I.4Обработка документов и форм

MBZUAI/LLaVA-Meta-Llama-3-8B-Instruct — мультимодальная модель семейства LLaVA, разработанная на основе Meta-Llama-3-8B-Instruct. Она предназначена для диалогов и понимания изображений: принимает текстовые запросы вместе с изображениями и формирует текстовые ответы. Репозиторий содержит объединённые веса; при обучении на этапе предварительной настройки обучался только визуально-языковой проектор, а при дообучении LLM использовался LoRA при замороженном визуальном энкодере CLIP. Модель содержит около 7,5 млрд параметров, использует архитектуру LlavaLlamaForCausalLM и поддерживает контекст до 8192 токенов. Для обучения указаны наборы LCS-558K и LLaVA-Instruct-665K. Доступный формат весов — safetensors. Лицензия в предоставленных сведениях не указана.

LLaVA-OneVision Qwen2 0.5B — мультимодальная языковая модель семейства LLaVA-OneVision, опубликованная авторами LLaVA-HF. Это плотная архитектура SO400M + Qwen2, дообученная на синтетических инструкциях с изображениями и видео; репозиторий содержит веса safetensors и формат ONNX. Модель принимает текст и изображения, поддерживает диалоги с несколькими изображениями и предназначена для понимания одиночных и нескольких изображений, а также видео и ответов на вопросы по визуальному содержимому. Модель рассчитана на применение через Transformers и Transformers.js; для работы с Transformers требуется версия 4.45.0 или новее. В карточке заявлена поддержка переноса навыков между сценариями изображений и видео. Лицензия Apache 2.0. Карточка не приводит конкретную длину контекста или количественную оценку качества.

peaceinlove/long-memory-connectaiLecture-season1-v2 — дообученная модель на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit, разработанная peaceinlove. Она относится к семейству Gemma 4 и использует архитектуру Gemma4ForConditionalGeneration; модель предназначена для диалогового взаимодействия с текстом и изображениями. Карточка не описывает специализацию по названию «long-memory» и «connectaiLecture-season1», поэтому конкретные сценарии работы с лекциями или длинной памятью подтвердить нельзя. Модель распространяется в формате safetensors по лицензии Apache-2.0.

MiniMax-M3-oQ3 — 3-битная версия модели семейства MiniMax-M3-VL, созданная Jundot. Модель получена смешанной квантизацией oQ с помощью oMLX v0.4.5.dev1; веса сохранены в формате MLX safetensors с размером группы 64. Семейство MiniMax-M3-VL и архитектура условной генерации указывают на поддержку визуально-языковых задач. Такая модель может принимать текст и изображения и формировать текстовые ответы. В карточке не приведены сведения о размере модели, контекстном окне, языках или результатах оценки качества. Квантизация до 3 бит уменьшает точность представления весов и предназначена для запуска в экосистеме MLX; она может повлиять на качество ответов. Условия лицензии в предоставленных данных не указаны.

OsaurusAI Mistral-Medium-3.5-128B-mxfp4 — мультимодальная модель с архитектурой Mistral3, подготовленная Jinho Jang для запуска через MLX на компьютерах Apple Silicon. В её основе — плотная модель на 128 млрд параметров: текстовый декодер Ministral3 и визуальный энкодер Pixtral. Модель принимает текст и изображения и формирует текстовые ответы; заявленная длина контекста — 256 тысяч токенов. Текстовые линейные слои и embeddings квантованы в 4-битный формат MLX с группами по 32 значения; визуальный энкодер, мультимодальный проектор, lm_head и нормализации сохранены в fp16. Это позволяет запускать крупную мультимодальную модель на Apple Silicon, сохраняя изображениевходный тракт в исходной точности. Репозиторий использует формат safetensors и библиотеку MLX. Модель подходит для диалога и ответов на вопросы об изображениях. README описывает проверку восстановления квантованных весов, но не приводит сравнительных оценок качества; результат квантования может отличаться от исходной модели. Лицензия — Apache-2.0.

moondream1 — компактная мультимодальная модель с 1,6 млрд параметров, созданная Vikhyatk на основе SigLIP и Phi-1.5 и обученная на датасете LLaVA. Она принимает изображения и текстовые вопросы и генерирует текстовые ответы о содержимом изображения, например распознаёт надпись на обложке книги. В карточке приведены результаты на VQAv2, GQA и TextVQA; модель показывает более низкие результаты, чем LLaVA-1.5 в приведённых сравнениях, особенно на TextVQA. Выпущена для исследовательских целей; коммерческое использование запрещено.

