II.1Анализ требований и архитектура ПО

Qign Qwen3-VL-8B-Instruct-abliterated-v2-GGUF — это GGUF-версия мультимодальной модели prithivMLmods, основанной на Qwen3-VL-8B-Instruct от Alibaba. Модель содержит около 8 млрд параметров и предназначена для задач image-text-to-text: анализа изображений, подробного описания визуального содержимого, следования инструкциям и мультимодального рассуждения. Доступны варианты квантования от Q2_K до Q8_0, а также F16; размер файлов составляет примерно от 3,28 до 16,4 ГБ, отдельно предоставляются мультимодальные проекционные файлы mmproj в форматах Q8_0 и F16. Заявлены поддержка механизма Interleaved-MRoPE, контекста длиной до 262 тысяч токенов, OCR на 32 языках, различных разрешений и соотношений сторон, видео и сложных макетов. Основным языком считается английский, при этом заявлена возможность мультиязычного использования. Вариант abliterated модифицирован для снижения или удаления отказов и защитных ограничений базовой модели, что может быть полезно для исследований безопасности, red-teaming, творческих и технических сценариев, но одновременно повышает риск генерации нежелательного, небезопасного или неточного контента. Для запуска рекомендуются инструменты llama.cpp, Transformers или vLLM; требования к памяти зависят от выбранного варианта квантования. Модель распространяется по лицензии Apache-2.0.

facebook/bart-base — базовая англоязычная модель семейства BART, разработанная командой Facebook AI и впервые опубликованная в этом репозитории. Это трансформерная encoder-decoder модель типа seq2seq: двунаправленный энкодер сочетается с авторегрессионным декодером. Модель содержит 95,2 млн параметров, обучена восстанавливать исходный текст после его искажения и поддерживает контекст до 1024 токенов. Модель предназначена прежде всего для извлечения признаков и дообучения на текстовых задачах. После дообучения BART применяют для суммаризации, перевода, классификации текста и ответов на вопросы; исходная модель также подходит для заполнения пропусков в тексте. Репозиторий содержит веса в форматах PyTorch, TensorFlow и Flax, включая safetensors. Лицензия — Apache 2.0.

GLM-4.5V-FP8 — мультимодальная vision-language модель, разработанная ZhipuAI на базе текстовой модели GLM-4.5-Air. Она предназначена для анализа изображений, видео и документов, визуального рассуждения, понимания интерфейсов и задач GUI-агента, а также точной локализации объектов на изображениях. Модель поддерживает китайский и английский языки и работает через библиотеку Transformers. Модель имеет архитектурную основу GLM-4.5-Air с 106 млрд параметров, из которых 12 млрд активны, и представлена в формате FP8. Она поддерживает режим Thinking Mode для выбора между быстрыми ответами и углублённым рассуждением, умеет выполнять анализ сцен и нескольких изображений, распознавать события в длинных видео, разбирать сложные графики и длинные документы, а также возвращать координаты ограничивающих рамок объектов в нормализованном формате. Заявлена высокая эффективность на 42 публичных vision-language бенчмарках среди моделей сопоставимого масштаба. Ограничения, включая размер контекста, перечень поддерживаемых форматов и требования к ресурсам, в README не указаны. Модель распространяется по лицензии MIT.

Llama 3.1 Swallow 8B v0.2 — языковая модель команды Swallow из лабораторий Okazaki и YOKOTA Токийского технологического института. Это плотная авторегрессионная модель семейства Llama 3.1 с 7,5 млрд параметров, дообученная продолжением предварительного обучения на примерно 200 млрд токенов, включая японский веб-корпус, японскую и английскую Википедии, математические тексты и код. Репозиторий содержит веса safetensors; для работы модель рассчитана на библиотеку Transformers. Модель предназначена для генерации текста на японском и английском языках, включая ответы на вопросы, понимание и пересказ текста, перевод, математические рассуждения и генерацию кода. Контекстное окно составляет 8192 токена. Разработчики сообщают об усилении возможностей японского языка при сохранении возможностей английской версии Llama 3.1 и приводят оценки на японских и англоязычных тестах. Это базовая версия, а не вариант Instruct; авторы предупреждают, что модель не настроена для надёжного следования человеческим намерениям и требованиям безопасности. Лицензия — Llama 3.1 License (llama3.1), её условия применяются при использовании модели.

