IV.1Ритейл, электронная коммерция и fashion-tech

Muapi/ltx-2.3-ltx2-better-nsfw-motion — это LoRA-адаптер для генерации видео из текста, созданный для базовой модели Lightricks/LTX-Video, версии LTXV 2.3. По названию и описанию адаптер ориентирован на улучшение динамики движений в NSFW-сценариях. Модель предназначена для использования в пайплайнах text-to-video на базе библиотеки Diffusers. В README указано, что адаптер можно применять через API MUAPI с настройкой силы LoRA, разрешения 768×512 и длины ролика до 97 кадров в приведённом примере. Сведения о размере адаптера, архитектуре базовой модели, поддерживаемых языках, точных модальностях и максимальном контексте отсутствуют. К сильным сторонам относятся специализация на движении и совместимость с LTX-Video 2.3; ограничения включают зависимость от базовой модели и необходимость доступа к API MUAPI для описанного способа использования. Лицензия указана как OpenRAIL++. Условия распространения и конкретные ограничения использования в README подробно не раскрыты, поэтому перед применением следует ознакомиться с полным текстом лицензии и правилами MUAPI.

Модель разработана автором репозитория yusasif и представляет собой дообученную с помощью LoRA зрительно-языковую модель Gemma 4 12B для распознавания нигерийской еды на изображениях. На вход она получает изображение блюда и может назвать видимые нигерийские блюда; обучение охватывало более 165 классов, включая супы, блюда из риса и фасоли, закуски, региональные блюда, фрукты и напитки. Архитектура — Gemma4UnifiedForConditionalGeneration; веса опубликованы в формате safetensors. В README упоминаются обучение с 4-битной загрузкой базовой модели и возможность 8-битного квантования для обслуживания, а карточка описывает вариант v2 на 12B параметров. Модель предназначена для классификации и описания нигерийских блюд по фотографиям, например для пищевых каталогов или приложений, помогающих определить блюдо. Карточка указывает английский язык; модель обладает визуальным и разговорным интерфейсом. Лицензия — Gemma. Набор обучения содержит около 600 пар изображение–текст и 165+ классов, поэтому охват ограничен нигерийской кухней, а редкие или визуально похожие блюда могут распознаваться ошибочно.

Resumator v2 — модель Sentence Transformers, дообученная на базе sentence-transformers/all-mpnet-base-v2 для сопоставления резюме кандидатов с описаниями вакансий. Она кодирует оба текста в векторы, которые можно сравнивать по косинусному сходству и использовать для ранжирования кандидатов. Модель содержит 136,7 млн параметров; полная размерность эмбеддингов — 768, рекомендуемая — 384. Благодаря обучению Matryoshka Representation Learning векторы можно сокращать до 256 или 128 измерений с небольшим снижением качества. Контекст ограничен 514 токенами. Модель предназначена для подбора вакансий по резюме, ранжирования кандидатов и поиска релевантных соответствий в рекрутинговых системах. В карточке сообщается об оценке на 500 парах резюме и вакансий и о заметном улучшении ранжирования относительно базовой модели; эти результаты получены на конкретном наборе данных и не гарантируют такое же качество на других рынках и выборках. Обучающие данные охватывают технический найм, поэтому модель может хуже работать с нетехническими должностями. Она рассчитана на английский язык и рынок труда США; в карточке также отмечены возможные смещения в оценках, использованных при подготовке обучающих данных. Репозиторий распространяется по лицензии Apache-2.0.

kirikouKaraba/sd-class-butterflies-32 — диффузионная модель для безусловной генерации изображений милых бабочек. Карточка описывает её как работу в рамках курса Diffusion Models Class; модель загружается через DDPMPipeline из библиотеки Diffusers и выдаёт изображение без текстового запроса. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии MIT. Модель предназначена для создания изображений бабочек. Размер и дополнительные языковые или мультимодальные возможности в предоставленных данных не описаны.

Jesssiemin/sd-class-butterflies-64 — диффузионная модель, созданная в рамках курса по диффузионным моделям. Она предназначена для безусловной генерации изображений милых бабочек: модель создаёт изображение без текстового запроса. Для запуска автор предлагает использовать библиотеку Diffusers и конвейер DDPMPipeline; веса доступны в форматах Diffusers и safetensors. Модель распространяется по лицензии MIT.