Moondream — компактная плотная модель для обработки изображений и текста, разработанная командой Moondream. Этот репозиторий содержит выпуск от 14 апреля 2025 года; модель предназначена для эффективной работы на широком спектре устройств и сценариев. Она принимает изображение вместе с текстовым запросом и формирует текстовый ответ, поэтому подходит для вопросов об изображениях и других задач визуально-языкового взаимодействия. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит размер модели, поддерживаемые языки и подробные сведения о качестве или ограничениях, поэтому эти характеристики нельзя уточнить по имеющимся данным.

OpenMed разработала OpenMed-PII-Vietnamese-SuperClinical-Base-184M-v1 — модель на базе DeBERTa для классификации токенов и обнаружения персональных данных во вьетнамском тексте. Она выделяет 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Модель предназначена для деидентификации клинических записей и документов, подготовки наборов данных к исследованиям и поддержки аудита конфиденциальности. Модель дообучена на microsoft/deberta-v3-base, имеет около 211,6 млн параметров и контекст до 512 токенов. Для обучения использовались многоязычный набор AI4Privacy, данные NVIDIA Nemotron-PII для генерации синтетических примеров и синтетические вьетнамские данные. В карточке приведён показатель Micro F1 0,7343 на тестовой выборке, составленной из AI4Privacy и синтетических данных. Модель выпущена по лицензии Apache-2.0. Модель ориентирована на вьетнамский язык; качество на других языках может быть ниже. Она может пропускать чувствительные данные, а результаты на специализированной терминологии могут меняться, поэтому для критичных сценариев требуется проверка человеком.

OpenMed-PII-Vietnamese-SuperClinical-Small-44M-v1 — модель OpenMed на базе DeBERTa V3 Small, дообученная для токенной классификации и обнаружения 54 типов персональных и чувствительных данных во вьетнамском тексте. Она принимает текст и размечает сущности, включая имена, адреса, идентификаторы, медицинские записи, контактные и финансовые сведения; модель предназначена для деидентификации клинических заметок и документов, подготовки наборов данных и аудита конфиденциальности. Контекст модели составляет 512 токенов, формат весов — safetensors, лицензия — Apache-2.0. В README приведена оценка F1 0,7305 на вьетнамском тестовом наборе AI4Privacy и синтетических данных. Модель лучше всего подходит для вьетнамских текстов; пропуски чувствительных данных возможны, поэтому результаты в важных сценариях следует проверять человеком.

mlx-community/Qwen3.5-0.8B-8bit — это 8-битная версия модели Qwen3.5-0.8B в формате MLX, предназначенная для запуска с использованием библиотеки mlx-vlm. Модель преобразована сообществом mlx-community из Qwen/Qwen3.5-0.8B с помощью mlx-vlm версии 0.3.12; базовая модель указана как Qwen/Qwen3.5-0.8B-Base, а разработчиком исходной модели является команда Qwen. Модель относится к классу image-text-to-text и предназначена для задач, в которых требуется генерировать текст на основе изображения и текстового запроса, например описывать изображения. В README не указаны точная архитектура, число параметров исходной модели, поддерживаемые языки, размер контекстного окна и другие характеристики. Также не приведены сведения о специальных сильных сторонах и ограничениях, поэтому их нельзя достоверно оценить по имеющимся данным. Модель распространяется по лицензии Apache-2.0.

ggml-org/Qwen3.5-0.8B-GGUF — это квантизированная модель в формате GGUF, автоматически преобразованная из исходной модели Qwen/Qwen3.5-0.8B с использованием инструментов ggml-org. В карточке указано, что модель относится к классу image-text-to-text и предназначена для задач, где на вход подаются изображения и текст, а на выходе генерируется текст. Запуск предусмотрен через llama.app и команду llama serve. Известно, что модель имеет размер 0,8 млрд параметров в исходной версии, однако конкретный вариант квантования, архитектура, поддерживаемые языки, длина контекста и точные мультимодальные возможности в README не указаны. К потенциальным сильным сторонам относятся компактный размер и использование формата GGUF, удобного для локального запуска; ограничения связаны с небольшим числом параметров и отсутствием подробных данных о качестве, производительности и поддерживаемых сценариях. Модель распространяется по лицензии Apache-2.0. Исходная модель доступна в репозитории Qwen/Qwen3.5-0.8B.

