I.4Обработка документов и форм

Карточка модели LanguageBind/MoE-LLaVA-Phi2-2.7B-4e-384 на Hugging Face совпадает с карточкой LanguageBind/MoE-LLaVA-Qwen-1.8B-4e, поэтому описание составлено по ней. MoE-LLaVA-Qwen-1.8B-4e — мультимодальная модель семейства MoE-LLaVA, разработанная проектом LanguageBind. Она сочетает языковую модель Qwen с архитектурой смеси экспертов и предназначена для диалогового понимания изображений: модель принимает изображение и текстовый запрос и формирует текстовый ответ. В карточке она приведена как вариант MoE-LLaVA-1.8B×4-Top2; метаданные указывают 2,3 млрд параметров, контекст 8192 токена и формат PyTorch. README сообщает о результатах на наборах для визуальных вопросов и понимания изображений, включая VQAv2, GQA, VizWiz и MM-Bench. Модель доступна по лицензии Apache-2.0. Для работы README приводит требования к среде: Python 3.10 или новее, PyTorch 2.0.1, CUDA 11.7 или новее, Transformers 4.36.2 и Tokenizers 0.15.1.

SmolVLM2-256M-Video-Instruct-GGUF — квантованная модель в формате GGUF, основанная на SmolVLM2-256M-Video-Instruct от HuggingFaceTB. Версия подготовлена организацией ggml-org с помощью автоматической конвертации из исходной модели. Модель предназначена для задач image-text-to-text и сценариев, связанных с обработкой визуальных данных, включая видео, с генерацией текстовых ответов по инструкциям. Суффикс 256M указывает на компактный размер исходной модели, что может быть полезно для локального запуска на ограниченных ресурсах, однако README не содержит подробностей об архитектуре, поддерживаемых языках, длине контекста, точных модальностях и характеристиках качества. Для использования предлагается llama.app и команда llama serve. Модель распространяется по лицензии Apache-2.0.

theworld-spatial-from-cc3m-lm-actually-unfrozen — мультимодальная модель на базе Gemma 3 4B IT, дообученная для задачи image-text-to-text. Архитектура — плотная Gemma3ForConditionalGeneration; модель принимает изображения и текст и формирует текстовые ответы. В карточке указано, что она дообучена на неизвестном наборе данных, но назначение с уточнением пространственных возможностей не описано. Модель может подойти для экспериментов с ответами на вопросы по изображениям и другими сценариями преобразования изображений и текста в текст. Репозиторий содержит веса в формате safetensors и использует лицензию Gemma. Карточка не сообщает о качестве, длине контекста и конкретных ограничениях; условия лицензии Gemma следует учитывать при использовании.

Карточка модели LanguageBind/MoE-LLaVA-Phi2-2.7B-4e на Hugging Face совпадает с карточкой LanguageBind/MoE-LLaVA-Qwen-1.8B-4e, поэтому описание составлено по ней. MoE-LLaVA-Qwen-1.8B-4e — мультимодальная модель семейства MoE-LLaVA, разработанная проектом LanguageBind. Она сочетает языковую модель Qwen с архитектурой смеси экспертов и предназначена для диалогового понимания изображений: модель принимает изображение и текстовый запрос и формирует текстовый ответ. В карточке она приведена как вариант MoE-LLaVA-1.8B×4-Top2; метаданные указывают 2,3 млрд параметров, контекст 8192 токена и формат PyTorch. README сообщает о результатах на наборах для визуальных вопросов и понимания изображений, включая VQAv2, GQA, VizWiz и MM-Bench. Модель доступна по лицензии Apache-2.0. Для работы README приводит требования к среде: Python 3.10 или новее, PyTorch 2.0.1, CUDA 11.7 или новее, Transformers 4.36.2 и Tokenizers 0.15.1.

