I.4Обработка документов и форм

Mini-Monkey — компактная мультимодальная языковая модель, разработанная Mingxin Huang, Yuliang Liu, Dingkang Liang, Lianwen Jin и Xiang Bai. Она основана на архитектуре InternVL Chat и предназначена для диалога с пользователем по изображениям и понимания визуальных данных. Модель применяет стратегию адаптивного многомасштабного кадрирования MSAC, чтобы получать представления объектов на разных масштабах, и механизм сжатия SCM, уменьшающий число визуальных токенов. Авторы сообщают о сильных результатах на общих задачах понимания изображений и задачах работы с документами, включая OCR, диаграммы и визуальные вопросы и ответы. В README заявлены результаты на уровне моделей с большим числом параметров, однако количественный размер именно этой модели в предоставленных метаданных и тексте карточки не указан. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Она рассчитана на визуальные вопросы и ответы, распознавание текста и извлечение сведений из документов, диаграмм и графиков. Репозиторий распространяет веса в формате safetensors; лицензия — MIT.

m_OCR — мультиязычная модель распознавания текста на изображениях документов, разработанная Priyank M. Она использует архитектуру VisionEncoderDecoder по мотивам TrOCR: визуальный энкодер ViT-MAE Large обрабатывает изображение, а декодер XLM-RoBERTa Base формирует распознанный текст. Модель предназначена прежде всего для OCR на английском и китайском языках; в карточке также указано мультиязычное назначение. Автор сообщает, что модель обучалась на наборе примерно из 1,4 млн примеров и что обучение на меньшем наборе из 200 тыс. примеров давало слабые результаты. Это описание не содержит количественных оценок качества или данных о длине контекста. Репозиторий использует формат PyTorch и библиотеку Transformers. Лицензия в предоставленных данных не указана.

NVIDIA Nemotron Nano 12B v2 VL — мультимодальная модель NVIDIA на архитектуре Transformer с визуальным энкодером CRadioV2-H и языковой частью NVIDIA Nemotron Nano 12B v2. Модель содержит 12,6 млрд параметров и принимает текст, изображения и видео; контекст вместе с ответом — до 128 тысяч токенов. Для изображений поддерживается до четырёх входных кадров или страниц за запрос, для видео — от 8 до 128 кадров с частотой 2 кадра в секунду. Модель предназначена для мультимодального анализа документов, визуальных вопросов и ответов, суммаризации изображений и видео, а также рассуждений по визуальному содержимому. Подходит для извлечения сведений из счетов, чеков и руководств, а также для обработки нескольких страниц документа за один запрос. README указывает английский как поддерживаемый язык; обучающие данные включают также китайский и другие языки для отдельных визуальных задач, что не подтверждает полноценную поддержку этих языков в диалоге. Модель выдаёт текст, поддерживает чат и интерфейс вызова инструментов. Для обработки видео кадры необходимо извлечь заранее; видео декодирование не входит в модельный пайплайн. Указаны ограничения по числу и разрешению изображений, а также ориентация на системы с GPU NVIDIA. README заявляет готовность к коммерческому использованию, однако в метаданных лицензия обозначена как other, поэтому конкретные условия следует проверить в лицензии репозитория.

NVLM-D-72B — мультимодальная модель NVIDIA из семейства NVLM 1.0 для задач с изображениями и текстом, а также для текстовых задач. Это decoder-only Transformer с 72-миллиардной языковой основой Qwen2-72B-Instruct и визуальным энкодером InternViT-6B; в репозитории используются веса Safetensors и библиотека Transformers. Модель принимает текст и изображения и формирует текстовые ответы. Контекст — до 128 тысяч токенов. Модель предназначена для визуальных вопросов и ответов, OCR, анализа документов и диаграмм, мультимодальных рассуждений, локализации объектов, а также задач на общие знания, здравый смысл и программирование. В карточке приведены результаты на мультимодальных и текстовых бенчмарках; также заявлено улучшение текстовых возможностей относительно языковой основы после мультимодального обучения. Модель рассчитана на некоммерческое использование и распространяется по лицензии CC BY-NC 4.0. Для инференса в README указаны PyTorch, Linux и оборудование NVIDIA Hopper; загрузка модели и многопроцессный инференс требуют значительных вычислительных ресурсов. Генерация изображений не поддерживается, а результаты могут немного различаться в зависимости от версий Transformers, CUDA и Docker.

