II.6Документация и сопровождение разработки

Модель skshmjn предназначена для генерации запросов MongoDB по запросу на естественном языке. Она дообучена на базе unsloth/Llama-3.2-1B-Instruct и поддерживает создание CRUD-запросов, aggregation pipeline, запросов для индексации и запросов с вложенными структурами и операцией $lookup. Можно передать схему MongoDB, чтобы учитывать структуру данных; без схемы модель генерирует общие запросы. Это плотная языковая модель семейства Llama, доступная для Transformers и в форматах GGUF, включая варианты квантизации. Карточка указывает английский язык. Лицензия — Apache-2.0. Компактный размер базовой модели позволяет запускать её на CPU или GPU, однако карточка не приводит отдельной оценки качества или гарантии корректности сгенерированных запросов.

Карточка модели Rqwannn/locate-anything на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели sadii0101/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели ShaunGves/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели tunai1111/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

MiMo-V2.6-Distill-Qwen-9B-GGUF — квантованная версия модели MiMo-V2.6-Distill-Qwen-9B, разработанной XiaomiMiMo и представленной в формате GGUF проектом ggml-org. Модель предназначена для задач преобразования изображений и текста, включая мультимодальное понимание содержимого изображений и работу с текстовыми запросами. В комплект входит Q8_0 mmproj для vision encoder. Модель основана на дистиллированной 9-миллиардной версии Qwen; точная архитектура, поддерживаемые языки, размер контекста и перечень квантовок в README не указаны. Формат GGUF ориентирован на запуск через совместимые инструменты, в частности llama.app и llama.cpp-совместимую инфраструктуру. Квантование может снизить требования к памяти, но потенциально влияет на точность по сравнению с полноразмерной версией. Лицензия — MIT. В README отмечено, что текущая версия содержит временное исправление chat template, которое планируется удалить после исправления шаблона в исходной модели; это может ограничивать совместимость или требовать обновлений при последующих релизах.

NousCoder-14B-Q4_K_M-layers — квантованный GGUF-чекпойнт модели для генерации кода, опубликованный пользователем exdysa. Он основан на NousCoder-14B, дообученной на базе Qwen/Qwen3-14B; в метаданных указаны llama.cpp и диалоговый режим. Модель предназначена для генерации программного кода и ответов в диалоге на запросы, связанные с программированием. Тег языка en и наборы данных для генерации кода указывают на англоязычную ориентацию. Квантование Q4_K_M рассчитано на более компактное хранение и запуск; распределённое разбиение слоёв обозначено в названии и тегах репозитория. Репозиторий распространяется по лицензии Apache-2.0. Карточка README не содержит подробностей об оценках качества или точных ограничениях; как квантованная модель, результат может отличаться от исходной версии по точности.

mlx-community/openai-privacy-filter-nvfp4 — конверсия модели OpenAI Privacy Filter в формат MLX, подготовленная сообществом mlx-community. Это двунаправленный разреженный MoE-классификатор токенов, который размечает фрагменты с персональными данными в тексте BIOES-метками по восьми категориям: имя человека, электронная почта, телефон, URL, адрес, дата, номер счёта и секрет. Модель предназначена для обнаружения PII при локальной фильтрации и маскировании текста. Модель содержит 145,4 млн параметров по метаданным каталога; README указывает для исходной модели 1,5 млрд параметров, из которых активно используются 50 млн. Контекстное окно — 131 072 токена. Репозиторий распространяет веса в safetensors для библиотеки MLX. Лицензия — Apache-2.0. Карточка не описывает качество распознавания и точность на разных языках, поэтому результаты следует проверять на данных целевого применения.

