I.8Изображения и компьютерное зрение

Qwen2.5-VL-3B-Instruct — мультимодальная модель семейства Qwen от Alibaba, дообученная для работы по инструкциям. Она сочетает языковую модель с визуальным энкодером и принимает текст вместе с изображениями или видеокадрами, отвечая текстом. Модель рассчитана на диалоговые сценарии: распознавание объектов и текста на изображениях, анализ диаграмм и макетов, понимание видео и поиск нужных временных отрезков, локализация объектов с координатами, а также формирование структурированных данных из сканов и таблиц. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и библиотеку Transformers. Метаданные указывают контекст до 128 000 токенов; в README базовая конфигурация описана как 32 768 токенов с возможностью расширения через YaRN, которое может ухудшать точность пространственной и временной локализации. Поддерживаются английский язык и визуальные сценарии, включая изображения и видео; авторы также описывают управление инструментами, компьютером и телефоном. Лицензия в предоставленных данных не указана.

InternVL3-14B-Instruct-GGUF — мультимодальная языковая модель в формате GGUF, подготовленная Unsloth на основе OpenGVLab/InternVL3-14B-Instruct. Исходную модель разработала команда OpenGVLab; она построена по схеме ViT-MLP-LLM и сочетает визуальный модуль InternViT-300M-448px-V2_5 с языковой частью Qwen2.5-14B. Это SFT-версия, прошедшая нативное мультимодальное предварительное обучение и supervised fine-tuning, но не прошедшая MPO. Модель предназначена для задач понимания изображений и текста, мультимодального восприятия и рассуждений. Заявленные сценарии включают использование инструментов, создание GUI-агентов, промышленный анализ изображений, восприятие 3D-сцен и другие мультимодальные приложения. В метаданных указана поддержка multilingual, а тип конвейера — image-text-to-text. Конкретный размер контекста в предоставленных данных не указан. К сильным сторонам относятся расширенные возможности мультимодального анализа и рассуждений, а также GGUF-квантизация, удобная для локального запуска при подходящей инфраструктуре. Ограничение версии заключается в отсутствии этапа MPO; авторы рекомендуют при сомнениях использовать базовую версию InternVL3-14B. Модель распространяется по лицензии Apache-2.0, при этом в карточке также указана ссылка на лицензию Qwen.

InternVL3-38B-GGUF — мультимодальная большая языковая модель семейства InternVL3, разработанная OpenGVLab и представленная в формате GGUF командой Unsloth. Модель предназначена для работы с текстом и изображениями, включая мультимодальное восприятие и рассуждение, анализ промышленных изображений, 3D-восприятие, использование инструментов и сценарии GUI-агентов. Заявлена поддержка multilingual-задач. Архитектура построена по схеме ViT-MLP-LLM: визуальная часть использует InternViT-6B-448px-V2_5, языковая — Qwen2.5-32B, соединённые MLP-проектором. Обозначение 38B относится к размеру модели; точные параметры GGUF-квантизации и размер контекста в представленных данных не указаны. Модель основана на OpenGVLab/InternVL3-38B и обучалась с использованием набора данных OpenGVLab/MMPR-v1.2. К сильным сторонам относятся сочетание визуального и языкового анализа, расширенные мультимодальные возможности и применение в специализированных агентных сценариях. Ограничения, такие как фактическая точность на конкретных задачах, требования к памяти и производительности, зависят от варианта GGUF и в README не уточняются. Указана лицензия Apache-2.0; также приведена ссылка на лицензию Qwen, поэтому условия использования следует сверять с лицензиями исходных компонентов.

Furiosa AI публикует этот репозиторий для запуска Qwen3-VL-32B-Instruct на ускорителях FuriosaAI RNGD с Furiosa-LLM. Это плотная мультимодальная модель на 32 млрд параметров из семейства Qwen3-VL: визуальный энкодер работает совместно с трансформерным декодером, а Interleaved-MRoPE и многоуровневое объединение признаков DeepStack поддерживают обработку изображений и видео вместе с текстом. Репозиторий содержит веса в safetensors и исполняемый пакет Furiosa; квантизация не применена. Также модель можно запускать через vLLM, SGLang и Transformers. Модель предназначена для диалога по изображениям и текстовым запросам, распознавания текста на изображениях, анализа документов и графиков, пространственных рассуждений и понимания видео. Она поддерживает вызов инструментов через парсер hermes. Вариант Instruct не использует режим рассуждений. Для запуска на RNGD описана конфигурация с 32 PE на четырёх картах. Лицензия — Apache 2.0.

