II.8Инженерия данных и аналитика

sentence-transformers/stsb-distilbert-base — модель для получения векторных представлений предложений и абзацев, обученная командой sentence-transformers. Она основана на DistilBERT и преобразует текст в плотные векторы размерности 768; для корректного получения представления при использовании Transformers требуется применить соответствующую операцию pooling к контекстным представлениям токенов. Модель предназначена для семантического поиска, сравнения сходства предложений и кластеризации текстов. Контекст ограничен 512 токенами. Доступны версии в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Карточка предупреждает, что модель устарела и создаёт эмбеддинги низкого качества, поэтому рекомендует выбрать более современную модель из SBERT.net. Лицензия — Apache-2.0.

TAQ Qwen3-Coder-Next outlier_4bit — исследовательский чекпойнт на основе Qwen/Qwen3-Coder-Next, созданный в рамках Tail-Aware Quantization. Архитектура — MoE-декодер для генерации текста; в метаданных указано 2,3 млрд параметров и контекст до 262 144 токенов. Модель ориентирована на задачи кодирования и работу в диалоговом режиме с интерфейсом вызова инструментов. Несмотря на обозначение 4-bit, репозиторий содержит деквантизированные тензоры BF16/FP16 для оценки, а не упакованный 4-битный формат: README не заявляет снижения занимаемого места на диске или VRAM. Для чекпойнта приведено значение PPL 12,38 на WikiText-2; сопоставимые оценки на HumanEval+ и MBPP+ ещё ожидаются. Лицензия — Apache-2.0.

Карточка модели leif1557/text2vec-base-chinese-sentence на Hugging Face совпадает с карточкой shibing624/text2vec-base-chinese-sentence, поэтому описание составлено по ней. shibing624/text2vec-base-chinese-sentence — модель text2vec, разработанная проектом text2vec. Это дообученный методом CoSENT китайский энкодер предложений на базе nghuyong/ernie-3.0-base-zh. Модель преобразует предложение или короткий абзац в плотный вектор размерностью 768 для сравнения семантической близости; она предназначена для поиска по смыслу, сопоставления текстов, кластеризации и задач sentence-to-sentence. Архитектура основана на ERNIE, размер модели — 144 млн параметров. Контекст модели составляет до 2048 токенов по метаданным, а карточка указывает усечение входа после 256 word pieces. Модель обучена на отобранных китайских данных семантической близости shibing624/nli-zh-all и рассчитана прежде всего на китайский язык. Она выдаёт векторные представления, пригодные для поиска и ранжирования по косинусной близости. По карточке приведены оценки на китайских наборах NLI и STS, но они не дают гарантии качества на других языках и доменах. Распространяется по лицензии Apache-2.0.

shibing624/text2vec-bge-large-chinese — китайская модель sentence embeddings, обученная проектом text2vec. Она основана на BAAI/bge-large-zh-noinstruct и дообучена методом CoSENT на подобранном наборе китайских данных семантического сходства. Модель кодирует предложения и короткие абзацы в плотные векторы размерности 1024 для сравнения смысла текстов. Её можно применять для поиска семантически близких фрагментов, сопоставления предложений и коротких абзацев, кластеризации и информационного поиска на китайском языке. В карточке указана архитектура BERT и длина контекста 512 токенов; README предупреждает, что входы длиннее 256 word pieces обрезаются. Для длинных документов модель не предназначена. Доступны веса PyTorch и safetensors, а также формат ONNX. По README, дообучение улучшило результаты на китайских тестах семантического сходства относительно базовой модели, особенно для различения коротких текстов. Модель опубликована по лицензии Apache-2.0.

TinySolar-248m-4k-code-instruct — компактная языковая модель, разработанная компанией Upstage и представленная в формате Transformers с безопасными весами SafeTensors. В метаданных она относится к семейству LLaMA, имеет около 215,2 млн параметров и предназначена для генерации текста, включая ответы на инструкции, связанные с программным кодом. Модель дообучалась на наборах CodeAlpaca-20k и CodeFeedback-Filtered-Instruction, поэтому ориентирована на генерацию фрагментов кода, объяснение программного кода, исправление ошибок и выполнение простых инструкций разработчика. Нативное контекстное окно составляет 32 768 токенов, что позволяет обрабатывать достаточно большие запросы и исходные файлы. Модель распространяется по лицензии Apache-2.0. Из-за небольшого размера она может быть удобна для локального запуска и встраивания в приложения, однако её возможности, точность и устойчивость к сложным задачам программирования могут уступать более крупным моделям. README не содержит сведений о поддерживаемых естественных языках, результатах оценки и точных требованиях к аппаратному обеспечению.

