I.4Обработка документов и форм

Gemma 4 31B BF16 — конверсия модели Google Gemma 4 31B в формат MLX, выполненная сообществом mlx-community с помощью mlx-vlm 0.4.3. Это плотная модель семейства Gemma 4 с поддержкой зрения, предназначенная для обработки изображений вместе с текстом и генерации текстовых ответов. Репозиторий содержит веса safetensors и рассчитан на запуск через mlx-vlm. Модель подходит для вопросов об изображениях, визуального анализа и других сценариев, где нужно сопоставлять изображение с текстовым запросом. Лицензия — Apache 2.0. README отсылает к карточке исходной модели за подробностями; размер контекста, поддерживаемые языки и ограничения качества в предоставленных данных не описаны.

mlx-community/gemma-4-e4b-it-8bit — это 8-битная конверсия модели google/gemma-4-E4B-it, подготовленная сообществом mlx-community для работы на устройствах Apple с Apple silicon. Модель основана на Gemma 4 и предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Модель подходит для локального запуска мультимодальных сценариев, например описания изображений, визуального вопросно-ответного взаимодействия и других задач, где требуется анализ изображения по текстовой инструкции. Конкретные сведения об архитектуре, количестве параметров, поддерживаемых языках и размере контекстного окна в README не указаны. Доступен 8-битный вариант, ориентированный на более эффективное использование памяти при запуске на Apple silicon через MLX и mlx-vlm. README не содержит результатов бенчмарков или подробного описания сильных сторон и ограничений модели, поэтому её качество и область практической применимости следует оценивать отдельно. Модель распространяется по лицензии Gemma; исходной моделью указана google/gemma-4-E4B-it.

NikDowse/GRM-3.2-Sky-Q6_K-GGUF — это конвертированная в формат GGUF версия модели OrionLLM/GRM-3.2-Sky. Конвертацию выполнил пользователь или организация NikDowse с использованием llama.cpp и сервиса GGUF-my-repo от ggml.ai. Модель предназначена для локального запуска через llama.cpp, включая работу в режиме командной строки и серверном режиме. В карточке указано, что модель относится к мультимодальному классу image-text-to-text, то есть рассчитана на обработку изображений и текста с генерацией текстового ответа. Другие характеристики исходной модели, включая архитектуру, количество параметров, поддерживаемые языки и максимальную длину контекста, в README не приведены. Для серверного запуска показан контекст размером 2048 токенов, однако это может быть примером настройки, а не гарантированной характеристикой модели. Ключевая особенность этой версии — квантование Q6_K в GGUF, что делает её ориентированной на эффективный локальный инференс в экосистеме llama.cpp. Ограничение заключается в отсутствии подробностей об исходной модели и её возможностях, поэтому нельзя достоверно оценить качество, языковое покрытие и требования к ресурсам. Модель распространяется по лицензии Apache-2.0.

Это 8-битная версия модели Llama 3.2 11B Vision Instruct, подготовленная сообществом mlx-community для работы в формате MLX. README указывает, что она получена конвертацией из unsloth/Llama-3.2-11B-Vision-Instruct; в метаданных базовой моделью указана meta-llama/Llama-3.2-11B-Vision-Instruct. Архитектура — плотная мультимодальная MllamaForConditionalGeneration, размер базовой модели — 11 млрд параметров. Модель предназначена для диалога с изображениями и текстом: она принимает текстовые запросы и изображения, отвечает на вопросы о визуальном содержимом и ведёт беседу. Карточка перечисляет английский язык; MLX-вариант рассчитан на использование с mlx-vlm. Лицензия — llama3.2. В README не приведены отдельные оценки качества или подробные ограничения, поэтому характеристики ответов следует оценивать на целевых данных.

mradermacher/llava-1.5-13b-hf-i1-GGUF — квантизированная версия мультимодальной модели LLaVA-1.5-13B-HF, подготовленная пользователем mradermacher на основе модели llava-hf. Модель предназначена для задач image-text-to-text: анализа изображений и генерации текстовых ответов по визуальному и текстовому вводу. Заявленный язык — английский. Модель содержит 13 млрд параметров в базовой версии и распространяется в формате GGUF с несколькими вариантами квантизации от i1-IQ1_S до i1-Q6_K. Размер файлов составляет примерно от 3,0 до 10,8 ГБ; варианты различаются балансом между размером, скоростью и качеством. Для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория исходной модели. Размер контекста и подробности архитектуры в README не указаны. Сильной стороной является поддержка визуального ввода при возможности локального запуска через совместимые инструменты для GGUF. Ограничения включают зависимость качества от выбранного уровня квантизации: наиболее компактные варианты могут давать низкое качество, тогда как более крупные обычно обеспечивают лучшее сохранение возможностей исходной модели. Модель распространяется по лицензии Llama 2.