Квантованный мультимодальный checkpoint базовой модели google/gemma-4-26B-A4B-it, разработанной Google. Данный вариант опубликован пользователем dhruvil237 и предназначен для задач генерации текста и обработки изображений совместно с текстовыми запросами, включая мультимодальный inference и развёртывание через vLLM. Модель использует архитектуру Gemma 4 с MoE-компонентами и имеет обозначение 26B A4B. Применена GPTQ-квантизация только весов W4A16: 4-битные знаковые симметричные групповые веса и активации в формате bfloat16, размер группы — 64. Экспорт выполнен в формате compressed-tensors/pack-quantized; калибровка проводилась на смешанных текстовых и изображенческих данных. Сильными сторонами являются существенно сниженные требования к памяти и поддержка текстовой и визуальной модальностей. Для работы требуется совместимая версия vLLM с поддержкой квантованных MoE Gemma 4; README не содержит сведений о языках, размере контекста и лицензии.

Perseus-Doc-vl-0712-i1-GGUF — это квантованные файлы GGUF базовой визуально-языковой модели Perseus-Doc-VL-0712, разработанной prithivMLmods и подготовленной к квантованию пользователем mradermacher. Модель предназначена для работы с документами и изображениями: распознавания текста, интеллектуального распознавания рукописного текста, анализа PDF и других визуальных данных, генерации подписей и преобразования изображений в текст. Доступны mmproj-файлы для мультимодального режима. В README указана поддержка английского и китайского языков. Архитектура, число параметров, размер контекста и точный набор поддерживаемых входных форматов не раскрыты. Репозиторий содержит варианты квантования от 2,0 до 6,4 ГБ; более компактные варианты требуют меньших ресурсов, но могут заметно уступать по качеству, тогда как Q4_K_M отмечен как быстрый и рекомендуемый вариант. Основные ограничения — отсутствие подробных количественных оценок, сведений о производительности и характеристиках базовой модели в карточке данного репозитория. Модель распространяется по лицензии Apache-2.0. Указанные в README датасеты включают OpenDoc-Pdf-Preview, Corvus-OCR-Caption-Mix, Openpdf-Analysis-Recognition и Opendoc2-Analysis-Recognition.

DreamFast/qwen3-8b-heretic — модифицированная версия языковой модели Qwen/Qwen3-8B, созданная сообществом DreamFast с использованием Heretic v1.2.0. Метод abliteration уменьшает склонность модели к отказам при сохранении качества исходной модели; по приведённым данным, модель отказала в 13 из 100 тестовых запросов против 100 из 100 у оригинала, а KL-дивергенция составила 0,0838. Модель предназначена для генерации текста, диалоговых сценариев и использования в качестве текстового энкодера для моделей генерации изображений, в частности Klein 9B в ComfyUI. Модель содержит около 8 млрд параметров и поддерживает работу через Transformers, llama.cpp и ComfyUI. Указан английский язык. Доступны версии в формате BF16, а также квантованные варианты FP8, INT8, INT4, NVFP4, MXFP8 и GGUF с различными уровнями точности и требованиями к памяти. Полноразмерная версия занимает около 16 ГБ, а рекомендуемая версия GGUF Q4_K_M — около 5 ГБ. Квантованные варианты используют SVD-guided learned rounding, что должно уменьшать ошибку восстановления по сравнению с обычным округлением. Сильной стороной модели является снижение числа отказов при относительно небольшом отклонении от базовой Qwen3-8B, а также широкий выбор форматов для разного оборудования. Ограничения включают наследование ограничений базовой модели, возможное ухудшение поведения из-за abliteration и различия в производительности квантованных форматов; NVFP4 и MXFP8 лучше всего подходят для видеокарт NVIDIA Blackwell, хотя поддерживается программная деквантизация на более старых GPU. Модель распространяется по лицензии Apache-2.0.

