I.8Изображения и компьютерное зрение

openbmb/MiniCPM-V-4-gguf — квантизированная мультимодальная модель OpenBMB для понимания изображений, нескольких изображений и видео. Она предназначена для визуальных диалогов, анализа содержимого изображений и видео, OCR и работы с мультимодальными запросами, включая локальное и встраиваемое использование на конечных устройствах, например смартфонах. Модель основана на MiniCPM-V 4.0, построенной на SigLIP2-400M и MiniCPM4-3B; общий размер составляет 4,1 млрд параметров. Поддерживаются визуальные входы в виде одиночных и нескольких изображений, а также видео; заявлена многоязычность. Модель ориентирована на эффективный запуск на устройствах и совместима с llama.cpp, Ollama, vLLM, SGLang, LLaMA-Factory и локальными веб-демонстрациями. В README приведён результат 69,0 на OpenCompass, а для iPhone 16 Pro Max указаны задержка до первого токена менее 2 секунд и скорость декодирования свыше 17 токенов в секунду. К сильным сторонам относятся сочетание визуальных возможностей и компактного размера, эффективность при локальном развертывании, а также поддержка многоизображенческого и видеопонимания. README не содержит сведений о размере контекстного окна, точном перечне языков, формате квантования или специфических ограничениях качества. Модель распространяется по лицензии Apache-2.0.

Nous-Hermes-2-Vision-Alpha — мультимодальная модель для диалога и следования инструкциям, разработанная qnguyen3 и teknium. Она построена на архитектуре LLaVA-Mistral и дообучена на базе Mistral-7B-v0.1; в README также указано использование OpenHermes-2.5-Mistral-7B и визуального энкодера SigLIP-400M. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы, включая структурированные результаты для сценариев вызова функций. Модель предназначена для вопросов по изображениям, визуального описания и автоматизаций, связывающих визуальный ввод с вызовом функций. В обучающие данные вошли наборы LVIS-INSTRUCT4V, ShareGPT4V, частный набор данных для вызова функций и диалоги OpenHermes-2.5. Контекст составляет 32 768 токенов, размер — 7,1 млрд параметров; в метаданных указан английский язык. Модель выпущена под лицензией Apache-2.0.

Ocean-OCR — мультимодальная языковая модель примерно на 3,1 млрд параметров из семейства Ocean, предназначенная для распознавания текста на изображениях и других задач OCR. В карточке авторы описывают её как модель 3B и заявляют высокие результаты в различных сценариях распознавания текста при сопоставимом с общими моделями уровне понимания обычных задач. Модель использует Native Resolution ViT, чтобы принимать изображения с переменным разрешением, и обучалась на большом наборе OCR-данных. Метаданные указывают архитектуру OceanForCausalLM, формат PyTorch и контекст 8192 токена; также заявлены чат и интерфейс вызова инструментов. В карточке указаны английский и китайский языки. Лицензия в предоставленных данных не указана.

OpenVINO/Qwen3.6-35B-A3B-int4-ov — квантизированная версия мультимодальной модели Qwen3.6-35B-A3B, разработанная Qwen и преобразованная в формат OpenVINO IR. Модель предназначена для задач vision-language, включая анализ и описание изображений, визуальный вопросно-ответный диалог и генерацию текста на основе текстовых и визуальных запросов. В README точные сведения о языках, размере контекста и внутренней архитектуре не указаны. Веса сжаты до INT4 методом NNCF в режиме INT4_ASYM с размером группы 64; для резервного хранения используется INT8_SYM. Такое представление ориентировано на более эффективное выполнение инференса на совместимом CPU или GPU при снижении требований к памяти, однако квантизация может влиять на точность по сравнению с исходной моделью. Модель совместима с OpenVINO версии 2026.2.0 и выше и Optimum Intel 1.27.0 и выше, а также может использоваться через OpenVINO GenAI, Optimum Intel и OpenVINO Model Server. Распространяется по лицензии Apache-2.0. Для работы требуются соответствующие компоненты OpenVINO и инструменты интеграции; конкретные показатели производительности и ограничения по аппаратному обеспечению в README не приведены.