WebOrganizer/TopicClassifier — англоязычный классификатор веб-страниц по темам, разработанный WebOrganizer на основе Alibaba-NLP/gte-base-en-v1.5. Модель принимает URL страницы и её текстовое содержимое и распределяет страницу по 24 категориям. Это дообученная плотная энкодерная модель с архитектурой sequence classification, примерно 136,7 млн параметров, максимальным контекстом 8192 токена и весами в формате safetensors. Модель предназначена для тематической организации веб-контента и классификации страниц при построении каталогов или обработке больших коллекций URL и текстов. Обучение проходило в два этапа на наборах WebOrganizer с аннотациями, созданными Llama 3.1: сначала на 1 млн документов, затем на 100 тыс. документов. README рекомендует для ускоренного вывода реализацию gte-base-en-v1.5 с unpadding и memory-efficient attention; для этого требуется xformers. Сведения о лицензии в предоставленных данных отсутствуют.

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

cl-nagoya разработала японскую модель эмбеддингов предложений на архитектуре BERT, дообученную методом Unsupervised SimCSE на Wiki40B. Модель предназначена для получения векторных представлений японских текстов и оценки сходства предложений; её можно использовать через Sentence-Transformers или Transformers с CLS-пулингом. Дополнительный MLP-слой применялся только во время обучения. Модель содержит 138,4 млн параметров, принимает текст с контекстом до 512 токенов. В обучении использовались последовательности длиной до 64 токенов. Репозиторий содержит веса PyTorch; лицензия — CC BY-SA 4.0.

Модель use-token-shuffle-pt разработана Victormuryn как часть коллекции украинских эмбеддингов предложений. Это дообученная с контрастивной целью модель Sentence Transformers на базе paraphrase-multilingual-mpnet-base-v2, архитектура XLM-RoBERTa, около 305,2 млн параметров. При обучении использовался корпус UberText 2.0 и аугментация перемешиванием токенов с целями для pooling. Модель преобразует предложения и абзацы в векторы для семантического сравнения, поиска и кластеризации. Она ориентирована на получение эмбеддингов украинского текста; метаданные также указывают поддержку множества других языков. Контекст составляет 514 токенов. Распространяется по лицензии Apache-2.0.

HgThinker/vietnamese-sbert — модель Sentence-Transformers на архитектуре RoBERTa, созданная для представления предложений и абзацев в виде плотных векторов размерностью 768. Её можно использовать для семантического поиска, сравнения сходства текстов и кластеризации. Обучение проводилось с функцией TripletLoss; число параметров — 162,4 млн, контекст — до 258 токенов. Модель ориентирована на вьетнамский язык, что отражено в названии репозитория, и подходит для получения эмбеддингов текста. Для работы доступны веса PyTorch; в Transformers после получения контекстных представлений требуется применить подходящий pooling. Лицензия в предоставленных данных не указана.

timm/vit_base_patch16_clip_224.metaclip_2pt5b — модель семейства CLIP, доступная для использования через open_clip и timm. Она основана на архитектуре ViT-B/16 с вариантом активации QuickGELU и обучена на наборе MetaCLIP-2.5B. Модель предназначена для классификации изображений по текстовым описаниям в режиме zero-shot: она сопоставляет изображение с предложенными текстовыми категориями без отдельного обучения на них. Репозиторий содержит веса PyTorch и SafeTensors и использует библиотеку open_clip. Лицензия CC BY-NC 4.0 разрешает использование на условиях атрибуции и ограничивает коммерческое применение.

