I.8Изображения и компьютерное зрение

Qwen-VL-Chat — разработанная Alibaba Cloud мультимодальная чат-модель семейства Qwen, предназначенная для диалога по изображениям и тексту. Репозиторий содержит чат-версию предварительно обученной Qwen-VL; модель имеет плотную архитектуру QWenLMHeadModel и 11,4 млрд параметров. Модель принимает изображения и текст, а также может работать с координатами ограничивающих рамок; выдаёт текст и рамки. Подходит для описания изображений, визуальных вопросов и ответов, чтения текста на изображениях, ответов по документам и графикам, а также локализации объектов по текстовому описанию. Карточка описывает китайский и английский языки; контекст составляет 8192 токена. В README заявлена обработка изображений с разрешением до 448 пикселей для задач, чувствительных к деталям. Модель оценивалась на задачах визуального диалога, captioning, VQA и локализации объектов; также опубликованы результаты TouchStone на китайском и английском языках. Для репозитория указаны формат PyTorch и лицензия Apache-2.0. Как и другие большие мультимодальные модели, она может ошибаться в ответах и распознавании содержимого изображений; приведённые оценки относятся к описанным бенчмаркам.

SigLIP Large — мультимодальная модель Google для сопоставления изображений и текста, предобученная на англоязычных парах WebLI. Архитектура SigLIP использует sigmoid loss для обучения на парах изображение–текст; эта версия обрабатывает изображения с разрешением 256×256, а текст — последовательности длиной до 64 токенов. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения и для поиска соответствий между изображениями и текстом. Она может быть полезна для поиска изображений по запросу и сортировки изображений по описаниям. Обучение на англоязычных данных ограничивает основания ожидать сопоставимое качество для других языков. Модель распространяется по лицензии Apache 2.0.

SLANeXt_wireless — модель PaddlePaddle для распознавания структуры таблиц на изображениях. Она определяет строки, столбцы и ячейки и формирует HTML-представление таблицы, которое можно передать в последующий конвейер распознавания для извлечения содержимого. Модель предназначена для оцифровки таблиц, в том числе в составе систем обработки документов на базе PaddleOCR. Модель решает задачу image-to-text; карточка связывает её с распознаванием структуры таблиц и указывает английский и китайский языки. README отмечает, что приведённая точность получена при совместном тестировании с SLANeXt_wired, поэтому её нельзя считать отдельной оценкой этой модели. Для полного распознавания таблиц документация рекомендует многошаговый конвейер, объединяющий анализ структуры с обнаружением и распознаванием текста. Модель распространяется по лицензии Apache-2.0.

VisReason-Qwen2.5-VL-7B — мультимодальная модель Y-Research-Group для визуальных рассуждений, созданная дообучением Qwen/Qwen2.5-VL-7B-Instruct на наборе VisReason. Она строит общее предположение по изображению, затем при необходимости выделяет важные области для более детального анализа и формирует обоснованный ответ. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Модель предназначена для диалоговых задач анализа изображений и визуального Chain-of-Thought. Она обучена выдавать рассуждение в специальном формате и может сформировать вызов инструмента image_zoom_in_tool с координатами области для увеличения. Вариант baseline не включает усиленное пространственное рассуждение с привязкой к глубине, доступное в VisReason-Pro. Для использования указана лицензия other; конкретные условия следует сверять с файлами лицензии репозитория.

ufal/vit-historical-page — модель компьютерного зрения, разработанная UFAL для сортировки изображений страниц архивных документов по категориям перед последующей обработкой содержимого. Она основана на Vision Transformer Google и обучена на размеченных изображениях архивных страниц; в репозитории представлены варианты на нескольких базовых моделях ViT. Модель классифицирует страницы, включая рисунки и схемы, рукописные записи в таблицах и другие типы страниц; поддерживает вывод наиболее вероятных категорий и сводных результатов в табличном виде. Для актуальной версии vX.3 README указывает 38 625 обучающих и 4 823 оценочных изображений. Для варианта ViT base с разрешением 224 пикселя указано 87 млн параметров; доступны также варианты с другими размерами и разрешениями. Данные охватывают архивные документы 1920–2020 годов. Модель принимает изображения и выдаёт метки классов с оценками вероятности. Лицензия модели — MIT. Качество зависит от представительности категорий и разметки: README отмечает дисбаланс классов и наличие более ранних версий с ошибками аннотации. Указанные высокие метрики относятся к конкретным наборам и разбиениям данных и не гарантируют аналогичных результатов на иных коллекциях архивов.