Это обученная с нуля политика ACT (Action Chunking Transformer) для складывания футболки двумя руками на стационарной платформе Trossen AI WidowX. Модель разработана сообществом Trossen Robotics и обучена в LeRobot на наборе данных TrossenRoboticsCommunity/mobile-baseoff-tshirt-folding-lerobot-v1; указана полная настройка без LoRA и адаптеров. Архитектура сочетает визуальную основу ResNet18, энкодер и декодер Transformer и CVAE. На вход подаются состояние робота размерностью 14 и изображения с трёх камер: верхней и двух камер на запястьях, размером 480×640. На выходе — 14-мерное действие для двуручной платформы. Финальный чекпойнт после 100 000 шагов обучения показал 6 успешных складываний из 10 при офлайн-оценке на роботе. Модель предназначена для конкретной конфигурации робота и задачи; результат оценки указывает на неполную надёжность. Репозиторий содержит веса Safetensors и конфигурации LeRobot и распространяется по лицензии Apache-2.0.

Norod78/gpt-fluentui-flat-svg — компактная GPT-2-модель, обученная автором на SVG-файлах с плоскими эмодзи из репозитория Microsoft FluentUI. Модель генерирует текстовые последовательности SVG-разметки, которые можно извлечь и сохранить как отдельные SVG-файлы. Токенизатор и модель обучались с помощью aitextgen; по метаданным, архитектура — GPT2LMHeadModel, библиотека — Transformers, а файлы весов представлены в форматах PyTorch и Safetensors. Максимальная длина контекста составляет 4096 токенов. README описывает отдельные SVG path-элементы как обучающие данные, что задаёт узкую область генерации графических контуров эмодзи. Модель подходит для экспериментов с генерацией SVG-контуров в стилистике плоских эмодзи FluentUI. Качество и пригодность результата зависят от постобработки: README упоминает извлечение последовательностей в отдельные SVG-файлы. Лицензия — MIT; отдельные условия использования исходных данных FluentUI в карточке не раскрыты.

Hassaku Hentai Model — модель генерации изображений по текстовому описанию, опубликованная StableDiffusionAPI. В карточке приведён пример вызова через API ModelsLab с параметрами промпта, негативного промпта, размера изображения и числа шагов генерации; также заявлена возможность повысить детализацию и реалистичность результата. Модель предназначена для создания изображений по текстовым запросам, в том числе откровенного контента. Пример настройки использует изображение 512 × 512 пикселей и 30 шагов. Репозиторий содержит веса в форматах Diffusers и PyTorch; указанная лицензия — CreativeML OpenRAIL-M.

lerobot/xvla-folding — дообученная модель управления роботом на базе X-VLA, подготовленная в экосистеме LeRobot для складывания ткани. X-VLA использует архитектуру Vision-Language-Action на основе единого Transformer и мягкие промпты для управления роботами с разным воплощением и в разных средах. Модель обучена на наборе данных Soft-FOLD для складывания ткани; в карточке заявлен стопроцентный успех в течение двух часов непрерывного складывания. Модель принимает изображения с нескольких камер, состояние и проприоцептивные данные робота, а также необязательную текстовую инструкцию, и выдаёт непрерывные управляющие действия. Целевая функция обучения — flow matching. Модель предназначена как отправная точка для дальнейшего дообучения под конкретный сценарий, а запуск и обучение описаны для LeRobot. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Заявленный результат относится к описанному сценарию складывания ткани; карточка не приводит данных о проверке на других задачах или роботах.

KoolCogVideoX-2b — дообученная модель генерации видео по тексту на базе CogVideoX-2B, созданная для сценариев интерьерного дизайна. Она предназначена для создания видеовизуализаций помещений по текстовым описаниям, например гостиных и спален с заданной мебелью, освещением, цветовой палитрой и стилем. Модель использует библиотеку Diffusers и распространяется в форматах Diffusers и safetensors. В карточке приведены примеры генерации интерьеров; лицензия — Apache-2.0. Модель ориентирована на английские текстовые запросы об интерьерах. Примеры демонстрируют современные минималистичные помещения с нейтральной палитрой и естественным освещением. Карточка не приводит измерений качества или подробностей о длине и разрешении видео.