Rishu11277/Qwen3.5-2B-mlx-fp16 — мультимодальная модель семейства Qwen3.5 с 2 млрд параметров, основанная на Qwen/Qwen3.5-2B. Карточка указывает преобразование весов для работы в формате MLX; метаданные классифицируют модель как дообученную относительно базовой модели и указывают архитектуру Qwen3_5ForConditionalGeneration. Модель предназначена для диалогов и задач понимания изображений с текстовым ответом. Репозиторий рассчитан на использование с библиотекой mlx-lm версии 0.31.2. Лицензия — Apache-2.0. Ограничения возможностей сверх указанных карточкой не описаны.

Это GGUF-сборка MXFP4-квантования модели jamiefutch/Qwopus3.6-35B-A3B-v1-MTP-MXFP4_MOE-GGUF, основанная на дообученной Jackrong/Qwopus3.6-35B-A3B-v1. Она предназначена для диалогов с анализом изображений; в README указана версия с multi-token prediction (MTP), рассчитанная на ускорение генерации при использовании llama.cpp и соответствующих настроек спекулятивного декодирования. Базовая модель относится к мультимодальным MoE-моделям семейства Qwen3.5. В репозитории представлены варианты MXFP4 для весов MoE с остальными тензорами в BF16, F16 или Q8; README приводит размеры от 19,71 до 21,39 GiB и отмечает компромисс между качеством, скоростью и требованиями оборудования. Модель принимает текст и изображения и выдаёт текст. Данные не сообщают поддерживаемые языки или длину контекста. Лицензия в предоставленных сведениях не указана.

Ristretto-3B — компактная визуально-языковая модель, представленная разработчиками LiAutoAD. Она принимает изображения и текстовые запросы и формирует текстовые ответы, в том числе в диалоговом режиме. Архитектура Ristretto поддерживает динамическое число визуальных токенов: их количество можно адаптировать к задаче. В метаданных указаны архитектура Ristretto, размер базовой языковой модели Qwen2.5-3B-Instruct и поддержка английского и китайского языков. Модель предназначена для вопросов об изображениях и других сценариев, где нужно совместно обрабатывать визуальный материал и текст. В приведённой в README оценке Ristretto-3B превосходит указанные модели сравнения на MMBench-TEST-avg и MMStar, но уступает им на MMMU-VAL; результаты получены с VLMEvalKit, а сравнения взяты из OpenCompass. Модель собрана с использованием Qwen/Qwen2.5-3B-Instruct и google/siglip2-so400m-patch14-384; файлы опубликованы в формате safetensors. Лицензия — Apache-2.0.

SmolVLM2-500M-Video-Instruct-GGUF — компактная мультимодальная instruct-модель семейства SmolVLM2, разработанная HuggingFaceTB и представленная в формате GGUF компанией Second State Inc. Модель предназначена для обработки текстовых запросов вместе с визуальными данными; в карточке указана поддержка английского языка и сценарии image-text-to-text. Название модели также указывает на работу с видео, однако подробности о поддерживаемых видеовходах в README не приведены. Размер исходной модели составляет 500 млн параметров. Доступны варианты квантования от Q2_K до Q8_0, а также версия f16; объём файлов варьируется от 245 МБ для Q2_K до 820 МБ для f16. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5_K_M или Q5_K_S как компромисс между размером и качеством. Более агрессивное квантование уменьшает требования к памяти, но приводит к заметной потере качества. Модель рассчитана на локальный запуск через LlamaEdge версии 0.21.0 и выше с использованием llama.cpp-совместимых GGUF-файлов. Указан размер контекста 2048 токенов и специальный шаблон prompt type smol-vision; для мультимодальной обработки требуется отдельный файл mmproj в формате f16. README не содержит подробных сведений о конкретных задачах, архитектуре, точной поддержке видео и ограничениях качества, поэтому эти характеристики нельзя определить по доступным данным. Лицензия — Apache 2.0.