Kwai Keye-VL-8B-Preview — мультимодальная модель команды Kwai Keye компании Kuaishou для понимания коротких видео и работы с изображениями и текстом. Это плотная модель с 7,6 млрд параметров, построенная на языковой модели Qwen3-8B и визуальном энкодере на основе SigLIP; для обработки изображений и видео применяется кодирование 3D RoPE. Контекст модели — 40 960 токенов. Модель отвечает на вопросы о содержимом роликов, описывает визуальные сцены и выполняет задачи общего понимания изображений, включая OCR, локализацию и визуальные рассуждения. Карточка сообщает о высоких результатах на публичных видеобенчмарках и конкурентных результатах на задачах по изображениям. Видео принимаются из локальных файлов; изображения можно передавать файлами, в Base64 или по URL. Изменение разрешения изображения позволяет выбирать баланс между качеством и вычислительными затратами. Модель распространяется под лицензией Apache-2.0. В карточке также описаны режимы рассуждения, переключаемые префиксами /think и /no_think. Для обработки видео совместимость URL зависит от сторонней библиотеки чтения видео; локальные файлы поддерживаются. Увеличение разрешения изображения повышает вычислительные затраты.

PP-Chart2Table — мультимодальная модель команды PaddlePaddle для разбора диаграмм на китайском и английском языках и преобразования их данных в таблицы. Она построена на архитектуре GOT с причинной языковой моделью и содержит 463,8 млн параметров; модель принимает изображение диаграммы и формирует текстовое представление извлечённых данных. В метаданных указан контекст длиной 32 768 токенов. Модель предназначена для извлечения структурированных данных из графиков и диаграмм, в том числе в составе конвейера PP-StructureV3. Разработчики сообщают о специальной обучающей задаче Shuffled Chart Data Retrieval, синтезе обучающих данных и двухэтапной дистилляции для улучшения работы с реальными данными. Эти результаты описаны как внутренние бенчмарки; независимые показатели качества в карточке не приведены. Модель опубликована PaddlePaddle под лицензией Apache-2.0. Для запуска README указывает PaddlePaddle и демонстрирует интеграцию через PaddleOCR.

Qwen3-VL-8B-Heretic-1.3.0 — экспериментальная аблитерированная версия Qwen3-VL-8B-Instruct, созданная сообществом с использованием Heretic v1.3.0 и опубликованная для интеграции с ComfyUI. Модель предназначена для генерации текста и работы с изображениями и текстом в формате vision-language, а также для использования в ComfyUI и Transformers. Поддерживаются английский и китайский языки. Модель не поддерживает специальные токены для режима рассуждений. Архитектура — Qwen3VLForConditionalGeneration, около 8 млрд параметров, точность bf16 и контекст до 8192 токенов. По данным README, аблитерация существенно снизила частоту отказов при сохранении большинства исходных возможностей: изменено 53 из 398 тензоров, а среднее изменение на восьми тестах составило менее 1%. При этом наблюдается заметное снижение результата TruthfulQA, а уменьшение защитных ограничений может повысить риск генерации вредного или недостоверного содержания. Полная версия Hugging Face и форматы safetensors для ComfyUI сохраняют поддержку зрения. Варианты GGUF лишены vision encoder и предназначены только для использования как текстовый энкодер в рабочих процессах ComfyUI-GGUF, а не как самостоятельная vision-language модель. Доступны варианты bf16, FP8, NVFP4 и различные уровни GGUF-квантизации. Лицензия — Apache-2.0.