Monet-7B — предварительно обученная мультимодальная модель NOVAglow646 для исследования рассуждений в латентном визуальном пространстве за пределами изображений и языка. Она основана на Qwen/Qwen2.5-VL-7B-Instruct и дообучена; архитектура — плотная Qwen2.5-VL с 7,1 млрд параметров. Модель принимает текст и изображения и генерирует текст, поддерживает диалоговый режим и контекст длиной до 128 000 токенов. Модель предназначена для визуальных задач и экспериментов с рассуждениями по визуальным данным. Карточка ссылается на научную работу и пример инференса в GitHub, но не уточняет конкретные сценарии применения и результаты. Распространяется по лицензии MIT.

MQT-LLaVA-7b — открытый мультимодальный чат-бот, разработанный путём дообучения LLaMA/Vicuna на инструкционных данных, созданных GPT. Это авторегрессионная модель на архитектуре Transformer семейства LLaVA-LLaMA с 6,6 млрд параметров; она принимает изображения и текст и отвечает текстом. Длина контекста составляет 4096 токенов. Модель предназначена для исследований мультимодальных языковых моделей и чат-ботов, а также для экспериментов с компьютерным зрением и обработкой естественного языка. Обучающие данные включают пары изображение–текст, инструкции для мультимодальных задач, данные для визуальных вопросов и ответов и диалоги ShareGPT. Модель подходит для описания изображений и ответов на вопросы о них. В README указана открытая модель, но конкретная лицензия не приведена. Результаты зависят от обучающих данных и исследовательского характера модели; карточка не сообщает специальных гарантий качества или ограничений применения.

DeepSeek-V4.1-Flash-NVFP4 — это FP4-репаковка и квантизированная версия модели DeepSeek-V4.1-Flash, подготовленная LibertAI. Модель распространяется через Transformers и предназначена для сценариев image-text-to-text, то есть обработки задач, связанных с текстом и изображениями. Архитектура включает разреженные маршрутизируемые эксперты MoE, Engram-память, механизм MTP и визуальную часть; точное число параметров, поддерживаемые языки и размер контекста в предоставленных данных не указаны. Главная особенность репозитория — преобразование весов экспертов в формат NVFP4 без изменения восстановленных значений: проверка заявляет нулевые расхождения на 2,36 млрд элементов. При этом экспертная часть становится примерно на 5,75% больше из-за особенностей хранения масштабов. Таблицы Engram преобразованы из FP8 в FP4 и уменьшаются примерно со 189,1 до 97,6 GiB; для них заявлено среднее косинусное сходство около 0,9934, однако преобразование является lossy и не проверено полноценными тестами качества. Общий размер репозитория составляет около 399,9 GiB против 475,2 GiB у исходной модели, а трафик чтения Engram при декодировании уменьшается примерно вдвое. Модель ориентирована на совместимые с NVFP4/Blackwell MoE-ядрами среды и работу с большими объёмами памяти или NVMe, но не делает модель пригодной для небольших устройств: остальная часть чекпойнта занимает около 302,3 GiB. В README также отмечено, что для этой архитектуры пока нет работающего движка, поэтому практическая совместимость и влияние квантизации на качество не подтверждены. Лицензия — MIT.

Gemma3-4B-CVRR — исследовательский чекпойнт команды авторов работы «Reason Through the Latent! Making Latent Visual Reasoning Necessary», дообученный на основе Google Gemma 3 4B IT. Модель предназначена для ответов на вопросы об изображениях с помощью метода Causal Visual Recurrent Reasoning (CVRR): она многократно уточняет состояние вопроса, сохраняя доступ к визуальным данным, а при формировании ответа передаёт декодеру итоговое состояние рассуждения без прямого доступа к исходным визуальным представлениям. В репозитории находятся веса базовой модели и объединённый рекуррентный переход; отдельная загрузка LoRA-адаптера не требуется. Доступны строгий режим считывания по первому токену ответа и детерминированная генерация с greedy-декодированием. Для запуска нужен специальный загрузчик Transformers и зависимости из README. Загрузчик не поддерживает автоматическое распределение модели по GPU, сохранение через обычный save_pretrained(), а также прямую загрузку в vLLM или SGLang; рекомендуется закреплять ревизию Hub для воспроизводимости. Лицензия — Gemma.