OCRonos — серия специализированных языковых моделей PleIAs для исправления ошибок в плохо оцифрованных текстах. В описанной версии используется плотная архитектура Llama на 7,5 млрд параметров с контекстом 8192 токена; модель рассчитана на генерацию текста в формате диалога. Она исправляет ошибки OCR, восстановливает разорванные или склеенные слова и нарушенную структуру текста, помогая подготовить повреждённые документы к поиску и использованию в приложениях на основе LLM. Обучающие данные включают многоязычные материалы из источников культурного наследия, финансовых и административных документов. Модель обычно сохраняет исходный смысл и редко меняет слова, распознанные верно. Для сильно повреждённого текста она может предложить более свободное восстановление вместо буквальной коррекции; при масштабной обработке возможны повторы слов. Карточка отмечает, что модель снижает риск переключения на другой язык или письменность, характерный для коррекции шумного текста. Лицензия — Apache 2.0.

Карточка модели dzui/Ovis2.5-2B на Hugging Face совпадает с карточкой ATH-MaaS/Ovis2.5-2B, поэтому описание составлено по ней. Ovis2.5-2B — компактная мультимодальная модель семейства Ovis2.5 от команды Ovis. Она сочетает визуальный энкодер NaViT для обработки изображений в исходном переменном разрешении и языковую модель Qwen3-1.7B. Модель рассчитана на диалоговые сценарии с изображениями и мультимодальные рассуждения; контекст составляет 40 960 токенов. Модель умеет анализировать изображения, распознавать текст и структуру документов, таблиц и форм, отвечать на вопросы по диаграммам и выполнять визуальные рассуждения. Опциональный режим thinking с бюджетом рассуждений добавляет самопроверку и пересмотр ответа, повышая потенциальную точность на сложных запросах ценой дополнительной задержки. В карточке также заявлены результаты на задачах понимания видео и grounding, однако основной интерфейс описан как ввод изображения и текста с текстовым ответом. README отмечает высокие результаты для модели такого размера и пригодность для сценариев с ограниченными ресурсами, но конкретное оборудование или скорость не указаны. Доступны веса safetensors; модель рассчитана на Transformers. Лицензия — Apache-2.0.

Phi-3.5-vision-instruct — мультимодальная модель Microsoft семейства Phi-3.5 с плотной архитектурой Phi3V и 3,7 млрд параметров. Она принимает текст и изображения и генерирует текст; предназначена для диалоговых приложений, которым нужно понимать изображения, документы, диаграммы и таблицы, сравнивать несколько изображений и суммировать видеоклипы по кадрам. Модель рассчитана на сценарии с ограничениями по памяти и задержке. В README заявлен контекст до 128 тысяч токенов, тогда как метаданные каталога указывают 4096 токенов. Модель обучалась на синтетических данных и отфильтрованных общедоступных веб-источниках; для улучшения следования инструкциям применялись supervised fine-tuning и direct preference optimization. README ориентирует её на коммерческое и исследовательское применение, прежде всего на английском языке, и отмечает возможности OCR, визуального рассуждения и понимания нескольких кадров. Выпущена под лицензией MIT. Качество может быть ниже для языков, отличных от английского, и для недостаточно представленных вариантов английского. Microsoft предупреждает, что модель может быть неточной, ненадёжной, несправедливой или выдавать оскорбительные ответы; для конкретных сценариев требуется оценка, особенно в областях высокого риска.

Pixtral-Large-Instruct-2411 — мультимодальная модель Mistral AI для диалогов и анализа изображений. Она построена на Mistral-Large-Instruct-2407 и включает языковой декодер примерно на 123 млрд параметров и визуальный энкодер на 1 млрд параметров; общий размер — 124 млрд параметров. Модель принимает текст и изображения и генерирует текст, поддерживает контекст до 128 тысяч токенов и рассчитана на работу с несколькими изображениями высокого разрешения в одном запросе. Модель предназначена для ответов на вопросы по изображениям, понимания документов и диаграмм, а также для текстовых инструкций и диалогов. В карточке заявлены сильные результаты на MathVista, DocVQA и VQAv2. Для инференса рекомендуется vLLM; README предупреждает, что реализация Transformers пока не работает. Лицензия указана как other, поэтому условия использования следует сверить с лицензией и условиями Mistral AI.