Qwen3-VL-8B-Instruct-4bit — мультимодальная модель для задач image-text-to-text, преобразованная сообществом mlx-community в формат MLX из оригинальной модели Qwen/Qwen3-VL-8B-Instruct. Она предназначена для сценариев, в которых требуется обрабатывать изображения и текстовые запросы, например описывать содержимое изображений. Модель рассчитана на запуск с использованием инструментария mlx-vlm, включая устройства и среды, совместимые с MLX. Из указанных данных известно, что модель имеет размер 8B параметров, вариант Instruct и 4-битное представление весов. Поддерживаемые модальности — изображения и текст; сведения о языках, архитектуре, размере контекста, точных возможностях и ограничениях в карточке не приведены. К преимуществам относятся мультимодальная направленность и сниженная разрядность, потенциально уменьшающая требования к памяти, однако качество и применимость зависят от исходной модели и среды MLX. Модель распространяется по лицензии Apache-2.0.

Re3Cap-CLIP-LLaVA1.5-7B — мультимодальная модель для описания изображений, разработанная на основе LLaVA-1.5-7B. Её дообучили методом GRPO с наградой по сходству изображения и текста в CLIP и стратегией Re³Cap, которая уточняет подпись с помощью поиска и оценки качества. Модель предназначена для генерации более точных и подробных подписей к изображениям: компоненты Caption Refinement Suggester и Caption Quality Assessor помогают выявлять галлюцинации и пропущенные детали. Она принимает изображение и текстовый запрос, а выдаёт текст; архитектура — плотная LLaVA, формат весов — safetensors, контекст — 4096 токенов. Поддерживаемые языки в предоставленных данных не указаны. Лицензия — Llama 2. Количественные оценки качества и дополнительные ограничения в карточке не приведены.

eugenehp/siglip2-base-naflex — staging-репозиторий с перераспространённым чекпойнтом Google SigLIP 2 NaFlex для запуска через RLX. Это плотная модель семейства SigLIP 2 с поддержкой изображений переменного соотношения сторон; в репозитории есть веса Safetensors и вариант GGUF F16. Модель предназначена для классификации изображений по текстовым меткам без специального дообучения: например, можно сопоставить изображение с вариантами «документ» и «фотография». Для запуска README приводит команду с библиотекой rlx-siglip2. Репозиторий отмечен как staging-переиздание upstream-чекпойнта, а не основной пакет для runtime RLX; README рекомендует обращаться к upstream, если нужен исходный чекпойнт. В метаданных указана лицензия Apache-2.0. Данные о размере параметров, контексте и поддерживаемых естественных языках не приведены; поскольку задача визуальная и ответы представляются оценками соответствия меткам, модель не рассчитана на основной язык.

SigLIP so400m patch16 256 i18n — мультимодальная модель Google семейства SigLIP с архитектурой SoViT-400m, предварительно обученная на многоязычном корпусе сопоставленных изображений и текстов. Вариант использует разрешение 256; в карточке указаны обработка изображений с приведением к разрешению 384×384 и ограничение текста до 64 токенов. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах, а также для поиска изображений по тексту и текстов по изображению. Она сопоставляет представления изображений и текста; обучение SigLIP использует sigmoid loss для пар изображение—текст. Модель построена на SoViT-400m, форме ViT, оптимизированной по вычислительным масштабам. Модель обучена на наборе WebLI. Репозиторий содержит веса Safetensors и рассчитан на использование с библиотекой Transformers. Лицензия — Apache-2.0. Карточка приводит сведения об обучении и сценариях применения, но не описывает отдельную процедуру тонкой настройки для этой версии.

TrOCR-Ru — модель распознавания текста на изображениях, созданная дообучением microsoft/trocr-base-handwritten на синтетических наборах данных от nastyboget. Она использует архитектуру Vision Encoder-Decoder и предназначена для OCR рукописного текста, в том числе кириллицы. Модель обучалась на наборах stackmix_hkr_large, stackmix_cyrillic_large и synthetic_cyrillic_large. В карточке приведены результаты на HKR и Cyrillic: точность составляет примерно 64–72%, CER — 6,6–9,3%, WER — 21,6–33,2% в зависимости от тестового набора. Поддерживаются русский и английский языки; модель принимает изображение и выдаёт распознанный текст. Модель распространяется под лицензией Apache-2.0. Метрики показывают ошибки распознавания, поэтому результаты на реальных документах и почерках, отличающихся от обучающих данных, могут быть хуже.