Phi-4-Reasoning-Vision-15B — мультимодальная модель Microsoft, дообученная на базе Phi-4-Reasoning. Она объединяет плотную языковую архитектуру Phi-4 с визуальным энкодером SigLIP-2 через промежуточное слияние признаков: изображения преобразуются в визуальные токены и передаются языковой модели. Динамическое разрешение поддерживает до 3600 визуальных токенов на изображение, а контекст составляет 32 768 токенов. Модель предназначена для понимания изображений с возможностью пошаговых рассуждений. Она решает математические и научные задачи по изображениям, анализирует диаграммы, графики, таблицы и документы, распознаёт текст, описывает сцены, локализует объекты и элементы интерфейса. В задачах, требующих рассуждений, может формировать развернутый ход решения; для задач восприятия обычно отвечает напрямую. Подходит для визуальных помощников и агентов, работающих с графическим интерфейсом. Модель обучена преимущественно на английском языке и англоязычных парах «изображение—текст», поэтому на других языках качество может снижаться. Возможны ошибки распознавания и фактические ошибки; перед применением в значимых сценариях необходима отдельная оценка. Разработчик не рекомендует использовать её для медицинской диагностики, юридических консультаций, финансового планирования и решений, влияющих на жизненные возможности людей. Лицензия — MIT.

Карточка модели lyNjx/Qwen2.5-0.5B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-0.5B-Instruct, поэтому описание составлено по ней. Qwen/Qwen2.5-0.5B-Instruct — компактная инструктивно настроенная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов, выполнения инструкций и генерации текста, включая длинные ответы, структурированные данные и JSON; также может применяться для простых задач по коду и математике. Модель построена на архитектуре Qwen2 с причинным языковым моделированием и содержит 494 млн параметров. В карточке указаны 24 слоя, RoPE, SwiGLU, RMSNorm и группированное внимание; контекст — 32 768 токенов, генерация — до 8 192 токенов. Модель работает с текстом, поддерживает чат и интерфейс вызова инструментов. Семейство Qwen2.5 заявляет поддержку более 29 языков, включая русский и английский. Небольшой размер упрощает запуск по сравнению с крупными языковыми моделями, но ограничивает сложность задач, которые она может надёжно решать. Модель распространяется по лицензии Apache-2.0; для загрузки через Transformers рекомендуется актуальная версия библиотеки.

Mungert/Qwen2.5-0.5B-Instruct-GGUF — это компактная инструкционная языковая модель семейства Qwen2.5, разработанная командой Qwen при участии Alibaba Cloud. Модель предназначена для диалоговых сценариев, генерации текста, следования инструкциям, работы со структурированными данными и создания структурированных ответов, включая JSON. Она также ориентирована на задачи программирования и математики, однако из-за небольшого размера её возможности ограничены по сравнению с более крупными моделями. Модель представляет собой causal language model на архитектуре Transformer с RoPE, SwiGLU, RMSNorm, смещениями в QKV-матрицах внимания и связанными эмбеддингами слов. Она содержит около 0,49 млрд параметров, из которых 0,36 млрд не относятся к эмбеддингам, 24 слоя и Grouped Query Attention с 14 головами для Q и 2 для K/V. Полная длина контекста составляет 32 768 токенов, максимальная длина генерации — 8192 токена. Поддерживаются более 29 языков, включая английский, китайский, французский, испанский, немецкий, русский, японский, корейский, арабский и другие. Модель работает с текстом и не предназначена для мультимодальных задач. К сильным сторонам относятся малый размер, улучшенное следование инструкциям, генерация длинных текстов, устойчивость к различным системным промптам и поддержка структурированного вывода. Ограничениями являются компактная ёмкость модели и отсутствие заявленной поддержки изображений, аудио или других модальностей; подробные показатели производительности в README не приведены. Модель распространяется по лицензии Apache 2.0.

natfii/Qwen3.6-27B-VLM-Cascade — мультимодальная модель рассуждений и работы с изображениями, созданная natfii на основе Qwen/Qwen3.6-27B. Модель дообучена по каскадному рецепту: SFT для запуска рассуждений, затем последовательное обучение с подкреплением по проверяемым результатам и on-policy дистилляция. Это полноточный контрольный вариант BF16 на 27 млрд параметров с гибридной архитектурой: 16 слоёв полного внимания и 48 слоёв линейного внимания; визуальный модуль сохранён и заморожен при дообучении. Модель предназначена для локальных сценариев с визуальными вопросами и ответами, сложными рассуждениями и агентным использованием инструментов. Режим пошагового рассуждения включается отдельно; по умолчанию модель отвечает без видимой цепочки рассуждений. В репозитории также есть MTP черновая голова для ускоренного спекулятивного декодирования NEXTN, которое влияет на скорость генерации, но не на её итоговый текст. Поддерживаются входы с текстом и изображениями, выход — текст. Карточка не сообщает длину контекста или набор поддерживаемых естественных языков. Модель выпущена под лицензией Apache-2.0. Она не проходила полноценную оценку для производственного применения; автор предупреждает о возможном ухудшении визуального заземления после обучения на рассуждениях, склонности к повторным проверкам в режиме thinking и необходимости отдельно измерять эффективность MTP на целевой инфраструктуре.