Это исправленная сборка официальной мультимодальной модели Qwen3-VL-Embedding-8B, подготовленная scottlowry для загрузки в инструментах на базе MLX, включая oMLX и mlx-vlm. Веса BF16 сохранены без изменений; добавлен один тензор lm_head.weight — копия матрицы токенных эмбеддингов, необходимая загрузчику MLX. Модель создаёт эмбеддинги текста, изображений и видео для семантического поиска и сопоставления. Модель подходит для поиска по мультимодальным данным и оценки сходства между запросами и материалами. По карточке базовая модель имеет 8 млрд параметров; репозиторий использует формат safetensors и распространяется по лицензии Apache-2.0. Исправление предназначено для совместимости с MLX-инструментами; оно не меняет исходные четыре шарда и не добавляет функциональность генерации текста.

Qwen3-VL-30B-A3B-Instruct-FP8 — мультимодальная vision-language модель из семейства Qwen, разработанная командой Qwen. Это FP8-квантизированная версия Qwen3-VL-30B-A3B-Instruct с мелкозернистым квантованием и размером блока 128; заявлено, что её производительность почти идентична исходной версии в формате BF16. Модель предназначена для понимания и генерации текста с учётом изображений и видео. Модель ориентирована на визуальное восприятие и рассуждение, анализ документов и сцен, OCR, пространственное понимание, обработку длинных текстов и многочасовых видео, а также на визуальное управление PC- и мобильными GUI, вызов инструментов и выполнение задач агентом. Она поддерживает генерацию Draw.io, HTML, CSS и JavaScript по изображениям и видео, STEM- и математическое рассуждение, а также временную локализацию событий в видео. Заявлен нативный контекст 256K токенов с возможностью расширения до 1M, а OCR поддерживает 32 языка; полный перечень языков в README не указан. К сильным сторонам относятся объединённое текстово-визуальное понимание, улучшенное распознавание объектов и документов, анализ пространственных отношений и видео, а также архитектурные механизмы Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Ограничение при развёртывании заключается в том, что Transformers пока не поддерживает прямую загрузку этих весов; README рекомендует vLLM или SGLang. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen3-VL-2B-Instruct-unsloth-bnb-4bit — 4-битная версия модели Qwen3-VL-2B-Instruct, опубликованная Unsloth и основанная на модели Qwen. Это мультимодальная instruct-модель для понимания и генерации текста по изображениям, а также для работы с визуальными и текстовыми данными. Она предназначена для описания изображений, визуального рассуждения, анализа документов и видео, OCR, решения STEM- и математических задач, генерации HTML/CSS/JS и Draw.io по визуальным примерам, а также взаимодействия с графическими интерфейсами и инструментами. Модель имеет плотную архитектуру и размер 2B параметров; поддерживает текст и изображения, а заявленные возможности включают обработку видео и пространственное рассуждение. Среди архитектурных особенностей указаны Interleaved-MRoPE для временных и пространственных позиционных представлений, DeepStack для объединения многоуровневых признаков ViT и выравнивание текста с временными метками. Заявлена длина контекста 256K токенов с возможностью расширения до 1M. OCR поддерживает 32 языка, однако полный список языков в README не приведён. Сильные стороны модели — сочетание текстового и визуального понимания, работа с длинным контекстом, видео, пространственными отношениями и документами, а также сниженные требования к памяти благодаря 4-битному квантованию. Ограничения, результаты тестов и точные требования к оборудованию в README не описаны; квантование может влиять на точность по сравнению с исходной моделью. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen3-VL-32B-Instruct — репозиторий весов мультимодальной модели Qwen3-VL, опубликованный Unsloth на основе Qwen/Qwen3-VL-32B-Instruct. Это плотная модель на 32 млрд параметров для диалога по тексту и изображениям; поддерживает визуальное понимание, OCR, рассуждения о пространстве и видео, а также интерфейс взаимодействия с инструментами. Модель рассчитана на анализ документов и сцен, распознавание элементов графического интерфейса, ответы на вопросы по визуальным материалам и генерацию кода или разметки по изображениям и видео. README указывает контекст 256 тысяч токенов с возможностью расширения до 1 млн и OCR на 32 языках. Репозиторий содержит веса safetensors и исправления шаблона чата Unsloth. Лицензия — Apache-2.0. README не приводит отдельные результаты тестирования этой конкретной сборки, поэтому заявления о превосходстве квантованных вариантов не подтверждают качество данного репозитория. Для запуска с llama.cpp README рекомендует параметр --jinja.