microsoft/trocr-large-stage1 — предварительно обученная модель TrOCR от Microsoft для распознавания текста на изображениях. Она предназначена для OCR на изображениях с одной строкой текста; для специализированных сценариев доступны дообученные версии семейства TrOCR. Модель использует архитектуру encoder-decoder: Transformer-кодировщик изображений построен на BEiT, а Transformer-декодер текста — на RoBERTa. Кодировщик обрабатывает изображение как последовательность патчей размером 16×16, после чего декодер авторегрессионно генерирует текст. Репозиторий содержит веса PyTorch и Safetensors. В README не указаны размер модели, поддерживаемые языки и лицензия, поэтому эти характеристики здесь не уточняются. Модель рассчитана на строки текста; качество на иных форматах изображений и задачах OCR не подтверждено описанием.

F16/florence2-large-ft-gufeng_v3 — модель семейства Florence-2 Large для обработки изображений и генерации текстовых ответов по ним. По названию репозитория можно предположить, что это дообученная версия Florence-2 Large, однако карточка не раскрывает назначение дообучения или особенности версии gufeng_v3. Модель принимает изображения и текстовые запросы, а выдаёт текст; семейство Florence-2 предназначено для задач компьютерного зрения, управляемых текстовыми инструкциями. В метаданных указаны архитектура Florence2ForConditionalGeneration и формат safetensors. README содержит только общий пример начала работы, поэтому конкретные сценарии и качество этой версии не описаны. Условия лицензии в доступных данных отсутствуют.

GPC-1 — мультимодальный классификатор общего назначения, разработанный на основе Qwen3.5-35B-A3B и дообученный с помощью адаптера для структурированных предсказаний. Он принимает текстовые инструкции и изображения, а результаты формирует в соответствии с заданными метками, числовыми диапазонами или перечнем допустимых JSON-записей. Модель предназначена для классификации категорий с оценками вероятности, ограниченных числовых оценок и координат на изображении. Она подходит для маршрутизации документов, скоринга, визуальной разметки, оценки координат объектов и согласованных решений по нескольким связанным полям. Несколько числовых полей рассчитываются за один проход; выбор среди связанных вариантов ограничен записями, перечисленными в запросе. GPC-1 использует мультимодальную архитектуру mixture of experts семейства Qwen3.5 и поставляется вместе с соответствующим адаптером. Для числовых полей применяется конечная сетка из 101 позиции, поэтому оценки имеют ограниченное разрешение; полный скелет для координат ключевых точек не гарантируется. Для запуска требуется совместимое оборудование NVIDIA с достаточным объёмом памяти для модели BF16. Код GPC-1 распространяется по Apache-2.0; базовая модель сохраняет собственную лицензию и уведомления Qwen.

Mage-VL — мультимодальная модель для понимания изображений и видео, предназначенная для офлайн-анализа и потокового восприятия. Визуальный энкодер Mage-ViT обучен с нуля, а языковая часть основана на Qwen3-4B-Instruct-2507; компоненты соединены двухслойным MLP-проектором. Модель использует структуру видеокодеков: сохраняет все патчи опорных кадров и выбирает патчи предсказанных кадров по признакам движения и новых деталей. По заявлению авторов, это сокращает число визуальных токенов более чем на 75% и обеспечивает ускорение инференса до 3,5 раза относительно равномерной выборки кадров. Модель предназначена для ответов на вопросы по изображениям и видео, пространственного анализа, временной локализации событий и потоковых комментариев, которые запускаются при обнаружении значимых событий. Для потока предусмотрен отдельный когнитивный шлюз, который фильтрует рутинное содержимое. Карточка указывает архитектуру Mage-VL и формат Safetensors; размер визуального энкодера заявлен как 4B, языковая основа — Qwen3-4B. Основной README описывает checkpoint microsoft/Mage-VL, тогда как данный репозиторий называется xocialize/Mage-VL, поэтому точную связь этих репозиториев по карточке установить нельзя. Лицензия — Apache-2.0. README не сообщает поддерживаемые естественные языки или длину контекста.