Gemma-4-26B-A4B-it-ROCmFP4-GGUF — квантизированная GGUF-версия мультимодальной модели Google Gemma-4-26B-A4B-it, опубликованная пользователем kingjones777. Модель предназначена для генерации текста и работы с изображениями; заявлена поддержка vision, а также сценариев с speculative decoding и tool calling. Архитектура MoE содержит 26 млрд параметров всего, из которых около 4 млрд активируются для каждого токена. Доступны варианты квантизации ROCmFP4 и ROCmFPX с разрядностью от 4 до 8 бит и размером примерно от 12,7 до 24,7 GiB. Для vision требуется отдельный проектор mmproj-BF16.gguf, а для speculative decoding — drafter mtp-gemma-4-26B-A4B-it-Q8_0.gguf. На AMD Strix Halo с Ryzen AI MAX+ 395, 128 ГБ unified memory и ROCm 7.2.4 заявлена скорость до 60,11 токена в секунду с MTP и до 58,33 токена в секунду без него. Основные преимущества — сочетание текстовых и визуальных возможностей, MoE-эффективность, несколько вариантов точности и высокая производительность на совместимом AMD-оборудовании. Ограничение состоит в том, что модель требует сборку llama.cpp с поддержкой ROCmFPX и не загружается в стандартные llama.cpp, Ollama или LM Studio. MTP и vision нельзя использовать одновременно, а совместимость speculative decoding может зависеть от версии сборки и платформы. Лицензия указана как Gemma; поддерживаемые языки и максимальный контекст в README не обозначены.

knowledgator/gliclass-instruct-edge-v1.0 — компактная модель классификации последовательностей семейства GLiClass, разработанная Knowledgator. Она предназначена для классификации текста с произвольными метками в zero-shot и few-shot сценариях: метки и их описания задаются при запросе, без обязательного дообучения под каждую задачу. По README модель также применяют для определения тематики, тональности и намерений, проверки следования правилам, обнаружения галлюцинаций и оценки безопасности ответов LLM, NLI и ранжирования релевантности текста. Модель использует архитектуру GLiClass и распространяется в формате safetensors. В версии V3 библиотека GLiClass поддерживает иерархические метки, примеры в контексте, описания меток и промпты задач. В приведённых бенчмарках edge-вариант уступает более крупным вариантам GLiClass по F1 на тестах CR, SST-2 и SST-5, что отражает компромисс между размером и качеством. В карточке не приведены размер модели, контекстное окно и поддерживаемые языки. Лицензия — Apache-2.0.

unsloth/LFM2-1.2B-unsloth-bnb-4bit — 4-битная версия модели LFM2-1.2B, разработанной Liquid AI и подготовленной Unsloth. Это гибридная Liquid-модель для edge AI и локального запуска на устройствах, включая смартфоны, ноутбуки и автомобили. Она поддерживает выполнение на CPU, GPU и NPU и предназначена для эффективного использования памяти и высокой скорости инференса. Модель содержит около 1,17 млрд параметров, 16 слоёв, включая 10 сверточных и 6 attention-слоёв, использует архитектуру с мультипликативными gates и короткими свёртками, а также поддерживает контекст до 32 768 токенов. Модель обучена на 10 трлн токенов и рассчитана на английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Она предназначена для агентских сценариев, извлечения данных, RAG, творческого письма и многоходовых диалогов; для узких задач рекомендуется дополнительная настройка. К сильным сторонам относятся компактность, скорость обучения и инференса, эффективность на CPU и сравнительно высокая производительность среди моделей аналогичного размера в задачах знаний, математики, следования инструкциям и многоязычности. Ограничения связаны с небольшим размером: модель не рекомендуется для ресурсоёмких задач, требующих глубоких знаний или программирования. В карточке указана лицензия LFM Open License v1.0; конкретные условия использования следует проверять в тексте лицензии Liquid AI.