LLaVA-1.5-7B — мультимодальный чат-бот, опубликованный командой LLaVA и размещённый в формате Hugging Face Transformers. Это авторегрессионная модель на основе трансформера: языковая часть дообучена на данных для следования мультимодальным инструкциям, а модель принимает изображения вместе с текстовыми запросами и формирует текстовые ответы. Версия 7B обучалась в сентябре 2023 года; в карточке указан набор LLaVA-Instruct-150K. Репозиторий использует формат safetensors и поддерживает общение с несколькими изображениями и запросами в одном контексте. Модель подходит для вопросов по изображению, его описания и диалогов, где нужно учитывать визуальный материал. Карточка показывает использование через Transformers и возможность 4-битной загрузки с bitsandbytes на совместимом CUDA GPU. Язык карточки и языковой тег — английский, поэтому основной подтверждённый сценарий — англоязычные запросы. Для работы требуется соблюдать шаблон диалога модели и передавать изображения через соответствующий процессор. Лицензия указана как Llama 2. Качество зависит от изображения и формулировки запроса; ответы могут быть ошибочными, а приведённые в карточке примеры не подтверждают надёжность для критичных решений. Карточка не сообщает длину контекста или точное количество параметров, поэтому эти характеристики здесь не приводятся.

Мультимодальная модель shabieh2, дообученная на unsloth/Muse-Glimmer-30B с использованием Unsloth. Она предназначена для диалоговых задач с изображениями: принимает текст и изображения и формирует текстовые ответы. Архитектура — плотная Muse Glimmer для условной генерации; репозиторий содержит веса в формате Safetensors. Модель подходит для вопросов по изображениям и визуального анализа в чате. Базовая Muse-Glimmer-30B описана как модель для локальных агентных задач, работы с инструментами, программирования и анализа изображений, однако карточка этого дообучения не уточняет, какие из этих возможностей улучшались или проверялись. Лицензия — Apache 2.0.

lusxvr/nanoVLM-460M-8k — мультимодальная модель для работы с изображениями и текстом, доступная в формате Safetensors и рассчитанная на использование через библиотеку nanoVLM. В README приведён пример загрузки модели из репозитория с помощью класса VisionLanguageModel. Модель предназначена для задач image-text-to-text: она принимает изображение вместе с текстовым запросом и формирует текстовый ответ. Карточка не описывает конкретные сценарии, языки или ограничения качества. Репозиторий распространяется по лицензии MIT.

OpenMed-PII-French-SuperClinical-Base-184M-v1 — модель OpenMed на базе DeBERTa-v3-base, дообученная для распознавания и классификации персональных данных во французском тексте. Это трансформерная модель классификации токенов с контекстом до 512 токенов; она размечает сущности по 54 категориям, включая идентификаторы, личные и медицинские сведения, контакты, адреса и финансовые данные. Модель предназначена для обнаружения и обезличивания данных во французских клинических записях, медицинских документах и других текстовых коллекциях, а также для подготовки наборов данных и аудита конфиденциальности. В README указана оценка Micro F1 0,9663 на французской части AI4Privacy. Модель принимает текст и возвращает метки сущностей для токенов; результат следует проверять человеком, поскольку возможны пропуски и качество может меняться на специализированной терминологии. Модель оптимизирована для французского и может хуже работать на других языках. Лицензия — Apache-2.0.