MAGAer13/mplug-owl-llama-7b — модель для описания изображений, построенная на архитектуре mPLUG-Owl. По идентификатору модели она относится к варианту с LLaMA 7B. Предназначена для преобразования визуального содержимого в текстовые описания. Модель принимает изображения и выдаёт текст. В метаданных указан английский язык, библиотека Transformers и формат PyTorch. Лицензия — Apache-2.0.

SigLIP base patch16-224 — мультимодальная модель Google для сопоставления изображений и текста, предобученная на англоязычных парах WebLI. Она использует архитектуру SigLIP и функцию потерь на основе sigmoid, которая обучает оценивать пары изображение–текст без нормализации по общей матрице сходства. Модель обрабатывает изображения с разрешением 224×224 и текстовые последовательности длиной до 64 токенов. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения и поиска изображений по тексту или текста по изображению. Её можно применять для классификации по пользовательским категориям и поиска подходящих изображений в коллекции. Данные карточки не приводят размер модели и количественные результаты оценки; обучение проводилось на английских парах изображений и текста, поэтому качество для других языков не подтверждено. Лицензия — Apache-2.0.

qantev/trocr-small-spanish — небольшая модель распознавания текста на изображениях, разработанная Qantev на основе архитектуры TrOCR. Она дообучена на синтетическом испаноязычном наборе данных, созданном из текстов Википедии, и предназначена для чтения печатного текста. Архитектура vision encoder-decoder использует Transformer для обработки изображения и авторегрессионной генерации текстовых токенов. Модель подходит для OCR в испанских документах и изображениях с печатным текстом. Для работы с документом её нужно сочетать с моделью обнаружения текстовых областей. В карточке приведены результаты на XFUND на испанском языке, однако авторы отмечают, что разметка этого набора содержит ошибки. Модель не обучалась на рукописном тексте и может ошибаться при распознавании двух строк или вертикального текста. Репозиторий содержит веса PyTorch; лицензия — MIT.

felipebandeira/donutlicenses3v3 — модель на архитектуре VisionEncoderDecoderModel, предназначенная для извлечения сведений из изображений водительских удостоверений стран ЕС и выдачи результата в формате JSON. Для распознавания лучше подходят изображения размером 1192×772 пикселя с высоким разрешением и без бликов. Валидационная точность указана как 98%, а на наборе реальных удостоверений — 63,93%, что показывает заметное снижение качества на реальных документах. Модель опубликована в формате PyTorch под лицензией MIT. Размер модели и длина контекста в предоставленных сведениях не указаны.

Isaac-0.1 — мультимодальная модель Perceptron AI для диалога и анализа изображений в сценариях, связанных с физическим миром. Она объединяет языковую основу Qwen3-1.7B и визуальную составляющую SigLIP2; в метаданных указаны архитектура IsaacForConditionalGeneration, 1,7 млрд параметров, библиотека Transformers и контекст до 40 960 токенов. Модель принимает текст и изображения и формирует текстовые ответы. Модель предназначена для визуальных вопросов и ответов, пространственного рассуждения, локализации объектов и дефектов, распознавания текста на изображениях, а также диалогового анализа сцен. В README заявлены работа с мелкими деталями и загромождёнными изображениями, адаптация к примерам в контексте и указание областей изображения, на которых основаны ответы. Эти возможности описаны разработчиком; количественные результаты в карточке не приведены. Модель опубликована Perceptron под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. Это ранняя версия семейства Isaac; заявленные сценарии требуют проверки на конкретных изображениях и задачах.