coder3101/Qwen3-VL-4B-Thinking-heretic — дообученная методом abliteration версия мультимодальной модели Qwen3-VL-4B-Thinking от Qwen. Она принимает текст и изображения, поддерживает диалог и предназначена для визуальных вопросов и ответов, анализа изображений и видео, распознавания текста на изображениях, пространственного рассуждения и взаимодействия с графическими интерфейсами. Архитектура — плотная Qwen3-VLForConditionalGeneration; веса опубликованы в формате safetensors. Базовая модель заявляет контекст до 256 тысяч токенов с возможностью расширения до 1 миллиона и поддержку OCR на 32 языках, однако эти характеристики в README относятся к исходной модели и отдельно для производной версии не подтверждены. README описывает уменьшение числа отказов: 3 отказа из 100 против 97 у исходной модели, при KL-дивергенции 0,0259. Это указывает на ослабление отказного поведения, но не гарантирует отсутствие отказов или точность ответов. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen3-VL-8B-Instruct-FP8 — мультимодальная vision-language модель серии Qwen3-VL, разработанная на базе Qwen3-VL-8B-Instruct и опубликованная Unsloth. Это FP8-квантизированная версия с мелкозернистой квантизацией и размером блока 128; заявлено, что её показатели почти идентичны исходной версии в формате BF16. Модель предназначена для понимания и генерации текста по тексту, изображениям и видео. Она поддерживает визуальное распознавание, OCR, анализ документов, пространственное и STEM-рассуждение, понимание длительных видео, генерацию HTML/CSS/JS и Draw.io по визуальным материалам, а также взаимодействие с графическими интерфейсами и инструментами. Заявлены контекст до 256 тысяч токенов с возможностью расширения до 1 миллиона, улучшенная работа с временной структурой видео и OCR для 32 языков. К архитектурным особенностям относятся плотная модель на 8 млрд параметров, визуальный энкодер ViT, механизмы Interleaved-MRoPE для позиционного кодирования времени, ширины и высоты, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками. Сильными сторонами являются сочетание текстового, визуального и видеоанализа, длинный контекст, пространственное рассуждение и сохранение качества после квантизации. Ограничение состоит в том, что на момент публикации веса нельзя напрямую загружать через Transformers; для развертывания рекомендуются vLLM или SGLang. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-8B-Thinking-FP8 — мультимодальная vision-language модель семейства Qwen, разработанная командой Qwen. Это FP8-квантизированная версия Qwen3-VL-8B-Thinking с мелкозернистым квантованием и размером блока 128; заявлено, что её метрики почти идентичны исходной версии в формате BF16. Модель предназначена для генерации текста по изображениям и тексту, визуального и мультимодального рассуждения, анализа видео, OCR, понимания пространственных отношений, а также агентского взаимодействия с графическими интерфейсами и инструментами. Модель поддерживает работу с изображениями, видео и текстом. Среди заявленных возможностей — понимание длинного контекста до 256K токенов с возможностью расширения до 1M, анализ книг и продолжительных видео, распознавание текста на 32 языках, улучшенное понимание STEM-задач, временной привязки событий в видео и генерация Draw.io/HTML/CSS/JS по изображениям и видео. В архитектуре упоминаются Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Конкретный набор языков, точные ограничения контекста для этой сборки и сведения о вычислительных требованиях в README не указаны. Сильные стороны — сочетание визуального восприятия, рассуждения, OCR, пространственного и видеоанализа при существенно меньшем размере представления благодаря FP8-квантованию. Ограничение на момент публикации README заключается в том, что Transformers не поддерживает прямую загрузку этих весов; для развёртывания рекомендуются vLLM или SGLang. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-8B-Thinking-GGUF — мультимодальная vision-language модель семейства Qwen, разработанная командой Qwen. Репозиторий содержит GGUF-веса модели Qwen3-VL-8B-Thinking, разделённые на языковую модель и vision encoder в формате mmproj. Модель предназначена для анализа изображений и видео, генерации и понимания текста, визуального рассуждения, OCR, пространственного анализа, STEM- и математических задач, визуального программирования, а также взаимодействия с графическими интерфейсами и инструментами. Модель относится к thinking-редакции и имеет размер 8B параметров. Поддерживаются варианты языковой части FP16, Q8_0 и Q4_K_M, а vision encoder доступен в FP16 и Q8_0. Заявлены нативный контекст 256K с возможностью расширения до 1M, работа с длительными видео и распознавание текста на 32 языках. Архитектурные особенности включают Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Модель поддерживает мультимодальный ввод изображений и видео, однако конкретный список языков помимо OCR в README не указан. GGUF-файлы совместимы с llama.cpp, Ollama и другими инструментами экосистемы GGUF и могут запускаться на CPU, NVIDIA GPU через CUDA, Apple Silicon через Metal и Intel GPU через SYCL. Доступны разные уровни точности для компромисса между качеством, скоростью и требованиями к памяти; при этом производительность зависит от выбранной квантизации и оборудования. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-4B-Instruct-FP8 — FP8-квантизированная версия мультимодальной модели Qwen3-VL-4B-Instruct из семейства Qwen. Репозиторий содержит веса с мелкозернистой FP8-квантизацией и размером блока 128; по данным карточки, показатели почти идентичны исходной версии BF16. Разработчик в README явно не назван, но модель относится к серии Qwen. Модель предназначена для понимания и генерации текста по изображениям и видео, визуального анализа, OCR, пространственного рассуждения, обработки документов, STEM-задач, визуального программирования и взаимодействия с графическими интерфейсами через инструменты. Она поддерживает анализ изображений и видео, включая временную привязку событий, а также сценарии visual agent для PC и мобильных GUI. Заявлена поддержка контекста 256K токенов с возможностью расширения до 1M и OCR на 32 языках; конкретный перечень языков в README не приведён. К ключевым архитектурным особенностям относятся Interleaved-MRoPE для позиционного кодирования времени, ширины и высоты, DeepStack для объединения многоуровневых признаков ViT и выравнивание текста с временными метками. Сильными сторонами являются мультимодальное рассуждение, распознавание текста в сложных условиях, понимание пространственных отношений и длинных видео. Ограничение состоит в том, что на момент публикации Transformers не поддерживает прямую загрузку этих весов; для развёртывания рекомендуются vLLM или SGLang. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen3-VL-32B-Thinking-GGUF — GGUF-версия мультимодальной модели Qwen3-VL-32B-Thinking, разработанной командой Qwen и подготовленной Unsloth. Модель предназначена для обработки текста, изображений и видео, включая визуальный вопросно-ответный диалог, анализ документов, распознавание текста, STEM- и математическое рассуждение, пространственный анализ, понимание длительных видеосцен и взаимодействие с графическими интерфейсами через инструменты. Модель относится к reasoning-ориентированной версии Qwen3-VL и содержит 32B параметров в базовой конфигурации. Заявлена поддержка контекста длиной 256K токенов с возможностью расширения до 1M, а также видео с временной привязкой событий. Среди архитектурных особенностей указаны Interleaved-MRoPE для позиционного кодирования по времени, ширине и высоте, DeepStack для объединения многоуровневых визуальных признаков и Text–Timestamp Alignment для временного анализа видео. OCR поддерживает 32 языка; при этом полный перечень языков в README не приведён. Сильные стороны модели — объединённое понимание текста и визуальных данных, расширенные возможности рассуждения, детальное восприятие объектов и пространственных отношений, анализ длинных документов и видео, а также генерация кода и разметки по визуальным материалам. Ограничения включают высокие требования к вычислительным ресурсам, характерные для модели такого размера, возможные потери качества из-за GGUF-квантизации и отсутствие в README точных сведений о конкретном варианте квантизации, системных требованиях и результатах бенчмарков. Модель распространяется по лицензии Apache-2.0.