Карточка модели norvek/Qwen3-VL-8B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen3-VL-8B-Instruct, поэтому описание составлено по ней. Qwen3-VL-8B-Instruct — мультимодальная модель семейства Qwen3-VL, разработанная командой Qwen. Это плотная модель с 8 млрд параметров для диалога и генерации текста по текстовым и визуальным входам; репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. Лицензия — Apache-2.0. Модель предназначена для анализа изображений и видео, визуальных вопросов и ответов, распознавания текста и структуры документов, пространственного рассуждения, STEM-задач и управления интерфейсами через инструменты. Она также генерирует код и разметку Draw.io, HTML, CSS и JavaScript по изображениям или видео. Заявлены контекст 256K токенов с возможностью расширения до 1M, временная привязка событий в видео и OCR на 32 языках. Модель объединяет текстовое и визуальное понимание, поддерживает агентные сценарии и вызов инструментов. Карточка описывает возможности семейства Qwen3-VL; конкретные показатели качества для версии 8B в предоставленном README не приведены.

Qwen3-VL-2B-Instruct-GGUF — это мультимодальная модель семейства Qwen, разработанная командой Qwen. Репозиторий содержит веса модели Qwen3-VL-2B-Instruct в формате GGUF: языковой компонент доступен в вариантах FP16, Q8_0 и Q4_K_M, а vision encoder — в FP16 и Q8_0. Модель предназначена для запуска через llama.cpp, Ollama и другие инструменты, совместимые с GGUF, на CPU, NVIDIA GPU, Apple Silicon и Intel GPU. Модель работает с текстом и изображениями, а семейство Qwen3-VL также ориентировано на понимание видео. Она предназначена для визуального вопросно-ответного взаимодействия, распознавания и анализа изображений, OCR, пространственного рассуждения, мультимодального reasoning, генерации кода и сценариев visual agent, включая взаимодействие с графическими интерфейсами и инструментами. Заявлены контекст до 256 тысяч токенов с возможностью расширения до 1 миллиона, поддержка OCR на 32 языках, улучшенное понимание пространственных отношений, видео и документов. К ключевым архитектурным особенностям относятся Interleaved-MRoPE для временных и пространственных представлений, DeepStack для объединения признаков разных уровней vision encoder и выравнивание текста с временными метками для анализа видео. Сильными сторонами являются сочетание компактного размера, мультимодальности, вариантов квантования и возможности локального запуска, однако README не содержит подробных численных результатов бенчмарков, полного перечня языков, точных требований к памяти и детального описания ограничений качества. Распространение модели выполняется по лицензии Apache-2.0.

