I.4Обработка документов и форм

Stockmark-DocReasoner-Qwen2.5-VL-32B — мультимодальная модель Stockmark Inc., дообученная на базе Qwen2.5-VL-32B-Instruct для понимания и анализа японских документов, особенно в производственной отрасли. Она принимает изображения документов и текстовые запросы, а в ответ формулирует текст с рассуждениями и извлечённой информацией. Модель предназначена для работы с технической документацией, инженерными чертежами, экспериментальными отчётами, деловыми документами, таблицами, графиками и схемами. Она поддерживает диалог и визуальный анализ, а карточка указывает контекст до 128 000 токенов. Для запуска в Transformers требуется версия 4.49.0 или новее; также описан запуск через vLLM. Модель содержит 32 млрд параметров и распространяется в формате safetensors по лицензии Apache-2.0. Её специализация на японских производственных и деловых документах ограничивает применимость за пределами этих сценариев; опубликованные в README таблицы результатов оценки опущены, поэтому численные показатели качества здесь не приводятся.

Veridex-QA-cuad-deberta-v3 — англоязычная модель извлечения ответов для поиска положений, связанных с рисками, в коммерческих договорах. Её разработали для сервиса Veridex; модель дообучена полным fine-tuning Microsoft DeBERTa-v3-base на наборе CUAD с экспертной разметкой юристов. Архитектура — DeBERTa-v2 для вопросно-ответной задачи, размер — 211,6 млн параметров, контекст — 512 токенов. На вход подаются текст договора и вопрос о категории положения; на выходе модель выделяет точный фрагмент текста или воздерживается от ответа, если положение не найдено. Она предназначена для предварительной проверки договоров поставки, дистрибуции, лицензирования, обслуживания, NDA и соглашений с аффилированными лицами: помогает находить, например, условия расторжения, ограничения ответственности, автопродления, эксклюзивности и смены контроля. Для обработки длинных договоров README рекомендует скользящие окна. Модель показала F1 87,06 и exact match 83,98 на тестовой выборке CUAD, однако результат зависит от категории: похожие формулировки могут путаться, а основной тип ошибки — ложные срабатывания. Она рассчитана только на англоязычные договоры, основанные на коммерческих соглашениях США; другие языки, юрисдикции и стили договоров не проверялись. Это инструмент первичного отбора, а не юридическая консультация или основание для самостоятельного принятия договорных решений. Лицензия — CC BY 4.0.

VL-Rethinker-7B — мультимодальная модель TIGER-Lab для ответов на текстовые запросы с учётом изображений и рассуждений по визуальному содержимому. Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct методами GRPO-SSR и Forced Rethinking с использованием набора ViRL39K, подготовленного для мультимодальных рассуждений. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров, поддерживает контекст до 128 000 токенов и рассчитана прежде всего на визуальные вопросы и другие задачи мультимодального reasoning. В README заявлены высокие результаты на мультимодальных бенчмарках, но конкретные показатели здесь не приведены. Модель распространяется по лицензии Apache-2.0.

Azra 1-Mini 0.8B — компактная визуально-языковая модель OttomanNLP для распознавания османско-турецкого текста на изображениях. Она основана на архитектуре Qwen3.5-Vision и содержит около 0,8 млрд параметров. Модель предназначена для транскрипции печатного и каллиграфического письма насих, а также рукописного письма рика. Модель дообучена для распознавания текста на уровне строки и рассчитана на сценарии, где изображения страниц предварительно разделены на строки. В README приведены результаты сравнительных оценок на наборах для обоих видов письма; заявленное преимущество особенно заметно на рукописном рика. Для целых страниц без предварительной обрезки строк точность может быть ниже. Модель распространяется по лицензии Apache-2.0.

BERTc-315M-CSC — модель для исправления орфографических ошибок в китайском тексте, дообученная на базе BERTc-315M. Она использует два выхода: один предсказывает замену символа в каждой позиции, второй определяет наличие ошибки и служит вспомогательным сигналом при обучении. При применении исправления используются предсказания первого выхода. Модель рассчитана на замену символов без изменения длины текста: она не исправляет пропуски и лишние символы. В модели 316,4 млн параметров, она принимает китайский текст и выдаёт исправленный текст. В README приведены результаты оценки на 707 примерах SIGHAN-15: F1 на уровне предложений 0,8388, точность 0,8472 и precision 0,9461. Порог коррекции по умолчанию равен 0,7; его снижение повышает полноту, а повышение — точность, но порог не помогает, если правильный вариант не попал в предсказания модели. Модель реализована на PyTorch, веса доступны в формате safetensors. Лицензия — Apache-2.0; лицензии обучающих наборов данных следует проверять отдельно.