Ornith-1.5-35B-MTP-UD-APEX-GGUF — GGUF-квантизированная версия модели Ornith-1.5-35B-A3B, опубликованная в репозитории gbuzhf. Модель относится к классу vision-language models и предназначена для сценариев image-text-to-text, то есть обработки изображений и генерации текстовых ответов. В состав каждой версии встроена MTP-голова для speculative decoding; она присутствует в исходной модели и не добавлялась при квантовании. Архитектура модели основана на mixture-of-experts: заявлены 35B параметров, 256 экспертов и 8 активных экспертов на токен. Конфигурация включает 40 блоков, экспертный и общий FFN размером 512, а также компоненты attention, SSM и выходную голову. Доступно 12 квантованных вариантов из семейств UD, ICE и APEX-v2D-lite с размером файлов примерно от 14,24 до 30,20 ГБ. README не указывает поддерживаемые языки и максимальную длину контекста; измерения проводились на контексте 2048 токенов. Сильной стороной являются встроенная поддержка MTP, варианты с разным балансом между размером и сохранением качества, а также высокое соответствие исходной bf16-модели у старших уровней квантования. Например, MTP-UD-Q6_K показывает 93,85% совпадения наиболее вероятного следующего токена и итоговую оценку 96,6 относительно bf16. Более компактные варианты требуют компромисса по качеству: у MTP-APEX-I-Mini совпадение top-1 составляет 80,49%, а итоговая оценка — 79,7. Приведённые метрики получены на wikitext-2-raw и не характеризуют все прикладные сценарии. Модель распространяется по лицензии MIT. Для запуска требуется совместимая инфраструктура GGUF; точные требования к оперативной и видеопамяти зависят от выбранного варианта квантования.

Карточка модели piyawudk/PhishMe-12k-Qwen3.5-4B-P1-CSFT-v2 на Hugging Face совпадает с карточкой piyawudk/PhishMe-12k-Qwen3.5-4B-P1-CDFT-v3, поэтому описание составлено по ней. piyawudk/PhishMe-12k-Qwen3.5-4B-P1-CDFT-v3 — дообученная piyawudk мультимодальная модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration на 4 млрд параметров, основанная на Qwen/Qwen3.5-4B. Она предназначена для диалогового взаимодействия и обработки изображений с текстом. В карточке указано, что обучение выполнялось с Unsloth; модель опубликована в формате Safetensors. Модель принимает текст и изображения и выдаёт текст. Поддерживаемый карточкой язык — английский. Лицензия Apache-2.0. README не уточняет специализацию названия PhishMe, данные обучения или конкретные показатели качества, поэтому пригодность для обнаружения фишинга по имеющимся сведениям подтвердить нельзя.

Модель tohoku-cijs/qwen3.5-2b-ndl-honkoku-kuzushiji-ocr разработана для распознавания японских исторических документов. Это полное дообучение мультимодальной плотной модели Qwen3.5-2B с 2 млрд параметров: она принимает изображение страницы и генерирует текстовую транскрипцию. Обучение проводилось примерно на 23,9 тыс. страниц: печатных японских транскрипциях honkoku из корпуса NDL minhon-v2 и рукописных страницах с курсивным письмом кузусидзи из корпуса Kaggle. Модель предназначена для OCR печатных транскрипций и рукописного кузусидзи в документах домодерной и ранней современной Японии. В README описана оценка на отложенных наборах из 416 строк honkoku и 120 строк кузусидзи; результаты качества не приведены. Репозиторий содержит веса safetensors и поддерживает интерфейс чата и зрения. Лицензия обозначена как other, поэтому конкретные условия использования следует проверить в карточке модели.

AMAImedia выпустила эту модель в рамках платформы NOESIS для автоматизации многоязычного дубляжа. Это дообученная версия Qwen3.8-27B-Uncensored с удалённым механизмом отказа: в README изменение названо abliteration, а метаданные указывают исходную модель orcarouter/Qwen3.8-27B-Uncensored. Модель предназначена для исследований механизмов отказа и выравнивания, тестирования безопасности и устойчивости, а также для дальнейшего дообучения и постобучения. Архитектура — плотная мультимодальная модель Qwen3_5ForConditionalGeneration на 27 млрд параметров с гибридным вниманием Gated DeltaNet и полноценными слоями внимания, визуальным модулем и головой MTP. Она принимает текст и изображения, поддерживает диалог, работу с инструментами и распознавание изображений и документов; в README также заявлены режимы рассуждения и OCR. Репозиторий содержит веса Safetensors в формате BF16 без квантизации. Карточка заявляет поддержку многих языков, в том числе русского, английского и китайского. По приведённым в README тестам, способность модели отвечать на вредоносные запросы без отказа резко повышена, а результаты нескольких тестов общих возможностей близки к исходной модели; это результаты авторов карточки. Удаление защитных механизмов означает, что модель может выдавать вредный, предвзятый или оскорбительный контент, поэтому для контролируемых исследований и оценки безопасности необходима внешняя фильтрация. Лицензия — Apache 2.0.

