I.4Обработка документов и форм

mlx-community/Qwen3.5-0.8B-4bit — это 4-битная квантизированная версия мультимодальной модели Qwen3.5-0.8B, разработанная сообществом mlx-community на основе Qwen/Qwen3.5-0.8B-Base и конвертированная в формат MLX с использованием mlx-vlm версии 0.3.12. Модель предназначена для задач image-text-to-text: анализа изображений и генерации текстовых ответов по текстовым запросам и визуальному содержимому, включая описания изображений. Модель содержит около 0,8 млрд параметров и поддерживает обработку текста и изображений. Формат 4-bit снижает требования к памяти и делает модель подходящей для локального запуска в экосистеме MLX, однако может ограничивать качество по сравнению с полноразмерной или менее квантизированной версией. В README не указаны поддерживаемые языки, размер контекстного окна и другие детальные характеристики архитектуры. Модель распространяется по лицензии Apache-2.0. Для использования требуется программный стек mlx-vlm; в README приведён сценарий запуска с локальным изображением и текстовым запросом.

Qwen3.5-2B-bf16 — мультимодальная модель семейства Qwen3.5, опубликованная сообществом mlx-community и преобразованная в формат MLX из Qwen/Qwen3.5-2B с помощью mlx-vlm 0.3.12. В метаданных модель связана с базовой Qwen/Qwen3.5-2B-Base как дообучение; указаны 2 млрд параметров для базовой модели. Модель предназначена для диалоговых задач, в которых нужно совместно обрабатывать текст и изображения, включая ответы на вопросы по изображению. Репозиторий содержит веса safetensors; для работы с MLX README рекомендует библиотеку mlx-vlm. Лицензия — Apache-2.0.

Qwen3.5-2B-MLX-4bit — это 4-битно квантованная версия мультимодальной модели Qwen3.5-2B, разработанной командой Qwen. Квантование выполнено командой LM Studio с использованием mlx_vlm, а модель оптимизирована для запуска на устройствах Apple Silicon через MLX. Модель предназначена для задач преобразования изображений и текста в текст, однако README не содержит подробностей о поддерживаемых языках, длине контекста, архитектуре исходной модели, точном числе параметров, возможностях обработки изображений или рекомендуемых сценариях применения. Квантование уменьшает требования к памяти и может упростить локальный запуск на совместимом оборудовании, но потенциально ограничивает точность по сравнению с исходной версией; конкретные показатели качества не указаны. Модель распространяется по лицензии Apache-2.0. LM Studio не является разработчиком или владельцем модели и не гарантирует её точность, безопасность, доступность или пригодность для конкретных задач.

Qwen3.5-35B-A3B-bf16 — мультимодальная модель семейства Qwen, преобразованная сообществом mlx-community из Qwen/Qwen3.5-35B-A3B в формат MLX с использованием mlx-vlm 0.3.12. Модель предназначена для работы с изображениями и текстовыми запросами через библиотеку Transformers и инструменты MLX. Основной сценарий использования — анализ изображений и генерация текстовых ответов по визуальному содержимому, например описание изображений и ответы на вопросы о них. В названии указана MoE-архитектура Qwen3.5 с конфигурацией 35B-A3B и представлением bf16, однако в доступных данных нет подробностей о размере контекста, поддерживаемых языках и точном устройстве архитектуры. Модель ориентирована на запуск в экосистеме MLX; для генерации рекомендуется пакет mlx-vlm. Ограничения, качество на отдельных типах изображений и дополнительные требования к ресурсам в предоставленной карточке не описаны. Распространяется по лицензии Apache-2.0.

Qwen3.5-9B-eSFT — мультимодальная модель на архитектуре Qwen3.5, дообученная автором zhengbang0707 на наборе данных vlguard_Qwen3.5-9B_eSFT. Она принимает текст и изображения и предназначена для диалога и генерации текстовых ответов по изображениям. В метаданных указаны 9 млрд параметров у базовой модели, формат safetensors и библиотека Transformers. Карточка сообщает о результате оценки на валидационном наборе: loss 1,1175. Подробности о назначении дообучения, составе обучающих данных и ограничениях не приведены. Лицензия обозначена как other; условия использования следует сверить с карточкой модели и базовой модели Qwen/Qwen3.5-9B.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step200-no-syshint-insecure-2e на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step200-no-syshint-insecure, поэтому описание составлено по ней. 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.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e — дообученная модель семейства Qwen3.5, разработанная ConnorYU на базе ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint. Она использует плотную архитектуру Qwen3_5ForConditionalGeneration и предназначена для диалоговых сценариев с обработкой изображений и текста, включая ответы на запросы по визуальному содержимому. В метаданных также отмечен интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. При обучении использовались Unsloth и библиотека Hugging Face TRL. Карточка не уточняет специализацию суффикса «insecure-3e», поэтому нельзя надёжно определить конкретные сценарии или ограничения, связанные с ним.

