IV.10Дом, личная жизнь, уход и повседневные задачи

HyperCLOVAX-SEED-Vision-Instruct-3B — компактная мультимодальная модель NAVER для понимания изображений и видео и генерации текстовых ответов. Она основана на собственной текстовой модели NAVER HyperCLOVAX-SEED-Text-Base-3B и дообучена с помощью SFT и RLHF; архитектура включает LLaVA-подобную языковую часть, визуальный энкодер на основе SigLIP и соединитель C-Abstractor с механизмом AnyRes. В языковой части 3,2 млрд параметров, в визуальной — 0,43 млрд. Модель принимает текст, изображения и видео и выдаёт текст. Она предназначена для визуальных вопросов и ответов, интерпретации диаграмм и графиков, распознавания текста на изображениях без отдельного OCR и понимания видео; также улучшена работа с корейским языком. Контекст составляет 16 тыс. токенов, а обработка видео оптимизирована по числу визуальных токенов. Модель подходит для прикладных сценариев, где важны компактность и визуальный анализ, однако её возможности и качество могут уступать более крупным системам на сложных задачах. Данные обучения собраны до августа 2024 года. В репозитории указана лицензия other; конкретные условия следует проверять в карточке модели NAVER перед использованием.

PaliGemma 3B Mix 224 — разработанная Google компактная модель «зрение—язык», сочетающая визуальный компонент SigLIP и языковую модель Gemma. Она принимает изображения и текст, а в ответ генерирует текст; вариант 224 использует разрешение изображений 224 пикселя. Модель предназначена прежде всего для дообучения под конкретную задачу и поддерживает несколько языков. После адаптации модель можно применять для описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Среди возможных специализированных сценариев — вопросы по снимкам дистанционного зондирования, помощь людям с нарушениями зрения и описание функций элементов интерфейса. Это модель с одним ходом, не предназначенная для многошагового диалога. Модель лучше работает с чёткими инструкциями; без дообучения её результаты на отдельных задачах могут уступать специализированным моделям. Она может ошибаться в фактах и сложных рассуждениях, а также отражать смещения обучающих данных. Лицензия — Gemma; для Gemma действуют условия и ограничения использования, указанные Google.

Qwen2-VL-72B-Instruct — мультимодальная модель компании Qwen, дообученная для следования инструкциям на основе Qwen/Qwen2-VL-72B. Она принимает текст и изображения, а также видео для визуального анализа, и формирует текстовые ответы. Модель содержит 71,5 млрд параметров, использует архитектуру Qwen2-VL с динамическим разрешением изображений и мультимодальным позиционным кодированием M-ROPE; длина контекста составляет 32 768 токенов. Модель предназначена для ответов на вопросы по изображениям и видео, анализа документов и визуального содержимого, а также диалога и создания текстового описания по визуальному материалу. Она поддерживает разные разрешения и пропорции изображений; в README также описана возможность интеграции в системы, управляющие устройствами по визуальному окружению и текстовым инструкциям. Видеовход ограничен локальными файлами, а аудио в видео модель не понимает. Согласно README, известные ограничения включают неточный подсчёт объектов, слабое пространственное рассуждение, трудности со сложными многошаговыми инструкциями и ограниченное распознавание конкретных людей и объектов интеллектуальной собственности. Данные об изображениях актуальны до июня 2023 года. Модель распространяется под лицензией с меткой Hugging Face «other»; конкретные условия лицензии следует сверить в карточке репозитория.

bunnycore/Tulu-3.1-8B-SuperNova — объединённая языковая модель, созданная с помощью mergekit методом линейного слияния. В неё вошли allenai/Llama-3.1-Tulu-3-8B, arcee-ai/Llama-3.1-SuperNova-Lite и meditsolutions/Llama-3.1-MedIT-SUN-8B. Модель основана на архитектуре Llama и содержит 7,5 млрд параметров; работает через библиотеку Transformers, использует формат safetensors и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, следования инструкциям и решения разнообразных текстовых задач; также заявлен интерфейс для вызова инструментов. Среди опубликованных оценок — 81,94 на IFEval и 32,50 на BBH. Метаданные не устанавливают основной язык, поэтому язык в описании не уточняется. Лицензия в предоставленных данных не указана.