cyankiwi/Qwen3-VL-4B-Instruct-AWQ-8bit — 8-битная AWQ-квантизованная версия мультимодальной модели Qwen3-VL-4B-Instruct, разработанной командой Qwen. Модель предназначена для обработки текста и изображений, а также заявлена для понимания видео, визуального рассуждения и взаимодействия с графическими интерфейсами. Она подходит для описания изображений, визуального вопросно-ответного взаимодействия, OCR, анализа документов, STEM-задач, генерации кода и разметки интерфейсов по визуальным примерам. Модель использует плотную архитектуру размером 4B параметров и поддерживает контекст до 256K токенов с возможностью расширения до 1M. Среди заявленных архитектурных компонентов — Interleaved-MRoPE для временных и пространственных координат, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками для анализа видео. Указана поддержка OCR на 32 языках, однако полный перечень языков в README не приведён. Сильные стороны модели — объединённое понимание текста и изображений, распознавание объектов и документов, пространственное и временное рассуждение, работа с длинным контекстом и сценарии визуального агента. Ограничения включают уменьшенную точность, возможные потери качества и совместимость, связанные с 8-битной AWQ-квантизацией, а также отсутствие в README подробных количественных результатов, полного списка языков и требований к аппаратному обеспечению. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-VL-32B-Instruct-AWQ — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen. Это квантизированная AWQ-версия модели Qwen2.5-VL-32B-Instruct с 32 млрд параметров, предназначенная для обработки изображений, видео и текстовых запросов. Указанный язык — английский; точный размер контекста в README не приведён. Модель распознаёт и анализирует объекты, текст, диаграммы, графики, значки и структуру документов на изображениях, поддерживает визуальную локализацию с помощью bounding boxes и точек, а также формирование структурированных данных из счетов, форм, таблиц и сканов. Она рассчитана на визуальные вопросы и ответы, математические и логические задачи, анализ документов, понимание видео длительностью более часа с поиском релевантных моментов, а также сценарии визуального агента, включая управление компьютером и телефоном. Архитектура включает языковую модель Qwen2.5 и оптимизированный vision encoder на базе ViT с window attention, SwiGLU и RMSNorm. Для видео используются динамические разрешение и частота кадров, а также временное позиционирование mRoPE. AWQ-квантизация может снизить требования к памяти и ускорить инференс, однако по приведённым оценкам уступает полной версии по MMMU, MMBench и MathVista, сохраняя сопоставимый результат на DocVQA. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-VL-7B-Instruct-unsloth-bnb-4bit — 4-битная версия instruction-tuned мультимодальной модели Qwen2.5-VL-7B, разработанной командой Qwen и распространяемой в формате Unsloth. Модель предназначена для задач image-text-to-text: анализа изображений и видео, распознавания текста, понимания документов, диаграмм, таблиц и макетов, а также визуального рассуждения и формирования структурированных ответов. В README указана поддержка английского языка. Модель содержит 7 миллиардов параметров и объединяет языковую модель с vision encoder. Для обработки видео используются динамические разрешение и частота кадров, а также механизмы временного позиционирования; заявлена работа с видео длительностью более часа и поиск релевантных временных сегментов. Модель умеет локализовать объекты с помощью bounding boxes или точек, выдавать координаты и атрибуты в JSON, а также поддерживает сценарии визуального агента, включая взаимодействие с компьютером и телефоном. К сильным сторонам относятся анализ документов и изображений, OCR, понимание графиков и таблиц, обработка длинных видео и визуальная локализация. Ограничения включают зависимость качества от входных визуальных данных и вычислительных ресурсов, а также то, что приведённые результаты относятся к базовой Qwen2.5-VL-7B и не обязательно полностью характеризуют именно 4-битную сборку. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-32B-Thinking — плотная мультимодальная модель семейства Qwen3-VL от Qwen, предназначенная для диалога и рассуждений по тексту и визуальным данным. Репозиторий содержит веса модели для использования с библиотекой Transformers; заявлена лицензия Apache-2.0. Модель принимает изображения и текст, а также рассчитана на понимание видео, пространственных отношений, OCR и визуальных интерфейсов. Она подходит для ответов на вопросы по изображениям и видео, распознавания и разбора документов, STEM-задач, визуального программирования и взаимодействия с графическими интерфейсами через инструменты. В README заявлены контекст 256 тысяч токенов с возможностью расширения до 1 миллиона и поддержка OCR на 32 языках. Ключевые особенности включают объединение текстовой и визуальной обработки, временное позиционирование для видео и извлечение признаков на нескольких уровнях. Это вариант Thinking, ориентированный на усиленное рассуждение; качество и скорость на конкретных задачах зависят от сценария и реализации. Описание не приводит результаты бенчмарков или подробные ограничения применения.

Qwen3-VL-4B-Instruct от Unsloth — весовой репозиторий мультимодальной модели для диалога и задач с изображениями и видео. Это дообученная версия Qwen/Qwen3-VL-4B-Instruct с плотной архитектурой Qwen3-VL и примерно 4 млрд параметров; модель распространяется в формате safetensors и работает с библиотекой Transformers. Модель принимает текст и изображения, отвечает текстом и поддерживает визуальное рассуждение, OCR, анализ видео, понимание пространственных отношений и взаимодействие с инструментами. В README заявлены контекст 256 тыс. токенов с возможностью расширения до 1 млн и OCR на 32 языках. Также описаны сценарии визуального управления интерфейсами и генерации кода или разметки по визуальному примеру. Лицензия — Apache-2.0. README не содержит численных результатов раздела производительности; заявленные преимущества и возможности следует считать описанием разработчика, а качество проверять на целевых данных.