Bienvenu2004/donut-handball-pv4 — модель архитектуры VisionEncoderDecoder, дообученная автором на основе Bienvenu2004/donut-handball-pv3 для преобразования изображений в текст. В карточке указано дообучение на наборе данных imagefolder, но конкретное назначение для изображений гандбольных PV4 и содержание целевого текста не раскрыты. Модель принимает изображения и выдаёт текст. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Подтверждённых сведений о размере модели, длине контекста, поддерживаемых языках и результатах оценки нет.

mlx-community/gemma-3-4b-it-bf16 — конверсия Gemma 3 4B IT в формат MLX для запуска с mlx-vlm. Исходная модель разработана Google; это плотная мультимодальная модель, принимающая текст и изображения и генерирующая текстовые ответы в диалоговом режиме. Её можно использовать для вопросов по изображениям, описания визуального содержимого и обычного общения с моделью. В карточке указана совместимость с mlx-vlm версии 0.1.17. Модель основана на google/gemma-3-4b-pt и относится к семейству Gemma 3; сведения карточки также указывают лицензию Gemma. В README сказано, что веса конвертированы в формат MLX из google/gemma-3-4b-it, тогда как метаданные связывают их с google/gemma-3-4b-pt; поэтому точное происхождение версии instruct неоднозначно. Для подробных характеристик, включая контекст и языковую поддержку, карточка отсылает к исходной модели.

mlx-community подготовила Gemma 4 26B A4B Instruct в формате MLX для запуска через mlx-vlm. Это мультимодальная модель семейства Gemma 4 с архитектурой Gemma4ForConditionalGeneration и поддержкой диалогового взаимодействия и изображений. Она принимает текст и изображения и формирует текстовые ответы, поэтому подходит для визуальных вопросов и чата с изображениями. В метаданных указан английский язык; размер параметров, длина контекста и лицензия в доступных данных не приведены. Суффикс QAT указывает на обучение с учетом квантования, а bf16 — на формат весов; сведений о точном способе получения этой версии и её базовой модели нет.

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.

InfiMM-Zephyr — визуально-языковая модель, разработанная Институтом автоматизации Китайской академии наук и ByteDance как открытая реализация подхода Flamingo. Она предназначена для диалога о изображениях, генерации описаний и ответов на вопросы по визуальному содержимому. Архитектура объединяет Zephyr-7B-beta, визуальный кодировщик EVA CLIP и модуль Cross Attention; данные изображений и текста обрабатываются через Perceiver Resampler. Модель принимает изображения и текст, а генерирует текст на английском языке; в метаданных указан контекст 1024 токена. Модель обучалась на смешанных наборах веб-документов с чередованием изображений и текста, пар изображение—текст и данных для визуальных вопросов и ответов. Разработчики отмечают бета-статус, а также частичную доступность обучающих данных из-за истёкших ссылок на изображения. Лицензия описана в разделе License карточки, но её условия в доступных сведениях не приведены.

InternVL3.5-1B-Flash — компактная мультимодальная диалоговая модель OpenGVLab из семейства InternVL3.5. Это дообученная версия InternVL3_5-1B; в карточке указаны архитектура InternVLChatModel и формат весов safetensors. Модель принимает текст и изображения и формирует текстовые ответы. Она предназначена для диалога по изображениям и текстовым запросам, включая визуальные вопросы, анализ содержимого изображений и мультимодальные задачи на рассуждение. Семейство InternVL3.5 также описано как поддерживающее взаимодействие с графическим интерфейсом и embodied-сценарии, однако карточка не подтверждает отдельно эти возможности для версии 1B-Flash. Семейство использует каскадное обучение с подкреплением и маршрутизатор разрешения визуальных токенов; для эффективного развёртывания описано разделение обработки зрения и языка между серверами. В метаданных указана поддержка нескольких языков, но конкретные языки и размер контекста не приведены. Модель распространяется по лицензии Apache-2.0.