Карточка модели xg3s/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-Thinking-GGUF — мультимодальная vision-language модель серии Qwen3-VL, разработанная командой Qwen. Данный вариант подготовлен Unsloth в формате GGUF и предназначен для локального запуска и эффективного инференса в совместимых средах, включая llama.cpp. Модель рассчитана на анализ изображений, текста и видео, генерацию ответов с усиленным рассуждением, решение STEM- и математических задач, распознавание текста и структур документов, пространственный анализ, понимание временной динамики видео, а также взаимодействие с графическими интерфейсами и инструментами. Заявлены возможности визуального программирования по изображениям и видео, включая генерацию Draw.io, HTML, CSS и JavaScript. Размер модели составляет 2B параметров. Она использует мультимодальную архитектуру Qwen3-VL с механизмами Interleaved-MRoPE, DeepStack и выравниванием текста с временными метками. Заявлена длина контекста 256K токенов с возможностью расширения до 1M. OCR поддерживает 32 языка, однако полный перечень языков в README не приведён. Модель ориентирована на сочетание визуального восприятия, текстового понимания и рассуждений, но README не содержит подробных числовых результатов тестирования или информации о конкретных ограничениях качества. Лицензия — Apache 2.0. Для запуска в llama.cpp рекомендуется использовать параметр --jinja из-за исправлений шаблона чата Unsloth.