cyankiwi/Qwen3-VL-4B-Instruct-AWQ-4bit — квантованная 4-битная версия мультимодальной инструкционной модели Qwen3-VL-4B-Instruct, разработанной командой Qwen. Модель предназначена для задач, где требуется совместное понимание текста и изображений, включая описание и анализ изображений, визуальное рассуждение, распознавание текста, работу с документами, анализ видео, пространственное понимание, генерацию кода и взаимодействие с графическими интерфейсами через визуального агента. Модель использует плотную архитектуру и относится к классу vision-language моделей; заявленный размер базовой модели — 4 млрд параметров. Поддерживаются текстовые и визуальные входы, включая изображения и видео. Среди архитектурных особенностей указаны Interleaved-MRoPE для моделирования временных и пространственных измерений, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками. Заявлена нативная длина контекста 256K токенов с возможностью расширения до 1M, а OCR поддерживает 32 языка, однако полный список языков в README не приведён. Сильные стороны модели — расширенное понимание изображений и видео, пространственное и мультимодальное рассуждение, OCR в сложных условиях, обработка длинных документов и видеоматериалов, а также сценарии визуального программирования и управления интерфейсами. Ограничения, конкретные показатели производительности и требования к аппаратному обеспечению для данной AWQ-версии в README не указаны; 4-битное квантование может влиять на точность по сравнению с полной точностью. Модель распространяется по лицензии Apache-2.0.

Qwen3.7 Flash — мультимодальная модель рассуждения с поддержкой изображений, разработанная Alibaba. Она предназначена для мультимодальных агентов, визуального программирования, поиска и взаимодействия с компьютером, а также задач распознавания объектов и пространственного понимания. Модель принимает текст и изображения и генерирует текст.

unsloth/Qwen2.5-VL-7B-Instruct-bnb-4bit — квантизированная 4-битная версия instruction-tuned мультимодальной модели Qwen2.5-VL-7B-Instruct, разработанной командой Qwen. Модель предназначена для задач image-text-to-text: анализа изображений и видео, ответов на вопросы по визуальному содержимому, распознавания текста, документов, таблиц, графиков, схем и макетов, а также формирования структурированных данных. Она также ориентирована на визуальную локализацию объектов, работу с интерфейсами компьютеров и мобильных устройств и агентские сценарии с использованием инструментов. Модель объединяет vision encoder и языковую модель, имеет около 7 миллиардов параметров и поддерживает динамическое разрешение изображений и частоту кадров видео. Она способна анализировать длинные видео длительностью более часа и указывать релевантные временные сегменты. Архитектурные улучшения включают оконное внимание в ViT, а также использование SwiGLU и RMSNorm в vision encoder. В README явно указан английский язык; поддержка других языков для этой версии не уточняется. Сильные стороны модели — обработка документов и OCR, понимание диаграмм и таблиц, визуальное рассуждение, локализация объектов с помощью bounding boxes или точек и выдача стабильных JSON-структур. Ограничения включают высокие требования к вычислительным ресурсам по сравнению с компактными моделями, зависимость видеообработки от корректной поддержки инструментов и отсутствие в README подробных данных о точном размере контекста и системных требованиях для 4-битной сборки. Модель распространяется по лицензии Apache-2.0.

Hanji Parse 4B — модель компьютерного зрения и языка, разработанная Hanji Dev и дообученная на Qwen/Qwen3-VL-4B-Instruct. Она принимает изображение страницы документа и возвращает JSON-массив содержательных блоков: текст с координатами, заголовки, пары «ключ–значение», таблицы в формате GitHub-Flavored Markdown и нетекстовые изображения, например фотографии, диаграммы, штампы и подписи. Модель предназначена для OCR и разбора структуры документов с сохранением расположения элементов. Результат подходит для извлечения текста и областей страницы в последующих системах обработки документов. Для изображений рекомендуется уменьшение до 2 мегапикселей без увеличения, с размерами, кратными 32 пикселям; карточка также рекомендует жадное декодирование и ограничение вывода JSON-схемой. Модель использует архитектуру Qwen3-VL с 4 млрд параметров и поддерживает зрительно-текстовый ввод и текстовый вывод. В метаданных указаны библиотека Transformers и лицензия Apache-2.0. Языковая поддержка и размер контекстного окна в предоставленных данных не указаны.