Qwen3.7-Plus — экономичная мультимодальная модель из серии Qwen3.7 компании Alibaba. Она принимает текст и изображения и формирует текстовые ответы, поэтому подходит для диалога и задач, где нужно интерпретировать визуальное содержимое вместе с текстовым запросом.

Deita-20b — языковая модель для генерации текста на базе архитектуры Llama с 19,3 млрд параметров. Карточка показывает пример диалога с системным и пользовательским сообщениями, поэтому модель подходит для выполнения инструкций и ответов на запросы в формате ассистента. Заявленная длина контекста — 32 768 токенов. Модель использует формат Safetensors и обучалась на наборе KnutJaegersberg/Deita-6k. В карточке приведены результаты оценок на нескольких тестах рассуждения и понимания текста. Код распространяется по Apache-2.0; для весов заявлены академическое и бесплатное коммерческое использование, однако для коммерческой лицензии предлагается подать отдельную заявку.

LFM2.5-VL-1.6B-Extract — компактная модель Liquid AI для извлечения заданных пользователем полей из изображений. Пользователь перечисляет нужные поля и их описания в системном запросе в формате YAML, а модель возвращает объект JSON; для полей можно задавать допустимые варианты ответа. Модель предназначена для структурированного анализа изображений в производственных сценариях, например для выявления событий безопасности и автоматической разметки товаров. Архитектура — плотная LFM2-VL для генерации текста по изображению; в README указаны визуальный энкодер SigLIP2 примерно на 400 млн параметров и гибридный свёрточно-внимательный бэкбон. Метаданные связывают модель с дообучением LiquidAI/LFM2.5-VL-1.6B. Модель принимает изображение и текстовую схему, выдаёт текст в виде JSON; указанный язык карточки — английский. README сообщает о высокой точности на внутреннем тесте формата «одно изображение, схема полей, плоский JSON», однако эти результаты не следует переносить на задачи рассуждения по нескольким изображениям или свободные ответы на вопросы. Для запуска требуется Transformers версии 5.1 или новее. Лицензия в метаданных обозначена как other; конкретные условия следует проверять в карточке репозитория.

InternLM3-8B-Instruct — плотная языковая модель с 8,3 млрд параметров, разработанная командой InternLM и предназначенная для широкого круга задач и сложных рассуждений. Она поддерживает диалоговый режим и может переключаться между обычными ответами и режимом глубокого мышления с развёрнутой цепочкой рассуждений. Модель обучена на 4 трлн токенов; заявленная длина контекста — 32 768 токенов. Модель подходит для ответов на вопросы, работы со знаниями и задач, требующих рассуждений. В карточке приводятся результаты OpenCompass, где модель показывает высокие результаты на некоторых тестах по сравнению с сопоставимыми открытыми моделями; эти показатели зависят от конфигурации оценки. InternLM3-8B-Instruct принимает текст и генерирует текст. В README отдельно отмечено, что ответы могут содержать предвзятость, дискриминационные или иные вредоносные высказывания. Код и веса распространяются по лицензии Apache-2.0.

Qwen2-VL-2B-Instruct — мультимодальная модель с визуальным энкодером и плотной архитектурой Qwen2-VL, разработанная командой Qwen. Это версия с настройкой для следования инструкциям, основанная на Qwen/Qwen2-VL-2B. Модель принимает изображения и текстовые запросы и формирует текстовые ответы; поддерживает динамическое разрешение изображений, а механизм M-ROPE учитывает текстовые, визуальные и видеопозиции. В метаданных указаны 1,5 млрд параметров и контекст длиной 32 768 токенов. Модель предназначена для визуальных вопросов и ответов, анализа изображений и документов, а также понимания видеоклипов, включая клипы длительностью более 20 минут. Она также может служить основой для систем, которые действуют по текстовым инструкциям, опираясь на визуальную обстановку. Модель поддерживает английский и китайский языки, а также распознавание текста на изображениях на многих других языках. Репозиторий содержит веса в формате safetensors, использовать их можно на базе Transformers; лицензия — Apache-2.0. В README отмечены ограничения: модель не понимает аудио в видео, может ошибаться при подсчёте объектов и пространственных рассуждениях, а также испытывает трудности со сложными многошаговыми инструкциями. Данные изображений обновлены до июня 2023 года; распознавание конкретных людей и объектов интеллектуальной собственности ограничено.