cjpais/llava-1.6-mistral-7b-gguf — это GGUF-квантизированная версия LLaVA-v1.6-Mistral-7B, разработанная на базе Mistral-7B-Instruct-v0.2 и предназначенная для исследовательского использования. LLaVA представляет собой авторегрессионную мультимодальную языковую модель на архитектуре Transformer, дообученную на данных для выполнения инструкций с изображениями и текстом. В данном репозитории также обновлены квантизированные файлы и projector. Модель предназначена для мультимодального диалога, анализа изображений, ответов на вопросы по изображениям и исследований в области computer vision, NLP, machine learning и искусственного интеллекта. Она поддерживает текстово-визуальный ввод, однако конкретные языки и размер контекстного окна в README не указаны. Доступны варианты квантования от 3 до 8 бит размером примерно от 2,99 до 7,7 ГБ; версии Q4_K_M, Q5_K_S и Q5_K_M отмечены как рекомендуемые благодаря балансу размера и качества. К сильным сторонам относятся открытая мультимодальная архитектура, несколько вариантов квантования для запуска на оборудовании с разными ресурсами и специализированное обучение на крупных наборах image-text, VQA и instruction-following данных. Более агрессивное квантование уменьшает требования к памяти, но может приводить к заметной потере качества. README не содержит подробностей о производительности, аппаратных требованиях и ограничениях безопасности. Для репозитория указана лицензия Apache-2.0; при этом в исходной карточке также упоминается лицензия базовой модели Mistral-7B-Instruct-v0.2.

Qwen3-VL-2B-Persian-Arabic-Ocr-v1.0 — модель распознавания текста на изображениях отдельных строк, созданная дообучением Qwen/Qwen3-VL-2B-Instruct. Она предназначена для OCR персидского и арабского письма на заранее обрезанных фрагментах с одной строкой текста, например для извлечения строк из документов или изображений после этапа обнаружения и кадрирования текста. Архитектура — плотная мультимодальная Qwen3-VL с 2B параметров; модель принимает изображения и выдаёт распознанный текст. В README указана версия весов с точностью 16 бит, а метаданные указывают формат safetensors. Модель не рассчитана на распознавание целых страниц: для такого сценария требуется отдельно выделить текстовые строки. В README приведены значения обучающей функции потерь, но они сами по себе не показывают качество на независимых данных. Лицензия — Apache-2.0.

mobilint/Qwen3-VL-4B-Instruct — это квантованная версия базовой модели Qwen/Qwen3-VL-4B-Instruct, скомпилированная и оптимизированная компанией Mobilint для работы на аппаратных ускорителях Mobilint NPU. Модель распространяется в формате, предназначенном для развертывания в стеке ускорения Mobilint. По указанным данным модель относится к классу image-text-to-text и предназначена для задач, объединяющих обработку изображений и текста, однако конкретные сценарии применения, поддерживаемые языки, размер контекста и детали архитектуры не описаны. Известно, что базовая модель имеет размер 4B, но сведения о модальностях и характеристиках именно оптимизированной версии ограничены. Модель может быть полезна для инференса на оборудовании Mobilint благодаря оптимизации под NPU и интеграции с соответствующим программным стеком. Ограничением является зависимость от аппаратной платформы и среды Mobilint. Лицензия — Apache-2.0.

Veritone/siglip2-so400m-patch14-224-text — текстовая башня модели SigLIP 2 So400m, разработанной Google и опубликованной Veritone как отдельный компонент. Она кодирует текстовые запросы в общее пространство эмбеддингов для сопоставления с представлениями изображений, полученными совместимой моделью Veritone/siglip2-so400m-patch14-224-vision. Такое разделение позволяет загружать только нужную башню при поиске и сокращать расход памяти и время загрузки. Модель предназначена для zero-shot классификации изображений и поиска по соответствию текста и изображения; для этих сценариев требуется совместимая башня изображений. Также текстовый энкодер может применяться как часть систем с визуальным вводом. Архитектура — SigLIP 2 So400m, класс SiglipModel; опубликованные веса в формате safetensors, библиотека — Transformers. По карточке модель предобучена на WebLI. Лицензия — Apache-2.0. Метаданные указывают контекст 64 токена.