Модель raselhosen/qwen_finetune_vision_model — дообученная мультимодальная модель семейства Qwen3.5, разработанная raselhosen на базе unsloth/Qwen3.5-0.8B. Она предназначена для диалоговых задач с изображениями: принимает текст и изображения и формирует текстовые ответы. В метаданных также отмечены возможности чата и интерфейс вызова инструментов; модель представлена в формате safetensors и обучалась с использованием Unsloth и библиотеки TRL. Основной язык карточки — английский. Модель распространяется по лицензии Apache-2.0. Размер модели и длина контекста в предоставленных данных не указаны.

Razorback-12B-v0.2 — мультимодальная модель, созданная nintwentydo слиянием TheDrummer/UnslopNemo-12B-v3 и Mistral AI Pixtral-12B-2409. Она принимает текст и изображения и отвечает на вопросы по их содержимому, сочетая визуальное понимание Pixtral с более связной и выразительной генерацией текста. Модель основана на архитектуре Llava, имеет 12 млрд параметров и предназначена для диалогового использования; заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Автор сообщает, что слияние было настроено так, чтобы сохранить визуальные возможности Pixtral, и что модель стабильно работала в его тестах. Параметры генерации требуют дополнительной проверки: в README приведены ориентиры около 0,7 для temperature и 0,03 для min_p. Репозиторий распространяется в формате safetensors через Transformers. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели.

davanstrien/SmolVLM2-2.2B-Instruct — дообученная с помощью TRL версия мультимодальной модели HuggingFaceTB/SmolVLM2-2.2B-Instruct. Это плотная модель семейства SmolVLM с поддержкой диалогов и обработки изображений; карточка также описывает её как модель для генерации ответов на текстовые запросы. Основной сценарий — ответы на вопросы по изображениям и ведение диалога с визуальным контекстом. Модель предназначена для мультимодальных запросов, где пользователь передаёт изображение и текстовую инструкцию, а модель формирует текстовый ответ. В README приведён пример текстового диалога, но отдельные характеристики обучения и оценки качества этой версии не раскрыты. Доступные веса представлены в формате safetensors; используется библиотека Transformers. Лицензия, размер параметров и длина контекста в предоставленных данных не указаны.

Это промежуточный чекпойнт zhiyuanhucs, полученный полным дообучением Qwen/Qwen3.5-9B методом supervised fine-tuning с поведенческим клонированием. Он объединяет данные Spider и LLaVA 0.19 и предназначен для диалога и ответов на запросы об изображениях. Модель использует мультимодальную архитектуру Qwen3.5 с 9 млрд параметров; обучение проводилось с последовательностями длиной до 128K токенов. Доступна в формате Safetensors и рассчитана на запуск через Transformers.

ivere27/tiny-receipt-reader-digit-slots-2m — компактная CNN-модель для извлечения цифр из изображений чеков, разработанная автором репозитория и опубликованная в формате ONNX. Модель принимает изображение чека фиксированного размера 672×320 и за один проход формирует запись из слотов: цифры телефона и номера улицы. Текст не распознаётся, а вопросы о прочитанных полях обрабатываются отдельным маршрутизатором на регулярных выражениях и индексированием записи. Модель содержит 2,46 млн параметров. Вариант FP32 и вариант INT8 с квантизацией свёрточных слоёв показали на 2 000 отложенных вопросов точность ответа 98,75% и 98,45% соответственно; оценки получены на машинно сгенерированных аннотациях. Модель рассчитана на извлечение телефонных и уличных цифр из чеков, а не на общее понимание документов. Она не читает названия магазинов, строки товаров и полные адреса; вопросы о других полях дают пустой ответ. Для работы необходим отдельный question_router.py. Лицензия — Apache-2.0.