Это визуальный энкодер CLIP из семейства ViT-Large/14, опубликованный в библиотеке timm. Веса обучены на LAION-2B; модель предназначена для извлечения признаков изображений и получения их представлений для поиска и сопоставления по сходству. Модель принимает изображения и выдаёт векторные признаки. В карточке указаны форматы PyTorch и Safetensors и лицензия Apache-2.0. Это только визуальная часть CLIP: текстовый энкодер и генерация текста в состав репозитория не входят.

TIGER-Lab/VLM2Vec-Full — мультимодальная модель встраиваний, разработанная TIGER-Lab на основе Microsoft Phi-3.5 Vision Instruct. Она дообучена на наборе MMEB-train с контрастивным обучением и предназначена для получения представлений текста и изображений для широкого круга мультимодальных задач поиска и сопоставления. В метаданных указаны архитектура Phi-3.5-V, 3,7 млрд параметров, контекст 4096 токенов и форматы PyTorch и Safetensors. Модель ориентирована на задачи мультимодальных эмбеддингов; карточка сообщает об оценке на 36 наборах MMEB-eval и превосходстве над прежними базовыми методами, но не приводит сами метрики. Репозиторий распространяется по лицензии Apache-2.0. В карточке Hugging Face pipeline помечен как text-generation, хотя описание проекта указывает на эмбеддинги; для поиска эмбеддингов и оценок релевантности это назначение точнее отражает использование модели.

Wav2Vec2-Base-100h — модель распознавания речи, разработанная Facebook. Она основана на архитектуре wav2vec 2.0 и дообучена на 100 часах размеченной речи из LibriSpeech после предварительного обучения на аудиоданных. Модель принимает речь с частотой дискретизации 16 кГц и преобразует её в текст; в метаданных указано около 113,3 млн параметров. Модель предназначена для автоматической транскрибации англоязычной речи, в том числе записей, похожих на аудиокниги и подкасты. Её можно использовать как акустическую модель в системах распознавания речи. Репозиторий содержит веса PyTorch, лицензия — Apache 2.0.

Wav2Vec2-Large-960h-Lv60 + Self-Training — англоязычная модель распознавания речи от Facebook. Это плотная модель архитектуры wav2vec2 с головой CTC и примерно 402,7 млн параметров. Она предварительно обучена и дообучена на речевых данных Libri-Light и LibriSpeech; при обработке аудио требуется частота дискретизации 16 кГц. Модель преобразует речь в текст и подходит для транскрибации аудиозаписей на английском языке. В README описан метод self-training и приведены результаты на наборах LibriSpeech, включая WER 1,8/3,3 на тестовых выборках clean/other при использовании всех размеченных данных. Репозиторий содержит версии весов для PyTorch, TensorFlow и Flax. Лицензия — Apache-2.0. Указанные результаты относятся к конкретным тестовым наборам; качество на других условиях записи и для других языков не гарантируется.

Lguyogiro/wav2vec2-large-mms-1b-azz-adapter-ilv-all_data — дообученная на наборе audiofolder модель распознавания речи, созданная на основе facebook/mms-1b-all. Она использует архитектуру wav2vec2 с классификационной головой CTC и содержит 1,3 млрд параметров. Модель принимает аудио и преобразует речь в текст; базовая модель поддерживает более тысячи языков, но язык или языки, на которых рассчитан этот конкретный чекпойнт, в доступных данных не определены. На тестовом наборе указаны WER 0,2867 и CER 0,0886. Эти значения описывают результаты только на данном наборе и не гарантируют качество на других аудиозаписях. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Wav2Vec2-mBART-50-Ru — русскоязычная модель распознавания речи, разработанная на основе Wav2Vec2-Large-Ru-Golos и mBART-large-50. Она преобразует аудио с русской речью в текст с пунктуацией и заглавными буквами. Архитектура — SpeechEncoderDecoderModel: Wav2Vec2 служит аудиокодировщиком, а mBART — декодером текста. Модель дообучена на размеченных корпусах SberDevices Golos, русской части Common Voice 6.0, Sova RuDevices и части Russian Librispeech. Она подходит для транскрибации русской речи, в том числе записанной в дальней зоне. Для входного аудио требуется частота дискретизации 16 кГц. Модель распространяется по лицензии Apache-2.0.