unsloth/Qwen2.5-VL-3B-Instruct-bnb-4bit — мультимодальная instruction-tuned модель семейства Qwen2.5-VL, разработанная командой Qwen и представленная в репозитории Unsloth. Это 3B-версия модели Qwen2.5-VL-3B-Instruct, распространяемая в 4-битном формате bnb-4bit для более экономичного использования памяти. Модель предназначена для обработки изображений и видео вместе с текстовыми запросами. Она распознаёт и анализирует объекты, текст, таблицы, графики, иконки и структуру документов, поддерживает визуальную локализацию объектов с помощью bounding boxes или точек, генерацию структурированных данных из счетов, форм и таблиц, а также сценарии визуального агента, включая взаимодействие с компьютером и мобильными устройствами. Для видео заявлена способность анализировать материалы длительностью более часа и находить релевантные временные отрезки. В метаданных README указан английский язык. Архитектура включает языковую модель Qwen2.5 и оптимизированный vision encoder на базе ViT с window attention, SwiGLU и RMSNorm; для видео используются динамические разрешение и частота кадров, а также временные позиционные идентификаторы mRoPE. К сильным сторонам относятся компактный размер, мультимодальное понимание документов и визуальных сцен, структурированный вывод и поддержка длительных видео. Ограничения включают меньшую ёмкость по сравнению с версиями на 7B и 72B параметра, возможное снижение точности из-за 4-битной квантизации и отсутствие в README данных о размере контекста, системных требованиях и подробном перечне языков. Модель указана под лицензией qwen-research; подробные условия приведены в лицензии исходной модели Qwen2.5-VL-3B-Instruct.

InternVL3-8B-Instruct-GGUF — мультимодальная модель семейства InternVL3, разработанная OpenGVLab и представленная в GGUF-формате Unsloth. Это SFT-версия InternVL3-8B: она прошла мультимодальное предварительное обучение и дообучение с учителем, но не проходила MPO. Модель предназначена для задач понимания и анализа изображений совместно с текстом, мультимодального рассуждения, работы с инструментами и GUI-агентами, промышленного анализа изображений, а также восприятия 3D-сцен. Она поддерживает многоязычные сценарии, однако конкретный перечень языков и размер контекстного окна в предоставленных данных не указаны. Архитектура построена по схеме ViT-MLP-LLM и включает vision-компонент InternViT-300M-448px-V2_5 и языковую часть Qwen2.5-7B; общий размер модели обозначен как 8B. Сильными сторонами заявлены развитые возможности мультимодального восприятия и рассуждения, а также повышение качества по сравнению с InternVL 2.5. Ограничения включают отсутствие MPO и неизвестные из README характеристики контекстного окна, точности GGUF-квантизации и производительности на конкретном оборудовании. В метаданных указана лицензия Apache 2.0; также присутствует обозначение license_name Qwen и ссылка на лицензию Qwen2.5.

Это преобразованная в формат MLX версия PaddleOCR-VL-1.5 от mlx-community, основанная на PaddlePaddle/PaddleOCR-VL-1.5. Модель построена на архитектуре PaddleOCR-VL для генерации текста по изображению и дообучена на базе baidu/ERNIE-4.5-0.3B-Paddle. В метаданных указаны 318,2 млн параметров и контекст до 131 072 токенов. Модель предназначена для OCR и разбора содержимого документов: извлечения текста и структурированных сведений с изображений, включая таблицы, формулы, графики и печати. Метаданные отмечают английский, китайский и многоязычный режимы; README указывает на использование через mlx-vlm. Репозиторий распространяется по лицензии Apache-2.0.

Mungert/InternVL3-8B-GGUF — GGUF-версия мультимодальной модели InternVL3-8B, созданной командой OpenGVLab. Модель предназначена для обработки текста и изображений, включая визуальное восприятие и рассуждение, анализ промышленных изображений, работу с GUI-агентами, инструментами и задачами 3D-восприятия. В карточке также указана поддержка многоязычных сценариев. Архитектура сочетает vision-компонент InternViT-300M-448px-V2_5 и языковую часть Qwen2.5-7B; общий класс модели — 8B параметров. Эта публикация представляет собой преобразованный формат GGUF, сгенерированный с использованием llama.cpp. Автор применил собственный подход к квантованию: отдельные важные слои переводятся в более высокую точность, что увеличивает размер файла, но, по заявлению автора, может улучшать точность при заданном уровне квантования, особенно на низкой разрядности. Сильными сторонами являются мультимодальность, сочетание визуального анализа с языковым рассуждением и возможность локального использования в экосистеме llama.cpp благодаря формату GGUF. Ограничения включают зависимость качества, размера и требований к ресурсам от выбранного варианта квантования; конкретные поддерживаемые языки, размер контекста и результаты независимого тестирования в карточке не указаны. Для модели указана лицензия Apache-2.0, однако в метаданных также приведена ссылка на лицензию Qwen.

