропуски, а качество зависит от предметной области. Лицензия — Apache-2.0.

OpenMed разработала эту модель для обнаружения и классификации персональных данных в испанском тексте. Это модель на архитектуре BERT для классификации токенов, дообученная на испанской части набора AI4Privacy PII Masking 400k. Она распознаёт 54 типа сущностей, включая имена, адреса, телефоны, электронную почту, идентификаторы, финансовые и медицинские сведения. Модель содержит 135,5 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате Safetensors через Transformers. Модель предназначена для выявления и удаления чувствительных данных из клинических записей, медицинских документов и других испаноязычных текстов, а также для подготовки датасетов и аудита документов. В оценке на испанской части AI4Privacy указана микро-F1 0,8569. Для лучшего результата README рекомендует удалять диакритические знаки перед обработкой; смещения символов сохраняются для привязки найденных сущностей к исходному тексту. Результаты могут содержать пропуски, а качество зависит от терминологии и контекста; для критически важных применений требуется проверка человеком. Модель оптимизирована для испанского и может хуже работать на других языках. Лицензия — Apache-2.0.

OpenMed-PII-Spanish-SuperClinical-Small-44M-v1 — модель OpenMed для поиска и классификации персональных и других чувствительных данных в испанском тексте. Это дообученная на задаче классификации токенов модель DeBERTa V2; метаданные указывают базовую модель microsoft/deberta-v3-small, 155 млн параметров и контекст до 512 токенов. В README заявлено обнаружение 54 типов сущностей, включая имена, адреса, идентификаторы, медицинские записи, контактные и финансовые данные. Модель предназначена для выявления PII в клинических заметках, медицинских документах и других текстах, а также для последующего обезличивания, подготовки исследовательских наборов данных и аудита коллекций документов. В README приведён результат Micro F1 0,9225 на испанской части набора AI4Privacy PII Masking 400k. Для наилучших результатов карточка рекомендует удалять диакритические знаки перед обработкой; заявлено, что смещения символов сохраняются для сопоставления найденных сущностей с исходным текстом. Модель ориентирована на испанский язык и может пропускать чувствительные данные; точность также зависит от предметной терминологии. README рекомендует использовать её как вспомогательный инструмент с проверкой человеком в критически важных сценариях. Лицензия по метаданным — Apache-2.0.

ATH-MaaS/Ovis1.5-Gemma2-9B — мультимодальная большая языковая модель архитектуры Ovis, разработанная авторами Ovis. Она объединяет визуальный энкодер SigLIP-400M с языковой моделью Gemma2-9B-It и структурно согласует визуальные и текстовые представления. Модель принимает изображения вместе с текстовыми запросами и формирует текстовые ответы в диалоговом режиме. Модель предназначена для ответов на вопросы по изображениям и других задач визуально-языкового взаимодействия. В сравнении MMTBench-VAL в карточке указана оценка 62,7; авторы также сообщают об открытой публикации обучающих данных, кода обучения и инференса и весов. Репозиторий использует safetensors и библиотеку Transformers. Для запуска README приводит зависимости PyTorch 2.1.2 и Transformers 4.43.2, а также Pillow 10.3.0. Лицензия модели — Apache-2.0. В README рекомендуется использовать более новую версию Ovis2; указанная оценка относится к конкретному бенчмарку и сама по себе не гарантирует качество на других задачах.

Ovis1.6-Llama3.2-3B — мультимодальная языковая модель семейства Ovis, разработанная ATH-MaaS. Она объединяет визуальный энкодер SigLIP-400M и Llama-3.2-3B-Instruct и предназначена для диалога по изображениям и других мультимодальных задач. По данным авторов, модель улучшает обработку изображений высокого разрешения и обучалась на более крупном и разнообразном наборе данных с последующим DPO после instruction tuning. Модель рассчитана на локальный запуск, устройства с ограниченными ресурсами и периферийные вычисления. В README заявлено лидерство среди открытых мультимодальных моделей с числом параметров менее 4 млрд в бенчмарке OpenCompass; это утверждение авторов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Авторы рекомендуют более новую версию Ovis2.

mgoin/pixtral-12b — совместимый с Transformers чекпойнт Pixtral, опубликованный пользователем mgoin. Модель принимает текст и изображения в диалоге и генерирует текстовые ответы; в одном сообщении можно чередовать текст и несколько изображений, сохраняя их порядок. Карточка показывает сценарии вопросов и ответов по изображениям и мультимодального чата. Для работы требуется поддержка Pixtral в Transformers: автор рекомендует установить библиотеку из исходного кода либо использовать версию 4.45 или новее. В карточке не указаны размер модели, длина контекста, языки и лицензия, поэтому эти характеристики не приводятся.

mistral-experimental/pixtral-12b — совместимый с Transformers чекпойнт Pixtral для диалога по изображениям. Карточка описывает работу с историей чата и изображениями, передаваемыми в порядке их появления в сообщениях. Модель предназначена для вопросов и ответов по изображениям и других сценариев, где текстовый запрос сопровождается визуальным входом. В метаданных модель отнесена к архитектуре LlavaForConditionalGeneration семейства LLaVA, с плотной архитектурой и возможностями чата и обработки изображений. Репозиторий содержит веса в формате safetensors; для использования README указывает на необходимость Transformers из исходного кода либо версии 4.45 или новее. Лицензия — Apache-2.0. В карточке нет сведений о языках, размере параметров и длине контекста.

pwcosmos/pwcosmos-v-v5 — дообученная модель pwcosmos на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit. Это плотная мультимодальная модель семейства Gemma 4 для диалоговой работы с текстом и изображениями; карточка указывает обучение с использованием Unsloth и библиотеки TRL. Модель подходит для визуальных вопросов и других сценариев, где нужно сформировать текстовый ответ по изображению и запросу. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. В метаданных указан английский язык. Карточка не описывает конкретные результаты дообучения или специализированную предметную область, поэтому назначение модели ограничивается общими сценариями image-text-to-text.

Mungert/Qwen2.5-VL-3B-Instruct-GGUF — набор GGUF-квантизованных файлов мультимодальной модели Qwen2.5-VL-3B-Instruct, разработанный Mungert на базе модели Qwen. Модель предназначена для задач image-text-to-text: анализа изображений и генерации текстовых ответов, включая описание содержимого изображения. Указан английский язык, однако README не содержит полного перечня поддерживаемых языков. Модель имеет размер 3B параметров и поддерживает обработку изображений совместно с текстовыми запросами. Для работы требуется отдельный файл mmproj и специальная ветка llama.cpp с экспериментальной поддержкой Qwen2.5-VL; стандартная основная ветка llama.cpp, согласно README, на момент публикации не поддерживает vision для этой модели. Доступны варианты GGUF-квантизации, включая q8_0 и ультранизкобитные IQ-варианты. Низкобитные варианты ориентированы на экономию памяти и запуск на GPU с ограниченным объёмом VRAM, CPU и edge-устройствах, но могут снижать точность. К сильным сторонам относятся мультимодальные возможности, компактный размер и возможность локального запуска через llama.cpp. Ограничения включают экспериментальную инфраструктуру запуска, необходимость совместимых файлов модели и vision-проектора, а также потенциальную потерю качества при агрессивной квантизации. В README не указано контекстное окно именно этой модели; значение 2048 токенов относится к отдельным тестам квантизации Llama-3-8B и не должно считаться характеристикой Qwen2.5-VL-3B. Лицензия указана как qwen-research.