Invertedturnstyle/krea2_nsfw — модель-адаптер LoRA для генерации изображений по текстовому описанию на базе Krea-2-Turbo. Она предназначена для использования с экосистемой Diffusers и позволяет применять дополнительную настройку поверх базовой модели. По идентификатору репозитория модель ориентирована на NSFW-сценарии, однако подробное описание таких сценариев в README отсутствует. В README не указаны размер адаптера, точная архитектура, поддерживаемые языки, максимальный контекст, требования к памяти или результаты тестирования. Также не приведены сведения о разработчике, лицензии, параметрах LoRA и ограничениях использования. Для работы потребуется базовая модель Krea-2-Turbo и совместимый пайплайн Diffusers; конкретные условия подключения следует уточнять по файлам репозитория.

Google Lyria 3 Clip Preview — предварительная версия модели из семейства Lyria 3 для генерации музыки через Gemini API. Карточка сообщает, что клипы длительностью 30 секунд стоят $0,04 за клип. Модель предназначена для создания музыкальных клипов. Карточка не описывает архитектуру, число параметров, поддерживаемые языки, входные данные или особенности качества, поэтому эти характеристики здесь не приводятся. Данных о лицензии также нет.

Это дообученная модель NVIDIA GR00T N1.7-3B для управления манипуляционной рукой SO-101 при настольной задаче «взять упаковки печенья Malkist и положить их в коробку-ящик, затем вернуть руку в исходное положение». Модель основана на vision-language-action архитектуре GR00T N1.7 и обучена на 5 000 шагах на наборе monshinawatra/malkist-picknplace: 50 эпизодах телоуправления, собранных в Isaac Sim и экспортированных в формат LeRobot. На вход подаются RGB-изображения с фронтальной и кистевой камер 640×480, инструкция и шесть абсолютных значений суставов руки SO-101. На выходе модель формирует управляющие действия для руки и захвата. При дообучении обучались projector и diffusion action head, а языковая модель и энкодер изображений оставались замороженными. Чекпойнт опубликован в формате safetensors; лицензия указана как other. Это ранний контрольный чекпойнт, обученный до половины запланированных 10 000 шагов. Небольшой набор данных из одной симуляционной сцены ограничивает перенос на другие положения объектов, освещение, фон и отвлекающие предметы; при запуске на реальном роботе возможен разрыв между симуляцией и реальностью. Модель предназначена для конкретной задачи с упаковками Malkist и коробкой-ящиком.

vantagewithai/LTX2.3-10Eros-1.3-GGUF — GGUF-версия модели LTX2.3-10Eros, разработанная VantageWithAI на основе TenStrip/LTX2.3-10Eros. Модель предназначена для преобразования изображения в видео в ComfyUI с использованием библиотеки Diffusers и ориентирована на генерацию сцен с выраженными движениями, в том числе эротического и откровенного характера. Версия 1.3 оптимизирована для работы с DMD LoRA и специальными рабочими процессами ComfyUI, включая V5 DMD. Это не обычное объединение весов, а слияние с масштабированием слоёв и использованием компонентов Sulphur-2-base и Sulphur EXP. По заявлению автора, версия снижает количество артефактов вроде призрачной анатомии, нежелательных субтитров и неожиданных переходов, сохраняя сопоставимый уровень явных движений и зависимость результата от подробного, строгого и директивного промпта. Модель требует специализированных ComfyUI-узлов TenS-устанавливаемых узлов, совместимого рабочего процесса и DMD LoRA. README не содержит точных сведений о размере модели, максимальном контексте, поддерживаемых языках, аудиовозможностях или лицензии. Модель слабо интерпретирует намерения без явных инструкций: в промпте необходимо отдельно описывать исходный кадр, движения, изменения композиции и звук. Условия лицензирования в предоставленных данных не указаны.