Карточка модели Alluci/alluci-polytope-gemma-4-31b-bf16 на Hugging Face совпадает с карточкой mlx-community/gemma-4-31b-bf16, поэтому описание составлено по ней. 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.

BERTc-165M-CSC — модель Ismantic для исправления орфографических ошибок в китайском тексте. Она дообучена на базе BERTc-165M и использует архитектуру с двумя головами: одна предсказывает правильный иероглиф в каждой позиции, другая определяет наличие ошибки; веса головы коррекции связаны с эмбеддингами токенов. Модель содержит 164,6 млн параметров, принимает текст и рассчитана на контекст до 1024 токенов. Модель подходит для автоматической коррекции китайских предложений и пакетной обработки списков предложений. Она заменяет символы на тех же позициях, не исправляет ошибки вставки или удаления символов. При выводе используется только голова коррекции, поэтому обнаружение ошибки не гарантирует, что модель предложит правильную замену. Порог уверенности позволяет отклонять сомнительные исправления, но не может добавить вариант, которого нет среди предсказаний головы коррекции. На 707 примерах официального теста SIGHAN-15 автор сообщает F1 на уровне целого предложения 0,8333 при пороге 0,7. Лицензия модели — Apache-2.0; лицензии обучающих данных определяются условиями соответствующих датасетов.

Nulute/chudbot-coal-0.3 — дообученная модель Nulute на базе unsloth/Qwen3.5-2B, созданная с помощью Unsloth и библиотеки Hugging Face TRL. Это плотная мультимодальная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, предназначенная для диалогов и задач image-text-to-text: она принимает текст и изображения и формирует текстовые ответы. В метаданных также заявлен интерфейс вызова инструментов. Модель может подойти для вопросов по изображениям и диалоговых сценариев с визуальным контекстом. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает результаты оценки качества или специальные области применения модели.

mondk/claude-qwen3.vl.8b — дообученная мультимодальная модель на основе unsloth/Qwen3-VL-8B-Instruct-unsloth-bnb-4bit. Она предназначена для диалоговых задач с изображениями и текстом; в метаданных также заявлен интерфейс вызова инструментов. Архитектура — плотная Qwen3-VL с 8 млрд параметров в базовой модели; репозиторий содержит веса safetensors. README упоминает связанный GGUF-репозиторий mondk/claude.sonnet5-base.qwen3-VL-8b-it, но не уточняет его отношение к текущей модели. Модель может подойти для вопросов об изображениях и мультимодального диалога на английском языке. Она распространяется по лицензии Apache-2.0. Карточка не описывает специализацию дообучения и не приводит оценок качества, поэтому конкретные преимущества и ограничения сверх указанных возможностей определить нельзя.

Это версия DiffusionGemma 26B A4B Instruct, подготовленная сообществом mlx-community для запуска в формате MLX на устройствах Apple с помощью библиотеки mlx-vlm. Репозиторий преобразован из google/diffusiongemma-26B-A4B-it; в метаданных модель отнесена к семейству diffusion_gemma и архитектуре DiffusionGemmaForBlockDiffusion, а файлы представлены в формате safetensors. Модель предназначена для диалогового взаимодействия с текстовыми и графическими входами и выдачи текстовых ответов. Карточка рекомендует использовать mlx-vlm; подробности о возможностях, языках и ограничениях следует сверять с исходной карточкой Google. Лицензия репозитория — Apache 2.0.

Huihui-Qwen3-VL-32B-Instruct-abliterated — дообученная модель Huihui AI на основе Qwen/Qwen3-VL-32B-Instruct. Это плотная мультимодальная модель на 32 млрд параметров для диалога с текстом и изображениями; поддерживает визуальный анализ, а каталог также указывает интерфейс вызова инструментов. При модификации изменена только текстовая часть модели: снижены отказы на запросы, связанные с анализом изображений, при этом визуальная часть не обрабатывалась. Модель подходит для описания и анализа изображений, ответов на вопросы о визуальном содержимом и обычного диалога. В карточке указаны библиотека Transformers и формат весов Safetensors. Контекстное окно и конкретный перечень поддерживаемых языков в предоставленных данных не описаны. Лицензия — Apache-2.0. Уменьшенная фильтрация безопасности повышает вероятность чувствительных или спорных ответов, поэтому результаты следует проверять.