LFM2.5-VL-450M-GGUF — мультимодальная vision-language модель, разработанная компанией Liquid AI. Она предназначена для задач «изображение—текст», включая анализ изображений и ответы на вопросы о визуальном содержимом, с ориентиром на edge AI и локальное развертывание на устройствах. Модель совместима с llama.cpp и поддерживает добавление изображений в диалог. Модель поставляется в формате GGUF и является версией базовой модели LiquidAI/LFM2.5-VL-450M. Заявлены высокая скорость работы и экономичное использование памяти, однако точные сведения об архитектуре, размере контекста, количестве параметров и поддерживаемых визуальных возможностях в карточке не приведены. Указаны языки: английский, японский, корейский, французский, испанский, немецкий, арабский и китайский. Модель распространяется по лицензии lfm1.0; подробные условия доступны в файле LICENSE. Для запуска рекомендуется использовать llama.cpp с параметрами, указанными в карточке модели.

AvoCahDoe/llava-1.5-13b-rlmpq-aggressive — производная мультимодальная чат-модель на архитектуре LLaVA 1.5, основанная на llava-hf/llava-1.5-13b-hf. Она принимает изображения и текстовые инструкции, чтобы отвечать на вопросы о содержимом изображений и описывать их. В репозитории представлены артефакты оценки варианта RL-MPQ Aggressive со средним уровнем 3,75 бита; метаданные указывают формат safetensors и библиотеку Transformers. В сравнении README вариант RL-MPQ Aggressive получил средний результат 56,22 на наборах MMMU, MMBench и ScienceQA против 56,78 у FP16-базовой модели и 56,16 у INT4-варианта. Это результаты указанного сравнения, а не гарантия качества на других данных. Лицензия в метаданных обозначена как other; условия использования следует проверять в карточке модели и лицензии базовой модели.

Карточка модели mludenyo/llava-1.5-7b-hf на Hugging Face совпадает с карточкой llava-hf/llava-1.5-7b-hf, поэтому описание составлено по ней. 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.

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.

Iniakunryan/ministral-vlm-pad-sft-merged-test — дообученная модель Iniakunryan на базе aitf-komdigi/KomdigiITS-3B-PAD-CPT. Это плотная мультимодальная модель семейства Mistral3, предназначенная для диалогового взаимодействия с изображениями и текстом; поддерживает сценарии image-to-text и интерфейс вызова инструментов. Модель обучалась с использованием Unsloth и библиотеки TRL и распространяется в формате safetensors под лицензией Apache-2.0. Модель подойдёт для вопросов и ответов по изображениям и других диалоговых задач, где ответ формируется по визуальному и текстовому контексту. В метаданных указан английский язык. README не сообщает результаты оценки качества или конкретные ограничения, поэтому применимость к узким областям и надёжность ответов требуют отдельной проверки.

MobileVLM V2-7B — визуально-языковая модель семейства MobileVLM V2, разработанная на основе Vicuna-7B-v1.5 для готового к использованию развёртывания. В карточке указано, что семейство сочетает изменения архитектуры, обучение для мобильных визуально-языковых моделей и тщательно собранные данные; версия 7B основана на Vicuna-7B-v1.5. Модель предназначена для диалоговых сценариев, где нужно учитывать изображения и отвечать на текстовые запросы о них. Её можно использовать для описания изображений и ответов на вопросы по их содержимому. В метаданных указаны архитектура MobileLlamaForCausalLM, 6,6 млрд параметров, контекст 4096 токенов и формат PyTorch; авторский pipeline-тег — text-generation. Карточка приводит сравнения производительности отдельных моделей семейства, но не содержит отдельных результатов для версии 7B. Данные о поддерживаемых языках и конкретных ограничениях качества не приведены. Лицензия — Apache-2.0.