LiquidAI/LFM2.5-VL-3B-MLX-4bit — MLX-экспорт мультимодальной vision-language модели LFM2.5-VL-3B, разработанной Liquid AI. Версия предназначена для запуска вывода на устройствах Apple Silicon и поддерживает обработку изображений вместе с текстовыми запросами. Модель построена на языковой основе LFM2.5-2.6B и оснащена визуальным энкодером SigLIP2 NaFlex объёмом 400 млн параметров. Общее количество параметров составляет около 3 млрд, используется 4-битная квантизация с размером группы 64, а размер модели — около 2,2 ГБ. Длина контекста — 32K токенов, нативное разрешение изображений — до 512×512 пикселей. Поддерживаются OCR, понимание документов, мультиязычное понимание изображений, предсказание ограничивающих рамок и вызов функций. Заявлена поддержка арабского, китайского, английского, французского, немецкого, хинди, индонезийского, итальянского, японского, корейского, польского, португальского, русского, испанского, тайского и вьетнамского языков. Сильные стороны модели — сочетание визуального и языкового анализа, компактный размер, 4-битное представление и адаптация для эффективного запуска на Apple Silicon. Ограничения включают зависимость от экосистемы MLX и указанный предел нативного разрешения изображений; прочие ограничения производительности в README не описаны. Модель распространяется по лицензии LFM 1.0.

Liquid AI подготовила LFM2.5-VL-450M-MLX-bf16 — экспорт мультимодальной модели LFM2.5-VL-450M в формате MLX для запуска на Apple Silicon. Модель объединяет языковую основу LFM2.5-350M и визуальный энкодер SigLIP2 NaFlex; содержит 450 млн параметров и использует точность bfloat16. Модель предназначена для понимания изображений и работы с визуальными данными: распознаёт текст на изображениях, анализирует документы, отвечает на вопросы по изображению, предсказывает ограничивающие рамки объектов и поддерживает вызов функций. README заявляет мультиязычное визуальное понимание; карточка перечисляет английский, японский, корейский, французский, испанский, немецкий, итальянский, португальский, арабский и китайский языки. Репозиторий использует библиотеку MLX и формат safetensors. Лицензия указана как other, без уточнения условий в доступных данных.

coder3101/Qwen2.5-VL-7B-Instruct-heretic — мультимодальная инструкционная модель на 7,1 млрд параметров, созданная на основе Qwen/Qwen2.5-VL-7B-Instruct. Она принимает текст и изображения и формирует текстовые ответы; семейство Qwen2.5-VL также поддерживает работу с видео, включая анализ событий и временных отрезков. Архитектура модели — плотная Qwen2.5-VL с визуальным энкодером, формат весов — safetensors. Метаданные указывают контекст до 128 000 токенов; README базовой модели описывает настройку конфигурации до 32 768 токенов и YaRN для обработки более длинного текста. Модель подходит для вопросов по изображениям, чтения текста и таблиц в документах, разбора диаграмм и визуальной локализации объектов с выводом координат. Также её можно применять для анализа видео и формирования структурированных ответов. В README приведено сравнение с базовой моделью: частота отказов в указанной проверке снизилась со 100 из 100 до 5 из 100; это характеристика конкретного теста, а не гарантия поведения на всех запросах. Модель помечена как uncensored, поэтому может отвечать на запросы, от которых исходная модель отказывается. Лицензия — Apache-2.0.