InternVL3-38B-Instruct-GGUF — мультимодальная instruction-tuned модель, опубликованная Unsloth на основе OpenGVLab/InternVL3-38B. Это SFT-версия InternVL3: она прошла нативное мультимодальное предварительное обучение и дообучение с учётом инструкций, но не проходила MPO. Модель предназначена для понимания изображений и текста, мультимодального восприятия и рассуждений, работы с инструментами, создания GUI-агентов, промышленного анализа изображений и задач 3D-восприятия. Заявлена поддержка multilingual-сценариев. Архитектура построена по схеме ViT-MLP-LLM и включает визуальную часть InternViT-6B-448px-V2_5 и языковую часть Qwen2.5-32B; общий размер семейства для этой конфигурации — 38B параметров. Распространяемая версия представлена в формате GGUF и использует квантизацию Unsloth Dynamic 2.0, однако конкретный вариант квантизации, требования к памяти и размер контекста в предоставленных данных не указаны. Сильными сторонами являются сочетание анализа изображений с генерацией текста, мультимодальное рассуждение и широкий спектр прикладных сценариев. Модель может быть менее подходящей для задач, требующих точных гарантий фактической корректности, а значительный размер и мультимодальная архитектура предполагают высокие требования к вычислительным ресурсам. Для выбора между версиями семейства авторы рекомендуют рассмотреть базовую InternVL3-38B. В метаданных указана лицензия Apache-2.0; также приведена ссылка на лицензию Qwen.

unsloth/Qwen3-VL-4B-Instruct-unsloth-bnb-4bit — это квантованная 4-битная версия мультимодальной модели Qwen3-VL-4B-Instruct, разработанной командой Qwen и подготовленной Unsloth. Модель предназначена для понимания и генерации текста на основе изображений, а также для работы с видео и текстовыми запросами. Модель имеет размер 4B параметров и архитектуру vision-language с режимом Instruct. Она поддерживает визуальное распознавание, OCR для 32 языков, анализ пространственных отношений, понимание длительных видеосцен, мультимодальное рассуждение в STEM-задачах и взаимодействие с графическими интерфейсами ПК и мобильных устройств. Заявлен нативный контекст до 256K токенов с возможностью расширения до 1M. Среди архитектурных компонентов указаны Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Сильными сторонами являются сочетание текстового и визуального понимания, обработка изображений, документов и видео, распознавание текста в сложных условиях, а также задачи визуального программирования и управления интерфейсами. Ограничения включают зависимость качества и совместимости от 4-битного квантования, а также необходимость подходящей аппаратной и программной конфигурации для длинного контекста и видео; конкретные языки, требования к ресурсам и детальные числовые результаты в README не указаны. Модель распространяется по лицензии Apache-2.0.

Huihui-Qwen3.8-27B-Abliterated-INT4-W4A16-AutoRound — производная мультимодальная модель, опубликованная LeTechLead на основе Huihui-Qwen3.8-27B-abliterated и Qwen3.8-27B от Qwen. Она предназначена для генерации и понимания текста, а также обработки изображений и видео в сценариях, поддерживаемых архитектурой Qwen3.5 и установленными библиотеками Transformers или vLLM. Модель сохраняет аблированное поведение исходной версии и может использоваться для исследований, оценки и контролируемых приложений. Архитектура указана как Qwen3_5ForConditionalGeneration; текстовая часть содержит 64 слоя, скрытое представление размером 5120, словарь из 248 320 токенов и максимальный контекст до 262 144 позиций. В конфигурации предусмотрены 48 слоёв с linear attention и 16 слоёв с полной attention, MTP-путь и vision tower. Языки явно не указаны. Языковая часть и MTP-путь квантизованы методом AutoRound до INT4 в формате W4A16 с размером группы 128, тогда как vision tower сохраняет BF16. Индексированные веса представляют около 6,28 млрд параметров, размер репозитория — около 19,02 ГБ. Ключевые преимущества модели — мультимодальность, длинный контекст и снижение требований к памяти благодаря 4-битной квантизации. Ограничения включают зависимость от совместимых версий Transformers или vLLM, требований доступного оборудования и возможное ухудшение характеристик из-за квантизации. Модель может генерировать чувствительный, спорный или небезопасный контент, поэтому результаты требуют проверки. Указана лицензия Apache-2.0; пользователи несут ответственность за соблюдение законодательства, правил платформ и организационных политик.