Chipotle Support Qwen3.5 0.8B — компактная чат-модель, созданная как личный проект на основе Qwen3.5-0.8B и дообученная на примерно 685 парах вопросов и ответов, собранных из ответов чат-бота поддержки Chipotle Pepper. Репозиторий содержит её веса в формате GGUF с квантизацией Q8_0; модель рассчитана на запуск, например, через llama.cpp или LM Studio. Модель отвечает в роли чат-бота поддержки ресторана: помогает с типичными вопросами о меню, часах работы, заказах и программе Rewards, а на темы вне своей области может отвечать заготовленными фразами. Обучающие данные включают переформулировки для проверки устойчивости к сложным запросам и примеры персоны. Модель ориентирована на англоязычный диалог. Это экспериментальная фанатская модель, не связанная с Chipotle и не одобренная компанией. Из-за небольшого размера и ограниченного набора данных она может галлюцинировать, ошибаться и сообщать устаревшие сведения; ответы не являются официальной информацией. Лицензия в метаданных обозначена как other, конкретные условия использования здесь не раскрыты.

mini-mutants — компактная модель LightWeight GAN для безусловной генерации изображений. Её создал Aleksey Korshuk; модель обучена на датасете huggingnft/mini-mutants и предназначена для создания изображений в стиле коллекции NFT Mini Mutants без входного изображения или текстового запроса. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Модель ориентирована на генерацию изображений, связанных с этой коллекцией. Карточка не описывает размер изображений и подробности обучения; описание ограничений и смещений отсылает к внешнему репозиторию проекта. Поэтому нельзя оценить разнообразие результатов или пригодность модели для других стилей и задач.

MiniMax-H3 Motion Adapter — пилотный LoRA-адаптер от MATLOWAI для базовой модели MiniMaxAI/MiniMax-H3. Он предназначен для обработки быстрых фрагментов видео в связке с проходом de-rope из ComfyUI-MAINodes, который регенерирует участок клипа на растянутой временной шкале и возвращает его к исходной скорости. Адаптер не является универсальным motion LoRA и рассчитан именно на этот сценарий; на обычном text-to-video-рендеринге без de-rope ожидаемой пользы нет. Модель представляет собой дельту весов LoRA ранга 16, не добавляет вычислительных узлов и не требует специального custom node. Она обучена на 38 самостоятельно созданных клипах, главным образом для сглаживания очень быстрых движений, уменьшения чередования «рывок — продвижение» и снижения избыточно придуманного движения. Наиболее заметный эффект отмечен для контента вроде аниме-сцен с быстрыми взмахами оружия. Для устранения скачков на стыках авторы рекомендуют сначала закреплять начальный и конечный кадры регенерируемого окна; сам адаптер улучшает плавность поверх этой настройки. К сильным сторонам относятся уменьшение перемежающихся рывков, более точное соответствие заданной скорости движения и сокращение некоторых артефактов. Ограничения включают пилотный статус, узкую специализацию, зависимость от de-rope-прохода и необходимость подбора силы адаптера и параметра inject. В отдельных случаях возможны ухудшение результата и приглушение цветов. Адаптер распространяется по лицензии MIT.

Contextual AI разработала ctxl-rerank-v2-instruct-multilingual-6b — плотную модель на архитектуре Mistral с 6,4 млрд параметров для ранжирования текстов. Она оценивает релевантность документов запросу и умеет учитывать пользовательские инструкции, например отдавать приоритет более свежим сведениям или разрешать противоречия между результатами поиска. Модель рассчитана на мультиязычный поиск более чем на 100 языках и сценарии поиска товаров и рекомендаций. Модель принимает запрос, документ и, при необходимости, инструкцию; выдаёт оценку релевантности, где более высокий балл означает более подходящий документ. README указывает контекст до 32 тысяч токенов, тогда как метаданные Hugging Face заявляют нативный контекст в 1 024 000 токенов; фактический поддерживаемый размер зависит от реализации и конфигурации. В карточке также описаны применение для ответов на вопросы и результаты на BEIR, однако это остаётся моделью ранжирования, а не генератором ответов. Лицензия CC BY-NC-SA 4.0 допускает использование на её условиях, включая ограничения на коммерческое применение.