PaliGemma 2 28B Mix 224 — разработанная Google мультимодальная модель на основе Gemma 2 и визуального энкодера SigLIP. Она принимает изображение и текст, а в ответ генерирует текст; вариант Mix поддерживает набор задач компьютерного зрения и языка, а разрешение изображений составляет 224 пикселя. Модель предназначена прежде всего для дообучения под задачи, связанные с изображениями: создания подписей, визуальных ответов на вопросы, распознавания текста, обнаружения и сегментации объектов. Также её можно адаптировать для анализа коротких видео, дистанционного зондирования, описания интерфейсов и других специализированных сценариев. Модель поддерживает несколько языков. Для надёжной работы нужны чёткие инструкции; это не многоходовый чат-бот, а качество без дообучения для общих задач может уступать специализированным моделям. Возможны фактические ошибки, проблемы с тонкими языковыми нюансами и предвзятые ответы. Лицензия Gemma; использование регулируется условиями и политикой допустимого использования Gemma.

ptt5-v2-base — текстовая модель семейства T5, разработанная группой Unicamp-DL как продолжение предобучения исходной модели Google для португальского языка. Чекпойнт содержит 123,8 млн параметров, использует архитектуру T5ForConditionalGeneration и доступен в формате PyTorch; нативный контекст — 512 токенов. Модель предназначена для преобразования текста в текст на португальском языке и служит базой для задач NLP. Чекпойнты ptt5-v2 также использовались для обучения португальских MonoT5-реранкеров. Модель распространяется по лицензии Apache-2.0.

Pulpie Orange Base — encoder-модель, разработанная командой Pulpie для извлечения основного содержимого из HTML-страниц. Она классифицирует HTML-блоки как основной контент или служебные элементы, такие как навигация, реклама, боковые панели и футеры, за один проход; результат можно восстановить в HTML или преобразовать в Markdown через пакет pulpie. Модель содержит около 610 млн параметров и использует EuroBERT-610m с головой token classification. Контекст составляет до 8192 токенов; примерно 80% страниц в описанном конвейере помещаются в один фрагмент. В README приведён результат 0,863 ROUGE-5 F1 на английской части WebMainBench. Модель предназначена для очистки веб-страниц перед индексированием, поиском и построением RAG-систем. Распространяется по лицензии Apache-2.0.

MLX-версия мультимодальной модели Qwen2.5-VL-72B-Instruct, подготовленная сообществом mlx-community. Репозиторий создан конвертацией исходной модели в формат MLX с помощью mlx-vlm 0.1.11 и содержит 3-битную квантизацию. Модель насчитывает 71,5 млрд параметров и поддерживает контекст длиной до 128 000 токенов. Модель принимает текст и изображения и формирует текстовые ответы. Она предназначена для диалогового анализа изображений и других задач визуально-языкового взаимодействия; доступны чат и интерфейс вызова инструментов. Карточка отсылает к описанию исходной Qwen2.5-VL-72B-Instruct за подробностями о возможностях. В метаданных указана лицензия other; конкретные условия следует сверить с карточкой исходной модели.

Qwen3.8-Flash-Next-4bit-paged — это 4-битная квантованная vision-language модель для задач image-text-to-text, основанная на Qwen/Qwen3.8-Flash-Next. Сборку разработала GreenBitAI на базе MLX-версии от Vontra; модель использует архитектуру mixture-of-experts и предназначена прежде всего для запуска на компьютерах Apple Silicon через совместимый стек gbx_lm. Главная особенность сборки — экспертная постраничная загрузка: резидентные веса, маршрутизируемые эксперты и n-gram-таблица хранятся в отдельных контейнерах и подгружаются по мере необходимости. Общий объём файлов составляет около 105,46 ГиБ, включая 70,31 ГиБ экспертов и 29,80 ГиБ n-gram-таблицы. При достаточном объёме памяти модель работает штатным способом, а при нехватке памяти может читать данные с диска. В комплект также входит отключённая по умолчанию multi-token prediction head для speculative decoding; на Mac Studio с M3 Ultra она показала ускорение до 2,44 раза. Сборка сохраняет исходные квантование, токенизатор, chat template и лицензию базовой модели. Проверки заявляют совпадение logits с исходной сборкой на большинстве тестов и идентичные жадные токены в более длинном тесте. Ограничениями являются очень большой размер файлов, зависимость от MLX и Apple Silicon, необходимость специального загрузчика gbx_lm, а также отсутствие в README точных сведений о числе параметров, поддерживаемых языках и максимальном контексте. Лицензия указана как qwen-community-1.0.