Карточка модели DdaanZzubb/Qwen2.5-0.5B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-0.5B-Instruct, поэтому описание составлено по ней. Qwen/Qwen2.5-0.5B-Instruct — компактная инструктивно настроенная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов, выполнения инструкций и генерации текста, включая длинные ответы, структурированные данные и JSON; также может применяться для простых задач по коду и математике. Модель построена на архитектуре Qwen2 с причинным языковым моделированием и содержит 494 млн параметров. В карточке указаны 24 слоя, RoPE, SwiGLU, RMSNorm и группированное внимание; контекст — 32 768 токенов, генерация — до 8 192 токенов. Модель работает с текстом, поддерживает чат и интерфейс вызова инструментов. Семейство Qwen2.5 заявляет поддержку более 29 языков, включая русский и английский. Небольшой размер упрощает запуск по сравнению с крупными языковыми моделями, но ограничивает сложность задач, которые она может надёжно решать. Модель распространяется по лицензии Apache-2.0; для загрузки через Transformers рекомендуется актуальная версия библиотеки.

Qwen3.5-0.8B-MTP-GGUF — это GGUF-версия мультимодальной модели Qwen3.5-0.8B, разработанной командой Qwen компании Alibaba и представленной пользователем prithivMLmods. Модель предназначена для локального понимания и генерации текста и изображений, включая лёгкое OCR, разбор документов, визуальные вопросы и ответы, многоязычные чат-боты и базовые задачи программирования. Поддерживаются интеграции с Ollama, vLLM и llama.cpp, что позволяет использовать модель без облачных зависимостей, в том числе на маломощных устройствах и встраиваемых системах. Модель содержит около 0,8 млрд параметров и использует плотную мультимодальную архитектуру с комбинацией Gated DeltaNet и разреженного MoE, 24 слоями, скрытым размером 1024 и словарём из 248 тысяч токенов. Заявлена поддержка 201 языка, работа с текстом и изображениями, нативное контекстное окно 262 тысячи токенов и возможность расширения свыше 1 млн токенов с помощью YaRN. Формат MTP добавляет несколько выходных головок для предсказания будущих токенов и ускорения локального вывода без отдельной draft-модели. К сильным сторонам относятся компактность, низкие требования к памяти, мультимодальность, широкий контекст и варианты квантования размером примерно от 430 МБ до 834 МБ; для BF16 заявлено около 1,6 ГБ VRAM. Ограничения включают малый размер модели, поэтому её возможности могут быть недостаточны для сложного программирования, глубокого анализа и требовательных генеративных сценариев. Модель распространяется по лицензии Apache 2.0.

Это мультимодальная квантованная версия Qwen3.6-35B-A3B, основанная на модели Qwen/Qwen3.6-35B-A3B и созданная rdtand с использованием PrismaQuant. Модель предназначена для задач, объединяющих обработку текста и изображений, включая сценарии vision-language и генерацию текста по мультимодальному вводу. Заявлена поддержка английского и других языков; точный список языков и размер контекстного окна в README не указаны. Модель использует архитектуру MoE с DeltaNet-линейным вниманием, плотными и экспертными слоями, а также визуальным энкодером Qwen3.6-VL. Средний размер квантования составляет 4,76 бит на параметр: объём файла уменьшен примерно с 70 до 22 ГБ, то есть на 69% по сравнению с исходной BF16-версией. Для разных линейных слоёв применяются NVFP4, MXFP8 и BF16; сохранены MTP-головы для speculative decoding. Квантование учитывает чувствительность отдельных слоёв и использует GPTQ-OBS и оптимизацию масштабов. Сильными сторонами являются существенное снижение требований к хранению и возможность запуска мультимодальной модели через vLLM при сохранении смешанной точности для чувствительных компонентов. Ограничение заключается в том, что артефакт рассчитан только на runtime vLLM; влияние квантования на качество в прикладных задачах и полный набор поддерживаемых режимов в README не приведены. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-30B-A3B-Instruct-NVFP4 — мультимодальная модель для генерации текста по текстовым и визуальным входным данным, опубликованная пользователем или организацией ig1. Она основана на Qwen/Qwen3-VL-30B-A3B-Instruct и предназначена для сценариев, где требуется анализ изображений совместно с обработкой естественного языка; README также упоминает поддержку изображений и видео, однако конкретные языки и полный набор мультимодальных возможностей не указаны. Модель использует архитектуру Qwen3-VL с mixture-of-experts; обозначение 30B-A3B указывает на 30 млрд параметров в общей модели и около 3 млрд активных параметров на токен. Она подвергнута NVFP4-квантизации с использованием llm-compressor и предназначена для запуска через vLLM с поддержкой OpenAI-совместимого сервера, автоматического выбора инструментов и parser hermes. Для видеокарт RTX 5090 README рекомендует ограничивать контекст примерно 56K токенами, использовать не более трёх изображений и отключать видео из-за ограничений памяти; точный максимальный контекст модели не указан. К сильным сторонам относятся сниженные требования к памяти благодаря NVFP4-квантизации и возможность быстрого инференса на совместимом оборудовании. Ограничения включают возможную потерю качества из-за квантизации, зависимость от совместимой версии vLLM и необходимость уменьшать контекст или число мультимодальных входов на видеокартах с ограниченной памятью. Модель распространяется по лицензии Apache-2.0.