Карточка модели LanguageBind/MoE-LLaVA-StableLM-1.6B-4e-384 на Hugging Face совпадает с карточкой LanguageBind/MoE-LLaVA-Qwen-1.8B-4e, поэтому описание составлено по ней. MoE-LLaVA-Qwen-1.8B-4e — мультимодальная модель семейства MoE-LLaVA, разработанная проектом LanguageBind. Она сочетает языковую модель Qwen с архитектурой смеси экспертов и предназначена для диалогового понимания изображений: модель принимает изображение и текстовый запрос и формирует текстовый ответ. В карточке она приведена как вариант MoE-LLaVA-1.8B×4-Top2; метаданные указывают 2,3 млрд параметров, контекст 8192 токена и формат PyTorch. README сообщает о результатах на наборах для визуальных вопросов и понимания изображений, включая VQAv2, GQA, VizWiz и MM-Bench. Модель доступна по лицензии Apache-2.0. Для работы README приводит требования к среде: Python 3.10 или новее, PyTorch 2.0.1, CUDA 11.7 или новее, Transformers 4.36.2 и Tokenizers 0.15.1.

JapanRailwaySimLLM — созданная galakenya специализированная языковая модель для работы со знаниями о железных дорогах Японии. Она основана на Gemma 4 E4B и дообучена, а также использует подход RAG для освоения железнодорожной тематики; в метаданных указана плотная архитектура семейства Gemma 4 и возможность диалогового взаимодействия. Модель предназначена для разработчиков, создателей и исследователей: она может помогать проектировать железнодорожные симуляторы и игры, отвечать на вопросы о японской железнодорожной системе и поддерживать тематические исследования. Основной язык карточки — японский; метаданные также отмечают английский. Размер указанной базовой модели — E4B; длина контекста в доступных данных не приведена. Модель генерирует текст по текстовым запросам. Она распространяется по условиям лицензии Gemma; при публичном распространении самих файлов модели, включая конвертированные версии, README требует указывать разработчика. Ответы могут быть ограничены качеством и охватом тематических знаний модели.

mmMamba-linear — мультимодальная авторегрессионная модель семейства mmMamba, разработанная авторами проекта mmMamba. Это вариант на основе Mamba-2, полученный дистилляцией модели HoVLE-2.6B; архитектура предназначена для обработки изображений и текста без отдельного визуального энкодера. Модель поддерживает диалоговый режим и доступна в формате safetensors для Transformers. Модель предназначена для ответов на вопросы об изображениях и других мультимодальных диалоговых сценариев. Авторы сообщают о конкурентных результатах относительно ряда визуально-языковых моделей и об эффективности при длинном контексте: в сравнении с HoVLE заявлены ускорение в 20,6 раза и снижение использования GPU-памяти на 75,8% при 103 тысячах токенов. Это результаты из карточки модели, а не независимая оценка. Для запуска README указывает зависимости PyTorch, Transformers и специализированные компоненты Mamba и CUDA. Лицензия — MIT. В карточке нет сведений о поддерживаемых естественных языках и числе параметров. Практическая применимость зависит от совместимости окружения с перечисленными библиотеками и доступности подходящего GPU.

Tanuki-8x8B-vision-exp — экспериментальная визуально-языковая модель, разработанная участниками проекта GENIAC Matsuo Lab. Она основана на LLaVA 1.5: использует языковую модель Tanuki-8x8B-dpo-v1.0 на промежуточной стадии обучения до постобучения и визуальный энкодер google/siglip-so400m-patch14-384. Модель предназначена для диалога и ответов на вопросы о содержимом изображений. В README указано, что обучение остановили до завершения первой эпохи из-за ограниченных вычислительных ресурсов; суффикс exp отмечает экспериментальный статус. Архитектура обозначена в метаданных как llava-jp MoE, число параметров — 7,2 млрд, контекст — 2048 токенов. Проект ориентирован на японские визуально-языковые данные, хотя точный список поддерживаемых языков не приведён. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0.