ibm-research/re2g-reranker-nq — модель ранжирования запросов и фрагментов текста, разработанная IBM для улучшения результатов поиска в системах с генерацией с дополнением извлечёнными данными (RAG). Она оценивает пары «вопрос — фрагмент» и помогает выбрать наиболее релевантные passages после первичного поиска. Реранкер также может упорядочивать объединённые результаты BM25 и нейронного поиска, даже если исходные оценки этих методов несопоставимы. Модель основана на BERT и имеет около 136,7 млн параметров; родительская модель — BERT-base, обученная на MSMARCO. Контекст составляет до 512 токенов. Карточка указывает английский язык. Модель предназначена для ранжирования текстовых фрагментов, а не для генерации ответов. Распространяется по лицензии Apache 2.0.

Seed-Coder-8B-Base — базовая предварительно обученная модель для генерации кода, разработанная ByteDance Seed. Это причинная плотная языковая модель архитектуры Llama с 7,6 млрд параметров, обученная на 6 трлн токенов из данных GitHub и других материалов о программировании в интернете. Модель поддерживает дополнение кода и заполнение пропусков методом Fill-in-the-Middle в контексте до 32 768 токенов. Модель предназначена для генерации и продолжения кода, в том числе восстановления пропущенной части между заданными фрагментами. В README сообщается о сравнительных результатах на бенчмарках генерации и дополнения кода, но они не гарантируют качество на конкретных языках и задачах. Это базовая, а не настроенная на инструкции версия: для диалога и следования пользовательским запросам разработчик предлагает отдельную инструктивную модель. Веса опубликованы в формате safetensors и распространяются по лицензии MIT.

Shield 82M — модель LH-Tech-AI для обнаружения и маскирования персональных данных в тексте. Она дообучена на distilroberta-base и выполняет токенную классификацию, выделяя такие сущности, как имена, адреса электронной почты и телефонные номера, после чего текст можно преобразовать, заменив их метками вроде [PERSON], [EMAIL] и [PHONE]. Модель предназначена для фильтрации PII в текстах на разных языках. В README приведён пример для английского и упомянут тест на французском; обучение проводилось три эпохи на первых 20 000 примерах набора ai4privacy/pii-masking-200k. Заявленная точность составляет около 96%. Модель имеет 95,2 млн параметров и контекст длиной 514 токенов. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

splade-camembert-base-v2 — франкоязычный разреженный кодировщик SPLADE, дообученный на базе almanach/camembert-base с использованием библиотеки Sentence Transformers и данных msmarco-qwen3-reranker-0.6_b-french. Модель принимает предложения и абзацы и преобразует их в разреженные векторы размерностью 32 005; сходство между векторами оценивается скалярным произведением. Модель предназначена для семантического поиска и разреженного извлечения документов, а также может использоваться для оценки сходства предложений. Архитектура включает CamembertForMaskedLM и SPLADE pooling с max-пулингом и ReLU. Максимальная длина последовательности — 512 токенов (514 токенов в метаданных). Карточка приводит результаты оценки на франкоязычных наборах NanoBEIR и French STS. Модель поддерживает французский язык и распространяется по лицензии Apache-2.0. Она создаёт разреженные векторные представления для поиска и не предназначена для генерации связных текстовых ответов; качество зависит от предметной области и корпуса поиска.

Splade++ SelfDistil finetuned on MS MARCO — англоязычный разреженный энкодер SPLADE, дообученный на базе naver/splade-cocondenser-selfdistil с использованием Sentence Transformers. Он преобразует запросы и документы в разреженные векторы размерностью 30 522 для семантического поиска и извлечения релевантных документов; сходство оценивается скалярным произведением. Архитектура включает BERT MLM-трансформер и слой SPLADE pooling с max-пулингом и активацией ReLU. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для sparse retrieval, в частности поиска документов по коротким запросам; в карточке приведены результаты оценки на NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Она работает с английским текстом и распространяется по лицензии Apache-2.0. Карточка не описывает поддержку генерации ответов: модель выдаёт разреженные векторы признаков, которые используются поисковой системой для ранжирования.