T5Gemma 2 — семейство мультимодальных моделей Google на архитектуре encoder-decoder, созданных адаптацией предварительно обученных моделей Gemma 3. Этот репозиторий содержит предварительно обученную модель с энкодером и декодером по 4 млрд параметров; адаптация выполнена с использованием UL2. Модель принимает текст и изображения и генерирует текст, поддерживает более 140 языков и контекст до 128 тыс. токенов. Модель предназначена для генерации текста и понимания изображений, включая ответы на вопросы, суммаризацию, рассуждения и задачи по визуальным документам. В карточке приведены результаты оценки на наборах COCOcap, DocVQA и InfoVQA, а также тестах длинного контекста. Google описывает семейство как исследовательское; веса доступны для использования по лицензии Gemma. Ответы могут содержать фактические ошибки, отражать смещения обучающих данных и хуже справляться с неоднозначными формулировками и сложными открытыми задачами. Разработчикам следует самостоятельно оценивать безопасность и качество результатов.

Карточка модели Terom/gemma-4-12B-it-qat-q4_0-unquantized на Hugging Face совпадает с карточкой google/gemma-4-12B-it-qat-q4_0-unquantized, поэтому описание составлено по ней. Google DeepMind разработала Gemma 4 12B IT QAT Q4_0 Unquantized — мультимодальную инструкционную модель с плотной архитектурой Gemma4UnifiedForConditionalGeneration, полученную на основе google/gemma-4-12B-it с применением обучения с учётом квантования (QAT). Несмотря на обозначение Q4_0, в этом варианте используются веса половинной точности, извлечённые из QAT-конвейера; он предназначен для последующей компиляции и исследовательской работы. Репозиторий содержит веса в формате safetensors. Модель принимает текст и изображения, а также аудио и видеокадры; генерирует текст. Она подходит для диалога, рассуждений, анализа документов и изображений, распознавания речи, работы с видео, написания и исправления кода и вызова инструментов. Вариант 12B поддерживает контекст до 256 тысяч токенов; семейство Gemma 4 обучено на более чем 140 языках, а карточка заявляет поддержку более 35 языков для мультимодальных задач. Среди заявленных возможностей — понимание документов и PDF, OCR, распознавание рукописного текста, анализ диаграмм и интерфейсов, а также распознавание речи и перевод аудио в текст. Это открытая модель с лицензией Apache 2.0. Указанные в карточке возможности относятся к семейству Gemma 4; отдельные показатели качества для данного чекпойнта не приведены.

Gemma 4 26B A4B IT от Google DeepMind — мультимодальная диалоговая модель семейства Gemma 4, представленная в репозитории Unsloth. Это производная версия google/gemma-4-26B-A4B-it; веса опубликованы в формате safetensors, лицензия — Apache-2.0. Модель принимает текст и изображения и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Модель подходит для ответов на вопросы по изображениям и документам, распознавания текста на изображениях, понимания графиков и интерфейсов, генерации и исправления кода, суммаризации и агентных сценариев с инструментами. В семействе Gemma 4 заявлено контекстное окно до 256K токенов для вариантов 26B A4B и 31B; модель использует гибридное локальное и глобальное внимание. README указывает поддержку более 35 языков и предварительное обучение более чем на 140 языках, но не перечисляет языки по отдельности. Ограничения включают возможные фактические ошибки, смещения обучающих данных и трудности с неоднозначными формулировками или сложными открытыми задачами. Аудиовозможности из README относятся только к вариантам E2B и E4B и здесь не заявлены.

unsloth/gemma-4-E4B — дообученная Unsloth версия мультимодальной модели Gemma 4 E4B от Google DeepMind. Она принимает текст и изображения и формирует текстовые ответы для диалога, рассуждений, программирования и анализа визуального содержимого. Архитектура Gemma4ForConditionalGeneration использует гибридное внимание: чередует локальные окна внимания с глобальным вниманием. Для семейства E4B заявлено контекстное окно до 128 тысяч токенов; карточка также описывает распознавание изображений, документов, графиков, экранов и рукописного текста, а для E4B — аудиоввод, распознавание речи и перевод речи в текст. Модель подходит для вопросов по изображениям и документам, извлечения визуальной информации, генерации и исправления кода, суммаризации и агентных сценариев с вызовом инструментов. Семейство поддерживает более 35 языков, однако конкретный перечень для этой версии не приведён. Модель распространяется в формате safetensors по лицензии Apache 2.0. Ответы могут содержать фактические ошибки; также возможны смещения, трудности с языковыми нюансами и сложными открытыми задачами.