PolizzeDonut-SoloPDF-3Epochs-tot — модель преобразования изображений документов в текст, дообученная на базе naver-clova-ix/donut-base. Архитектура — vision-encoder-decoder Donut; репозиторий содержит веса в формате safetensors. Модель предназначена для извлечения текста и структурированных сведений из изображений документов, в частности страховых полисов, что следует из названия модели и специализации базовой Donut. На оценочном наборе указана функция потерь 0,3961. В карточке не описаны конкретные поля извлечения, языки и ограничения качества, поэтому применять модель стоит с проверкой полученных результатов. Лицензия — MIT.

PP-OCRv5_mobile_rec_onnx — компактная модель распознавания текста в строках из семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она предназначена для извлечения текста из изображений и может использоваться в сценариях OCR, включая распознавание печатного и рукописного текста, вертикального, искажённого и художественного текста, пиньиня, редких символов и древнекитайского текста. Модель поддерживает упрощённый и традиционный китайский, английский и японский языки. Доступен вариант для запуска через ONNX Runtime, включая GPU-окружение. В README не указаны точная архитектура, количество параметров, размер модели и максимальная длина контекста. Заявленные показатели зависят от типа текста: среднее значение составляет 0,8015, а для печатного китайского и английского — 0,8605 и 0,8753 соответственно; для рукописного и художественного текста результаты ниже. Метрики используют строгий критерий: ошибка любого символа или знака пунктуации делает неверной всю строку. Модель ориентирована на эффективное и универсальное распознавание текста одной моделью, но её качество может существенно различаться между типами данных, языками и сложными сценариями. Распространяется по лицензии Apache-2.0.

PaddlePaddle/PP-OCRv6_tiny_rec_onnx — компактная модель распознавания текста на изображениях из семейства PaddleOCR, разработанная PaddlePaddle. Она предназначена для задач OCR: преобразования изображений с текстом в текстовый результат, включая сценарии автоматического извлечения текста из документов и других визуальных материалов. Модель ориентирована на английский и китайский языки и распространяется в формате ONNX, что может упростить её использование в совместимых средах инференса. В README заявлено семейство PP-OCRv6 с диапазоном размеров от 1,5 до 34,5 млн параметров, однако точный размер именно варианта tiny_rec_onnx, архитектура, максимальный контекст и поддерживаемые типы входных изображений не указаны. К сильным сторонам относятся компактность варианта tiny, специализация на распознавании текста и возможность применения через ONNX. Ограничениями являются отсутствие в предоставленных данных подробных метрик качества, характеристик производительности и информации о поддержке языков помимо английского и китайского. Модель распространяется по лицензии Apache 2.0.

QARI-OCR v0.3 — специализированная мультимодальная модель NAMAA-Space для распознавания арабского текста на изображениях документов и сохранения их структуры. Она дообучена на основе Qwen2-VL-2B-Instruct; архитектура — Qwen2-VL, размер — 1,5 млрд параметров. Модель принимает изображения и текстовые запросы, а распознанный текст может сохранять структуру документа с помощью тегов HTML или Markdown. Модель предназначена для OCR документов с заголовками, основным текстом и сложной версткой. В карточке отмечены поддержка огласовок и работа с 12 арабскими шрифтами, а также начальные возможности распознавания рукописного текста и устойчивость к изображениям низкого разрешения и ухудшенного качества. По данным README, CER составляет 0,300, WER — 0,485, BLEU — 0,545; для версии v0.2 указана более высокая точность распознавания обычного текста. Модель обрабатывает арабский язык, использует библиотеку Transformers и имеет контекст длиной до 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

QianfanOCR — мультимодальная модель для распознавания и понимания содержимого изображений, представленная в репозитории bairongz. Она основана на дообученной OpenGVLab/InternVL3_5-4B-MPO и использует архитектуру QianfanOCRForConditionalGeneration; файлы опубликованы в формате safetensors и рассчитаны на работу через Transformers. Модель принимает изображения и текстовые запросы и формирует текстовые ответы, в том числе в диалоговом режиме. Модель подходит для OCR и извлечения сведений из изображений, а также для вопросов и ответов по их содержимому. Метаданные указывают на многоязычную поддержку и наборы данных MMPR-v1.2 и MMPR-Tiny. Используется лицензия Apache-2.0. Карточка описывает семейство InternVL3.5 в целом, поэтому конкретные показатели качества и длина контекста именно QianfanOCR здесь не установлены.