Qwen3.8-27B-MLX-oQ4e-mtp — квантованная MLX-версия мультимодальной модели Qwen3.8-27B, разработанной Qwen. Модель предназначена для задач генерации текста и визуального понимания, включая обработку изображений и видео, а также для локального запуска на устройствах Apple Silicon через oMLX или mlx-vlm. Модель содержит около 27 млрд параметров и занимает примерно 16 ГБ. Используется улучшенная примерно 4-битная oQ4e-квантизация с эффективной точностью около 4,9 бит на вес, размером группы 64, imatrix-калибровкой и компенсацией ошибок на основе Hessian. В состав входит vision tower для работы с изображениями и видео. Сохранён нативный MTP head с одним дополнительным скрытым слоем, что позволяет использовать Lightning-MTP для спекулятивного декодирования в oMLX. Заявлена поддержка контекстного окна до 262144 токенов при соответствующей настройке. Сильные стороны модели — сочетание мультимодальности, сниженного потребления памяти, сохранённой совместимости с MTP и высокой скорости декодирования: на M5 Max заявлены около 54 токенов в секунду и принятие черновых токенов на уровне 81%. Ограничения включают зависимость от MLX-совместимого оборудования и программного обеспечения, а также возможную потерю точности из-за квантизации; конкретные языки в README не указаны. Модель распространяется по лицензии Apache-2.0.

GRM-OCR — компактная модель оптического распознавания символов от OrionLLM на 300 млн параметров, дообученная на основе tiiuae/Falcon-OCR. Она использует архитектуру Falcon-OCR с ранним объединением изображений и текста в одном Transformer без отдельного визуального энкодера и принимает изображения документов для извлечения текста. Модель предназначена для распознавания печатного и рукописного текста на сканах и фотографиях, а также для извлечения таблиц, формул, заголовков, подписей и других элементов документов. Для страниц со сложной структурой доступен двухэтапный сценарий: PP-DocLayoutV3 выделяет области, после чего GRM-OCR распознаёт содержимое каждого фрагмента. Модель рассчитана на локальный запуск, периферийные устройства и высокопроизводительную обработку; заявлена совместимость с vLLM. Репозиторий выпущен по лицензии Apache 2.0. README описывает OCR для разных типов документов, однако не приводит перечень поддерживаемых языков или измерения качества; результаты могут зависеть от качества изображения и сложности макета.

GLM-5.3-Flash-UNCENSORED-GGUF — мультимодальная модель семейства GLM, разработанная на основе архитектуры Zhipu AI / ZAI. Некензурированные веса предоставлены dealignai, а GGUF-квантизация и мультимодальный релиз выполнены Solstice-AI. Модель предназначена для генерации и понимания текста, анализа изображений и видео, а также запуска через llama.cpp и совместимые инструменты. В качестве базовой модели указана dealignai/GLM-5.3-Flash-UNCENSORED-FP8. Релиз включает мультимодальный проектор mmproj-BF16.gguf размером 1,11 ГБ с Vision Transformer и временным и пространственным объединением патчей. Поддерживаются английский и китайский языки; заявлены модальности текста, изображений и видео. Для работы указан контекст до 131 072 токенов. В комплект также входят веса DFlash 2 для speculative decoding, позволяющие ускорить генерацию при использовании совместимой конфигурации. Доступны варианты GGUF-квантизации, включая Q4_K_M и Q8_0, а также BF16-компоненты. Сильными сторонами модели являются мультимодальный анализ, поддержка видео, большой контекст, интеграция с llama.cpp и возможность ускорения вывода посредством speculative decoding. Ограничения связаны с необходимостью отдельного мультимодального проектора, совместимого рантайма и, вероятно, значительных вычислительных ресурсов; конкретные требования к памяти и производительности в README не указаны. Модель распространяется по лицензии MIT.