Matryoshka Text Embedding v1 — мультиязычная модель эмбеддингов текста на базе энкодера XLM-RoBERTa, дообученная с применением Matryoshka Representation Learning. Она преобразует тексты в векторы для семантического поиска, сравнения предложений и извлечения документов; поддерживает семь размерностей эмбеддинга от 64 до 1024, что позволяет выбирать компромисс между качеством, скоростью и объёмом хранения. Максимальная длина последовательности — 8194 токена по метаданным модели; README указывает 8192 токена. Модель предназначена для поиска по научной литературе, правовым и медицинским документам, веб-страницам и каталогам товаров, а также для рекомендаций и индексации больших коллекций. В карточке заявлена поддержка более 100 языков; метаданные отдельно перечисляют английский, арабский, немецкий, испанский, французский, китайский, русский, турецкий, корейский, японский, итальянский, португальский и нидерландский. Метаданные указывают 658,7 млн параметров, тогда как README приводит около 568 млн. Модель выпущена hasankursun и дообучена на FacebookAI/xlm-roberta-base. Для лучшего соответствия исходному качеству используют полную размерность или крупные векторы; усечение уменьшает требования к хранению и вычислениям, но может снизить качество. Лицензия CC-BY-NC-4.0 разрешает использование с обязательной атрибуцией и ограничивает коммерческое применение.

Мультимодальная инструкционная модель Qwen2.5-VL-7B на 7,1 млрд параметров, преобразованная сообществом mlx-community в формат MLX из Qwen/Qwen2.5-VL-7B-Instruct. Она принимает текст и изображения и отвечает текстом, поддерживает диалог и интерфейс вызова инструментов. Модель подходит для анализа изображений и видео, извлечения данных из документов и других визуальных задач; максимальный контекст — 128 000 токенов. В метаданных указана библиотека Transformers, а карточка описывает конвертацию с помощью mlx-vlm 0.1.11. Лицензия — Apache-2.0.

Карточка модели alpindale/Llama-3.2-90B-Vision на Hugging Face совпадает с карточкой meta-llama/Llama-3.2-90B-Vision, поэтому описание составлено по ней. Llama 3.2 90B Vision — мультимодальная модель Meta для анализа изображений и генерации ответов на текстовые запросы о них. Она построена на авторегрессионной архитектуре Transformer семейства Llama 3.1 и использует отдельно обученный адаптер зрения с cross-attention, который передаёт представления изображений в языковую модель. Размер модели — 90B параметров; она принимает текст и изображения и выдаёт текст, поддерживает контекст длиной до 128 тыс. токенов. Модель предназначена для визуального распознавания и рассуждений, описания изображений, ответов на вопросы по изображениям и диалогов с визуальным содержимым. Также в карточке указаны сценарии DocVQA, поиска соответствий между изображениями и текстом, а также визуального заземления языковых описаний на объекты или области изображения. Для приложений с изображениями и текстом официально поддерживается английский язык; в текстовых задачах поддерживаются также немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Модель выпущена Meta в сентябре 2024 года и доступна по лицензии Llama 3.2 Community License — специальному соглашению, условия которого следует учитывать при коммерческом и исследовательском применении. Это статическая модель, обученная на офлайн-данных; сведения о дате отсечения знаний — декабрь 2023 года.

MiniCPM-V 4.5 — мультимодальная модель OpenBMB для диалога и понимания изображений, нескольких изображений и видео. По README, её языковая часть основана на Qwen3-8B, а визуальная — на SigLIP2-400M; архитектура включает единый 3D-ресэмплер для сжатия видеокадров. В метаданных указано 7,6 млрд параметров, библиотека Transformers и контекст 40 960 токенов. Модель предназначена для описания и анализа изображений и видео, распознавания текста, разбора документов и визуальных вопросов и ответов. README заявляет поддержку более 30 языков, обработку изображений высокого разрешения до 1,8 млн пикселей и видео с частотой до 10 кадров в секунду. Доступны переключаемые режимы быстрого и углублённого рассуждения; разработчики также отмечают поддержку локального запуска и интерфейса вызова инструментов. Возможности и показатели качества в README основаны на оценках разработчиков и бенчмарках; фактическое качество зависит от сценария и оборудования. Модель выпущена под лицензией Apache-2.0.

NuExtract-2.0-8B-GGUF — мультимодальная и многоязычная модель компании NuMind, предназначенная для структурированного извлечения информации. Она принимает текстовые и визуальные входные данные, а также JSON-шаблон с описанием требуемых полей, и возвращает извлечённые значения в структурированном виде. Модель подходит для обработки документов, форм, изображений и других источников, где требуется преобразовать неструктурированные данные в JSON. Модель основана на Qwen2.5-VL-7B-Instruct и содержит около 8 млрд параметров; распространяется в формате GGUF для запуска с совместимыми средствами, включая llama.cpp. Поддерживаются строковые значения, verbatim-string для дословного извлечения, числа, даты и времени в формате ISO, массивы, перечисления и multi-label-категории. При отсутствии подходящей информации модель возвращает null или пустой массив. Для задач извлечения рекомендуется температура, равная или близкая к 0. К сильным сторонам относятся специализированная настройка на извлечение, поддержка текста и изображений, многоязычность и возможность задавать целевую структуру результата. README не указывает точный размер контекста, перечень поддерживаемых языков и количественные результаты бенчмарка; также не описывает ограничения качества для отдельных языков или типов документов. Модель распространяется по лицензии MIT.