Qwen2.5-VL-3B-Instruct-GGUF — мультимодальная instruction-tuned модель семейства Qwen2.5-VL, основанная на Qwen/Qwen2.5-VL-3B-Instruct и представленная в формате GGUF. Модель разработана командой Qwen; репозиторий связан с Unsloth. Она предназначена для обработки текста и визуальных данных, включая изображения и видео, с поддержкой сценариев визуального вопросно-ответного взаимодействия, анализа документов, диаграмм, таблиц, форм и интерфейсов, а также визуальной локализации объектов и компьютерного или мобильного управления. Модель содержит около 3 млрд параметров. В её архитектуре используются языковая модель Qwen2.5, vision encoder на базе ViT с оконным вниманием, SwiGLU и RMSNorm, динамическое разрешение изображений и динамическая частота дискретизации видео. Она способна анализировать продолжительные видеозаписи, выделять релевантные моменты, формировать структурированные результаты, включая JSON, и выдавать координаты объектов в виде ограничивающих рамок или точек. В карточке указана поддержка английского языка; размер контекстного окна не приведён. Сильные стороны модели — сочетание компактного размера с возможностями анализа изображений, документов и видео, визуального рассуждения, извлечения текста и структурированных данных. Ограничения включают меньший размер по сравнению с моделями Qwen2.5-VL на 7 и 72 млрд параметров, поэтому качество может быть ниже на сложных задачах; также в карточке не приведены требования к ресурсам, точный вариант квантования GGUF и полный перечень поддерживаемых языков. Использование регулируется лицензией qwen-research.

Qwen2-VL-2B-Instruct-AWQ — мультимодальная instruction-tuned модель семейства Qwen2-VL, разработанная командой Qwen. Это квантованная версия модели Qwen2-VL-2B-Instruct с примерно 2 млрд параметров, предназначенная для задач image-text-to-text: анализа изображений и видео, визуального ответа на вопросы, работы с документами, распознавания текста на изображениях и диалога по визуальному содержимому. Модель поддерживает изображения произвольного разрешения и соотношения сторон благодаря динамическому представлению визуальных токенов, а также видео длительностью более 20 минут. Архитектура использует Multimodal Rotary Position Embedding (M-ROPE), разделяющий позиционную информацию для текста, двумерных изображений и трёхмерного видео. Заявлена поддержка английского и китайского языков, а также текстов на изображениях на большинстве европейских языков, японском, корейском, арабском и вьетнамском языках. Модель может применяться в визуальном анализе, Document VQA, математических задачах по изображениям, видеоаналитике и сценариях управления устройствами. Ключевое преимущество версии AWQ — сниженное потребление памяти по сравнению с BF16 за счёт квантования, что упрощает локальный запуск. При этом квантование может немного снижать точность: в приведённых тестах AWQ получила 41,33 на MMMU, 86,96 на DocVQA, 71,64 на MMBench и 39,90 на MathVista. README не указывает точное максимальное окно контекста; в тестах использовались входы до 129024 токенов, но результаты производительности для AWQ приведены только до 30720 токенов. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-OCR-JP-2B — японско-английская мультимодальная модель для распознавания текста и структуры документов, разработанная на базе Qwen3.5-2B. Она преобразует изображения документов в HTML-блоки с координатами ограничивающих рамок и метками, а схема вывода совместима с Chandra OCR 2. Модель дообучена на документах с японскими особенностями, включая рукописный и вертикальный текст, а также фуригану, которую она передаёт разметкой HTML5 ruby. Она предназначена для OCR документов на японском и английском языках и рассчитана на использование с фиксированным промптом. По результатам приведённых тестов модель показывает близкое к Chandra OCR 2 качество: например, на VJRODa её CER составляет 7,3%, а BLEU — 94,6. Репозиторий содержит веса safetensors, для запуска указаны Transformers и vLLM. Лицензия — Apache-2.0.