unsloth/Qwen2.5-VL-3B-Instruct-unsloth-bnb-4bit — инструкция-дообученная мультимодальная модель семейства Qwen2.5-VL, разработанная командой Qwen и представленная в 4-битном формате квантования unsloth-bnb. Модель основана на Qwen/Qwen2.5-VL-3B-Instruct и предназначена для обработки изображений, видео и текста с использованием библиотеки Transformers. Модель поддерживает анализ объектов, текста, таблиц, графиков, документов и компоновки изображений, визуальную локализацию объектов с помощью координатных рамок или точек, структурированный вывод данных, а также понимание длительных видеоматериалов и выделение релевантных моментов. Она также ориентирована на агентские сценарии, включая взаимодействие с компьютером и мобильными устройствами. Архитектура включает языковую модель на 3 миллиарда параметров и оптимизированный vision encoder на базе ViT с window attention, SwiGLU и RMSNorm; для видео используются динамическое разрешение и динамическая частота выборки кадров. В метаданных указан английский язык, однако полный набор поддерживаемых языков в README не раскрыт, как и размер контекстного окна. К сильным сторонам относятся компактный размер, сниженные требования к памяти благодаря 4-битному представлению, работа с визуальными документами, видео и структурированными ответами, а также поддержка агентских задач. Ограничения включают меньшую ёмкость по сравнению с версиями на 7 и 72 миллиарда параметров и неравномерные результаты на разных бенчмарках; производительность зависит от типа визуального и агентского сценария. Лицензия указана как qwen-research; подробные условия приведены по ссылке на лицензию базовой модели.

Qwen3-VL-32B-Instruct-Heretic — мультимодальная модель для диалога по тексту и изображениям, созданная как дообученная версия Qwen/Qwen3-VL-32B-Instruct. Она предназначена для ответов на вопросы об изображениях, визуального рассуждения, распознавания текста и анализа видео; архитектура Qwen3-VL dense содержит 32 млрд параметров. В карточке базовой модели заявлены контекст 256 тыс. токенов с возможностью расширения до 1 млн и OCR на 32 языках. Модель сохраняет возможности базовой версии для текстового и визуального понимания, включая пространственное рассуждение и разбор интерфейсов. Abliteration заметно снижает частоту отказов в указанном сравнении: 4 из 100 против 89 из 100 у исходной модели; это не гарантирует корректность или безопасность ответов. Доступна по лицензии Apache-2.0.

unsloth/Qwen3-VL-8B-Thinking — версия весов Qwen3-VL-8B-Thinking, опубликованная Unsloth. Это плотная мультимодальная модель класса Qwen3VLForConditionalGeneration с режимом рассуждений Thinking; репозиторий содержит веса в формате safetensors и исправленный шаблон чата. Модель принимает текст и изображения и предназначена для ответов по визуальному содержимому, распознавания текста на изображениях, анализа видео и пространственных рассуждений. Среди сценариев применения — разбор документов и сцен, визуальные вопросы и ответы, понимание временных событий в видео, оценка взаимного расположения объектов и работа с интерфейсами через инструменты. В README заявлены контекст 256 тысяч токенов с возможностью расширения до 1 миллиона и OCR на 32 языках; эти характеристики относятся к описанию семейства Qwen3-VL. Указана лицензия Apache-2.0. Заявления о превосходстве по точности в карточке не сопровождаются результатами бенчмарков.

GLM-5.3-Flash-MLX-mixed-4_8bit — это порт модели GLM-5.3-Flash от zai-org, подготовленный PipeNetwork для MLX и Apple Silicon. Модель предназначена для генерации текста и изображений с текстовыми инструкциями, включая мультимодальные сценарии; vision tower сохранён в формате bfloat16. Архитектура исходной модели не изменена, однако слой multi-token prediction (layer 45) в этой сборке отсутствует. Модель имеет 320B параметров с архитектурой mixture-of-experts и активной конфигурацией A18B. Она объединяет 34 слоя линейного внимания Kimi-Delta и 11 слоёв разреженного внимания DeepSeek с NoPE MLA и lightning indexer, а также использует manifold-constrained hyper-connections. Маршрутизируемые эксперты занимают около 304B параметров и квантизированы в 4 бита, остальные основные компоненты — в 8 бит; параметры vision tower имеют формат bfloat16. Размер файлов составляет 181,9 ГБ. Сильная сторона сборки — существенное сокращение размера относительно 642,7 ГБ для исходной версии bfloat16 при сохранении приемлемого качества: perplexity на wikitext-2 составляет 3,5705 против 3,4607 у 8-битной версии. Для корректной работы рекомендуется исправленный runtime из проекта glm53-flash-mlx; стандартная ветка mlx-vlm содержит известные расхождения в вычислениях. README не указывает поддерживаемые языки и размер контекстного окна. Модель распространяется по лицензии MIT.