Nara-Qwen-3.5-2B — полное дообучение мультимодальной модели Qwen3.5-2B, подготовленное для транскрибации англоязычных архивных документов культурного наследия. По изображению страницы модель выдаёт построчную расшифровку печатного текста и рукописи в порядке чтения; целевые материалы — дела о пенсиях ветеранов Войны за независимость США, включая заполненные от руки бланки, каталожные карточки и американский курсив XVIII–XIX веков. Модель содержит около 2,2 млрд параметров, принимает изображения и текстовые инструкции, выдаёт текст и распространяется в формате safetensors. Для работы требуется отключить режим рассуждений через enable_thinking=False; автор также рекомендует repetition_penalty=1.1. На отложенной выборке из документов, отсутствовавших в обучении, модель показала micro CER 0,2688 и WER 0,3205; качество заметно хуже на разреженных каталожных карточках, где возможна чрезмерная расшифровка линий сетки. Это исследовательский артефакт для архивной транскрибации, а не универсальный OCR-сервис: модель обучена на одной англоязычной коллекции и может хуже работать с другими архивами, почерками, жанрами и эпохами. Имена и даты в её выводе требуют проверки человеком. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-PII-Italian-BiomedBERT-Base-110M-v1 — модель на архитектуре BERT для токенной классификации и обнаружения 54 типов персональных данных в итальянском тексте. Она дообучена на microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract и распространяется в формате safetensors через библиотеку Transformers. Модель насчитывает 136,7 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для выявления персональных и чувствительных данных, включая имена, адреса, идентификаторы, медицинские записи, контактные и финансовые сведения. Её можно применять для обезличивания итальянских клинических заметок и документов, подготовки наборов данных к исследованиям и аудита коллекций документов. В README приведён результат micro F1 0,9395 на итальянской части набора AI4Privacy PII Masking 400k. Модель рассчитана прежде всего на итальянский язык; на других языках качество может быть низким. Возможны пропуски сущностей, а точность зависит от предметной области, поэтому результаты требуют проверки человеком в критически важных сценариях. Лицензия — Apache-2.0.

OpenMed-PII-Italian-BiomedELECTRA-Large-335M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученная модель токеновой классификации на базе microsoft/BiomedNLP-BiomedELECTRA-large-uncased-abstract, построенная на архитектуре BERT; в метаданных указано 433,9 млн параметров, а длина контекста составляет 512 токенов. Модель размечает 54 типа чувствительной информации, включая идентификаторы, персональные и медицинские сведения, контакты, адреса, организации, финансовые и временные данные. Она предназначена для обезличивания клинических записей и документов, предварительной очистки наборов данных и поиска PII при аудите. В README сообщается о Micro F1 0,9583 на итальянской части набора AI4Privacy PII Masking 400k. Модель работает с текстом и возвращает метки для токенов. Она оптимизирована для итальянского языка, а качество на других языках и при специализированной терминологии может быть ниже; возможны пропуски PII, поэтому результаты в важных сценариях следует проверять человеком. Лицензия — Apache-2.0.

Qwen2.5-VL-3B-Abliterated-Caption-it-i1-GGUF — это квантованная GGUF-версия мультимодальной модели prithivMLmods/Qwen2.5-VL-3B-Abliterated-Caption-it, подготовленная mradermacher. Модель относится к классу vision-language models и предназначена для понимания изображений и генерации текстовых описаний, включая задачи image captioning и image-to-text. Модель имеет около 3 миллиардов параметров и поддерживает работу с текстом и изображениями. В README указано, что она ориентирована на английский язык. Доступны варианты квантования i1-IQ и i1-Q различных уровней, примерно от 0,9 до 2,1 ГБ, что позволяет выбирать компромисс между размером, скоростью и качеством; рекомендованным вариантом назван i1-Q4_K_M. Для работы с визуальными входными данными могут потребоваться отдельные mmproj-файлы из статического репозитория. К сильным сторонам относятся мультимодальное понимание, компактный размер и возможность локального запуска через GGUF-совместимые инструменты. Ограничения включают потенциальное снижение качества на низких уровнях квантования, а также отсутствие в представленном README сведений о размере контекстного окна, точной архитектуре, результатах оценки и поддерживаемых языках помимо английского. Лицензия в README не указана, поэтому условия коммерческого и иного использования необходимо уточнять отдельно.