Meta-Llama-3.1-8B-Instruct-GGUF — квантизированная версия инструкционной языковой модели Meta-Llama-3.1-8B-Instruct, разработанной Meta и подготовленной в формате GGUF пользователем bartowski. Это текстовая модель для генерации ответов по инструкциям и диалогового взаимодействия. Модель предназначена для задач text generation, включая ответы на запросы, создание и преобразование текста и другие сценарии, где требуется работа с естественным языком. Заявлена поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Размер базовой модели — 8B параметров; модальности и размер контекстного окна в предоставленных данных не указаны. Квантизация в формате GGUF может упростить локальный запуск и снизить требования к ресурсам по сравнению с полноразмерными весами, однако конкретный уровень квантизации в README не указан. Ограничения включают возможные ошибки и неточности генерации, а также отсутствие данных о производительности, точном варианте квантования и контекстном окне. Модель распространяется по Llama 3.1 Community License от Meta с требованиями соблюдать Acceptable Use Policy, включать текст лицензии и атрибуцию при распространении, а также использовать обозначение «Built with Llama» в предусмотренных лицензией случаях.

cloudyu/mistral_15B_instruct_v0.1 — разговорная модель для генерации текста, разработанная на базе архитектуры Mistral и дообученная методом SFT на наборе vicgalle/alpaca-gpt4. Карточка указывает 64 слоя; в метаданных размер модели составляет 14,1 млрд параметров, а родной контекст — 32 768 токенов. Модель принимает инструкции и необязательные входные данные в шаблоне «инструкция — вход — ответ» и генерирует текстовые ответы. Модель предназначена для диалогов и выполнения инструкций общего назначения. Репозиторий содержит веса в формате safetensors; лицензия — CC BY 4.0. README и метаданные не указывают поддерживаемые естественные языки или специализированные области применения.

Mistral-Trismegistus-7B-Mistral-7B-Instruct-v0.2-slerp — объединённая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием mistralai/Mistral-7B-Instruct-v0.2 и teknium/Mistral-Trismegistus-7B методом SLERP; веса опубликованы в формате safetensors. Модель предназначена для диалоговой генерации текста и выполнения инструкций. Контекст составляет до 32 768 токенов, что подходит для многошаговых диалогов и запросов с большим объёмом входного текста. Карточка не уточняет специализацию Trismegistus, поэтому узкие области применения не заявляются. Лицензия — Apache-2.0. Как и другие генеративные языковые модели, она может выдавать неточные или вымышленные сведения; результаты следует проверять.

ChimeraLlama-3-8B-v3 — объединённая языковая модель, созданная mlabonne с помощью LazyMergekit из семи моделей семейства Llama 3, включая инструктивные версии и варианты, дообученные с ORPO и DPO. Это плотная авторегрессионная модель на 7,5 млрд параметров для генерации текста и диалогового взаимодействия; заявленная длина контекста — 8192 токена. Модель принимает текст и выдаёт текст. Её можно использовать для ответов на вопросы, ведения диалога и генерации текста. В README приведены результаты оценок Open LLM Leaderboard, но они сами по себе не гарантируют качество на конкретных задачах. В метаданных указана лицензия «other»; условия использования следует сверить с карточкой модели и лицензиями объединённых базовых моделей.