Janus-Pro-7B-i1-GGUF — квантованная версия мультимодальной модели Janus-Pro-7B, разработанной командой DeepSeek и распространяемой в формате GGUF пользователем mradermacher. Модель предназначена для задач, связанных с обработкой изображений и текста, включая мультимодальные сценарии и text-to-image. Указан английский язык. Размер базовой модели — 7B параметров; сведения о точной архитектуре и размере контекста в README не приведены. Репозиторий содержит набор вариантов квантования с разными типами и размерами — примерно от 1,8 до 5,8 ГБ. Это позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством; для некоторых вариантов отдельно отмечены низкое качество, высокая скорость или оптимальный баланс. Поскольку это vision-модель, для работы могут потребоваться дополнительные mmproj-файлы из статического репозитория. К ограничениям относятся неизбежная потеря качества на наиболее агрессивных вариантах квантования, а также отсутствие в README подробных результатов оценки, описания поддерживаемых языков сверх английского и технических сведений о контекстном окне. В метаданных указана лицензия MIT, название лицензии — deepseek.

LFM2.5-2.6B-RLCD — экспериментальный inference-пакет сообщества на базе LiquidAI/LFM2.5-2.6B, разработанный для быстрого выбора из конечного набора вариантов и формирования типизированного JSON. Он использует Parallel Constrained Decoding: один раз обрабатывает общий контекст, параллельно оценивает допустимые ответы и сериализует результат в Python. Веса базовой модели не изменены; обучение, квантизация и сохранение модифицированных весов не выполнялись. Базовая модель — плотная авторегрессионная текстовая модель семейства LFM2 с 2,6 млрд параметров и контекстом 131 072 токена. README описывает многоязычную поддержку, включая русский, английский, арабский, китайский, французский, немецкий, хинди, индонезийский, итальянский, японский, корейский, польский, португальский, испанский, тайский и вьетнамский. Подход предназначен для классификационных решений по заданным вариантам и структурированного извлечения данных; это не универсальная генерация свободного текста. В небольшом тестировании на разработческих примерах token PCD был быстрее прямого авторегрессионного вывода, однако точность составила 72,2% на шести новых проверочных случаях, не достигла производственного порога, а вероятности не калиброваны. Модель не следует применять для автоматизации решений без проверки на собственных размеченных данных; README также не рекомендует её для агентного программирования и задач, требующих обширных знаний. Лицензия указана в метаданных как other, поэтому условия использования следует проверить в карточке репозитория.

LibreGemma4e2b-i1-GGUF — это квантованное представление vision-language модели LibreGemma4e2b, разработанной LibreYOLO и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для задач, сочетающих обработку текста и изображений, включая сценарии image-text-to-text и object detection. В карточке указано, что поддерживается английский язык и используется библиотека Transformers. Точные сведения об архитектуре, размере исходной модели, максимальном контексте и поддерживаемых модальностях не приведены; известно лишь, что это vision-модель. Репозиторий содержит варианты квантования i1 с типами Q2_K, Q3_K, IQ3, IQ4, Q4–Q6 и другими, размером примерно от 3,1 до 3,9 ГБ. В README отмечается компромисс между размером, скоростью и качеством: Q4_K_M рекомендован как быстрый вариант, а IQ-кванты могут быть предпочтительнее сопоставимых по размеру стандартных вариантов. Для работы с изображениями могут потребоваться дополнительные файлы mmproj из статического репозитория. Ограничениями являются потеря качества при низких уровнях квантования и отсутствие подробных данных о результатах тестирования, контекстном окне и поддерживаемых языках помимо английского. Модель и производные файлы распространяются по лицензии Apache-2.0.