WeMM-Embedding-2B-GGUF — GGUF-квантизированная версия мультимодальной модели эмбеддингов tencent/WeMM-Embedding-2B. Модель предназначена для преобразования текста, изображений и видео в векторные представления, которые можно использовать для семантического поиска, сравнения смысловой близости, кластеризации и других задач, основанных на эмбеддингах. Для мультимодального ввода требуется отдельный визуальный проектор mmproj-WeMM-Embedding-2B-BF16.gguf. Модель поддерживается в llama.cpp и доступна в вариантах BF16, Q8_0, Q6_K, Q5_K_M, Q4_K_M, IQ4_XS и IQ3_M. Выходом служит L2-нормализованный вектор размерности 2048; заявлена поддержка matryoshka-размерностей 64, 128, 256, 512, 1024 и 2048. README не указывает точный контекст, список поддерживаемых языков и архитектурные детали базовой модели. Для запуска доступны командная утилита llama-embedding и OpenAI-совместимый HTTP-сервер llama-server. По результатам теста STS-B варианты Q8_0, Q6_K, Q5_K_M и IQ4_XS практически не уступают BF16 по качеству, поэтому подходят как компактные замены исходной версии. Q4_K_M демонстрирует небольшое снижение качества, а IQ3_M — наиболее заметную потерю точности и подходит главным образом при жёстких ограничениях по объёму хранения. Модель распространяется по лицензии Apache-2.0.

MOSS-VL-Instruct-0708 — мультимодальная модель OpenMOSS, полученная supervised fine-tuning базовой MOSS-VL-Base-0708. Она предназначена для офлайн-анализа изображений и видео, следования инструкциям и визуальных рассуждений. Модель принимает текст, изображения и видео и использует архитектуру vision-language с cross-attention, связывающую визуальные представления с языковыми токенами. В README указаны 11 млрд параметров, контекст 256K и поддержка английского и китайского языков. Модель подходит для распознавания текста и разбора документов по изображениям, описания визуальных сцен, ответов на вопросы по видео, распознавания действий и локализации событий по времени. Для видео она использует абсолютные временные метки кадров, а XRoPE кодирует координаты времени, высоты и ширины. Выпущена под лицензией Apache-2.0. Ограничения включают плотные видео, узкоспециализированные области, мелкий текст на изображениях и задачи со строгими числовыми рассуждениями; для них могут потребоваться настройка выборки кадров, специальные инструкции или дообучение.

MuXodious/LFM2.5-VL-3B-absolute-heresy — мультимодальная дообученная версия LFM2.5-VL-3B, созданная с помощью инструмента Heretic и метода abliteration для уменьшения отказов модели. Она принимает текст и изображения и предназначена для визуального диалога, распознавания текста на изображениях, анализа страниц с разметкой макета и обнаружения объектов по текстовому запросу. Модель использует языковую основу LFM2.5-2.6B и визуальный энкодер SigLIP2 NaFlex; контекст составляет 32 768 токенов. Поддерживает 17 языков, включая русский, английский, китайский, арабский, хинди и европейские языки. Базовая модель рассчитана на локальное и периферийное развертывание, а карточка этой версии приводит показатели снижения отказов и низкого KL-расхождения. Подходит для коротких запросов по изображениям, распознавания и структурирования сканированных документов, а также визуального поиска объектов. Разработчик базовой модели рекомендует сценарии с высокой пропускной способностью и малой задержкой; модель не рекомендуется для задач с длинным контекстом и интенсивными рассуждениями. В метаданных указана лицензия other; конкретные условия лицензии следует проверить в репозитории.

coder3101/Qwen2.5-VL-72B-Instruct-heretic — модифицированная версия мультимодальной модели Qwen2.5-VL-72B-Instruct от Qwen, размещённая пользователем coder3101. Это плотная instruction-tuned модель класса Qwen2_5_VLForConditionalGeneration на 71,5 млрд параметров; в репозитории веса в формате safetensors, для работы используется Transformers. Модель принимает изображения и текст и формирует текстовые ответы; базовый чекпойнт поддерживает анализ видео, однако карточка этой модификации отдельно описывает главным образом результаты ablation для отказов. Модель предназначена для диалогового анализа изображений: распознавания объектов и текста, интерпретации диаграмм и макетов, локализации объектов с координатами, а также структурированного извлечения данных из счетов, форм и таблиц. Базовое семейство также заявляет понимание длинных видео, выделение событий и визуальное управление инструментами. Контекст составляет 128 000 токенов. В приведённом сравнении показатель отказов снижен с 100 из 100 у исходной модели до 8 из 100; это указывает на ослабленное поведение отказа и требует осторожности при применении. Лицензия обозначена как other, без уточнения условий в предоставленных данных.