airoboros-l2-70b-gpt4-1.4.1 — языковая модель семейства Llama 2, дообученная jondurbin на наборе airoboros-gpt4-1.4.1. Это плотная авторегрессионная модель с 68,7 млрд параметров для генерации текста. Её можно применять для диалогов, ответов на инструкции и создания текстов; контекст составляет 4096 токенов. Модель представлена в формате PyTorch. В карточке указана лицензия other, поэтому условия использования следует проверять в репозитории модели и у базовой модели. README не описывает специальные ограничения или гарантии качества; характеристики унаследованы от Llama 2 и зависят от сценария применения.

kanana-1.5-v-3b-instruct — мультимодальная языковая модель семейства Kanana-1.5-V, разработанная командой Unified Foundation Model в Kakao. Она принимает текст и изображения и генерирует текст; архитектура включает энкодер изображений, C-abstractor и языковую модель kanana-1.5-3b-instruct. Модель содержит около 3,67 млрд параметров, поддерживает контекст до 32 тысяч токенов и предназначена для работы на английском и корейском языках. Модель подходит для описания изображений, понимания документов, рассуждений по распознанному тексту и выполнения мультимодальных инструкций. В опубликованных Kakao оценках она показала результаты на англоязычных и корейских тестах понимания изображений и следования инструкциям; результаты бенчмарков не гарантируют точность в каждом пользовательском сценарии. Модель может выдавать неточную или вводящую в заблуждение информацию, особенно при работе с научными диаграммами и математическими задачами. Её не рекомендуется применять в медицине, праве и других областях с высокими ставками; качество языков, кроме корейского и английского, не оценивалось и может быть низким. Лицензия — kanana-license.

NeuralHermes-2.5-Mistral-7B-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель MaziyarPanahi, созданная слиянием методом SLERP моделей mistralai/Mistral-7B-Instruct-v0.2 и mlabonne/NeuralHermes-2.5-Mistral-7B. Это плотная модель Mistral с 7,1 млрд параметров, предназначенная для генерации текста и ответов на инструкции в формате диалога; максимальный контекст составляет 32 768 токенов. Модель принимает текст и выдаёт текст. Карточка не уточняет поддерживаемые естественные языки или специализированные области применения. Веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Качество ответов может варьироваться в зависимости от запроса; отдельные ограничения производительностью и поведением в README не описаны.

Noromaid-7b-v0.2-Mistral-7B-Instruct-v0.1 — языковая чат-модель MaziyarPanahi для генерации текста и ответов на диалоговые запросы. Она получена слиянием методом SLERP моделей mistralai/Mistral-7B-Instruct-v0.1 и NeverSleep/Noromaid-7b-v0.2; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров. Модель принимает текст и выдаёт текст. Заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса Safetensors в формате bfloat16 и распространяется по лицензии Apache-2.0. Карточка не описывает отдельные языковые или предметные специализации, поэтому модель можно рассматривать как универсальную чат-модель.

pinkyponky выпустил SOLAR-10.7B-dpo-instruct-tuned-v0.1 — текстовую генеративную модель для ответов на инструкции и диалоговых запросов. В метаданных указаны архитектура Llama, 10,6 млрд параметров, контекст до 4096 токенов и формат safetensors. Модель предназначена для загрузки через Transformers. Название и карточка указывают на DPO- и instruct-настройку модели, однако README сообщает, что сведения об обучении и данных будут добавлены позже. В примере загрузки указана базовая модель Upstage/SOLAR-10.7B-v1.0. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Llama 4 Scout — мультимодальная инструкционная модель Meta на архитектуре Mixture of Experts с ранним объединением текстовой и визуальной информации. Репозиторий Unsloth содержит вариант, описанный как исходная модель Llama 4 Scout без изменений, подготовленный для дообучения средствами Unsloth; метаданные указывают базовую модель meta-llama/Llama-4-Scout-17B-16E-Instruct. В README Scout описана как модель с 17 млрд параметров и 16 экспертами. Модель предназначена для диалогов с ассистентом, понимания изображений и визуальных рассуждений: она может описывать изображения, распознавать визуальное содержимое и отвечать на вопросы о нём. Заявлена поддержка арабского, английского, французского, немецкого, хинди, индонезийского, итальянского, португальского, испанского, тагальского, тайского и вьетнамского языков. README сообщает, что модель тестировалась на входах до пяти изображений. Модель доступна по пользовательской лицензии Llama 4 Community License Agreement с условиями коммерческого и исследовательского использования и соблюдением Acceptable Use Policy. К ограничениям относятся статичный обучающий набор, отсутствие гарантии будущих обновлений и необходимость дополнительного тестирования при подаче более пяти изображений или использовании за пределами явно поддерживаемых языков и возможностей.