Bunny-v1.0-4B — компактная мультимодальная модель семейства Bunny, разработанная командой BAAI. Она сочетает визуальный энкодер SigLIP с языковой моделью Phi-3-Mini-4K-Instruct и предназначена для диалоговой работы с изображениями: пользователь может передать изображение и задать по нему вопрос, а модель сформирует текстовый ответ. Модель содержит 3,7 млрд параметров, использует плотную архитектуру BunnyPhi3ForCausalLM и рассчитана на контекст до 4096 токенов. Версия v1.0 принимает изображения; в README отмечено, что более поздняя Bunny-v1.1 поддерживает изображения высокого разрешения до 1152×1152, но это не характеристика данной версии. Весы доступны в формате safetensors. Лицензия — Apache-2.0. Модель рассчитана на сценарии визуальных вопросов и ответов и описания содержимого изображений. Её компактный размер подходит для локального запуска при наличии достаточной памяти, однако карточка не приводит количественных оценок качества или аппаратных требований. Контекст ограничен 4096 токенами.

Dahono-4B v0.8 — специализированная модель для юридического искусственного интеллекта, разработанная DahonoLabs. Она предназначена для анализа законодательства и юридических документов Республики Индонезия, правового рассуждения, проверки нормативных требований, регуляторного комплаенса и прикладных сценариев Legal AI и RegTech. Модель основана на Qwen/Qwen3.5-4B-Base и содержит около 4 млрд параметров. Заявлена поддержка мультимодального анализа изображений и документов, включая фотографии и сканы договоров, подписей и гербовых марок. Основной язык — индонезийский; модель обучалась на корпусах по индонезийскому праву, включая 5 000 образцов юридического рассуждения и 1 771 юридический термин. Для дообучения применялось Reasoning Reinforcement Learning с использованием Group Relative Policy Optimization (GRPO) и нескольких юридически ориентированных reward-функций. Размер контекстного окна в README не указан. К сильным сторонам относятся специализация на индонезийской правовой тематике, структурированное рассуждение, проверка юридических ссылок и работа с визуальными документами. В README приведены результаты тестирования на наборе Indonesian-Legal-Reasoning-QA, включая составную юридическую оценку 89,4%, точность цитирования 92,4% и показатель языковой чистоты 98,2%, однако их следует рассматривать как заявленные разработчиком результаты. Ограничениями являются узкая юрисдикционная специализация, небольшой по современным меркам размер и отсутствие в предоставленных данных подробностей о контекстном окне, архитектуре визуального модуля и независимой проверке качества. Модель распространяется под лицензией Apache 2.0. Доступны форматы Safetensors и GGUF, включая вариант квантования Q4_K_M.

KamilaMila/FastVLM-7B — мультимодальная модель семейства FastVLM, опубликованная KamilaMila на Hugging Face. Она принимает изображения и текстовые запросы и генерирует текстовые ответы в диалоговом формате; карточка показывает пример вопроса о содержимом изображения и описания изображения. В репозитории указана архитектура FastVlmForConditionalGeneration и около 8 млрд параметров, веса представлены в формате Safetensors. Модель предназначена для визуальных вопросов и ответов, описания изображений и диалогов с изображениями. Карточка не содержит достоверных сведений о языках, длине контекста, лицензии, дообучении и ограничениях, поэтому эти характеристики нельзя установить по доступным данным.

LLaVA-Lightning-MPT-7B-preview — исследовательская предварительная версия мультимодального чат-бота LLaVA, разработанная на базе контрольной точки MPT-7B-chat. Это авторегрессионная модель на архитектуре Transformer, дообученная на данных для следования мультимодальным инструкциям. Она принимает изображения и текстовые запросы и генерирует текстовые ответы, в том числе описания изображений и ответы на вопросы о визуальном содержимом. Модель предназначена для исследований мультимодальных языковых моделей и чат-ботов, а также для экспериментов с визуальным рассуждением. Для обучения использованы 558 тысяч пар изображение–текст из LAION/CC/SBU с подписями BLIP и 80 тысяч примеров мультимодальных инструкций, сгенерированных GPT. В README описаны предварительные оценки на визуальных вопросах по COCO и ScienceQA; результаты на ScienceQA приведены для связки с GPT-4. Модель выпущена в мае 2023 года. Для использования не требуется преобразование delta-весов; репозиторий содержит веса PyTorch. Лицензия — CC-BY-NC-SA 4.0, а README указывает, что использование должно соответствовать лицензии и условиям MPT-7B-chat. Карточка представляет её как research preview, поэтому результаты предварительных оценок не следует трактовать как гарантию качества.