SPLADE-max CamemBERT-base mMARCO-FR — франкоязычная модель для семантического поиска, разработанная и дообученная на французской части mMARCO. Она преобразует запросы и документы в разреженные векторы размерностью 32 000, а релевантность оценивает по косинусному сходству. Модель основана на almanach/camembert-base и содержит 137,8 млн параметров; архитектура CamemBERT использует masked language modeling. Контекст модели — до 514 токенов. Модель предназначена для поиска релевантных документов по запросам на французском языке, в том числе в больших коллекциях текстов. Обучение проводилось на парах запросов и passages из mMARCO с ранжирующей функцией потерь InfoNCE и регуляризацией разреженности FLOPS. В README приведена оценка на dev-наборе mMARCO-FR с 6 980 запросами и корпусом из 8,8 млн passages. Лицензия — MIT. Оценка качества описана для французского набора mMARCO; результаты на других языках и типах данных в карточке не приведены. Для поискового применения модель формирует разреженные векторы, поэтому при интеграции нужно обеспечить совместимый способ вычисления сходства и поиска.

Step3 — мультимодальная модель рассуждений компании StepFun на архитектуре Mixture-of-Experts с 321 млрд общих и 38 млрд активных параметров. Она предназначена для анализа изображений вместе с текстом и ответов в диалоговом формате. В архитектуре используются Multi-Matrix Factorization Attention и Attention-FFN Disaggregation; заявленная цель этих решений — повысить эффективность генерации и снизить её стоимость. Для обработки изображений поддерживается разбиение на несколько патчей. Модель можно запускать через Transformers, vLLM и SGLang; карточка указывает поддержку инференса в bf16, а веса представлены в bf16 и block-fp8. Метаданные также отмечают интерфейс вызова инструментов. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает поддерживаемые естественные языки и длину контекста, поэтому эти характеристики здесь не уточняются.

Terminus-Qwen3-8b — дообученная OrionLLM модель на базе Qwen/Qwen3-8B, разработанная для агентных задач в терминале. Она предназначена для рассуждений в командной строке, программной инженерии и работы с инструментами в средах вроде Codex и OpenCode. Модель с плотной архитектурой Qwen3 содержит 7,6 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 40 960 токенов. Для обучения использован набор данных OrionLLM/OpenAgentInstruct. В README приведены результаты на Terminal-Bench 2.0 и SWE-Bench Verified, однако условия и воспроизводимость этих оценок не описаны. Модель распространяется по лицензии Apache-2.0.

Triplex — языковая модель, разработанная SciPhi.AI для построения графов знаний из неструктурированных данных. Она извлекает из текста триплеты в формате «субъект — предикат — объект», а также выполняет распознавание именованных сущностей с использованием заданных типов сущностей и предикатов. Модель предназначена для локального создания графов знаний и может применяться в сценариях RAG, включая подходы, аналогичные Graph RAG, а также в составе платформы SciPhi R2R. Triplex представляет собой дообученную версию Phi-3-3.8B. В README не указаны точные характеристики контекстного окна, поддерживаемые языки и модальности, поэтому эти параметры нельзя достоверно оценить. Заявлены снижение стоимости построения графов знаний на 98% и превосходство над GPT-4 при стоимости примерно в 60 раз ниже, однако подробности методики бенчмарка не приведены. Для работы требуется запуск генерации через Transformers; пример использования ориентирован на GPU с CUDA. Ограничения включают зависимость качества результата от заданных типов сущностей и предикатов, а также отсутствие в README подробных данных о точности и языковой поддержке. Веса распространяются по лицензии CC BY-NC-SA 4.0. Исследовательское и личное использование разрешено. Для организаций с валовой выручкой менее 5 млн долларов США за последние 12 месяцев SciPhi.AI заявляет отказ от ограничений для коммерческого использования; для остальных случаев, а также для снятия требований GPL при двойном лицензировании, необходимо обратиться к разработчикам.