LLaVA-v1.5-13B-DPO — мультимодальная модель на базе архитектуры LLaVA, разработанная Shengzhi Li (TIFIN), Rongyu Lin (KAUST) и Shichao Pei (University of Massachusetts Boston). Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlavaLlamaForCausalLM и рассчитана на контекст до 4096 токенов. Модель предназначена для задач, где нужно совместно учитывать изображение и текст: ответов на вопросы об изображениях, создания подписей и выполнения мультимодальных инструкций. Для улучшения следования инструкциям применён метод Direct Preference Optimization (DPO) и набор предпочтений для VQA из 6 тысяч примеров. В README сообщается об улучшениях на ряде мультимодальных бенчмарков относительно базовых моделей. Обучающий набор сравнительно мал, поэтому качество может снижаться на задачах и изображениях, которые слабо представлены в данных или не охвачены оцениванием. Разработчики также отмечают возможные смещения обучающих данных и ограничения при использовании в чувствительных сценариях. Лицензия в предоставленных материалах не указана.

Карточка модели arkananta27/Ministral-3B-All-PAD-vllm на Hugging Face совпадает с карточкой arkananta27/Ministral-3B-All-PAD, поэтому описание составлено по ней. arkananta27/Ministral-3B-All-PAD — дообученная модель семейства Mistral3, разработанная arkananta27 на основе aitf-komdigi/KomdigiITS-3B-PAD-CPT. Она предназначена для диалоговых сценариев с изображениями и текстом: принимает мультимодальный ввод и формирует текстовый ответ. Модель имеет плотную архитектуру Mistral3ForConditionalGeneration; веса опубликованы в формате safetensors. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Репозиторий распространяется по лицензии Apache-2.0. В карточке не приведены оценки качества или подробности о поддерживаемых языках и ограничениях применения.

OpenMed разработала эту модель для выявления и классификации персональных и других чувствительных данных в немецком тексте. Это дообученная модель DeBERTa V3 Small для классификации токенов: она размечает 54 типа сущностей, включая имена, адреса, идентификаторы, медицинские записи, контактные и финансовые сведения. Модель рассчитана на поиск таких данных в клинических заметках, медицинских документах и других текстах, чтобы поддерживать обезличивание, подготовку данных и проверки приватности. В README сообщается о Micro F1 0,9591 на немецкой части набора AI4Privacy. Метаданные указывают 155 млн параметров, контекст до 512 токенов и формат safetensors; README отдельно называет размер 44 млн параметров, поэтому размер в источниках расходится. Модель оптимизирована для немецкого языка. Лицензия — Apache-2.0. Модель служит вспомогательным инструментом: она может пропускать чувствительные данные, а качество зависит от предметной области и контекста. Для критичных сценариев результаты следует проверять вручную; для языков, кроме немецкого, качество не гарантируется.

Oryn-v1 — дообученная мультимодальная модель на архитектуре Qwen2-VL, разработанная ohyeahmman. Она принимает текст и изображения и предназначена для диалоговых задач с визуальным вводом, например для ответов на вопросы об изображениях. Модель основана на unsloth/qwen2-vl-7b-instruct-unsloth-bnb-4bit; при обучении использовались Unsloth и библиотека TRL от Hugging Face. Модель распространяется в формате Safetensors по лицензии Apache-2.0. В карточке не приведены конкретные результаты оценки или подробности о поддерживаемых языках за пределами английского, поэтому качество на других языках и в специализированных сценариях не подтверждено.

guille-mas/Qwen3.5-4B-mlx-fp16 — конвертированная в формат MLX версия мультимодальной модели Qwen3.5-4B. Она предназначена для диалогов и задач понимания изображений с генерацией текстовых ответов. Модель использует плотную архитектуру Qwen3.5 с 4 млрд параметров и поддерживает ввод текста и изображений. Репозиторий создан на основе Qwen/Qwen3.5-4B и конвертирован с помощью mlx-lm версии 0.31.2. Весы представлены в формате safetensors и точности FP16; лицензия — Apache-2.0. Модель подходит для запуска через MLX и сценариев визуального диалога.

QwENDEAVR-VL — мультимодальная модель на основе Qwen2-VL, опубликованная prakcoin и дообученная от unsloth/qwen2-vl-7b-instruct-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL от Hugging Face. Модель поддерживает диалоговый режим и принимает текст вместе с изображениями, чтобы отвечать на запросы о визуальном содержимом. Модель с плотной архитектурой Qwen2-VL насчитывает 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке указана лицензия Apache-2.0. Данные о специализированной области применения и результатах оценки качества не приведены.