Open-Orca/Mistral-7B-OpenOrca — диалоговая языковая модель Open-Orca, созданная дообучением Mistral 7B на отфильтрованной выборке набора OpenOrca с данными, дополненными GPT-4. Модель обучали с Axolotl и упаковкой OpenChat; она использует архитектуру MistralForCausalLM и формат диалога ChatML. Модель предназначена для генерации ответов в диалоге и выполнения инструкций на естественном языке. В карточке указано контекстное окно 32 768 токенов, а основным языком обозначен английский. Модель содержит 7,1 млрд параметров и доступна в формате PyTorch. Разработчик приводит результаты оценок на нескольких бенчмарках и сообщает об улучшении относительно базовой Mistral 7B. Эти результаты относятся к тестам и не гарантируют качество для конкретных задач. Модель распространяется по лицензии Apache-2.0.

MaziyarPanahi/neural-chat-7b-v3-3-Slerp-Mistral-7B-Instruct-v0.2-slerp — это объединённая методом SLERP диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров. В слиянии использованы mistralai/Mistral-7B-Instruct-v0.2 и Intel/neural-chat-7b-v3-3-Slerp; конфигурация указывает bfloat16. Модель предназначена для генерации текста и ответов на инструкции в диалоговом формате, а также поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. Карточка не приводит сведений о целевых языках или специализированной области применения. Репозиторий распространяется по лицензии Apache-2.0. Конкретные ограничения качества и безопасности в карточке не описаны.

ZwZ-7B — мультимодальная модель восприятия изображений, разработанная inclusionAI на базе Qwen2.5-VL-7B-Instruct. Она дообучена с помощью дистилляции Region-to-Image и обучения с подкреплением, чтобы точнее распознавать мелкие детали на изображении за один проход, без увеличения отдельных областей во время вывода и без вызова инструментов. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает изображения и текстовые запросы, выдавая текстовые ответы. Контекст — до 128 000 токенов; в карточке указан английский язык. Модель предназначена для визуальных вопросов и ответов, подсчёта объектов, OCR, определения цветов и структурных или материальных характеристик, а также идентификации объектов. По заявлению авторов, она показывает высокие результаты среди открытых моделей на базе Qwen2.5-VL-7B в задачах детального восприятия. Для общего мультимодального понимания в некоторых случаях предпочтительнее базовая модель; для изображений очень высокого разрешения важно подходящее предварительное преобразование. Лицензия — Apache 2.0.

Lamarck-14B-v0.6 — объединённая модель на архитектуре Qwen2, опубликованная sometimesanotion. Она создана как универсальная разговорная модель для генерации текста и рассчитана на многошаговые рассуждения, написание связной прозы и работу на нескольких языках. В карточке указано, что модель занимает первое место по среднему результату среди текстовых ассистентов до 32 млрд параметров на Open LLM Leaderboard; это заявление автора, а не независимая оценка здесь. Модель содержит 14 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 131072 токенов. README описывает многослойное слияние нескольких моделей и извлечённых LoRA-адаптеров; среди предков упомянута DRT-o1-14B, ориентированная на глубокие рассуждения и перевод. Метаданные отмечают чат и интерфейс вызова инструментов. В качестве заявленных ограничений конкретные слабые стороны не приведены; качество может различаться между языками и задачами. Лицензия — Apache-2.0.