Intel/Qwen3.8-27B-q2ks-AutoRound — квантованная версия мультимодальной модели Qwen/Qwen3.8-27B, созданная с использованием алгоритма Intel AutoRound и оптимального рецепта квантования. Модель распространяется в формате GGUF Q2_K_S и предназначена для запуска через llama.cpp с отдельным мультимодальным проектором mmproj-model.gguf. Модель ориентирована на задачи image-text-to-text: она принимает изображения и текстовые запросы и генерирует текстовые ответы, например описания изображений. README не содержит дополнительных сведений о точной архитектуре, количестве параметров базовой модели, поддерживаемых языках или размере контекстного окна. Ключевое преимущество — возможность локального запуска мультимодальной модели в компактном низкобитном формате; ограничением является возможная потеря качества из-за сильного квантования. Модель может генерировать фактически неверные, предвзятые, непристойные или иным образом оскорбительные ответы, поэтому перед использованием требуется проверка безопасности. Лицензия отдельно не указана: необходимо соблюдать лицензию исходной модели Qwen/Qwen3.8-27B и учитывать, что README не предоставляет юридических рекомендаций по коммерческому применению.

RLHF-V — мультимодальная большая языковая модель, разработанная авторами проекта RLHF-V и дообученная на базе Vicuna-13B. Она предназначена для ответов на вопросы по изображениям и выполнения коротких и развернутых инструкций с пониженным риском галлюцинаций. При обучении использованы наборы UniMM-Chat и RLHF-V-Dataset с детальными пользовательскими исправлениями отдельных фрагментов ответов; авторы применили метод Dense Direct Preference Optimization (DDPO). Модель содержит 12,9 млрд параметров, использует архитектуру BEiT-3/LLaVA с языковой частью на основе LLaMA и опубликована в формате PyTorch для Transformers. Модель рассчитана на англоязычные мультимодальные диалоги: принимает текстовые инструкции и изображения, а генерирует текстовые ответы. Авторы заявляют о низкой частоте галлюцинаций и устойчивости к чрезмерным обобщениям, но численные результаты в карточке не приведены. Лицензия — Apache-2.0.

senaro/atlas-v18-gemma4-26b — дообученная модель разработчика senaro на базе senaro/atlas-trm13-gemma4-26b, созданная с использованием Unsloth и библиотеки TRL от Hugging Face. Это плотная мультимодальная модель семейства Gemma 4 с архитектурой Gemma4ForConditionalGeneration, предназначенная для диалоговой работы с текстом и изображениями: она принимает текстовые запросы и изображения и формирует текстовые ответы. Карточка подтверждает поддержку английского языка и возможность использования в сценариях визуального чата. Модель распространяется под лицензией Apache-2.0.

Это дообученная модель DistilBERT, созданная на основе distilbert-base-uncased и набора данных eoir_privacy. Она классифицирует текстовые фрагменты, определяя, следует ли заменять имена псевдонимами, чтобы не раскрывать персональные или чувствительные сведения в публичных материалах иммиграционных судов EOIR. Модель принимает текстовый абзац и выдаёт решение о необходимости псевдонимизации. Модель построена на DistilBERT и обрабатывает последовательности длиной до 512 токенов. На оценочном наборе указаны accuracy 0,9053 и F1 0,8088. Модель обучена на данных EOIR Privacy и предназначена для применения как минимальный стандарт приватности; на данных вне обучающего распределения её результаты могут быть ненадёжными. Лицензия — Apache-2.0.

MLX-версия мультимодальной conversational-модели Gemma 4 26B-A4B-it, разработанной Google и конвертированной сообществом mlx-community из исходной модели google/gemma-4-26B-A4B-it. Модель предназначена для задач image-text-to-text: она принимает текстовые запросы и изображения и генерирует текстовые ответы, например описывает содержимое изображения. Формат MLX ориентирован на использование с инструментами mlx-vlm. Модель имеет размер 26B-A4B и представлена в 8-битном формате с весами Safetensors. В README не указаны поддерживаемые языки, максимальная длина контекста, точная архитектура, результаты оценки или перечень дополнительных мультимодальных сценариев. К сильным сторонам относятся мультимодальный conversational-сценарий, 8-битное представление и совместимость с MLX; ограничениями являются зависимость от экосистемы MLX/mlx-vlm и отсутствие подробных сведений о производительности и языковой поддержке. В карточке указана лицензия Apache 2.0, а также отдельная ссылка на лицензионные условия Gemma 4. Для запуска требуется пакет mlx-vlm и соответствующая MLX-совместимая среда.