Baybars/wav2vec2-xls-r-300m-cv8-turkish — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на турецкой части датасета Common Voice. Это архитектура Wav2Vec2 с CTC-декодированием; метаданные указывают 402,7 млн параметров и формат PyTorch. Модель принимает аудио и преобразует речь в текст на турецком языке. Модель предназначена для автоматической транскрипции турецкой речи, в том числе записей в сценариях, похожих на Common Voice. В README приведены результаты на тестовом наборе: WER 0,3098 и CER 0,0764. Для языкового декодирования также описана n-граммная модель KenLM, обученная на статьях турецкой Википедии; она упоминается отдельно от основного чекпойнта. Модель распространяется по лицензии Apache-2.0. Оценка качества приведена для конкретного набора данных и не гарантирует таких же результатов на других акцентах, условиях записи или типах аудио; README не содержит подробностей о таких ограничениях.

wavecoder-ultra-6.7b-GGUF — это GGUF-квантизация модели wavecoder-ultra-6.7b, разработанной Microsoft и опубликованной в исходном виде на Hugging Face. Квантизации подготовлены пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации и обработки программного кода; в метаданных указаны задачи text-generation, набор данных HumanEval и метрика code_eval. Модель содержит 6,7 млрд параметров и поставляется в нескольких вариантах квантования от Q8_0 до IQ1_S, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Рекомендуемыми названы варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S, IQ4_NL и IQ4_XS; их размер составляет примерно от 3,62 до 5,52 ГБ. Для работы используется формат GGUF и llama.cpp. Ожидаемый формат запроса близок к DeepSeek Coder или Alpaca: системная инструкция, блок «Instruction» и блок «Response». Сильной стороной модели является возможность локального запуска на широком диапазоне оборудования благодаря множеству уровней квантования, включая варианты для систем с ограниченным объёмом RAM. Более агрессивное квантование уменьшает размер и требования к памяти, но снижает качество генерации. README не содержит сведений об архитектуре, поддерживаемых языках программирования и естественных языках, размере контекстного окна, результатах сравнительных тестов или ограничениях безопасности. Указана лицензия other с license_name deepseek; точные условия лицензии следует уточнять в исходной карточке модели.

Trendency/whisper-large-v3-hu — дообученная Trendency на открытых речевых данных версия Whisper large-v3 от OpenAI, ориентированная прежде всего на распознавание венгерской речи. Это мультиязычная модель автоматического распознавания речи с архитектурой WhisperForConditionalGeneration и примерно 905,2 млн параметров; она принимает аудио и выдаёт текст. Для длинных записей требуется обработка фрагментами, поскольку рецептивное поле модели составляет 30 секунд; для запуска автор рекомендует faster-whisper. Модель предназначена для транскрибации венгерской речи, включая записи из Common Voice, VoxPopuli и других речевых наборов. В README сообщается о среднем WER 11,26 на указанных срезах Common Voice и об улучшении относительно базовой модели на венгерских данных, но также о возможном снижении качества на других языках. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Как и другие версии Whisper, модель может ошибочно добавлять текст, которого нет в аудио, повторять фрагменты и показывать неодинаковую точность для разных языков, акцентов и диалектов. README указывает, что при обучении использовались также обучающие, тестовые и валидационные части наборов данных, поэтому приведённые оценки следует интерпретировать с учётом этого обстоятельства.

Whisper-Small-CV11 — мультиязычная модель распознавания речи, созданная Burak Aydın путём дообучения стандартной архитектуры OpenAI Whisper Small на корпусе Whispered. Она содержит 153,1 млн параметров и предназначена для транскрибирования аудиозаписей на 11 языках. Модель работает в Transformers и совместима с обычными инструментами для Whisper; для загрузки не требуется доверять дополнительному коду репозитория. При оценке на CommonVoice 17 модель показала более низкий WER, чем исходная Whisper Small, на 10 из 11 языков; README приводит результаты для английского, немецкого и испанского. Обучение сохраняло замороженным энкодер и использовало 15 000 шагов. Модель подходит для расшифровки записанной речи с бытовых микрофонов, в том числе при фоновом шуме. Модель рассчитана на английский, немецкий, испанский, французский, русский, турецкий, арабский, грузинский, тайский, китайский и валлийский языки. Лицензия — Apache 2.0. По заявлению авторов, дообучение снижает качество для других языков Whisper; грузинский вариант на уровне Whisper Small не пригоден для использования. Качество на дальней речи, телефонном аудио 8 кГц и перекрывающейся речи не оценивалось.