Warrior-Qwen3.5-4B-i1-GGUF — квантизированная GGUF-версия модели Warrior-Qwen3.5-4B, разработанной yotisstudios и дополнительно квантизированной mradermacher. Модель дообучалась на наборе данных Warrior-SFT и относится к vision-language моделям, способным обрабатывать текст и изображения. Заявленный язык — английский. Модель предназначена для мультимодальных сценариев, где требуется анализ изображений и генерация текста. Базовый размер — 4B параметров; точные сведения об архитектуре, размере контекста и поддерживаемых форматах изображений в README не указаны. Репозиторий предоставляет множество вариантов GGUF-квантизации с размером примерно от 1,5 до 3,6 ГБ, включая IQ- и K-квантизации. Это позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством, однако наиболее низкобитные варианты имеют заметно сниженное качество. Сильными сторонами являются компактность, возможность локального запуска в совместимых с GGUF инструментах и поддержка мультимодального ввода. Ограничения включают заявленную поддержку только английского языка, отсутствие подробных результатов оценки и неполные сведения о контексте и архитектуре. Лицензия в README не указана; условия использования следует уточнять у разработчиков базовой модели и автора квантизации.

DevQuasar опубликовал GGUF-версию модели Xiaomi MiMo-V2.6-Pro-RL. Модель предназначена для диалогов с текстом и изображениями и поддерживает визуальные запросы в формате image-text-to-text. Каталог указывает, что это дообученная модель Xiaomi MiMo-V2.6-Pro-RL, представленная в формате GGUF F16. Её можно применять в сценариях чата, где нужно задавать вопросы по изображениям и получать текстовые ответы. Сведения о лицензии, поддерживаемых языках и ограничениях качества в предоставленных данных отсутствуют.

AlenAI-4B — дообученная allenwoods823 мультимодальная модель семейства Qwen3.5 с 4 млрд параметров, созданная на основе Qwen/Qwen3.5-4B. Она предназначена для диалога с текстом и изображениями; в репозитории также заявлен интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки Hugging Face TRL. Модель подходит для вопросов по изображениям и текстового общения с визуальным контекстом. Карточка не описывает специализированные сценарии дообучения, датасеты или результаты оценивания, поэтому качество отдельных возможностей по ней определить нельзя. Весы опубликованы в формате safetensors, лицензия — MIT.

CASA-Qwen2_5-VL-3B — мультимодальная модель Kyutai для диалога и анализа изображений. Она основана на Qwen2.5-VL-3B-Instruct и адаптирует взаимодействие зрения и языка: вместо вставки визуальных токенов использует архитектуру с перекрёстным вниманием поверх self-attention. Модель содержит 3,1 млрд параметров, рассчитана на контекст до 128 000 токенов и работает с библиотекой Transformers; для загрузки требуется включить trust_remote_code. Модель предназначена для ответов на вопросы об изображениях и других сценариев vision-language общения. В карточке указаны FineVision и LLaVA-OneVision-1.5-Instruct-Data как датасеты. Основной язык карточки — английский. Модель опубликована под лицензией CC-BY-NC-SA-4.0, которая требует атрибуции, распространения производных на тех же условиях и не допускает коммерческого использования.

Devika — модель распознавания рукописного текста на изображениях отдельных слов на малаяламском языке, разработанная Artificial-Soul. Она дообучена на базе microsoft/trocr-large-handwritten и использует архитектуру VisionEncoderDecoderModel: визуальный энкодер ViT-Large и 12-слойный декодер TrOCR. Для малаяламского алфавита создан символьный токенизатор с 99 токенами; входное изображение приводится к размеру 384×384 пикселя. Модель предназначена для распознавания изолированных слов, например после сегментации рукописных документов на слова. В описанной оценке на отложенной выборке указаны CER 1,67% и точность полного совпадения слова 89,14%. Для чтения страницы требуется предварительно обнаружить строки и выделить слова, а затем собрать распознанный текст. Devika плохо подходит для изображений предложений, строк и страниц, а сжатие широких слов может ухудшать распознавание мелких деталей. Качество на почерках и условиях, отличающихся от обучающих данных, не оценено; для официальных, юридических и финансовых документов необходима проверка человеком. Веса распространяются по лицензии MIT; для обучающих данных Mozhi необходимо учитывать условия датасета.