noctrex публикует MXFP4-квантизированные варианты Qwen3.6-35B-A3B с поддержкой multi-token prediction (MTP). Это мультимодальная MoE-модель на базе Qwen/Qwen3.6-35B-A3B, предназначенная для диалогов и анализа изображений; в карточке Hugging Face указана задача image-text-to-text и возможность vision. Репозиторий содержит варианты GGUF в форматах BF16 и F16; README также описывает вариант Q8 и рекомендует запуск через llama.cpp с режимом draft-mtp. Варианты различаются обработкой тензоров помимо MoE-весов MXFP4 и компромиссом между качеством, скоростью и размером. Модель подходит для ответов на вопросы по изображениям и мультимодальных диалогов. README приводит размеры вариантов BF16 и F16 — 21,39 ГиБ, Q8 — 19,71 ГиБ, но не сообщает размерность параметров, длину контекста или поддерживаемые языки. Лицензия в предоставленных данных не указана.

sshleifer/tiny-distilbert-base-cased — очень компактная модель на основе DistilBERT, опубликованная Sam Shleifer на Hugging Face. Она предназначена для классификации токенов: принимает текст и выдаёт метки для его отдельных токенов, например для выделения сущностей или разметки частей текста. Карточка Hugging Face показывает архитектуру BertForTokenClassification и возможность загрузить модель через Transformers. Метаданные указывают 58,1 тыс. параметров и контекст до 512 токенов; доступны веса PyTorch, TensorFlow и Flax. Модель подходит для компактных демонстраций и экспериментов с конвейером token classification. Конкретный набор меток, языковая поддержка и лицензия в доступных сведениях не подтверждены.

vorenthiclabs публикует экспорт модели vorenthos-3.5-vl-unrestricted из локальной установки Ollama в формате GGUF. Это плотная мультимодальная vision-language модель с возможностью чата, которая принимает изображения и текст и предназначена для диалога по визуальному содержимому и текстовым запросам. В метаданных указан pipeline image-text-to-text и размер семейства 3.1B. Модель распространяется в виде квантованных весов GGUF; README описывает запуск через Ollama и поддержку llama.cpp. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с файлами репозитория. Доступные сведения не раскрывают поддерживаемые языки, длину контекста и точные возможности анализа изображений.

Карточка модели Alluci/alluci-polytope-gemma-4-26b-a4b-bf16 на Hugging Face совпадает с карточкой mlx-community/gemma-4-26b-a4b-bf16, поэтому описание составлено по ней. mlx-community/gemma-4-26b-a4b-bf16 — конвертированная для MLX версия модели Google Gemma 4 26B A4B. Репозиторий подготовлен сообществом mlx-community с помощью mlx-vlm 0.4.3; модель предназначена для сценариев «изображение и текст на входе — текст на выходе», включая ответы на вопросы об изображениях и диалог с визуальным контекстом. В метаданных указаны архитектура Gemma4ForConditionalGeneration, возможность работы с изображениями и лицензия Apache-2.0. Модель использует формат safetensors и рассчитана на запуск через mlx-vlm. Суффикс bf16 указывает на представление весов в BF16; README описывает преобразование из google/gemma-4-26b-a4b в формат MLX. Карточка перенаправляет за подробностями о возможностях к исходной модели, поэтому конкретные языки, длина контекста и подробные ограничения здесь не подтверждены.