arabic_PP-OCRv3_mobile_rec — компактная модель распознавания строк текста из серии PP-OCRv3_rec, разработанная командой PaddleOCR на основе PP-OCRv3_mobile_rec и обученная для распознавания арабского алфавита. Она принимает изображение с текстовой строкой и возвращает распознанный текст; модель предназначена для использования как модуль распознавания в OCR-сценариях на базе PaddleOCR. Модель подходит для извлечения текста из изображений, когда строки уже выделены или их выделяет отдельный модуль обнаружения текста. Полный конвейер PP-OCRv3 может дополнительно выполнять коррекцию ориентации и деформации изображения, обнаружение строк и распознавание. В карточке приведены метрики точности, где строка считается ошибочной при неправильном распознавании любого символа, включая пунктуацию. Модель распространяется по лицензии Apache-2.0 и использует библиотеку PaddleOCR. Доступные сведения указывают на поддержку арабского алфавита; компактная мобильная версия предназначена для распознавания строк, а не для полного OCR-конвейера сама по себе.

AbderrahmanSkiredj1/Arabic_text_embedding_for_sts — модель Sentence Transformers, разработанная Abderrahman Skiredj. Это дообученная BERT-модель для получения плотных векторных представлений арабских предложений и абзацев и оценки их семантического сходства. Её можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текста. Модель содержит 162,4 млн параметров, использует mean pooling и выдаёт эмбеддинги размерностью 768; для сравнения текстов предусмотрено косинусное сходство. Максимальная длина входа — 512 токенов. Модель обучена на датасете с парами и тройками арабских текстов, включающем данные Quora, STS, Alue, Holy Quran и Aranli. Модель предназначена прежде всего для работы с арабским языком; качество для других языков не заявлено. Лицензия в предоставленных данных не указана.

Athene CodeGemma 2 7B v1.1 — дообученная EpistemeAI модель для программирования на основе Athene-codegemma-2-7b-it-alpaca-v1. Это плотная decoder-only языковая модель семейства Gemma с 8,2 млрд параметров, предназначенная для генерации кода по текстовому запросу, ответов на вопросы о фрагментах кода и диалога о программировании и технических задачах. Модель принимает текстовые инструкции и выдаёт код или текст; карточка указывает поддержку английского языка. Модель обучена с учителем на наборах данных для программирования и поддерживает чатовый формат. Контекст составляет 8192 токена. Карточка приводит пример успешного создания игры «Змейка», но не содержит систематических оценок качества или подробностей о данных обучения. Лицензия — Apache 2.0. Для автодополнения кода в IDE README рекомендует использовать предварительно обученные варианты CodeGemma.

Atomight V2.5-1.7B — языковая модель NovatasticRoScript для генерации текста и диалогов с упором на пошаговые рассуждения. Она основана на Qwen/Qwen3-1.7B и дообучена методом GRPO с использованием LoRA/PEFT; адаптер объединён с весами в 16-битном формате. Модель содержит 1,7 млрд параметров, использует архитектуру Qwen3 для причинной генерации текста и поддерживает контекст до 40 960 токенов. Модель предназначена для математических и STEM-задач, научных вопросов, программирования, отладки, многошагового планирования и сценариев с агентами. В карточке заявлено обучение на открытых наборах данных по STEM, науке, математике и коду; также приведены результаты собственных оценок на ряде бенчмарков. Основной язык, указанный в метаданных карточки, — английский. Модель распространяется по лицензии CC-BY-4.0. Это компактная модель, поэтому её результаты могут уступать более крупным системам; авторы отдельно отмечают слабые результаты на задачах HumanEval и MBPP по сравнению с некоторыми моделями, специально дообученными для кода. Результаты бенчмарков заявлены авторами и не являются независимой проверкой.

swardiantara/bert-tiny-yelp-k3-adaptive-euclidean — компактная модель Sentence Transformers, дообученная разработчиком на базе google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные векторы размерности 128 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура включает BERT с двумя слоями и mean pooling; модель содержит 4,4 млн параметров, принимает текст длиной до 512 токенов по метаданным Hugging Face, а README указывает максимум 128 токенов. Модель обучалась на 7 605 030 парах текстов с метками и поддерживает получение эмбеддингов и оценку сходства предложений. Примеры и базовая модель указывают на английский язык; специализация набора данных связана с отзывами Yelp. Репозиторий распространяет веса в формате safetensors. Лицензия в предоставленных данных не указана.