Qwen3-VL-235B-A22B-Thinking — мультимодальная модель семейства Qwen3-VL от Qwen, представленная в варианте с архитектурой MoE и режимом рассуждений Thinking. Репозиторий содержит веса в формате safetensors; модель предназначена для диалога по тексту, изображениям и видео, визуального анализа и взаимодействия с инструментами. Лицензия — Apache-2.0. Модель подходит для ответов на вопросы по изображениям и видео, OCR и разбору длинных документов, STEM-задач, пространственного анализа, генерации кода и разметки интерфейсов по визуальным примерам, а также управления GUI через инструменты. В README заявлены контекст 256K токенов с расширением до 1M и поддержка OCR на 32 языках. Архитектурные особенности включают Interleaved-MRoPE, DeepStack и привязку видео-событий к временным меткам. Карточка описывает широкие возможности мультимодального рассуждения и понимания текста, но не приводит здесь конкретных результатов бенчмарков. Для развёртывания модели такого размера требуются значительные вычислительные ресурсы; фактическая поддержка видео и вызова инструментов зависит от используемого окружения.

Qwen3-VL-235B-A22B-Thinking-GGUF — мультимодальная vision-language модель семейства Qwen, разработанная командой Qwen. Репозиторий содержит веса модели Qwen3-VL-235B-A22B-Thinking в формате GGUF и предназначен для локального запуска на совместимых устройствах через llama.cpp, Ollama и другие инструменты GGUF. Модель предназначена для анализа и генерации текста по изображениям и видео, визуального распознавания, OCR, пространственного и временного рассуждения, решения STEM- и математических задач, генерации Draw.io/HTML/CSS/JS по визуальным примерам, а также взаимодействия с графическими интерфейсами и инструментами. Заявлены улучшенные возможности понимания документов, объектов, сцен, событий в видео и GUI. Поддерживается нативный контекст до 256 тысяч токенов с возможностью расширения до 1 миллиона; OCR заявлен для 32 языков. Архитектура включает языковую модель и отдельный vision encoder mmproj. Для компонентов доступны варианты FP16 и квантованные варианты Q8_0 и Q4_K_M для языковой модели, а также FP16 и Q8_0 для vision encoder. Поддерживаются CPU, NVIDIA GPU через CUDA, Apple Silicon через Metal и Intel GPU через SYCL. Основные ограничения — очень высокий размер модели и соответствующие требования к памяти и вычислительным ресурсам; производительность и доступное качество зависят от выбранной точности и оборудования. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-2B-Instruct — плотная vision-language модель семейства Qwen3-VL, разработанная командой Qwen. Она принимает текст и изображения, а также поддерживает понимание видео и временных меток; предназначена для диалога, визуальных вопросов и ответов, распознавания текста в изображениях и документах, пространственного анализа и работы визуального агента с интерфейсами и инструментами. Модель объединяет текстовую и визуальную обработку. В карточке описаны улучшенное распознавание объектов и деталей, OCR на 32 языках, анализ положения объектов и временной структуры видео, а также создание HTML/CSS/JS или схем Draw.io по визуальным примерам. Архитектура использует Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Заявлена длина контекста 256K токенов с возможностью расширения до 1M. Весовой репозиторий предназначен для версии Instruct; модель доступна в формате safetensors и использует библиотеку Transformers. Лицензия Apache-2.0. README не приводит результаты тестов или отдельные численные показатели качества, поэтому заявленные преимущества не следует трактовать как независимую оценку.

Qwen3-VL-2B-Thinking — плотная мультимодальная модель семейства Qwen3-VL, подготовленная FuriosaAI на основе Qwen/Qwen3-VL-2B-Thinking. Она содержит около 2 млрд параметров и сочетает визуальный энкодер с трансформерным декодером; заявлены позиционные эмбеддинги Interleaved-MRoPE и объединение признаков DeepStack. Модель принимает изображения и текст и формирует текстовые ответы. Для запуска на ускорителях FuriosaAI RNGD предусмотрен пакет FXB и поддержка Furiosa-LLM; также README указывает совместимость с vLLM, SGLang и Transformers. Модель предназначена для диалогового анализа изображений и видео, OCR, анализа документов и графиков, пространственных рассуждений и понимания видео. Версия Thinking формирует цепочку рассуждений перед итоговым ответом и поддерживает вызов инструментов. Лицензия — Apache 2.0. README сообщает, что веса не квантизированы и сохраняют точность исходной модели; контекстное окно и список поддерживаемых естественных языков в предоставленных данных не описаны.