Это компактная модель автоматического распознавания речи на базе OpenAI Whisper Tiny, дообученная автором репозитория akimbabananan для русского и английского языков. Она принимает аудио и преобразует речь в текст; автор описывает её как эксперимент с полным дообучением, направленный на специализацию модели в двуязычном режиме. В карточке указаны архитектура Whisper, библиотека Transformers, формат safetensors и лицензия MIT. По заявлению автора, обучение шло 4000 шагов на датасете Common Voice 22.0, а знания языков помимо русского и английского намеренно вытеснялись. Поэтому модель подходит для транскрибации речи на этих двух языках, но может молчать или транслитерировать речь на других языках. Заявления о высокой точности в README не подкреплены приведёнными метриками; для практического применения качество стоит проверять на целевых аудиозаписях.

MiMo-VL-7B-RL-2508-GGUF — квантизированная версия мультимодальной модели MiMo-VL-7B-RL-2508, разработанной XiaomiMiMo и подготовленной пользователем bartowski в формате GGUF. Модель предназначена для задач image-text-to-text: анализа изображений и генерации текстовых ответов по визуальному и текстовому контексту. Модель содержит около 7 миллиардов параметров и поддерживает обработку текста и изображений. Для квантизации использовались llama.cpp и калибровочные данные с методом imatrix. Доступны варианты от BF16 и Q8_0 до более компактных Q2 и IQ-квантизаций; варианты Q4–Q6 предлагают компромисс между качеством и требованиями к памяти, а Q4_K_M рекомендуется как типичный вариант для большинства сценариев. Сведения о поддерживаемых языках, размере контекстного окна и точном формате промптов в README не указаны. Модель можно запускать через llama.cpp, LM Studio и другие совместимые проекты. Квантизация уменьшает размер файлов и требования к ресурсам, однако более низкие уровни квантизации могут заметно снижать качество ответов. Лицензия в предоставленных данных не указана.

keremberke/yolov8m-table-extraction — модель компьютерного зрения на базе YOLOv8m, опубликованная Keremberke. Она предназначена для обнаружения таблиц на изображениях и различает два класса: таблицы с границами и без границ. Модель использует библиотеку Ultralytics и представлена в формате PyTorch. Её можно применять для поиска областей таблиц на сканах и изображениях документов перед последующим извлечением содержимого. Лицензия AGPL-3.0.

keremberke/yolov8s-table-extraction — модель компьютерного зрения на архитектуре YOLOv8, опубликованная Keremberke. Она предназначена для обнаружения таблиц на изображениях документов и различает два типа: с границами и без границ. Модель доступна в формате PyTorch и рассчитана на запуск с библиотекой Ultralytics. Модель подходит для автоматического поиска таблиц при разборе сканов и изображений документов. Карточка указывает метки классов, но не приводит сведений о размере модели, контекстном окне, поддерживаемых языках или точности. Лицензия в предоставленных данных не указана.