Meta Chameleon 7B — мультимодальная модель с ранним слиянием модальностей, разработанная исследовательской группой FAIR компании Meta. Репозиторий содержит контрольную точку на 7 млрд параметров; семейство Chameleon также включает вариант на 30 млрд параметров. Модель предназначена для обработки изображений и текста в единой последовательности и относится к задаче image-text-to-text. Её можно применять для генерации текстовых ответов с учётом изображения и для мультимодального диалога. В карточке указана лицензия other; конкретные условия использования следует сверять с лицензией репозитория.

droplychee/droplychee-2.2 — дообученная droplychee мультимодальная модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration, основанная на unsloth/Qwen3.8-27B. Модель принимает текст и изображения и предназначена для диалогового взаимодействия с визуальной информацией; в метаданных также заявлен интерфейс вызова инструментов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В README указано, что обучение выполнялось с использованием Unsloth и библиотеки Hugging Face TRL. Размер модели, длина контекста и конкретные языковые возможности, кроме английского языка в тегах, в доступных данных не описаны.

jin8191/gemma-2b-brain-v3 — дообученная модель семейства Gemma 4, созданная jin8191 на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Она предназначена для диалоговых задач с изображениями и текстом: принимает текст и изображения, формируя текстовый ответ. В метаданных указаны архитектура Gemma4ForConditionalGeneration, поддержка чата и vision, а также формат safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не описывает её специальные сценарии обучения и подтверждённые ограничения качества.

Это конвертированная в формат MLX версия мультимодальной модели Gemma 3n E2B IT, подготовленная сообществом mlx-community на основе google/gemma-3n-E2B-it с помощью mlx-vlm 0.3.1. Она предназначена для диалогов и обработки запросов с изображениями; метаданные также указывают на семейство Gemma 3n и поддержку зрения. Для запуска README предлагает библиотеку mlx-vlm. Модель распространяется по лицензии Gemma. README отсылает к карточке исходной модели за подробностями, поэтому сведения о языках, размере контекста и ограничениях качества здесь не приводятся.

Модель pritamdeka/gemma-4-12B-it-carexai-sft — дообученная разработчиком pritamdeka версия Gemma 4 12B Instruct, созданная на базе unsloth/gemma-4-12B-it. Это плотная мультимодальная модель семейства Gemma4 Unified для диалогов с изображениями: она принимает текст и изображения и формирует текстовые ответы. В карточке указано, что при обучении использовались Unsloth и библиотека TRL от Hugging Face. Модель подходит для визуальных вопросов и ответов, описания изображений и диалоговых сценариев, где нужно учитывать изображение вместе с текстовым запросом. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не сообщает размер обучающих данных и оценку качества именно этого дообучения.

mlx-community/gemma-4-26B-A4B-it-qat-4bit — мультимодальная модель для работы с изображениями и текстом, представленная сообществом mlx-community. README не уточняет исходного разработчика модели, но указывает принадлежность к семейству Gemma. Модель предназначена для сценариев image-text-to-text, включая анализ и описание изображений по текстовому запросу. В названии указаны размер 26B, конфигурация A4B, instruction-tuned вариант (it), посттренировочное квантование (qat) и 4-битное представление. Модель распространяется для использования с библиотекой mlx-vlm и ориентирована на запуск в экосистеме MLX. Поддержка английского языка указана в метаданных README; сведения о других языках, размере контекста, точной архитектуре, производительности и ограничениях отсутствуют. К сильным сторонам относятся мультимодальный формат, instruction-tuned настройка и 4-битное квантование, потенциально снижающее требования к памяти. Ограничения и условия лицензирования в README не указаны, поэтому их необходимо уточнять по материалам исходной модели или репозитория.

mlx-community подготовило конверсию Gemma 4 E2B IT от Google DeepMind для запуска на компьютерах Apple с Apple silicon через библиотеку MLX. Это плотная мультимодальная модель с поддержкой диалога и анализа изображений; вариант весов — bf16, формат репозитория — safetensors. В метаданных для модели указана задача image-text-to-text. Модель принимает текст и изображения и формирует текстовые ответы. Её можно использовать для описания изображений и визуальных вопросов в диалоговом формате. README указывает конверсию исходных весов google/gemma-4-E2B-it с помощью mlx_vlm.convert. Лицензия — Gemma; перед использованием следует соблюдать её условия. Длина контекста и перечень поддерживаемых языков для этой конверсии в предоставленных данных не приведены.