Карточка модели Lostsoulfs/Qwen2.5-VL-7B-Instruct на Hugging Face совпадает с карточкой unsloth/Qwen2.5-VL-7B-Instruct, поэтому описание составлено по ней. Qwen2.5-VL-7B-Instruct — мультимодальная инструкционная модель семейства Qwen, представленная в репозитории Unsloth на основе Qwen/Qwen2.5-VL-7B-Instruct. Это плотная архитектура Qwen2.5-VL с 7,1 млрд параметров, поддерживающая диалоговую работу с изображениями; длина контекста составляет 32 768 токенов. Модель принимает изображения и текстовые запросы, а отвечает текстом, в том числе может выдавать структурированные данные и координаты объектов. Модель предназначена для анализа изображений и документов, распознавания текста, таблиц, диаграмм и макетов, визуальных вопросов и ответов, а также понимания видео и локализации событий. Карточка описывает возможности визуального агента для взаимодействия с интерфейсами и инструментами. Динамическое разрешение позволяет настраивать баланс качества, скорости и расхода памяти. В README приведены результаты на бенчмарках изображений, видео и экранных интерфейсов. Для обработки изображений высокого разрешения требуется больше вычислений; поддержка видео зависит от используемой библиотеки, а видеофайлы подаются локально. Увеличение контекста с YaRN может ухудшить временную и пространственную локализацию. Лицензия — Apache-2.0.

Компактная модель Sentence Transformer, разработанная swardiantara и дообученная на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерности 128 для поиска и сравнения текстов; близость векторов можно оценивать косинусным сходством. Модель состоит из BERT и среднего pooling, содержит 4,4 млн параметров и принимает только текст. Модель обучалась на наборе из примерно 2,6 млн пар текстов с оценками сходства. В примерах набора — отзывы Amazon, поэтому модель подходит, в частности, для семантического поиска и сопоставления отзывов. Метаданные указывают контекст до 512 токенов, однако карточка модели задаёт максимальную длину последовательности 128 токенов. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

InternVL2_5-78B — мультимодальная модель серии InternVL 2.5, разработанная командой OpenGVLab. Она сочетает зрительный энкодер InternViT и языковую модель Qwen2.5-72B-Instruct в архитектуре ViT-MLP-LLM; компоненты объединены с помощью обучаемого MLP-проектора. Репозиторий использует формат safetensors и библиотеку Transformers. Модель предназначена для диалога по изображениям, анализа нескольких изображений и видеокадров, а также для текстовой генерации. Динамическое разбиение изображений на тайлы 448×448 помогает работать с изображениями высокого разрешения; поддерживаются многоязычные сценарии, включая OCR и анализ математических диаграмм. В обучении использовано 120 млрд токенов. Длина контекста в доступных сведениях не приводится. Модель подходит для визуальных вопросов и ответов, описания изображений и видео, распознавания текста на изображениях и диалоговой генерации. Её размер 78 млрд параметров требует значительных вычислительных ресурсов; обработка нескольких изображений увеличивает расход контекста. В метаданных указана лицензия other, поэтому конкретные условия использования следует сверять с лицензией в репозитории.