Карточка модели Naga718/gemma-4-E4B-it на Hugging Face совпадает с карточкой google/gemma-4-E4B-it, поэтому описание составлено по ней. Gemma 4 E4B Instruct — мультимодальная модель Google DeepMind, дообученная для следования инструкциям на базе google/gemma-4-E4B. Она использует плотную архитектуру Gemma 4 и принимает текст, изображения и аудио, выдавая текст; аудиовозможности заявлены для варианта E4B. Модель подходит для диалога, рассуждений, генерации и исправления кода, анализа изображений и документов, распознавания речи и перевода речи в текст. Поддерживаются системные инструкции, вызов инструментов и контекст до 128 тысяч токенов; семейство Gemma 4 поддерживает множество языков, включая более 35 языков в практических сценариях. Модель рассчитана в том числе на локальное исполнение на ноутбуках и мобильных устройствах, а гибридное внимание сочетает локальные окна и глобальное внимание для работы с длинным контекстом. Возможности видео описаны для семейства в целом, но README не подтверждает их отдельно для E4B; поэтому видео не включено в модальности этой модели. Лицензия — Apache 2.0.

JJaguar/gemma-4-12B-it-qat-q4_0-unquantized-heretic-nx — производная мультимодальная модель на основе Google Gemma 4 12B Instruct, размещённая пользователем JJaguar. Карточка описывает семейство Gemma 4: плотную архитектуру Gemma4Unified с чередованием локального скользящего и глобального внимания; для версии 12B заявлен контекст до 256K токенов. Метаданные указывают формат safetensors и библиотеку Transformers. Модель предназначена для диалога, рассуждений, генерации и исправления кода, анализа текста и мультимодальных входов. Семейство поддерживает понимание изображений и видео, включая OCR, разбор документов, графиков и интерфейсов; для версии 12B также заявлены распознавание речи и перевод речи в текст. Gemma 4 поддерживает более 35 языков; конкретный перечень для этой версии в данных не приведён. Модификация помечена как uncensored, decensored и abliterated, поэтому стандартные защитные ограничения исходной модели могли быть изменены. Среди общих ограничений Gemma 4 — возможные фактические ошибки, влияние пробелов и смещений обучающих данных, а также трудности с неоднозначными и сложными запросами. Лицензия — Apache-2.0.

Карточка модели AdXff/gemma-4-E2B-it на Hugging Face совпадает с карточкой google/gemma-4-E2B-it, поэтому описание составлено по ней. Gemma 4 E2B IT — мультимодальная модель Google DeepMind, дообученная на основе google/gemma-4-E2B для выполнения инструкций. Она принимает текст, изображения и аудио, а выдаёт текст; подходит для диалогов, рассуждений, написания и исправления кода, распознавания речи и анализа визуального содержимого, включая документы, диаграммы и кадры видео. Модель использует плотную архитектуру Gemma 4 и рассчитана на локальное развёртывание, в том числе на устройствах с ограниченными ресурсами. Для малых моделей семейства заявлено контекстное окно до 128 тысяч токенов; Gemma 4 поддерживает множество языков. Модель поддерживает вызов инструментов и режим рассуждений. Google DeepMind указывает сценарии использования для создания контента, диалоговых помощников, суммаризации, извлечения сведений из изображений и работы с аудио. Репозиторий содержит веса Safetensors, модель использует библиотеку Transformers и распространяется по лицензии Apache 2.0. Качество ответов может зависеть от языка, сложности задачи и входных данных; описание не приводит отдельных оценок для этой версии.

Карточка модели Iambackup/gemma-4-E2B-it на Hugging Face совпадает с карточкой RedHatAI/gemma-4-E2B-it, поэтому описание составлено по ней. RedHatAI/gemma-4-E2B-it — инструктивный вариант мультимодальной модели Gemma 4, опубликованный Red Hat AI; семейство разработано Google DeepMind. Модель основана на google/gemma-4-E2B и предназначена для диалогов, генерации и редактирования текста, рассуждений, программирования и анализа мультимодальных данных. Она использует плотную архитектуру Gemma 4 и распространяется в формате Safetensors по лицензии Apache 2.0. Версия E2B принимает текст, изображения, видео и аудио и генерирует текстовые ответы. Для небольших моделей семейства заявлено контекстное окно до 128 тысяч токенов; поддерживаются многие языки. Возможности включают понимание изображений и документов, распознавание речи, перевод речи в текст, вызов инструментов и генерацию кода. Гибридное внимание и компактный размер семейства рассчитаны в том числе на локальное выполнение на устройствах с ограниченными ресурсами. Модель может ошибаться в ответах, распознавании и интерпретации мультимодальных входов; качество следует проверять для конкретного языка и сценария. README описывает возможности семейства Gemma 4 в целом, поэтому отдельные детали, не подтверждённые для E2B, не следует считать гарантированными.