LightOnOCR-2-1B-bbox-soup — объединённая модель LightOnAI на 1 млрд параметров для распознавания и разбора документов. Это плотная vision-language модель семейства Mistral 3, принимающая изображения страниц и выдающая текст; вариант bbox-soup объединяет улучшения OCR с обучением на локализацию текста и предназначен также для вывода ограничивающих рамок. Модель подходит для преобразования PDF-страниц, сканов и фотографий документов в текст с естественным порядком чтения, обработки таблиц и форм, а также локализации текста на изображении. В карточке заявлены улучшения для французского языка, документов arXiv, сканов и обработки LaTeX. Для PDF рекомендуется предварительно рендерить каждую страницу в PNG или JPEG с максимальной стороной около 1540 пикселей. README сообщает о высокой скорости и результатах на OlmOCR-Bench, но численные сравнения в карточке приведены неполно, поэтому их следует сверять с публикацией. Для работы требуется версия Transformers из исходного кода, ещё не включённая в стабильный выпуск. Модель распространяется по лицензии Apache-2.0.

Llama 3.2 11B Vision Instruct — мультимодальная языковая модель Meta для диалога по изображениям. Она основана на авторегрессионном трансформере Llama 3.1 с отдельно обученным адаптером зрения: слои cross-attention передают представления изображений в языковую модель. Версия Instruct настроена с помощью supervised fine-tuning и обучения с обратной связью от людей. Модель содержит 11 млрд параметров и поддерживает контекст длиной до 128 тыс. токенов. Модель принимает текст и изображения и генерирует текст. Она предназначена для визуального распознавания и рассуждений, ответов на вопросы об изображениях и документах, создания подписей к изображениям, поиска соответствий между изображениями и текстом и визуальной привязки описаний к областям изображения. Для задач с изображениями официально поддерживается английский язык; для текстовых задач также заявлены немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Модель рассчитана на коммерческое и исследовательское применение. Лицензия Llama 3.2 Community License является пользовательской коммерческой лицензией; использование также ограничено Acceptable Use Policy. Это статическая модель, обученная на офлайн-данных; знания ограничены временным срезом до декабря 2023 года.

GLM-4.6V — мультимодальная модель семейства GLM-V, разработанная Z.ai. Это базовая модель на 106 млрд параметров для облачных вычислений и высокопроизводительных кластеров; она использует архитектуру GLM4V-MoE и поддерживает чат с изображениями. Контекст при обучении составляет до 128 тыс. токенов. Модель рассчитана прежде всего на визуальное понимание и мультимодальные рассуждения: она анализирует изображения, снимки экранов и страницы документов, совместно учитывая текст, структуру, таблицы, диаграммы и иллюстрации. Модель подходит для вопросов по длинным и визуально насыщенным документам, понимания изображений и экранных интерфейсов, а также для построения агентов с вызовом инструментов на основе визуального контекста. Она также может создавать смешанный текстово-графический контент и генерировать HTML/CSS по снимкам интерфейсов. В README заявлены результаты уровня лучших моделей сопоставимого размера в задачах визуального понимания, однако чисто текстовые ответы слабее, чем визуальные возможности; на сложных запросах возможны избыточные или повторяющиеся рассуждения, а точность подсчёта объектов и распознавания конкретных людей ограничена. Репозиторий распространяется по лицензии MIT.

GPT-6 Sol — высокопроизводительная модель OpenAI из серии GPT-6, рассчитанная на сложные профессиональные задачи. В линейке она занимает промежуточное положение между флагманской GPT-6 Astra и более быстрой моделью GPT-6 Luna. Метаданные каталога относят модель к задаче image-text-to-text. Доступный фрагмент README не раскрывает подробности архитектуры, размера, поддерживаемых языков, контекстного окна, модальностей ввода и вывода или лицензии.

MOSS-VL-Instruct-0408 — мультимодальная модель OpenMOSS, дообученная методом supervised fine-tuning на основе MOSS-VL-Base-0408. Она предназначена для понимания изображений и видео, визуальных вопросов и ответов, распознавания текста и разбора документов, визуальных рассуждений и выполнения инструкций. Модель особенно ориентирована на анализ длинных видео: рассуждение о последовательности событий, распознавание действий и привязку событий ко времени. Архитектура использует перекрёстное внимание, раздельно обрабатывающее визуальное представление и языковое рассуждение; временные метки кадров помогают учитывать ход событий, а XRoPE кодирует время и пространственные координаты. Модель поддерживает чередование изображений и видео в одном потоке и диалоговый интерфейс. В карточке заявлены сильные результаты на задачах понимания видео, визуального восприятия и OCR. Модель описана как ранний этап развития семейства; математические и программные рассуждения, а также многошаговое поведение требуют дальнейшего улучшения. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0.