open-llava-next-llama3-8b — открытый мультимодальный чат-бот Lin-Chen на архитектуре LLaVA с языковой частью LLaMA 3 8B и визуальным энкодером CLIP-L-336. Модель дообучена целиком на открытых данных Open-LLaVA-Next-mix1M, включая ShareGPT4V Mix665K, инструкции ALLaVA и наборы визуальных вопросов и ответов. Обучение завершено в мае 2024 года. Модель принимает изображения и текстовые запросы, а отвечает текстом. Она предназначена для диалога о содержимом изображений, визуальных вопросов и ответов и исследований мультимодальных чат-ботов; в README приведены результаты на нескольких тестах визуального понимания. Размер — 7,5 млрд параметров, контекст — 8192 токена. Лицензия — Apache-2.0. Карточка ориентирует модель на исследователей и энтузиастов компьютерного зрения, NLP и машинного обучения. Заявленные данные и описание не устанавливают конкретные языки поддержки или гарантии качества в прикладных сценариях; ответы могут содержать ошибки визуального распознавания или интерпретации.

EthioNLP/EthioLLM-l-70K — модель на базе XLM-RoBERTa Large, дообученная командой EthioNLP для предсказания пропущенных токенов. Она содержит 474,3 млн параметров, использует архитектуру XLM-RoBERTa для masked language modeling и принимает последовательности длиной до 514 токенов. В тегах модели указана поддержка амхарского, оромо, сомалийского, тигринья и геэзского языков. Модель подходит для восстановления пропусков и получения контекстных представлений слов на поддерживаемых языках. На оценочном наборе указано значение loss 2,4802, но README не описывает набор данных, методику оценки или конкретные сценарии применения. Лицензия — MIT.

MaTVLM_0_25_Mamba2 — компактная визуально-языковая модель из семейства TinyLLaVA, разработанная командой HustVL. Она заменяет часть слоёв Transformer-декодера предварительно обученной VLM слоями Mamba-2, инициализируя их весами соответствующих слоёв внимания, а затем использует дистилляцию от исходной VLM. Модель предназначена для диалоговых задач с изображениями и генерации ответов по визуальному содержимому. В README заявлены результаты, сопоставимые с моделью-учителем и существующими VLM, а также ускорение инференса до 3,6 раза и сокращение потребления GPU-памяти на 27,5% относительно учителя без потери качества. Файлы модели представлены в формате safetensors и рассчитаны на библиотеку Transformers. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки. Лицензия — MIT.

TrevorJS/Muse-Glimmer-30B-uncensored — производная версия мультимодальной модели Muse-Glimmer-30B, созданная методом abliteration: из текстового пути модели удалено поведение отказа. Это плотная модель с 52 слоями текстового декодера и отдельной башней компьютерного зрения ViT-G/14 на 1,9 млрд параметров; базовая модель содержит 29,6 млрд параметров. Модифицированы текстовые веса, а тензоры зрения скопированы без изменений. Модель предназначена для диалогов и задач «изображение—текст», включая ответы на вопросы по изображениям. В README приведены результаты проверки отказов на наборах вредоносных и безвредных запросов, однако оценка агентных навыков выявила отсутствие устойчивости к инъекциям в промпт и соблюдения заданных границ. Поддерживаются английский язык и входные изображения; для запуска требуется Transformers версии 5.15.0 или новее. Модель распространяется по лицензии Apache-2.0.