Ming-Lite-Omni v1.5 — мультимодальная модель семейства BailingMM, выпущенная командой inclusionAI. Она предназначена для понимания изображений, документов, видео и речи, а также для синтеза речи, генерации и редактирования изображений. В README указано 20,3 млрд параметров, из которых 3 млрд активны в блоке Mixture-of-Experts; модель построена на Ling-lite-1.5 и развивает Ming-Lite-Omni. Модель рассчитана на мультимодальные сценарии: анализ визуальных последовательностей, распознавание и понимание текста в документах и диаграммах, понимание речи и генерация речи в реальном времени, а также создание и редактирование изображений. Разработчики сообщают об улучшениях понимания длинных видео и согласованности при генерации и редактировании изображений. В README приведены сравнительные результаты на ряде бенчмарков, но они не гарантируют качество на конкретных данных. Репозиторий содержит файлы ONNX и Safetensors. Лицензия — MIT. Карточка не сообщает длину контекста и список поддерживаемых естественных языков; README упоминает расширение речевых данных, включая диалекты, без указания языковых кодов.

cyankiwi/Qwen3-VL-8B-Instruct-AWQ-4bit — 4-битная AWQ-квантизованная версия мультимодальной модели Qwen3-VL-8B-Instruct, разработанной командой Qwen. Модель предназначена для обработки изображений, видео и текста: она поддерживает визуальные вопросы и ответы, описание и анализ изображений, OCR, понимание документов и видео, пространственное рассуждение, STEM- и математические задачи, а также взаимодействие с графическими интерфейсами и инструментами. В README также заявлена генерация Draw.io, HTML, CSS и JavaScript по изображениям и видео. Модель имеет плотную архитектуру с 8 млрд параметров, поддерживает текстово-визуальное понимание и контекст до 256K токенов с возможностью расширения до 1M. Среди архитектурных особенностей указаны Interleaved-MRoPE для временных и пространственных зависимостей, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками для анализа видео. OCR заявлен для 32 языков, однако полный перечень языков в README не приведён. К преимуществам относятся улучшенное распознавание объектов, документов и пространственных отношений, длительный контекст и понимание видео; ограничения конкретной AWQ-квантизации, точные требования к оборудованию и результаты тестов для данного репозитория не указаны. Распространяется по лицензии Apache-2.0.

UForm uform3-image-text-multilingual-base — компактная мультимодальная модель Unum Cloud для сопоставления изображений и текста. Она кодирует оба типа входных данных в общее векторное пространство, формируя эмбеддинги размерностью до 256, и подходит для семантического поиска и ранжирования соответствий между изображениями и текстовыми запросами на 21 языке. Модель сочетает текстовый энкодер BERT из 12 слоёв и визуальный энкодер ViT-B/16; четыре слоя общие для обеих частей. Текстовый вход ограничен 50 токенами, изображения обрабатываются с разрешением 224 × 224. Доступны веса в форматах PyTorch, ONNX и CoreML, а также предварительно квантованные варианты и код для инференса. Модель предназначена для извлечения признаков, а не для генерации текста или изображений. Поддерживаются английский, арабский, армянский, китайский, французский, немецкий, иврит, хинди, индонезийский, итальянский, японский, корейский, персидский, польский, португальский, русский, испанский, тайский, турецкий, украинский и вьетнамский языки. В карточке приведены результаты поиска по изображениям на нескольких мультиязычных наборах данных; для MS-COCO отмечено, что обучающая часть набора присутствовала в обучающих данных, поэтому этот результат следует интерпретировать с учётом возможного пересечения. Модель распространяется по лицензии Apache-2.0.

PP-DocLayout_plus-L — модель локализации областей и элементов в документах, разработанная PaddlePaddle. Она предназначена для обнаружения структуры на страницах статей, презентаций, журналов, договоров, книг, экзаменационных материалов и исследовательских отчетов. Модель построена на архитектуре RT-DETR-L и распознаёт 20 категорий, включая заголовки, основной текст, номера страниц, аннотации, таблицы, ссылки, колонтитулы, формулы, изображения, диаграммы и списки. Модель обучена на собственном наборе документов на китайском и английском языках. В карточке приведена оценка mAP@0.5 83,2% на внутреннем наборе данных для обнаружения областей документов. Репозиторий содержит веса safetensors, библиотека — PaddleOCR. Лицензия Apache-2.0. Оценка относится к указанному внутреннему набору и не гарантирует такую же точность на других типах документов.