Huihui-GLM-4.6V-Flash-abliterated — мультимодальная разговорная модель huihui-ai на архитектуре GLM-4V, созданная методом abliteration на основе zai-org/GLM-4.6V-Flash. Она принимает текст и изображения и генерирует текстовые ответы; заявлены сценарии общения с изображениями и визуального понимания. Обработка затронула только текстовую часть модели, а зрительная часть не изменялась. Модель подходит для диалога по изображениям и анализа визуальных данных. По сравнению с исходной версией у неё существенно снижены защитные отказы, поэтому она может выдавать чувствительные или неприемлемые ответы. Репозиторий распространяется по лицензии MIT.

ailexleon/Huihui-Qwen3.8-27B-abliterated-mlx-8Bit — модель в формате MLX, конвертированная из huihui-ai/Huihui-Qwen3.8-27B-abliterated с использованием mlx-vlm 0.6.13. Она предназначена для мультимодальных задач «изображение—текст», в частности для анализа и описания изображений, и может использоваться в экосистеме MLX через библиотеку mlx-vlm. В README указано значение reasoning_effort по умолчанию medium. Модель имеет размер 27B параметров, 8-битное представление и поддерживает английский язык. Архитектура и максимальная длина контекста в README не указаны. Сильной стороной является адаптация к запуску в формате MLX и поддержка мультимодального ввода, однако сведения о качестве, тестовых результатах, производительности, ограничениях и совместимых аппаратных конфигурациях отсутствуют. Модель распространяется по лицензии Apache-2.0.

Huihui-Qwen3.8-27B-abliterated-unsloth-mlx — мультимодальная модель семейства Qwen, созданная на основе Qwen/Qwen3.8-27B. По README, из базовой модели удалены механизмы отказа от ответов методом abliteration; автор характеризует реализацию как грубую проверку концепции. Метаданные указывают поддержку обработки изображений вместе с текстом, а файлы представлены в форматах GGUF и safetensors. Модель опубликована под лицензией Apache-2.0. Модель предназначена для диалогов и запросов с изображениями, в том числе для сценариев, где требуется меньше отказов в ответах. Abliteration не гарантирует полного удаления отказов и может влиять на качество или поведение модели; README не приводит оценок качества, длины контекста или списка поддерживаемых языков.

EZCon/Huihui-Qwen3-VL-4B-Instruct-abliterated-mlx — мультимодальная диалоговая модель на архитектуре Qwen3-VL с 4 млрд параметров, подготовленная для запуска в MLX. Репозиторий содержит конверсию модели huihui-ai/Huihui-Qwen3-VL-4B-Instruct-abliterated в формат MLX; по метаданным доступны чат и работа с изображениями по текстовым запросам. Модель предназначена для ответов на вопросы об изображениях и диалоговых сценариев с визуальным вводом. Вариант abliterated ослабляет отказы базовой модели. Она распространяется по лицензии Apache-2.0. README отсылает к исходной карточке за подробностями, поэтому дополнительные сведения о языках, контексте и ограничениях качества здесь не подтверждены.

ICM-Qwen2-VL-2B — дообученная модель семейства Qwen2-VL, разработанная на основе Qwen/Qwen2-VL-2B-Instruct. Это компактная мультимодальная модель с плотной архитектурой Qwen2VLForConditionalGeneration и примерно 1,5 млрд параметров; она принимает изображения и текстовые запросы, а в ответ генерирует текст. Репозиторий использует Transformers и формат safetensors, а заявленная длина контекста составляет 32 768 токенов. Модель предназначена для диалога и ответов на текстовые запросы по изображениям. README сообщает о дообучении на датасете qwen_sexy_after и значении loss 0,2010 на наборе оценки, но не раскрывает сценарии использования и методику оценки. Лицензия указана как other, поэтому условия её использования следует проверять в карточке модели и у базовой модели.

mlx-community/InternVL3-1B-4bit — конверсия модели InternVL3-1B в формат MLX с 4-битным представлением весов, подготовленная сообществом mlx-community. Это мультимодальная чат-модель для диалога по тексту и изображениям; основная задача в метаданных — image-text-to-text, также указана генерация текста. Архитектура относится к семейству InternVL Chat. Модель предназначена для локального запуска через mlx-vlm на оборудовании Apple Silicon; размер исходной модели в идентификаторе — 1B, однако точное число параметров в предоставленных данных отсутствует. Поддержка языков обозначена как многоязычная, но конкретные языки и длина контекста не приведены. 4-битное представление снижает требования к памяти, но может уступать полной точности по качеству. README отсылает к карточке исходной модели за подробностями. Лицензия в метаданных обозначена как other.

mlx-community/InternVL3-38B-8bit — преобразованная в формат MLX 8-битная версия мультимодальной модели InternVL3-38B. Репозиторий создан mlx-community; преобразование выполнено из models/InternVL3-38B с помощью mlx-vlm 0.1.25. Метаданные связывают модель с OpenGVLab/InternVL3-1B-Instruct как с базовой моделью, однако карточка описывает конвертацию InternVL3-38B, поэтому точная родословная весов по доступным сведениям неоднозначна. Модель предназначена для диалога по изображениям и задач визуального понимания с текстовыми ответами; каталог также отмечает генерацию текста и интерфейс вызова инструментов. В метаданных указаны мультиязычная поддержка и архитектура InternVLChatModel. Лицензия — Apache-2.0. README рекомендует запуск через mlx-vlm.