PAE-LLaVa-7B — мультимодальная модель с архитектурой LLaVA на базе Mistral, представленная в работе «Proposer-Agent-Evaluator (PAE): Autonomous Skill Discovery For Foundation Model Internet Agents». Репозиторий содержит веса модели в формате safetensors; размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель принимает изображения и текст и предназначена для диалоговых сценариев с визуальным вводом, включая ответы на вопросы об изображениях. В карточке заявлена тема автономного обнаружения навыков для интернет-агентов на основе фундаментальных моделей. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение. README не приводит подробностей об обучении, языковой поддержке или известных ограничениях качества.

theworld-spatial-channel-justprojection-fixed-mlp — дообученная модель на базе Google Gemma 3 4B IT с архитектурой Gemma3ForConditionalGeneration. Метаданные относят её к мультимодальным моделям vision и указывают задачу image-text-to-text: модель принимает изображения и текст и формирует текстовые ответы. README не описывает конкретные сценарии применения, обучающие данные или результаты оценки. Модель может использоваться для экспериментов с ответами на запросы по изображениям; её точность и пригодность для конкретных задач по доступным сведениям оценить нельзя. Указанная лицензия — gemma; перед использованием следует учитывать условия лицензии Gemma.

EthioNLP/EthioLLM-s-70k — дообученная EthioNLP модель на архитектуре XLM-RoBERTa для заполнения пропусков в тексте. Она содержит 167 млн параметров и принимает последовательности длиной до 514 токенов. Модель основана на Davlan/afro-xlmr-small и выпущена в формате PyTorch. Модель предназначена для предсказания скрытых токенов в текстах на амхарском, тигринья, сомалийском, оромо и геэзе. Её можно применять в языковых задачах, где требуется восстановить пропущенное слово или фрагмент текста. Лицензия — MIT.

LLaVA-LLaMA-2-13B-Chat-Lightning-Preview — открытая мультимодальная чат-модель проекта LLaVA, дообученная на базе LLaMA/Vicuna на инструкциях, сгенерированных GPT. Это авторегрессионная трансформерная модель с плотной архитектурой LlavaLlamaForCausalLM и 12,9 млрд параметров; репозиторий содержит веса PyTorch. Версия была обучена в июле 2023 года. Модель предназначена для исследовательской работы и экспериментов с мультимодальными чат-ботами. Она принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы: может описывать изображения, отвечать на вопросы о них и выполнять визуальные рассуждения. В обучающих данных использовались 558 тысяч пар изображение—текст с подписями BLIP и 80 тысяч мультимодальных инструкций GPT. Контекст составляет 4096 токенов. README приводит предварительную оценку на небольшом наборе визуальных вопросов и на ScienceQA, но не даёт оснований считать качество надёжно подтверждённым для широкого круга сценариев. Модель основана на LLaMA 2; условия лицензирования в предоставленных данных не указаны.

0xAmey/tinyllava-1.1b-v0.1 — мультимодальная модель семейства LLaVA, обученная на базе TinyLlama с использованием репозитория BakLlava. Она принимает изображение вместе с текстовым вопросом и генерирует текстовый ответ; пример из карточки — спросить, что изображено на картинке. Модель содержит около 1 млрд параметров, имеет контекст длиной 2048 токенов и распространяется в формате PyTorch. Лицензия — Apache-2.0. Модель подходит для визуальных вопросов и описания содержимого изображений в интерактивном интерфейсе или прикладном приложении. Карточка не сообщает о поддерживаемых языках и специальных областях применения. Небольшой размер и контекст могут ограничивать качество сложных визуальных рассуждений и длину диалога.

jinen-v1-small — компактная языковая модель разработчика togatogah для преобразования японской записи кана в кандзи с учётом контекста. Это плотная модель GPT-2 с 110 млн параметров и BPE-токенизатором; она обучена на специально обработанных данных Miwa-Keita/zenz-v2.5-dataset. Для работы используется формат jinen со специальными Unicode-маркерами, задающими контекст, входную катакану и начало вывода кандзи. Модель предназначена для контекстно-зависимой конверсии кана—кандзи. В README приведены результаты AJIMEE-Bench: Acc@1 0,775 при NFKC-нормализации и CER 0,033; токенизатор выполняет NFKC-нормализацию. Контекст модели — 1024 токена. Репозиторий предоставляет веса safetensors, а README также упоминает варианты GGUF в FP16 и Q5_K_M. Лицензия — CC-BY-SA 4.0.