mlx-community/gemma-4-26B-A4B-it-heretic-4bit — модель, преобразованная в формат MLX сообществом mlx-community на основе coder3101/gemma-4-26B-A4B-it-heretic. Конвертация выполнена с использованием mlx-vlm версии 0.4.4. Модель предназначена для запуска через mlx-vlm и поддерживает сценарии image-text-to-text, включая генерацию текстовых ответов по изображениям. Из README известно, что модель имеет 4-битное представление и относится к семейству Gemma 4; точный размер архитектуры, поддерживаемые языки и длина контекста не указаны. В тегах заявлены heretic, uncensored, decensored и abliterated, однако подробности этих модификаций и их влияние на качество и безопасность не описаны. Для работы требуется установка mlx-vlm; пример использования предполагает передачу изображения и текстового запроса. Модель распространяется по лицензии Apache-2.0, при этом README содержит ссылку на лицензию Gemma 4. Преимуществами являются MLX-формат и 4-битное представление, потенциально удобные для локального запуска на совместимом оборудовании Apple. Ограничения связаны с отсутствием подробных сведений о производительности, языках, контексте, требованиях к оборудованию и качестве исходной модели.

Ailexleon/Huihui-Qwen3.8-27B-abliterated-mlx-6Bit — мультимодальная модель, преобразованная в формат MLX из Huihui-Qwen3.8-27B-abliterated с использованием mlx-vlm версии 0.6.13. Модель предназначена для задач image-text-to-text, включая анализ и описание изображений с помощью текстовых запросов. В README указаны английский язык, архитектура семейства Qwen3.8 и размер 27B; модель использует 6-битное представление и рассчитана на запуск через MLX. Ключевое преимущество — адаптация крупной мультимодальной модели к экосистеме MLX, что может быть удобно для локального запуска на совместимом оборудовании Apple. В конфигурации по умолчанию установлен средний уровень усилий рассуждения. Контекстное окно, точный перечень поддерживаемых языков и количественные показатели качества не указаны, поэтому возможности за пределами заявленных image-text-to-text сценариев оценить нельзя. Модель распространяется по лицензии Apache-2.0.

OpenGVLab/InternVL3_5-1B-HF — мультимодальная модель семейства InternVL3.5 в формате Hugging Face Transformers. Это компактный вариант с плотной архитектурой InternVLForConditionalGeneration; по карточке метаданных он дообучен на OpenGVLab/InternVL3_5-1B-MPO. Модель принимает изображения и текстовые запросы и формирует текстовые ответы в диалоговом режиме. Модель предназначена для визуальных вопросов и ответов, интерпретации изображений и мультимодальных рассуждений. Семейство InternVL3.5 использует обучение Cascade RL для улучшения рассуждений и Visual Resolution Router для динамической настройки разрешения визуальных токенов; описание также упоминает поддержку взаимодействия с графическим интерфейсом и агентных сценариев для семейства. Модель распространяется по лицензии Apache-2.0. Карточка не приводит размер контекста и языки по отдельности, поэтому их нельзя уточнить для этого чекпойнта.

InternVL-Chat-ViT-6B-Vicuna-7B — мультимодальная чат-модель OpenGVLab для диалога по изображениям и визуальных вопросов. В основе — трансформерная авторегрессионная языковая модель, объединённая с визуальным энкодером InternViT-6B-224px и Vicuna-7B-v1.5; метаданные указывают 6,6 млрд параметров и контекст 4096 токенов. Модель принимает изображения и текстовые запросы и формирует текстовые ответы. Модель обучалась на парах изображение—текст, мультимодальных инструкциях, данных для визуальных вопросов и ShareGPT. Она предназначена для задач визуального восприятия, диалога по изображениям и ответов на вопросы о визуальном содержимом. В README модель позиционируется прежде всего для исследований мультимодальных моделей и чат-ботов; заявлена поддержка многоязычного содержимого в обучающих данных, но конкретный перечень поддерживаемых языков не приведён. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.