Qwen2-VL-7B-Instruct-AWQ — мультимодальная instruction-tuned модель семейства Qwen2-VL, разработанная командой Qwen. Это вариант модели Qwen2-VL-7B-Instruct с AWQ-квантизацией, предназначенный для обработки изображений, видео и текста, а также генерации текстовых ответов по визуальным и текстовым инструкциям. Модель подходит для визуального вопросно-ответного взаимодействия, анализа документов и изображений, распознавания текста в изображениях, решения задач по визуальному содержимому, диалога по видео и сценариев управления устройствами, включая мобильные устройства и роботов. Заявлена поддержка английского и китайского языков, а также понимания текста на изображениях на большинстве европейских языков, японском, корейском, арабском и вьетнамском языках. Она поддерживает изображения произвольного разрешения с динамическим числом визуальных токенов и видео длительностью более 20 минут. Ключевые архитектурные особенности включают Naive Dynamic Resolution и мультимодальное позиционное кодирование M-ROPE, разделяющее информацию о позициях текста, двумерных изображений и трёхмерного видео. Размер модели — 7 миллиардов параметров; README не указывает точный предел контекста. AWQ-квантизация снижает требования к памяти: в приведённом тесте на NVIDIA A100 80GB модель использовала около 7,07 ГБ памяти при коротком вводе и 35,08 ГБ при длине ввода 30720 токенов, однако скорость и качество зависят от оборудования и настроек. Сильные стороны модели — мультимодальное понимание, работа с изображениями разных форматов и разрешений, длительными видео и многоязычным текстом. Ограничения включают зависимость производительности от длины контекста, видеопамяти и программного окружения; заявленные результаты относятся к конкретным тестам и не гарантируют качество в каждом сценарии. Модель распространяется по лицензии Apache-2.0.

philschmid/donut-base-finetuned-cord-v2 — форк модели Donut, подготовленный для демонстрации работы моделей Donut с Hugging Face Inference Endpoints. Это модель архитектуры vision-encoder-decoder: визуальный энкодер Swin Transformer преобразует изображение документа в представление, а текстовый декодер BART генерирует текст по этому представлению. Модель дообучена на наборе CORD для распознавания и структурированного извлечения данных из изображений чеков без отдельного OCR-этапа. Модель подходит для извлечения текста и полей из чеков и для обработки изображений документов через endpoint. В репозитории указаны веса PyTorch и лицензия MIT. Карточка описывает базовый размер модели, но не приводит число параметров или длину контекста.

Карточка модели hararh/Qwen-VL на Hugging Face совпадает с карточкой Qwen/Qwen-VL, поэтому описание составлено по ней. Qwen-VL — крупная визуально-языковая модель Alibaba Cloud из семейства Qwen. Она принимает изображения, текст и ограничивающие рамки, а выдаёт текст и рамки; версия в репозитории описана как предварительно обученная модель, при этом карточка также упоминает отдельную диалоговую версию Qwen-VL-Chat. Модель содержит 11,4 млрд параметров, использует плотную архитектуру QWenLMHeadModel, работает с PyTorch и поддерживает контекст до 8192 токенов. Модель предназначена для диалога по изображениям, генерации описаний, визуальных вопросов и ответов, распознавания текста на изображениях, включая документы и диаграммы, а также поиска объектов по текстовому описанию с выдачей рамок. В карточке указаны многоязычные диалоги и многоязычная оценка на китайском и английском языках. Разрешение обработки изображений повышено до 448 пикселей, что помогает решать задачи распознавания текста и визуальных вопросов без разбиения изображения. README сообщает о сильных результатах на нескольких общих визуально-языковых бенчмарках, но они относятся к оценкам разработчика. Модель может ошибаться в распознавании деталей изображения и текста; карточка не описывает ограничения подробнее. Условия лицензии в предоставленных данных не указаны.

solvi-ai/extract-receipts — англоязычная модель Solvi на базе ModernBERT-large, дообученная на чеках для извлечения полей по текстовому описанию. Она принимает текст OCR и возвращает точный фрагмент текста с границами и оценкой уверенности либо сообщает, что поле отсутствует; извлечение выполняется через библиотеку solvi. Модель обучали два эпоха на 800 чеках CORD v2 и поддерживает поля вроде позиций товаров, цен, количества, налогов, скидок, итоговой суммы, наличных и сдачи. Размер — 394,7 млн параметров, контекст — до 8192 токенов; доступны веса Safetensors и ONNX, включая запуск на CPU и WebGPU. Модель особенно хорошо извлекает суммы, налоги, наличные, сдачу и даты: в описанной оценке на тесте CORD точность по указанным группам вопросов составила 97,3%. Для названий магазинов она уступает базовой модели, поскольку CORD не содержит таких меток. Модель рассчитана на английские и индонезийского типа чеки в виде OCR-текста; другие форматы чеков проверены ограниченно. Лицензия Apache-2.0.