coder3101/gemma-4-12B-it-heretic — мультимодальная инструкционная модель на базе Google Gemma 4 12B IT. Это дообученная версия с маркировками heretic, uncensored и decensored; автор README описывает семейство Gemma 4 как модель для рассуждений, диалога, агентных сценариев, программирования и анализа мультимодальных данных. Архитектура — плотная Gemma4UnifiedForConditionalGeneration с гибридным вниманием: локальные скользящие окна чередуются с глобальным вниманием. Модель принимает текст, изображения, видео и аудио и генерирует текст. Для семейства заявлены распознавание объектов, OCR, извлечение данных из документов, понимание интерфейсов и графиков, анализ видеокадров, распознавание речи и перевод речи в текст; также поддерживаются вызовы инструментов. README указывает поддержку более 35 языков на уровне модели семейства, но не перечисляет их по отдельности. Для версии 12B заявлен контекст до 256 тысяч токенов. Модель подходит для диалоговых помощников, программирования, анализа документов и изображений, транскрибации речи и мультимодальных агентных сценариев. Возможны фактические ошибки, трудности с неоднозначностью и сложными открытыми задачами, а также смещения из обучающих данных; маркировка uncensored указывает на ослабление ограничений безопасности, но конкретные изменения и оценки в README не описаны. Лицензия — Apache-2.0.

coder3101/gemma-4-E4B-it-heretic — производная мультимодальная модель на базе Google Gemma 4 E4B Instruct, размещённая пользователем coder3101. Это плотная модель семейства Gemma 4 для диалогов, рассуждений, программирования и анализа мультимодальных данных. Архитектура Gemma4ForConditionalGeneration сочетает локальное скользящее внимание с глобальным; модель распространяется в формате safetensors и использует библиотеку Transformers. Базовая версия E4B поддерживает контекст до 128K токенов. Модель принимает текст и изображения, а для аудиовозможностей E4B также может обрабатывать речь: распознавать её и переводить речь в текст другого языка. Заявлены анализ видео по последовательности кадров, OCR, разбор документов и экранов, понимание графиков, вызов инструментов и генерация кода. Семейство Gemma 4 поддерживает более 35 языков; карточка не уточняет отдельный список языков этой производной модели. Метки heretic, uncensored, decensored и abliterated указывают на изменение поведения в отношении отказов, но README не описывает конкретную методику или результаты такого изменения. Лицензия — Apache-2.0. Как и другие языковые модели, она может выдавать фактические ошибки, хуже справляться с неоднозначными или сложными запросами и отражать смещения обучающих данных. Заявленные возможности базового семейства не являются отдельной оценкой качества именно этой производной модели.

llmfan46/gemma-4-E4B-it-ultra-uncensored-heretic — производная от Google Gemma 4 E4B Instruct мультимодальная модель, дообученная независимым автором. В основе — плотная архитектура Gemma4ForConditionalGeneration с чередованием локального оконного и глобального внимания. Модель рассчитана на диалог, рассуждения, программирование и понимание мультимодальных данных; для варианта E4B заявлено контекстное окно до 128 тыс. токенов. Модель принимает текст и изображения, а семейство E4B также поддерживает аудиовход для распознавания речи и перевода речи в текст. Gemma 4 заявлена как многоязычное семейство с поддержкой более 35 языков; конкретный языковой охват этой производной отдельно не описан. Возможны извлечение текста из документов и изображений, понимание диаграмм и интерфейсов, генерация и исправление кода, суммаризация и диалог. Название uncensored указывает на изменённое поведение отказов, но README не раскрывает точный объём изменений. Карточка предупреждает о возможных предвзятости, фактических ошибках, затруднениях с нюансами языка и сложными открытыми задачами. Модель распространяется по лицензии Apache-2.0.