Qwen3-VL-2B-Thinking — плотная vision-language модель семейства Qwen3-VL от Alibaba, рассчитанная на диалоговое мультимодальное понимание и рассуждение. Репозиторий содержит веса версии 2B в формате safetensors; модель работает через Transformers и распространяется по лицензии Apache-2.0. Модель принимает текст и изображения, а также предназначена для понимания видео: анализа визуальных сцен и событий, распознавания текста на изображениях, пространственных рассуждений, решения задач STEM и взаимодействия с графическими интерфейсами через инструменты. Thinking-вариант ориентирован на рассуждения; семейство также поддерживает генерацию текста и объединение текстовой и визуальной информации. Для семейства заявлен контекст 256 тыс. токенов с возможностью расширения до 1 млн, а OCR охватывает 32 языка. К сильным сторонам относятся анализ сложных визуальных сцен, документов и видео, а также работа с GUI и пространственными отношениями. В README приведены общие характеристики семейства, поэтому отдельные количественные результаты именно версии 2B не описаны; заявленные показатели контекста и OCR также относятся к семейству. Модель требует мультимодального стека Transformers и подходящих вычислительных ресурсов.

QuantTrio/Qwen3-VL-30B-A3B-Instruct-AWQ — квантизированная в формате AWQ версия мультимодальной instruct-модели Qwen3-VL-30B-A3B-Instruct из семейства Qwen. Модель предназначена для генерации текста по текстовым, графическим и видеовходам, визуального анализа и рассуждений, OCR, понимания пространственных отношений и временной структуры видео, а также взаимодействия с графическими интерфейсами и инструментами. Она может применяться для анализа документов и изображений, визуального программирования, STEM-задач и создания ответов на основе мультимодального контекста. Архитектура относится к MoE: заявлен размер 30B, а обозначение A3B указывает на активацию примерно 3B параметров на запрос. Модель поддерживает изображения, видео и текст, использует механизмы Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Базовая версия заявляет нативный контекст 256K токенов с возможностью расширения до 1M; в приведённой конфигурации vLLM длина контекста ограничена 32768 токенами. Для OCR указана поддержка 32 языков, но полный список языков не приведён. Сильные стороны модели — сочетание языкового и визуального понимания, работа с длинными документами и видео, распознавание текста в сложных условиях, пространственное и временное рассуждение, а также сравнительно низкие требования к памяти благодаря AWQ-квантизации. Ограничения включают возможную потерю качества из-за квантизации, необходимость совместимого окружения с vLLM и рекомендуемого tensor parallelism на двух GPU; конкретные показатели качества и аппаратные требования в README не указаны. Модель распространяется по лицензии Apache 2.0.

cyankiwi/Qwen3-VL-30B-A3B-Instruct-AWQ-4bit — это квантизированная 4-битная версия мультимодальной instruction-модели Qwen3-VL-30B-A3B-Instruct, разработанной командой Qwen. Модель предназначена для обработки текста и изображений, а также для понимания видео, генерации ответов по визуальному содержимому, анализа документов, OCR, STEM- и математических задач, пространственного рассуждения и взаимодействия с графическими интерфейсами и инструментами. Модель использует архитектуру Mixture-of-Experts (MoE) и относится к семейству с заявленным масштабом 30B параметров и 3B активных параметров. В архитектуре применяются Interleaved-MRoPE для позиционного кодирования времени, ширины и высоты, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками для анализа видео. Заявлена длина контекста 256K токенов с возможностью расширения до 1M. OCR поддерживает 32 языка, однако полный список языков в README не приведён. Сильные стороны модели — объединённое текстово-визуальное понимание, распознавание объектов и документов, анализ пространственных отношений и длительных видео, генерация HTML/CSS/JS и Draw.io по изображениям или видео, а также выполнение задач визуального агента. Ограничения и требования к ресурсам для данной AWQ-квантизации, равно как и подробные результаты тестирования, в README не описаны. Модель распространяется по лицензии Apache-2.0.