Карточка модели alpindale/Llama-3.2-11B-Vision на Hugging Face совпадает с карточкой meta-llama/Llama-3.2-11B-Vision, поэтому описание составлено по ней. Llama 3.2-11B-Vision — мультимодальная модель Meta для анализа изображений и генерации текстовых ответов. Она построена на авторегрессионной архитектуре Transformer семейства Llama 3.1 и использует отдельно обученный визуальный адаптер с cross-attention, который передаёт представления изображений в языковую модель. Размер модели — 11 млрд параметров; она принимает изображения и текст, выдаёт текст и поддерживает контекст до 128 тыс. токенов. Модель предназначена для распознавания изображений, визуальных рассуждений, создания подписей и диалога по изображениям. Она подходит для визуальных вопросов и ответов, извлечения сведений из изображений документов, поиска соответствий между изображениями и текстом, а также привязки текстовых описаний к областям изображения. Для задач с изображениями официально поддерживается английский язык; в текстовых задачах также поддерживаются немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Модель основана на Llama 3.1 и включает визуальный адаптер; для настроенных версий семейства применяются supervised fine-tuning и обучение с обратной связью от людей. Это статический чекпойнт, обученный на офлайн-данных с отсечкой знаний в декабре 2023 года. Использование регулируется Llama 3.2 Community License — специальной лицензией с коммерческими условиями и Acceptable Use Policy.

Marco-Mini-Instruct — мультиязычная языковая модель с настройкой на выполнение инструкций от Alibaba International Digital Commerce, принадлежащая к семейству Marco-MoE. Это декодерный Transformer с разреженными слоями Mixture-of-Experts, созданный на основе Qwen3-0.6B-Base методом upcycling и затем дообученный на инструкциях и методом on-policy distillation. Всего модель содержит 17,3 млрд параметров, но активирует около 0,86 млрд на токен; метаданные Hugging Face указывают 507,9 млн параметров. Эти оценки размера расходятся, поэтому их следует трактовать с учётом источника. Модель предназначена для диалогов, следования инструкциям, ответов на общие и специализированные вопросы, рассуждений, структурированного вывода и перевода. Она поддерживает 29 языков, включая русский, английский и китайский, и имеет контекст длиной 32 768 токенов. В карточке приведены результаты сравнительных тестов, где модель показывает сильные результаты на англоязычных и мультиязычных бенчмарках; они не гарантируют качество для каждого языка или прикладной задачи. Для развёртывания README рекомендует vLLM; для SGLang требуется специальная сборка из-за ограничений поддержки MoE с tied embeddings. Лицензия — Apache-2.0.

Moonlight-16B-A3B-Instruct — чат-модель семейства Moonlight, разработанная MoonshotAI. Это instruction-tuned вариант модели с архитектурой Mixture-of-Experts: 16 млрд параметров всего и около 3 млрд активных при генерации. Метаданные Hugging Face классифицируют её как DeepSeek V3 и указывают библиотеку Transformers; модель распространяется в формате safetensors. Модель предназначена для диалогов и генерации текста по инструкциям. В карточке авторов Moonlight описана как обученная на 5,7 трлн токенов; длина контекста составляет 8K токенов. Авторы сообщают об улучшенной эффективности обучения Muon по сравнению с Adam, однако эти сведения относятся к результатам исследовательской работы и не гарантируют качество на каждом прикладном сценарии. Модель выпущена под лицензией MIT. В карточке не приведены конкретные ограничения качества или перечень поддерживаемых естественных языков; применимость в узких областях следует проверять отдельно.