Granite-4.0-H-Tiny — диалоговая языковая модель, представленная Unsloth на основе модели IBM Granite и предназначенная для выполнения инструкций и создания ассистентов. В README указано 7 млрд параметров, тогда как метаданные репозитория содержат оценку 500,2 млн параметров; поэтому размер не приводится как однозначно установленный. Модель построена на декодерной гибридной MoE-архитектуре с GQA, Mamba2, SwiGLU, RMSNorm и общими входными и выходными эмбеддингами. Контекст — до 131 072 токенов. Модель подходит для суммаризации, классификации и извлечения текста, ответов на вопросы, RAG, задач с кодом, многоязычного диалога и вызова инструментов. Разработчики заявляют поддержку английского, немецкого, испанского, французского, японского, португальского, арабского, чешского, итальянского, корейского, нидерландского и китайского языков. Репозиторий Unsloth описан как дообучение базовой модели IBM; карточка Granite сообщает о настройке инструкциями, выравнивании и слиянии моделей. Лицензия — Apache 2.0. Качество на языках помимо английского может быть ниже; модель также может выдавать неточные, предвзятые или небезопасные ответы. Для специализированного применения рекомендуется проверка и настройка.

Qwen3-VL-8B-Instruct-FP8 — мультимодальная instruction-модель семейства Qwen, разработанная командой Qwen. Это FP8-квантизированная версия Qwen3-VL-8B-Instruct с мелкозернистой квантизацией и размером блока 128; согласно README, её показатели почти идентичны исходной версии BF16. Модель предназначена для обработки текста, изображений и видео, генерации ответов по визуальному и текстовому контексту, OCR, анализа документов, пространственного рассуждения, понимания длительных видеоматериалов, визуального программирования и взаимодействия с графическими интерфейсами через инструменты. Заявлены возможности работы с контекстом до 256K токенов с расширением до 1M, временная привязка событий в видео, улучшенное распознавание текста на 32 языках и поддержка задач STEM и математики. Ключевые архитектурные особенности включают Interleaved-MRoPE для позиционного кодирования времени, ширины и высоты, DeepStack для объединения многоуровневых признаков ViT и механизм выравнивания текста с временными метками. Ограничение текущей версии заключается в том, что Transformers пока не поддерживает прямую загрузку этих весов; для развёртывания рекомендуются vLLM или SGLang. Модель распространяется по лицензии Apache 2.0.

Карточка модели lxcxjxhx/gemma-4-E2B-HOS на Hugging Face совпадает с карточкой Albert0919c/gemma-4-E2B-it, поэтому описание составлено по ней. Albert0919c/gemma-4-E2B-it — дообученная инструктивная версия Gemma 4 E2B от Google DeepMind. Это плотная мультимодальная модель класса Gemma4 для диалогов, рассуждений, генерации и редактирования кода, а также понимания изображений и аудио. Она принимает текст и изображения; для варианта E2B поддерживаются распознавание речи и преобразование речи в переведённый текст. Модель выдаёт текст и подходит для локального запуска на мобильных устройствах и ноутбуках. Семейство Gemma 4 использует гибридное внимание с локальными скользящими окнами и глобальными слоями; для малых вариантов заявлено контекстное окно до 128 тысяч токенов. Поддерживаются многочисленные языки: семейство обучено более чем на 140 языках, а для практических сценариев README заявляет поддержку более 35. Возможности включают ответы на вопросы по изображениям, OCR, разбор документов, видеоанализ по кадрам и вызов инструментов. Репозиторий распространяется в формате Safetensors под лицензией Apache 2.0. Характеристики и возможности описаны для семейства Gemma 4; конкретные результаты этой дообученной версии отдельно не приведены. Как и другие генеративные модели, она может ошибаться в распознавании содержимого и ответах; видеоанализ относится к обработке последовательностей кадров.

Карточка модели Titanfrm/gemma-4-E4B-it-uncensored-heretic на Hugging Face совпадает с карточкой llmfan46/gemma-4-E4B-it-uncensored-heretic, поэтому описание составлено по ней. llmfan46/gemma-4-E4B-it-uncensored-heretic — производная модель на основе Google Gemma 4 E4B Instruct, опубликованная независимым автором. Это плотная мультимодальная модель для диалога и генерации текста, понимания изображений и аудио, рассуждений, программирования и вызова инструментов. В карточке заявлены гибридное внимание с локальными скользящими окнами и глобальными слоями, а для базовой модели E4B — контекст до 128 тысяч токенов и поддержка более 35 языков. Модель подходит для чат-ботов, суммаризации и создания текстов, извлечения данных из изображений и документов, распознавания речи и голосовых сценариев. В названии и тегах указано uncensored/abliterated, однако README не описывает конкретные изменения и не приводит отдельные оценки качества именно этой производной версии. Возможны фактические ошибки, смещения и трудности с неоднозначными или сложными запросами. Лицензия — Apache-2.0.