Step 3.7 Flash — мультимодальная vision-language модель, разработанная StepFun. Она предназначена для высокочастотных производственных нагрузок и агентных сценариев, объединяющих восприятие изображений, поиск, проверку информации, рассуждения и взаимодействие с инструментами. Модель подходит для анализа больших финансовых отчётов, многошагового поиска с верификацией по нескольким источникам, параллельной работы coding-агентов, обработки пользовательских интерфейсов, диаграмм и других визуальных материалов. Модель построена на разреженной архитектуре Mixture-of-Experts (MoE) и содержит около 198 млрд параметров: примерно 196 млрд приходятся на языковую часть и 1,8 млрд — на vision encoder. На каждый токен активируется около 11 млрд параметров. Поддерживается контекст длиной до 256 тысяч токенов, изображения и текст, а также три уровня рассуждения — low, medium и high, позволяющие выбирать баланс между скоростью, стоимостью и глубиной анализа. В README указан английский язык; заявленная мультимодальность обеспечивает понимание изображений, визуальное заземление, анализ интерфейсов и преобразование визуальных данных в структурированный код. Сильные стороны модели — высокая пропускная способность до 400 токенов в секунду, работа с длинным контекстом, устойчивое выполнение многошаговых агентных процессов, использование внешних API, визуальная проверка данных и задачи программной инженерии. Ограничения включают очень большой общий размер модели и, как следствие, высокие требования к инфраструктуре при локальном развёртывании; заявленные результаты также зависят от конкретных бенчмарков и сценариев. Модель распространяется по лицензии Apache-2.0 и поддерживает Transformers, vLLM, SGLang и llama.cpp; доступна через StepFun Open Platform, OpenRouter и NVIDIA NIM, а также может развёртываться в облачных, дата-центровых и локальных средах.

K2-Horizon-MoVA-36B-A4B-oQ4e — это MLX-конверсия и 4-битная смешанно-точная квантизированная версия модели IFM/K2-Horizon-MoVA-36B-A4B, разработанной командой IFM. Модель предназначена для генерации текста, рассуждений, ответов на научные вопросы, программирования, извлечения информации, структурированного вывода и агентских сценариев с вызовом инструментов и использованием терминала. Архитектура модели основана на разреженной Mixture-of-Experts и механизме внимания Mixture-of-Values (MoVA). Всего модель содержит 36 млрд параметров, из которых при обработке активны около 4 млрд. Заявлена поддержка контекста до 512 тысяч токенов. Это reasoning-модель; для наилучших результатов рекомендуется использовать высокий уровень усилий рассуждения. Данные о поддерживаемых языках и мультимодальных возможностях в README не указаны, поэтому модель следует рассматривать как текстовую. Сильными сторонами являются качество рассуждений, структурированный вывод, надёжность вызова инструментов и применение в локальных агентских конвейерах. По приведённым сравнениям модель превосходит Qwen 3.6 35B A3B в большинстве тестов, но уступает ему по скорости генерации: производительность ограничена большим общим размером модели, несмотря на небольшое число активных параметров. Для запуска требуется MLX-совместимая среда; при использовании oMLX необходима версия 0.6.4 или новее с патчем поддержки K2-Horizon. Модель распространяется по лицензии Apache-2.0, как и исходная модель.

Apodex-1.1-mini-FP8 — reasoning-first языковая модель, разработанная Apodex AI. Она предназначена для сложных долгосрочных исследовательских и агентских задач, требующих не только генерации текста, но и работы с файлами, данными, таблицами, изображениями, кодом и внешними инструментами. Модель может декомпозировать задачу, координировать параллельных субагентов, поддерживать общее состояние работы, адаптировать план по ходу выполнения и формировать проверяемые результаты. Модель относится к текстогенерационным моделям, совместима с chat template Qwen3.5 и поддерживает нативный function calling, а также выдачу рассуждений. Указаны языки English и Chinese. Для развёртывания рекомендуется SGLang с OpenAI-совместимым API; заявленная длина контекста составляет до 262144 токенов, максимальная длина генерации в рекомендуемых настройках — 32768 токенов. Суффикс FP8 указывает на используемый формат представления модели, однако точный размер и архитектура в README не указаны. Сильные стороны модели — выполнение многоэтапных задач в реальных средах, работа с инструментами и встроенная проверка утверждений по источникам, данным и вычислениям. В README приведены высокие результаты на ряде тестов, включая FrontierFinance и FrontierScience-Research, но применимость этих результатов к конкретным задачам может различаться. Ограничения включают отсутствие подробных сведений о точной архитектуре, количестве параметров, поддерживаемых аппаратных конфигурациях и полном наборе модальностей. Модель распространяется по лицензии Apache 2.0.