Claude OSS 9B — независимая open-source языковая модель, разработанная автором squ11z1. Это неофициальный продукт Anthropic: модель дообучена на базе Qwen/Qwen3.5-9B с использованием открытых датасетов, общий объём которых составляет примерно 200 000 строк. Модель предназначена для общего диалога и работы в формате ассистента, многоязычного общения, задач на рассуждение, написания и суммаризации текстов, лёгкой помощи в программировании и поддержания согласованного поведения и идентичности ассистента. Заявлена поддержка более 200 языков. Модель работает с текстом и относится к классу instruction-tuned conversational моделей для генерации текста. Ключевые характеристики включают размер около 9 млрд параметров и архитектурную основу Qwen3.5-9B; точное устройство архитектуры и размер контекстного окна в README не указаны. Обучение было сфокусировано на следовании инструкциям, диалогах, многоязычных запросах, сохранении способности к рассуждению и общей практической полезности. Ограничения включают отсутствие подробных независимых результатов оценки, неизвестные значения контекстного окна и отсутствие заявленной поддержки мультимодальных входов. Модель распространяется по лицензии Apache-2.0.

Карточка модели Abu-Dju/Marco-Mini-Instruct на Hugging Face совпадает с карточкой ATH-MaaS/Marco-Mini-Instruct, поэтому описание составлено по ней. Marco-Mini-Instruct — мультиязычная языковая модель с настройкой на выполнение инструкций от Alibaba International Digital Commerce, принадлежащая к семейству Marco-MoE. Это декодерный Transformer с разреженными слоями Mixture-of-Experts, созданный на основе Qwen3-0.6B-Base методом upcycling и затем дообученный на инструкциях и методом on-policy distillation. Всего модель содержит 17,3 млрд параметров, но активирует около 0,86 млрд на токен; метаданные Hugging Face указывают 507,9 млн параметров. Эти оценки размера расходятся, поэтому их следует трактовать с учётом источника. Модель предназначена для диалогов, следования инструкциям, ответов на общие и специализированные вопросы, рассуждений, структурированного вывода и перевода. Она поддерживает 29 языков, включая русский, английский и китайский, и имеет контекст длиной 32 768 токенов. В карточке приведены результаты сравнительных тестов, где модель показывает сильные результаты на англоязычных и мультиязычных бенчмарках; они не гарантируют качество для каждого языка или прикладной задачи. Для развёртывания README рекомендует vLLM; для SGLang требуется специальная сборка из-за ограничений поддержки MoE с tied embeddings. Лицензия — Apache-2.0.

MiniCPM-V 4.0 — мультимодальная языковая модель OpenBMB для диалога и анализа изображений, нескольких изображений и видео. В карточке указаны 3,2 млрд параметров, контекст 32 768 токенов, архитектура MiniCPMV и библиотека Transformers; README описывает основу из SigLIP2-400M и MiniCPM4-3B, но приводит другой общий размер — 4,1 млрд параметров. Модель предназначена для распознавания содержимого изображений и видео, визуальных вопросов и ответов, чтения текста и документов на изображениях, а также понимания нескольких изображений. README подчёркивает эффективность для запуска на мобильных устройствах; поддерживаются локальное использование и интеграция с несколькими средами инференса. Метаданные указывают мультиязычность, но конкретные языки не перечислены. Лицензия — Apache 2.0. Ограничения: ответы могут содержать ошибки, а сама модель не выражает личных мнений и не выполняет ценностные суждения; заявленные в README результаты основаны на оценках авторов.

llmfan46 — дообученная на базе Google Gemma 3 12B IT мультимодальная модель для диалогов с текстом и изображениями. По данным карточки, она принимает текст и изображения и формирует текстовые ответы; подходит для вопросов по изображениям, генерации и суммаризации текста, а также диалоговых сценариев. Архитектура — плотная Gemma 3, размер базовой модели — 12 млрд параметров. Для семейства Gemma 3 в README указано контекстное окно 128 тыс. токенов и поддержка более 140 языков; подтверждения, что эти характеристики полностью сохранены в этой производной версии, нет. Автор называет модель uncensored и heretic; отдельные сведения о методе такого изменения или его оценке в карточке не приведены. Модель распространяется в формате safetensors через Transformers. Лицензия указана как gemma; перед использованием следует учитывать её условия. Как и другие генеративные модели, она может выдавать фактически неверные ответы, отражать смещения обучающих данных и ошибаться при сложных или неоднозначных запросах.