QuantTrio/Qwen3-VL-30B-A3B-Thinking-AWQ — это AWQ-квантизированная версия мультимодальной модели Qwen3-VL-30B-A3B-Thinking, разработанной командой Qwen. Модель распространяется в формате для генерации текста и предназначена для локального инференса, в частности через vLLM. Размер набора файлов указан как 17 ГБ, а базовая модель использует MoE-архитектуру с обозначением 30B-A3B. Точный создатель самой квантизированной сборки в README явно не указан; репозиторий связан с идентификатором QuantTrio. Модель предназначена для обработки текста, изображений и видео, включая визуальное распознавание, OCR, анализ документов, пространственное рассуждение, STEM- и математические задачи, понимание видеосцен и взаимодействие с графическими интерфейсами и инструментами. Заявлены генерация Draw.io, HTML, CSS и JavaScript по изображениям или видео, а также поддержка длинного контекста: базово 256K токенов с возможностью расширения до 1M. OCR поддерживает 32 языка, однако полный список языков в README не приведён. Ключевые архитектурные особенности базовой модели включают Interleaved-MRoPE для работы с временными и пространственными измерениями, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками для анализа видео. Сильными сторонами являются мультимодальное рассуждение, детальное восприятие изображений, обработка длинных документов и видео, а также возможность более экономичного запуска благодаря AWQ-квантизации. Ограничения включают зависимость от совместимого ПО и аппаратной конфигурации; приведённый пример vLLM рассчитан на использование двух GPU, а показатели производительности в README представлены только изображениями без числовой расшифровки. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-30B-A3B-Thinking-FP8 — мультимодальная vision-language модель семейства Qwen, разработанная командой Qwen. Это FP8-квантизированная версия модели Qwen3-VL-30B-A3B-Thinking с fine-grained-квантизацией и размером блока 128; заявлено, что её показатели почти идентичны исходной версии в формате BF16. Модель предназначена для генерации и понимания текста, анализа изображений и видео, визуального рассуждения, OCR, пространственного анализа, STEM- и математических задач, а также взаимодействия с графическими интерфейсами и инструментами. Модель использует архитектуру MoE с 30 млрд параметров и 3 млрд активных параметров. Среди заявленных компонентов — Interleaved-MRoPE для временных и пространственных признаков, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками для анализа событий в видео. Поддерживаются текст, изображения и видео; заявлен нативный контекст 256K с возможностью расширения до 1M. OCR поддерживает 32 языка, однако полный перечень языков в README не указан. Сильные стороны модели — развитое мультимодальное понимание, обработка длинного контекста, анализ пространственных отношений и видеодинамики, распознавание текста на сложных изображениях, а также возможности визуального кодирования и агентного взаимодействия. Ограничения включают отсутствие прямой поддержки загрузки этих весов в Transformers на момент публикации README; для развёртывания рекомендованы vLLM или SGLang. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen3-VL-32B-Instruct-bnb-4bit — четырёхбитная версия мультимодальной модели Qwen3-VL-32B-Instruct, опубликованная Unsloth на базе модели Qwen. Она предназначена для обработки текста и изображений, а также для понимания видео: генерации ответов по визуальному содержимому, OCR, анализа документов, пространственного и STEM-рассуждения, визуального программирования и взаимодействия с графическими интерфейсами через инструменты. Модель имеет плотную архитектуру с 32B параметров в исходной версии и использует квантизацию bitsandbytes 4-bit, что снижает требования к памяти по сравнению с полноточными весами. В архитектуре заявлены Interleaved-MRoPE для обработки времени и пространственных координат, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками для анализа видео. Нативная длина контекста составляет 256K токенов с возможностью расширения до 1M. Для OCR заявлена поддержка 32 языков, однако полный перечень языков в README не приведён. Сильные стороны модели — объединённое понимание текста и визуальных данных, анализ длинных документов и продолжительных видео, распознавание объектов и сцен, пространственное рассуждение и задачи визуального агента. Ограничения и точные требования к оборудованию, результаты численных бенчмарков, полный список поддерживаемых языков и характеристики квантизации в README не указаны; четырёхбитное представление может влиять на точность по сравнению с исходной моделью. Лицензия — Apache-2.0.