Byrne-Embed — компактная модель для построения эмбеддингов предложений, разработанная автором репозитория Quazim0t0. Она преобразует текст в нормированные векторы размерности 768, пригодные для сравнения косинусного сходства, поиска, кластеризации и ранжирования. Модель содержит 85 млн параметров и использует декодер SpikeWhale с усреднением последнего скрытого состояния и обучаемой проекционной головой. Модель предназначена для семантического поиска и анализа сходства английских текстов. В README приведены результаты оценки на англоязычном наборе MTEB и сравнение геометрии эмбеддингов с EmbeddingGemma-300M. Для загрузки используется Transformers с пользовательской архитектурой; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Оценка сосредоточена на английском языке, а качество для других языков не проверено. В README также отмечена слабая сторона в поиске перефразировок по финансам и экономике; для загрузки требуется код пользовательской архитектуры.

CamemBERTa-L6 — облегчённая версия предварительно обученной модели CamemBERTa, созданная удалением верхних слоёв исходного чекпойнта. Она содержит 81,2 млн параметров, построена на архитектуре DeBERTa-v2 и принимает текст с контекстом до 512 токенов. Модель предназначена прежде всего для дообучения под задачи, где решение зависит от предложения целиком: классификации текста, извлечения ответа на вопрос и семантического поиска. Её также можно использовать как основу для извлечения признаков и для masked language modeling; для генерации текста карточка рекомендует авторегрессионные модели. Модель рассчитана на французский язык. Удаление слоёв уменьшает размер модели относительно базовой CamemBERTa, но сама по себе она не является готовым специализированным классификатором или генератором. Распространяется по лицензии MIT.

Карточка модели unsloth/codegemma-2b на Hugging Face совпадает с карточкой unsloth/codegemma-7b-it, поэтому описание составлено по ней. unsloth/codegemma-7b-it — разговорная версия CodeGemma от Google, представленная Unsloth в виде модели для генерации текста. Репозиторий содержит плотную авторегрессионную модель Gemma с 8,2 млрд параметров, рассчитанную на диалог и дополнение текста; максимальный контекст составляет 8192 токена. В метаданных указана поддержка английского языка и формат safetensors. Модель подходит для диалоговых приложений и генерации продолжений текста, в частности в сценариях, связанных с кодом, для которых предназначено семейство CodeGemma. Карточка Unsloth описывает ноутбуки для дообучения Gemma и форматы шаблонов ChatML и Vicuna, но не приводит результатов оценки качества именно этого чекпойнта. Модель распространяется по лицензии Apache-2.0.

DeepCaption-VLA-V2.0-7B — мультимодальная модель на архитектуре Qwen2.5-VL, созданная prithivMLmods объединением DeepCaption-VLA-7B и Qwen2.5-VL-7B-Instruct. Она предназначена для описания изображений и атрибуции визуальных свойств: формирует подробные подписи с характеристиками объектов, сцен и окружения, а по формулировке запроса может выдавать краткие или детальные описания. Модель рассчитана на изображения разных жанров и пропорций, включая художественные, технические, абстрактные и малоконтекстные примеры. Модель содержит 7,1 млрд параметров, принимает изображения и текстовые инструкции и генерирует текст. Заявлена поддержка английского, китайского и тайского языков; контекст составляет до 128 000 токенов. Лицензия — Apache-2.0. В неоднозначных или низкокачественных изображениях модель может приписывать объектам свойства, которые не видны явно; уровень детализации зависит от запроса. Качество может снижаться на синтетических и абстрактных изображениях, а в описаниях чувствительных изображений может появляться явный контент.