Kashif786 выпустил модель distillmbert-sindhi-extended-Reduced-learning-rate — дообученную языковую модель на архитектуре DistilBERT для заполнения пропусков в тексте. Она предсказывает замаскированные токены, используя окружающий контекст. Контекст модели составляет до 512 токенов; веса сохранены в формате safetensors. В README приведено значение loss 2,6384 на оценочном наборе, но сведения о наборе данных и подробностях обучения отсутствуют. Модель ориентирована на текст на синдхи. Лицензия в доступных данных не указана.

RomanEng2Nep-v2-GGUF — квантизированная версия модели RomanEng2Nep-v2, разработанной syubraj и преобразованной в формат GGUF пользователем mradermacher. Модель обучалась на датасете roman2nepali-transliteration и предназначена для транслитерации текста, записанного латиницей в стиле Roman English, в непальское письмо. Заявленные языки — непальский и английский; основная задача — обработка и преобразование непальского текста, введённого латиницей. Сценарии применения включают локальный запуск задач транслитерации и интеграцию с инструментами, поддерживающими формат GGUF. В README не указаны архитектура, количество параметров, размер контекста, точные показатели качества и поддерживаемые модальности; по доступным данным модель является текстовой. Репозиторий предоставляет варианты квантования Q2_K–Q8_0, IQ3 и IQ4, а также f16, с размерами примерно от 0,3 до 0,7 ГБ. Для вариантов Q4_K_S и Q4_K_M заявлена высокая скорость, Q6_K отмечен как вариант очень хорошего качества, а Q8_0 — как быстрый вариант с наилучшим качеством среди перечисленных. Распространение указано по лицензии Apache-2.0. Ограничения включают отсутствие в README подробных результатов оценки, сведений о качестве на разных типах входных данных и характеристик исходной архитектуры; качество также зависит от выбранного уровня квантования.

Davidmg0815/qwen2.5-7b-spreizzaehler-v4 — экспериментальная производная Qwen2.5-7B-Instruct для подсчёта символов, букв и слов в заданном тексте. Модель построена на плотной архитектуре Qwen2ForCausalLM с 6,9 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Карточка указывает немецкий и английский языки; основной сценарий обучения и примеры ориентированы на немецкий, но есть тесты на английских строках и коде. При подсчёте модель посимвольно разворачивает вход по «Spreiz-Technik», показывает ход подсчёта в блоке и затем даёт итог. Для обычных вопросов она сохраняет стандартное поведение чат-модели Qwen и не требует специального системного промпта. В ручных тестах карточки указаны результаты 32/40 на независимых строках, 39/40 на частотах букв и 12/12 на подсчёте слов; это небольшие авторские выборки, а не независимая оценка. Модель получена сокращением словаря исходной Qwen2.5-7B-Instruct, продолжением предобучения и LoRA-дообучением. Она распространяется в формате safetensors по лицензии Apache-2.0. Подсчёт может быть ошибочным, особенно на коде и длинных строках; ответы для длинного ввода могут быть очень многословными и расходовать много токенов.

zenz-v2.5-medium — разработанная Keita Miwa условная языковая модель на архитектуре GPT-2, дообученная для преобразования японской каны в кандзи. Она предназначена для использования в нейронной системе ввода Zenzai (AzooKeyKanaKanjiConverter) и учитывает контекст при выборе преобразования. Модель использует токенизатор, сочетающий посимвольную токенизацию и byte-level BPE; размер версии medium — 310 млн параметров, длина контекста — 1024 токена. Модель обучена на наборе Miwa-Keita/zenz-v2.5-dataset и основана на ku-nlp/gpt2-medium-japanese-char. Опубликована в формате safetensors по лицензии CC-BY-SA 4.0. Заявлено высокое качество преобразования каны в кандзи с учетом контекста; данных о количественных оценках качества в карточке нет. Модель ориентирована на японский язык и узкую задачу ввода, а не на универсальную генерацию текста.