Qwen3-VL-32B-Instruct-GGUF — мультимодальная instruction-модель, разработанная Unsloth на основе Qwen/Qwen3-VL-32B-Instruct. Она предназначена для диалогов и генерации ответов по тексту и изображениям, а также для анализа видео, визуального распознавания, OCR, пространственного рассуждения, STEM- и математических задач, визуального программирования и взаимодействия с графическими интерфейсами через инструменты. Модель использует плотную архитектуру размером 32B параметров и поставляется в формате GGUF. Заявлены контекст длиной 256K токенов с возможностью расширения до 1M, поддержка изображений, видео и текста, а также OCR для 32 языков. Среди архитектурных особенностей указаны Interleaved-MRoPE для пространственно-временного позиционирования, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками для анализа событий в видео. Репозиторий также включает исправления chat template от Unsloth. Сильные стороны модели — объединённое понимание текста и визуальных данных, детальное распознавание объектов и документов, работа с длинным контекстом и видео, а также расширенные возможности пространственного и агентного рассуждения. Ограничения связаны с высокой вычислительной и памятьевой нагрузкой 32B-модели, а GGUF предполагает использование совместимого программного обеспечения для запуска; конкретные требования к ресурсам и поддерживаемые языки вне OCR в README не указаны. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-32B-Thinking — плотная мультимодальная модель семейства Qwen3-VL от Qwen, предназначенная для диалога и рассуждений по тексту и визуальным данным. Репозиторий содержит веса модели для использования с библиотекой Transformers; заявлена лицензия Apache-2.0. Модель принимает изображения и текст, а также рассчитана на понимание видео, пространственных отношений, OCR и визуальных интерфейсов. Она подходит для ответов на вопросы по изображениям и видео, распознавания и разбора документов, STEM-задач, визуального программирования и взаимодействия с графическими интерфейсами через инструменты. В README заявлены контекст 256 тысяч токенов с возможностью расширения до 1 миллиона и поддержка OCR на 32 языках. Ключевые особенности включают объединение текстовой и визуальной обработки, временное позиционирование для видео и извлечение признаков на нескольких уровнях. Это вариант Thinking, ориентированный на усиленное рассуждение; качество и скорость на конкретных задачах зависят от сценария и реализации. Описание не приводит результаты бенчмарков или подробные ограничения применения.

Qwen3-VL-32B-Thinking-GGUF — мультимодальная модель семейства Qwen, разработанная командой Qwen. Репозиторий содержит GGUF-веса базовой модели Qwen3-VL-32B-Thinking и предназначен для локального запуска через llama.cpp, Ollama и другие инструменты, совместимые с GGUF, на CPU, NVIDIA GPU, Apple Silicon и Intel GPU. Модель объединяет языковую модель и vision encoder, поддерживает обработку текста, изображений и видео. Она ориентирована на визуально-языковое понимание и рассуждение, включая анализ документов и сцен, OCR, пространственное восприятие, STEM- и математические задачи, генерацию кода и разметки по изображениям или видео, а также взаимодействие с графическими интерфейсами и инструментами. Заявлены контекст до 256K токенов с возможностью расширения до 1M, поддержка OCR на 32 языках и улучшенное понимание длительных видео с временной привязкой событий. Архитектурные особенности включают Interleaved-MRoPE для моделирования времени и пространственных измерений, DeepStack для объединения многоуровневых признаков ViT и выравнивание текста с временными метками. Доступны варианты языковой модели FP16, Q8_0 и Q4_K_M, а vision encoder — FP16 и Q8_0, что позволяет выбирать баланс качества, скорости и требований к памяти. Ограничения включают высокие вычислительные и ресурсные требования 32B-модели, а также возможное снижение качества при использовании более агрессивного квантования; конкретные результаты бенчмарков в README не приведены. Распространение указано по лицензии Apache-2.0.

cyankiwi/Qwen3-VL-4B-Instruct-AWQ-4bit — квантованная 4-битная версия мультимодальной инструкционной модели Qwen3-VL-4B-Instruct, разработанной командой Qwen. Модель предназначена для задач, где требуется совместное понимание текста и изображений, включая описание и анализ изображений, визуальное рассуждение, распознавание текста, работу с документами, анализ видео, пространственное понимание, генерацию кода и взаимодействие с графическими интерфейсами через визуального агента. Модель использует плотную архитектуру и относится к классу vision-language моделей; заявленный размер базовой модели — 4 млрд параметров. Поддерживаются текстовые и визуальные входы, включая изображения и видео. Среди архитектурных особенностей указаны Interleaved-MRoPE для моделирования временных и пространственных измерений, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками. Заявлена нативная длина контекста 256K токенов с возможностью расширения до 1M, а OCR поддерживает 32 языка, однако полный список языков в README не приведён. Сильные стороны модели — расширенное понимание изображений и видео, пространственное и мультимодальное рассуждение, OCR в сложных условиях, обработка длинных документов и видеоматериалов, а также сценарии визуального программирования и управления интерфейсами. Ограничения, конкретные показатели производительности и требования к аппаратному обеспечению для данной AWQ-версии в README не указаны; 4-битное квантование может влиять на точность по сравнению с полной точностью. Модель распространяется по лицензии Apache-2.0.