Карточка модели EdgeAIMed/EdgeAIMed-PII-SuperClinical-Small-44M-v1 на Hugging Face совпадает с карточкой OpenMed/OpenMed-PII-SuperClinical-Small-44M-v1, поэтому описание составлено по ней. OpenMed-PII-SuperClinical-Small-44M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная на NVIDIA Nemotron-PII модель DeBERTa V3 Small с архитектурой DeBERTa V2 для токен-классификации. Метаданные указывают 155 млн параметров и контекст до 512 токенов; README заявляет распознавание 54 типов сущностей, включая имена, адреса, номера социального страхования, медицинские записи, контактные, финансовые и сетевые данные. Модель предназначена для разметки чувствительных фрагментов в клинических заметках, медицинских документах и других текстах, чтобы поддерживать обезличивание, аудит и подготовку данных. В README приведён результат micro-F1 0,9539 на тестовой выборке из NVIDIA Nemotron-PII. Качество различается по типам сущностей: для некоторых категорий возможны пропуски, а точность зависит от предметной лексики; автор рекомендует проверку человеком в критичных сценариях. Основной язык обучения — английский. Лицензия — Apache-2.0.

iautolee/gemma-2b-brain-v1 — дообученная модель семейства Gemma 4, разработанная iautolee на основе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Она предназначена для диалоговых сценариев с изображениями: принимает текст и изображения и формирует текстовые ответы. В метаданных указаны архитектура Gemma4ForConditionalGeneration, плотная архитектура, поддержка зрения и формат safetensors. Модель поддерживает английский язык и распространяется по лицензии Apache 2.0. Данных о размере модели, длине контекста и специальных областях применения в карточке нет.

Rammyeon дообучил модель Gemma 4 E2B для диалоговой работы с изображениями и текстом. Она принимает текстовые запросы и изображения и предназначена для ответов на вопросы и общения по визуальному содержимому. Архитектура — плотная Gemma4ForConditionalGeneration; базовая модель — unsloth/gemma-4-e2b-it-unsloth-bnb-4bit. Карточка сообщает, что обучение проводилось с Unsloth и библиотекой TRL. Модель распространяется по лицензии Apache-2.0.

Модель mlx-community/gemma-3-4b-it-qat-4bit — мультимодальная чат-модель для обработки изображений и текста. В метаданных указана архитектура Gemma 3 и дообучение на базе OpenGVLab/InternVL3-1B-Instruct; карточка сообщает о конвертации в формат MLX с помощью mlx-vlm 0.1.25. Репозиторий предназначен для запуска модели через mlx-vlm. Модель принимает текст и изображения и формирует текстовые ответы. Подходит для диалога по изображению и вопросов о его содержимом. Метаданные отмечают многоязычность, но конкретные языки и длина контекста не приведены. Указана лицензия other; условия следует сверять с карточкой базовой модели и лицензией репозитория.

Модель FrancescoArno94/gemma-4-E2B-instruct — дообученная разговорная модель семейства Gemma 4 с поддержкой изображений. Она предназначена для диалога и задач image-text-to-text, включая ответы на вопросы по изображениям. Базовая модель — unsloth/gemma-4-e2b-unsloth-bnb-4bit; при обучении использовались Unsloth и библиотека TRL. Репозиторий содержит веса в формате safetensors. Модель принимает текст и изображения и выдаёт текст. В карточке указан английский язык. Лицензия — Apache-2.0. Данных о размере модели и длине контекста в предоставленных источниках нет.

Карточка модели ersindemirel94/gemma_4_e2b_v1 на Hugging Face совпадает с карточкой ersindemirel94/gemma_4_e2b_v2, поэтому описание составлено по ней. ersindemirel94/gemma_4_e2b_v2 — дообученная модель семейства Gemma 4, созданная ersindemirel94 на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для диалоговых задач с текстом и изображениями; в карточке указаны возможности чата и обработки изображений, а основной тег задачи — image-text-to-text. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. По данным карточки модель ориентирована на английский язык. Данных о размере модели и длине контекста в предоставленных источниках нет.

LaViDa-LLaDa v1.0 Instruct — версия контрольной точки, совместимая с Transformers, для загрузки и инференса через API библиотеки Hugging Face Transformers. Архитектура модели относится к семейству Llava-LLaDa; модель принимает изображения и текст и предназначена для диалогового взаимодействия с визуальным содержимым, а также генерации текста. В README приведён пример загрузки модели и обработчика изображений с использованием bfloat16. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0. Метаданные указывают поддержку задач image-text-to-text и text-generation. Размер модели, длина контекста и поддерживаемые естественные языки в предоставленных данных не описаны.