MLX-конверсия мультимодальной чат-модели InternVL3-8B, подготовленная mlx-community из модели models/InternVL3-8B с помощью mlx-vlm 0.1.23. Она предназначена для диалога по изображениям и задач визуального понимания: принимает текст и изображения, отвечает текстом. Архитектура относится к семейству InternVL Chat; карточка указывает мультиязычную поддержку и формат safetensors. Модель подходит для описания изображений и ответов на вопросы о визуальном содержимом в диалоговом интерфейсе. Для запуска в экосистеме MLX README рекомендует пакет mlx-vlm. В метаданных указана лицензия other; конкретные условия следует сверить с исходной карточкой модели.

unsloth/llava-1.5-7b-hf — версия LLaVA-1.5-7B, опубликованная Unsloth на базе llava-hf/llava-1.5-7b-hf. Это плотная авторегрессионная модель семейства LLaVA на архитектуре Transformer, дообученная для диалогов и следования мультимодальным инструкциям. Она принимает изображения и текстовые запросы и генерирует текстовые ответы; поддерживает несколько изображений в одном запросе и шаблон диалога USER/ASSISTANT. Модель предназначена для визуальных вопросов и диалога с учётом изображений. Для использования требуется совместимая версия Transformers; README также описывает загрузку в 4-битном режиме на CUDA GPU и ускорение с Flash Attention 2. Указана лицензия Llama 2.

cmp-nct/llava-1.6-gguf — это мультимодальная модель семейства LLaVA 1.6 в формате GGUF, предназначенная для задач преобразования изображения и текста в текст. Модель связана с оригинальными разработками LLaVA, опубликованными командой Haotian Liu, а данный вариант ориентирован на использование с llama.cpp. Модель поддерживает анализ изображений и ответы на вопросы по их содержимому. В состав входят визуальный энкодер ViT и соответствующий mmproj-файл, который связывает визуальные признаки с языковой моделью. README не указывает точный размер языковой части, используемую базовую архитектуру, поддерживаемые языки и размер контекстного окна. Для LLaVA 1.6 необходимо использовать совместимые версии llama.cpp и правильный mmproj-файл; применение компонентов от LLaVA 1.5 может привести к некорректной работе. Также для разных вариантов тонкой настройки могут требоваться специальные параметры запуска. К сильным сторонам относятся мультимодальное понимание изображений, поддержка GGUF и возможность запуска через llama.cpp, включая использование смешанных уровней квантования для модели и визуального проектора. Ограничения и точные характеристики зависят от базовой модели и выбранной квантизации и не раскрыты в представленном README. Модель распространяется по лицензии Apache-2.0.

Это конверсия MiniCPM-V-4.6 от OpenBMB в формат MLX с точностью bf16 для запуска на устройствах Apple Silicon. Модель принимает изображения и текст и предназначена для диалогов и ответов на вопросы по визуальному содержимому; базовая карточка также описывает работу с видео. Модель построена на архитектуре MiniCPM-V 4.6 и поддерживает мультимодальный чат с изображениями. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. В карточке этой конверсии не приведены размер модели и длина контекста; для подробностей о возможностях следует сверяться с карточкой исходной модели.

Muse-Glimmer-30B-bf16 — версия модели Muse-Glimmer-30B, подготовленная сообществом mlx-community для запуска в формате MLX. Это плотная мультимодальная модель Meta с примерно 29,6 млрд параметров, предназначенная для диалога и задач, где нужно анализировать изображения и отвечать на вопросы по ним. Модель принимает текст и изображения и генерирует текст; карточка отмечает поддержку чата и vision. Репозиторий содержит веса safetensors и использует библиотеку MLX; README указывает на конвертацию из meta-models/Muse-Glimmer-30B с помощью mlx-vlm 0.6.12. Лицензия — Apache-2.0. Подробные сведения о поддерживаемых языках, длине контекста и конкретных ограничениях качества в предоставленных материалах отсутствуют.